[發明專利]血液自動分析方法、系統、血細胞分析儀及存儲介質在審
| 申請號： | 201911098894.1 | 申請日： | 2019-11-11 |
| 公開（公告）號： | CN110837809A | 公開（公告）日： | 2020-02-25 |
| 發明（設計）人： | 鄭陸一;胡雙;劉蕾;蔡韜 | 申請（專利權）人： | 湖南伊鴻健康科技有限公司 |
| 主分類號： | G06K9/00 | 分類號： | G06K9/00;G06K9/32;G06K9/62;G06N3/04;G06N3/08 |
| 代理公司： | 深圳市恒程創新知識產權代理有限公司 44542 | 代理人： | 鄒新華 |
| 地址： | 410000 湖南省長沙市雨花*** | 國省代碼： | 湖南;43 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 血液 自動 分析 方法 系統 血細胞 存儲 介質 | ||
1.一種血液自動分析方法，其特征在于，包括步驟：
分別獲取載物臺與物鏡的間距為h0-d、h0和h0+d時待檢測樣品的顯微圖像，其中載物臺與物鏡間距h0為待檢測樣品的聚焦位置，d為預設距離；
將與間距h0-d、h0和h0+d對應的待檢測樣品的顯微圖像輸入至已訓練的特征融合網絡中進行特征融合，輸出融合特征圖譜；
將融合特征圖譜輸入至已訓練的RPN網絡，獲得感興趣區域ROI；
將ROI與融合特征圖譜進行池化和像素對齊，獲得ROI的特征圖譜；
將ROI的特征圖譜輸入至已訓練的FCN網絡進行邊框回歸、分類和掩膜生成，輸出待檢測樣品的實例分割圖，所述實例分割圖包括分類結果和掩膜；
根據分類結果和掩膜，統計待檢測樣品中待檢測目標的數量。
2.根據權利要求1所述的血液自動分析方法，其特征在于，所述分別獲取載物臺與物鏡的間距為h0-d、h0和h0+d時待檢測樣品的顯微圖像的步驟之前包括：
獲取血液樣本的原始顯微圖像，并對所述原始顯微圖像進行標注，獲得期望掩膜、期望分類結果以及期望邊框；
對所述原始顯微圖像進行模糊和特征去除處理，以獲得多個已處理顯微圖像，其中多個已處理顯微圖像進行特征融合后獲得的理論圖像為原始顯微圖像；
將多個已處理顯微圖像作為待訓練特征融合網絡的第一訓練樣本，根據原始顯微圖像和第一訓練樣本對待訓練特征融合網絡進行訓練，獲得已訓練的特征融合網絡；
將第一訓練樣本輸入至已訓練的特征融合網絡中輸出第一訓練樣本的融合特征圖譜，并將第一訓練樣本的融合特征圖譜作為待訓練RPN網絡和待訓練FCN網絡的第二訓練樣本；
根據期望掩膜、期望分類結果、期望邊框和第二訓練樣本對待訓練RPN網絡和待訓練FCN網絡進行訓練，獲得已訓練的RPN網絡和已訓練的FCN網絡。
3.根據權利要求2所述的血液自動分析方法，其特征在于，所述將多個已處理顯微圖像作為待訓練特征融合網絡的第一訓練樣本，根據原始顯微圖像和第一訓練樣本對待訓練特征融合網絡進行訓練，獲得已訓練的特征融合網絡的步驟包括：
構建一個深度卷積神經模型，其中所述深度卷積神經模型包括待訓練特征融合網絡和待訓練編碼層；
將第一訓練樣本輸入至所述深度神經網絡的待訓練特征融合網絡，獲得預測融合特征圖譜；
將預測融合特征圖譜輸入至待訓練編碼層，輸出預測融合圖像；
根據預設結構差異損失函數、原始顯微圖像和預測融合圖像，獲得結構差異損失函數值；
根據獲得的結構差異損失函數值，采用反向傳播方式和梯度下降算法對待訓練特征融合網絡和待訓練編碼層進行訓練，獲得已訓練的特征融合網絡。
4.根據權利要求3所述的血液自動分析方法，其特征在于，所述預設結構差異損失函數為：
L結構＝1-SSIM，其中L結構為預設結構差異損失函數，SSIM為原始顯微圖像與預測融合圖像的結構相似性計算函數值。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于湖南伊鴻健康科技有限公司，未經湖南伊鴻健康科技有限公司許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201911098894.1/1.html，轉載請聲明來源鉆瓜專利網。
