[发明专利]一种基于明场显微成像的无标记白细胞三分类方法

说明书

本发明公开了一种基于明场显微成像的无标记白细胞三分类方法。该分类方法的具体步骤如下：一、构建带有细胞类别标签的白细胞数据集。二、构建无批归一化的无标记白细胞分类网络。三、利用步骤一中构建的白细胞数据集对步骤二构建的分类网络进行训练。四、利用训练后的分类网络对白细胞的类型进行识别。本发明对无标记白细胞进行分类，与现有基于染色的分类方法相比，样品的预处理步骤更加简便，同时克服了染色剂对细胞活性和生理状态的影响。此外，本发明使用自主设计的网络结构，实现了对无标记白细胞的三分类。与现有的网络结构相比，本发明提出的方法能够提高模型的收敛速度，获得更好的测试准确率，对无标记白细胞的分类效果更好。

技术领域

本发明涉及医学图像处理领域以及深度学习细胞分类领域，具体涉及一种基于明场显微图像的无标记白细胞三分类方法。

背景技术

细胞是人体构成的基本单位，血液中白细胞的种类及其含量体现了个体的健康状况，临床诊断中通常将白细胞分为三类，即粒细胞、淋巴细胞和单核细胞。各种亚类型白细胞形态和含量的变化与疾病的诊断密切相关，例如对于白血病以及贫血症的临床诊断。因此研究白细胞分类方法，对白细胞进行准确地分类可以有效地提高疾病检测与筛查的效率。

细胞检测的传统做法是人工镜检或者采用细胞检测仪检测。前一种方法需要专业人士耗费大量时间进行检测并且该方法的准确率严重依赖于检测人员的专业知识和经验，容易产生误差。后一种以流式细胞仪为主的细胞检测设备的检测方法，利用荧光染色后细胞的光电信号来进行分类。虽然这种方法具有高通量和高准确率的特点，但是流式细胞仪的成本较高、体积较大，这些缺点限制了它的普及。这两种方法在检测之前都需要对血液样品进行荧光染色，然而荧光具有一定的光毒性，染色剂会使白细胞的生理状态发生变化，例如中性粒细胞由非激活态转变为激活态等，所以这种方法并不是最好的细胞检测方法。

为了克服前述白细胞分类方法需要对待检测白细胞进行染色的缺点，本发明提出了一种基于明场显微成像的无标记白细胞三分类方法。该方法可以对明场白细胞显微图像进行分类，降低了对待检测样本的预处理要求，有效地避免了荧光染色对待检测白细胞的损伤。同时，该方法摒弃了以往卷积神经网络中广泛采用的批归一化操作，加入了自适应梯度裁剪策略，与现有的模型相比，有效地提高了分类模型的分类准确率与收敛速度。

发明内容

本发明的目的在于提供一种无标记白细胞的分类方法，旨在解决使用明场显微图像对无标记白细胞的三分类问题。

该分类方法的具体步骤如下：

步骤一、构建带有细胞类别标签的白细胞数据集。

步骤二、构建无批归一化的无标记白细胞分类网络。

无批归一化的无标记白细胞数分类网络包括依次连接输入层、卷积堆叠层、隐藏层和输出层。卷积堆叠层包括四个卷积部分。卷积堆叠层用于对输入图像进行特征提取，形成用于分类的特征图。特征图输入到隐藏层。所述卷积部分中的残差块包括依次相连的调整层、卷积层和激活层。将输入调整层的特征记为特征x_l。调整层对特征x_l的通道、高度和宽度三个维度中的所有元素求取方差σ；将特征x_l更新为特征卷积层中卷积核参数经过更新；更新后的卷积核参数其中，W为原始卷积核参数，μ_W和σ_W分别为W在fan-in维度上的均值和方差，N为W在fan-in维度上的参数个数。单个残差块的输出x_o＝x_l+f_l(x_l)；其中，f_l(·)为输入残差块的特征x_l依次经过残差块内所有层级结构处理后得到的特征。

步骤三、利用步骤一中构建的白细胞数据集对步骤二构建的分类网络进行训练。

步骤四、利用训练后的分类网络对白细胞的类型进行识别。

作为优选，所述白细胞的类型包括粒细胞、淋巴细胞和单核细胞。