[发明专利]一种端到端的血细胞识别模型构造方法及应用

说明书

本发明涉及一种端到端的血细胞识别模型构造方法及应用。基于全视野图像形成数据样本集，使用人工智能技术训练血细胞识别模型，并通过不断地参数调优和误差分析优化模型，最终形成成熟的识别模型。模型输入为单视野血涂片图像，输出为该图像上所有的细胞位置、边缘及类别。本发明利用计算机实现全视野血细胞分析，极大降低了人为客观因素的干扰，提高检验结果的客观性和一致性。血细胞识别模型具有智能性，软件算法具有自学习属性，随着高质量标注图像的增加，识别模型训练效率逐步提高，可不断优化软件识别分类准确度。

技术领域

本发明涉及一种端到端的血细胞识别模型构造方法及应用，属于医学图像技术领域。

背景技术

目前医院血液检验流程是：血样品——血液分析仪——推染片机——人工镜检，整个流程约耗时60分钟。人工抽血得到血液样品；通过血液分析仪器得到各种血细胞计数、白细胞分类和血红蛋白含量；通过推染片机进行染色标记到人工镜检的玻片；人工镜检后得到最终的血细胞形态分析结果，例如异常血细胞识别等。

现有的血液分析仪技术主要基于电阻抗、激光测定以及综合方法（流式细胞术、细胞化学染色、特殊细胞质往除法等）等三类实现。

现有技术的问题在于：一是未实现血涂片全视野范围内血细胞的分析和计数，数据样本量不够，导致结果片面性大，不准确；二是计数和分类算法比较传统，形态分析效果较差，识别准确度不高；三是高水平检验医师人才严重不足，并且人工镜检医师主观性无法控制，复检率高；四是时间较长，效率低。

发明内容

本发明的目的在于克服现有技术的不足，提供一种端到端的血细胞识别模型构造方法及应用，基于全视野图像训练血细胞识别模型实现对血涂片进行准确的扫描分析，提高血细胞分割与识别的全面性和准确性。

本发明目的通过如下技术方案予以实现：

本发明一方面提供一种端到端的血细胞识别模型构造方法，包括：

获取至少一幅血涂片中每幅血涂片的多个单视野图像，对每幅血涂片的每个所述单视野图像中的血细胞的类别和边缘进行人工标注，形成实例标注数据库；

构建血细胞识别模型，在所述实例标注数据库中选取样本形成训练集和验证集，对所述血细胞识别模型进行训练，直至所述血细胞识别模型满足边缘分割准确率及类型判断准确率的要求。

本发明另一方面提供一种端到端的血细胞识别模型构造方法，包括：获取至少一幅血涂片中每幅血涂片的多个单视野图像，对每幅血涂片的多个所述单视野图像进行拼接形成一个全视野图像，对每个全视野图像中的血细胞的类别和边缘进行人工标注，形成实例标注数据库；

构建血细胞识别模型，在所述实例标注数据库中选取样本形成训练集和验证集，对所述血细胞识别模型进行训练，直至所述血细胞识别模型满足边缘分割准确率及类型判断准确率的要求。

进一步地，拼接的方式包括：方式一，将物理位置相邻的单视野图像两两进行特征点提取，然后进行图像特征匹配，最终形成完整的全视野图像；或者方式二，判断两张相邻单视野图像重合区域大小，然后将重合部分进行加权平均，获取重合部分图像，最终获取全视野图像。

进一步地，进行类别人工标注的方法为在控制终端对白细胞和/或红细胞的类型进行标注。

进一步地，进行边缘人工标注的方法为标注者对细胞边缘信息进行采集，针对每张图像生成包含单个血细胞的轮廓、面积以及位置信息的文件。

进一步地，所述血细胞识别模型采用全监督、半监督或无监督类型的人工智能算法。

进一步地，所述血细胞识别模型采用全卷积神经网络；全卷积神经网络采用编码器-解码器结构，编码器对输入的图像进行编码，提取特征；解码器对提取的特征进行解码，还原图像语义。