[发明专利]一种基于计算机的白细胞自动识别分类方法

说明书

本发明提供一种基于计算机的白细胞自动识别分类方法及方法，首先利用卷积神经网络识别出单核细胞，接着使用卷积神经网络自动提取剩下细胞的特征，最后利用分类器实现剩余细胞的四分类，能够达到较高的精度和准确率，从而有效地完成对白细胞的识别分类任务。

技术领域

本发明涉及医学图像处理领域，特别是一种基于计算机的白细胞自动识别分类方法。

背景技术

血液中的白细胞是人体最主要的免疫细胞，对维持人体的免疫功能发挥着至关重要的作用。血液中的白细胞共有五种，即中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞、淋巴细胞和单核细胞，各类白细胞数量的相对值变化成为了医生判断疾病的重要依据。传统的医学诊断需要医生在显微镜下观察标本玻片，该方法不但耗时耗力，效率低下，而且在一定程度上依赖于医生的经验。随着数字化，信息化时代的到来，人工智能在计算机视觉领域取得了飞速的发展，将人工智能技术应用到医学图像分析方面成为了当今的热点话题。

当前的白细胞分类研究中大多数需要先对白细胞进行细胞分割，获取细胞和细胞核等ROI区域，再对分割得到的ROI区域进行特征提取，最后识别分类。这种思路过于依赖细胞分割得到的ROI区域，但是在目前的研究中，白细胞的分割算法仍然存在一定的不足，白细胞图像中常常会出现细胞粘连，重叠，背景模糊等现象，并且不同染色方法，图像扫描设备得到的细胞图像在形态纹理等方面有较大的差异，因此分割算法的普适性和鲁棒性不能得到很好的保证。

近些年来，得益于计算能力的飞速提升，卷积神经网络在图像处理方面取得了不错的成就，LeNet，AlexNet等神经网络模型在图像分类领域大放异彩，利用卷积操作自动提取图像特征代替了传统的手动提取特征。中国专利CN106248559B“一种基于深度学习的白细胞五分类方法”利用简单的颜色分量关系及形态学操作将白细胞从显微镜图片中检测出来，然后利用颗粒特征及SVM识别出嗜碱性粒细胞与嗜酸性粒细胞，接着利用卷积神经网络自动提取剩下细胞图片的特征，最后利用随机森林实现剩下的三分类，但是用卷积神经网络处理白细胞时会出现特征维数过大以及过拟合等问题。

发明内容

本发明所要解决的技术问题是提供一种基于计算机的白细胞自动识别分类方法，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；

S2.将图像输入训练好的二分类模型，识别出单核细胞；

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；

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。

优选的方案中，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；

S24.将focal loss与交叉熵两者相加之和设置为损失函数；

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。

优选的方案中，步骤S23中的卷积神经网络，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。

优选的方案中，步骤S3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；