[发明专利]一种基于计算机的白细胞自动识别分类方法

权利要求书

1.一种基于计算机的白细胞自动识别分类方法，其特征是：具体实现的步骤为：

S1.读取细胞文件信息，得到细胞图像数据；

使用非极大抑制算法将框选目标较差的边界框从边界框集合中剔除；

S2.将图像输入训练好的二分类模型，识别出单核细胞；

步骤S2的具体实现步骤为：

S21.读取细胞文件信息，得到细胞图像数据及其对应的标签，调整图像尺寸，并对标签进行独热编码；

S22.将上述的细胞图像数据划分成训练集和验证集；

S23.构建卷积神经网络二分类模型；

卷积神经网络，包含4个block结构，每个block结构中卷积层的数量分别为2，2，3，3，输出的feature map的维度分别为32，32，64，64，block之间通过步长卷积操作进行连接，最后经过全连接层和softmax激励函数得到长度为2的预测矩阵；

S24.将focal loss与交叉熵两者相加之和设置为损失函数；

所述的focalloss的表达式如下：

其中，L是损失函数，y'是激活函数后的输出，α和λ是超参数，α取值为0.25，λ取值为2；

交叉熵的表达式如下：

L＝-[ylog y'+(1-y)log(1-y')]

其中，L是损失函数，y是样本的标签，y'是激活函数后的输出；

S25.基于梯度下降算法最小化损失函数，迭代更新网络参数，得到训练好的二分类模型；

S3.用卷积神经网络分别提取中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞和淋巴细胞的特征，输出特征向量，对细胞图像的数据进行局部特征提取，用权职共享在整张图像中作滑动卷积操作；

具体的实现步骤为：

S31.读取细胞文件信息，得到细胞图像数据及其对应的标签，对细胞图像进行尺寸调整，并对标签进行独热编码；

S32.将上述的细胞图像数据划分成训练集和验证集；

S33.构建卷积神经网络模型；

构建卷积神经网络时使用步长卷积操作代替池化操作，

用于提高淋巴细胞，嗜酸粒细胞，嗜碱粒细胞和中性粒细胞检测的检测速度；卷积神经网络模型，包含4个block结构，每个block结构中卷积层的数量分别为2，2，3，3，输出的feature map的维度分别为32，32，64，64，block之间通过步长卷积操作进行连接，输出一个长度为512维的特征向量；

S34.将focal loss设置为损失函数；步骤S34中，使用阶跃函数对预测框是否框中目标进行判断，只有当预测框和真实标签交并比大于阈值时，检测损失函数才进行误差传递；

S35.在训练过程中使用mixup数据增强方式；

S36.基于梯度下降算法最小化损失函数，迭代更新网络参数，得到训练好的卷积神经网络模型；

S4.使用分类器对上述特征向量进行判别分析，区分出淋巴细胞，嗜酸粒细胞，嗜碱粒细胞和中性粒细胞；

步骤S4中分类器为SVM分类器或SVM-NN分类器。

2.根据权利要求1所述的一种基于计算机的白细胞自动识别分类方法，其特征是：步骤S35在训练过程中使用mixup数据增强方式的具体实现步骤为：

S351.输入训练集中的一张图片，并随机与另一张图片进行融合，按照融合比例得到混合张量；

S352.两张图片融合时按照融合比例进行像素相加；

S353.将得到的混合张量传递给卷积神经网络模型得到输出张量，随后计算损失函数将两个图片的标签分别计算损失函数，按照融合比例进行损失函数的加权求和；

S354.得到混合图样，扩充数据样本容量。