[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

说明书

本发明涉及一种基于小样本半监督学习的白细胞分类计数方法，首先对显微镜拍摄的血细胞图像用图像处理方式清晰定位到单个白细胞，得到待分类细胞图像；对细胞图像选取部分进行人工标注，分别得到标注样本与无标注样本，分配训练样本和测试样本；确定分类网络的输入输出及中间部分的结构，构建基于双网络结构的半监督分类网络；使用少量标注样本和大量无标注样本训练半监督分类网络，保存训练效果最优的模型；对定位的单个白细胞图像进行分类，根据半监督分类网络输出每张图像的分类信息，从而统计出白细胞每类的数量。该方法能够在少标注情况下实现白细胞图像分类统计，且检测效率和精度高。

技术领域

本发明涉及一种计数方法，具体涉及一种基于小样本半监督学习的白细胞分类计数方法，属于细胞分类技术领域。

背景技术

外周血白细胞(white blood cell，WBC)分类是临床检验的一项常规工作，对许多疾病都有重要意义。目前实验室通常采用血细胞分析仪进行WBC分类计数，这些分析仪一般采用物理、细胞化学等分类技术，但是这种方法只能用于计数，无法利用显微镜下的细胞图像，以至于无法辅助医生进行进一步分析。而传统的人工镜检操作上，细胞量很大，费时费力。其次，人工统计系统偏差较大。因此提高镜检的自动化水平成为临床检验的现实需要。

早期基于细胞图像的计算机分类识别研究主要通过各种算法对细胞进行细致分割，然后在分割的图像上进行特征提取和分类识别，准确率从70.6％到96％不等。具体来说有分水岭分割算法和经典分类方法SVM相结合，遗传算法分割和简单神经网络分类相结合等方式。比如在2015年，郝连旺等人通过设计白细胞形态属性多层次结构分类器进行白细胞六分类识别，在925幅白细胞图像数据集上取得了95.98％的平均分类精度。但是分类器需要人工设计特征，还需要大量带标注的数据集以调整不同的参数，增强模型泛化性和容错力，这些都增加了人工标注成本。

如果采用基于深度神经网络的图像分类方法，虽然不用人工设计特征，但是仍然需要大量标注数据。而医疗数据集的标注获取难度通常高于通用数据集，很多标注需要通过多位人类专家讨论确认得到。所以如何在标注较少的情况下，利用无标注图像获得较好的分类性能，是亟待解决的问题。

基于目前存在的各种白细胞图像分类方案都没有通过加入无标注图像，降低对标注图像的需求，并且获得较好的分类性能，因此本专利通过将半监督引入基于深度学习的图像分类方法，在减少标注示例的数量的同时，获得类似使用更多数据的完全监督的上限性能，这具有十分重要的意义。

发明内容

本发明正是针对现有技术中存在的问题，提供一种基于小样本半监督学习的白细胞分类计数方法，该技术方案解决了现有技术中存在的少标注场景下，利用大量图像数据提升白细胞分类模型精度的问题。

为了实现上述目的，本发明的技术方案如下，一种基于小样本半监督学习的白细胞分类计数方法，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即每类大约50到100张，其余无标注图像(一般大于1000张)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(每类大约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；