[发明专利]一种基于深度学习的骨髓细胞分类识别方法、装置及系统

说明书

本发明提供了一种基于深度学习的骨髓细胞分类识别方法、装置及系统，属于医学图像处理领域。该方法包括：(1)利用低倍镜获取骨髓涂片的低倍镜全切片图像；(2)将骨髓涂片的低倍镜全切片图像裁剪为高倍镜成像视野大小的多张低倍镜小图；(3)利用训练好的图像分类模型对步骤(2)得到的低倍镜小图进行分类，得到具有良好视野的低倍镜小图；(4)利用高倍镜对具备良好视野的低倍镜小图扫描成像得到相应的高倍镜图像；(5)利用训练好的目标检测模型对步骤(4)得到的高倍镜图像中的骨髓细胞进行分类及计数；(6)根据骨髓细胞的分类及计数结果进行血液疾病预测。能可靠、自动化地实现骨髓细胞的识别分类，能提高血液疾病预测的准确率。

技术领域

本发明涉及一种基于深度学习的骨髓细胞分类识别方法、装置及系统，属于医学图像处理技术领域。

背景技术

血细胞的显微镜检查和分类一直是血液学诊断的重要基础。对外周血和骨髓样本中的白细胞进行形态学检查是诊断血液疾病(如急性髓系白血病、急性淋系白血病等)的最初步骤，其中，最常用的急性白血病分类方法FAB法就强烈依赖于细胞的形态学。

骨髓中的白细胞形态学分析对血液病的诊断至关重要，但迄今为止，在实际应用中，骨髓涂片中细胞的形态学检查仍然依靠于人工镜检。人工镜检要求观察者有一定的专业知识和经验，需要大量的人力和时间，既繁琐又耗时，且长时间观察易导致眼睛疲劳和人为误差；并且分类部位的选择、细胞难易的取舍这些往往随着观察者的不同而不同，导致人工镜检结果的主观性较强，难以实现标准化，这些因素都会导致分类计数的准确性受到干扰，从而降低镜检结果的可靠性和稳定性。

综上所述，目前依靠人工镜检对骨髓细胞进行形态学检查，不仅繁琐耗时，镜检结果还存在较强的主观性、可靠性较低，导致依据基于形态学的人工镜检结果进行血液疾病预测的准确性也较低。因此，研究一种可靠、自动化的形态学检查方法对骨髓细胞进行形态学检查，对提高血液疾病诊断的整体水平具有重要意义。

发明内容

本发明的目的在于提供一种基于深度学习的骨髓细胞分类识别方法、装置及系统，能够可靠、自动化地实现骨髓细胞的识别、分类，能够提高血液疾病预测的准确率。

为了实现上述目的，本发明提供了一种基于深度学习的骨髓细胞分类识别方法，该方法包括以下步骤：

(1)利用低倍镜获取骨髓涂片的低倍镜全切片图像；

(2)将骨髓涂片的低倍镜全切片图像裁剪为高倍镜成像视野大小的多张低倍镜小图；

(3)利用训练好的图像分类模型对步骤(2)得到的低倍镜小图进行分类，得到具有良好视野的低倍镜小图，所述具有良好视野的低倍镜小图为细胞分布均匀、染色好且退化细胞少的低倍镜小图；所述图像分类模型的输入变量为低倍镜小图，输出变量为是否具有良好视野；

(4)利用高倍镜对具备良好视野的低倍镜小图进行扫描成像得到相应的高倍镜图像；

(5)利用训练好的目标检测模型对步骤(4)得到的高倍镜图像中的骨髓细胞进行分类及计数；所述目标检测模型的输入变量是高倍镜图像，输出变量是高倍镜图像中所包含细胞的种类及数量；

(6)根据骨髓细胞的分类及计数结果进行血液疾病预测。

该方法的有益效果是：能够自动实现骨髓涂片的成像及骨髓细胞的分类及计数，并能根据骨髓细胞的分类及计数结果进行血液疾病预测，具有以下有益效果：(1)自动化对骨髓涂片成像，便于多人阅片，病例的保存；(2)自动化实现骨髓细胞的识别、分类，检测效率高、重现性好；(3)骨髓细胞的分类及计数结果准确可靠，能够提高血液疾病预测的准确率；(4)具有自主学习特性。