[发明专利]一种基于YOLOv5和显微高光谱图像的异型淋巴细胞分型方法

说明书

本发明提供了一种基于YOLOv5和显微高光谱图像的异型淋巴细胞分型方法，在标准YOLOv5网络结构基础进行改进；利用461，548和698nm对应的灰度图像合成淋巴细胞伪彩图，通过改进的YOLOv5网络，面向合成图像信息，完成淋巴细胞自动定位；再利用改进的YOLOv5网络识别结果中淋巴细胞预测框的相对位置信息获取其平均光谱值，将平均光谱值作为输入，使用一维卷积神经网络实现异型淋巴细胞的分型识别；构建异型淋巴细胞分型模型。本发明通过标准YOLOv5网络结构的改进，减少网络计算量，提高对小目标定位的准确度，提出“先定位，后识别”的思想，提升了淋巴细胞的检测效率，实现了异型淋巴细胞的分型识别。

技术领域

本发明属于医学图像处理领域，涉及一种基于YOLOv5和显微高光谱图像的异型淋巴细胞分型方法。

背景技术

淋巴细胞是一种在人体中起免疫作用的血液细胞。淋巴细胞在病毒、原虫感染、药物反应、应激状态或过敏原等因素的刺激下可能会发生胞体增大、胞质增多、嗜碱性增强等细胞增生及形态变化。异型淋巴细胞是一种细胞增生与形态发生改变的淋巴细胞。异型淋巴细胞共分为三种类型(Ⅰ型、Ⅱ型和Ⅲ型)，每种异型淋巴细胞的增多或减少都可能代表着一种疾病的产生。临床检验中，主要通过对异型淋巴细胞的分型识别实现对传染性单核细胞增多症、病毒性肝炎和过敏性疾病等病症的诊断。目前，临床中主要通过人工镜检的方式完成异型淋巴细胞的检测。人工镜检对检测人员有着较高的专业知识水平要求，检测人员经过长时间的重复工作容易产生漏检、误检等问题。机器视觉技术在细胞检测中的应用，一定程度上减轻了血液检测人员的工作负担。目前，在血液细胞显微图像中，细胞的分类与计数主要利用纹理、颜色与形态学特征来实现。在公布号为CN112183287A的申请中，天津大学利用图像的颜色空间信息完成阈值分割并使用几何、颜色与纹理特征实现白细胞的分类。在公布号为CN108961208A的申请中，江苏康尚生物医疗科技有限公司使用最大类间方差法得到分割阈值并对白细胞区域分割，利用细胞ROI区域参数灰度比实现白细胞及嗜酸细胞的计数。在公布号为CN113470041A的申请中，透彻影像(北京)科技有限公司对预处理后得到的拉普拉斯图像做阈值处理，使用分水岭变换完成细胞核的分割，经过轮廓检测实现分类细胞核的计数。上述方法以其较好的结果为血液检测提供了新的思路，但以上方法仅能通过空间特征实现血细胞的分析。仅使用含有空间特征的RGB图像对细胞分类。细胞分类的结果对分割的效果有着极大的依赖，如果图像分割的效果较差，则无法实现轮廓、形态与核质比等空间特征的提取。因此，需要一些新的方法来解决这个问题。

高光谱成像结合了成像和光谱技术，实现了图像信息与光谱信息的融合，以其承载信息量大的特点在医学界引起了众多关注，并逐步被应用在细胞检测领域。在公布号为CN106875413A的申请中，华东师范大学使用大津法、二值化处理和孔洞填充等传统图像处理方法对粘连的红细胞高光谱图像进行分割来实现红细胞的计数。但传统的图像处理方法针对性较强，鲁棒性较差，阈值在选取时主观性较强，泛化性较差。

显微高光谱成像技术相对于传统的医学成像方法，在异型淋巴细胞的识别中，可以提供丰富的光谱成分信息和客观的诊断标准。然而显微高光谱图像包含上百个波段，巨大的数据量存在大量冗余，会对模型造成维度灾难。深度学习擅于发掘多维数据中错综复杂的关系，可以被用来解决显微高光谱图像的数据冗余问题。本发明将深度学习与显微高光谱图像相结合，为异型淋巴细胞的分型识别提供了可行的方法。

发明内容