【技术实现步骤摘要】
本专利技术涉及图像处理，特别涉及一种小样本的血细胞分类计数方法、设备及介质。
技术介绍
1、血液中细胞的高精度检测与分类计数有利于血液类疾病的体外诊断，而传统的血细胞染色后主要依靠专业医生的人工诊断与分类，这样的诊断方式，不仅效率低，而且诊断结果容易受到人为因素的影响大。因此，迫切需要新的技术来提高血细胞的分类计数与诊断效率与准确度。
2、近年来，随着人工智能的迅速发展，深度学习算法也越来越深入到日常生活的应用，例如医学图像处理、图像修复、分类和自然语言处理等任务都可利用深度学习算法进行处理。以医学图像处理为例，利用深度学习算法可以实现血细胞三分类(包括白细胞、红细胞与血小板)和白细胞五分类(包括嗜酸性细胞、嗜碱性细胞、中性粒细胞、单核细胞及淋巴细胞)。但是，现有的白细胞五分类需要对不同细胞核的图像进行分析，需要大量训练数据，成本较高，例如专利公开号：cn114152557a公开的一种血细胞计数方法，其在进行白细胞五分类和计数时，需要区分5种白细胞在内部细胞核聚集程度、边缘形状、颜色等方面的差异。此外，在将小样本图像用于现有的深度学习算法时，其性能往往会受到较大的限制，导致训练效果不佳。并且，不管是三分类或者是五分类，现有的分类方法都存在着过拟合和欠拟合的问题，造成分类精度不够高，分类效果不佳。
3、因此，有必要开发出一种效果更好的基于小样本的血细胞分类计数方案。
技术实现思路
1、本专利技术的目的在于提供一种小样本的血细胞分类计数方法、设备及介质，解决在将
2、为实现上述目的，本专利技术采用的技术方案如下：
3、一种小样本的血细胞分类计数方法，包括以下步骤：
4、s1、采集小样本的血细胞图像；
5、s2、将血细胞图像用扩散模型训练，生成大量包含有相应特征点且不乏多样性的血细胞图像，然后与采集的血细胞图像合并；
6、s3、对合并的血细胞图像进行数据预处理，再分类标注制作成扩充数据集；
7、s4、将扩充数据集用于目标检测神经网络训练，实现血细胞三分类目标检测与计数；
8、s5、将扩充数据集用于残差分类神经网络训练，并在血细胞三分类目标检测结果基础上，实现白细胞五分类与计数。
9、进一步地，所述步骤s1具体为：分别采集小样本的健康与患病时的血液样本涂片，然后经瑞氏染色后，获取血细胞图像。
10、具体地，所述步骤s2中，所述扩散模型结合了controlnet神经网络对其进行微调，其超参数的设置为：时间步长为一千步。
11、具体地，所述步骤s4中的目标检测神经网络为yolov3，其包括darknet-53网络结构、特征层融合结构以及检测头y1、检测头y2、检测头y3，该目标检测神经网络的训练过程如下：
12、(a)将血细胞图像输入到darknet-53网络结构并经过一系列卷积以及残差网络分别得到原图1/8、1/16、1/32倍数的三个特征图，完成特征提取；
13、(b)利用特征层融合结构将三个特征图进行特征融合；
14、(c)利用检测头y1、检测头y2、检测头y3，对三个特征图进行血细胞三分类目标检测，得到血细胞三分类目标检测结果；
15、(d)在目标检测结果中加入count，实现对不同类别的计数。
16、或者，目标检测神经网络为faster rcnn或ssd。
17、具体地，所述步骤s3中，数据预处理包括以下步骤：
18、(1)采用双线性插值法，利用原图像中的四个点计算新图像中的一个点，生成分辨率更高的血细胞图像；
19、(2)采用频率域法，对血细胞图像进行基于二维傅立叶变换的信号变化后去除图像中的噪声，实现血细胞图像的图像增强。
20、再进一步地，所述步骤(b)中，在特征融合前，先进行下采样操作使特征图大小一致，所述下采样操作是不采用最大池化而是卷积的操作。
21、具体地，所述步骤s5中的残差分类神经网络的权重为18层，其在训练时，首先利用扩充数据集训练一个teacher模型，然后再利用已训练好的teacher模型引导student模型训练，得到白细胞五分类结果，实现白细胞计数。
22、本专利技术还提供了实现上述方法的计算机设备，包括：
23、数据采集模块，用于采集人体血液样本并获取血细胞图像；
24、数据集制作模块，用于将采集的血细胞图像制作成扩充数据集；
25、三分类计数模块，用于根据扩充数据集实现血细胞三分类与计数；
26、五分类计数模块，用于根据扩充数据集和血细胞三分类检测结果，实现白细胞五分类与计数。
27、另外，本专利技术还进一步提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机指令，当计算机指令在计算机设备上运行时使得计算机设备执行上述小样本的血细胞分类计数方法。
28、与现有技术相比，本专利技术具有以下有益效果：
29、(1)本专利技术利用扩散模型生成大量数据，该扩散模型引入了controlnet神经网络对其进行微调，不仅能够根据提示和控制来生成高质量的血细胞图像，而且可以在特定任务中进行微调以提升性能。基于该特点，在与采集的血细胞图像合并后，本专利技术生成了与原始数据相似度较大的扩充数据集，既具备了与原始数据相似特征的样本数据，也保持了差异化，不仅获得了更加逼真的数据，而且增加了数据集的多样性，为后续分类与计数提供了可靠的保障。
30、(2)本专利技术中的数据预处理采用了几何变换与图像增强的方式相结合，不仅可以生成分辨率更高的血细胞图像，而且增强了有关信息的可检测性，有效提高了特征提取和图像识别的可靠性。
31、(3)本专利技术将生成的扩充数据集应用于血细胞目标检测以及分类计数，较好地避免了在小样本的训练中容易出现过拟合和欠拟合的问题，具体来说，本专利技术将扩充数据集用于训练目标检测神经网络，对不同数据集情况下的血细胞三分类目标检测与计数结果进行比较，可得到采集样本较小且结果较好的最佳情况；而将扩充数据集用于训练残差分类神经网络，对不同数据集情况下的白细胞五分类与计数结果进行比较，则可以得到采集样本较小且结果较好的最佳情况。如此一来，本专利技术将扩充数据集应用于目标检测神经网络与残差分类神经网络，综合实现了血细胞的三分类和白细胞的五分类，有效解决了小样本情况下传统图像分类模型的分类效果不佳的问题，能更好地为基于白细胞、血小板、红细胞数量的多少初步诊断身体健康状况提供参考依据。
32、(4)对于残差分类神经网络的训练，本专利技术采用了知识蒸馏的方式，将已训练好的teacher模型预测的soft-target来辅助训练残差分类神经网络，通过这种方式训练时梯度的方差会更小，可以使用更大的学习率，对数据集的需要量也更小，同时增强了训练后残差分类神经网络的泛化能力，更好地提高了白本文档来自技高网...
【技术保护点】
1.一种小样本的血细胞分类计数方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种小样本的血细胞分类计数方法，其特征在于，所述步骤S1具体为：分别采集小样本的健康与患病时的血液样本涂片，然后经瑞氏染色后，获取血细胞图像。
3.根据权利要求2所述的一种小样本的血细胞分类计数方法，其特征在于，所述步骤S2中，所述扩散模型结合了ControlNet神经网络对其进行微调，其超参数的设置为：时间步长为一千步。
4.根据权利要求3所述的一种小样本的血细胞分类计数方法，其特征在于，所述步骤S4中的目标检测神经网络为YOLOv3，其包括Darknet-53网络结构、特征层融合结构以及检测头Y1、检测头Y2、检测头Y3，该目标检测神经网络的训练过程如下：
5.根据权利要求3所述的一种小样本的血细胞分类计数方法，其特征在于，所述步骤S4中的目标检测神经网络为Faster RCNN或SSD。
6.根据权利要求4或5所述的一种小样本的血细胞分类计数方法，其特征在于，所述步骤S3中，数据预处理包括以下步骤：
7.根据权利要求
8.根据权利要求6所述的一种小样本的血细胞分类计数方法，其特征在于，所述步骤S5中的残差分类神经网络的权重为18层，其在训练时，首先利用扩充数据集训练一个Teacher模型，然后再利用已训练好的Teacher模型引导Student模型训练，得到白细胞五分类结果，实现白细胞计数。
9.一种实现权利要求1～8任一项所述的方法的计算机设备，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质存储有计算机指令，当计算机指令在计算机设备上运行时使得计算机设备执行权利要求1～8任一项所述的方法。
...【技术特征摘要】
1.一种小样本的血细胞分类计数方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种小样本的血细胞分类计数方法，其特征在于，所述步骤s1具体为：分别采集小样本的健康与患病时的血液样本涂片，然后经瑞氏染色后，获取血细胞图像。
3.根据权利要求2所述的一种小样本的血细胞分类计数方法，其特征在于，所述步骤s2中，所述扩散模型结合了controlnet神经网络对其进行微调，其超参数的设置为：时间步长为一千步。
4.根据权利要求3所述的一种小样本的血细胞分类计数方法，其特征在于，所述步骤s4中的目标检测神经网络为yolov3，其包括darknet-53网络结构、特征层融合结构以及检测头y1、检测头y2、检测头y3，该目标检测神经网络的训练过程如下：
5.根据权利要求3所述的一种小样本的血细胞分类计数方法，其特征在于，所述步骤s4中的目标检测神经网络为faster rcnn或ssd。
6.根...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。