[发明专利]一种基于小样本半监督学习的白细胞分类计数方法

权利要求书

1.一种基于小样本半监督学习的白细胞分类计数方法，其特征在于，所述方法包括以下步骤：

S1、采用显微镜从血涂片中拍摄大量的血细胞显微图像，用图像处理定位单个白细胞；

S2、对五类细胞：单核，中性粒，淋巴，嗜酸，嗜碱分别标注若干张，每类50到100张，其余无标注图像作为训练样本，然后在训练集的样本以外，每类随机挑出若干张，每类100张进行标注，用于测试模型效果，测试集与训练集无交叉；

S3、根据步骤S2的训练样本，确定半监督网络的输入输出及中间实现特征提取功能的卷积层结构层数，包括依次设置的卷积组成的特征层F、注意力层A、分类层B、输出层C，构建半监督分类网络；

S4、使用步骤S2的样本，在训练的时候对图像缩放到96像素x96像素，训练数据在训练的时候进行随机平移和翻转变换，训练步骤S3中的半监督分类网络，边训练，边在测试集上分类，计算测试集的准确率，保存在测试集上分类准确率达到最高的模型，作为分类模型；

S5、使用步骤S4中得到的半监督分类模型对每张待分类的样本进行分类统计，从而自动统计出每类细胞的数量。

2.根据权利要求1所述的基于小样本半监督学习的白细胞分类计数方法，其特征在于，步骤S1中，图像处理得到的单个白细胞占据整个图像近一半以上，且该细胞较为完整，周围存在血小板，红细胞背景细胞，步骤S1中的图像处理操作，具体为，

S11、将细胞图像转化为灰度图，通过知名的大津阈值算法进行阈值分割，去除背景；

S12、结合数学形态学和其面积特征实现单个白细胞的定位图像。

3.根据权利要求2所述的基于小样本半监督学习的白细胞分类计数方法，其特征在于，步骤S12中得到单个白细胞的定位图像，具体为，

S121、利用图像的灰度分布特性，直方图呈现两个峰，使用大津阈值进行自适应分割；

S122、基于白细胞实心且面积大于红细胞，染色杂质的特征，使用形状为圆盘型，半径为5的结构元进行开操作去毛刺；

S123、使用种子填充法进行四连通操作确定连通域，过滤面积过小的连通域，建立多个区间的连通域面积直方图，其中大于最后一个区间的面积阈值的连通域就是白细胞的连通域，最后根据白细胞的连通域求最小面积外接矩形，得到白细胞的最小包围框，即为单个白细胞的定位图。

4.根据权利要求3所述的基于小样本半监督学习的白细胞分类计数方法，其特征在于，步骤S3中，确定白细胞半监督分类网络，包括依次设置的卷积组成的特征层F、注意力层A、分类层B、输出层C，以下为这四层的解释说明；

特征层F：以卷积-批归一化-ReLU激活-池化为一组，每一组的通道数根据一定比例即[3,64,64,128,128,256,256,256,512,512,512]进行变化；卷积层，对图像特征进行提取，并初步降低特征向量尺寸；最大池化层，保留显著特征、降低特征维度，增大卷积核的感受野；

注意力层A：基于通道的注意力机制，即对相应的特征图通道进行加权，将每个特征图输入平均池化层和全连接层得到每个特征图的权重系数，然后再对每个特征图施以此权重，有利于减少不必要部分的干扰来进行细分类；

分类层B：含有全连接层和随机失活层；随机失活层作为降低过拟合的结构，随机丢失20％的神经元，提高了泛化性；全连接层将特征维度下降到较低维度，便于后期预测；

输出层C：实现分类功能，计算类别概率，输出每类的置信度，将置信度最大的类别作为该图像所属类别；

其中相关顺序依次从上到下进行连接，其中特征层F通道数逐渐增加，特征图尺寸逐渐减小，以上网络结构作为学生网络，然后按照学生网络再构建一个教师网络，形成双网络结构，但是教师网络的权重参数是通过对学生网络的参数进行权重移动平均(即指数移动平均法)得到，如以下公式所示，θ′_t是教师网络在当前训练轮次的权重参数，α是平滑系数，θ′_t-1是教师网络在上一个训练轮次的权重参数，θ_t是学生网络在当前训练轮次更新所得的权重参数；

θ′_t＝αθ′_t-1+(1-α)θ_t。