【技术实现步骤摘要】
本专利技术涉及图像检测，具体涉及一种骨髓细胞图像智能检测系统及其方法。
技术介绍
1、骨髓细胞图像智能检测是指利用计算机视觉和深度学习技术对骨髓细胞图像进行自动化分析和识别，从而辅助医学人员诊断疾病，尤其是在血液病和癌症的早期检测中。该技术通过对骨髓样本图像中的细胞进行分类、计数和特征提取，能够快速识别出细胞的种类、形态变化等特征，以帮助医生评估患者的健康状况。智能检测的优势在于提高了检测效率，减少了人为误差，并且能够处理大量图像数据。
2、例如，研究人员已经开发出基于卷积神经网络（cnn）的方法来检测骨髓中白血病细胞。这些系统通过训练大规模标注数据集，能够自动识别骨髓图像中的异常细胞，如白血病细胞或其他血液病细胞，从而为医生提供更加精准的诊断支持。这种技术已被应用于一些医院和研究机构的自动化血液检查设备中。
3、现有技术存在以下不足之处：
4、白血病细胞和正常细胞在显微镜下的形态可能会出现显著差异，但有时这些差异可能并不明显，或者在不同的患者中有所不同。某些类型的白血病细胞（如急性髓系白血病）可能在形态上与正常细胞相似，导致cnn模型难以区分。此外，如果cnn模型在训练过程中没有看到足够的多样化样本（包括各种变异形态），它就可能会在遇到形态上不典型的白血病细胞时发生误分类。
技术实现思路
1、本专利技术的目的是提供一种骨髓细胞图像智能检测系统及其方法，以解决
技术介绍
中不足。
2、为了实现上述目的，本专利技术提供如下技术方案：一种骨髓
3、s1：获取骨髓细胞图像数据，并将每张图像中的细胞标注成不同的类别，同时对标注后的图像数据进行预处理；
4、s2：通过canny边缘检测算法来计算图像中细胞的边界模糊度异常值，作为第一输入特征，通过局部二值模式技术来提取细胞内质的色泽差异漂移值，作为第二输入特征；
5、s3：将第一输入特征和第二输入特征转换为特征向量，通过机器学习模型计算cnn模型区分白血病细胞形态的准确性值，根据计算结果将cnn模型的区分结果划分为准确性区分结果和不准确性区分结果；
6、s4：对于不准确性区分结果，对不同检测阶段具有不同细胞形态和内质特征的样本数量进行动态调整，并结合训练时的标签进行分类。
7、优选的，s1中，所述细胞标注方法包括手动标注、半自动标注和基于深度学习的自动标注。
8、优选的，s1中，所述图像数据预处理步骤包括图像分割、去噪声、数据增强和图像归一化处理。
9、优选的，s2中，通过canny边缘检测算法来计算图像中细胞的边界模糊度异常值，具体为：
10、对原始图像进行高斯滤波，g(x,y)为高斯滤波器的值，x和y是图像中的坐标；经过高斯滤波后的图像通过与高斯滤波器卷积得到：使用sobel算子计算图像在水平和垂直方向上的梯度，分别得到和，计算梯度强度和方向：；；对梯度图进行非极大值抑制，只保留梯度幅值大的像素点，对于每个像素，查找沿梯度方向上的两个邻域像素，保留局部最大值作为边缘，设定高阈值th和低阈值tl如果梯度强度g(x,y)>th，像素为强边缘；如果g(x,y)<tl，像素为非边缘；如果tl≤g(x,y)≤th，像素为弱边缘；
11、通过计算canny检测的边缘和细胞轮廓之间的重合度，量化边界模糊度，使用交并比来衡量边缘与细胞轮廓的重叠度，作为边界模糊度异常值，表达式为：；其中：a为细胞轮廓区域，b为通过canny边缘检测得到的边缘区域，为轮廓与边缘的交集区域，为轮廓与边缘的并集区域。
12、优选的，通过局部二值模式技术来提取细胞内质的色泽差异漂移值，具体为：将细胞图像转换为灰度图像，选择一个窗口围绕目标像素进行比较，设定当前像素的8个邻域像素为，其中邻域像素按顺时针方向排列；对于每个邻域像素，将其与中心像素进行比较，生成二进制值，若邻域像素大于中心像素，二进制值为1，若邻域像素小于中心像素，二进制值为0；将二进制值按顺时针顺序排列形成一个8位的二进制数；将图像中每个像素的二进制值计算出来后，生成整个图像的二进制直方图，选取图像的两个不同区域，分别计算这两个区域的二进制直方图h1和h2，然后通过卡方距离计算其之间的差异，将计算结果作为色泽差异漂移值。
13、优选的，s3中，将第一输入特征和第二输入特征转换为特征向量，通过机器学习模型计算cnn模型区分白血病细胞形态的准确性值，具体为：
14、将边界模糊度异常值和色泽差异漂移值转换为综合特征向量，将综合特征向量作为机器学习模型的输入，对机器学习模型进行训练，根据模型输出结果确定cnn模型区分白血病细胞形态的准确性值，其中，机器学习模型为多项式回归模型。
15、优选的，根据计算结果将cnn模型的区分结果划分为准确性区分结果和不准确性区分结果，具体为：
16、将cnn模型区分白血病细胞形态的准确性值与根据历史数据预先设定的准确性参考阈值进行比较，若cnn模型区分白血病细胞形态的准确性值大于等于预先设定的准确性参考阈值，说明cnn模型区分白血病细胞形态的准确性高，此时将cnn模型的区分结果划分为准确性区分结果；若cnn模型区分白血病细胞形态的准确性值小于预先设定的准确性参考阈值，说明cnn模型区分白血病细胞形态的准确性低，此时将cnn模型的区分结果划分为不准确性区分结果。
17、优选的，s4中，对于不准确性区分结果，对不同检测阶段具有不同细胞形态和内质特征的样本数量进行动态调整，通过引入加权损失函数，对误分类的样本进行加权，加权损失函数计算公式为：；其中，是样本i的权重，若样本的预测准确性低，则增大其权重，若预测准确性高，则减小其权重，是样本i的真实标签，是样本i的预测值。
18、本专利技术还提供了一种骨髓细胞图像智能检测系统，包括数据获取与标注模块、特征提取模块，机器学习与分类模块以及动态调整与重标定模块；
19、数据获取与标注模块：获取骨髓细胞图像数据，并将每张图像中的细胞标注成不同的类别，同时对标注后的图像数据进行预处理；
20、特征提取模块：通过canny边缘检测算法来计算图像中细胞的边界模糊度异常值，作为第一输入特征，通过局部二值模式技术来提取细胞内质的色泽差异漂移值，作为第二输入特征；
21、机器学习与分类模块：将第一输入特征和第二输入特征转换为特征向量，通过机器学习模型计算cnn模型区分白血病细胞形态的准确性值，根据计算结果将cnn模型的区分结果划分为准确性区分结果和不准确性区分结果；
22、动态调整与重标定模块：对于不准确性区分结果，对不同检测阶段具有不同细胞形态和内质特征的样本数量进行动态调整，并结合训练时的标签进行分类。
23、在上述技术方案中，本专利技术提供的技术效果和优点：
24、1、本专利技术通过结合canny边缘检测算法和局部二值模式技术，提取细胞边界模糊度异常值和色泽差异漂移值本文档来自技高网...
【技术保护点】
1.一种骨髓细胞图像智能检测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种骨髓细胞图像智能检测方法，其特征在于：S1中，所述细胞标注方法包括手动标注、半自动标注和基于深度学习的自动标注。
3.根据权利要求2所述的一种骨髓细胞图像智能检测方法，其特征在于：S1中，所述图像数据预处理步骤包括图像分割、去噪声、数据增强和图像归一化处理。
4.根据权利要求1所述的一种骨髓细胞图像智能检测方法，其特征在于：S2中，通过Canny边缘检测算法来计算图像中细胞的边界模糊度异常值，具体为：
5.根据权利要求4所述的一种骨髓细胞图像智能检测方法，其特征在于：通过局部二值模式技术来提取细胞内质的色泽差异漂移值，具体为：将细胞图像转换为灰度图像，选择一个窗口围绕目标像素进行比较，设定当前像素的8个邻域像素为，其中邻域像素按顺时针方向排列；对于每个邻域像素，将其与中心像素进行比较，生成二进制值，若邻域像素大于中心像素，二进制值为1，若邻域像素小于中心像素，二进制值为0；将二进制值按顺时针顺序排列形成一个8位的二进制数；将图像中每个像素的二进
6.根据权利要求5所述的一种骨髓细胞图像智能检测方法，其特征在于：S3中，将第一输入特征和第二输入特征转换为特征向量，通过机器学习模型计算CNN模型区分白血病细胞形态的准确性值，具体为：
7.根据权利要求6所述的一种骨髓细胞图像智能检测方法，其特征在于：根据计算结果将CNN模型的区分结果划分为准确性区分结果和不准确性区分结果，具体为：
8.根据权利要求7所述的一种骨髓细胞图像智能检测方法，其特征在于：S4中，对于不准确性区分结果，对不同检测阶段具有不同细胞形态和内质特征的样本数量进行动态调整，通过引入加权损失函数，对误分类的样本进行加权，加权损失函数计算公式为：；其中，是样本i的权重，若样本的预测准确性低，则增大其权重，若预测准确性高，则减小其权重，是样本i的真实标签，是样本i的预测值。
9.一种骨髓细胞图像智能检测系统，用于实现权利要求1-8任一项所述的一种骨髓细胞图像智能检测方法，其特征在于：包括数据获取与标注模块、特征提取模块，机器学习与分类模块以及动态调整与重标定模块；
...【技术特征摘要】
1.一种骨髓细胞图像智能检测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种骨髓细胞图像智能检测方法，其特征在于：s1中，所述细胞标注方法包括手动标注、半自动标注和基于深度学习的自动标注。
3.根据权利要求2所述的一种骨髓细胞图像智能检测方法，其特征在于：s1中，所述图像数据预处理步骤包括图像分割、去噪声、数据增强和图像归一化处理。
4.根据权利要求1所述的一种骨髓细胞图像智能检测方法，其特征在于：s2中，通过canny边缘检测算法来计算图像中细胞的边界模糊度异常值，具体为：
5.根据权利要求4所述的一种骨髓细胞图像智能检测方法，其特征在于：通过局部二值模式技术来提取细胞内质的色泽差异漂移值，具体为：将细胞图像转换为灰度图像，选择一个窗口围绕目标像素进行比较，设定当前像素的8个邻域像素为，其中邻域像素按顺时针方向排列；对于每个邻域像素，将其与中心像素进行比较，生成二进制值，若邻域像素大于中心像素，二进制值为1，若邻域像素小于中心像素，二进制值为0；将二进制值按顺时针顺序排列形成一个8位的二进制数；将图像中每个像素的二进制值计算出来后，生成整个图像的二进制直方图，选取图像的两个不同...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。