[发明专利]一种基于改进Faster RCNN的显微高光谱白细胞检测方法

说明书

本发明属于医疗技术领域，提供一种基于改进的Faster RCNN显微高光谱图像白细胞检测方法，使用高光谱显微镜获取血液涂片白细胞检测图像，且基于改进的Faster RCNN对白细胞识别分类的方法。使用高光谱显微镜获取血液涂片的伪彩图像及光谱数据，对不同类别白细胞进行标注，制作成数据集。对传统Faster RCNN网络进行改进，即使用Resnet18替换Faster RCNN原始网络中的VGG16，将其作为新的伪彩图像特征提取网络；建立针对血液涂片高光谱数据的光谱数据提取模块，利用一维卷积神经网络进行光谱特征提取，在上述改进基础上，利用Faster RCNN网络进行白细胞图像特征和光谱特征融合，最终实现白细胞识别分类。相较于传统的Faster RCNN网络，本发明在对白细胞的识别精度与分类准确度上都有显著的提升。

技术领域

本发明属于医疗技术领域，特涉及一种基于改进Faster RCNN的显微高光谱白细胞检测方法。

背景技术

白细胞是血液的重要组成部分，由骨髓和淋巴组织产生，具有抵抗病毒和细菌感染的功能。可分为中性粒细胞，淋巴细胞，单核细胞，嗜酸性粒细胞，嗜碱性粒细胞。传统的手工显微镜检测方法过于复杂，特别是在检测大量样本时，手工分类计数白细胞更容易出错。近年来，相应的计算机视觉算法和系统在血细胞自动分类和检测领域得到了广泛的应用。

计算机视觉检测目前可分为两大类，第一类是将传统的算法模块按照预处理、特征提取、分类的顺序进行简单堆叠。Rawat等人提出了一种区分急性淋巴细胞白血病(AcuteLymphoblastic Leukemia)和健康淋巴细胞的新技术，使用SVM分类器对包括纹理和形状在内的融合特征进行分类，准确率为89.8％。Mohapatra等人采用基于模糊聚类的两阶段颜色分割策略对图像中的白细胞进行分割，并提出了两个新的形状特征“Hausdorff维数”和“轮廓特征”，使用SVM对淋巴核进行分类，准确率达到95％。Alferez等人利用颜色成分聚类和分水岭变换对外周血细胞图像进行分割，共提取113个特征用于不同类型的淋巴细胞识别。训练集的准确率为98.07％，验证集的准确率为85.33％。

然而，传统的模式识别算法大多是按顺序完成表示和分类模块的，其超参数大都在训练前由人工凭经验给出，当样本空间较小或类间差距不明显时，无法保证模型的泛化能力和稳定性。

第二类是基于深度学习算法对病理图片进行分析，计算机能够更全面地自行提取多维特征，而不需要人为的去指定某一特征的提取，在经过大量的训练后，能够更加准确、高效、稳定的对图像中的目标进行识别分类，且在许多领域都显示出强大的力量，特别是在具有大量图像分析和处理的医学领域，具有传统机器学习算法无法比拟的优势。Boldu等人在检测急性白血病的研究中，采用双模块的深度学习体系结构(AL Net)分别对异常早幼粒细胞和母细胞进行识别和分类，对髓系白血病和淋巴系白血病的识别准确率分别达到93.7％和100％。Shakarami等人采用了以EfficientNet卷积神经网络为骨干的快速高效YOLOv3(FED)检测器，实现了基于BCCD数据集的血细胞识别。最后，血小板、红细胞和白细胞的分类准确率分别为90.25％、80.41％和98.92％。

已公开的专利中，涉及使用Faster RCNN网络对细胞进行检测的，如下：