基于深度学习的白细胞分类系统及方法技术方案

本发明专利技术提供一种基于深度学习的白细胞分类系统及方法，属于计算机视觉技术领域，包括：提取模块利用特征提取器和区域提议网络RPN在全局特征层上提取不同尺度下的图像信息，生成目标建议框；微调模块将提取的目标建议框的全局特征层结合特征共享机制生成局部特征层，并利用边界回归网络BRN不断微调目标建议框，直到和解码后的真实值接近；预测模块利用非极大抑制NMS从边界回归后的目标建议框中筛选位置预测，实现白细胞分类。本发明专利技术使用两级目标检测器自动检测并分类显微镜白细胞图像，将BNE和SNE更细致的区分，实现了外周血中白细胞六分类，并达到了97.12％的平均检测精度(mAP)。并达到了97.12％的平均检测精度(mAP)。并达到了97.12％的平均检测精度(mAP)。

【技术实现步骤摘要】
biomedicine,2018,162:243
‑
252。Qin等人在10万个40类标记白细胞上利用有监督学习模式，提出了具有鲁棒性的残差卷积拓扑结构，Top
‑
1准确度高达77.8％。Rehman A,Abbas N,Saba T,et al.Classification of acute lymphoblastic leukemia using deep learning[J].Microscopy Research and Technique,2018,81(11):1310
‑
1317。Rehman等人使用AlexNet充分提取CNN特征实现了从白细胞中识别出感染急性淋巴白血病的细胞并获得了较高精确度。然而，由于中性分叶状白细胞(SNE)和中性杆状白细胞(BNE)两者在染色质纹理和细胞形态方面完全相同，过去很少有工作把两类进一步区分。
[0007]综上，在小目标细粒度白细胞显微图像识别中，目前，医院中医生人工分类和识别法不仅过于繁琐、耗时，流程难以标准化，而且检测精度受医生个体内部主观性较大，缺乏一定的科学性和系统本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的白细胞分类系统，其特征在于，包括：提取模块，用于利用特征提取器和区域提议网络RPN在全局特征层上提取不同尺度下的图像信息，生成目标建议框；微调模块，用于将提取的目标建议框的全局特征层结合特征共享机制生成局部特征层，并利用边界回归网络BRN不断微调目标建议框，直到和解码后的真实值接近；预测模块，用于利用非极大抑制NMS从边界回归后的目标建议框中筛选位置预测，实现白细胞分类。2.根据权利要求1所述的基于深度学习的白细胞分类系统，其特征在于，提取模块中，选择残差网络作为特征提取器，通过残差处理提取全局特征层；全局特征层通过滑动窗口作用在特征层上生成不同比例的感兴趣区域，然后分为两个分支分别进行卷积得到多个初始建议框和对初始建议框进行修正，最终得到目标建议框。3.根据权利要求2所述的基于深度学习的白细胞分类系统，其特征在于，微调模块中，将全局特征层和目标建议框一起输入感兴趣区域池化层，获得不同维度的局部特征层。4.根据权利要求3所述的基于深度学习的白细胞分类系统，其特征在于，将局部特征层归一化和展平后，再连接两个全连接层，分为两个并行的分支，其中一个分支经过回归网络获取目标建议框的调整参数，并不断进行微调，得到预测值和真实值交并比IoU值，其最大值处就是最终的预测框位置参量；另一个分支对目标建议框内白细胞进行分类。5.根据权利要求4所述的基于深度学习的白细胞分类系统，其特征在于，选择ResNet
‑
...

【专利技术属性】
技术研发人员：李登旺，吴上上，黄浦，宋卫清，刘聪，左玉伟，姜泽坤，卢志明，王晶，张健，沈亚娟，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：