[发明专利]基于迁移学习的白细胞图像检测识别模型构建方法及应用

说明书

本发明涉及基于迁移学习的白细胞图像检测识别模型构建方法及应用，本发明通过构建基于迁移学习的白细胞图像检测识别模型，coco数据集及标注的白细胞图片作为样本对白细胞图像检测识别模型进行训练。白细胞图像检测识别模型提取三级融合的特征金字塔，分别对应不同尺寸特征的白细胞，设置不同的先验轮廓框，加速网络收敛，提高识别的效率和准确性。基于白细胞图像检测识别模型自动、高效的对白细胞图像进行检测识别和统计数目，提高了检测识别精度，排除了人为，主观因素，公正客观。本发明检测识别一张图像推理时间为0.05秒，每秒可完成20张白细胞图像的分析。对正常六类白细胞识别准确率达到了98％。

技术领域

本发明涉及医学图像技术领域，尤其涉及一种基于迁移学习的白细胞图像检测识别模型构建方法及应用。

背景技术

外周血白细胞分类是临床检验的一项常规工作，对许多疾病尤其是血液病的诊断和鉴别都有重要意义。目前实验室通常采用血液分析仪进行白细胞的分类计数，血液分析仪通常采用物理和细胞化学等技术进行细胞分类计数，自动化程度较高，但是准确度不高。因此，对外周血进行显微镜镜检仍然是诊断很多疾病和进行仪器性能评估的必要操作。

但是，人工显微镜镜检操作不但操作耗时，不适用于大批量标本的筛查；而且由于细胞形态学检验工作者的经验情况以及工作数量等情况的影响，会导致判断结果的客观性不足，由此产生的假阴性结果可能会使患者错过治疗的时机，甚至出现误诊现象。

目前医院血液检验流程是：血液样品——血液分析仪——推染片机——人工镜检，整个流程耗时60分钟。对患者进行人工抽血得到血液样品；通过血液分析仪得到各种血细胞计数、白细胞分类和血红蛋白含量；通过推染片机进行染色标记，得到用于人工镜检的血涂片；最终由专业医生进行人工镜检后得到人工分析的血细胞形态分析结果，包括异常血细胞计数、异常血细胞分类等。现有的血液分析仪(血球仪、血球计数仪等)技术实现主要基于电阻抗、激光测定以及综合方法(流式细胞术、细胞化学染色、特殊细胞质往除法等)等三类。

现有的外周血白细胞分类方法存在两个问题：(1)显微镜下人工对白细胞计数效率低下，且操作繁琐枯燥；(2)人工技术统计结果准确率低，易受主观经验和人为因素干扰。

发明内容

针对目前血液分析仪缺点是准确度低，而人工镜检速度慢且受人为因素干扰较大的问题。本发明提供一种基于迁移学习的白细胞图像检测识别模型构建方法及应用，构建基于迁移学习的白细胞图像检测识别模型，实现白细胞位置和类别的自动识别，提高了检测识别的效率和准确率。

为达到上述目的，本发明提供了一种基于迁移学习的白细胞图像检测识别模型构建方法，包括：

构建基于迁移学习的白细胞检测识别模型识别白细胞的类别和位置坐标；

以coco数据集为第一数据库；获取若干白细胞图片，进行白细胞的轮廓及类别标注后形成第二数据库；

在所述第一数据库选取样本对所述白细胞检测识别模型进行第一阶段训练，满足第一阶段完成条件后，在所述第二数据库选取样本对所述白细胞检测识别模型进行第二阶段训练，直至满足第二阶段完成条件；

对完成训练的模型进行封装打包。

进一步的，第一数据库采用coco数据集作为样本，进行随机排序后，划分为训练集，验证集和测试集，分别进行扩充，用于所述白细胞检测识别模型第一阶段训练、验证和测试；

将第二数据库终得样本进行随机排序后，划分为训练集，验证集和测试集，分别进行扩充，用于所述白细胞检测识别模型第二阶段训练、验证和测试。

进一步的，所述白细胞检测识别模型包括预处理模块、特征金字塔生成模块、定位及分类模块、检测结果后处理模块以及结果融合模块；

所述预处理模块将输入图像处理为设定大小，并进行归一化；