[发明专利]一种基于深度学习的流式细胞仪细胞散点图分类方法

说明书

本发明涉及医学诊断技术领域，公开了一种基于深度学习的流式细胞仪细胞散点图分类方法，利用流式细胞分析仪采集多个样本的细胞特征，并对所述样本进行分类和数据增强，得到多个标签样本；将训练集中的输入张量输入分类模型中进行训练，并基于含有正则项的损失函数对所述分类模型进行优化；将测试集输入优化后的所述分类模型中进行分类计算，得到分类准确率，完成分类；解决流式细胞分析仪在面临不同类型细胞特征重叠时的分类不准确问题。有较强的泛化能力、鲁棒性以及处理异常样本的能力，对细胞分类有较高的分类精度。

技术领域

本发明涉及医学诊断技术领域，尤其涉及一种基于深度学习的流式细胞仪细胞散点图分类方法。

背景技术

流式细胞分析仪是诊断常见疾病的一种重要仪器，其中淋巴细胞、中性细胞、单核细胞、嗜酸性粒细胞和嗜碱性粒细胞的分类计数是白细胞分类的一个关键性性能技术指标。当人体感染某些疾病时，血液中不同种类的细胞的数量和细胞的形态会发生变化，医护人员可以凭借细胞分析仪发现并量化细胞数量的变化和形态的改变，用于诊断治疗。

现有的细胞分类方法有固定区域分割与使用自动分类算法的动态区域分割两种，目前大部分细胞分析仪都是采用通过分析细胞团特征计算出细胞分割线，进而实现细胞的分类。相比固定分割线的细胞分类方法，自动分类算法无疑更准确，但同时也有着自身的不足：当样本内的两类或多类细胞特征相近时，自动分类算法通过计算分割线的分类方法准确度不高，无法精确区分出多类细胞。

发明内容

本发明的目的在于提供一种基于深度学习的流式细胞仪细胞散点图分类方法，解决流式细胞分析仪在面临不同类型细胞特征重叠时的分类不准确问题。

为实现上述目的，本发明提供了一种基于深度学习的流式细胞仪细胞散点图分类方法，包括以下步骤：

利用流式细胞分析仪采集多个样本的细胞特征，并对所述样本进行分类和数据增强，得到多个标签样本；

将训练集中的输入张量输入分类模型中进行训练，并基于含有正则项的损失函数对所述分类模型进行优化；

将测试集输入优化后的所述分类模型中进行分类计算，得到分类准确率，完成分类。

其中，利用流式细胞分析仪采集多个样本的细胞特征，并对所述样本进行分类和数据增强，得到多个标签样本之后，所述方法还包括：

将多个所述标签样本按照7：2：1的比例划分为训练集、测试集和验证集。

其中，将测试集输入优化后的所述分类模型中进行分类计算，得到分类准确率，完成分类之前，所述方法还包括：

当所述分类模型每训练十个批次的训练样本后，利用验证集中的验证样本执行一次验证，并输出损失和分类精度，所有数据训练20次，每完成一次迭代保存模型的权重参数。

其中，所述方法还包括：

将所有的分类结果进行可视化展示。

其中，将训练集中的输入张量输入分类模型中进行训练，并基于含有正则项的损失函数对所述分类模型进行优化，包括：

将获取的输入张量输入第一个多层感知机中进行训练，然后将训练输出的第一输出张量与T-Net矩阵相乘，得到转换张量；

将所述转换装量输入第二个多层感知机中进行训练，并经过最大池化层后，得到全局特征；

将所述全局特征加入到所述转换张量后，经过两个多层感知机的的训练，输出分数张量。

其中，将所述全局特征加入到所述转换张量后，经过两个多层感知机的的训练，输出分数张量，包括：

将所述全局特征加入到所述转换张量的每一行中，然后将得到的特征张量输入第三个多层感知机中进行训练，得到第三输出张量；