[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

说明书

本发明公开了一种基于区域推荐卷积的骨髓切片中白细胞检测方法，包括：预处理、白细胞框选和白细胞类别标注、增加数据集数量，作为训练数据集；构建区域推荐卷积神经网络模型，以ResNet50网络和FPN网络作为特征提取网络，FPN网络的输出连接至RPN网络，RPN输出推荐区域至Faster‑RCNN网络，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；对构建的区域推荐卷积神经网络模型进行训练，调整参数直至收敛，得到训练完成后的区域推荐卷积神经网络模型；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。本发明提供的检测方法检测白细胞的准确率和精度高，以准确率衡量算法的指标，能够达到90％以上。

技术领域

本发明属于人工智能领域，具体涉及一种基于区域卷积神经网络的骨髓细胞切片中白细胞检测方法。

背景技术

传统骨髓切片中白细胞由人工进行检测：在显微镜下，由专业的病理医生通过切片的移动，进而肉眼扫描整个切片，统计异常白细胞数量从而诊断白血病，这种工作繁重而耗时，并且随着阅片时间的增长，错误率也随之提高。

随着科技的不断发展，骨髓切片中白细胞的检测可以借助计算机的帮助进行初步筛查。目标检测(object detection)是计算机视觉的一个重要研究方向，其任务是通过计算机算法完成对目标区域的框选以及分类。目标检测任务在自动驾驶，物体追踪，物体识别等场景中都有着重要应用。在医疗影像中，目标检测常常被用于检测图像中的细胞、组织或器官等。

公开号为CN106248559A的中国专利文献公开了一种基于深度学习的白细胞五分类方法。首先利用简单的颜色分量关系及形态学操作将白细胞从显微镜图片中检测出来，然后利用颗粒特征及SVM识别出嗜碱性粒细胞与嗜酸性粒细胞，接着利用卷积神经网络自动提取剩下细胞图片的特征，最后利用随机森林实现剩下的三分类。公开号为CN106897682A的中国专利文献公开了一种基于卷积神经网络的白带中白细胞自动识别方法，属于使用机器视觉方案对医学显微图像进行自动识别。本发明首先人工辨别出多张白细胞图像和非白细胞图像，再见你9层的神经网络，根据人工辨别出的图像来训练9层神经网络，在训练过程中实时的对神经网络的训练参数和学习率进行相应的调整；神经网络完全训练完成后，再对待检测目标图像进行检测。

但是，由于骨髓细胞切片中白细胞形状大小相近，特征不明显，难以区分，目前计算机白细胞检测算法准确率不高，精度较差。

目标检测问题是通过模型对图中需要识别的目标进行框选并预测类别，框选框的位置大小准确性以及分类的准确度是评判目标检测的重要指标，同时使得目标检测问题相当困难。随着近年来深度学习的快速发展，目标检测问题有了一定的突破，但在复杂的医学图像领域，目标检测仍旧是一个较为困难的问题。

发明内容

本发明的目的是提供一种基于区域推荐卷积神经网络的骨髓切片中白细胞的检测方法，检测白细胞的准确率和精度高。

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；