[发明专利]基于混合注意力残差网络实现白细胞自动分类方法及系统

说明书

本发明提供了一种基于混合注意力残差网络实现白细胞自动分类方法及系统，该方法包括：步骤(1)：获取原始白细胞图像，并进行预处理；步骤(2)：将预处理后的白细胞图像输入改进的残差网络模型中进行训练，得到的改进的残差网络模型满足白细胞类型判断准确率的要求。

技术领域

本发明属于医学图像分析领域，尤其涉及一种基于混合注意力残差网络实现白细胞自动分类方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

白细胞在维持身体免疫力和摧毁入侵的细菌和病原体方面至关重要。一般来说，白细胞可分为颗粒细胞:中性粒细胞(中性粒细胞进一步细分为分叶中性粒细胞和杆状中性粒细胞)、嗜酸性粒细胞、嗜碱性粒细胞和无颗粒细胞：单核细胞和淋巴细胞。准确识别不同类型的白细胞对某些疾病的辅助诊断具有重要意义。当白细胞中某些类型细胞数量超过正常范围时，往往预示着某些疾病的发生。例如，白细胞中淋巴细胞数量突然下降是新冠肺炎常见的症状。因此，淋巴细胞的突然减少已成为严重新冠肺炎病患者的临床预警指标之一。白细胞图像分析在指导治疗中起着非常重要的作用，白细胞的正确分类是细胞图像自动分析过程中的关键步骤。然而，白细胞的人工分类效率低，容易出错，耗费人力。因此，许多工作旨在设计白细胞分类的计算机辅助方法。

卷积神经网络已应用于各种医学图像处理任务，并展现出令人满意的性能。然而，大多数深度学习方法在执行卷积运算时无法充分利用关键特征和重要信息，这在很大程度上限制了神经网络的性能。最近，一些工作利用注意力机制来提高计算机视觉任务的性能，例如图像分类，目标检测，和图像分割。神经网络中的注意机制可分为三种类型，如通道注意，空间注意，混合注意。通道注意力机制致力于通过关注通道之间的关系来关注更多的区别性信息，而空间注意力在提取更有意义信息方面具有优势，因为它关注不同的空间位置。为了同时提取更有意义的信息和更有区别的信息，混合注意力结合了网络中不同的注意力机制，与卷积神经网络相比，注意力模型可以取得可观的性能。

基于以上考虑，本项工作设计了一种用于白细胞分类的深度学习模型——混合注意力残差网络，实现人体外周血六种白细胞的自动分类。

发明内容

为了解决上述背景技术中存在的技术问题，本发明提供一种基于混合注意力残差网络实现白细胞自动分类方法及系统，其通过将图像处理技术、深度学习技术和注意力机制技术相结合，突出更多的可区别特征并强调有意义的特征来解决上述问题，达到了白细胞自动高效分类的目的。

为了实现上述目的，本发明采用如下技术方案：

本发明的第一个方面提供一种基于混合注意力残差网络实现白细胞自动分类方法。

基于混合注意力残差网络实现白细胞自动分类方法，包括：

步骤(1)：获取原始白细胞图像，并进行预处理；

步骤(2)：将预处理后的白细胞图像输入改进的残差网络模型中进行训练，得到的改进的残差网络模型满足白细胞类型判断准确率的要求。

本发明的第二个方面提供一种基于混合注意力残差网络实现白细胞自动分类系统。

基于混合注意力残差网络实现白细胞自动分类系统，包括：

预处理模块，其被配置为：获取原始白细胞图像，并进行预处理；

模型构建模块，其被配置为：将预处理后的白细胞图像输入改进的残差网络模型中进行训练，得到的改进的残差网络模型满足白细胞类型判断准确率的要求。

本发明的第三个方面提供一种计算机可读存储介质。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的基于混合注意力残差网络实现白细胞自动分类方法中的步骤。