System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及图像识别,尤其涉及一种基于深度学习的外周血图像识别方法、系统、终端及计算机可读存储介质。
技术介绍
1、传染性单核细胞增多症(简称,传单)是由epstein-barr病毒(简称,eb病毒)所致的急性自限性传染病。临床诊断依据为:满足任意3项临床表现及任一项非特异性实验室检查。其中,临床表现包括发热、咽峡炎、颈淋巴结肿大、肝脏肿大、脾脏肿大和眼睑水肿;非特异性实验室检查包括外周血异型淋巴细胞比例≥10%、6岁以上儿童外周血淋巴细胞比例>50%或者淋巴细胞绝对值>5.0×109/l。在检查时,医生或者检验人员需要通过对外周血图像中的白细胞进行分类和计数来确定疾病的类型和严重程度。
2、传统的白细胞检测主要依靠手动显微镜和血液学设备,存在工作量大、耗时长、统计数据少、主观影响结果等问题。此外,缺乏专家和实验室设备影响了治疗过程和相关成本。而及时的检测和诊断对于后续的治疗非常重要。因此,迫切需要一种自动检测方法来辅助提高医务人员以提高计数效率和识别精度。随着深度学习方法在自然图像处理领域的成功应用和优势,它已被广泛应用于医学图像分析。
3、现有的大多数基于深度学习方法的白细胞或淋巴细胞检测方法大多数聚焦于正常的白细胞检测而忽略了异型淋巴细胞的识别,此外,破损白细胞的辨别也应当被重视,因为在临床检验中,不建议纳入破损的白细胞。
4、然而,由于异型淋巴细胞和正常淋巴细胞之间的高度相似性,破损白细胞与正常白细胞的相似性,异型淋巴细胞的检测以及破损的白细胞识别给外周血图像识别带来了一定挑战。目前
5、因此,现有技术还有待于改进和发展。
技术实现思路
1、本专利技术的主要目的在于提供一种基于深度学习的外周血图像识别方法、系统及终端,旨在解决现有技术中传染性单核细胞增多症的临床诊断中人工图像识别准确率较低的问题。
2、本申请实施例第一方面提供一种基于深度学习的外周血图像识别方法,所述基于深度学习的外周血图像识别方法包括如下步骤:获取外周血图像,并对所述外周血图像进行处理,得到内部数据集;其中,所述内部数据集为带有正常淋巴细胞、异型淋巴细胞、正常白细胞和破损白细胞的图像;构建深度学习神经网络模型,根据所述内部数据集对所述深度学习神经网络模型进行训练,得到已训练好的深度学习神经网络模型;获取待识别外周血图像,并对所述待识别外周血图像进行处理,得到外部数据集,将所述外部数据集输入至已训练好的所述深度学习神经网络模型,得到所述外部数据集对应的细胞识别结果。
3、可选地,在本申请的一个实施例中,所述内部数据集包括训练集、验证集、测试集;所述对所述外周血图像进行处理,得到内部数据集,具体包括:从所述外周血图像中确定多个感兴趣区域图像;对多个所述感兴趣区域图像进行细胞标注,得到标注好的内部数据集图像;其中,所述内部数据集图像包括未标注的破损白细胞图像和标注好的正常淋巴细胞图像、异型淋巴细胞图像及正常白细胞图像;将所述内部数据集图像划分为训练集、验证集和测试集。
4、可选地,在本申请的一个实施例中,所述构建深度学习神经网络模型,具体包括:获取输入图像和图像目标检测任务,其中,所述图像目标检测任务为识别所述输入图像中不同类型的白细胞;根据所述输入图像和所述图像目标检测任务,构建深度学习神经网络模型。
5、可选地,在本申请的一个实施例中,所述根据所述内部数据集对所述深度学习神经网络模型进行训练,得到已训练好的深度学习神经网络模型,具体包括:将所述训练集输入到所述深度学习神经网络模型,所述深度学习神经网络模型对所述训练集进行图像特征提取,得到图像特征信息;采用多尺度融合方法对所述图像特征信息进行检测,得到多个尺寸的细胞特征图;将多个所述细胞特征图进行网格划分,得到网格预测信息;根据所述网格预测信息和所述验证集计算损失函数,并最小化所述损失函数,得到已训练好的深度学习神经网络模型。
6、可选地,在本申请的一个实施例中,所述构建深度学习神经网络模型,根据所述内部数据集对所述深度学习神经网络模型进行训练,得到已训练好的深度学习神经网络模型,之后还包括:将所述测试集输入至已训练好的所述深度学习神经网络模型进行测试,输出所述测试集中各图像对应的多个目标检测结果;对多个所述检测结果进行后处理,得到处理好的目标检测结果;根据所述检测结果,计算目标检测评价指标;根据所述目标检测评价指标,对已训练好的所述深度学习神经网络模型进行评价,得到测试评价结果。
7、可选地,在本申请的一个实施例中,所述细胞识别结果为非特异性检测结果;所述将所述外部数据集输入至已训练好的所述深度学习神经网络模型,得到所述外部数据集对应的细胞识别结果,具体包括:将所述外部数据集输入至已训练好的所述深度学习神经网络模型进行预测,输出所述外部数据集中各图像对应的多个预测结果;获取分数阈值,并根据所述分数阈值,采用非极大值抑制方法对多个所述预测结果进行处理,得到筛选后的多个目标预测结果;对多个所述目标预测结果进行统计,得到所述外部数据集对应的非特异性检测结果。
8、可选地,在本申请的一个实施例中,所述对所述外部数据集中各图像对应的筛选后的所述预测结果进行统计,得到所述外部数据集对应的非特异性检测结果,之后还包括:根据所述非特异性检测结果,得到传单检测结果;获取所述外部数据集对应的真实标签;根据所述传单检测结果和所述真实标签,得到检测评价指标;根据所述真实检测评价指标,对已训练好的所述深度学习神经网络模型进行评价,得到真实评价结果。
9、本申请实施例第二方面还提供一种基于深度学习的外周血图像识别系统,其中,所述基于深度学习的外周血图像识别系统包括:
10、数据构建模块,用于获取外周血图像,并对所述外周血图像进行处理,得到内部数据集;其中,所述内部数据集为带有正常淋巴细胞、异型淋巴细胞、正常白细胞和破损白细胞的图像;
11、网络构建和训练模块,用于构建深度学习神经网络模型,根据所述内部数据集对所述深度学习神经网络模型进行训练,得到已训练好的深度学习神经网络模型;
12、图像识别模块,用于获取待识别外周血图像,并对所述待识别外周血图像进行处理,得到外部数据集,将所述外部数据集输入至已训练好的所述深度学习神经网络模型,得到所述外部数据集对应的细胞识别结果。
13、本申请实施例第三方面还提供一种终端,其中,所述终端包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于深度学习的外周血图像识别程序,所述基于深度学习的外周血图像识别程序被所述处理器执行时实现如上所述的基于深度学习的外周血图像识别的步骤。
14、本申请实施例第四方面还提供一种计算机可读存储介质,其中,所述计算机可读存储介质存储有基于深度学习的外周血图像识别程序,所述基于深度学习的外周血图像识别程序被处理器执行时实现如上所述的基于深度学习的外周血图像识别的步骤。<本文档来自技高网...
【技术保护点】
1.一种基于深度学习的外周血图像识别方法,其特征在于,所述基于深度学习的外周血图像识别方法包括:
2.根据权利要求1所述的基于深度学习的外周血图像识别方法,其特征在于,所述内部数据集包括训练集、验证集、测试集;
3.根据权利要求1所述的基于深度学习的外周血图像识别方法,其特征在于,所述构建深度学习神经网络模型,具体包括:
4.根据权利要求2所述的基于深度学习的外周血图像识别方法,其特征在于,所述根据所述内部数据集对所述深度学习神经网络模型进行训练,得到已训练好的深度学习神经网络模型,具体包括:
5.根据权利要求2所述的基于深度学习的外周血图像识别方法,其特征在于,所述构建深度学习神经网络模型,根据所述内部数据集对所述深度学习神经网络模型进行训练,得到已训练好的深度学习神经网络模型,之后还包括:
6.根据权利要求1所述的基于深度学习的外周血图像识别方法,其特征在于,所述细胞识别结果为非特异性检测结果;
7.根据权利要求6所述的基于深度学习的外周血图像识别方法,其特征在于,所述对所述外部数据集中各图像对应的筛选后
8.一种基于深度学习的外周血图像识别系统,其特征在于,所述基于深度学习的外周血图像识别系统包括:
9.一种终端,其特征在于,所述终端包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于深度学习的外周血图像识别程序,所述基于深度学习的外周血图像识别程序被所述处理器执行时实现如权利要求1-7任一项所述的基于深度学习的外周血图像识别的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有基于深度学习的外周血图像识别程序,所述基于深度学习的外周血图像识别程序被处理器执行时实现如权利要求1-7任一项所述的基于深度学习的外周血图像识别的步骤。
...【技术特征摘要】
1.一种基于深度学习的外周血图像识别方法,其特征在于,所述基于深度学习的外周血图像识别方法包括:
2.根据权利要求1所述的基于深度学习的外周血图像识别方法,其特征在于,所述内部数据集包括训练集、验证集、测试集;
3.根据权利要求1所述的基于深度学习的外周血图像识别方法,其特征在于,所述构建深度学习神经网络模型,具体包括:
4.根据权利要求2所述的基于深度学习的外周血图像识别方法,其特征在于,所述根据所述内部数据集对所述深度学习神经网络模型进行训练,得到已训练好的深度学习神经网络模型,具体包括:
5.根据权利要求2所述的基于深度学习的外周血图像识别方法,其特征在于,所述构建深度学习神经网络模型,根据所述内部数据集对所述深度学习神经网络模型进行训练,得到已训练好的深度学习神经网络模型,之后还包括:
6.根据权利要求1所述的基于深度学习的外周血图像识别方法,其特征在于,所述细胞识...
【专利技术属性】
技术研发人员:林泽芳,耿旭洋,邓瑶,孙涛平,
申请(专利权)人:珠海市人民医院,
类型:发明
国别省市:
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。