[发明专利]基于卷积神经网络的脑脊液细胞和病原体的自动检测计数方法及系统

权利要求书

1.一种基于卷积神经网络的脑脊液细胞和病原体的自动检测计数方法，其特征在于，包括以下步骤：

步骤1，对预制备的脑脊液样本样片进行图片采集，获得原始图像数据集合；

步骤2，对步骤1获得的原始图像数据集合的每张图片中的每个脑脊液细胞和病原体进行标定，获得标定好的原始图像数据集合；

步骤3，将步骤2获得的标定好的原始图像数据集合分为训练集和测试集；

步骤4，将步骤3获得的训练集输入预构建的卷积神经网络模型进行训练，直到在测试集上验证检测准确率达到预设要求，获得脑脊液细胞和病原体的检测模型；

步骤5，将待检测的未标定的脑脊液样片图片输入到步骤4获得的检测模型，输出所识别的脑脊液细胞和病原体的类别及各种类别所占的百分比；

其中，步骤4具体包括：

基于TensorFlow的目标检测图像神经网络构建卷积神经网络模型，使用迁移学习，导入预训练结果，赋予卷积神经网络模型初始权重，获得初始化的卷积神经网络模型；

初始化得到的卷积神经网络模型在步骤3获得的训练集上进行训练，此过程为一次前向传播；

采用监督学习的方法，在经过一次前向传播后，使用Softmax损失函数计算损失函数误差；选用随机梯度下降的方法进行迭代，使卷积神经网络模型的参数值向着损失函数下降的方向更新，此过程为一次反向传播；

使用训练集对使用预训练权重的卷积神经网络模型进行微调，经过多次前向传播和反向传播，更新卷积神经网络模型的参数，当达到设置的最大更新迭代数且深层卷积神经网络模型收敛时，结束训练，得到训练好的卷积神经网络模型。

2.根据权利要求1所述的一种基于卷积神经网络的脑脊液细胞和病原体的自动检测计数方法，其特征在于，步骤1中，制备脑脊液样本样片的步骤具体包括：制备脑脊液样本的样片，样片进行染色固定处理和不染色固定处理。

3.根据权利要求1所述的一种基于卷积神经网络的脑脊液细胞和病原体的自动检测计数方法，其特征在于，步骤1中，图片采集的步骤具体包括：利用全自动图像采集平台对制备的脑脊液样本样片进行显微图像采集。

4.根据权利要求1所述的一种基于卷积神经网络的脑脊液细胞和病原体的自动检测计数方法，其特征在于，步骤2中，所述脑脊液细胞包括红细胞、单核细胞、淋巴细胞、中性粒细胞、嗜碱性粒细胞、嗜酸性粒细胞、巨细胞、吞噬细胞、浆细胞、幼稚细胞和肿瘤细胞；

所述病原体包括细菌、真菌、病毒和寄生虫。

5.根据权利要求1所述的一种基于卷积神经网络的脑脊液细胞和病原体的自动检测计数方法，其特征在于，步骤2进行标定的步骤包括：

使用标定工具以边界框的形式将步骤1采集到的每张图像中的每个脑脊液细胞和病原体标定出来；

在每个标定框旁边标注其类别，将每张图像的所有标定信息以.xml文件的形式保存。

6.根据权利要求1所述的一种基于卷积神经网络的脑脊液细胞和病原体的自动检测计数方法，其特征在于，步骤4的训练过程中，根据损失函数，利用反向传播算法对检测模型的参数进行调整。

7.根据权利要求1所述的一种基于卷积神经网络的脑脊液细胞和病原体的自动检测计数方法，其特征在于，步骤4还包括：

将测试集输入训练好的卷积神经网络模型，输出结果与人工标定结果比对，验证卷积神经网络模型的识别准确率在90％以上。

8.一种基于卷积神经网络的脑脊液细胞和病原体的自动检测计数系统，其特征在于，包括：

图像采集模块，用于对预制备的脑脊液样本样片进行图片采集，获得原始图像数据集合；

数据处理模块，用于对图像采集模块获得的原始图像数据集合的每张图片中的每个脑脊液细胞和病原体进行标定，获得标定好的原始图像数据集合；用于将标定好的原始图像数据集合分为训练集和测试集；用于将训练集输入预构建的卷积神经网络模型进行训练，直到在测试集上验证检测准确率达到预设要求，获得脑脊液细胞和病原体的检测模型；

输入输出模块，用于将待检测的未标定的脑脊液样片图片输入检测模型，输出所识别的脑脊液细胞和病原体的类别及各种类别所占的百分比；

其中，所述用于将训练集输入预构建的卷积神经网络模型进行训练，直到在测试集上验证检测准确率达到预设要求，获得脑脊液细胞和病原体的检测模型的步骤具体包括：

基于TensorFlow的目标检测图像神经网络构建卷积神经网络模型，使用迁移学习，导入预训练结果，赋予卷积神经网络模型初始权重，获得初始化的卷积神经网络模型；

初始化得到的卷积神经网络模型在步骤3获得的训练集上进行训练，此过程为一次前向传播；

采用监督学习的方法，在经过一次前向传播后，使用Softmax损失函数计算损失函数误差；选用随机梯度下降的方法进行迭代，使卷积神经网络模型的参数值向着损失函数下降的方向更新，此过程为一次反向传播；

使用训练集对使用预训练权重的卷积神经网络模型进行微调，经过多次前向传播和反向传播，更新卷积神经网络模型的参数，当达到设置的最大更新迭代数且深层卷积神经网络模型收敛时，结束训练，得到训练好的卷积神经网络模型。