一种基于深度学习的骨髓象细胞影像图检测分类方法及其系统技术方案

本申请公开了一种基于深度学习的骨髓象细胞影像图检测分类方法及其系统，其中基于深度学习的骨髓象细胞影像图检测分类方法具体包括以下步骤：收集并标注骨髓象细胞影像图，根据骨髓象细胞影像图确定训练集和测试集；对训练集中的数据进行预处理和数据扩增；响应于完成训练集中的数据进行预处理和数据扩增，构建目标检测模型；其中构建目标检测模型包括引入一般性评分损失，根据一般性评分损失优化目标检测模型；响应于目标检测模型构建完成，根据处理后的训练集进行目标检测模型的训练；响应于目标检测模型训练完成，将测试集输入至目标检测模型，输出分类检测结果。本申请能够自动准确标定目标细胞并对21类细胞进行分类。动准确标定目标细胞并对21类细胞进行分类。动准确标定目标细胞并对21类细胞进行分类。

【技术实现步骤摘要】
一种基于深度学习的骨髓象细胞影像图检测分类方法及其系统


[0001]本申请涉及数据处理领域，具体地，涉及一种基于深度学习的骨髓象细胞影像图检测分类方法及其系统。

技术介绍

[0002]骨髓细胞形态学方法主要是将患者骨髓涂片和血涂片分别进行瑞氏
‑
吉姆萨染色、镜下分析，按照国内或国际标准对急性白血病类型进行判定。主要用于白血病、淋巴瘤、各类贫血等血液系统疾病的诊断及鉴别诊断以及血液病治疗中的定期复查及化疗疗效观察。其中细胞形态学是各类白血病诊断中应用最多、最广泛、最直接和经济的一种诊断手段，是形态学、免疫学、细胞遗传学、分子生物学分型诊断的重要组成部分。细胞形态学检验内容是多方面的，对于血液常规来说，主要是指外周血细胞涂片的形态分类。现代血液分析仪可以通过流式细胞、化学染色等技术对细胞进行分类，甚至可以识别异常的细胞，但目前仍需要人工分类复核。对于血液病诊断来说，更重要的是骨髓细胞形态学检查。因为外周血细胞一般来自于骨髓，部分血液病细胞形态、成分的变化不能反映在外周血中。骨髓液抽吸出后，涂成薄的片子染色后在显微镜下进行细胞分类和形态观察，从而对疾病进行诊断。由于骨髓正常细胞形态多样，而且不同疾病可以出现多种多样的细胞形态变化，因此如何在骨髓涂片中准确识别各种骨髓细胞类型并统计分布比例成为该领域的技术难点。
[0003]传统的骨髓细胞的识别需要检验专家人工识别，但是骨髓细胞形态多样，不同疾病可以出现多种多样的细胞形态变化，因此骨髓细胞形态学检查需要丰富的经验。目前骨髓专家人才培养时间长，流动大，医院面临着培养人才难，成本高的问题。
[0004]因此，如何开发出智能化的骨髓细胞检测方法，是本领域技术人员急需解决的问题。

技术实现思路

[0005]本申请提供了一种基于深度学习的骨髓象细胞影像图检测分类方法，具体包括以下步骤：收集并标注骨髓象细胞影像图，根据骨髓象细胞影像图确定训练集和测试集；对训练集中的数据进行预处理和数据扩增；响应于完成训练集中的数据进行预处理和数据扩增，构建目标检测模型；其中构建目标检测模型包括引入一般性评分损失，根据一般性评分损失优化目标检测模型；响应于目标检测模型构建完成，根据处理后的训练集进行目标检测模型的训练；响应于目标检测模型训练完成，将测试集输入至目标检测模型，输出分类检测结果。
[0006]如上的，其中，骨髓象细胞影像图是显微镜下真实骨髓象细胞影像图，根据真实骨髓象细胞影像图随机划分训练集和测试集。
[0007]如上的，其中，收集并标注骨髓象细胞影像图还包括，利用标注工具标记出真实骨髓象细胞影图像中所有细胞的目标矩形框，生成目标矩形框左上角顶点和右下角顶点在像
素坐标系下的坐标，并标注相应的类别，从而生成的标注文件。
[0008]如上的，其中，对训练集中的数据进行预处理和数据扩增包括，对训练集的样本进行筛选，去掉无标注及非设定标注类别的样本，取细胞样例数量大于100的类别构建数据集。
[0009]如上的，其中，构建目标检测模型包括，将Faster R
‑
CNN模型作为基础模型，对Faster R
‑
CNN模型进行优化，将优化后的Faster R
‑
CNN模型作为本实施例中目标检测模型。
[0010]如上的，其中，Faster R
‑
CNN由RPN和Fast R
‑
CNN两个网络部分构成；
[0011]定义RPN网络的完整损失函数为：
[0012][0013]其中，L({p
i
}，{t
i
})为加权求和，L
cls
为分类任务的损失函数，L
reg
为回归任务的损失函数，t
i
为第i个模版框参数化处理后坐标向量，为第i个模版框对应的目标矩形框参数化处理后坐标向量，p
i
为第i个模版框的预测概率，为第i个模版框对应的真实标签，N
cls
为所有模版框的数目，N
reg
为所有正例模版框的数目，{p
i
}代表所有模版框的预测概率集合，{t
i
}代表所有模版框的预测坐标向量集合，λ1为加权系数。
[0014]如上的，其中，分类任务的损失函数L
cls
具体表示为：
[0015][0016]p
i
为第i个模版框的预测概率，N为预测的模版框个数。
[0017]如上的，其中，回归任务的损失函数L
reg
具体表示为：
[0018][0019]其中对于c，d，w，h中的任意一个参数z，定义：
[0020][0021]回归任务的损失采用函数进行计算，其中c，d为候选矩形框的中心点坐标，w，h分别为候选矩形框的长度宽度，指为第u类目标的预测矩形框第i个坐标值，v
i
指目标矩形框对应的第i个坐标值。
[0022]如上的，其中，对RPN网络预测出的候选矩形框进行处理，具体为对候选矩形框的中心点坐标和候选矩形框的长度宽度进行参数化处理，生成4维向量t。
[0023]一种基于深度学习的骨髓象细胞影像图检测分类系统，具体包括：数据获取单元、处理单元、模型构建单元、训练单元以及输出单元。
[0024]数据获取单元，用于获取收集并标注骨髓象细胞影像图，根据骨髓象细胞影像图确定训练集和测试集；
[0025]处理单元，用于对训练集中的数据进行预处理和数据扩增；
[0026]模型构建单元，用于构建目标检测模型；
[0027]训练单元，用于根据处理后的训练集进行目标检测模型的训练；
[0028]输出单元，用于将测试集输入至目标检测模型，得到检测结果。
[0029]本申请具有以下有益效果：
[0030]本申请中构建目标检测模型所用的数据来源简单，所需的数据来源于真实显微镜视野下的骨髓象细胞，无需复杂实验过程，成本低廉。本申请构建的目标检测模型设计是基于深度学习目标检测及分类算法，能够自动准确标定目标细胞并对21类细胞进行分类，分类结果高效且准确。
附图说明
[0031]为了更清楚地说明本申请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申请中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
[0032]图1是根据本申请实施例提供的基于深度学习的骨髓象细胞影像图检测分类方法的流程图；
[0033]图2是根据本申请实施例提供的基于深度学习的骨髓象细胞影像图检测分类系统的内部结构图；
[0034]图3是根据本申请实施例提供的基于深度学习的骨髓象细胞影像图检测方法中的显微镜视野骨髓细胞真实影像；
[0035]图4根据本申请实施例提供的基于深度学习的骨髓象细胞影像图检测方法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的骨髓象细胞影像图检测分类方法，其特征在于，具体包括以下步骤：收集并标注骨髓象细胞影像图，根据骨髓象细胞影像图确定训练集和测试集；对训练集中的数据进行预处理和数据扩增；响应于完成训练集中的数据进行预处理和数据扩增，构建目标检测模型；其中构建目标检测模型包括引入一般性评分损失，根据一般性评分损失优化目标检测模型；响应于目标检测模型构建完成，根据处理后的训练集进行目标检测模型的训练；响应于目标检测模型训练完成，将测试集输入至目标检测模型，输出分类检测结果。2.如权利要求1所述的基于深度学习的骨髓象细胞影像图检测分类方法，其特征在于，骨髓象细胞影像图是显微镜下真实骨髓象细胞影像图，根据真实骨髓象细胞影像图随机划分训练集和测试集。3.如权利要求2所述的基于深度学习的骨髓象细胞影像图检测分类方法，其特征在于，收集并标注骨髓象细胞影像图还包括，利用标注工具标记出真实骨髓象细胞影图像中所有细胞的目标矩形框，生成目标矩形框左上角顶点和右下角顶点在像素坐标系下的坐标，并标注相应的类别，从而生成的标注文件。4.如权利要求3所述的基于深度学习的骨髓象细胞影像图检测分类方法，其特征在于，对训练集中的数据进行预处理和数据扩增包括，对训练集的样本进行筛选，去掉无标注及非设定标注类别的样本，取细胞样例数量大于100的类别构建数据集。5.如权利要求1所述的基于深度学习的骨髓象细胞影像图检测分类方法，其特征在于，构建目标检测模型包括，将Faster R
‑
CNN模型作为基础模型，对Faster R
‑
CNN模型进行优化，将优化后的Faster R
‑
CNN模型作为本实施例中目标检测模型。6.如权利要求5所述的基于深度学习的骨髓象细胞影像图检测分类方法，其特征在于，Faster R
‑
CNN由RPN和Fast R
‑
CNN两个网络部分构成；定义RPN网络的完整损失函数为：其中，L({p
i
},{t
i
})为加权求和，L
cls

【专利技术属性】
技术研发人员：肖立，刘杰，袁瑞泽，杨继东，李寅昊，张志强，
申请(专利权)人：北京瀚远医药科技有限公司，
类型：发明
国别省市：