基于胶囊网络的全自动白细胞分类计数方法专利检索-外周血白细胞计数白细胞计数血细胞计数诊断设备和程序专利检索查询-专利查询网

基于胶囊网络的全自动白细胞分类计数方法

阅读：169发布：2020-05-11

专利汇可以提供基于胶囊网络的全自动白细胞分类计数方法专利检索，专利查询，专利分析的服务。并且本发明公开了一种基于胶囊网络的全自动白细胞分类计数方法，包括步骤S1-S7，本方案提出基于胶囊网络技术的全自动白细胞分类计数方法，针对外周血涂片的显微镜图像进行精准的白细胞分类计数，通过步骤S1-S3对白细胞的准确定位分割，即从图像中将白细胞同红细胞、血小板等其他细胞区分开；步骤S4-S7对白细胞进行分类，通过胶囊网络模型学习出辨识力强的图像特征，并基于其进行白细胞亚型的分类；最后运用于对白细胞进行计数。本发明所提出的白细胞分类计数方法中的分类模型能够捕获细胞之间更微小的差异，获得较高的准确性。，下面是基于胶囊网络的全自动白细胞分类计数方法专利的具体信息内容。

权利要求

1.一种基于胶囊网络的全自动白细胞分类计数方法，其特征在于，包括以下步骤：
S1：筛选经标准染色后的外周血涂片的显微镜图像I0；
S2：将待处理的外周血涂片的显微镜图像I与显微镜图像I0进行颜色归一化，获得显微镜图像I1；
S3：通过对显微镜图像I1进行颜色解卷积，定位出显微镜图像I1上的白细胞，获得白细胞图像；
S4：将白细胞图像输入胶囊网络中的卷积层，输出特征图；
S5：将特征图输入主胶囊层中，将特征图组织成胶囊节点的格式，并产生包含初始特征的1152个胶囊，每个所述胶囊节点的输出均为128维矢量；
S6：胶囊节点依次通过第一表示胶囊层和第二表示胶囊层路由到输出层封装；输出层输出矢量长度最长的胶囊节点所对应的类别，即为图像I所包含的白细胞类型；
S7：根据所述白细胞类型，对白细胞分类进行累计计数。
2.根据权利要求1所述的基于胶囊网络的全自动白细胞分类计数方法，其特征在于，所述步骤S2具体为：
S21：采用图像颜色传递算法将待处理的外周血涂片的显微镜图像I进行处理，使显微镜图像I的均值和方差与显微镜图像I0的一致，并得到显微镜图像I1。
3.根据权利要求1所述的基于胶囊网络的全自动白细胞分类计数方法，其特征在于，所述步骤S3包括：
S31：计算显微镜图像I1的矩阵W，所述矩阵W的尺寸为3×3；
S32：将显微镜图像I1沿矩阵W的三列进行投影，获得位于矩阵W中第一通道的亚甲基蓝染色图像和第二通道的伊红染色图像；
S33：将亚甲基蓝染色图像二值化，得到白细胞图像。
4.根据权利要求3所述的基于胶囊网络的全自动白细胞分类计数方法，其特征在于，所述步骤矩阵W的第一列和第二列分别为染色剂亚甲基蓝和伊红对应的染色矢量。
5.根据权利要求1所述的基于胶囊网络的全自动白细胞分类计数方法，其特征在于，所述第一表示胶囊层包含16个64维的胶囊节点，所述第二表示胶囊层包含5个16维的胶囊节点。
6.根据权利要求1所述的基于胶囊网络的全自动白细胞分类计数方法，其特征在于，所述第二表示胶囊层与输出层之间还包括第一全连接层和第二全连接层，所述第一全连接层包含512个胶囊节点，所述第二全连接层包含1024个胶囊节点。
7.根据权利要求1所述的基于胶囊网络的全自动白细胞分类计数方法，其特征在于，所述卷积层中有256个特征映射，所述卷积层内核大小为9×9，所述卷积层步长为1。

说明书全文

基于胶囊网络的全自动白细胞分类计数方法

技术领域

[0001] 本发明涉及白细胞识别计数技术领域，具体涉及一种基于胶囊网络的全自动白细胞分类计数方法。

背景技术

[0002] 从外周血涂片的显微镜图像中对白细胞进行分类识别和计数能够为炎症、血液系统异常及相关疾病的诊断及治疗后的随访提供有力证据。白细胞的分类计数，指的是通过观察细胞的形态，将白细胞分为五种类型，包括中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞、淋巴细胞和单核细胞，并对其进行分别计数。

[0003] 目前，该工作可以通过手工和自动两种方式来进行。手工进行白细胞分类计数对操作人员的技术要求较高，通常是由经验丰富的病理学家通过显微镜观察外周血涂片，并对各类细胞进行计数估算来完成，极为耗时费力。而白细胞分类计数的自动化工具，包括基于形态学分析的软件Cellavision，Easycell和Vision Hema等，及基于纹理特征分析的白细胞分类算法等方法。当白细胞受疾病影响而发生形态改变时，当前方法的自动计数结果的准确性会受到影响，目前临床工作中，超过15％的血样需要人工进行检查，导致了极大的工作负担，故亟需高精度的全自动白细胞分类计数工具。

[0004] 一般来说，自动白细胞分类计数的工作流程包括预处理、分割、特征提取、特征选择和分类等几个步骤。通用的图像特征，如形状、形态学算子和纹理特征等，由于其并非专门针对白细胞设计，很难提高最终细胞分类识别的准确性。为了解决这一问题，研究人员曾尝试修改上述特征，使其适用于白细胞分类。由于人工设计高维特征的难度较大，目前的研究集中在基于卷积神经网络的白细胞识别系统。这些方法是数据驱动的，理论上讲，如果有足够的高质量数据，可以取得良好的效果。然而，可用于模型训练的外周血涂片数量不足，尤其是疾病影响导致白细胞产生形态改变时的外周血涂片数量更是有限。故上述方法的在实践中的可行性较低。

发明内容

[0005] 针对现有技术的上述不足，本发明提供了一种针对外周血涂片的显微镜图像进行精准计数的基于胶囊网络的全自动白细胞分类计数方法。

[0006] 为达到上述发明目的，本发明所采用的技术方案为：

[0007] 提供一种基于胶囊网络的全自动白细胞分类计数方法，其包括以下步骤：

[0008] S1：筛选经标准染色后的外周血涂片的显微镜图像I0；

[0009] S2：将待处理的外周血涂片的显微镜图像I与显微镜图像I0进行颜色归一化，获得显微镜图像I1；

[0010] S3：通过对显微镜图像I1进行颜色解卷积，定位出显微镜图像I1上的白细胞，获得白细胞图像；

[0011] S4：将白细胞图像输入胶囊网络中的卷积层，输出特征图；

[0012] S5：将特征图输入主胶囊层中，将特征图组织成胶囊节点的格式，并产生包含初始特征的1152个胶囊，每个胶囊节点的输出均为128维矢量；

[0013] S6：胶囊节点依次通过第一表示胶囊层和第二表示胶囊层路由到输出层封装；输出层输出矢量长度最长的胶囊节点所对应的类别，即为图像I所包含的白细胞类型；

[0014] S7：根据白细胞类型，对白细胞分类进行累计计数。

[0015] 进一步地，步骤S2包括：

[0016] S21：采用图像颜色传递算法将待处理的外周血涂片的显微镜图像I进行处理，使显微镜图像I的均值和方差与显微镜图像I0的一致，并得到显微镜图像I1。

[0017] 进一步地，步骤S3包括：

[0018] S31：计算显微镜图像I1的矩阵W，矩阵W的尺寸为3×3；

[0019] S32：将显微镜图像I1沿矩阵W的三列进行投影，获得位于矩阵W中第一通道的亚甲基蓝染色图像和第二通道的伊红染色图像；

[0020] S33：将亚甲基蓝染色图像二值化，得到白细胞图像；

[0021] 进一步地，矩阵W的第一列和第二列分别为染色剂亚甲基蓝和伊红对应的染色矢量。

[0022] 进一步地，第一表示胶囊层包含16个64维的胶囊节点，第二表示胶囊层包含5个16维的胶囊节点；

[0023] 进一步地，第二表示胶囊层与输出层之间还包括第一全连接层和第二全连接层，第一全连接层包含512个胶囊节点，第二全连接层包含1024个胶囊节点。

[0024] 进一步地，卷积层中有256个特征映射，卷积层内核大小为9×9，卷积层步长为1。

[0025] 本发明的有益效果为：本方案提出基于胶囊网络技术的全自动白细胞分类计数方法，针对外周血涂片的显微镜图像进行精准的白细胞分类计数，通过步骤S1-S3对白细胞的准确定位分割，即从图像中将白细胞同红细胞、血小板等其他细胞区分开；步骤S4-S7对白细胞进行分类，通过胶囊网络模型学习出辨识力强的图像特征，并基于其进行白细胞亚型的分类；最后运用于对白细胞进行计数。

[0026] 第二表示胶囊层与输出层之间还包括第一全连接层和第二全连接层，目的是对输出的白细胞类型进行重建输入，改善网络的性能。本发明采用胶囊网络技术，胶囊节点传递的是矢量而非传统神经网络中的标量，使得与传统神经网络相比，基于胶囊架构的网络能够抽象出更高维度且具有层次结构的特征。本发明所提出的白细胞分类计数方法中的分类模型能够捕获细胞之间更微小的差异，获得较高的准确性。附图说明

[0027] 图1为基于胶囊网络技术的全自动白细胞分类计数方法流程图。

具体实施方式

[0028] 下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

[0029] 如图1所示，基于胶囊网络的全自动白细胞分类计数方法，其包括以下步骤：

[0030] S1：人工筛选经标准染色后的外周血涂片的显微镜图像I0；

[0031] S2：采用图像颜色传递算法将待处理的外周血涂片的显微镜图像I的均值和方差调整至与显微镜图像I0的均值和方差一致，并得到显微镜图像I1。

[0032] 经过瑞氏染色后的外周血涂片中，白细胞的颜色明显不同于红细胞和血小板，故可通过基于颜色特征的方法来定位分割白细胞。步骤S1和S2为了排除由于染色不均导致的不同图像间的颜色差异。

[0033] S3：计算显微镜图像I1的矩阵W，矩阵W的尺寸为3×3；

[0034] S4：将显微镜图像I1沿矩阵W的三列进行投影，获得位于矩阵W中第一通道的亚甲基蓝染色图像和位于矩阵W中第二通道的伊红染色图像。

[0035] 瑞氏染色所使用的两种染色剂分别为亚甲基蓝和伊红，染色后显微镜图像I1上每个像素的颜色可看作是这两种染色剂对应的染色图像的线性组合。

[0036] S5：将亚甲基蓝染色图像二值化，得到白细胞图像。

[0037] S6：将白细胞图像输入胶囊网络中的卷积层，输出特征图；

[0038] S7：将特征图输入主胶囊层中，主胶囊层将特征图组织成胶囊节点的格式，产生包含初始特征的1152个胶囊，每个胶囊节点的输出均为128维矢量；

[0039] S8：胶囊节点依次通过第一表示胶囊层和第二表示胶囊层路由到输出层封装；输出层输出矢量长度最长的胶囊节点所对应的类别，即为显微镜图像I所包含的白细胞类型；第一表示胶囊层包含16个64维的胶囊节点，第二表示胶囊层包含5个16维的胶囊节点；根据动态路由规则，主胶囊层封装的信息将被路由到输出层封装。第二表示胶囊层2的5个胶囊输出的矢量长度分别表示输入显微镜图像I属于相应类别的概率，输出层将矢量长度最长的胶囊节点对应的类别输出。

[0040] S9：运用步骤S8中确定的白细胞类型，对白细胞分类进行累计计数。

[0041] 本方案中第二表示胶囊层与输出层之间还包括第一全连接层和第二全连接层，第一全连接层包含512个胶囊节点，第二全连接层包含1024个胶囊节点。卷积层中有256个特征映射，卷积层内核大小为9×9，步长为1。矩阵W的第一列和第二列分别代表了染色剂亚甲基蓝和伊红对应的染色矢量。

[0042] 本方案提出基于胶囊网络技术的全自动白细胞分类计数方法，针对外周血涂片的显微镜图像进行精准的白细胞分类计数，通过对白细胞的准确定位分割，即从图像中将白细胞同红细胞、血小板等其他细胞区分开；对白细胞进行分类，通过胶囊网络模型学习出辨识力强的图像特征，并基于其进行白细胞亚型的分类；最后运用于对白细胞进行计数。

[0043] 第二表示胶囊层与输出层之间还包括第一全连接层和第二全连接层，目的是对输出的白细胞类型进行重建输入，改善网络的性能。本发明采用胶囊网络技术，胶囊节点传递的是矢量而非传统神经网络中的标量，使得与传统神经网络相比，基于胶囊架构的网络能够抽象出更高维度且具有层次结构的特征。发明所提出的白细胞分类计数方法中的分类模型能够捕获细胞之间更微小的差异，获得较高的准确性。

标题	发布/更新时间	阅读量
NK细胞培养基、培养方法及二者的应用	2020-05-17	615
从成人外周血中自动化分离免疫细胞并提取PRP的方法	2020-05-23	266
利用酶联免疫斑点法的结核效应T淋巴细胞检测方法	2020-05-16	197
人白血病-NOD/SCID小鼠髓外浸润模型及其制备方法	2020-05-20	861
厌氧血液储存和病原体失活方法	2020-05-24	231
羟基苯并吡喃酮类化合物在制备治疗白血病药物中的应用	2020-05-14	778
葛根黄酮抗辐射抗疲劳耐缺氧和对心脏的保护作用	2020-05-26	95
血液测试鉴别疾病使用的保藏非传染性对照细胞	2020-05-25	822
对中性白细胞特异的单克隆抗体	2020-05-13	260
一种自然杀伤细胞的体外大规模扩增方法	2020-05-20	346

基于胶囊网络的全自动白细胞分类计数方法

基于胶囊网络的全自动白细胞分类计数方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：