CN113869124A - 基于深度学习的血细胞形态学分类方法及系统 - Google Patents

Abstract

本发明涉及细胞形态学技术领域，具体公开了一种基于深度学习的血细胞形态学分类方法及系统，由硬件通过将玻片置于摄像头下进行拍摄后将电子图片传入至该系统中，该系统先采用预测深度模型进行目标检测，分为红细胞，白细胞，背景三个类别后，进而再将白细胞送入分类深度学习框架模型中，进行分类识别，将识别的中心坐标和结果返回，系统再将中心坐标为中心的400×400的图片放置对应文件夹中。该系统采用目标检测配合细胞识别的方法，保证了细胞的可靠性，同时对于识别不了的数据进行规整处理，便于后续模型的改进和扩展，同时提供标准的统一的图片便于观测和复查。

Description

基于深度学习的血细胞形态学分类方法及系统

技术领域

本发明涉及细胞形态学技术领域，尤其涉及一种基于深度学习的血细胞形态学分类方法及系统。

背景技术

随着自动化水平的提升，为了减少医疗工作者的负担，让医疗资源尽可能分配到更重要的地方；在医学领域，各种病理研究、分析存在着大量有关医学载玻片的操作，将载玻片保存和观测存在着大量的不便性，将结果保存和显示的血细胞显微图像扫描仪油然而生。

但是将拍摄的图片进行裁剪和分类需要大量的时间和精力，同时对专业技术要求性极强。若是使用深度学习的解决方案可以将大量的数据快速分类和分类，大大节约了人工成本，提高了工作效率，只需要进行复查结果即可，简化了大量的流程和操作，鉴于此本发明提出一种基于深度学习的血细胞形态学分类方法及系统。

发明内容

本发明的目的在于提供一种基于深度学习的血细胞形态学分类方法及系统，能够将大量的数据快速分类和分类，大大节约了人工成本，提高了工作效率，只需要进行复查结果即可，简化了大量的流程和操作。

为实现上述目的，本发明采用的一种基于深度学习的血细胞形态学分类方法，包括如下步骤：

步骤一：采集100倍血细胞临床数据图像，并对图像进行预处理和归一化处理；

步骤二：将标准化处理后的细胞数据随机分成训练集和测试集两个数据；

步骤三：基于卷积神经网络创建细胞预测系统，将训练集中细胞数据导入到细胞预测系统机型训练验证；

步骤四：将测试集中细胞数据导入细胞预测系统进行训练测试，若测试值没有达到阈值，则重复步骤三进行训练，直至达到阈值停止；

步骤五：利用预测模型将白细胞和红细胞分类，提取白细胞分类组的结果；

步骤六：将白细胞分类的结果进行预处理，分为训练集，测试集，验证集三个数据集；

步骤七：基于卷积神经网络创建分类框架，将验证集中细胞数据导入到细胞框架中验证；

步骤八：将测试集中细胞数据导入细胞分类系统进行测试，若测试值没有达到阈值，则重复步骤七进行训练，直至达到阈值停止；

步骤九：将模型和框架运用于软件中，配合软件进行裁剪图片和判断结果。

其中，在所述步骤一和步骤六中，预处理的具体步骤为：

将具有完整特征变量和具有代表性的细胞进行标注和识别，将细胞临床数据中的特征变量和代表结果进行特征提取，并对提取的特征变量进行归一化数据特征进行替换，实现特征变量最简化。

其中，所述训练集、所述测试集和验证集比例为8：2：0.16。

其中，所述预测系统和所述分类系统均导入训练集进行训练验证的方法为：

通过卷积层设置多组不同尺寸的卷积核，同时在采样层设置不同尺寸的采样窗口，来提取数据中的多尺度特征。

其中，在所述步骤九中，采用400×400的图片加类别作为统一结果输出。

本发明还提出一种采用如上述所述的基于深度学习的血细胞形态学分类方法的系统，包括数据采集模块、数据处理模块和结果预测识别模块，所述数据采集模块、所述数据处理模块和所述结果预测识别模块依次进行电性连接；

所述数据采集模块，用于采集细胞形态学临床数据；

所述数据处理模块，用于采集的细胞形态学临床数据进行数据处理；

所述结果预测识别模块，用于创建预测识别系统并将处理后的数据导入预测识别系统中进行训练测试。

本发明的一种基于深度学习的血细胞形态学分类方法及系统，通过在整体上采用目标检测与细胞识别双层结构，先将细胞图片进行目标检测提取出来，分为白细胞，红细胞，背景三部分，然后将白细胞裁剪出来，进行归一化处理，然后使用细胞识别的方式再将裁剪后的细胞进行分类，最后将识别结果图片数据和对应标签导入。其中对于未能识别的细胞会放置到统一的文件夹中，为了收集未能处理的数据信息，便于提高模型的实时性和泛型。而目标检测与细胞识别的双结构保证了识别的准确性和分析效率，输出400×400的标准图片便于观测和保存。依次实现能够将大量的数据快速分类和分类，大大节约了人工成本，提高了工作效率，只需要进行复查结果即可，简化了大量的流程和操作。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的基于深度学习的血细胞形态学分类方法的步骤流程图。

图2是本发明的基于深度学习的血细胞形态学分类系统及方法的原理框图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

请参阅图1，本发明提供了一种基于深度学习的血细胞形态学分类方法，包括如下步骤：

步骤一：采集100倍血细胞临床数据图像，并对图像进行预处理和归一化处理；

步骤二：将标准化处理后的细胞数据随机分成训练集和测试集两个数据；

步骤三：基于卷积神经网络创建细胞预测系统，将训练集中细胞数据导入到细胞预测系统机型训练验证；

步骤四：将测试集中细胞数据导入细胞预测系统进行训练测试，若测试值没有达到阈值，则重复步骤三进行训练，直至达到阈值停止；

步骤五：利用预测模型将白细胞和红细胞分类，提取白细胞分类组的结果；

步骤六：将白细胞分类的结果进行预处理，分为训练集，测试集，验证集三个数据集；

步骤七：基于卷积神经网络创建分类框架，将验证集中细胞数据导入到细胞框架中验证；

步骤八：将测试集中细胞数据导入细胞分类系统进行测试，若测试值没有达到阈值，则重复步骤七进行训练，直至达到阈值停止；

步骤九：将模型和框架运用于软件中，配合软件进行裁剪图片和判断结果。

在所述步骤一和步骤六中，预处理的具体步骤为：

将具有完整特征变量和具有代表性的细胞进行标注和识别，将细胞临床数据中的特征变量和代表结果进行特征提取，并对提取的特征变量进行归一化数据特征进行替换，实现特征变量最简化。

所述训练集、所述测试集和验证集比例为8：2：0.16。

所述预测系统和所述分类系统均导入训练集进行训练验证的方法为：

通过卷积层设置多组不同尺寸的卷积核，同时在采样层设置不同尺寸的采样窗口，来提取数据中的多尺度特征。

在所述步骤九中，采用400×400的图片加类别作为统一结果输出。

在步骤五中，利用预测模型进行目标检测，除分为白细胞和红细胞两个类别外，还分为背景这一类别。

采用400×400的图片加类别作为统一结果输出，具体为：

将识别结果的中心坐标和结果返回，系统再将中心坐标为中心的400*400的图片放置对应文件夹中。

所述阈值为工作人员试剂操作时设定的评定结果的数值；所述步骤八中输出的未识别数据单独放置一个文件中显示，用于人工辅助分类和后期模型扩展。

本发明还提出一种采用上述所述的基于深度学习的血细胞形态学分类方法的系统，包括数据采集模块、数据处理模块和结果预测识别模块，所述数据采集模块、所述数据处理模块和所述结果预测识别模块依次进行电性连接；

所述数据采集模块，用于采集细胞形态学临床数据；

所述数据处理模块，用于采集的细胞形态学临床数据进行数据处理；

所述结果预测识别模块，用于创建预测识别系统并将处理后的数据导入预测识别系统中进行训练测试。

在本实施方式中，本发明公开了一种基于机器视觉和深度学习的医疗器械识别分类系统及方法，具体为一种基于深度学习的血细胞形态学分类方法及系统，由硬件通过将玻片置于摄像头下进行拍摄后将电子图片传入至该系统中，该系统先采用预测深度模型进行目标检测，分为红细胞，白细胞，背景三个类别后，进而再将白细胞送入分类深度学习框架模型中，进行分类识别，将识别的中心坐标和结果返回，系统再将中心坐标为中心的400×400的图片放置对应文件夹中，其具体如下：

采集100倍细胞临床数据的数字图片，进行归一化和预处理；

将临床数据进行分类，制作训练集，验证集，测试集，并通过专业人员进行图片标注；

创建和训练基于卷积神经网络创建细胞预测系统，并用验证集进行测试；

将测试集导入验证结果最好的预测模型中进行测试，直到测试值达到阈值时停止，否则重复之前步骤；

完成训练，获取白细胞图片进行分类；对裁剪图片进行人工筛选并标注后，制作训练集，验证集，测试集；

创建和训练基于卷积神经网络创建细胞分类系统，并用验证集进行测试；

将测试集导入验证结果最好的分类模型中进行测试，直到测试值达到阈值时停止，否则重复之前步骤；

完成训练，获取白细胞分类系统，并整理结果作为输出；

将模型部署到软件中，并将结果展示；

其中阈值为工作人员试剂操作时设定的评定结果的数值；步骤八中输出的未识别数据单独放置一个文件中显示，用于人工辅助分类和后期模型扩展；其中所述训练集、所述测试集和验证集比例为8：2：0.16；

该系统模型均通过卷积层设置多组不同尺度的卷积核，同时在采样层设置不同尺寸的采样窗口，用于提取细胞的多尺度特征，达到减少计算量的过程；其中采用目标检测与目标识别的双层结构保证结果的准确性；其中采用400×400的图片加类别作为统一结果输出。

具体流程为从硬件采集数据后进行归一化和预处理送至目标检测框架中，输出一组裁剪后的白细胞图片，将裁剪后的白细胞图片进行归一化并输送至目标检测框架后，得出一组分类的标签和可信度，判断可信度高的输出结果和图片给仪器设备。

主体部分由三部分组成，第一层是数据采集加目标检测，第二部分为细胞识别，第三层是数据整理和输出，具体流程如图2所示；

因此，对于血细胞形态学进行分析，现阶段使用的是人工观测，该方法需要人工不停的移动镜头，同时使用笔在纸上计数，过后只能保存玻片便于下次再次观测或者复查，而且玻片经过多次沾油后细胞会丢失，不能使用之前结果和现在结果进行对比，所以人工法不便于结果的保存和复查及管理，同时对检验的医生的能力等方面提出了重大考验，而本发明提出的一种基于深度学习的血细胞形态学分类方法及系统，其血细胞分析可以将血细胞进行电子显微镜拍摄，并显示出来，可以便于人工观测，同时使用深度学习将细胞进行分类，大大缩短了人工的时间和流程，由于准确度高，人工只需要将细胞进行审核即可。同时系统会输出400×400的图片便于观测和保存，随时可以进行复查。

综上所述：本系统主要由三部分构成，分别是数据采集与目标检测，细胞识别部分，结果整理与输出；整体框架采用双深度学习的方式，第一次识别细胞种类，第二次进行细胞分类，保证了数据分类的准确性和速率；从设计上输出结果为标准图片，同时为未识别的数据创建单独种类，为后期数据扩展和数据收集留下接口；数据采集和目标检测，采用目标检测框架可以快速对数据采集数据进行裁剪和分割，然后将目标分为白细胞，红细胞，背景等；细胞识别只用于白细胞数据，提取上个流程的白细胞进行分类，采用目标识别框架模型，使用三个不同的窗口搜索特征，保证了分类结果的准确性；该系统输入是图片，输出是图片，不需要任何中间操作，便于使用；使用c++编译成dll库，便于移植和安装，无需搭建环境。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (6)

1.一种基于深度学习的血细胞形态学分类方法，其特征在于，包括如下步骤：

步骤一：采集100倍血细胞临床数据图像，并对图像进行预处理和归一化处理；

步骤二：将标准化处理后的细胞数据随机分成训练集和测试集两个数据；

步骤三：基于卷积神经网络创建细胞预测系统，将训练集中细胞数据导入到细胞预测系统机型训练验证；

步骤四：将测试集中细胞数据导入细胞预测系统进行训练测试，若测试值没有达到阈值，则重复步骤三进行训练，直至达到阈值停止；

步骤五：利用预测模型将白细胞和红细胞分类，提取白细胞分类组的结果；

步骤六：将白细胞分类的结果进行预处理，分为训练集，测试集，验证集三个数据集；

步骤七：基于卷积神经网络创建分类框架，将验证集中细胞数据导入到细胞框架中验证；

步骤八：将测试集中细胞数据导入细胞分类系统进行测试，若测试值没有达到阈值，则重复步骤七进行训练，直至达到阈值停止；

步骤九：将模型和框架运用于软件中，配合软件进行裁剪图片和判断结果。

2.如权利要求1所述的基于深度学习的血细胞形态学分类方法，其特征在于，

在所述步骤一和步骤六中，预处理的具体步骤为：

将具有完整特征变量和具有代表性的细胞进行标注和识别，将细胞临床数据中的特征变量和代表结果进行特征提取，并对提取的特征变量进行归一化数据特征进行替换，实现特征变量最简化。

3.如权利要求2所述的基于深度学习的血细胞形态学分类方法，其特征在于，

所述训练集、所述测试集和验证集比例为8：2：0.16。

4.如权利要求3所述的基于深度学习的血细胞形态学分类方法，其特征在于，

所述预测系统和所述分类系统均导入训练集进行训练验证的方法为：

通过卷积层设置多组不同尺寸的卷积核，同时在采样层设置不同尺寸的采样窗口，来提取数据中的多尺度特征。

5.如权利要求4所述的基于深度学习的血细胞形态学分类方法，其特征在于，

在所述步骤九中，采用400×400的图片加类别作为统一结果输出。

6.采用如权利要求5所述的基于深度学习的血细胞形态学分类方法的系统，其特征在于，

包括数据采集模块、数据处理模块和结果预测识别模块，所述数据采集模块、所述数据处理模块和所述结果预测识别模块依次进行电性连接；

所述数据采集模块，用于采集细胞形态学临床数据；

所述数据处理模块，用于采集的细胞形态学临床数据进行数据处理；

所述结果预测识别模块，用于创建预测识别系统并将处理后的数据导入预测识别系统中进行训练测试。

Images