[发明专利]基于深度学习的白细胞分类系统及方法

说明书

本发明提供一种基于深度学习的白细胞分类系统及方法，属于计算机视觉技术领域，包括：提取模块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。本发明使用两级目标检测器自动检测并分类显微镜白细胞图像，将BNE和SNE更细致的区分，实现了外周血中白细胞六分类，并达到了97.12％的平均检测精度(mAP)。

技术领域

本发明涉及计算机视觉技术领域，具体涉及一种通过搭建深度卷积神经网络，基于两级目标检测器实现了白细胞精确分类的基于深度学习的白细胞分类系统及方法。

背景技术

白血病患者抗病力下降，更容易发生感染，出现发热、出血等临床反应，严重时会导致患者昏迷、意识丧失、面瘫、贫血、持续高烧、骨痛、出现绿色皮肤瘤等。白血病患者患病后如果不及时采取措施，随时可能面临死亡威胁。因此，白血病的早期发现是必要的。

在白血病判断中，主要流程是完成白细胞类型和数量准确而有效辨认，诊断流程主要包括骨髓穿刺、骨髓切片检测和显微镜下血图像分析等。医院中检验科医生通过光学显微镜观察细胞的形态、大小，染色质颜色和形态、胞核轮廓和颜色以及染色质是否依附等进行白细胞分类，从而分辨白细胞数目和类型变化进而做出疾病诊断。但是人工识别法严重依赖医生的专业知识水准和血涂片质量。由于尺度、视点、背景复杂度的变化，同一类型的白细胞可能会出现较大的外观差异。仅根据白细胞形态学差异，没有专业知识的人往往难以正确区分。另外，在血涂片制片过程中，受外部不确定性因素的作用如光照强度、不均匀染色、噪声等会造成显微镜图像的某些特征很难识别，使得白细胞识别难度显著增强。

传统的手工白细胞识别技术性强，麻烦，耗时，主观性大且难以系统化。现有的自动化检测模型准确性低、可靠性低、误差大、泛化能力差，仅依靠血细胞分析仪的半自动图像处理技术，往往为了追求分类速度，所提取的特征都是固定的，图像识别能力也因此受到限制。

目前，现有的传统算法如Thanh T T P,Vununu C,Atoev S,et al.Leukemiablood cell image classification using convolutional neural network[J].International Journal of Computer Theory and Engineering,2018,10(2):54-58。Thanh等人基于颜色空间的Otsu阈值法，K-means聚类、活动轮廓模型和特征提取等大多都只根据白细胞的细胞核形态、大小、核分叶数量，细胞核内染色质颜色、形态、染色质有无颗粒等低层次特征信息分类。有些模型虽然开始针对区别性区域给予特别关注并将关键区域提取特征辅助分类，但是总体而言，由于血涂片制备过程的不可避免的引入噪声干扰和亮度差异等误差，现有图像分类算法对亮度不敏感，稳健性低、鲁棒性低、延迟大、准确度低。而且，在传统的计算机图像处理技术中，仅依靠简单特征辅助白细胞分类和识别，检测结果具有很大误差。