[发明专利]基于剪切数字全息和深度学习的血细胞自动分类方法

权利要求书

1.一种基于剪切数字全息和深度学习的血细胞自动分类方法，其特征在于，包括：

采集血细胞离轴干涉图；

根据血细胞离轴干涉图提取物波复振幅；

从物波复振幅中恢复血细胞相位；

对血细胞相位图进行标注；

建立血细胞相位图数据集；

构建残差卷积神经网络框架；

根据血细胞相位图数据集，训练残差卷积神经网络框架；

获取血细胞自动分类模型；以及

根据血细胞自动分类模型对血细胞自动分类。

2.如权利要求1所述的基于剪切数字全息和深度学习的血细胞自动分类方法，其特征在于，

所述血细胞离轴干涉图中的第k帧血细胞离轴干涉图，表示为：

其中，x、y为空间坐标；O_k(x,y)和R_k(x,y)分别为第k帧血细胞离轴干涉图的物波和参考波；*为复共轭；K为血细胞离轴干涉图总数。

3.如权利要求2所述的基于剪切数字全息和深度学习的血细胞自动分类方法，其特征在于，

所述根据血细胞离轴干涉图提取物波复振幅的方法包括：

在第k帧血细胞离轴干涉图中提取物波复振幅U_k：

其中，为傅里叶变换；FS为傅里叶频谱移中心操作；为傅里叶逆变换。

4.如权利要求3所述的基于剪切数字全息和深度学习的血细胞自动分类方法，其特征在于，

所述从物波复振幅中恢复血细胞相位的方法包括：

从物波复振幅中恢复血细胞相位，其提取的相位为：

其中，Im(·)为虚部；Re(·)为实部。

5.如权利要求4所述的基于剪切数字全息和深度学习的血细胞自动分类方法，其特征在于，

所述对血细胞相位图进行标注的方法包括：

对血细胞进行红细胞、单核细胞、中性粒细胞、淋巴细胞、嗜酸性粒细胞、嗜碱性粒细胞和血小板七个类别的标注。

6.如权利要求5所述的基于剪切数字全息和深度学习的血细胞自动分类方法，其特征在于，

所述建立血细胞相位图数据集的方法包括：

将血细胞相位图和标注图裁剪为预设像素大小；

血细胞相位图，表示为X_i(i＝1,2,L,K)；

标注图表示为其中M为7种分类标记；

构建由血细胞相位图和标注图组成的血细胞相位图数据集。

7.如权利要求6所述的基于剪切数字全息和深度学习的血细胞自动分类方法，其特征在于，

所述构建残差卷积神经网络框架的方法包括：

所述残差卷积神经网络框架包括：输入层、中间层和输出层；

所述残差卷积神经网络框架中的输入层由输入、卷积层和池化层组成，中间层由8个残差网络单元组成，输出层由全连接层和输出组成；

所述残差卷积神经网络框架中的输入图像为预设像素大小的血细胞相位图，后接一个卷积层、池化层，输出图像大小为256×256；

所述残差卷积神经网络框架中的残差网络单元1-8分别由4个卷积层组成，特征数分别从64变化为512，图像大小分别从256×256变化为8×8；

每个残差网络单元的输入和输出通过shortcut直接连接，残差网络单元允许输入信息x直接传递到后续的层，残差网络单元中的多个卷积层的堆栈映射表示为H(x)，残差网络单元可表示为F(x)＝H(x)-x；

所述残差卷积神经网络框架中的全连接层有7个神经元，通过归一化函数Softmax，输出每个类别的概率大小。

8.如权利要求7所述的基于剪切数字全息和深度学习的血细胞自动分类方法，其特征在于，

所述根据血细胞相位图数据集，训练残差卷积神经网络框架的方法包括：

选择交叉熵代价函数作为损失函数：

其中，p(X)为血细胞相位图中的每个类别真实分布的概率；q(X)为血细胞相位图中的每个类别预测出来的概率估计。