[发明专利]基于区域推荐卷积神经网络的骨髓切片中白细胞检测方法

权利要求书

1.基于区域推荐卷积神经网络的骨髓切片中白细胞检测方法，其特征在于，包括：

(1)建立训练数据集：对骨髓细胞切片的图片进行预处理，再进行白细胞框选和白细胞类别标注，同时使用数据增强方法增加数据集数量，作为训练数据集；

(2)区域推荐卷积神经网络模型构建：以依次连接的ResNet50网络和FPN网络作为特征提取网络，输出不同尺度大小的特征图；FPN网络的输出连接至RPN网络，RPN输出推荐区域至Faster-RCNN网络；以推荐区域作为输入，Faster-RCNN网络输出白细胞区域、与白细胞区域对应的白细胞类别及类别概率作为预测结果；

(3)模型训练：使用步骤(1)中的训练数据集对构建的区域推荐卷积神经网络模型进行训练，调整参数直至区域推荐卷积神经网络模型收敛，得到训练完成后的区域推荐卷积神经网络模型；

(4)白细胞检测：以骨髓细胞切片的图片作为输入，训练完成后的区域推荐卷积神经网络模型输出预测结果。

2.根据权利要求1所述的基于区域推荐卷积神经网络的骨髓切片中白细胞检测方法，其特征在于，所述的ResNet50网络包括残差模块Conv 2、Conv 3、Conv 4和Conv 5，分别输出特征图C2、C3、C4和C5；经过1*1卷积，得到特征图C2＇、C3＇、C4＇和C5＇作为FPN网络的输入；FPN网络通过上采样和低层特征做融合，输出4个不同尺度大小的特征图。

3.根据权利要求2所述的基于区域推荐卷积神经网络的骨髓切片中白细胞检测方法，其特征在于，所述的FPN网络使用C5＇上采样并与C4＇逐像素相加得到P4，对P4上采样并与C3＇逐像素相加得到P3，对P3上采样并与C2＇逐像素相加得到P2，C5＇直接作为P5，得到4个不同尺度大小的特征图P5、P4、P3和P2，并经过3*3卷积后作为RPN网络的输入。

4.根据权利要求3所述的基于区域推荐卷积神经网络的骨髓切片中白细胞检测方法，其特征在于，所述的RPN网络输出推荐区域的过程为：

对不同尺度大小的特征图分别进行3*3*512卷积、1*1*X卷积，输出共享特征图，其中X＝2*每个像素点预选框数量；

对共享特征图进行尺度变换得到RPN种类得分矩阵；

对RPN种类得分矩阵进行softmax激活得到RPN概率矩阵，RPN概率矩阵包括预选框属于前后景的概率值；

对共享特征图再次进行1*1*Y卷积得到RPN预选框矩阵，其中，Y＝4*每个像素点预选框数量，对预选框按前景概率值排序并进行非最大值抑制，选出前景概率值最高的2000个预选框送入Faster-RCNN网络。

5.根据权利要求4所述的基于区域推荐卷积神经网络的骨髓切片中白细胞检测方法，其特征在于，所述的每个像素点预选框的数量为三个，长宽比分别为0.5、1、2。

6.根据权利要求4或5所述的基于区域推荐卷积神经网络的骨髓切片中白细胞检测方法，其特征在于，所述的RPN种类得分矩阵大小为：Z*2，其中，Z＝特征图长*宽*每个像素点预选框数量，2表示每个预选框含有两个得分值，分别为该预选框属于前后景的得分值。

7.根据权利要求4或5所述的基于区域推荐卷积神经网络的骨髓切片中白细胞检测方法，其特征在于，所述的RPN概率矩阵大小为：W*2，其中，W＝特征图长*宽*每个像素点预选框数量，2表示每个预选框为前后景的概率值。

8.根据权利要求4或5所述的基于区域推荐卷积神经网络的骨髓切片中白细胞检测方法，其特征在于，所述的RPN预选框矩阵大小为U*4，其中，U＝特征图长*宽*每个像素点预选框数量，4表示相对于原预选框大小与位置，RPN网络预测的新预选框位置的长宽变换值(w,h)与纵横坐标位移值(x,y)。