[发明专利]基于深度学习的白细胞分类系统及方法

权利要求书

1.一种基于深度学习的白细胞分类系统，其特征在于，包括：

提取模块，用于利用特征提取器和区域提议网络RPN在全局特征层上提取不同尺度下的图像信息，生成目标建议框；

微调模块，用于将提取的目标建议框的全局特征层结合特征共享机制生成局部特征层，并利用边界回归网络BRN不断微调目标建议框，直到和解码后的真实值接近；

预测模块，用于利用非极大抑制NMS从边界回归后的目标建议框中筛选位置预测，实现白细胞分类。

2.根据权利要求1所述的基于深度学习的白细胞分类系统，其特征在于，提取模块中，选择残差网络作为特征提取器，通过残差处理提取全局特征层；全局特征层通过滑动窗口作用在特征层上生成不同比例的感兴趣区域，然后分为两个分支分别进行卷积得到多个初始建议框和对初始建议框进行修正，最终得到目标建议框。

3.根据权利要求2所述的基于深度学习的白细胞分类系统，其特征在于，微调模块中，将全局特征层和目标建议框一起输入感兴趣区域池化层，获得不同维度的局部特征层。

4.根据权利要求3所述的基于深度学习的白细胞分类系统，其特征在于，将局部特征层归一化和展平后，再连接两个全连接层，分为两个并行的分支，其中一个分支经过回归网络获取目标建议框的调整参数，并不断进行微调，得到预测值和真实值交并比IoU值，其最大值处就是最终的预测框位置参量；另一个分支对目标建议框内白细胞进行分类。

5.根据权利要求4所述的基于深度学习的白细胞分类系统，其特征在于，选择ResNet-50作为特征提取器，并通过残差处理进行特征提取，生成50×50×1024的全局特征层。

6.根据权利要求5所述的基于深度学习的白细胞分类系统，其特征在于，对初始建议框进行修正时，通过1×1卷积获得每个初始建议框的调整参数不断修正初始建议框，调整参数分别是建议框的中心点的坐标、建议框的宽度和建议框的高度。

7.根据权利要求6所述的基于深度学习的白细胞分类系统，其特征在于，对比每个初始建议框和对应真实框的IoU值，通过非极大抑制NMS方法只保留IoU值最高的初始建议框位置和尺寸信息，且保证每个真实框有且只有一个与其对应的建议框。

8.一种基于深度学习的白细胞分类方法，其特征在于，包括：

利用特征提取器和区域提议网络RPN在全局特征层上提取不同尺度下的图像信息，生成目标建议框；

将提取的目标建议框的全局特征层结合特征共享机制生成局部特征层，并利用边界回归网络BRN不断微调目标建议框，直到和解码后的真实值接近；

利用非极大抑制NMS从边界回归后的目标建议框中筛选位置预测，实现白细胞分类。

9.一种非暂态计算机可读存储介质，其特征在于：所述非暂态计算机可读存储介质包括用于执行如权利要求8所述的基于深度学习的白细胞分类方法的指令。

10.一种电子设备，包括如权利要求9所述的非暂态计算机可读存储介质；以及能够执行所述非暂态计算机可读存储介质的所述指令的一个或多个处理器。