[发明专利]基于DETR模型的显微图像中白细胞检测方法

说明书

本发明公开了一种基于DETR模型的显微图像中白细胞检测方法，该方法包括：1)采集包含白细胞的显微图像，人工标注出显微图像中的白细胞，构建成数据集，然后划分为训练集和验证集；2)对数据集亮度和对比度的增强，将亮度和对比度的作为超参数进行调节，由验证集的检测精度确定最佳超参数；3)使用迁移学习算法通过训练集对DETR模型进行训练；4)将待检测的显微图像输入训练好的DETR模型中，得到显微图像中的白细胞检测结果。本发明专利首次将DETR模型应用在显微图像的白细胞目标检测领域，实现了DETR模型在白细胞目标检测训练中的较快收敛，且取得了较高的目标检测精度及鲁棒性。

技术领域

本发明涉及医学显微图像的智能检测领域，特别涉及一种基于DETR模型的显微图像中白细胞检测方法。

背景技术

外周血细胞分析已成为临床实验室的常规检测项目。虽然全自动五分类血液细胞分类仪在各级临床实验室中被普及，但仍有大量样本需要的人工形态学复检以进行疾病的诊断。血细胞形态学检验是血液细胞形态学和分类计数的“金标准”，人工显微镜镜检需要检验师具有相应资历及工作经验，并且容易出现观察者之间的差异，长时间的显微镜下工作对工作人员的健康造成极大的损害。

随着深度学习概念在2006年由Hinton等[1]提出，基于卷积神经网络(CNN)的自动化检测算法相继提出并应用于医学图像检测领域，表现出比传统图像处理方法更高的性能。如检测性能较高的Faster R-CNN，它的检测过程分为两步：先预测出包含物体的很多候选框，再进行最大值抑制的后处理过程。但是它的性能受到后处理、锚点集的设计以及将目标框分配给锚点等步骤的影响[2]。

最近基于Transformer的模型在计算机视觉领域表现出超越CNN模型的性能。其中DETR模型将目标检测看作是一个直接的集合预测问题，简化了以往基于人工锚点识别、合并重复结果的两步流程，是一种端到端的目标检测方法。DETR模型有望在更多的图像处理问题中进行应用，但现在未见公开将DETR模型用于白细胞检测的可靠方案。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于DETR模型的显微图像中白细胞检测方法、存储介质及计算机设备。

为解决上述技术问题，本发明采用的技术方案是：一种基于DETR模型的显微图像中白细胞检测方法，包括：

1)采集包含白细胞的显微图像，人工标注出显微图像中的白细胞，构建成数据集，然后将数据集划分为训练集和验证集；

2)使用colorjitter算法对数据集亮度和对比度的增强，将亮度和对比度的作为超参数进行调节，由验证集的检测精度确定最佳超参数；

3)使用迁移学习算法通过训练集对DETR模型进行训练，达到设定的精度后，得到训练好的DETR模型；

4)将待检测的显微图像输入训练好的DETR模型中，得到显微图像中的白细胞检测结果。

优选的是，所述步骤1)中，将数据集的图片和标注信息做成MSCOCO数据集的格式后再进行划分。

优选的是，所述步骤1)中，将按照训练集：验证集＝8:2的比例对数据集进行划分。

优选的是，所述步骤2)具体包括：

2-1)调用pytorch框架中的ColorJitter类，加入到DETR数据增强方法中，用于对图片亮度和对比度进行增强；

2-2)首先给定特定亮度值a和对比度值b，通过将该值下增强的图片与其他图片对比，定性确定是否在数据集图片的预设亮度和对比度范围内，以此为基准进行训练；

2-3)将亮度值a和对比度值b作为模型训练的超参数，根据训练得到的模型检测精度进行调参，调节为分别包含a和b的区间范围，以达到最优检测精度，作为最终的超参数。