[发明专利]一种基于深度学习的白细胞自动分类方法及系统

权利要求书

1.一种基于深度学习的白细胞自动分类方法，其特征在于，该方法包括：

接收白细胞图像样本集，对白细胞图像进行归一化和标准化的预处理；所述样本集包括 测试集、验证集和训练集；

将样本集中归一化和标准化的白细胞图像进行去噪；

对测试集、验证集和训练集中一部分去噪后的白细胞图像进行图像边缘检测；

将经过图像边缘检测和未经过图像边缘检测的两部分训练集处理的白细胞图像分别输入并行且互不干扰的深度卷积神经网络进行训练，输出经过判别网络得到分类结果，训练过程中每隔设定时间采用验证集验证；并采用测试集测试；其中，所述深度卷积神经网络采用ResNet-50网络；所述判别网络包括全卷积网络和输出层；

接收待分类的白细胞图像，依次经过归一化和标准化、去噪和图像边缘检测，通过训练好的两路并行深度卷积神经网络和判别网络得到分类结果。

2.如权利要求1所述的一种基于深度学习的白细胞自动分类方法，其特征在于，在该方法中，对所述白细胞图像进行归一化和标准化的具体步骤包括：

将所述白细胞输入图像与预存的具有标准色彩的血细胞图像比对，估计RGB错误并去除；

分别将输入图像R、G、B三通道中的某通道随机选取图像块，将其与标准颜色表比对计算误差后将图像块修正为标准像素值；

三通道处理后的图像块合并为归一化和标准化的白细胞图像。

3.如权利要求1所述的一种基于深度学习的白细胞自动分类方法，其特征在于，在该方法中，采用中值滤波将归一化和标准化的白细胞图像进行去噪，具体步骤包括：

将一个含奇数个点的滑动窗口中的灰度值进行排序；

采用窗口中的灰度值的中值代替归一化和标准化的白细胞图像中心点的灰度值。

4.如权利要求1所述的一种基于深度学习的白细胞自动分类方法，其特征在于，在该方法中，采用sobel边缘算子对去噪后的白细胞图像进行图像边缘检测，其中sobel算子包括第一sobel算子和第二sobel算子，所述第一sobel算子检测水平边沿，所述第二sobel算子检测垂直边沿。

5.如权利要求1所述的一种基于深度学习的白细胞自动分类方法，其特征在于，在该方法中，处理后的所述训练集包括经过边缘检测的白细胞图像和未经过边缘检测的白细胞图像，且比例为1:2。

6.如权利要求1所述的一种基于深度学习的白细胞自动分类方法，其特征在于，在该方法中，所述采用测试集测试的具体步骤包括：

将测试集中处理的白细胞图像分别经过训练好的两路并行的深度卷积神经网络和判别网络进行白细胞分类测试。

7.如权利要求1所述的一种基于深度学习的白细胞自动分类方法，其特征在于，在该方法中，所述分类结果包括六类，其中中性粒白细胞进一步细分类为杆状核中性粒白细胞和分叶核中性粒白细胞。

8.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行如权利要求1-7任一项所述的一种基于深度学习的白细胞自动分类方法。

9.一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行如权利要求1-7任一项所述的一种基于深度学习的白细胞自动分类方法。

10.一种基于深度学习的白细胞自动分类装置，其特征在于，基于如权利要求1-7任一项所述的一种基于深度学习的白细胞自动分类方法，包括：

数据采集模块，被配置为接收白细胞图像样本集，对白细胞图像进行归一化和标准化的预处理；所述样本集包括 测试集、验证集和训练集；接收待分类的白细胞图像；

图像去噪模块，被配置为将样本集中归一化和标准化的白细胞图像进行去噪；将归一化和标准化的待分类的白细胞图像进行去噪；

图像边缘检测模块，被配置为对测试集、验证集和训练集中一部分去噪后的白细胞图像进行图像边缘检测；对去噪后的待分类的白细胞图像进行图像边缘检测；

分类网络建模模块，被配置为将经过图像边缘检测和未经过图像边缘检测的两部分训练集处理的白细胞图像分别输入并行且互不干扰的深度卷积神经网络进行训练，输出经过判别网络得到分类结果，训练过程中每隔设定时间采用验证集验证；并采用测试集测试；其中，所述深度卷积神经网络采用ResNet-50网络；所述判别网络包括全卷积网络和输出层；

白细胞自动分类模块，被配置为依次经过归一化和标准化、去噪和图像边缘检测的待分类的白细胞图像，通过训练好的两路并行深度卷积神经网络和判别网络得到分类结果。