[发明专利]基于胶囊网络的全自动白细胞分类计数方法

说明书

本发明公开了一种基于胶囊网络的全自动白细胞分类计数方法，包括步骤S1‑S7，本方案提出基于胶囊网络技术的全自动白细胞分类计数方法，针对外周血涂片的显微镜图像进行精准的白细胞分类计数，通过步骤S1‑S3对白细胞的准确定位分割，即从图像中将白细胞同红细胞、血小板等其他细胞区分开；步骤S4‑S7对白细胞进行分类，通过胶囊网络模型学习出辨识力强的图像特征，并基于其进行白细胞亚型的分类；最后运用于对白细胞进行计数。本发明所提出的白细胞分类计数方法中的分类模型能够捕获细胞之间更微小的差异，获得较高的准确性。

技术领域

本发明涉及白细胞识别计数技术领域，具体涉及一种基于胶囊网络的全自动白细胞分类计数方法。

背景技术

从外周血涂片的显微镜图像中对白细胞进行分类识别和计数能够为炎症、血液系统异常及相关疾病的诊断及治疗后的随访提供有力证据。白细胞的分类计数，指的是通过观察细胞的形态，将白细胞分为五种类型，包括中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞、淋巴细胞和单核细胞，并对其进行分别计数。

目前，该工作可以通过手工和自动两种方式来进行。手工进行白细胞分类计数对操作人员的技术要求较高，通常是由经验丰富的病理学家通过显微镜观察外周血涂片，并对各类细胞进行计数估算来完成，极为耗时费力。而白细胞分类计数的自动化工具，包括基于形态学分析的软件Cellavision，Easycell和Vision Hema等，及基于纹理特征分析的白细胞分类算法等方法。当白细胞受疾病影响而发生形态改变时，当前方法的自动计数结果的准确性会受到影响，目前临床工作中，超过15％的血样需要人工进行检查，导致了极大的工作负担，故亟需高精度的全自动白细胞分类计数工具。

一般来说，自动白细胞分类计数的工作流程包括预处理、分割、特征提取、特征选择和分类等几个步骤。通用的图像特征，如形状、形态学算子和纹理特征等，由于其并非专门针对白细胞设计，很难提高最终细胞分类识别的准确性。为了解决这一问题，研究人员曾尝试修改上述特征，使其适用于白细胞分类。由于人工设计高维特征的难度较大，目前的研究集中在基于卷积神经网络的白细胞识别系统。这些方法是数据驱动的，理论上讲，如果有足够的高质量数据，可以取得良好的效果。然而，可用于模型训练的外周血涂片数量不足，尤其是疾病影响导致白细胞产生形态改变时的外周血涂片数量更是有限。故上述方法的在实践中的可行性较低。

发明内容

针对现有技术的上述不足，本发明提供了一种针对外周血涂片的显微镜图像进行精准计数的基于胶囊网络的全自动白细胞分类计数方法。

为达到上述发明目的，本发明所采用的技术方案为：

提供一种基于胶囊网络的全自动白细胞分类计数方法，其包括以下步骤：

S1：筛选经标准染色后的外周血涂片的显微镜图像I₀；

S2：将待处理的外周血涂片的显微镜图像I与显微镜图像I₀进行颜色归一化，获得显微镜图像I₁；

S3：通过对显微镜图像I₁进行颜色解卷积，定位出显微镜图像I₁上的白细胞，获得白细胞图像；

S4：将白细胞图像输入胶囊网络中的卷积层，输出特征图；

S5：将特征图输入主胶囊层中，将特征图组织成胶囊节点的格式，并产生包含初始特征的1152个胶囊，每个胶囊节点的输出均为128维矢量；

S6：胶囊节点依次通过第一表示胶囊层和第二表示胶囊层路由到输出层封装；输出层输出矢量长度最长的胶囊节点所对应的类别，即为图像I所包含的白细胞类型；

S7：根据白细胞类型，对白细胞分类进行累计计数。

进一步地，步骤S2包括：