[發明專利]連續成熟階段骨髓細胞圖像自動識別方法、系統及介質

在審

• 申請號: 202110274848.3
• 申請日: 2021-03-15
• 公開（公告）號: CN113011306A
• 公開（公告）日: 2021-06-22
• 發明（設計）人: 譚冠政;戴宇思;金佳琪;王輝;胡椰清
• 申請（專利權）人: 中南大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 長沙正奇專利事務所有限責任公司 43113
• 代理人: 馬強;王娟

1.一種連續成熟階段骨髓細胞圖像自動識別方法，其特征在于，包括以下步驟：

1)在光學顯微鏡下獲取骨髓涂片圖像，并對其中的骨髓細胞進行單細胞裁剪；給定單細胞圖像數據樣本的細胞類別標簽并完成檢查，所述類別包括同系骨髓細胞的不同成熟階段；對每個類別的骨髓細胞數量強制進行相對均衡，得到標定好的骨髓細胞單細胞圖像數據集；

2)利用遷移學習在公共數據集ImageNet上預訓練DenseNet-201模型，并將DenseNet-201模型中最淺層的3個密集連接塊結構遷移連接到最終構建的密集連接型卷積神經網絡模型中；利用卷積層、池化層和全連接層對網絡進行再構建，構建的密集連接型卷積神經網絡模型共包括M層，

模型結構由淺到深為：輸入層-卷積層1-池化層1-密集連接塊1-卷積層2-池化層2-密集連接塊2-卷積層3-池化層3-密集連接塊3-卷積層4-池化層4-全連接層1-全連接層2-全連接層3-輸出層，輸入層接收彩色骨髓細胞單細胞圖像，輸出層輸出對應骨髓細胞圖像的預測類別；

3)利用圖像收縮算法變換步驟1)中得到的數據集中的所有骨髓細胞單細胞圖像尺寸到與步驟2)構建的密集連接型卷積神經網絡模型的輸入層尺寸相匹配，得到骨髓細胞單細胞圖像尺寸統一的新數據集；按照多折交叉驗證的要求對圖像尺寸統一后的新數據集進行劃分，得到多組交叉驗證集和對應的訓練集；

4)選取步驟3)中分出的任意一組訓練集和交叉驗證集，利用訓練集訓練步驟2)中構建的密集連接型卷積神經網絡模型，利用交叉驗證集調整帶動量的小批量隨機梯度下降方法中涉及到的訓練超參數，將訓練超參數調整到使得交叉驗證集上的分類測試結果最優；利用調整好的訓練超參數以及對應的帶動量的小批量隨機梯度下降方法對密集連接型卷積神經網絡模型的結構參數進行訓練，得到訓練好的最優結構參數模型。

2.根據權利要求1所述的連續成熟階段骨髓細胞圖像自動識別方法，其特征在于，還包括：利用多折交叉驗證對所述最優結構參數模型的骨髓細胞識別結果進行評估。

3.根據權利要求1所述的連續成熟階段骨髓細胞圖像自動識別方法，其特征在于，步驟1)中，所述骨髓涂片圖像集中的圖像為邊長不統一的正方形，且有且僅有單一骨髓細胞位于圖像正中。

4.根據權利要求1所述的連續成熟階段骨髓細胞圖像自動識別方法，其特征在于，所述密集連接型卷積神經網絡模型結構中，輸入層尺寸為224×224×3，卷積層1的卷積核尺寸為7×7×64，通道數為3，步長為2，四周填充尺寸為[3,3,3,3]；池化層1為最大池化層，尺寸為3×3，步長為2，四周填充尺寸為[1,1,1,1]；密集連接塊1～3分別包含12、24和96個卷積層，由兩種類型的卷積層交替連接組合而成，類型1的卷積層的卷積核尺寸為1×1×128，類型2的卷積層的卷積核尺寸為3×3×32，兩種卷積核的步長均為1，四周填充尺寸均為[1,1,1,1]；卷積層2～4的卷積核尺寸分別為1×1×128、1×1×256和1×1×896，步長為1，無填充；池化層2～4為平均池化層，尺寸為2×2，步長為2，無填充；全連接層1維度為1000，引入概率為0.2的dropout機制；全連接層2維度為100，引入概率為0.3的Dropout機制；全連接層3維度為與骨髓細胞類別數目一致；最后通過Softmax函數得到細胞圖像的預測類別。

5.根據權利要求4所述的連續成熟階段骨髓細胞圖像自動識別方法，其特征在于，在單個密集連接塊內部，類型2的卷積層產生的特征圖以特征圖并聯的方式連接到所有更深層的類型1的卷積層，形成密集連接；網絡結構中所有的卷積層和全連接層均采用ReLU激活函數。

6.根據權利要求1所述的基于遷移學習和密集連接型卷積神經網絡的骨髓細胞圖像自動識別方法，其特征在于，步驟3)中，通過最近鄰插值法將數據集中的圖片尺寸歸一到與構建的模型的輸入層尺寸匹配。

7.根據權利要求1所述的連續成熟階段骨髓細胞圖像自動識別方法，其特征在于，步驟4)中，所述帶動量的小批量隨機梯度下降方法的損失函數采用帶L2正則化的交叉熵損失函數，損失函數計算的值用于反饋更新密集連接型卷積神經網絡模型的結構參數。