一种基于人工智能的细胞类型识别方法及系统技术方案

本发明专利技术公开了一种基于人工智能的细胞类型识别方法及系统，方法包括构建细胞类型识别模型，所述细胞类型识别模型的输入端为细胞图像，所述细胞类型识别模型的输出端为细胞类型识别结果，获取待识别的细胞图像，将所述待识别的细胞图像作为所述细胞类型识别模型的输入，所述细胞类型识别模型输出该细胞图像对应的细胞类型；通过构建细胞类型识别模型，能够实现智能识别细胞类型的效果，不需要人工参与，提高了识别的准确率和效率，从而解决现有技术所存在的费时费力且准确性和一致性不高的缺陷。的缺陷。的缺陷。

【技术实现步骤摘要】
一种基于人工智能的细胞类型识别方法及系统


[0001]本专利技术涉及细胞类型识别
，尤其涉及一种基于人工智能的细胞类型识别方法及系统。

技术介绍

[0002]血液中各类细胞的数量和形态能够为医生诊断提供非常有价值的信息，例如在判断一些严重的疾病(如白血病等)时，血液中的某些特定的细胞的数量会出现明显的区别，因此，通过对血液中各类细胞进行类型识别具有很好的医学诊断价值，然而，现有的血液细胞类型方法是在显微镜下用肉眼去判断各类细胞的数量和类型，这样的方法不仅费时费力，工作量十分繁重，并且需要具有相当医学知识的专业人员，这就进一步加重了每个工作人员的工作量，另外，在识别的过程中，不同的工作人员会有一定的判断差异。

技术实现思路

[0003]有鉴于此，本专利技术提出一种基于人工智能的细胞类型识别方法及系统，可以解决现有血液细胞类型方法所存在的费时费力且准确性和一致性不高的缺陷。
[0004]本专利技术的技术方案是这样实现的：
[0005]一种基于人工智能的细胞类型识别方法，具体包括以下步骤：
[0006]构建细胞类型识别模型，所述细胞类型识别模型的输入端为细胞图像，所述细胞类型识别模型的输出端为细胞类型识别结果；
[0007]获取待识别的细胞图像；
[0008]将所述待识别的细胞图像作为所述细胞类型识别模型的输入；
[0009]所述细胞类型识别模型输出该细胞图像对应的细胞类型。
[0010]作为所述基于人工智能的细胞类型识别方法的进一步可选方案，所述构建细胞类型识别模型包括训练阶段和测试阶段。
[0011]作为所述基于人工智能的细胞类型识别方法的进一步可选方案，所述训练阶段包括：
[0012]采集细胞图像作为训练样本；
[0013]对所述训练样本进行预处理；
[0014]将预处理后的训练样本输入深度神经网络模型中进行训练，得到细胞类型识别模型。
[0015]作为所述基于人工智能的细胞类型识别方法的进一步可选方案，所述对训练样本进行预处理，具体包括以下步骤：
[0016]对训练样本进行标注处理，得到标注后的训练样本；
[0017]对标注后的训练样本进行清洗处理，从而实现训练样本的预处理。
[0018]作为所述基于人工智能的细胞类型识别方法的进一步可选方案，所述测试阶段包括：
[0019]采集细胞图像作为测试样本；
[0020]加载训练好的细胞类型识别模型；
[0021]将测试样本输入所述训练好的细胞类型识别模型，训练好的细胞类型识别模型输出对应的细胞类型。
[0022]作为所述基于人工智能的细胞类型识别方法的进一步可选方案，所述深度神经网络模型包括Faster
‑
RCNN深度神经网络模型、SSD深度神经网络模型和Yolo深度神经网络模型中的任意一种深度神经网络模型。
[0023]一种基于人工智能的细胞类型识别系统，所述系统包括：
[0024]构建模块，用于构建细胞类型识别模型；
[0025]获取模块，用于获取待识别的细胞图像；
[0026]输入模块，用于将所述待识别的细胞图像作为所述细胞类型识别模型的输入；
[0027]输出模块，用于所述细胞类型识别模型输出该细胞图像对应的细胞类型。
[0028]作为所述基于人工智能的细胞类型识别系统，所述构建模块包括训练模块和优化模块，所述训练模块包括：
[0029]第一采集模块，用于采集细胞图像作为训练样本；
[0030]预处理模块，用于对所述训练样本进行预处理；
[0031]深度神经网络模型，用于将预处理后的训练样本输入深度神经网络模型中进行训练，得到细胞类型识别模型。
[0032]作为所述基于人工智能的细胞类型识别系统，所述预处理模块包括：
[0033]标注模块，用于对训练样本进行标注处理，得到标注后的训练样本；
[0034]清洗模块，用于对标注后的训练样本进行清洗处理。
[0035]作为所述基于人工智能的细胞类型识别系统，所述优化模块包括：
[0036]第二采集模块，用于采集细胞图像作为测试样本；
[0037]加载模块，用于加载训练好的细胞类型识别模型；
[0038]测试模块，用于将测试样本输入所述训练好的细胞类型识别模型，训练好的细胞类型识别模型输出对应的细胞类型。
[0039]本专利技术的有益效果是：通过构建细胞类型识别模型，能够实现智能识别细胞类型的效果，不需要人工参与，提高了识别的准确率和效率，从而解决现有技术所存在的费时费力且准确性和一致性不高的缺陷。
附图说明
[0040]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0041]图1为本专利技术一种基于人工智能的细胞类型识别方法的流程示意图；
[0042]图2为本专利技术一种基于人工智能的细胞类型识别系统的组成示意图。
具体实施方式
[0043]下面将对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。
[0044]参考图1
‑
2，一种基于人工智能的细胞类型识别方法，具体包括以下步骤：
[0045]构建细胞类型识别模型，所述细胞类型识别模型的输入端为细胞图像，所述细胞类型识别模型的输出端为细胞类型识别结果；
[0046]获取待识别的细胞图像；
[0047]将所述待识别的细胞图像作为所述细胞类型识别模型的输入；
[0048]所述细胞类型识别模型输出该细胞图像对应的细胞类型。
[0049]在本实施例中，通过构建细胞类型识别模型，能够实现智能识别细胞类型的效果，不需要人工参与，提高了识别的准确率和效率，从而解决现有技术所存在的费时费力且准确性和一致性不高的缺陷。
[0050]需要说明的是，所述细胞类型包括但不限于中性杆状核粒细胞、中性分叶粒细胞、嗜碱分叶粒细胞、嗜酸分叶粒细胞、成熟单核细胞和成熟淋巴细胞，这里不做具体限定。
[0051]优选的，所述构建细胞类型识别模型包括训练阶段和测试阶段。
[0052]优选的，所述训练阶段包括：
[0053]采集细胞图像作为训练样本；
[0054]对所述训练样本进行预处理；
[0055]将预处理后的训练样本输入深度神经网络模型中进行训练，得到细胞类型识别模型。
[0056]在本实施例中，通过采集大量的细胞图像作为训练样本，并输入至深度神经网络模型中进行训练，能够提高细胞类型识别本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的细胞类型识别方法，其特征在于，具体包括以下步骤：构建细胞类型识别模型，所述细胞类型识别模型的输入端为细胞图像，所述细胞类型识别模型的输出端为细胞类型识别结果；获取待识别的细胞图像；将所述待识别的细胞图像作为所述细胞类型识别模型的输入；所述细胞类型识别模型输出该细胞图像对应的细胞类型。2.根据权利要求1所述的一种基于人工智能的细胞类型识别方法，其特征在于，所述构建细胞类型识别模型包括训练阶段和测试阶段。3.根据权利要求2所述的一种基于人工智能的细胞类型识别方法，其特征在于，所述训练阶段包括：采集细胞图像作为训练样本；对所述训练样本进行预处理；将预处理后的训练样本输入深度神经网络模型中进行训练，得到细胞类型识别模型。4.根据权利要求3所述的一种基于人工智能的细胞类型识别方法，其特征在于，所述对训练样本进行预处理，具体包括以下步骤：对训练样本进行标注处理，得到标注后的训练样本；对标注后的训练样本进行清洗处理，从而实现训练样本的预处理。5.根据权利要求4所述的一种基于人工智能的细胞类型识别方法，其特征在于，所述测试阶段包括：采集细胞图像作为测试样本；加载训练好的细胞类型识别模型；将测试样本输入所述训练好的细胞类型识别模型，训练好的细胞类型识别模型输出对应的细胞类型。6.根据权利要求5所述的一种基于人工智能的细胞类型识别方法，其特征在于，所述深度神经网络模型包括Faster

【专利技术属性】
技术研发人员：谢志红，丁云峰，叶韶生，钟伟彬，潘旭东，
申请(专利权)人：广州尚融网络科技有限公司，
类型：发明
国别省市：