[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

说明书

本发明公开了一种基于深度学习的白细胞自动分类方法及系统，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；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。

技术领域

本公开属于临床白细胞检测的技术领域，涉及一种基于深度学习的白细胞自动分类方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

目前，临床上对白细胞识别主要依靠血液分析仪和人工镜检。血细胞分析仪是利用电阻抗法、激光散射法等原理对白细胞进行分类。这种方法的优点是速度快、准确度高、重复性好，能够运用统计学方法提高准确度。但是这种方法也有缺陷，这些仪器不能检测到白细胞的形态学变化，也不能检测到异常的白细胞，一般只能给出细胞的数量等指标。并且，这种方法在检测过程中，如果受到外界因素或者病人体质差异因素的影响，可能会有误判的情形出现。所以这种方法一般用于筛查，如果需要准确的结果或者复检则需要利用另一种方法，人工镜检。人工镜检是指将病人的血液样本经过推片、染色、干燥等处理后制作成血涂片，然后检验人员利用显微镜对血涂片中的白细胞分类。在临床上，人工镜检是白细胞检验的“金标准”，这种方法分类准确并且能够观察到白细胞的病理学变化。但是人工镜检需要专业的检验科人员进行操作，这些操作一般工作量巨大、耗费时间长，而医院每天有大量的血涂片需要进行镜检，繁重的工作会使工作人员疲惫，容易发生误判，进而影响病人的治疗。

近年来，许多专家提出了利用图像识别对白细胞进行分类的方法，这些方法大体可以概括为三步：首先将制作成功的血涂片放在显微镜下拍摄并采集显微图像，然后利用图像分割算法将显微图像进行分割，并获取相应的白细胞图像，最后通过分类算法对白细胞图像进行分类。然而，发明人在研发过程中发现，上述白细胞分类识别算法多需要根据分类任务人工主观选择图像纹理、图像边缘、图像色彩等特征，然后将所选特征送入分类器分类。这些算法鲁棒性较差，适用范围窄，对不同样本集可能存在较大误差。

发明内容

针对现有技术中存在的需要人工选择特征和算法鲁棒性较差的不足，本公开的一个或多个实施例提供了一种基于深度学习的白细胞自动分类方法及系统,依次通过并行两路深度卷积神经网络、一个判决网络最后完成预测来增强模型表征能力，本公开中双路残差网络和协同判别网络的算法结构具有更好鲁棒性，在一路残差网络存在误判时取另外一路的预测结果，在一定程度上使得模型误判率更低。

根据本公开的一个或多个实施例的一个方面，提供一种基于深度学习的白细胞自动分类方法。

一种基于深度学习的白细胞自动分类方法，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；

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。