一种强干扰因素下基于深度学习的图像分类识别系统技术方案

本发明专利技术属于医学图像处理技术领域，具体涉及一种强干扰因素下基于深度学习的图像分类识别系统；其中检测统计模块用于采集完整的细胞原图像，并对该细胞原图像进行逐块显示，根据细胞识别模块识别出的细胞类别及个数生成报告；细胞分割模块采用Unet网络细胞轮廓分割模型对观察窗口内显示的图像中细胞进行识别和分割，每处理完一个观察窗口，就将其输入细胞识别模块，直至处理完全部观察窗口；细胞识别模块采用SSD目标检测网络模型对细胞分割模块从观察窗口内识别并分割出的细胞进行定位以及识别；对显微镜下白细胞图像进行分析，辅助临床医生准确高效完成白细胞分类识别统计，提高准确率及判断精度，能够有效降低噪声干扰，提升分类识别效果。

【技术实现步骤摘要】
一种强干扰因素下基于深度学习的图像分类识别系统
本专利技术属于医学图像处理
，具体涉及一种强干扰因素下基于深度学习的图像分类识别系统。
技术介绍
在临床上,白细胞分类识别是血常规检验的一项重要内容。关于如何快速、准确根据形态对白细胞进行分类是一项重要的研究。目前,临床上对白细胞的检验方法是血细胞分析仪和人工镜检,即先用血细胞分析仪对样本进行筛查,如果发现异常样本,则进一步用显微镜肉眼观察,确定最终结果。人工镜检准确度能够达到95％以上。但是人工镜检效率低,分类速度慢,准确度受检验人员经验和状态的影响。随着计算机技术的不断发展,图像处理技术和深度学习技术逐渐应用于细胞识别检测中，但是在数据集采集过程中经常会产生因人为漏检以及血液背景组织产生的干扰，同时因不同类细胞样本数量不均衡导致该强噪声数据训练出的神经网络分类识别效果不理想。
技术实现思路
为了克服上述问题，本专利技术提供一种强干扰因素下基于深度学习的图像目标识别系统，最大克服现有数据噪声、类别不平衡以及漏标现象，结合深度学习建立模型，对显微镜下白细胞图像进行分析，辅助临床医生准确高效完成白细胞分类识别统计，尽快统计血液样本中白细胞类别分布，提高准确率及判断精度，能够有效降低噪声干扰，提升分类识别效果。一种强干扰因素下基于深度学习的图像分类识别系统，包括细胞分割模块、细胞识别模块和检测统计模块；其中检测统计模块用于采集完整的像素为4000×3000的细胞原图像，并以像素为800×800的大小作为观察窗口对该细胞原图像进行逐块显示，并根据细胞识别模块识别出的细胞类别及相应类别的个数生成细胞分类检测报告；细胞分割模块采用Unet网络细胞轮廓分割模型对检测统计模块中观察窗口内显示的细胞图像中的细胞进行识别和分割，同时移除观察窗口中的背景以及没有被识别为细胞的部分，每处理完一个观察窗口内的细胞，就将从该观察窗口内分割出的细胞输入细胞识别模块，直至处理完逐块显示的每个观察窗口内的细胞图像；细胞识别模块采用SSD目标检测网络模型对细胞分割模块从观察窗口内识别并分割出的细胞进行定位以及识别，并将每个细胞的中心点坐标保存作为标识该细胞位置的唯一方式，当细胞识别模块再次接收细胞分割模块从下一个观察窗口内识别并分割出的细胞时，首先计算每个细胞的中心点坐标以判断该细胞是否被定位及识别过，将重复定位和识别过的细胞合并为一个；所述的细胞分割模块采用Unet网络细胞轮廓分割模型，其网络结构是由上采样层和下采样层构成的U型卷积神经网络结构，其中下采样层由五组卷积层组组成，其中：第一卷积层组包括第1、第2这两个卷积层以及一个池化层，每层卷积核个数为64，每个卷积核大小均为3×3，池化层采用最大池化，步长为2；第二卷积层组包括第3、第4这两个卷积层以及一个池化层，每层卷积核个数为128，每个卷积核大小均为3×3，池化层采用最大池化，步长为2；第三卷积层组包括第5、第6这两个卷积层以及一个池化层，每层卷积核个数为256，每个卷积核大小均为3×3，池化层采用最大池化，步长为2，；第四卷积层组包括第7、第8这两个卷积层以及一个池化层，每层卷积核个数为512，每个卷积核大小均为3×3，池化层采用最大池化，步长为2；第五卷积层组包括第9、第10这两个卷积层以及一个池化层，每层卷积核个数为1024，每个卷积核大小均为3×3，池化层采用最大池化，步长为2；上采样层由五个卷积层组组成，其中：第一卷积层组包括一个上采样操作层和两个卷积操作层，上采样操作层的卷积核个数为，每个卷积核大小均为2×2，每个卷积操作层的卷积核个数均为，卷积核大小均为3×3，第二卷积层组包括一个上采样操作层和两个卷积操作层，上采样操作层的卷积核个数为，每个卷积核大小均为2×2，每个卷积操作层的卷积核个数均为，卷积核大小均为3×3，第三卷积层组包括一个上采样操作层和两个卷积操作层，上采样操作层的卷积核个数为，每个卷积核大小均为2×2，每个卷积操作层的卷积核个数均为，卷积核大小均为3×3，第四卷积层组包括一个上采样操作层和两个卷积操作层，上采样操作层的卷积核个数为，每个卷积核大小均为2×2，每个卷积操作层的卷积核个数均为，卷积核大小均为3×3，第五卷积层组包括一个上采样操作层和两个卷积操作层，上采样操作层的卷积核个数为，每个卷积核大小均为2×2，每个卷积操作层的卷积核个数均为，卷积核大小均为3×3。所述细胞分割模块采用的Unet网络细胞轮廓分割模型的训练过程包括以下步骤：步骤一，人工从4000×3000像素的显微镜下细胞切片原图数据集合中切割出1000张800×800像素的细胞切片图像作为训练集，人工标注出训练集中每张细胞切片图像中的所有细胞以及所有细胞的种类，得到标注训练集；步骤二，将标注训练集中每张细胞切片图像中每种细胞的数量进行扩增，得到增强标注训练集，其中每张细胞切片图像中每种细胞数量的扩增倍数为基础数据增强参数e和每张细胞切片图像中该种类细胞加权权重1/r的和，其中r为每张细胞切片图像中该种类细胞的数量占全部细胞数量的比率；步骤三，将步骤二中得到的增强标注训练集输入到Unet网络细胞轮廓分割模型中进行训练，学习标注的各类细胞轮廓特征，去除图片中没有被识别为细胞的部分，识别出增强标注训练集中的全部细胞，将全部细胞分别按照其完整的轮廓分割出来并输出，当构建的Unet网络细胞轮廓分割模型从增强标注训练集中分割出的全部细胞的轮廓平均交并比达到0.92时，就得到训练好的分割模型，其中构建的Unet网络细胞轮廓分割模型从增强标注训练集中分割出来的其中n为构建的Unet网络细胞轮廓分割模型分割出增强标注训练集中细胞的个数，ai指第i个细胞被Unet网络细胞轮廓分割模型预测的细胞边界围成的区域面积和增强标注训练集中人工标注出细胞的真实边界围成的区域面积并集，bi指第i个细胞被Unet网络细胞轮廓分割模型预测的细胞边界围成的区域面积和增强标注训练集中人工标注出细胞的真实边界围成的区域面积交集。所述细胞识别模块采用的SSD目标检测网络模型的训练过程如下：将上述的标注训练集输入到细胞识别模块中的SSD目标检测网络模型中进行训练，输出能够识别各类细胞形态特征信息的参数，再通过模型中的全连接层和softmax层进行分类，输出各个细胞的种类，当构建的SSD目标检测网络模型对标注训练集中标注的细胞分类准确率为95％时，就得到训练好的SSD目标检测网络模型，其中构建的SSD目标检测网络模型对标注训练集中细胞分类准确率＝构建的SSD目标检测网络模型正确分类出标注训练集中全部细胞种类的细胞个数/标注训练集中人工标注出种类的全部细胞个数*100％。所述检测统计模块采集完整的像素为4000×3000的细胞原图像，并以像素为800×800的大小作为观察窗口对该细胞原图像进行逐块显示，具体为：步骤一，将像素为4000×3000的细胞原图像送入检测统计模块，设置观察窗口大小为800×800px；步骤二，每当一本文档来自技高网...

【技术保护点】
1.一种强干扰因素下基于深度学习的图像分类识别系统，其特征在于包括细胞分割模块、细胞识别模块和检测统计模块；其中检测统计模块用于采集完整的像素为4000×3000的细胞原图像，并以像素为800×800的大小作为观察窗口对该细胞原图像进行逐块显示，并根据细胞识别模块识别出的细胞类别及相应类别的个数生成细胞分类检测报告；/n细胞分割模块采用Unet网络细胞轮廓分割模型对检测统计模块中观察窗口内显示的细胞图像中的细胞进行识别和分割，同时移除观察窗口中的背景以及没有被识别为细胞的部分，每处理完一个观察窗口内的细胞，就将从该观察窗口内分割出的细胞输入细胞识别模块，直至处理完逐块显示的每个观察窗口内的细胞图像；/n细胞识别模块采用SSD目标检测网络模型对细胞分割模块从观察窗口内识别并分割出的细胞进行定位以及识别，并将每个细胞的中心点坐标保存作为标识该细胞位置的唯一方式，当细胞识别模块再次接收细胞分割模块从下一个观察窗口内识别并分割出的细胞时，首先计算每个细胞的中心点坐标以判断该细胞是否被定位及识别过，将重复定位和识别过的细胞合并为一个；/n所述的细胞分割模块采用Unet网络细胞轮廓分割模型，其网络结构是由上采样层和下采样层构成的U型卷积神经网络结构，其中下采样层由五组卷积层组组成，其中：/n第一卷积层组包括第1、第2这两个卷积层以及一个池化层，每层卷积核个数为64，每个卷积核大小均为3×3，池化层采用最大池化，步长为2；/n第二卷积层组包括第3、第4这两个卷积层以及一个池化层，每层卷积核个数为128，每个卷积核大小均为3×3，池化层采用最大池化，步长为2；/n第三卷积层组包括第5、第6这两个卷积层以及一个池化层，每层卷积核个数为256，每个卷积核大小均为3×3，池化层采用最大池化，步长为2，；/n第四卷积层组包括第7、第8这两个卷积层以及一个池化层，每层卷积核个数为512，每个卷积核大小均为3×3，池化层采用最大池化，步长为2；/n第五卷积层组包括第9、第10这两个卷积层以及一个池化层，每层卷积核个数为1024，每个卷积核大小均为3×3，池化层采用最大池化，步长为2；/n上采样层由五个卷积层组组成，其中：/n第一卷积层组包括一个上采样操作层和两个卷积操作层，上采样操作层的卷积核个数为，每个卷积核大小均为2×2，每个卷积操作层的卷积核个数均为，卷积核大小均为3×3，/n第二卷积层组包括一个上采样操作层和两个卷积操作层，上采样操作层的卷积核个数为，每个卷积核大小均为2×2，每个卷积操作层的卷积核个数均为，卷积核大小均为3×3，/n第三卷积层组包括一个上采样操作层和两个卷积操作层，上采样操作层的卷积核个数为，每个卷积核大小均为2×2，每个卷积操作层的卷积核个数均为，卷积核大小均为3×3，/n第四卷积层组包括一个上采样操作层和两个卷积操作层，上采样操作层的卷积核个数为，每个卷积核大小均为2×2，每个卷积操作层的卷积核个数均为，卷积核大小均为3×3，/n第五卷积层组包括一个上采样操作层和两个卷积操作层，上采样操作层的卷积核个数为，每个卷积核大小均为2×2，每个卷积操作层的卷积核个数均为，卷积核大小均为3×3。/n...

【技术特征摘要】
1.一种强干扰因素下基于深度学习的图像分类识别系统，其特征在于包括细胞分割模块、细胞识别模块和检测统计模块；其中检测统计模块用于采集完整的像素为4000×3000的细胞原图像，并以像素为800×800的大小作为观察窗口对该细胞原图像进行逐块显示，并根据细胞识别模块识别出的细胞类别及相应类别的个数生成细胞分类检测报告；
细胞分割模块采用Unet网络细胞轮廓分割模型对检测统计模块中观察窗口内显示的细胞图像中的细胞进行识别和分割，同时移除观察窗口中的背景以及没有被识别为细胞的部分，每处理完一个观察窗口内的细胞，就将从该观察窗口内分割出的细胞输入细胞识别模块，直至处理完逐块显示的每个观察窗口内的细胞图像；
细胞识别模块采用SSD目标检测网络模型对细胞分割模块从观察窗口内识别并分割出的细胞进行定位以及识别，并将每个细胞的中心点坐标保存作为标识该细胞位置的唯一方式，当细胞识别模块再次接收细胞分割模块从下一个观察窗口内识别并分割出的细胞时，首先计算每个细胞的中心点坐标以判断该细胞是否被定位及识别过，将重复定位和识别过的细胞合并为一个；
所述的细胞分割模块采用Unet网络细胞轮廓分割模型，其网络结构是由上采样层和下采样层构成的U型卷积神经网络结构，其中下采样层由五组卷积层组组成，其中：
第一卷积层组包括第1、第2这两个卷积层以及一个池化层，每层卷积核个数为64，每个卷积核大小均为3×3，池化层采用最大池化，步长为2；
第二卷积层组包括第3、第4这两个卷积层以及一个池化层，每层卷积核个数为128，每个卷积核大小均为3×3，池化层采用最大池化，步长为2；
第三卷积层组包括第5、第6这两个卷积层以及一个池化层，每层卷积核个数为256，每个卷积核大小均为3×3，池化层采用最大池化，步长为2，；
第四卷积层组包括第7、第8这两个卷积层以及一个池化层，每层卷积核个数为512，每个卷积核大小均为3×3，池化层采用最大池化，步长为2；
第五卷积层组包括第9、第10这两个卷积层以及一个池化层，每层卷积核个数为1024，每个卷积核大小均为3×3，池化层采用最大池化，步长为2；
上采样层由五个卷积层组组成，其中：
第一卷积层组包括一个上采样操作层和两个卷积操作层，上采样操作层的卷积核个数为，每个卷积核大小均为2×2，每个卷积操作层的卷积核个数均为，卷积核大小均为3×3，
第二卷积层组包括一个上采样操作层和两个卷积操作层，上采样操作层的卷积核个数为，每个卷积核大小均为2×2，每个卷积操作层的卷积核个数均为，卷积核大小均为3×3，
第三卷积层组包括一个上采样操作层和两个卷积操作层，上采样操作层的卷积核个数为，每个卷积核大小均为2×2，每个卷积操作层的卷积核个数均为，卷积核大小均为3×3，
第四卷积层组包括一个上采样操作层和两个卷积操作层，上采样操作层的卷积核个数为，每个卷积核大小均为2×2，每个卷积操作层的卷积核个数均为，卷积核大小均为3×3，
第五卷积层组包括一个上采样操作层和两个卷积操作层，上采样操作层的卷积核个数为，每个卷积核大小均为2×2，每个卷积操作层的卷积核个数均为，卷积核大小均为3×3。


2.根据权利要求1所述的一种强干扰因素下基于深度学习的图像分类识别系统，其特征在于所述细胞分割模块采用的Une...

【专利技术属性】
技术研发人员：李玲，王佳文，孔庆阳，梁楫坤，黄玉兰，张海蓉，
申请(专利权)人：吉林大学，
类型：发明
国别省市：吉林;22