[發(fā)明專利]紅細(xì)胞圖像中的紅細(xì)胞分類系統(tǒng)及方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110436281.5
• 申請(qǐng)日: 2021-04-22
• 公開（公告）號(hào): CN113343755A
• 公開（公告）日: 2021-09-03
• 發(fā)明（設(shè)計(jì)）人: 李登旺;宋衛(wèi)清;黃浦;盧志明;王晶;沈亞娟;張健;吳上上;劉聰;左玉偉
• 申請(qǐng)（專利權(quán)）人: 山東師范大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/32;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 濟(jì)南圣達(dá)知識(shí)產(chǎn)權(quán)代理有限公司 37221
• 代理人: 朱忠范

本發(fā)明提供一種紅細(xì)胞圖像中的紅細(xì)胞分類系統(tǒng)及方法，屬于計(jì)算機(jī)視覺技術(shù)領(lǐng)域，特征提取模塊利用結(jié)合了注意力機(jī)制的特征金字塔神經(jīng)網(wǎng)絡(luò)，提取與類別相關(guān)的特征；區(qū)域獲取模塊將提取的與類別相關(guān)的特征進(jìn)行前景目標(biāo)區(qū)域篩選，結(jié)合雙線性內(nèi)插方法進(jìn)行尺寸固定，得到最終感興趣區(qū)域；分類計(jì)算模塊使用softmax分類器將最終感興趣區(qū)域計(jì)算所得類別的分?jǐn)?shù)進(jìn)行概率轉(zhuǎn)換，最終得到紅細(xì)胞的分類概率得分。本發(fā)明在紅細(xì)胞圖像特征提取時(shí)，關(guān)注圖像通道和空間兩維度上的特征，重點(diǎn)關(guān)注與類別相關(guān)的特征，抑制背景特征；在目標(biāo)密集的圖像中表現(xiàn)出較好泛化能力；可準(zhǔn)確提供圖像中的紅細(xì)胞類型，節(jié)省了醫(yī)生大量的精力，提高了醫(yī)生效率，增加了結(jié)果的客觀性和準(zhǔn)確性。

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)視覺技術(shù)領(lǐng)域，具體涉及一種實(shí)現(xiàn)了紅細(xì)胞精確分類的基于深度學(xué)習(xí)的紅細(xì)胞圖像中的紅細(xì)胞分類系統(tǒng)及方法。

背景技術(shù)

紅細(xì)胞疾病發(fā)病率高，目前全球尚無其發(fā)病的確切數(shù)據(jù)，但其影響面廣，在腫瘤、心腦血管以及肝腎疾病、血液疾病中常見，紅細(xì)胞疾病對(duì)患者危害性大，影響其重要臟器功能，包括心、肺、腎及腦等，若情況嚴(yán)重會(huì)影響患者生活質(zhì)量甚至危及生命。

對(duì)于紅細(xì)胞的病變識(shí)別分類，首先進(jìn)行血常規(guī)檢測篩選異常樣本，然后由醫(yī)生使用顯微鏡進(jìn)行鏡下觀察。顯微鏡視野下紅細(xì)胞數(shù)量多，不論形態(tài)檢查或計(jì)數(shù)都耗時(shí)費(fèi)力，影響醫(yī)生效率。目前對(duì)于檢測的需求日益增長，這與有限的檢驗(yàn)醫(yī)師數(shù)量相矛盾。人工操作依賴檢驗(yàn)醫(yī)師的主觀判斷，不同醫(yī)生可能得出不同結(jié)果。差異較小的正常細(xì)胞與異常細(xì)胞易錯(cuò)分，這會(huì)影響檢測結(jié)果的準(zhǔn)確性和可靠性。

針對(duì)目前紅細(xì)胞分類識(shí)別技術(shù)的研究現(xiàn)狀進(jìn)行分析，目前的紅細(xì)胞分類在傳統(tǒng)算法和深度學(xué)習(xí)方面都有一定進(jìn)展，使用傳統(tǒng)算法的常用步驟是對(duì)紅細(xì)胞進(jìn)行分割，然后提取形狀、紋理特征進(jìn)行分類，如文獻(xiàn)Maji P,Mandal A, Ganguly M,Saha S.An automatedmethod for counting and characterizing red blood cells using mathematicalmorphology.ICAPR 2015-2015 8th Int Conf Adv Pattern Recognit.Published online2015:6-11，Maji P等人使用數(shù)學(xué)形態(tài)學(xué)來自動(dòng)表征紅細(xì)胞，能夠準(zhǔn)確的定位紅細(xì)胞的位置，但分類類別較少。深度學(xué)習(xí)的方法主要使用神經(jīng)網(wǎng)絡(luò)方法，如文獻(xiàn)ElsalamonyHA.Healthy and unhealthy red blood cell detection in human blood smears usingneural networks.Micron. 2016；83:32-41。Elsalamony等人利用圓形霍夫變換和形態(tài)學(xué)操作與神經(jīng)網(wǎng)絡(luò)結(jié)合的方法對(duì)三類紅細(xì)胞進(jìn)行檢測，雖然一定程度上提高了精度，但由于分類的細(xì)胞類別較少，且神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡單，僅局限于一部分紅細(xì)胞的分類，拓展性不是很理想。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種獲得了較高分類精度和較高的魯棒性、保證了精確的分類的紅細(xì)胞圖像中的紅細(xì)胞分類系統(tǒng)及方法，以解決上述背景技術(shù)中存在的至少一項(xiàng)技術(shù)問題。

為了實(shí)現(xiàn)上述目的，本發(fā)明采取了如下技術(shù)方案：

第一方面，本發(fā)明提供一種紅細(xì)胞圖像中的紅細(xì)胞分類系統(tǒng)，包括：

特征提取模塊，用于利用結(jié)合了注意力機(jī)制的特征金字塔神經(jīng)網(wǎng)絡(luò)，提取標(biāo)注的紅細(xì)胞圖像中與類別相關(guān)的特征，抑制圖像的背景特征；

區(qū)域獲取模塊，用于將提取的與類別相關(guān)的特征進(jìn)行前景目標(biāo)區(qū)域篩選，然后使用池化操作，結(jié)合雙線性內(nèi)插方法進(jìn)行尺寸固定，得到最終感興趣區(qū)域；

分類計(jì)算模塊，用于使用softmax分類器將最終感興趣區(qū)域計(jì)算所得類別的分?jǐn)?shù)進(jìn)行概率轉(zhuǎn)換，最終得到紅細(xì)胞的分類概率得分。