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...

【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