[发明专利]一种血液细胞及骨髓细胞图像人工智能分类识别方法

权利要求书

1.一种血液细胞及骨髓细胞图像人工智能分类识别方法，其特征在于，包括：

S100：输入样本图像，进行图像标记，对样本图像进行标注信息，得到标记好的不同分类的图块；

S200：根据所述标记好的不同分类的图块，训练出若干个目标检测模型；

S300：输入待识别图像，使用预测框算法，提取定位候选物体，对其进行整体和局部的分割，得到整体的图块和局部的图块；

S400：将所述整体或局部的图块输入到所述目标检测模型中，得到选择关键卷积特征描述子；

S500：对选择关键卷积特征描述子进行全局和针对多个局部特征的子网络通过卷积，提取特征，后将二者的特征经过全连接层级联作为各个子网络的特征，多个子网络特征再次级联作为整张图像的特征；

S600：对所述整张图像的特征进行局部定位并分类，输出分类结果。

2.根据权利要求1所述的血液细胞及骨髓细胞图像人工智能分类识别方法，其特征在于：所述S100中，对物体进行轮廓标记，包含物体整体轮廓，为目标检测模型的训练提供物体标注框；标注物体细节差异的特征位置，为目标检测模型的训练提供部位标注点；并提供训练用图像的标注信息，得到标记好的不同分类的图块。

3.根据权利要求1所述的血液细胞及骨髓细胞图像人工智能分类识别方法，其特征在于：所述S200中，基于目标检测类模型，同时训练出多个检测模型，根据细胞图像特点，训练3个目标检测模型包括：细粒度检测模型、细胞核检测模型、整体细胞检测模型；将所述S100中得到的标记好的不同分类的图块，分别带入各个独立CNN网络进行训练，每个CNN学习到该物体的整体、局部、细节特征，每个CNN结尾处添加全连接层做级联，获得整个物体的整体和局部特征。

4.根据权利要求1所述的血液细胞及骨髓细胞图像人工智能分类识别方法，其特征在于：所述S300中，预测框算法包括：selective search和EdgeBoxes；用如上方法进行选择性搜索，定位候选物体；或使用DPM算法，得到Part Anotation的预测点，获得整个物体以及局部的预测框；或使用FPN模型，对局部进行分割。

5.根据权利要求1所述的血液细胞及骨髓细胞图像人工智能分类识别方法，其特征在于：所述S400-S500中，在每个CNN子网络中，得到“选择关键卷积特征描述子”，保留针对前景的描述，同时去除描述背景的卷积的干扰；选择关键卷积特征描述子进行全局平均和最大池化操作，后将二者池化后的特征级联作为子网络的特征，将两或三个子网特征再次级联作为整张图像的特征。

6.根据权利要求1所述的血液细胞及骨髓细胞图像人工智能分类识别方法，其特征在于，所述S600中的局部定位的算法包括：基于多候选区集成的部件定位、FCN网络进行局部定位、Deep LAC进行部件定位、对齐及分类。

7.根据权利要求6所述的血液细胞及骨髓细胞图像人工智能分类识别方法，其特征在于：所述基于多候选区集成的部件定位，使用基于AlexNet的单个DCNN定位关键点和区域：将AlexNet最后的fc8层替换为两个产生关键点及视觉特征的输出层，使用边缘框分块方法将图像分块，产生其特征点位置及视觉特征，去除置信度评分低的预测结果，保留剩余预测结果的中心点，作为关键点预测结果。

8.根据权利要求6所述的血液细胞及骨髓细胞图像人工智能分类识别方法，其特征在于：所述FCN网络进行局部定位，使用FCN得到CNN独立判断网络的conv5中多个关键点的位置之后，将定位结果输入到分类网络，使用两级架构分析图像物体级及部件级的特征；局部网络首先通过共享层提取特征，之后分别计算关键点周围的部件特征；物体级别网络使用标注框提取对象级CNN特征及pool特征；之后将部件级网络及物体级网络特征图合并后进行分类。