[發(fā)明專利]連續(xù)成熟階段骨髓細(xì)胞圖像自動識別方法、系統(tǒng)及介質(zhì)

在審

• 申請?zhí)枺?/td>: 202110274848.3
• 申請日: 2021-03-15
• 公開（公告）號: CN113011306A
• 公開（公告）日: 2021-06-22
• 發(fā)明（設(shè)計(jì)）人: 譚冠政;戴宇思;金佳琪;王輝;胡椰清
• 申請（專利權(quán)）人: 中南大學(xué)
• 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(wù)所有限責(zé)任公司 43113
• 代理人: 馬強(qiáng);王娟

本發(fā)明公開了一種連續(xù)成熟階段骨髓細(xì)胞圖像自動識別方法、系統(tǒng)及介質(zhì)，主要包含以下步驟：獲取符合規(guī)范的數(shù)據(jù)集；通過遷移學(xué)習(xí)構(gòu)建用于骨髓細(xì)胞自動識別的密集連接型卷積神經(jīng)網(wǎng)絡(luò)模型；對單細(xì)胞圖像數(shù)據(jù)進(jìn)行尺寸歸一化，并對圖像尺寸歸一后的數(shù)據(jù)集進(jìn)行劃分；精調(diào)訓(xùn)練方法的超參數(shù)，并利用精調(diào)的超參數(shù)訓(xùn)練對構(gòu)建的模型進(jìn)行結(jié)構(gòu)參數(shù)訓(xùn)練，得到最優(yōu)結(jié)構(gòu)參數(shù)模型，訓(xùn)練中引入多種類型的隨機(jī)數(shù)據(jù)增廣；利用多折交叉驗(yàn)證對模型進(jìn)行骨髓細(xì)胞識別效果測試與評估。本發(fā)明可以實(shí)現(xiàn)對處于連續(xù)成熟階段的骨髓細(xì)胞的自動識別或分類，具有較好的識別效果，可以提高處于連續(xù)成熟階段的骨髓細(xì)胞的自動識別的性能和準(zhǔn)確率。

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)視覺和深度學(xué)習(xí)領(lǐng)域，特別是一種基于遷移學(xué)習(xí)和密集連接型深度卷積神經(jīng)網(wǎng)絡(luò)的連續(xù)成熟階段骨髓細(xì)胞圖像的自動識別方法。

背景技術(shù)

在目前的醫(yī)學(xué)和生物學(xué)研究中，骨髓細(xì)胞分類是一項(xiàng)重要技術(shù)。骨髓細(xì)胞形態(tài)學(xué)檢查是最早應(yīng)用的一種骨髓細(xì)胞識別與分類方法，在血液腫瘤等重大疾病的分類診斷中具有重要意義，也是目前最基本、最重要的骨髓細(xì)胞分類方法之一。骨髓細(xì)胞的分類助益于多種惡性血液疾病的診斷，包括：白血病、骨髓腫瘤、再生障礙性貧血等，是多種惡性疾病診斷與治療效果觀察中必不可少的一環(huán)。然而，骨髓細(xì)胞種類繁多，部分不同類別的細(xì)胞之間相似度高，尤其是處于連續(xù)成熟階段的骨髓細(xì)胞之間的無明確的分界標(biāo)準(zhǔn)，這使得即使是專業(yè)醫(yī)師也無法確保很高的骨髓細(xì)胞識別準(zhǔn)確率。目前，醫(yī)院對于骨髓細(xì)胞的鏡檢方法仍然采用傳統(tǒng)的人工觀察分類計(jì)數(shù)的方式，具有工作量大，對醫(yī)學(xué)專家的專業(yè)技能和經(jīng)驗(yàn)要求高，以及缺乏客觀、定量的標(biāo)準(zhǔn)等弊端。通過計(jì)算機(jī)對骨髓細(xì)胞進(jìn)行識別，尤其是對處于連續(xù)成熟階段的骨髓細(xì)胞進(jìn)行識別，可以極大地節(jié)省人力資源，提高識別效率、準(zhǔn)確率和客觀性，這對于智能醫(yī)療診斷來說具有重要意義。

隨著計(jì)算機(jī)圖像處理與分析技術(shù)的發(fā)展，依賴于細(xì)胞圖像處理的骨髓細(xì)胞識別方法得到了廣泛的研究。過去半個(gè)世紀(jì)間，骨髓細(xì)胞自動識別的相關(guān)研究主要采用傳統(tǒng)的圖像處理辦法，通常將骨髓細(xì)胞識別問題劃分為圖像預(yù)處理、細(xì)胞分割、特征提取、細(xì)胞識別這四個(gè)步驟。在基于傳統(tǒng)方法的骨髓細(xì)胞識別中，四個(gè)步驟均獨(dú)立進(jìn)行，細(xì)胞特征的選取需要專業(yè)知識背景且沒有統(tǒng)一的標(biāo)準(zhǔn)，各個(gè)步驟產(chǎn)生的誤差將不可避免地累積。

近年，隨著人工神經(jīng)網(wǎng)絡(luò)和高性能GPU的快速發(fā)展，基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類或識別技術(shù)興起，卷積神經(jīng)網(wǎng)絡(luò)在多領(lǐng)域的圖像分類或識別任務(wù)中取得了較好的結(jié)果。基于卷積神經(jīng)網(wǎng)絡(luò)的細(xì)胞圖像識別，其可以通過單一卷積神經(jīng)網(wǎng)絡(luò)模型來實(shí)現(xiàn)細(xì)胞圖像的特征提取和識別，不要求細(xì)胞分割，且可省略部分圖像預(yù)處理過程。因而，相較于傳統(tǒng)的圖像處理辦法而言，基于卷積神經(jīng)網(wǎng)絡(luò)的細(xì)胞圖像分類方法步驟簡單，通用性更強(qiáng)，模型泛化能力高，在骨髓細(xì)胞圖像識別領(lǐng)域也具有較大的潛力。然而，當(dāng)下暫無成熟的方法或系統(tǒng)被應(yīng)用于骨髓細(xì)胞的自動識別，并且基于卷積神經(jīng)網(wǎng)絡(luò)的骨髓細(xì)胞自動識別的相關(guān)研究較少，骨髓細(xì)胞自動識別方法仍具有較大的提升空間。

此外，針對不同的圖像分類或識別問題，不同的卷積神經(jīng)網(wǎng)絡(luò)模型方法會取得不一樣的效果。在大型數(shù)據(jù)集ImageNet上進(jìn)行的圖像分類挑戰(zhàn)證明，卷積神經(jīng)網(wǎng)絡(luò)模型的深度、寬度、連接方式、訓(xùn)練方法以及圖像的預(yù)處理等方面均將對分類結(jié)果產(chǎn)生重大影響。因而，找到一個(gè)針對連續(xù)成熟階段骨髓細(xì)胞圖像分類任務(wù)的合適的神經(jīng)網(wǎng)絡(luò)模型方法對于實(shí)現(xiàn)骨髓細(xì)胞的自動識別具有重大意義。

綜上，基于卷積神經(jīng)網(wǎng)絡(luò)的連續(xù)成熟階段骨髓細(xì)胞圖像自動識別方法具有很大的研究意義和提升空間。

本發(fā)明中用到的名詞解釋如下：

遷移學(xué)習(xí)：一種機(jī)器學(xué)習(xí)方法。從不同的源任務(wù)和源模型中學(xué)習(xí)或獲取知識，并遷移應(yīng)用到新的任務(wù)或模型，以完成新的任務(wù)。

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)：卷積神經(jīng)網(wǎng)絡(luò)是一種受到生物學(xué)中感受野(Receptive Field)機(jī)制的啟發(fā)而提出的前饋神經(jīng)網(wǎng)絡(luò)，在圖像處理領(lǐng)域具有廣泛的應(yīng)用。其通常由卷積層、池化層和全連接層組成，在結(jié)構(gòu)上具有局部連接、權(quán)值共享等特點(diǎn)。