[发明专利]连续成熟阶段骨髓细胞图像自动识别方法、系统及介质

说明书

本发明公开了一种连续成熟阶段骨髓细胞图像自动识别方法、系统及介质，主要包含以下步骤：获取符合规范的数据集；通过迁移学习构建用于骨髓细胞自动识别的密集连接型卷积神经网络模型；对单细胞图像数据进行尺寸归一化，并对图像尺寸归一后的数据集进行划分；精调训练方法的超参数，并利用精调的超参数训练对构建的模型进行结构参数训练，得到最优结构参数模型，训练中引入多种类型的随机数据增广；利用多折交叉验证对模型进行骨髓细胞识别效果测试与评估。本发明可以实现对处于连续成熟阶段的骨髓细胞的自动识别或分类，具有较好的识别效果，可以提高处于连续成熟阶段的骨髓细胞的自动识别的性能和准确率。

技术领域

本发明涉及计算机视觉和深度学习领域，特别是一种基于迁移学习和密集连接型深度卷积神经网络的连续成熟阶段骨髓细胞图像的自动识别方法。

背景技术

在目前的医学和生物学研究中，骨髓细胞分类是一项重要技术。骨髓细胞形态学检查是最早应用的一种骨髓细胞识别与分类方法，在血液肿瘤等重大疾病的分类诊断中具有重要意义，也是目前最基本、最重要的骨髓细胞分类方法之一。骨髓细胞的分类助益于多种恶性血液疾病的诊断，包括：白血病、骨髓肿瘤、再生障碍性贫血等，是多种恶性疾病诊断与治疗效果观察中必不可少的一环。然而，骨髓细胞种类繁多，部分不同类别的细胞之间相似度高，尤其是处于连续成熟阶段的骨髓细胞之间的无明确的分界标准，这使得即使是专业医师也无法确保很高的骨髓细胞识别准确率。目前，医院对于骨髓细胞的镜检方法仍然采用传统的人工观察分类计数的方式，具有工作量大，对医学专家的专业技能和经验要求高，以及缺乏客观、定量的标准等弊端。通过计算机对骨髓细胞进行识别，尤其是对处于连续成熟阶段的骨髓细胞进行识别，可以极大地节省人力资源，提高识别效率、准确率和客观性，这对于智能医疗诊断来说具有重要意义。

随着计算机图像处理与分析技术的发展，依赖于细胞图像处理的骨髓细胞识别方法得到了广泛的研究。过去半个世纪间，骨髓细胞自动识别的相关研究主要采用传统的图像处理办法，通常将骨髓细胞识别问题划分为图像预处理、细胞分割、特征提取、细胞识别这四个步骤。在基于传统方法的骨髓细胞识别中，四个步骤均独立进行，细胞特征的选取需要专业知识背景且没有统一的标准，各个步骤产生的误差将不可避免地累积。

近年，随着人工神经网络和高性能GPU的快速发展，基于卷积神经网络的图像分类或识别技术兴起，卷积神经网络在多领域的图像分类或识别任务中取得了较好的结果。基于卷积神经网络的细胞图像识别，其可以通过单一卷积神经网络模型来实现细胞图像的特征提取和识别，不要求细胞分割，且可省略部分图像预处理过程。因而，相较于传统的图像处理办法而言，基于卷积神经网络的细胞图像分类方法步骤简单，通用性更强，模型泛化能力高，在骨髓细胞图像识别领域也具有较大的潜力。然而，当下暂无成熟的方法或系统被应用于骨髓细胞的自动识别，并且基于卷积神经网络的骨髓细胞自动识别的相关研究较少，骨髓细胞自动识别方法仍具有较大的提升空间。

此外，针对不同的图像分类或识别问题，不同的卷积神经网络模型方法会取得不一样的效果。在大型数据集ImageNet上进行的图像分类挑战证明，卷积神经网络模型的深度、宽度、连接方式、训练方法以及图像的预处理等方面均将对分类结果产生重大影响。因而，找到一个针对连续成熟阶段骨髓细胞图像分类任务的合适的神经网络模型方法对于实现骨髓细胞的自动识别具有重大意义。

综上，基于卷积神经网络的连续成熟阶段骨髓细胞图像自动识别方法具有很大的研究意义和提升空间。

本发明中用到的名词解释如下：

迁移学习：一种机器学习方法。从不同的源任务和源模型中学习或获取知识，并迁移应用到新的任务或模型，以完成新的任务。

卷积神经网络(Convolutional Neural Network,CNN)：卷积神经网络是一种受到生物学中感受野(Receptive Field)机制的启发而提出的前馈神经网络，在图像处理领域具有广泛的应用。其通常由卷积层、池化层和全连接层组成，在结构上具有局部连接、权值共享等特点。