CN110084150A - 一种基于深度学习的白细胞自动分类方法及系统 - Google Patents
一种基于深度学习的白细胞自动分类方法及系统 Download PDFInfo
- Publication number
- CN110084150A CN110084150A CN201910281364.4A CN201910281364A CN110084150A CN 110084150 A CN110084150 A CN 110084150A CN 201910281364 A CN201910281364 A CN 201910281364A CN 110084150 A CN110084150 A CN 110084150A
- Authority
- CN
- China
- Prior art keywords
- image
- leukocyte
- detection
- deep learning
- edge
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
Abstract
本发明公开了一种基于深度学习的白细胞自动分类方法及系统,该方法包括:接收白细胞图像样本集,对白细胞图像进行归一化和标准化的预处理;所述样本集测试集、验证集和训练集;将样本集中归一化和标准化的白细胞图像进行去噪;对测试集、验证集和训练集中一部分去噪后的白细胞图像进行图像边缘检测;将经过图像边缘检测和未经过图像边缘检测的两部分训练集处理的白细胞图像分别输入并行且互不干扰的深度卷积神经网络进行训练,输出经过判别网络得到分类结果,训练过程中每隔设定时间采用验证集验证;并采用测试集测试;接收待分类的白细胞图像,依次经过归一化和标准化、去噪和图像边缘检测,通过训练好的两路并行深度卷积神经网络和判别网络得到分类结果。
Description
技术领域
本公开属于临床白细胞检测的技术领域,涉及一种基于深度学习的白细胞自动分类方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
目前,临床上对白细胞识别主要依靠血液分析仪和人工镜检。血细胞分析仪是利用电阻抗法、激光散射法等原理对白细胞进行分类。这种方法的优点是速度快、准确度高、重复性好,能够运用统计学方法提高准确度。但是这种方法也有缺陷,这些仪器不能检测到白细胞的形态学变化,也不能检测到异常的白细胞,一般只能给出细胞的数量等指标。并且,这种方法在检测过程中,如果受到外界因素或者病人体质差异因素的影响,可能会有误判的情形出现。所以这种方法一般用于筛查,如果需要准确的结果或者复检则需要利用另一种方法,人工镜检。人工镜检是指将病人的血液样本经过推片、染色、干燥等处理后制作成血涂片,然后检验人员利用显微镜对血涂片中的白细胞分类。在临床上,人工镜检是白细胞检验的“金标准”,这种方法分类准确并且能够观察到白细胞的病理学变化。但是人工镜检需要专业的检验科人员进行操作,这些操作一般工作量巨大、耗费时间长,而医院每天有大量的血涂片需要进行镜检,繁重的工作会使工作人员疲惫,容易发生误判,进而影响病人的治疗。
近年来,许多专家提出了利用图像识别对白细胞进行分类的方法,这些方法大体可以概括为三步:首先将制作成功的血涂片放在显微镜下拍摄并采集显微图像,然后利用图像分割算法将显微图像进行分割,并获取相应的白细胞图像,最后通过分类算法对白细胞图像进行分类。然而,发明人在研发过程中发现,上述白细胞分类识别算法多需要根据分类任务人工主观选择图像纹理、图像边缘、图像色彩等特征,然后将所选特征送入分类器分类。这些算法鲁棒性较差,适用范围窄,对不同样本集可能存在较大误差。
发明内容
针对现有技术中存在的需要人工选择特征和算法鲁棒性较差的不足,本公开的一个或多个实施例提供了一种基于深度学习的白细胞自动分类方法及系统,依次通过并行两路深度卷积神经网络、一个判决网络最后完成预测来增强模型表征能力,本公开中双路残差网络和协同判别网络的算法结构具有更好鲁棒性,在一路残差网络存在误判时取另外一路的预测结果,在一定程度上使得模型误判率更低。
根据本公开的一个或多个实施例的一个方面,提供一种基于深度学习的白细胞自动分类方法。
一种基于深度学习的白细胞自动分类方法,该方法包括:
接收白细胞图像样本集,对白细胞图像进行归一化和标准化的预处理;所述样本集测试集、验证集和训练集;
将样本集中归一化和标准化的白细胞图像进行去噪;
对测试集、验证集和训练集中一部分去噪后的白细胞图像进行图像边缘检测;
将经过图像边缘检测和未经过图像边缘检测的两部分训练集处理的白细胞图像分别输入并行且互不干扰的深度卷积神经网络进行训练,输出经过判别网络得到分类结果,训练过程中每隔设定时间采用验证集验证;并采用测试集测试;
接收待分类的白细胞图像,依次经过归一化和标准化、去噪和图像边缘检测,通过训练好的两路并行深度卷积神经网络和判别网络得到分类结果。
进一步地,在该方法中,对所述白细胞图像进行归一化和标准化的具体步骤包括:
将所述白细胞输入图像与预存的具有标准色彩的血细胞图像比对,估计RGB错误并去除;
分别将输入图像R、G、B三通道中的某通道随机选取图像块,将其与标准颜色表比对计算误差后将图像块修正为标准像素值;
三通道处理后的图像块合并为归一化和标准化的白细胞图像。
进一步地,在该方法中,采用中值滤波将归一化和标准化的白细胞图像进行去噪,具体步骤包括:
将一个含奇数个点的滑动窗口中的灰度值进行排序;
采用窗口中的灰度值的中值代替归一化和标准化的白细胞图像中心点的灰度值。
进一步地,在该方法中,采用sobel边缘算子对去噪后的白细胞图像进行图像边缘检测,其中sobel算子包括第一sobel算子和第二sobel算子,所述第一sobel算子检测水平边沿,所述第二sobel算子检测垂直边沿。
进一步地,在该方法中,处理后的所述训练集包括经过边缘检测的白细胞图像和未经过边缘检测的白细胞图像,且比例为1:2。
进一步地,在该方法中,所述采用测试集测试的具体步骤包括:
将测试集中处理的白细胞图像分别经过训练好的两路并行的深度卷积神经网络和判别网络进行白细胞分类测试。
进一步地,在该方法中,所述深度卷积神经网络采用ResNet-50网络;所述判别网络包括全卷积网络和输出层;
所述分类结果包括六类,其中中性粒白细胞进一步细分类为杆状核中性粒白细胞和分叶核中性粒白细胞。
根据本公开的一个或多个实施例的一个方面,提供一种计算机可读存储介质。
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的一种基于深度学习的白细胞自动分类方法。
根据本公开的一个或多个实施例的一个方面,提供一种终端设备。
一种终端设备,其包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的一种基于深度学习的白细胞自动分类方法。
根据本公开的一个或多个实施例的一个方面,提供一种基于深度学习的白细胞自动分类装置。
一种基于深度学习的白细胞自动分类装置,基于所述的一种基于深度学习的白细胞自动分类方法,包括:
数据采集模块,被配置为接收白细胞图像样本集,对白细胞图像进行归一化和标准化的预处理;所述样本集测试集、验证集和训练集;接收待分类的白细胞图像;
图像去噪模块,被配置为将样本集中归一化和标准化的白细胞图像进行去噪;将归一化和标准化的待分类的白细胞图像进行去噪;
图像边缘检测模块,被配置为对测试集、验证集和训练集中一部分去噪后的白细胞图像进行图像边缘检测;对去噪后的待分类的白细胞图像进行图像边缘检测;
分类网络建模模块,被配置为将经过图像边缘检测和未经过图像边缘检测的两部分训练集处理的白细胞图像分别输入并行且互不干扰的深度卷积神经网络进行训练,输出经过判别网络得到分类结果,训练过程中每隔设定时间采用验证集验证;并采用测试集测试;
白细胞自动分类模块,被配置为依次经过归一化和标准化、去噪和图像边缘检测的待分类的白细胞图像,通过训练好的两路并行深度卷积神经网络和判别网络得到分类结果。
本公开的有益效果:
(1)本公开提供的一种基于深度学习的白细胞自动分类方法及系统,采用白细胞六分类算法相较于白细胞五分类,六分类算法将中性粒白细胞进一步细分类为杆状核和分叶核中性粒白细胞。区分杆状核和分叶核可以对核左移和核右移的检测起到重要帮助作用,益于医生判断病情。
(2)本公开提供的一种基于深度学习的白细胞自动分类方法及系统,深度达50层的残差网络Restnet-50能提取到白细胞图像的深层次特征,经过多次迭代训练后,单路残差网络性能足以满足临床需要。本算法中双路残差网络和协同判别网络的算法结构具有更好鲁棒性,在一路残差网络存在误判时取另外一路的预测结果,在一定程度上使得模型误判率更低,更有益于临床,愈有益于病人的健康。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1是根据一个或多个实施例的一种基于深度学习的白细胞自动分类方法流程图。
具体实施方式:
下面将结合本公开的一个或多个实施例中的附图,对本公开的一个或多个实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本公开的一个或多个实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本实施例使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要注意的是,附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意,在有些作为备选的实现中,方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,或者它们有时也可以按照相反的顺序执行,这取决于所涉及的功能。同样应当注意的是,流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合,可以使用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以使用专用硬件与计算机指令的组合来实现。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合,下面结合附图与实施例对本公开作进一步说明。
根据本公开的一个或多个实施例的一个方面,提供一种基于深度学习的白细胞自动分类方法。
如图1所示,一种基于深度学习的白细胞自动分类方法,该方法包括:
根据本公开的一个或多个实施例的一个方面,提供一种基于深度学习的白细胞自动分类方法。
一种基于深度学习的白细胞自动分类方法,该方法包括:
步骤S1:接收白细胞图像样本集,对白细胞图像进行归一化和标准化的预处理;所述样本集测试集、验证集和训练集;
步骤S2:将样本集中归一化和标准化的白细胞图像进行去噪;
步骤S3:对测试集、验证集和训练集中一部分去噪后的白细胞图像进行图像边缘检测;
步骤S4:将经过图像边缘检测和未经过图像边缘检测的两部分训练集处理的白细胞图像分别输入并行且互不干扰的深度卷积神经网络进行训练,输出经过判别网络得到分类结果,训练过程中每隔设定时间采用验证集验证;并采用测试集测试;
步骤S5:接收待分类的白细胞图像,依次经过归一化和标准化、去噪和图像边缘检测,通过训练好的两路并行深度卷积神经网络和判别网络得到分类结果。
本实施例通过并行两路深度卷积神经网络然后通过一个判决网络最后完成预测来增强模型表征能力。针对现有的技术需要人工选择特征和算法鲁棒性较差的问题,本实施例提出了一种端到端的自适应白细胞六分类算法。相较于白细胞五分类,六分类算法将中性粒白细胞进一步细分类为杆状核和分叶核中性粒白细胞。区分杆状核和分叶核可以对核左移和核右移的检测起到重要帮助作用,益于医生判断病情。训练好的两路并行深度卷积神经网络为深度达50层的残差网络Restnet-50,能提取到白细胞图像的深层次特征,经过多次迭代训练后,单路残差网络性能足以满足临床需要。本算法中双路残差网络和协同判别网络的算法结构具有更好鲁棒性,在一路残差网络存在误判时取另外一路的预测结果,在一定程度上使得模型误判率更低,更有益于临床,愈有益于病人的健康。
根据本公开的一个或多个实施例,对所述白细胞图像进行归一化和标准化的具体步骤包括:
将所述白细胞输入图像与预存的具有标准色彩的血细胞图像比对,估计RGB错误并去除;
分别将输入图像R、G、B三通道中的某通道随机选取图像块,将其与标准颜色表比对计算误差后将图像块修正为标准像素值;
三通道处理后的图像块合并为归一化和标准化的白细胞图像。
需要注意的是,本公开中对6类白细胞图像进行色彩校正。根据成像原理,彩色图像中的RGB错误被分为两类:一类是乘性错误;一类是加性错误。根据一个具有标准色彩的血细胞图像,对任意一幅图像的RGB错误进行估计并去除。理论像素值定义为像素位置和光谱衰减的指数分布,白细胞图像由三通道分离为R、G、B三通道分别进行错误估计,对白细胞图像某通道中随机选取图像块,通过与标准颜色表比对计算误差后将图像块修正为标准像素值,然后三通道合并为RGB处理后的RGB图像,实现对白细胞图像的归一化和标准化。
根据本公开的一个或多个实施例,采用中值滤波将归一化和标准化的白细胞图像进行去噪,具体步骤包括:
将一个含奇数个点的滑动窗口中的灰度值进行排序;
采用窗口中的灰度值的中值代替归一化和标准化的白细胞图像中心点的灰度值。
采用一个含奇数个点的滑动窗口,用窗口的中的灰度值的中值来代替中心点的灰度值,即对这个窗口中的灰度值进行排序,然后将其中值赋值给中心点。需要注意的是,本实施例利用中值滤波法处理图像,既能够滤除噪音,又能保护图像的边缘,防止图像模糊。
根据本公开的一个或多个实施例,采用sobel边缘算子对去噪后的白细胞图像进行图像边缘检测,其中sobel算子包括第一sobel算子和第二sobel算子,所述第一sobel算子检测水平边沿,所述第二sobel算子检测垂直边沿。sobel算法边缘检测对图像中每个像素计算其余周围相邻像素的差分值来与阈值比较,从而判断该像素点是否属于边缘,其中阈值为20。
根据本公开的一个或多个实施例,样本集中四分之一为测试集,四分之一为验证集,其余为训练集。处理后的所述训练集包括经过边缘检测的白细胞图像和未经过边缘检测的白细胞图像,且比例为1:2。
根据本公开的一个或多个实施例,将经过图像边缘检测和未经过图像边缘检测的两部分训练集处理的白细胞图像分别输入并行且互不干扰的深度卷积神经网络进行训练;将两部分训练集分别输入深度卷积神经网络A和B进行训练,其中A、B均采用ResNet-50网络,使用迁移学习策略,迭代7万次,步长1,学习率0.001(每1万次衰减0.1)。训练过程中,每隔5000次验证一次,验证图像取自验证集;
其中,两路深度卷积神经网络互相不干扰,共享专家标记信息,两路深度卷积神经网络的学习到的特征再经过一个由全卷积网络、输出层构成的判别网络输出预测结果。判别网络与整体上述DCNN-A、DCNN-B训练次数相同,判别网络的优化函数包含于总优化函数中,与整体训练过程同步,训练结束将输出一个包含A、B、判别网络的具体参数的网络模型。判别网络分两路学习特征的策略增强了模型的泛化能力,表征的图像特征更强。
进一步地,在该方法中,所述采用测试集测试的具体步骤包括:
将测试集中处理的白细胞图像分别经过训练好的两路并行的深度卷积神经网络和判别网络进行白细胞分类测试。
测试阶段输入一个输入白细胞图像即可完成预测,以概率形式给出预测种类置信度。测试图像取自测试集,与训练集验证集不交叉,有利于评判算法识别效果,在一定程度避免过拟合和算法鲁棒性低的问题。
实施例二
根据本公开的一个或多个实施例的一个方面,提供一种计算机可读存储介质。
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的一种基于深度学习的白细胞自动分类方法。
实施例三
根据本公开的一个或多个实施例的一个方面,提供一种终端设备。
一种终端设备,其包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的一种基于深度学习的白细胞自动分类方法。
这些计算机可执行指令在设备中运行时使得该设备执行根据本公开中的各个实施例所描述的方法或过程。
在本实施例中,计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本公开的各个方面的计算机可读程序指令。计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
本文所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开内容操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开内容的各个方面。
实施例四
根据本公开的一个或多个实施例的一个方面,提供一种基于深度学习的白细胞自动分类装置。
一种基于深度学习的白细胞自动分类装置,基于所述的一种基于深度学习的白细胞自动分类方法,包括:
数据采集模块,被配置为接收白细胞图像样本集,对白细胞图像进行归一化和标准化的预处理;所述样本集测试集、验证集和训练集;接收待分类的白细胞图像;
图像去噪模块,被配置为将样本集中归一化和标准化的白细胞图像进行去噪;将归一化和标准化的待分类的白细胞图像进行去噪;
图像边缘检测模块,被配置为对测试集、验证集和训练集中一部分去噪后的白细胞图像进行图像边缘检测;对去噪后的待分类的白细胞图像进行图像边缘检测;
分类网络建模模块,被配置为将经过图像边缘检测和未经过图像边缘检测的两部分训练集处理的白细胞图像分别输入并行且互不干扰的深度卷积神经网络进行训练,输出经过判别网络得到分类结果,训练过程中每隔设定时间采用验证集验证;并采用测试集测试;
白细胞自动分类模块,被配置为依次经过归一化和标准化、去噪和图像边缘检测的待分类的白细胞图像,通过训练好的两路并行深度卷积神经网络和判别网络得到分类结果。
应当注意,尽管在上文的详细描述中提及了设备的若干模块或子模块,但是这种划分仅仅是示例性而非强制性的。实际上,根据本公开的实施例,上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之,上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。
本公开的有益效果:
(1)本公开提供的一种基于深度学习的白细胞自动分类方法及系统,采用白细胞六分类算法相较于白细胞五分类,六分类算法将中性粒白细胞进一步细分类为杆状核和分叶核中性粒白细胞。区分杆状核和分叶核可以对核左移和核右移的检测起到重要帮助作用,益于医生判断病情。
(2)本公开提供的一种基于深度学习的白细胞自动分类方法及系统,深度达50层的残差网络Restnet-50能提取到白细胞图像的深层次特征,经过多次迭代训练后,单路残差网络性能足以满足临床需要。本算法中双路残差网络和协同判别网络的算法结构具有更好鲁棒性,在一路残差网络存在误判时取另外一路的预测结果,在一定程度上使得模型误判率更低,更有益于临床,愈有益于病人的健康。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于深度学习的白细胞自动分类方法,其特征在于,该方法包括:
接收白细胞图像样本集,对白细胞图像进行归一化和标准化的预处理;所述样本集测试集、验证集和训练集;
将样本集中归一化和标准化的白细胞图像进行去噪;
对测试集、验证集和训练集中一部分去噪后的白细胞图像进行图像边缘检测;
将经过图像边缘检测和未经过图像边缘检测的两部分训练集处理的白细胞图像分别输入并行且互不干扰的深度卷积神经网络进行训练,输出经过判别网络得到分类结果,训练过程中每隔设定时间采用验证集验证;并采用测试集测试;
接收待分类的白细胞图像,依次经过归一化和标准化、去噪和图像边缘检测,通过训练好的两路并行深度卷积神经网络和判别网络得到分类结果。
2.如权利要求1所述的一种基于深度学习的白细胞自动分类方法,其特征在于,在该方法中,对所述白细胞图像进行归一化和标准化的具体步骤包括:
将所述白细胞输入图像与预存的具有标准色彩的血细胞图像比对,估计RGB错误并去除;
分别将输入图像R、G、B三通道中的某通道随机选取图像块,将其与标准颜色表比对计算误差后将图像块修正为标准像素值;
三通道处理后的图像块合并为归一化和标准化的白细胞图像。
3.如权利要求1所述的一种基于深度学习的白细胞自动分类方法,其特征在于,在该方法中,采用中值滤波将归一化和标准化的白细胞图像进行去噪,具体步骤包括:
将一个含奇数个点的滑动窗口中的灰度值进行排序;
采用窗口中的灰度值的中值代替归一化和标准化的白细胞图像中心点的灰度值。
4.如权利要求1所述的一种基于深度学习的白细胞自动分类方法,其特征在于,在该方法中,采用sobel边缘算子对去噪后的白细胞图像进行图像边缘检测,其中sobel算子包括第一sobel算子和第二sobel算子,所述第一sobel算子检测水平边沿,所述第二sobel算子检测垂直边沿。
5.如权利要求1所述的一种基于深度学习的白细胞自动分类方法,其特征在于,在该方法中,处理后的所述训练集包括经过边缘检测的白细胞图像和未经过边缘检测的白细胞图像,且比例为1:2。
6.如权利要求1所述的一种基于深度学习的白细胞自动分类方法,其特征在于,在该方法中,所述采用测试集测试的具体步骤包括:
将测试集中处理的白细胞图像分别经过训练好的两路并行的深度卷积神经网络和判别网络进行白细胞分类测试。
7.如权利要求1所述的一种基于深度学习的白细胞自动分类方法,其特征在于,在该方法中,所述深度卷积神经网络采用ResNet-50网络;所述判别网络包括全卷积网络和输出层;
所述分类结果包括六类,其中中性粒白细胞进一步细分类为杆状核中性粒白细胞和分叶核中性粒白细胞。
8.一种计算机可读存储介质,其中存储有多条指令,其特征在于,所述指令适于由终端设备的处理器加载并执行如权利要求1-7任一项所述的一种基于深度学习的白细胞自动分类方法。
9.一种终端设备,其包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,其特征在于,所述指令适于由处理器加载并执行如权利要求1-7任一项所述的一种基于深度学习的白细胞自动分类方法。
10.一种基于深度学习的白细胞自动分类装置,其特征在于,基于如权利要求1-7任一项所述的一种基于深度学习的白细胞自动分类方法,包括:
数据采集模块,被配置为接收白细胞图像样本集,对白细胞图像进行归一化和标准化的预处理;所述样本集测试集、验证集和训练集;接收待分类的白细胞图像;
图像去噪模块,被配置为将样本集中归一化和标准化的白细胞图像进行去噪;将归一化和标准化的待分类的白细胞图像进行去噪;
图像边缘检测模块,被配置为对测试集、验证集和训练集中一部分去噪后的白细胞图像进行图像边缘检测;对去噪后的待分类的白细胞图像进行图像边缘检测;
分类网络建模模块,被配置为将经过图像边缘检测和未经过图像边缘检测的两部分训练集处理的白细胞图像分别输入并行且互不干扰的深度卷积神经网络进行训练,输出经过判别网络得到分类结果,训练过程中每隔设定时间采用验证集验证;并采用测试集测试;
白细胞自动分类模块,被配置为依次经过归一化和标准化、去噪和图像边缘检测的待分类的白细胞图像,通过训练好的两路并行深度卷积神经网络和判别网络得到分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910281364.4A CN110084150B (zh) | 2019-04-09 | 2019-04-09 | 一种基于深度学习的白细胞自动分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910281364.4A CN110084150B (zh) | 2019-04-09 | 2019-04-09 | 一种基于深度学习的白细胞自动分类方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110084150A true CN110084150A (zh) | 2019-08-02 |
CN110084150B CN110084150B (zh) | 2021-05-11 |
Family
ID=67414687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910281364.4A Expired - Fee Related CN110084150B (zh) | 2019-04-09 | 2019-04-09 | 一种基于深度学习的白细胞自动分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110084150B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503648A (zh) * | 2019-08-30 | 2019-11-26 | 中国人民解放军陆军军医大学第二附属医院 | 一种细胞图像调整方法及装置 |
CN110647874A (zh) * | 2019-11-28 | 2020-01-03 | 北京小蝇科技有限责任公司 | 一种端到端的血细胞识别模型构造方法及应用 |
CN110827247A (zh) * | 2019-10-28 | 2020-02-21 | 上海悦易网络信息技术有限公司 | 一种识别标签的方法及设备 |
CN111062346A (zh) * | 2019-12-21 | 2020-04-24 | 电子科技大学 | 一种白细胞自动定位检测及分类识别系统及方法 |
CN111062296A (zh) * | 2019-12-11 | 2020-04-24 | 武汉兰丁医学高科技有限公司 | 一种基于计算机的白细胞自动识别分类方法 |
CN111179273A (zh) * | 2019-12-30 | 2020-05-19 | 山东师范大学 | 一种基于深度学习的白细胞核质自动分割方法及系统 |
CN111274949A (zh) * | 2020-01-19 | 2020-06-12 | 重庆医科大学附属第一医院 | 一种基于结构分析的血液病白细胞散点图相似度分析方法 |
CN112446427A (zh) * | 2020-11-27 | 2021-03-05 | 王伟佳 | 一种髓系血细胞识别方法、装置、存储介质和电子设备 |
CN112634243A (zh) * | 2020-12-28 | 2021-04-09 | 吉林大学 | 一种强干扰因素下基于深度学习的图像分类识别系统 |
CN113343755A (zh) * | 2021-04-22 | 2021-09-03 | 山东师范大学 | 红细胞图像中的红细胞分类系统及方法 |
CN113537371A (zh) * | 2021-07-22 | 2021-10-22 | 苏州大学 | 融入边缘特征两阶段的上皮细胞分类方法及系统 |
CN113763388A (zh) * | 2021-07-29 | 2021-12-07 | 山东师范大学 | 一种用于脑转移瘤混合监督学习的深度凝聚种群p系统和方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101577812A (zh) * | 2009-03-06 | 2009-11-11 | 北京中星微电子有限公司 | 一种岗位监测的方法和系统 |
CN103020639A (zh) * | 2012-11-27 | 2013-04-03 | 河海大学 | 一种白细胞自动识别计数方法 |
CN107679491A (zh) * | 2017-09-29 | 2018-02-09 | 华中师范大学 | 一种融合多模态数据的3d卷积神经网络手语识别方法 |
EP3384287A1 (en) * | 2015-12-01 | 2018-10-10 | The Medical Research, Infrastructure, and Health Services Fund of the Tel-Aviv Medical Center | Improved cytometric assays |
CN108921099A (zh) * | 2018-07-03 | 2018-11-30 | 常州大学 | 一种基于深度学习的航道内运动船舶目标检测方法 |
CN109409388A (zh) * | 2018-11-07 | 2019-03-01 | 安徽师范大学 | 一种基于图形基元的双模深度学习描述子构造方法 |
CN109543728A (zh) * | 2018-11-07 | 2019-03-29 | 湖北工业大学 | 一种基于迁移学习的甲状腺相关性眼病检测方法 |
CN109559298A (zh) * | 2018-11-14 | 2019-04-02 | 电子科技大学中山学院 | 一种基于深度学习的乳液泵缺陷检测的方法 |
CN109583659A (zh) * | 2018-12-07 | 2019-04-05 | 南京富士通南大软件技术有限公司 | 基于深度学习的用户操作行为预测方法和系统 |
-
2019
- 2019-04-09 CN CN201910281364.4A patent/CN110084150B/zh not_active Expired - Fee Related
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101577812A (zh) * | 2009-03-06 | 2009-11-11 | 北京中星微电子有限公司 | 一种岗位监测的方法和系统 |
CN103020639A (zh) * | 2012-11-27 | 2013-04-03 | 河海大学 | 一种白细胞自动识别计数方法 |
EP3384287A1 (en) * | 2015-12-01 | 2018-10-10 | The Medical Research, Infrastructure, and Health Services Fund of the Tel-Aviv Medical Center | Improved cytometric assays |
CN107679491A (zh) * | 2017-09-29 | 2018-02-09 | 华中师范大学 | 一种融合多模态数据的3d卷积神经网络手语识别方法 |
CN108921099A (zh) * | 2018-07-03 | 2018-11-30 | 常州大学 | 一种基于深度学习的航道内运动船舶目标检测方法 |
CN109409388A (zh) * | 2018-11-07 | 2019-03-01 | 安徽师范大学 | 一种基于图形基元的双模深度学习描述子构造方法 |
CN109543728A (zh) * | 2018-11-07 | 2019-03-29 | 湖北工业大学 | 一种基于迁移学习的甲状腺相关性眼病检测方法 |
CN109559298A (zh) * | 2018-11-14 | 2019-04-02 | 电子科技大学中山学院 | 一种基于深度学习的乳液泵缺陷检测的方法 |
CN109583659A (zh) * | 2018-12-07 | 2019-04-05 | 南京富士通南大软件技术有限公司 | 基于深度学习的用户操作行为预测方法和系统 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503648A (zh) * | 2019-08-30 | 2019-11-26 | 中国人民解放军陆军军医大学第二附属医院 | 一种细胞图像调整方法及装置 |
CN110827247B (zh) * | 2019-10-28 | 2024-03-15 | 上海万物新生环保科技集团有限公司 | 一种识别标签的方法及设备 |
CN110827247A (zh) * | 2019-10-28 | 2020-02-21 | 上海悦易网络信息技术有限公司 | 一种识别标签的方法及设备 |
CN110647874A (zh) * | 2019-11-28 | 2020-01-03 | 北京小蝇科技有限责任公司 | 一种端到端的血细胞识别模型构造方法及应用 |
CN111062296A (zh) * | 2019-12-11 | 2020-04-24 | 武汉兰丁医学高科技有限公司 | 一种基于计算机的白细胞自动识别分类方法 |
CN111062346A (zh) * | 2019-12-21 | 2020-04-24 | 电子科技大学 | 一种白细胞自动定位检测及分类识别系统及方法 |
CN111179273A (zh) * | 2019-12-30 | 2020-05-19 | 山东师范大学 | 一种基于深度学习的白细胞核质自动分割方法及系统 |
CN111274949A (zh) * | 2020-01-19 | 2020-06-12 | 重庆医科大学附属第一医院 | 一种基于结构分析的血液病白细胞散点图相似度分析方法 |
CN112446427B (zh) * | 2020-11-27 | 2021-07-27 | 王伟佳 | 一种髓系血细胞识别方法、装置、存储介质和电子设备 |
CN112446427A (zh) * | 2020-11-27 | 2021-03-05 | 王伟佳 | 一种髓系血细胞识别方法、装置、存储介质和电子设备 |
CN112634243A (zh) * | 2020-12-28 | 2021-04-09 | 吉林大学 | 一种强干扰因素下基于深度学习的图像分类识别系统 |
CN112634243B (zh) * | 2020-12-28 | 2022-08-05 | 吉林大学 | 一种强干扰因素下基于深度学习的图像分类识别系统 |
CN113343755A (zh) * | 2021-04-22 | 2021-09-03 | 山东师范大学 | 红细胞图像中的红细胞分类系统及方法 |
CN113537371A (zh) * | 2021-07-22 | 2021-10-22 | 苏州大学 | 融入边缘特征两阶段的上皮细胞分类方法及系统 |
CN113763388A (zh) * | 2021-07-29 | 2021-12-07 | 山东师范大学 | 一种用于脑转移瘤混合监督学习的深度凝聚种群p系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110084150B (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084150A (zh) | 一种基于深度学习的白细胞自动分类方法及系统 | |
Tek et al. | Computer vision for microscopy diagnosis of malaria | |
CN111079620B (zh) | 基于迁移学习的白细胞图像检测识别模型构建方法及应用 | |
Forero et al. | Identification of tuberculosis bacteria based on shape and color | |
CN105445170B (zh) | 识别生物样品目标组分的方法和分析生物流体样品的装置 | |
Quinn et al. | Automated blood smear analysis for mobile malaria diagnosis | |
US6947586B2 (en) | Multi-neural net imaging apparatus and method | |
CN108596046A (zh) | 一种基于深度学习的细胞检测计数方法及系统 | |
CN108346145A (zh) | 一种病理切片中非常规细胞的识别方法 | |
CN111861975A (zh) | 辅助疾病分析的方法、装置及计算机程序、以及训练计算机算法的方法、装置及程序 | |
NL2024774B1 (en) | Blood leukocyte segmentation method based on adaptive histogram thresholding and contour detection | |
CN108426994A (zh) | 分析数字全息显微术数据以用于血液学应用 | |
CN109767422A (zh) | 基于深度学习的管道检测识别方法、存储介质及机器人 | |
CN110729045A (zh) | 一种基于上下文感知残差网络的舌图像分割方法 | |
CN112819821B (zh) | 一种细胞核图像检测方法 | |
Davidson et al. | Automated detection and staging of malaria parasites from cytological smears using convolutional neural networks | |
CN107543788A (zh) | 一种尿红细胞畸形率检测方法及系统 | |
Razzak | Malarial parasite classification using recurrent neural network | |
Tantikitti et al. | Image processing for detection of dengue virus based on WBC classification and decision tree | |
CN111077150A (zh) | 一种基于计算机视觉和神经网络的大便智能分析方法 | |
CN106875413B (zh) | 一种基于高光谱成像的粘连红细胞自动计数方法 | |
KR102624956B1 (ko) | 세포 샘플 내에서 적어도 하나의 기형을 가지는 세포를 검출하기 위한 방법 | |
CN108447047A (zh) | 抗酸杆菌检测方法及装置 | |
Susrama et al. | Automated analysis of human sperm number and concentration (oligospermia) using otsu threshold method and labelling | |
KR20010017092A (ko) | 혈구세포의 형태 자동 분석 및 카운트 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210511 |