[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

说明书

本发明提供的提供一种血液细胞及骨髓细胞图像人工智能分类识别方法，通过对输入样本进行标记，训练出若干个目标检测模型；再使用预测框算法得到整体的图块和局部的图块，并将其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，再进行全局和针对多个局部特征的子网络通过卷积得到整张图像的特征，最后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。本发明提供的技术方案解决了现有技术主要依赖于人工对血液细胞及骨髓细胞的分类识别的问题，具有自动分类识别准确性高的特点。

技术领域

本发明涉及细胞图像分类领域，特别涉及一种血液细胞及骨髓细胞图像人工智能分类识别方法。

背景技术

随着科技的发展，医学影像技术广泛应用于临床疾病的诊断、治疗中。在医学影像的帮助下，医师在诊断前能更准确，更及时的患病部位进行定位和辅助定性，方便进一步的疾病诊断和治疗，X光、B超、CT等均采用了医学影像技术。细胞图像处理是医学影像的一个重要分支，由于细胞图像的复杂性，制片质量不一，当前主要依赖人工阅片，由于医师长时间观察带来的视觉疲劳以及医师临床经验和病理分析水平不一，最终诊断结果往往出现较高的误差，要改善这些问题，除了提高制片技术，引入计算机图像识别诊断技术进行自动分析处理也一直是图像处理领域的热点和难点，并且在医疗领域里有一定的的应用。

而血液或骨髓细胞图像特征具有：背景单一，分类多，层级多；每个小类别的细胞非常相似的特点。目前在实际操作中，采用人工操作方法，检验工作量大，可重复性差，不仅耗时耗力，医师连续工作易因疲劳或粗心引发错误识别，影响病情诊断，而且对形态描述缺乏客观的定量标准。同时，其诊断水平一定程度上取决于医生的经验。因此，亟需开发出自动化的、借助计算机图像处理技术的血液细胞及骨髓细胞图像人工智能分类识别方法。

现有技术主要依赖于人工对血液细胞及骨髓细胞的分类识别，现有的计算机自动分类识别方法的准确性低速度慢。

发明内容

为解决现有的计算机自动分类识别方法的准确性低速度慢的问题，本发明提供一种血液细胞及骨髓细胞图像人工智能分类识别方法，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。

进一步地，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。

进一步地，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。