骨髓细胞分类方法、系统、计算机设备及存储介质技术方案

本发明专利技术公开了一种骨髓细胞分类方法、系统、计算机设备及存储介质，所述方法包括：获取第一数据集和第二数据集；构建骨髓细胞细粒度分类网络；获取多张原始骨髓细胞显微图像；将每张原始骨髓细胞显微图像输入训练好的骨髓细胞检测网络中进行预测，输出得到每张原始骨髓细胞显微图像中细胞边界框的预测标注；根据细胞边界框的预测结果对原始骨髓细胞显微图像进行分割，使每张图像中仅含一个完整的骨髓细胞；将分割后的图像输入骨髓细胞细粒度分类网络中进行分类，输出得到骨髓细胞的分类结果。本发明专利技术通过对深度网络中多层特征的学习，同时引入知识蒸馏机制，将融合信息引入到单层次的特征分类器中，提高了骨髓细胞的分类精度。度。度。

【技术实现步骤摘要】
骨髓细胞分类方法、系统、计算机设备及存储介质


[0001]本专利技术涉及一种骨髓细胞分类方法、系统、计算机设备及存储介质，属于计算机视觉领域。

技术介绍

[0002]白血病是造血组织恶性增生或淋巴组织克隆性增生，并累及血液和骨髓为主的高度异质性肿瘤。白血病是全球十大恶性肿瘤之一，仅在2020年，全球新增白血病患者47万多人，死于白血病的人数多达31万。白血病的高发病率和高死亡率，对人类健康和生命造成了巨大威胁。白血病分为急性白血病和慢性白血病，其中急性白血病发病急，症状重，若没有得到及时有效救治，平均生存周期只有三个月左右。如果得到正确诊断及时救治，急性淋巴细胞白血病中80％的儿童患者和30％成人患者能够长期无病生存或治愈，急性早幼粒细胞白血病中80％以上的患者可以治愈，因此白血病的及时、准确的诊断尤为重要。
[0003]白血病的诊断主要依靠临床医学检验，根据检验结果，依据通用的疾病分类标准，诊断具体白血病类型。目前白血病诊断中常用的临床检验技术，主要包括骨髓细胞学检查、免疫学检查、细胞遗传学检查、分子生物学检查以及骨髓病理诊断检查。其中骨髓细胞学检测技术是白血病诊断和治疗疗效评估的主要项目，因其简便实用，检测精确度高，也是临床应用最广泛的诊断技术。在骨髓细胞学检测中，医生对受检者进行骨髓穿刺，将骨髓样本染色后制成骨髓涂片，进行显微镜观察。通过在高倍镜下观察骨髓细胞涂片，分析其中的细胞形态、数量、异常情况，从而判断每个细胞所属的系列和生长阶段。然而，此类骨髓细胞形态学检查方法不仅耗时耗力，而且依赖于专家知识，存在一定的主观差异，缺乏客观的定量标准。因此，若能借助医学影像分析处理与深度学习技术，开发一个骨髓细胞自动分析系统来实现对骨髓细胞的自动检测与分类，将有利于提高骨髓细胞的检查效率和提高骨髓细胞的分类精度。
[0004]目前来说，基于传统方法的骨髓细胞自动分割与分类效率较低，且存在一定的问题。首先，在细胞分割方面，部分工作使用传统方法(如分水岭算法)进行细胞的分割，从而识别出单个细胞。但由于骨髓涂片自身的特点，细胞密集、团聚、挤压或重叠的问题严重，部分细胞间边界不清晰，难以准确检测和切分出单个细胞。而传统的细胞分类算法采用特征提取后送入分类器(如支持向量机)的方式进行分类，特征提取主要依据医生的识别经验，转化为描述子进行提取。然而，描述子有时并不能很好地表达医生的识别经验。同时，由于骨髓细胞的特点，部分类间差异小，特征间相似程度高，传统方法的分类精度有限。

技术实现思路

[0005]有鉴于此，本专利技术提供了一种骨髓细胞分类方法、系统、计算机设备及存储介质，其通过构建具有特征融合的多层次特征学习网络，将融合信息引入到单个层次的特征中，达到较高的骨髓细胞细粒度分类精度；此外，本专利技术通过构建基于目标检测的骨髓细胞检测网络，克服骨髓细胞密集、团聚、挤压或重叠的问题，实现较好的骨髓细胞检测效果。
[0006]本专利技术的第一个目的在于提供一种骨髓细胞分类方法。
[0007]本专利技术的第二个目的在于提供一种骨髓细胞分类系统。
[0008]本专利技术的第三个目的在于提供一种计算机设备。
[0009]本专利技术的第四个目的在于提供一种存储介质。
[0010]本专利技术的第一个目的可以通过采取如下技术方案达到：
[0011]一种骨髓细胞分类方法，所述方法包括：
[0012]获取第一数据集和第二数据集；
[0013]构建基于特征融合的多层次特征学习网络；
[0014]选择YOLOX网络作为骨髓细胞检测网络，利用第一数据集对骨髓细胞检测网络进行训练，得到训练好的骨髓细胞检测网络；
[0015]利用第二数据集对多层次特征学习网络进行训练，将训练好的多层次特征学习网络作为骨髓细胞细粒度分类网络；
[0016]获取多张原始骨髓细胞显微图像；
[0017]将每张原始骨髓细胞显微图像输入训练好的骨髓细胞检测网络中进行预测，输出得到每张原始骨髓细胞显微图像中细胞边界框的预测标注；
[0018]根据细胞边界框的预测结果对原始骨髓细胞显微图像进行分割，使每张图像中仅含一个完整的骨髓细胞；
[0019]将分割后的图像输入骨髓细胞细粒度分类网络中进行分类，输出得到骨髓细胞的分类结果。
[0020]进一步的，所述多层次特征学习网络包括主干网络结构、多层次特征学习分支、融合知识蒸馏分支以及通道互补信息挖掘模块；
[0021]所述主干网络结构采用了去除全局池化层与全连接层的ResNet50结构，共有五个卷积层组；
[0022]所述多层次特征学习分支包括三个特征学习模块、三个特征分类器和最大k池化层；
[0023]所述融合知识蒸馏分支用于指导单个层次的特征分类器进行融合信息获取；
[0024]所述通道互补信息挖掘模块，用于对特征通道间的关系进行建模，从而挖掘特征中的通道互补信息。
[0025]进一步的，所述融合知识蒸馏分支用于指导单个层次的特征分类器进行融合信息获取，具体如下：
[0026]对多层次特征学习分支中得到的三个第一特征向量进行聚合，得到第二特征向量；
[0027]利用第二特征向量训练一个融合特征分类器，得到一个预测概率分布；
[0028]利用KL散度损失对所述预测概率分布进行训练，进而使得单个层次的特征分类器获得融合特征知识；
[0029]所述KL散度损失的具体公式如下：
[0030][0031]进一步的，所述挖掘特征中的通道互补信息，具体公式如下：
[0032]M
rel
＝softmax(
‑
X
Flat
X
FlatT
)
[0033]X
enh
＝X
ori
+f(X
Flat
·
M
rel
)
[0034]其中，X∈R
c
×
h
×
w
表示输入特征图大小，c，h，w表示特征通道数、特征图的高度和特征图的宽度；X
Flat
∈R
c
×
l
表示经空间维度展开后输入特征图的矩阵形式，l＝h
×
w；M
rel
表示通道关系矩阵。
[0035]进一步的，所述利用第二数据集对多层次特征学习网络进行训练，将训练好的多层次特征学习网络作为骨髓细胞细粒度分类网络，具体包括：
[0036]将第二数据集输入骨髓细胞检测网络，得到第二训练集，并对第二训练集进行预处理；
[0037]将预训练参数导入主干网络，对具有特征融合的多层次特征学习网络进行初始化处理，并设置对应网络参数以及训练参数；
[0038]将预处理完成的第二训练集输入多层次特征学习网络，使用交叉熵损失函数进行损失计算，以及使用KL散度损失函数进行蒸馏；
[0039]采用随机梯度下降法，更新网络参数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种骨髓细胞分类方法，其特征在于，所述方法包括：获取第一数据集和第二数据集；构建基于特征融合的多层次特征学习网络；选择YOLOX网络作为骨髓细胞检测网络，利用第一数据集对骨髓细胞检测网络进行训练，得到训练好的骨髓细胞检测网络；利用第二数据集对多层次特征学习网络进行训练，将训练好的多层次特征学习网络作为骨髓细胞细粒度分类网络；获取多张原始骨髓细胞显微图像；将每张原始骨髓细胞显微图像输入训练好的骨髓细胞检测网络中进行预测，输出得到每张原始骨髓细胞显微图像中细胞边界框的预测标注；根据细胞边界框的预测结果对原始骨髓细胞显微图像进行分割，使每张图像中仅含一个完整的骨髓细胞；将分割后的图像输入骨髓细胞细粒度分类网络中进行分类，输出得到骨髓细胞的分类结果。2.根据权利要求1所述的骨髓细胞分类方法，其特征在于，所述多层次特征学习网络包括主干网络结构、多层次特征学习分支、融合知识蒸馏分支以及通道互补信息挖掘模块；所述主干网络结构采用了去除全局池化层与全连接层的ResNet50结构，共有五个卷积层组；所述多层次特征学习分支包括三个特征学习模块、三个特征分类器和最大k池化层；所述融合知识蒸馏分支用于指导单个层次的特征分类器进行融合信息获取；所述通道互补信息挖掘模块，用于对特征通道间的关系进行建模，从而挖掘特征中的通道互补信息。3.根据权利要求2所述的骨髓细胞分类方法，其特征在于，所述融合知识蒸馏分支用于指导单个层次的特征分类器进行融合信息获取，具体如下：对多层次特征学习分支中得到的三个第一特征向量进行聚合，得到第二特征向量；利用第二特征向量训练一个融合特征分类器，得到一个预测概率分布；利用KL散度损失对所述预测概率分布进行训练，进而使得单个层次的特征分类器获得融合特征知识；所述KL散度损失的具体公式如下：4.根据权利要求2所述的骨髓细胞分类方法，其特征在于，所述挖掘特征中的通道互补信息，具体公式如下：M
rel
＝softmax(
‑
X
Flat
X
FlatT
)X
enh
＝X
ori
+f(X
Flat
·
M
rel
)其中，X∈R
c
×
h
×
w
表示输入特征图大小，c，h，w表示特征通道数、特征图的高度和特征图的宽度；X
Flat
∈R
c
×
l
表示经空间维度展开后输入特征图的矩阵形式，l＝h
×
w；M
rel
表示通道关系矩阵。5.根据权利要求1所述的骨髓细胞分类方法，其特征在于，所述利用第二数据集对多层
次特征学习网络进行训练，将训练好的多层次特征学习网络作为骨髓细胞细粒度分类网络，具体包括：将第二数据集输入骨髓细...

【专利技术属性】
技术研发人员：王伟凝，郭沛榕，骆美鸽，尉岩，石红霞，谭燕，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：