CN106897682A - 一种基于卷积神经网络的白带中白细胞自动识别方法 - Google Patents

Abstract

该发明公开了一种基于卷积神经网络的白带中白细胞自动识别方法，属于使用机器视觉方案对医学显微图像进行自动识别。本发明首先人工辨别出多张白细胞图像和非白细胞图像，再见你9层的神经网络，根据人工辨别出的图像来训练9层神经网络，在训练过程中实时的对神经网络的训练参数和学习率进行相应的调整；神经网络完全训练完成后，再对待检测目标图像进行检测。从而本发明具有减少医生阅片的劳动强度，提高诊断精度的效果。

Description

一种基于卷积神经网络的白带中白细胞自动识别方法

技术领域

本发明属于使用机器视觉方案对医学显微图像进行自动识别，具体指的是一种基于卷积神经网络的白带中白细胞的自动识别方法。

背景技术

阴道疾病属于妇科的常见疾病，具有多发性的特点，而且，近年来临床上女性出现阴道感染性疾病的情况正在逐年增加，对女性的生活以及工作造成一定程度的影响。因此，作为妇科最常规的检验项目，白带常规检查有着相当广泛的应用。阴道疾病是由于多种病原菌造成的，白带中白细胞作为阴道炎症或细菌感染的直接表现，具有重要的临床意义和极大的研究价值。然而，由于人工检测效率低、劳动强度大、易出错等缺点，在机器视觉不断发展的今天，医学显微细胞图像处理正逐渐从人工处理发展到计算机自动处理。

特征表达的好坏对于一个识别系统来说是至关重要的。传统的基于手工设计特征进行识别，主要有三方面的弊端。第一，需要对细胞有深入的理解，给非医护人员的机器视觉工作者提出难题。第二，针对特定的图像需要设计不同的特征，限制了设计特征的通用性，导致了可移植性差和可拓展性差。第三，不能直接运用原始图像，造成了大量图像细节特征的丢失，容易导致误检和漏检。作为机器视觉中深度学习的一种，卷积神经网络不仅具有强大的学习特征的能力，而且它可以将原始图像作为输入来学习特征。这种从不同的抽象层次来自动学习特征的方法能够使得一个识别系统更好的学习一些复杂的特征，这种学习得到的特征对数据有更本质的刻画，从而有利于识别。基于深度学习的特征提取方法在目标识别、图像分类等领域都远远超过了传统的手工特征提取方法。

发明内容

本发明提出了一种对白带显微图像中的白细胞进行自动识别的方法。所述方法能高效且精准的检测出白带样本中的白细胞，大大减少医生阅片的劳动强度，提高诊断精度。

本发明采取了一种基于卷积神经网络的白带中白细胞自动识别方法，该方法步骤包括：

步骤1：对白带样本进行人工处理，得到白细胞或疑似白细胞的分割图像；

步骤2：重复步骤1，得到M张分割图像,其中M＞800，逐一进行人工判断，分别确定是否属于白细胞，最终得到M/2张白细胞的图像，M/2张非白细胞的图像；

步骤3：运用最近邻插值算法，对步骤2中人工判断后的分割图像逐一进行缩放，使各图像大小相同；

步骤4：网络架构阶段，设计一个九层的卷积神经网络，分别为输入层I，卷积层C1，激活层T1，池化层P1，卷积层C2，激活层T2，池化层P2，全连接层FC，输出层O；

步骤5：卷积层C1采用不补零，步长为1的滑动卷积方式，假设上一层有X张特征图，本层有Y张特征图，则卷积核元素初始化为之间的随机值；池化层P1采用不补零，步长为2的滑动卷积方式，卷积核大小统一为2×2，卷积核元素均为采用dropout方法随机断开网络节点，防止算法过拟合；激活层T2采用双曲正切函数

步骤6：输入层I为1张60×60大小的特征图；卷积层C1采用11×11大小的10个不同的卷积核，得到10张50×50大小的特征图；激活层T1为10张50×50大小的特征图；池化层P1为10张25×25大小的特征图；卷积层C2采用6×6大小的7个不同的卷积核，得到7张20×20大小的特征图；激活层T2为7张20×20大小的特征图；池化层P2为7张10×10大小的特征图；全连接层FC和输出层O均为两行一列的向量；从输入层到输出层，即为一次前向传播；

步骤7：根据实际要求初步设置学习率，采用梯度下降法和反向传导算法进行层与层之间连接值的更新，即为一次后向反馈，至此，网络架构阶段完成；

步骤8：网络训练阶段，采取有监督的学习方式，正样本期望输出为负样本期望输出为进行十次前向传播和后向反馈，则视为一次训练结束；

步骤9：从步骤3缩放后的图像中，取部分白细胞的图像作为正样本，部分非白细胞的图像作为负样本，混合打乱顺序后，逐个作为输入层，输入网络进行训练；

步骤10：计算方差代价函数，即期望输出与实际输出对应元素差值的平方再求和，若呈现下降走势，并逐渐趋近于0，至此，网络训练阶段完成，否则转步骤7，进行梯度下降法中学习率的更改；

步骤11：网络测试阶段，将图像输入网络，进行一次前向传播，则视为一次测试结束；

步骤12：从步骤3缩放后的图像中，取剩余的另一部分白细胞的图像和另一部分非白细胞的图像，逐个作为输入层，输入网络进行测试；

步骤13：计算方差代价函数，若满足指定要求，至此，网络测试阶段完成，否则转步骤7，进行梯度下降法中学习率的更改；

步骤14：网络的架构、训练、测试均完成后，则获得了可用于白带中白细胞自动识别的卷积神经网络；

步骤15：根据步骤1，获取待检测的白带分割图像，运用最近邻差值算法，将图像大小缩放为60×60；

步骤16：将步骤15中缩放后的图像，逐个作为输入层，输入网络进行测试，对输出层的两个元素进行大小比较，若第一个元素较大，则为白细胞，反之，则不是白细胞。

其中，步骤1的具体步骤为：

步骤1-1：将白带与0.9％生理盐水混合成溶液，然后涂抹到载玻片上，运用显微镜进行图像采集，得到白带图像；

步骤1-2：将步骤1-1中的图像进行灰度变换，得到灰度图像；

步骤1-3：将步骤1-2获取的灰度图像进行形态学顶帽运算；

步骤1-4：对步骤1-3获取的图像，运用大津阈值法得到阈值，从而进行阈值分割获取二值化图像；

步骤1-5：对步骤1-4获取的图像，进行形态学闭运算，并进行连通域标定；

步骤1-6：计算每个连通域的面积，周长，离心率，圆形度，和最小外接矩形的宽高，其中连通域的离心率即为所对应椭圆的离心率，连通域的圆形度即为面积乘上4π除以周长的平方；

步骤1-7：将步骤1-6得到的计算数据和预设的参数进行对照，进行白细胞区域的粗筛，记录满足要求的连通域的最小外接矩形的位置；

步骤1-8：将步骤1-7获取的一系列最小外接矩形的四条边分别向外平行扩展10个像素；如若最小外接矩形的位置靠近图像边缘，则可以减小扩展的像素数；重新记录外接矩形的位置；

步骤1-9：根据步骤1-8记录的位置，在步骤1-2获取的灰度图像中进行裁剪，得到矩形图像，即为白细胞或疑似白细胞的分割图像。

进一步的，所述步骤3中缩放后图像像素大小均为60×60。

本发明一种基于卷积神经网络的白带中白细胞自动识别方法，通过人工识别出的白细胞和非白细胞模板对一个九层的卷积神经网络进行训练，获得完整的判断白细胞的神经网络，从而达到减少医生阅片的劳动强度，提高诊断精度的效果。

附图说明

图1是本发明提出的白带中白细胞自动识别方法的总体流程图。

图2是对白带样本进行处理，得到矩形分割图像的流程图。

图3是获得本发明中卷积神经网络的流程图。

具体实施方式

下面结合附图，对本发明提出的白带中白细胞的自动识别方法进行详细说明。

如图1所示，本发明的总体步骤如下：

步骤1：对白带样本进行处理，得到白细胞或疑似白细胞的分割图像；

步骤2：运用最近邻插值算法，对步骤1得到的分割图像逐一进行缩放，使图像大小均为60×60(像素级别)；

步骤3：进行卷积神经网络的架构、训练和测试，最终获得可用于白带中白细胞自动识别的卷积神经网络；

步骤4：将步骤2中缩放后的图像，逐个作为输入层，输入网络进行测试，对输出层的两个元素进行大小比较，若第一个元素较大，则为白细胞，反之，则不是白细胞。

如图2所示，步骤1的具体步骤如下：

步骤1-1：将白带与0.9％生理盐水混合成溶液，然后涂抹到载玻片上，运用显微镜进行图像采集，得到白带图像；

步骤1-2：将步骤1-1中的图像进行灰度变换，得到灰度图像；

步骤1-3：将步骤1-2获取的灰度图像进行形态学顶帽运算；

步骤1-4：对步骤1-3获取的图像，运用大津阈值法得到阈值，从而进行阈值分割获取二值化图像；

步骤1-5：对步骤1-4获取的图像，进行形态学闭运算，并进行连通域标定；

步骤1-6：计算每个连通域的面积，周长，离心率，圆形度，和最小外接矩形的宽高，其中连通域的离心率即为所对应椭圆的离心率，连通域的圆形度即为面积乘上4π除以周长的平方；

步骤1-7：将步骤1-6得到的计算数据和预设的参数进行对照，进行白细胞区域的粗筛，记录满足要求的连通域的最小外接矩形的位置；

步骤1-8：将步骤1-7获取的一系列最小外接矩形的四条边分别向外平行扩展10个像素。如若最小外接矩形的位置靠近图像边缘，则可以适当减小扩展的像素数。重新记录外接矩形的位置；

步骤1-9：根据步骤1-8记录的位置，在步骤1-2获取的灰度图像中进行裁剪，得到矩形图像，即为白细胞或疑似白细胞的分割图像。

如图3所示，步骤3的具体步骤如下：

步骤3-1：重复步骤1，得到1000多张分割图像，逐一进行人工判断，分别确定是否属于白细胞，最终得到500张白细胞的图像，500张非白细胞的图像；

步骤3-2：运用最近邻插值算法，对步骤3-1中人工判断后的分割图像逐一进行缩放，使图像大小均为60×60(像素级别)；

步骤3-3：网络架构阶段，设计一个九层的卷积神经网络，分别为输入层I，卷积层C1，激活层T1，池化层P1，卷积层C2，激活层T2，池化层P2，全连接层FC，激活层T3(输出层O)；

步骤3-4：卷积层采用不补零，步长为1的滑动卷积方式，假设上一层有X张特征图，本层有Y张特征图，则卷积核元素初始化为之间的随机值；池化层采用不补零，步长为2的滑动卷积方式，卷积核大小统一为2×2，卷积核元素均为激活层采用双曲正切函数

步骤3-5：输入层I为1张60×60大小的特征图；卷积层C1采用11×11大小的10个不同的卷积核，得到10张50×50大小的特征图；激活层T1为10张50×50大小的特征图；池化层P1为10张25×25大小的特征图；卷积层C2采用6×6大小的7个不同的卷积核，得到7张20×20大小的特征图；激活层T2为7张20×20大小的特征图；池化层P2为7张10×10大小的特征图；全连接层FC和输出层O均为两行一列的向量；从输入层到输出层，即为一次前向传播；

步骤3-6：学习率初步设为0.01采用梯度下降法和反向传导算法进行层与层之间连接值的更新，即为一次后向反馈，至此，网络架构阶段完成；

步骤3-7：网络训练阶段，采取有监督的学习方式，正样本期望输出为负样本期望输出为进行十次前向传播和后向反馈，则视为一次训练结束；

步骤3-8：从步骤3-2缩放后的图像中，取400张白细胞的图像作为正样本，400张非白细胞的图像作为负样本，混合打乱顺序后，逐个作为输入层，输入网络进行训练；

步骤3-9：计算方差代价函数，即期望输出与实际输出对应元素差值的平方再求和，若呈现下降走势，并逐渐趋近于0，至此，网络训练阶段完成，否则转步骤3-6，进行梯度下降法中学习率的更改；

步骤3-10：网络测试阶段，将图像输入网络，进行一次前向传播，则视为一次测试结束；

步骤3-11：从步骤3-2缩放后的图像中，取剩余的100张白细胞的图像和100张非白细胞的图像，逐个作为输入层，输入网络进行测试；

步骤3-12：计算方差代价函数，若满足指定要求，至此，网络测试阶段完成，否则转步骤3-6，进行梯度下降法中学习率的更改；

步骤3-13：网络的架构、训练、测试均完成后，则获得了可用于白带中白细胞自动识别的卷积神经网络。

Claims (3)

1.一种基于卷积神经网络的白带中白细胞自动识别方法，该方法步骤包括：

步骤1：对白带样本进行人工处理，得到白细胞或疑似白细胞的分割图像；

步骤2：重复步骤1，得到M张分割图像,其中M＞800，逐一进行人工判断，分别确定是否属于白细胞，最终得到M/2张白细胞的图像，M/2张非白细胞的图像；

步骤3：运用最近邻插值算法，对步骤2中人工判断后的分割图像逐一进行缩放，使各图像大小相同；

步骤4：网络架构阶段，设计一个九层的卷积神经网络，分别为输入层I，卷积层C1，激活层T1，池化层P1，卷积层C2，激活层T2，池化层P2，全连接层FC，输出层O；

步骤5：卷积层C1采用不补零，步长为1的滑动卷积方式，假设上一层有X张特征图，本层有Y张特征图，则卷积核元素初始化为之间的随机值；池化层P1采用不补零，步长为2的滑动卷积方式，卷积核大小统一为2×2，卷积核元素均为采用dropout方法随机断开网络节点，防止算法过拟合；激活层T2采用双曲正切函数

步骤6：输入层I为1张60×60大小的特征图；卷积层C1采用11×11大小的10个不同的卷积核，得到10张50×50大小的特征图；激活层T1为10张50×50大小的特征图；池化层P1为10张25×25大小的特征图；卷积层C2采用6×6大小的7个不同的卷积核，得到7张20×20大小的特征图；激活层T2为7张20×20大小的特征图；池化层P2为7张10×10大小的特征图；全连接层FC和输出层O均为两行一列的向量；从输入层到输出层，即为一次前向传播；

步骤7：根据实际要求初步设置学习率，采用梯度下降法和反向传导算法进行层与层之间连接值的更新，即为一次后向反馈，至此，网络架构阶段完成；

步骤8：网络训练阶段，采取有监督的学习方式，正样本期望输出为负样本期望输出为进行十次前向传播和后向反馈，则视为一次训练结束；

步骤9：从步骤3缩放后的图像中，取部分白细胞的图像作为正样本，部分非白细胞的图像作为负样本，混合打乱顺序后，逐个作为输入层，输入网络进行训练；

步骤10：计算方差代价函数，即期望输出与实际输出对应元素差值的平方再求和，若呈现下降走势，并逐渐趋近于0，至此，网络训练阶段完成，否则转步骤7，进行梯度下降法中学习率的更改；

步骤11：网络测试阶段，将图像输入网络，进行一次前向传播，则视为一次测试结束；

步骤12：从步骤3缩放后的图像中，取剩余的另一部分白细胞的图像和另一部分非白细胞的图像，逐个作为输入层，输入网络进行测试；

步骤13：计算方差代价函数，若满足指定要求，至此，网络测试阶段完成，否则转步骤7，进行梯度下降法中学习率的更改；

步骤14：网络的架构、训练、测试均完成后，则获得了可用于白带中白细胞自动识别的卷积神经网络；

步骤15：根据步骤1，获取待检测的白带分割图像，运用最近邻差值算法，将图像大小缩放为60×60；

步骤16：将步骤15中缩放后的图像，逐个作为输入层，输入网络进行测试，对输出层的两个元素进行大小比较，若第一个元素较大，则为白细胞，反之，则不是白细胞。

2.如权利要求1所述的一种基于卷积神经网络的白带中白细胞自动识别方法，其特征在于所述步骤1的具体步骤为：

步骤1-1：将白带与0.9％生理盐水混合成溶液，然后涂抹到载玻片上，运用显微镜进行图像采集，得到白带图像；

步骤1-2：将步骤1-1中的图像进行灰度变换，得到灰度图像；

步骤1-3：将步骤1-2获取的灰度图像进行形态学顶帽运算；

步骤1-4：对步骤1-3获取的图像，运用大津阈值法得到阈值，从而进行阈值分割获取二值化图像；

步骤1-5：对步骤1-4获取的图像，进行形态学闭运算，并进行连通域标定；

步骤1-6：计算每个连通域的面积，周长，离心率，圆形度，和最小外接矩形的宽高，其中连通域的离心率即为所对应椭圆的离心率，连通域的圆形度即为面积乘上4π除以周长的平方；

步骤1-7：将步骤1-6得到的计算数据和预设的参数进行对照，进行白细胞区域的粗筛，记录满足要求的连通域的最小外接矩形的位置；

步骤1-8：将步骤1-7获取的一系列最小外接矩形的四条边分别向外平行扩展10个像素；如若最小外接矩形的位置靠近图像边缘，则可以减小扩展的像素数；重新记录外接矩形的位置；

步骤1-9：根据步骤1-8记录的位置，在步骤1-2获取的灰度图像中进行裁剪，得到矩形图像，即为白细胞或疑似白细胞的分割图像。

3.如权利要求1所述的一种基于卷积神经网络的白带中白细胞自动识别方法，其特征在于所述步骤3中缩放后图像像素大小均为60×60。