[发明专利]一种脑脊液细胞图像自动化识别和计数的方法

权利要求书

1.一种脑脊液细胞图像自动化识别和计数的方法，其特征在于，具体步骤为：

步骤1:对脑脊液细胞原始图像进行预处理并保存为脑脊液细胞原始图像集；

步骤2:将步骤1中得到的脑脊液细胞原始图像集按标注结果切割单个细胞图像并按细胞类型保存为脑脊液细胞切分图像集；

步骤3:将步骤1中得到的脑脊液细胞原始图像集和步骤2中得到的脑脊液细胞切分图像集对应划分为训练集、验证集和测试集，脑脊液细胞原始图像集的划分结果保存为原图训练集、原图验证集和原图测试集，脑脊液细胞切分图像集的划分结果保存为切分训练集、切分验证集和切分测试集；

步骤4: 使用Pytorch深度学习框架构建卷积神经网络，采用监督学习的方法，将步骤3得到的原图训练集、原图验证集和原图测试集输入分割网络进行学习，将结果保存为分割网络，将原图测试集输入分割网络后得到的分割结果进行单个细胞切割并保存为已分割测试集；

步骤5: 使用Pytorch深度学习框架构建卷积神经网络，采用监督学习的方法，将步骤3得到的切分训练集、切分验证集和切分测试集输入分类网络进行学习，将结果保存为分类网络；

步骤6:将步骤4得到的分割测试集输入步骤5得到的分类网络，得到细胞分类结果保存为已分类测试集；

步骤7:按单张脑脊液细胞原始图像统计步骤5得到的已分割测试集中的细胞位置和步骤6得到的已分类测试集中的细胞类型，得到脑脊液细胞原始图像的分割、分类和计数结果。

2.根据权利要求1所述的脑脊液细胞图像自动化识别和计数的方法，其特征在于，优选的，步骤1所述的对脑脊液细胞原始图像进行预处理的具体步骤包含：将脑脊液细胞原始图像中每个细胞的边界框定出来，并标注该细胞的细胞类型，将结果按图像以json格式保存。

3.根据权利要求1所述的脑脊液细胞图像自动化识别和计数的方法，其特征在于，优选的，步骤1所述的保存的具体步骤包含：将标注的结果转化为神经网络中常用的COCO数据集格式。

4.根据权利要求1所述的脑脊液细胞图像自动化识别和计数的方法，其特征在于，优选的，步骤2所述的脑脊液细胞原始图像集按标注结果切割单个细胞图像的具体步骤为：按单个细胞边界进行像素级切割并屏蔽背景影响。

5.根据权利要求1所述脑脊液细胞图像自动化识别和计数的方法，其特征在于，优选的，步骤2所述的脑脊液细胞原始图像集切割后按细胞类型保存，其中的细胞类型包含淋巴细胞，红细胞，中性粒细胞，单核细胞，嗜碱性粒细胞，嗜酸性粒细胞，浆细胞，双核细胞，激活单核细胞，吞噬细胞，吞噬含铁黄素吞噬细胞，瘤样细胞，激活淋巴细胞，双核浆细胞，瘤细胞共15类细胞。

6.根据权利要求1所述脑脊液细胞图像自动化识别和计数的方法，其特征在于，优选的，步骤4中的分割网络具体操作为：

输入目标图像并将其进行预处理为固定大小图像，将结果输入Resnet101-FPN网络得到特征图；将特征图中的每一点设定指定个感兴趣区域，获得多个感兴趣区域；将感兴趣区域输入感兴趣区域选择网络对区域进行二分类以及区域位置回归，以区分前景和背景；将得到的前景区域候选框按置信度分数进行降序排列，得到一个降序的候选框集合，从该候选框集合中置信度最高的候选框开始，计算该候选框A与列表集合中其他候选框,比如B的交并比，如果交并比大于一定阈值门限，则对候选框B的置信度乘以一个系数进行线性加权，最终保留候选框A，从候选框集合中取出；对剩余的候选框，重复之前步骤中的迭代操作，直至候选框集合中所有的候选框都完成筛选。筛选后候选框进行感兴趣区域对齐操作，最后对操作后结果采用级联型网络进行多次边框回归和细胞像素块生成。

7.根据权利要求1所述脑脊液细胞图像自动化识别和计数的方法，其特征在于，优选的，步骤5中的训练分类网络具体操作为：输入目标图像并将其预处理为固定大小图像，将结果输入ResNet-SENet基本网络架构得到特征图，并采用以下改进损失函数方式训练网络：

其中表示不同的细胞类型，表示细胞真实类型标签，表示网络预测分类结果。和是可调节超参数。