[發明專利]基于混合注意力殘差網絡實現白細胞自動分類方法及系統

在審

• 申請號: 202110571942.5
• 申請日: 2021-05-25
• 公開（公告）號: CN113343799A
• 公開（公告）日: 2021-09-03
• 發明（設計）人: 李登旺;劉聰;盧志明;黃浦;姜澤坤;張健;王晶;沈亞娟;吳上上;宋衛清
• 申請（專利權）人: 山東師范大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 祖之強

本發明提供了一種基于混合注意力殘差網絡實現白細胞自動分類方法及系統，該方法包括：步驟(1)：獲取原始白細胞圖像，并進行預處理；步驟(2)：將預處理后的白細胞圖像輸入改進的殘差網絡模型中進行訓練，得到的改進的殘差網絡模型滿足白細胞類型判斷準確率的要求。

技術領域

本發明屬于醫學圖像分析領域，尤其涉及一種基于混合注意力殘差網絡實現白細胞自動分類方法及系統。

背景技術

本部分的陳述僅僅是提供了與本發明相關的背景技術信息，不必然構成在先技術。

白細胞在維持身體免疫力和摧毀入侵的細菌和病原體方面至關重要。一般來說，白細胞可分為顆粒細胞:中性粒細胞(中性粒細胞進一步細分為分葉中性粒細胞和桿狀中性粒細胞)、嗜酸性粒細胞、嗜堿性粒細胞和無顆粒細胞：單核細胞和淋巴細胞。準確識別不同類型的白細胞對某些疾病的輔助診斷具有重要意義。當白細胞中某些類型細胞數量超過正常范圍時，往往預示著某些疾病的發生。例如，白細胞中淋巴細胞數量突然下降是新冠肺炎常見的癥狀。因此，淋巴細胞的突然減少已成為嚴重新冠肺炎病患者的臨床預警指標之一。白細胞圖像分析在指導治療中起著非常重要的作用，白細胞的正確分類是細胞圖像自動分析過程中的關鍵步驟。然而，白細胞的人工分類效率低，容易出錯，耗費人力。因此，許多工作旨在設計白細胞分類的計算機輔助方法。

卷積神經網絡已應用于各種醫學圖像處理任務，并展現出令人滿意的性能。然而，大多數深度學習方法在執行卷積運算時無法充分利用關鍵特征和重要信息，這在很大程度上限制了神經網絡的性能。最近，一些工作利用注意力機制來提高計算機視覺任務的性能，例如圖像分類，目標檢測，和圖像分割。神經網絡中的注意機制可分為三種類型，如通道注意，空間注意，混合注意。通道注意力機制致力于通過關注通道之間的關系來關注更多的區別性信息，而空間注意力在提取更有意義信息方面具有優勢，因為它關注不同的空間位置。為了同時提取更有意義的信息和更有區別的信息，混合注意力結合了網絡中不同的注意力機制，與卷積神經網絡相比，注意力模型可以取得可觀的性能。

基于以上考慮，本項工作設計了一種用于白細胞分類的深度學習模型——混合注意力殘差網絡，實現人體外周血六種白細胞的自動分類。

發明內容

為了解決上述背景技術中存在的技術問題，本發明提供一種基于混合注意力殘差網絡實現白細胞自動分類方法及系統，其通過將圖像處理技術、深度學習技術和注意力機制技術相結合，突出更多的可區別特征并強調有意義的特征來解決上述問題，達到了白細胞自動高效分類的目的。

為了實現上述目的，本發明采用如下技術方案：

本發明的第一個方面提供一種基于混合注意力殘差網絡實現白細胞自動分類方法。

基于混合注意力殘差網絡實現白細胞自動分類方法，包括：

步驟(1)：獲取原始白細胞圖像，并進行預處理；

步驟(2)：將預處理后的白細胞圖像輸入改進的殘差網絡模型中進行訓練，得到的改進的殘差網絡模型滿足白細胞類型判斷準確率的要求。

本發明的第二個方面提供一種基于混合注意力殘差網絡實現白細胞自動分類系統。

基于混合注意力殘差網絡實現白細胞自動分類系統，包括：

預處理模塊，其被配置為：獲取原始白細胞圖像，并進行預處理；

模型構建模塊，其被配置為：將預處理后的白細胞圖像輸入改進的殘差網絡模型中進行訓練，得到的改進的殘差網絡模型滿足白細胞類型判斷準確率的要求。

本發明的第三個方面提供一種計算機可讀存儲介質。

一種計算機可讀存儲介質，其上存儲有計算機程序，該程序被處理器執行時實現如上述第一方面所述的基于混合注意力殘差網絡實現白細胞自動分類方法中的步驟。