一种骨髓细胞形态学人工智能分析方法及系统

本技术涉及图像处理，尤其涉及一种骨髓细胞形态学人工智能分析方法及系统。

背景技术：

1、骨髓是人体重要的器官之一，人体的血细胞均来源于此。骨髓病变会导致人体造血功能异常，从而引发相关血液疾病。骨髓细胞形态识别是临床医学上诊断血液疾病最常用的基本方法之一，一般包括取材、涂片、染色，以及专门的检验医师在光学显微镜下，观察骨髓涂片中细胞形态以及计数各类细胞之间的比例关系。如白血病，相关病变细胞在形态上具有明显的病理学特征，通过骨髓细胞形态识别可以初步地实现有效的快速诊断。

2、但是，传统的人工检查方法存在很多的弊端，不仅耗时耗力，而且容易受个人专业水平高低和主观差异等因素影响。因此，使用人工智能图像分析技术，研究实现客观的、高效的、自动的骨髓细胞形态识别技术，提高工作效率和准确性，对于造血系统疾病的数字化辅助诊断具有非常重要的意义。

技术实现思路

1、鉴于上述问题，提出了本技术，以便提供一种骨髓细胞形态学人工智能分析方法及系统，以提高骨髓细胞形态识别的效率和准确性。同时采用感兴趣区域图像提取算法，利用最优亮度值，提取感兴趣区域图像，有效定位了骨髓细胞，排除了非感兴趣区域图像噪音，减少了数据处理量，进一步提高了骨髓细胞形态识别的效率和准确性。

2、本技术提供了一种骨髓细胞形态学人工智能分析方法，包括步骤s1至步骤s3：

3、s1：采集骨髓细胞样本图像，对所述样本图像进行预处理，得到标准化图像；

4、s2：基于图像亮度值，利用感兴趣区域图像提取算法，对所述标准化图像进行感兴趣区域提取，获取感兴趣区域图像，其中，所述感兴趣区域图像提取算法包括提取函数，所述提取函数由感兴趣图像和非感兴趣图像之间的欧式距离和聚类度所构建，所述感兴趣区域为骨髓细胞集中所在区域；

5、s3：利用预先构建完成的骨髓细胞形态识别神经网络，对所述感兴趣区域图像进行特征提取和骨髓细胞形态识别，产生骨髓细胞识别结果，其中所述骨髓细胞识别结果包括细胞类型和细胞数量；

6、其中，利用预先构建完成的骨髓细胞形态识别神经网络，对所述感兴趣区域图像进行特征提取和骨髓细胞形态识别，以生成骨髓细胞识别结果，包括：

7、输入阶段，将所述感兴趣区域图像输入所述骨髓细胞形态识别神经网络；

8、特征提取阶段，通过多个卷积层对输入图像进行快速编码学习，以提取出细胞的初步特征图像；

9、特征选择与增强阶段，采用池化层从初步特征图像中提取骨髓细胞的高频特征和低频特征；

10、注意力机制应用阶段，利用卷积对所述高频特征和所述低频特征进行特征编码生成注意力特征分布，并与所述初步特征图像进行点乘运算；

11、细胞检测与定位阶段：计算预判的细胞边界框与实际的细胞边界框的交叉度，生成骨髓细胞识别结果。

12、进一步的，所述对样本图像进行预处理，得到标准化图像，具体包括以下步骤：

13、s11：对采集的样本图像首先进行大小调整、灰度转换，再进行归一化处理，以获取归一化图像；

14、s12：基于数学形态学，对所述归一化图像进行滤波处理，去除噪声，以得到所述标准化图像。

15、进一步的，所述感兴趣区域图像提取算法，具体包括以下步骤：

16、s21：定义亮度值δ，将所述标准化图像的像素分为感兴趣图像和非感兴趣图像，所述感兴趣图像和所述非感兴趣图像分别表示为：

17、；

18、；

19、其中，、分别表示所述感兴趣图像和所述非感兴趣图像，p、q分别表述所述标准化图像的长和宽，f表示所述标准化图像的亮度值数目，所述标准化图像的亮度值属于，表示亮度值i出现的数目。

20、s22：计算所述感兴趣图像和所述非感兴趣图像之间的欧式距离d，具体为：

21、；

22、其中，所述欧式距离d表示所述感兴趣图像和所述非感兴趣图像之间的区分程度；

23、s23：计算所述感兴趣图像和所述非感兴趣图像的聚类度，具体为：

24、<msub><mi>o</mi><mi>roi</mi></msub><mi>=</mi><mstyle displaystyle="false"><munderover><mo>∑</mo><mi>i=δ+1</mi><mi>f-1</mi></munderover><mrow><mi>[</mi><mrow><mi>i</mi><mi>-</mi><mstyle displaystyle="false"><munderover><mo>∑</mo><mi>i=δ+1</mi><mi>f-1</mi></munderover><mrow><mi>(</mi><mfrac><mrow><mi>i</mi><msub><mi>t</mi><mi>i</mi></msub></mrow><mi>p×q</mi></mfrac><mi>/</mi><msub><mi>h</mi><mi>roi</mi></msub><mi>)</mi></mrow></mstyle></mrow></mfenced><mi>∙</mi><mfrac><msub><mi>t</mi><mi>i</mi></msub><mi>p×q</mi></mfrac><mi>/</mi><mstyle displaystyle="false"><munderover><mo>∑</mo><mi>i=δ+1</mi><mi>f-1</mi></munderover><mfrac><msub><mi>t</mi><mi>i</mi></msub><mi>p×q</mi></mfrac></mstyle><mi>]</mi></mrow></mstyle>；

25、<msub><mi>o</mi><mi>not</mi></msub><mi>=</mi><mstyle displaystyle="false"><munderover><mo>∑</mo><mi>i=0</mi><mi>δ</mi></munderover><mrow><mi>[</mi><mrow><mi>i</mi><mi>-</mi><mstyle displaystyle="false"><munderover><mo>∑</mo><mi>i=0</mi><mi>δ</mi></munderover><mfrac><mrow><mi>i</mi><msub><mi>t</mi><mi>i</mi></msub></mrow><mi>p×q</mi></mfrac></mstyle><mi>/</mi><msub><mi>h</mi><mi>not</mi></msub></mrow></mfenced><mi>∙</mi><mfrac><msub><mi>t</mi><mi>i</mi></msub><mi>p×q</mi></mfrac><mi>/</mi><mstyle displaystyle="false"><munderover><mo>∑</mo><mi>i=0</mi><mi>δ</mi></munderover><mfrac><msub><mi>t</mi><mi>i</mi></msub><mi>p×q</mi></mfrac></mstyle></mrow></mstyle><mi>]</mi>；

26、其中，、分别表示所述感兴趣图像和所述非感兴趣图像的聚类度；

27、s24：根据所述欧式距离d、所述感兴趣图像的聚类度和所述非感兴趣图像的聚类度，构建感兴趣区域图像提取函数l，具体为：

28、；

29、s25：计算所述感兴趣区域图像提取函数l取最大值时，对应的最优亮度值δopt，提取所述感兴趣区域图像。

30、进一步的，所述骨髓细胞形态识别神经网络为预训练模型，为vggnet-16模型或resnet-50模型，所述预训练模型将手工标记的骨髓细胞图像分为训练集、验证集和测试集。

31、进一步的，所述预训练模型：所述训练集用于训练神经网络，通过反向传播算法更新网络权重；所述验证集用于优化模型参数，调整超参数包括学习率、批次大小，确保模型泛化能力；所述测试集用于评估模型性能，关注指标包括准确率、召回率、f1分数。

32、本技术的有益效果是：

33、（1）本技术构建了一种骨髓细胞形态学人工智能分析方法及系统，采用骨髓细胞形态识别神经网络，客观的、高效的、自动实现骨髓细胞形态识别，提高工作效率和准确性。

34、（2）本技术还设计了一种感兴趣区域图像提取算法，利用最优亮度值，提取感兴趣区域图像，有效定位了骨髓细胞，排除了非感兴趣区域图像噪音，减少了数据处理量，进一步提高了骨髓细胞形态识别的效率和准确性。

35、（3）本技术通过计算预判的细胞边界框与实际的细胞边界框的交叉度，这样可以同时实现对细胞的定位和识别。