CN111105422A - 一种网织红细胞分类计数模型构建方法及应用 - Google Patents
一种网织红细胞分类计数模型构建方法及应用 Download PDFInfo
- Publication number
- CN111105422A CN111105422A CN201911261452.4A CN201911261452A CN111105422A CN 111105422 A CN111105422 A CN 111105422A CN 201911261452 A CN201911261452 A CN 201911261452A CN 111105422 A CN111105422 A CN 111105422A
- Authority
- CN
- China
- Prior art keywords
- reticulocyte
- model
- counting
- classification
- constructing
- 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
- 210000001995 reticulocyte Anatomy 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 44
- 210000003743 erythrocyte Anatomy 0.000 claims abstract description 37
- 210000004369 blood Anatomy 0.000 claims abstract description 21
- 239000008280 blood Substances 0.000 claims abstract description 21
- 238000001000 micrograph Methods 0.000 claims abstract description 16
- 238000002372 labelling Methods 0.000 claims abstract description 6
- 230000008014 freezing Effects 0.000 claims description 11
- 238000007710 freezing Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000005764 inhibitory process Effects 0.000 claims description 4
- 238000007670 refining Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000012856 packing Methods 0.000 claims description 2
- 238000009966 trimming Methods 0.000 claims description 2
- 238000013145 classification model Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 5
- 238000012795 verification Methods 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000001629 suppression Effects 0.000 description 3
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- 210000001185 bone marrow Anatomy 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000000975 dye Substances 0.000 description 2
- 238000000684 flow cytometry Methods 0.000 description 2
- 230000003394 haemopoietic effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004159 blood analysis Methods 0.000 description 1
- 239000001045 blue dye Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003834 intracellular effect Effects 0.000 description 1
- 238000000386 microscopy Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 210000003924 normoblast Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种网织红细胞分类计数模型构建方法及应用,构建网织红细胞分类计数模型用于对网织红细胞和其他普通红细胞和进行分类和分别计数;以现有成熟数据集为第一数据库;获取若干血涂片显微照片,进行普通红细胞和网织红细胞的轮廓及类别标注后形成第二数据库;分别在所述第一数据库、第二数据库选取样本完成两阶段训练。本发明通过网织红细胞分类模型,自动、高效的对红细胞进行分类和统计数目,相较于人工统计效率有质的飞跃。公正客观,排除了人为,主观因素,且无疲劳等客观因素干扰。该模型具有自学习属性,随着高质量标注图片的增加,识别模型训练效率逐步提高,可不断优化模型识别分类准确度。
Description
技术领域
本发明涉及医学图像技术领域,尤其涉及一种网织红细胞分类计数模型构建方法及应用。
背景技术
网织红细胞是介于晚幼红细胞和成熟红细胞之间的尚未完全成熟的红细胞。网织红细胞计数是评价骨髓造血功能的重要指标,对网织红细胞进行计数是临床血检工作中评估骨髓造血功能的基础性实验,是临床检验中一项重要的指标。
测定网织红细胞的基本原理就是用某种染料与细胞内RNA结合,再通过显微镜镜检或采用流式细胞术(FCM)等方法检测被染色的网织红细胞。目前,国内大多数医院采用煌焦油蓝乙醇溶液等进行染色、涂片,显微镜油镜下直接目测计数1000个红细胞中网织红细胞数。但是,这种方法,需要在显微镜下人工统计大量的细胞数目。
现有的测定方法主要存在技术问题:(1)显微镜下人工对网织红细胞计数效率低下,且操作繁琐枯燥;(2)人工技术统计结果准确率低,易受主观经验和人为因素干扰。
发明内容
针对上述问题,本发明提供一种网织红细胞分类计数模型构建方法及应用,构建网织红细胞分类计数模型,实现网织红细胞的自动识别,提高了检测识别的效率和准确率。
为达到上述目的,本发明提供了一种网织红细胞分类计数模型构建方法,包括:
构建网织红细胞分类计数模型用于对网织红细胞和普通红细胞和进行分类和分别计数;
以现有成熟数据集为第一数据库;获取若干血涂片显微照片,进行普通红细胞和网织红细胞的轮廓及类别标注后形成第二数据库;
在所述第一数据库选取样本对所述网织红细胞分类计数模型进行第一阶段训练,满足第一阶段完成条件后,在所述第二数据库选取样本对所述网织红细胞分类计数模型进行第二阶段训练,直至满足第二阶段完成条件;
对完成训练的模型进行封装打包。
进一步的,所述网织红细胞分类计数模型采用具有深度结构的前馈神经网络构建。
进一步的,所述网织红细胞分类计数模型包括预处理模块、候选区域生成模块、类别判断模块、位置精修模块以及计数模块;
所述预处理模块对图像进行降噪、膨胀、腐蚀和归一化处理;
所述候选区域生成模块将预处理后的图像分割为多个候选区域;
所述类型判断模块识别每个候选区域内红细胞的轮廓,标记矩形框并预测类型为网织红细胞或普通红细胞;
所述位置精修模块采用非极大值抑制法对标记的矩形框进行过滤;
所述计数模块对过滤后剩余的矩形框中网织红细胞及普通红细胞分别计数。
进一步的,所述候选区域生成模块,通过过分割技术将预处理后的图像分割成若干区域,将颜色或纹理差别小于设定阈值的相邻区域进行合并,满足合并后区域大小不超过图像长度的10%,最终获得100~200个候选区域。
进一步的,所述类型判断模块,包括级联的五层卷积结构以及全连接层;每层卷积结构包括卷积层、池化层以及激活层,所述卷积层进行卷积运算得到新的特征图;所述池化层基于所述新的特征图提取所需特征向量;所述激活层对所述所需特征向量进行非线性计算;最后由所述全连接层输出分类结果。
进一步的,所述位置精修模块采用非极大值抑制法对标记的矩形框进行过滤包括:从图像终找出n个可能是红细胞的矩形框,过滤掉短边小于80个像素或长边大于224个像素的矩形框;为每个矩形框为做类别分类概率;从最大概率矩形框开始按照概率大小遍历所有矩形框,过滤掉所有与其重叠度大于预设阈值的矩形框,被保留下来的矩形框作为输出。
进一步的,所述现有成熟数据集包括ILSVRC2012数据集。
进一步的,第一阶段训练采用第一数据库选取样本训练设定轮数;第二阶段完成条件采用第二数据库选取样本训练设定轮数,冻结除全连接层以外的所有层进行训练,评估模型精度;如果不满足精度要求则冻结层逐渐减少,重新进行一轮训练,直至满足精度要求或者没有剩余的冻结层。
本发明另一方面提供一种网织红细胞分类计数方法,利用所述的网织红细胞分类计数模型构建方法构建网织红细胞分类计数模型;
采用所述网织红细胞分类计数模型对血涂片显微照片中普通红细胞和网织红细胞进行分类和计数。进一步的,还包括对所述网织红细胞分类计数模型的分类及计数结果进行评估,根据评估结果,反向传递梯度,优化所述网织红细胞分类计数模型。
本发明的上述技术方案能够产生的有益的技术效果包括:
(1)本发明通过网织红细胞分类模型,自动、高效的对红细胞进行分类和统计数目,相较于人工统计效率有质的飞跃。公正客观,排除了人为,主观因素,且无疲劳等客观因素干扰。
(2)本发明基于深度学习算法构建网织红细胞分类计数模型,该模型具有自学习属性,随着高质量标注图片的增加,识别模型训练效率逐步提高,可不断优化模型识别分类准确度。
(3)本发明首先采用ILSVRC2012数据集进行训练,再使用血涂片显微照片上进行训练。ILSVRC2012数据集质量高,噪声小,使用ILSVRC2012数据集进行预训练,不但加速了模型收敛,还有效降低了对血涂片显微照片数量的要求,有效提高最终模型的性能。
(4)本发明针对网织红细胞自身图像特征简单明确的特点,构建了五层卷积结构的网织红细胞分类计数模型。该模型结构简单,运行速度快,识别准确率高,可以满足临床实际工作需求。
附图说明
图1是网织红细胞分类计数模型构建流程示意图;
图2是血涂片显微照片示意图;
图3是血涂片显微照片标注示意图;
图4是网织红细胞分类模型进行细胞分类计数的流程示意图;
图5为实施例中网织红细胞分类计数模型组成示意图;
图6是网织红细胞分类计数模型构建及应用流程示意图。
图7是网织红细胞识别结果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
本发明一方面提供一种网织红细胞分类模型构建方法,结合图1、6,包括:
S100构建网织红细胞分类计数模型采用具有深度结构的前馈神经网络(Feedforward Neural Networks)构建,用于对网织红细胞和其他普通红细胞和进行分类和分别计数;
结合图4,所述网织红细胞分类计数模型包括预处理模块、候选区域生成模块、类别判断模块、位置精修模块以及计数模块;
所述预处理模块对图像进行降噪、膨胀、腐蚀和归一化处理;
所述候选区域生成模块将预处理后的图像分割为多个候选区域;
所述候选区域生成模块,选择性搜索算法(Selective Search)生成100-200个候选区域。首先通过过分割技术将预处理后的图像分割成若干区域,将颜色或纹理差别小于设定阈值的相邻区域进行合并,满足合并后区域大小不超过图像长度的10%,最终获得100~200个候选区域。
在一个实施例中,通过过分割技术将图像分割成1000个小区域;查看现有小区域,按照合并规则合并模型预测概率值最高的相邻两个区域,控制区域大小不超过图像长度的10%。把所有合并后仍然留存的区域作为候选区域输出。优先合并颜色(颜色直方图)相近的和纹理(梯度直方图)相近的区域。
所述类型判断模块识别每个候选区域内红细胞的轮廓,标记矩形框并预测类型为网织红细胞或其他普通红细胞;
所述类型判断模块,包括级联的五层卷积结构以及全连接层;每层卷积结构包括卷积层、池化层以及激活层,所述卷积层进行卷积运算得到新的特征图;所述池化层基于所述新的特征图提取所需特征向量;所述激活层对所述所需特征向量进行非线性计算;最后由所述全连接层输出分类结果。
在一个实施例中,所述类型判断模块采用如下方式构成:
结合图5,构建基于卷积神经网络的分类模型,输入图像(input)的输入大小为224*224*3,3层为RGB图像,每层为224*224个像素。整个模型采用5层卷积结构,每个卷积结构内部包含若干卷积层、1层最大池化层和1层使用ReLu函数的激活层。第一层卷积结构内部包含96层核为11*11*3的卷积层,输出channel为27*27*96;第二层卷积结构内部包含256层核为5*5*48的卷积层,输出channel为27*27*128;第三层卷积结构内部包含384层核为3*3*256的卷积层,输出channel为13*13*192;第四层卷积结构内部包含384层核为3*3*192的卷积层,输出channel为13*13*256;第五层卷积结构内部包含128层核为3*3*128的卷积层,输出channel为13*13*256。Linear层将上一层输出和最后层的3个神经元进行全连接,输出预测结果。
所述位置精修模块采用非极大值抑制法(non-maximum suppression)对标记的矩形框进行过滤,来进行位置精修。
所述位置精修模块采用非极大值抑制法对标记的矩形框进行过滤包括:从图像终找出n个可能是红细胞的矩形框,过滤掉短边小于80个像素或长边大于224个像素的矩形框;为每个矩形框为做类别分类概率;从最大概率矩形框开始按照概率大小遍历所有矩形框,过滤掉所有与其重叠度大于预设阈值的矩形框,被保留下来的矩形框作为输出。
所述计数模块对过滤后剩余的矩形框中网织红细胞及其他普通红细胞分别计数,统计这两个类别的数目。
该网织红细胞分类计数模型输入为一张血涂片显微照片图像,输出为该图像上所有的网织红细胞和普通红细胞位置和计数统计结果。
S200以现有成熟数据集为第一数据库;获取若干血涂片显微照片,进行普通红细胞和网织红细胞的轮廓及类别标注后形成第二数据库;
所述现有成熟数据集包括ILSVRC2012数据集,直接由网站下载,将全部数据集进行9:1的分割作为第一数据库中的样本集及验证集。
第二数据库的构建,首先使用显微照相系统对血涂片进行在100倍油镜显微镜下进行拍照,获得血涂片显微照片(多于1000张),如图2所示;在照片上由专门的标注团队对普通红细胞和网织红细胞进行标注,标注结果包括轮廓和类别,如图3所示;标注过程中,不标注位于图像边缘、不完整的细胞。
对这些标注好的血涂片显微照片随机抽取图片建立训练集和验证集。在一个实施例中,随机抽取图像,建立训练集和验证集,按照9:1的比例建立训练集和验证集,训练集用于训练模型,验证集用于验证模型准确率。
S300在所述第一数据库选取样本对所述网织红细胞分类计数模型进行第一阶段训练,满足第一阶段完成条件后,在所述第二数据库选取样本对所述网织红细胞分类计数模型进行第二阶段训练,直至满足第二阶段完成条件。
第一阶段训练采用第一数据库选取样本训练设定轮数;第二阶段完成条件采用第二数据库选取样本训练设定轮数,冻结除全连接层以外的所有层进行训练,评估模型精度;如果不满足精度要求则冻结层逐渐减少,重新进行一轮训练,直至满足精度要求或者没有剩余的冻结层。
在一个实施例中,首先使用ILSVRC2012数据集对模型进行训练,50个轮数(Epoch)之后再使用第三步建立的训练集进行训练;冻结除全连接层以外的所有层,经过一定数量的轮数(Epoch)之后训练停止,评估模型并继续减少冻结层,再进行训练;如是重复若干次后训练停止,直至满足精度要求或者没有剩余冻结层,得到性能最好的最终模型。通过迁移学习技术,在ILSVRC2012数据集上先进行训练,而后再在上一步得到的血涂片显微照片上进行训练,并通过不断地参数调优和误差分析优化模型,最终形成成熟的网织红细胞检测识别模型。
步骤S400:对完成训练的模型进行封装打包,进行实际应用。
本发明另一方面提供一种网织红细胞分类计数方法,结合图6,包括:
步骤S100’:利用上述构建方法构建网织红细胞分类计数模型并完成训练;
S200’:获取血涂片显微照片;
利用显微镜、100倍油镜、照相机、电脑组成的显微照相系统就可以拍摄血涂片显微照片。拍摄目标为使用煌焦油蓝染液染色后的血涂片。拍摄过程中要求尽可能清晰。拍摄照片数要求多于1000张。
S300’:采用所述网织红细胞分类计数模型对血涂片显微照片中普通红细胞和网织红细胞进行分类和计数。
结合图4,包括对血涂片显微照片进行预处理,生成多个候选区域,判断类别,进行位置精修、进行数量统计后输出该显微照片上所有的网织红细胞和普通红细胞位置和计数统计结果。如图7所示,为网织红细胞识别结果图。
在一个实施例中,还包括对所述网织红细胞分类计数模型的分类及计数结果进行评估,根据评估结果,反向传递梯度,优化所述网织红细胞分类计数模型。
网织红细胞分类计数模型的构建,也可使用基于非深度学习的图像识别算法或者其他类型的深度学习算法进行实现。
综上所述,本发明提供一种网织红细胞分类计数模型构建方法及应用,构建网织红细胞分类计数模型用于对网织红细胞和其他普通红细胞和进行分类和分别计数;以现有成熟数据集为第一数据库;获取若干血涂片显微照片,进行普通红细胞和网织红细胞的轮廓及类别标注后形成第二数据库;分别在所述第一数据库、第二数据库选取样本完成两阶段训练。本发明通过网织红细胞分类模型,自动、高效的对红细胞进行分类和统计数目,相较于人工统计效率有质的飞跃。公正客观,排除了人为,主观因素,且无疲劳等客观因素干扰。该模型具有自学习属性,随着高质量标注图片的增加,识别模型训练效率逐步提高,可不断优化模型识别分类准确度。最终模型准确率可以达到99.3%。
应当理解的是,本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理,而不构成对本发明的限制。因此,在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。此外,本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (10)
1.一种网织红细胞分类计数模型构建方法,其特征在于,包括:
构建网织红细胞分类计数模型,用于对网织红细胞和普通红细胞和进行分类和分别计数;
以现有成熟数据集为第一数据库;获取若干血涂片显微照片,进行普通红细胞和网织红细胞的轮廓及类别标注后形成第二数据库;
在所述第一数据库选取样本对所述网织红细胞分类计数模型进行第一阶段训练,满足第一阶段完成条件后,在所述第二数据库选取样本对所述网织红细胞分类计数模型进行第二阶段训练,直至满足第二阶段完成条件;
对完成训练的模型进行封装打包。
2.根据权利要求1所述的一种网织红细胞分类计数模型构建方法,其特征在于:所述网织红细胞分类计数模型采用具有深度结构的前馈神经网络构建。
3.根据权利要求1或2所述的一种网织红细胞分类计数模型构建方法,其特征在于:所述网织红细胞分类计数模型包括预处理模块、候选区域生成模块、类别判断模块、位置精修模块以及计数模块;
所述预处理模块对图像进行降噪、膨胀、腐蚀和归一化处理;
所述候选区域生成模块将预处理后的图像分割为多个候选区域;
所述类别判断模块识别每个候选区域内红细胞的轮廓,标记矩形框并预测类型为网织红细胞或普通红细胞;
所述位置精修模块采用非极大值抑制法对标记的矩形框进行过滤;
所述计数模块对过滤后剩余的矩形框中网织红细胞及普通红细胞分别计数。
4.根据权利要求3所述的一种网织红细胞分类计数模型构建方法,其特征在于:所述候选区域生成模块,通过过分割技术将预处理后的图像分割成若干区域,将颜色或纹理差别小于设定阈值的相邻区域进行合并,满足合并后区域大小不超过图像长度的10%,最终获得100~200个候选区域。
5.根据权利要求3所述的一种网织红细胞分类计数模型构建方法,其特征在于:所述类别判断模块,包括级联的五层卷积结构以及全连接层;每层卷积结构包括卷积层、池化层以及激活层,所述卷积层进行卷积运算得到新的特征图;所述池化层基于所述新的特征图提取所需特征向量;所述激活层对所述所需特征向量进行非线性计算;最后由所述全连接层输出分类结果。
6.根据权利要求3所述的一种网织红细胞分类计数模型构建方法,其特征在于:所述位置精修模块采用非极大值抑制法对标记的矩形框进行过滤包括:从图像终找出n个可能是红细胞的矩形框,过滤掉短边小于80个像素或长边大于224个像素的矩形框;为每个矩形框为做类别分类概率;从最大概率矩形框开始按照概率大小遍历所有矩形框,过滤掉所有与其重叠度大于预设阈值的矩形框,被保留下来的矩形框作为输出。
7.根据权利要求1或2所述的一种网织红细胞分类计数模型构建方法,其特征在于:所述现有成熟数据集包括ILSVRC2012数据集。
8.根据权利要求7所述的一种网织红细胞分类计数模型构建方法,其特征在于:第一阶段训练采用第一数据库选取样本训练设定轮数;第二阶段完成条件采用第二数据库选取样本训练设定轮数,冻结除全连接层以外的所有层进行训练,评估模型精度;如果不满足精度要求则冻结层逐渐减少,重新进行一轮训练,直至满足精度要求或者没有剩余的冻结层。
9.一种网织红细胞分类计数方法,其特征在于,利用权利要求1-8中任一项所述的网织红细胞分类计数模型构建方法构建网织红细胞分类计数模型;
采用所述网织红细胞分类计数模型对血涂片显微照片中普通红细胞和网织红细胞进行分类和计数。
10.根据权利要求9所述的网织红细胞分类计数方法,其特征在于,还包括对所述网织红细胞分类计数模型的分类及计数结果进行评估,根据评估结果,反向传递梯度,优化所述网织红细胞分类计数模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911261452.4A CN111105422B (zh) | 2019-12-10 | 2019-12-10 | 一种网织红细胞分类计数模型构建方法及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911261452.4A CN111105422B (zh) | 2019-12-10 | 2019-12-10 | 一种网织红细胞分类计数模型构建方法及应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111105422A true CN111105422A (zh) | 2020-05-05 |
CN111105422B CN111105422B (zh) | 2024-03-08 |
Family
ID=70423490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911261452.4A Active CN111105422B (zh) | 2019-12-10 | 2019-12-10 | 一种网织红细胞分类计数模型构建方法及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111105422B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112330616A (zh) * | 2020-10-28 | 2021-02-05 | 上海交通大学 | 一种脑脊液细胞图像自动化识别和计数的方法 |
CN112669261A (zh) * | 2020-12-08 | 2021-04-16 | 山东省科学院海洋仪器仪表研究所 | 一种水体菌落总数的自动计数方法 |
CN112767349A (zh) * | 2021-01-18 | 2021-05-07 | 桂林优利特医疗电子有限公司 | 一种网织红细胞识别方法和系统 |
CN113552126A (zh) * | 2021-07-23 | 2021-10-26 | 福州金域医学检验实验室有限公司 | 一种网织红细胞检测方法及其系统 |
CN114419619A (zh) * | 2022-03-29 | 2022-04-29 | 北京小蝇科技有限责任公司 | 红细胞检测分类方法、装置、计算机存储介质及电子设备 |
CN118015001A (zh) * | 2024-04-09 | 2024-05-10 | 中国中医科学院中药研究所 | 成纤维滑膜细胞的纯度获取方法、装置、介质及电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015177268A1 (en) * | 2014-05-23 | 2015-11-26 | Ventana Medical Systems, Inc. | Systems and methods for detection of biological structures and/or patterns in images |
US20180211380A1 (en) * | 2017-01-25 | 2018-07-26 | Athelas Inc. | Classifying biological samples using automated image analysis |
CN109166100A (zh) * | 2018-07-24 | 2019-01-08 | 中南大学 | 基于卷积神经网络的多任务学习细胞计数方法 |
CN109344736A (zh) * | 2018-09-12 | 2019-02-15 | 苏州大学 | 一种基于联合学习的静态图像人群计数方法 |
CN109359569A (zh) * | 2018-09-30 | 2019-02-19 | 桂林优利特医疗电子有限公司 | 一种基于cnn的红细胞图像亚分类方法 |
US20190065817A1 (en) * | 2017-08-29 | 2019-02-28 | Konica Minolta Laboratory U.S.A., Inc. | Method and system for detection and classification of cells using convolutional neural networks |
CN110322438A (zh) * | 2019-06-26 | 2019-10-11 | 杭州上池科技有限公司 | 结核分枝杆菌自动检测模型的训练方法及自动检测系统 |
-
2019
- 2019-12-10 CN CN201911261452.4A patent/CN111105422B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015177268A1 (en) * | 2014-05-23 | 2015-11-26 | Ventana Medical Systems, Inc. | Systems and methods for detection of biological structures and/or patterns in images |
US20180211380A1 (en) * | 2017-01-25 | 2018-07-26 | Athelas Inc. | Classifying biological samples using automated image analysis |
US20190065817A1 (en) * | 2017-08-29 | 2019-02-28 | Konica Minolta Laboratory U.S.A., Inc. | Method and system for detection and classification of cells using convolutional neural networks |
CN109166100A (zh) * | 2018-07-24 | 2019-01-08 | 中南大学 | 基于卷积神经网络的多任务学习细胞计数方法 |
CN109344736A (zh) * | 2018-09-12 | 2019-02-15 | 苏州大学 | 一种基于联合学习的静态图像人群计数方法 |
CN109359569A (zh) * | 2018-09-30 | 2019-02-19 | 桂林优利特医疗电子有限公司 | 一种基于cnn的红细胞图像亚分类方法 |
CN110322438A (zh) * | 2019-06-26 | 2019-10-11 | 杭州上池科技有限公司 | 结核分枝杆菌自动检测模型的训练方法及自动检测系统 |
Non-Patent Citations (1)
Title |
---|
陈畅;程少杰;李卫滨;陈敏;: "基于卷积神经网络的外周血白细胞分类", 中国生物医学工程学报, no. 01, 20 February 2018 (2018-02-20) * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112330616A (zh) * | 2020-10-28 | 2021-02-05 | 上海交通大学 | 一种脑脊液细胞图像自动化识别和计数的方法 |
CN112669261A (zh) * | 2020-12-08 | 2021-04-16 | 山东省科学院海洋仪器仪表研究所 | 一种水体菌落总数的自动计数方法 |
CN112767349A (zh) * | 2021-01-18 | 2021-05-07 | 桂林优利特医疗电子有限公司 | 一种网织红细胞识别方法和系统 |
CN112767349B (zh) * | 2021-01-18 | 2024-05-03 | 桂林优利特医疗电子有限公司 | 一种网织红细胞识别方法和系统 |
CN113552126A (zh) * | 2021-07-23 | 2021-10-26 | 福州金域医学检验实验室有限公司 | 一种网织红细胞检测方法及其系统 |
CN114419619A (zh) * | 2022-03-29 | 2022-04-29 | 北京小蝇科技有限责任公司 | 红细胞检测分类方法、装置、计算机存储介质及电子设备 |
CN114419619B (zh) * | 2022-03-29 | 2022-06-10 | 北京小蝇科技有限责任公司 | 红细胞检测分类方法、装置、计算机存储介质及电子设备 |
CN118015001A (zh) * | 2024-04-09 | 2024-05-10 | 中国中医科学院中药研究所 | 成纤维滑膜细胞的纯度获取方法、装置、介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111105422B (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111105422A (zh) | 一种网织红细胞分类计数模型构建方法及应用 | |
JP7104691B2 (ja) | 生体粒子の分類のシステム及び方法 | |
CN107316307B (zh) | 一种基于深度卷积神经网络的中医舌图像自动分割方法 | |
CN107665492B (zh) | 基于深度网络的结直肠全景数字病理图像组织分割方法 | |
CN107945173B (zh) | 一种基于深度学习的皮肤疾病检测方法以及系统 | |
Ramesh et al. | Isolation and two-step classification of normal white blood cells in peripheral blood smears | |
CN109886307A (zh) | 一种基于卷积神经网络的图像检测方法及系统 | |
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 | |
CN110322438B (zh) | 结核分枝杆菌自动检测模型的训练方法及自动检测系统 | |
CN109684922B (zh) | 一种基于卷积神经网络的多模型对成品菜的识别方法 | |
CN107784324A (zh) | 基于深度残差网络的白血细胞多分类识别方法 | |
CN108510004B (zh) | 一种基于深度残差网络的细胞分类方法及系统 | |
Shahin et al. | A novel white blood cells segmentation algorithm based on adaptive neutrosophic similarity score | |
CN112734741B (zh) | 一种肺炎ct影像的图像处理方法和系统 | |
CN110120056A (zh) | 基于自适应直方图阈值和轮廓检测的血液白细胞分割方法 | |
CN111062346A (zh) | 一种白细胞自动定位检测及分类识别系统及方法 | |
Chen et al. | Cell nuclei detection and segmentation for computational pathology using deep learning | |
CN112784767A (zh) | 基于白细胞显微图像的细胞实例分割算法 | |
CN112750132A (zh) | 基于双路径网络和通道注意的白细胞图像分割方法 | |
CN116012291A (zh) | 工业零件图像缺陷检测方法及系统、电子设备和存储介质 | |
CN114332855A (zh) | 一种基于明场显微成像的无标记白细胞三分类方法 | |
Di Ruberto et al. | Accurate blood cells segmentation through intuitionistic fuzzy set threshold | |
CN110414317B (zh) | 基于胶囊网络的全自动白细胞分类计数方法 | |
Wollmann et al. | Multi-channel deep transfer learning for nuclei segmentation in glioblastoma cell tissue images | |
CN114972202A (zh) | 一种基于轻量级的神经网络的Ki67病理细胞快速检测计数方法 |
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 |