[发明专利]一种基于迁移学习的非平衡类别白细胞分类方法

说明书

本发明公开了一种基于迁移学习的非平衡类别白细胞分类方法，首先对数据集进行再划分，并进行数据增强和数据预处理，得到类别平衡的数据集。然后，采用迁移学习的技术，基于Resnet 50的深度学习模型，对网络参数进行调整，使用卷积，全局池化，dropout等操作代替全连接层，自定义网络的损失函数，进行迁移训练，实现白细胞分类的功能。本发明的方法相较于其他算法对数量较少的白细胞类别的关注度更高，模型的泛化能力更强。实验表明，本发明一种基于迁移学习的非平衡类别白细胞分类方法能够达到较高的精度和准确率，具有较高的实用价值。

技术领域

本发明属于医学图像处理领域，具体涉及一种基于迁移学习的非平衡类别白细胞分类方法。

背景技术

白血病是造血干细胞的恶性肿瘤之一，在外界环境和人体内部等多种因素的影响下，白细胞表观遗传学和遗传学发生异常变化，从而导致造血发生转化的恶性血液病。在传统的诊断过程中，病理医生需要通过人眼在显微镜下检阅血液涂片，观察白细胞的种类和数量从而给出病理诊断结论，该过程复杂繁琐且效率低下，受病理医生的主观影响较大。

随着人工智能技术的飞速发展，计算机辅助诊断技术越来越多地被应用到医学疾病诊断领域。当前的白细胞分类研究大多依赖于细胞分割后对得到的ROI区域提取的特征的表征性。但是由于血液涂片制作过程中染色方法，设备型号之间的不同，白细胞图像在形态、纹理、颜色等方面会存在较大的差异，导致细胞分割算法的泛化性得不到较好的保证。作为人工智能技术中的一种，卷积神经网络采用原始图像作为输入，能够通过简单的非线性模型从原始图像中提取出更加抽象的特征，具有强大的学习特征的能力。

深度学习方法对数据数量的要求较高，由于正常人体内各类白细胞的比例相差较大，导致了白细胞数据存在类别不平衡的情况。针对类别不平衡的图像分类的问题，目前深度卷积神经网络算法都没有达到较好的效果，算法侧重样本数目较多的类别，而忽略了数目较少的类别，容易造成过拟合的现象。

综上所述，本发明提出的白细胞分类方法，运用深度学习方法，利用卷积操作自动提取图像特征代替传统的手动提取特征，可以有效地避免由于细胞分割效果不理想所带来的偏差。使用迁移学习方法，在样本类别不平衡的情况下解决样本特征分布差异过大的问题，提高白细胞分类的准确率。

发明内容

本发明提出了一种基于迁移学习的非平衡类别白细胞分类方法。所述方法在样本类别不平衡的白细胞数据集上取得了良好的效果，大大减少了病理医生的工作量，实现了对白细胞精准的识别分类并提升了白细胞的分类效率。

本发明所采用的技术方式是：一种基于迁移学习的非平衡类别白细胞分类方法，其特征在于，包括以下步骤：

步骤1：获取带标签的白细胞图像数据集作为初始数据集；

步骤2：将步骤1中的初始数据集按照设定的比例划分训练集和测试集；

步骤3：对步骤2中的训练集中数量占比为1％的嗜碱粒细胞，占比为2.4％的嗜酸粒细胞和占比为4.3％的单核细胞进行数据增强操作，并对增强后的训练集进行数据预处理；

步骤4：使用迁移学习的方法构建网络模型，使用基于ImageNet数据集的Resnet50的网络结构和参数，并对网络参数进行选择，对网络结构进行调整；

步骤5：使用步骤4得到的网络模型对步骤3得到的增强后的训练集进行训练，在训练过程中使用mix up数据增强方式，此过程为一次前向传播；

步骤6：经历一次前向传播后，使用自定义的损失函数计算预测值与真实值之间的损失误差，通过使用随机梯度下降算法来不断减小损失误差以及更新网络参数，此过程为一次后向传播；

步骤7：反复经过步骤5的前向传播和步骤6的后向传播后，当训练的轮数达到设置的迭代次数时，训练结束，保存训练集上准确率最高的模型作为最优模型；