白细胞检测识别方法、装置、计算机存储介质及电子设备制造方法及图纸

本发明专利技术公开了一种白细胞检测识别方法、装置、计算机存储介质及电子设备，属于血细胞检测领域。本发明专利技术首先对大量血液玻片进行全视野摄影，建立玻片扫描图像组。从玻片扫描图像组中分别为图像复原模型、图像分割和多任务分类模型准备训练数据集和验证数据集。使用深度学习和卷积神经网络技术进行模型训练，通过不断地参数调优和误差分析优化模型，得到最终的图像复原模型、图像分割和多任务分类模型。在应用过程中，待检测血液玻片同样进行全视野摄影，建立玻片扫描图像。通过图像复原模型获得复原后的清晰玻片扫描图像，经过图像分割和多任务分类模型，得到白细胞的位置和类别。本发明专利技术能够快速、全面、准确、客观的实现白细胞检测识别。识别。识别。

【技术实现步骤摘要】
白细胞检测识别方法、装置、计算机存储介质及电子设备


[0001]本专利技术涉及血细胞检测领域，特别是指一种白细胞检测识别方法、装置、计算机存储介质及电子设备。

技术介绍

[0002]血液细胞大致分为三类：红细胞、白细胞和血小板，其中白细胞又包括多种亚型。在生物学分析领域，尤其是临床检验分析领域，针对不同亚型白细胞进行准确的检测识别对于诊断和研究有着非常重要的作用，而各个亚型白细胞含量的变化在临床上被用作诊断和治疗的重要指标。
[0003]目前医院血液检验流程是：血液样品——血液分析仪——推染片机——人工镜检，整个流程耗时60分钟。对患者进行人工抽血得到血液样品；通过血液分析仪得到各种血细胞计数、白细胞分类和血红蛋白含量；通过推染片机进行染色标记，得到用于人工镜检的玻片；最终由专业医生进行人工镜检后得到人工分析的血细胞形态分析结果。
[0004]目前，白细胞检测识别、分类计数方法通常可分为目测计数法和自动计数法两种。自动计数法通常采用血液分析仪进行白细胞的分类计数，血液分析仪通常采用物理和细胞化学等技术进行细胞分类计数，自动化程度较高，但是准确度不高。因此，目测计数法仍然是诊断很多疾病和进行仪器性能评估的必要操作。
[0005]但是，人工显微镜镜检操作不但操作耗时，不适用于大批量标本的筛查；而且由于细胞形态学检验工作者的经验情况以及工作数量等情况的影响，会导致判断结果的客观性不足，由此产生的假阴性结果可能会使患者错过治疗的时机，甚至出现误诊现象。
[0006]因此，现有的白细胞检测识别方法存在如下问题：(1)显微镜下人工对白细胞计数效率低下，且操作繁琐枯燥；(2)人工技术统计结果准确率低，易受主观经验和人为因素干扰。

技术实现思路

[0007]为解决现有技术中的问题，本专利技术提供一种白细胞检测识别方法、装置、计算机存储介质及电子设备，快速、全面、准确、客观的实现白细胞检测识别。
[0008]本专利技术提供技术方案如下：第一方面，本专利技术提供一种白细胞检测识别方法，所述方法包括：对若干个血液玻片样本进行全视野摄影，得到多幅血液玻片单视野图像样本；基于所述多幅血液玻片单视野图像样本，获得第一训练集和第一验证集，基于所述第一训练集和第一验证集训练构建的图像复原模型；在多幅血液玻片单视野图像样本中选取白细胞分布均匀的多幅血液玻片单视野图像样本，并在选取的血液玻片单视野图像样本上标注出白细胞的位置和类别，获得第二训练集和第二验证集，基于所述第二训练集和第二验证集训练构建的图像分割和多任务分类模型；
其中，所述图像分割和多任务分类模型包括先后进行的编码器和解码器，所述编码器包括先后进行的多个多头自注意力层，编码器的每个多头自注意力层均包括多个单头自注意力层，编码器的多头自注意力层包含相邻特征融合操作；所述解码器包括先后进行的多个多头自注意力层，所述解码器的每个多头自注意力层均包括多个单头自注意力层，解码器的每个单头自注意力层均包括一个可学习的查询向量；对待测血液玻片进行全视野摄影，得到多幅血液玻片单视野图像，根据所述多幅血液玻片单视野图像合成为血液玻片全视野图像；将所述血液玻片全视野图像输入所述图像复原模型进行复原，将复原后的血液玻片全视野图像输入图像分割和多任务分类模型，得到白细胞的位置和类别。
[0009]进一步的，所述对若干个血液玻片样本进行全视野摄影，得到多幅血液玻片单视野图像样本，包括：对于每个单视野，将显微镜在焦距方向上匀速运动，在匀速运动过程中多次拍照；对于每个单视野，将多次拍照得到的低质量血液玻片单视野图像样本保存在集合A中，高质量血液玻片单视野图像样本保存在集合B中，并且将每个单视野的低质量血液玻片单视野图像样本和高质量血液玻片单视野图像样本进行对应。
[0010]进一步的，所述基于所述多幅血液玻片单视野图像样本，获得第一训练集和第一验证集，包括：对集合B中的高质量血液玻片单视野图像样本进行校准和标注，使得集合B中保存的均为每个单视野的最高质量的血液玻片单视野图像样本；从集合A和集合B中随机抽取其中1/10作为第一验证集，其他作为第一训练集。
[0011]进一步的，所述在多幅血液玻片单视野图像样本中选取白细胞分布均匀的多幅血液玻片单视野图像样本，并在选取的血液玻片单视野图像样本上标注出白细胞的位置和类别，获得第二训练集和第二验证集，包括：将血液玻片单视野图像样本进行二值化，并进行边缘检测，判断白细胞分布是否均匀，选取出白细胞分布均匀的血液玻片单视野图像样本；在白细胞分布均匀的血液玻片单视野图像样本上标注出白细胞的位置和类别；当标注量达到训练要求后，随机抽取其中1/10作为第二验证集，其他作为第二训练集。
[0012]进一步的，所述对待测血液玻片进行全视野摄影，得到多幅血液玻片单视野图像，根据所述多幅血液玻片单视野图像合成为血液玻片全视野图像，包括：使用玻片扫描仪或医用显微镜照相系统进行全视野摄影，得到多幅血液玻片单视野图像；其中，当使用医用显微镜照相系统时，对于每个单视野，将显微镜在焦距方向上匀速运动，在匀速运动过程中多次拍照，得到多幅血液玻片单视野图像；利用特征比对和模式匹配来识别机械误差和拍照误差，将相邻的血液玻片单视野图像配准并拼接，得到血液玻片全视野图像；或者基于运动补偿的加权合成算法将多幅血液玻片单视野图像合成为一幅血液玻片全视野图像。
[0013]进一步的，所述将复原后的血液玻片全视野图像输入图像分割和多任务分类模型，得到白细胞的位置和类别，包括：
将所述复原后的血液玻片全视野图像和位置编码作为编码器的第一个多头自注意力层的输入，进行多头自注意力计算，得到第一个多头自注意力层的输出特征，将该多头自注意力层的输出特征作为编码器的第二个多头自注意力层的输入，在第二个多头自注意力层进行相邻特征融合，得到分辨率为输入的二分之一的新的特征图，对所述新的特征图进行多头自注意力计算，得到第二个多头自注意力层的输出特征，作为编码器的第三个多头自注意力层的输入，以此类推，得到特征编码；将所述特征编码输入解码器，将特征编码和训练得到的特征编码的位置编码以及待检测目标的查询向量作为解码器的多头自注意力层的输入，进行多头自注意力计算，得到特征编码与查询向量的相关性，根据该相关性得到查询向量用来解码的特征，将所述用来解码的特征经过全连接层，得到白细胞的位置和类别。
[0014]其中，多头自注意力计算过程包括：将多头自注意力层的多个单头自注意力层分别进行单头自注意力计算，得到多个单头自注意力特征；对所述多个单头自注意力特征进行组合操作，得到多头自注意力特征；对所述多头自注意力特征通过全连接层进行映射，将映射结果与所述多头自注意力特征进行加操作，得到所述该多头自注意力层的输出特征；所述单头自注意力计算过程包括：将多头自注意力层的输入划分为若干子块；将每个子块均分别乘以训练得到的权重矩阵W
Q
、W
K
、W
V
，得到每个子块的查询矩阵Q、关键字矩阵K和值矩阵V；对每个子块，计算该子块与其他子块的相关性 p<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种白细胞检测识别方法，其特征在于，所述方法包括：对若干个血液玻片样本进行全视野摄影，得到多幅血液玻片单视野图像样本；基于所述多幅血液玻片单视野图像样本，获得第一训练集和第一验证集，基于所述第一训练集和第一验证集训练构建的图像复原模型；在多幅血液玻片单视野图像样本中选取白细胞分布均匀的多幅血液玻片单视野图像样本，并在选取的血液玻片单视野图像样本上标注出白细胞的位置和类别，获得第二训练集和第二验证集，基于所述第二训练集和第二验证集训练构建的图像分割和多任务分类模型；其中，所述图像分割和多任务分类模型包括先后进行的编码器和解码器，所述编码器包括先后进行的多个多头自注意力层，编码器的每个多头自注意力层均包括多个单头自注意力层，编码器的多头自注意力层包含相邻特征融合操作；所述解码器包括先后进行的多个多头自注意力层，所述解码器的每个多头自注意力层均包括多个单头自注意力层，解码器的每个单头自注意力层均包括一个可学习的查询向量；对待测血液玻片进行全视野摄影，得到多幅血液玻片单视野图像，根据所述多幅血液玻片单视野图像合成为血液玻片全视野图像；将所述血液玻片全视野图像输入所述图像复原模型进行复原，将复原后的血液玻片全视野图像输入图像分割和多任务分类模型，得到白细胞的位置和类别。2.根据权利要求1所述的白细胞检测识别方法，其特征在于，所述对若干个血液玻片样本进行全视野摄影，得到多幅血液玻片单视野图像样本，包括：对于每个单视野，将显微镜在焦距方向上匀速运动，在匀速运动过程中多次拍照；对于每个单视野，将多次拍照得到的低质量血液玻片单视野图像样本保存在集合A中，高质量血液玻片单视野图像样本保存在集合B中，并且将每个单视野的低质量血液玻片单视野图像样本和高质量血液玻片单视野图像样本进行对应。3.根据权利要求2所述的白细胞检测识别方法，其特征在于，所述基于所述多幅血液玻片单视野图像样本，获得第一训练集和第一验证集，包括：对集合B中的高质量血液玻片单视野图像样本进行校准和标注，使得集合B中保存的均为每个单视野的最高质量的血液玻片单视野图像样本；从集合A和集合B中随机抽取其中1/10作为第一验证集，其他作为第一训练集。4.根据权利要求3所述的白细胞检测识别方法，其特征在于，所述在多幅血液玻片单视野图像样本中选取白细胞分布均匀的多幅血液玻片单视野图像样本，并在选取的血液玻片单视野图像样本上标注出白细胞的位置和类别，获得第二训练集和第二验证集，包括：将血液玻片单视野图像样本进行二值化，并进行边缘检测，判断白细胞分布是否均匀，选取出白细胞分布均匀的血液玻片单视野图像样本；在白细胞分布均匀的血液玻片单视野图像样本上标注出白细胞的位置和类别；当标注量达到训练要求后，随机抽取其中1/10作为第二验证集，其他作为第二训练集。5.根据权利要求4所述的白细胞检测识别方法，其特征在于，所述对待测血液玻片进行全视野摄影，得到多幅血液玻片单视野图像，根据所述多幅血液玻片单视野图像合成为血液玻片全视野图像，包括：使用玻片扫描仪或医用显微镜照相系统进行全视野摄影，得到多幅血液玻片单视野图
像；其中，当使用医用显微镜照相系统时，对于每个单视野，将显微镜在焦距方向上匀速运动，在匀速运动过程中多次拍照，得到多幅血液玻片单视野图像；利用特征比对和模式匹配来识别机械误差和拍照误差，将相邻的血液玻片单视野图像配准并拼接，得到血液玻片全视野图像；或者基于运动补偿的加权合成算法将多幅血液玻片单视野图像合成为一幅血液玻片全视野图像。6.根据权利要求1
‑
5任一所述的白细胞检测识别方法，其特征在于，所述将复原后的血液玻片全视野图像输入图像分割和多任务分类模型，得到白细胞的位置和类别，包括：将所述复原后的血液玻片全视野图像和位置编码作为编码器的第一个多头自注意力层的输入，进行多头自注意力计算，得到第一个多头自注意力层的输出特征，将该多头自注意力层的输出特征作为编码器的第二个多头自注意力层的...

【专利技术属性】
技术研发人员：连荷清，李柏蕤，方喆君，
申请(专利权)人：北京小蝇科技有限责任公司，
类型：发明
国别省市：