[发明专利]一种基于改进ResNet的医学图像多分类识别系统

说明书

本发明属于医学图像处理技术领域，具体涉及一种基于深度学习的粒细胞图片细粒度分类识别系统；包含定位模块和分类模块，其中定位模块利用Hourglass网络模型对输入的粒细胞图片进行特征提取，将粒细胞图片中的全部细胞分别进行定位，再将定位后的细胞裁剪出来，留下单个完整的细胞，并将全部裁剪出来的细胞进行尺寸归一化处理；分类模块采用构建的深度学习分类模型对定位模块定位出的粒细胞进行分类；辅助临床医生准确高效完成粒细胞分类识别计数任务，减小主观性带来的误差，减轻医生的工作量，辅助医生做出疾病判断；该系统能够有效解决非均衡数据下的细胞分类以及粒细胞间的细粒度分类，提升网络分类识别效果。

技术领域

本发明属于医学图像处理技术领域，具体涉及一种基于改进ResNet的医学图像多分类识别系统。

背景技术

人体中血细胞有红细胞、粒细胞和血小板三种类型。与其他细胞类型相比，粒细胞的识别分类被认为是一个活跃的研究领域，因为粒细胞负责人体的免疫。骨髓中粒细胞的计数为医生提供了宝贵的信息，有助于白血病和艾滋病等许多重要诊断。粒细胞识别与计数在显微镜下手工进行，这样不仅耗时，而且错误率也高。

目前,临床上对粒细胞的检验方法是人工镜检，人工镜检准确度能够达到95％以上，但是人工镜检效率低,分类速度慢,准确度受检验人员经验和状态的影响。在医学图像处理领域，随着成像技术的极大进步，用计算机图形学辅助医学诊断成为一大趋势，一方面，成像技术的发展带来了海量的医学数据，另一方面，计算机图形学辅助诊断可以生成血液样本的图像，精确的计算机辅助工具有助于加快疾病的诊断，减少医生的工作量提高工作效率,带来更精确、更高效的诊断结果。

深度学习是机器学习研究中的一个新的领域,其动机在于建立、模拟人脑进行分析学习。深度学习是一种数据驱动型模型,能够模拟人脑视觉机理自动地学习到数据各个层次的抽象特征,从而更好地反映数据的本质特征。目前深度学习已经开始涉足医学图像的病变分类、分割、识别以及大脑功能研究等方面。

由于在数据集采集过程中经常会产生因人为漏检以及因不同类细胞样本数量不均衡导致基于深度学习的网络模型分类识别效果不理想，对某些小数据量的类型的细胞分类准确度低。

发明内容

针对现有技术的不足，本发明提供一种基于改进ResNet的医学图像多分类识别系统，是一种非均衡数据集下基于改进ResNet的粒细胞细粒度分类识别统计系统，包含预处理模块、定位模块和分类模块；其中预处理模块通过数据增强的方法，提升数据集容量并同时减少因染色不均导致的背景干扰；定位模块和识别模块利用预训练的网络参数作为学习网络的初始值，同时将图像分通道进行特征提取，按照视图的空间位置上进行池化降采样，对图像进行特征提取和特征融合，对显微镜下采集到的粒细胞图像进行分析，辅助临床医生准确高效完成粒细胞分类识别计数任务，减小主观性带来的误差，减轻医生的工作量，辅助医生做出疾病判断。该系统能够有效解决非均衡数据下的细胞分类以及粒细胞间的细粒度分类，提升网络分类识别效果。

一种基于改进ResNet的医学图像多分类识别系统，包含定位模块和分类模块，定位模块利用Hourglass网络模型对输入的粒细胞图片进行特征提取，将粒细胞图片中的全部细胞分别进行定位，再将定位后的细胞裁剪出来，留下单个完整的细胞，并将全部裁剪出来的细胞进行尺寸归一化处理；

分类模块采用构建的深度学习分类模型对定位模块定位出的粒细胞进行分类：

其中构建的深度学习分类模型其网络结构如下：

第一层为卷积层，卷积核数量为64，每个卷积核大小为7*7，第二层为归一化层和激活函数层，第三层为池化层，采用最大值池化，池化大小为3*3，第四层为ResNet-Block分类模型，第五层和第六层均为TBC-Block分类模型；