[发明专利]一种基于细胞散点图的异常检测方法

说明书

本发明公开了一种基于细胞散点图的异常检测方法，包括以下步骤：S1、获取样本的细胞散点图，在细胞散点图内建立平面坐标系，并遍历每个点，将坐标信息和种类信息赋予每个细胞点；S2、根据细胞种类信息，计算各种细胞的细胞簇中心和离群容忍度；S3、根据各细胞种类的细胞簇中心和离群容忍度进行高斯分布建模；S4、设定风险数据阈值，对每种细胞种类的容忍度外各点进行风险数据评分；S5、根据风险数据评分判断各种类细胞是否存在。本发明避免给机器的便携性和成本加大了负担，不增加额外的损耗。

技术领域

本发明涉及细胞检测领域，特别是涉及一种基于细胞散点图的异常检测方法。

背景技术

血细胞分析仪blood cell analyzer，通过溶血剂破坏红细胞，白细胞胞膜轻微受损，利用SSC获得不同白细胞内部构造复杂程度的差异；通过荧光染色，利用SFL获得不同白细胞核酸及细胞器种类和多少的差异，从而对各类白细胞进行区别计数。并对所测细胞进行统计，以SSC为横坐标，以SFL为纵坐标，得到WDF散点图。统计种类主要包括五种细胞：Debris：影细胞/细胞碎片；NRBC：有核红细胞；LYMPH：淋巴细胞；Abnormal lymph Blast：异常淋巴细胞/原幼淋巴细胞；Atypical lymph：不典型淋巴细胞/异型淋巴细胞；MONO：单核细胞；Blast：原始细胞；NEUT+BASO：中性粒细胞及嗜碱性粒细胞；Left shift：核左移；IG：幼稚粒细胞；EO：嗜酸性粒细胞。

散点图的异常检测是目前提升血球仪的一种有效手段。由于目前血球仪自动判别的准确率仍存在一定的缺陷，由于目前并没有将散点图的识别看做一个异常检测任务，因此我们宏观的讨论异常检测算法的相关工作。对于数据质量的不同，异常检测主要分为三大类：

监督任务：这类任务的数据有很明确的异常或正常的标签。一般处理这种情况，操作者会将其看待成二分类的任务。但它面临着昂贵的数据标记和实践中离群值稀缺的问题。

半监督任务：首先，由于问题的性质，很难获得大量的异常数据，无论是标记的还是未标记的。这类任务的数据对正常样本有很明确的标注，异常类没有标注。由于对异常数据的访问受限，构建异常检测器通常只使用正常数据进行半监督或一类分类设置。这种情况一般会采用引入代理任务，从而通过自监督的方式来完成异常检测任务。这种方法通过构建异常检测器通常只使用正常数据进行半监督或一类分类设置。生成模型在概率密度低于某个阈值时声明异常。然而，异常分数被定义为像素级重建错误或概率密度的集合，无法捕获高级语义信息。

无监督任务：这类任务就是所有的数据都没有标注。在这种情况下会首先对数据进行特征抽取，然后通过测距的类似方法进行分类。其中特征的抽取可以看做是一种生成任务。近年来，海量的图像/视频数据激发了无监督异常检测在计算机视觉中的重要应用，如提炼web图像查询结果、视频异常事件检测等。不幸的是，尽管端到端深度神经网络(DNN)在计算机视觉领域取得了显著的成功，但一种有效的端到端无监督异常检测策略仍在探索中:最先进的方法都依赖于深度自动编码器(AE)或卷积自动编码器(CAE)来实现易于实现的基于DNN的无监督异常检测模型，但它们都存在AE/CAE的无效表示学习。另外必须对概念进行两个澄清:首先，在一些文献中，“无监督离群值/异常检测”实际上指的是半监督的任务，而不是这里特指的无监督。其次，最近的一个话题是离群分布样本检测，它检测的样本不是来自于训练样本的分布。它类似于半监督任务，但它需要标记良好的多类数据进行训练，而不是对半监督定义的单类数据。

为解决上述问题，现需一种基于细胞散点图的异常检测方法。

发明内容

本发明是为了解决现有技术中监督任务面临着昂贵的数据标记和实践中离群值稀缺、半监督任务很难获得大量的异常数据和无监督任务所有的数据都没有标注的问题，提供了一种基于细胞散点图的异常检测方法，通过将每一种细胞种类看做一个独立的高斯分布，解决了上述问题。

本发明提供了一种基于细胞散点图的异常检测方法，包括以下步骤：