本发明涉及一种白细胞散点图异常联合检测方法及系统，采用卷积神经网络模型对白细胞散点图进行异常判断，输出判断结果；对白细胞散点进行表面特征提取和统计，判断是否满足基于先验知识构建的约束条件，如果满足则统计结果为正常，否则统计结果为异常；当卷积神经网络模型输出结果为正常，且统计结果为正常则输出白细胞散点图检测结果为正常，否则根据置信度值是否超过敏感度阈值或加权比较输出结果。本发明采用了卷积神经网络进行有监督学习，综合先验知识的判断，联合对白细胞异常图片进行检测。先验知识判定可以灵活调节，而卷积神经网络对图像判定效果好，二者的结合，有效地降低了异常图片的漏检率，假阳性率也在一个可接受的范围内。
1.一种白细胞散点图异常联合检测方法，其特征在于，包括：
采用卷积神经网络模型对白细胞散点图进行异常判断，输出判断结果；
对所述白细胞散点进行表面特征提取和统计，判断是否满足基于先验知识构建的约束条件，如果满足则统计结果为正常，否则统计结果为异常；
当所述卷积神经网络模型的输出结果和统计结果均为正常则输出白细胞散点图检测结果为正常，均为异常则输出白细胞散点图检测结果为异常；若所述卷积神经网络模型的输出结果与统计结果不同，则判断异常对应的置信度值是否超过对应的敏感阈值，如果超过则输出白细胞散点图检测结果为异常，如果未超过，则分别计算所述卷积神经网络模型的输出结果和统计结果两种检测结果加权后的置信度值，选择加权后的置信度值高的检测结果输出。
2.根据权利要求1所述的白细胞散点图异常联合检测方法，其特征在于，所述卷积神经网络模型依次包括：第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层、压平（Flatten）层、全连接层以及输出层。
3.根据权利要求2所述的白细胞散点图异常联合检测方法，其特征在于，所述卷积神经网络模型通过训练获得，包括：（1）获取多幅覆盖各类异常情况的白细胞散点图并进行标注形成样本集，划分为训练集，验证集和测试集；
（2）从所述训练集中选取样本对所述卷积神经网络模型进行预设轮次的训练；
（3）从所述验证集中选取样本对训练后的所述卷积神经网络模型进行精度验证，如果不满足精度要求则返回步骤（2），满足精度要求则进入步骤（4）；
（4）从所述测试集中选取样本对训练后的所述卷积神经网络模型进行精度测试，如果满足精度要求则对所述卷积神经网络模型进行封装，否则返回步骤（2）。
4.根据权利要求1或2所述的白细胞散点图异常联合检测方法，其特征在于，对所述白细胞散点进行表面特征统计包括，遍历散点图中所有像素点，统计散点图中白细胞各类颜色的像素点数目、各类颜色的像素点的平均位置，划定各类颜色的分布区域、像素点之间的距离以及某一颜色分布区域出现其他颜色像素点的数目。
5.根据权利要求4所述的白细胞散点图异常联合检测方法，其特征在于，所述约束条件根据先验知识构建，判断是否满足约束条件包括：将每种颜色的像素点的平均位置作为区域的中心，划定能把该颜色点加入的区域作为分布区域，如果某种颜色的分布区域超过设定范围，则不满足约束条件；各颜色区域出现其他颜色像素点的数量满足约束阈值则满足约束条件。
6.一种白细胞散点图异常联合检测系统，其特征在于，包括卷积神经网络模块、先验知识模块以及联合判断模块；
所述卷积神经网络模块通过内置的卷积神经网络模型对白细胞散点图进行异常判断，输出判断结果；
所述先验知识模块对所述白细胞散点进行表面特征提取和统计，判断是否满足基于先验知识构建的约束条件，如果满足则统计结果为正常，否则统计结果为异常；
联合判断模块输出分类结果，当所述卷积神经网络模型的输出结果和统计结果均为正常则输出白细胞散点图检测结果为正常，均为异常则输出白细胞散点图检测结果为异常；
若所述卷积神经网络模型的输出结果与统计结果不同，则判断异常对应的置信度值是否超过对应的敏感阈值，如果超过则输出白细胞散点图检测结果为异常，如果未超过，则分别计算所述卷积神经网络模型的输出结果和统计结果两种检测结果加权后的置信度值，选择加权后的置信度值高的检测结果输出。
7.根据权利要求6所述的白细胞散点图异常联合检测系统，其特征在于，所述卷积神经网络模型依次包括：第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层、压平（Flatten）层、全连接层以及输出层。
8.根据权利要求7所述的白细胞散点图异常联合检测系统，其特征在于，所述卷积神经网络模型通过训练获得：获取多幅覆盖各类异常情况的白细胞散点图并进行标注形成训练样本集，从所述训练样本集中选取样本对所述卷积神经网络模型进行训练至满足精度要求。
9.根据权利要求8所述的白细胞散点图异常联合检测系统，其特征在于，所述先验知识模块对所述白细胞散点进行表面特征统计包括，遍历散点图中所有像素点，统计散点图中各类颜色的像素点数目、各类颜色的像素点的平均位置、像素点之间的距离，划定各类颜色的分布区域以及某一颜色分布区域出现其他颜色像素点的数目。
10.根据权利要求9所述的白细胞散点图异常联合检测系统，其特征在于，所述先验知识模块中的所述约束条件根据先验知识构建，判断是否满足约束条件包括将每种颜色的像素点的平均位置作为区域的中心，划定能把该颜色点加入的区域作为分布区域，如果某种颜色的分布区域超过设定范围，则不满足约束条件；各颜色区域出现其他颜色像素点的数量满足约束阈值则满足约束条件。
11.根据权利要求10所述的白细胞散点图异常联合检测系统，其特征在于，还包括获取多幅覆盖各类异常情况的白细胞散点图并进行标注形成样本集对所述先验知识模块的输出结果进行验证，如果精度不满足要求则重新设定约束条件或更新约束条件中的阈值。
一种白细胞散点图异常联合检测方法及系统
技术领域
[0001] 本发明涉及白细胞检测技术领域，尤其涉及一种白细胞散点图异常联合检测方法及系统。
背景技术
[0002] 运用流式细胞计数法和其它生物粒子的物理和化学性质进行检测。血液标本经吸取稀释后，进行化学染色，血细胞在鞘流内的试剂包裹下排成一行通过检测小孔，并有半导体激光束照射到血细胞上。当血细胞经过激光通路时，光束在每个血细胞的不同方向上产生光散射，通过检测散射光，将光信号转化为电脉冲，可以得到有关细胞体积大小和材质的信息，进而描画出二维的散点图。
[0003] 散点图中，利用侧向散射光SSC和荧光SFL将白细胞分成五类：中性粒细胞、单核细胞、淋巴细胞、嗜酸性粒细胞、嗜碱性粒细胞。
[0004] 常见的异常散点图，如异常淋巴细胞增多，嗜酸性粒细胞增多等情况需要对散点图异常进行检测。 现有的检测方法主要为人工检测，耗费人力，并且耗时较长；现有的仪器检测的漏检率高、准确率低。
发明内容
[0005] 针对现有技术中存在的问题，本发明提供一种白细胞散点图异常联合检测方法及系统，利用卷积神经网络和先验知识分别进行白细胞散点图异常检测，将两种检测的结果互相结合，有效地降低了异常图片的漏检率。
[0006] 为达到上述目的，本发明提供了一种白细胞散点图异常联合检测方法，包括：
[0007] 采用卷积神经网络模型对白细胞散点图进行异常判断，输出判断结果；
[0008] 对所述白细胞散点进行表面特征提取和统计，判断是否满足基于先验知识构建的约束条件，如果满足则统计结果为正常，否则统计结果为异常；
[0009] 当所述卷积神经网络模型输出结果和统计结果均为正常则输出白细胞散点图检测结果为正常，均为异常则输出白细胞散点图检测结果为异常；若所述卷积神经网络模型输出结果与统计结果不同，则判断异常对应的置信度值是否超过对应的敏感阈值，如果超过则输出白细胞散点图检测结果为异常，如果未超过，则计算两种检测结果加权后的置信度值，选择加权后的置信度值高的检测结果输出。
[0010] 进一步地，所述卷积神经网络模型依次包括：第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、点池化层第四卷积层、压平（Flatten）层、全连接层以及输出层。
[0011] 进一步地，所述卷积神经网络模型通过训练获得，包括：
[0012] （1）获取多幅覆盖各类异常情况的白细胞散点图并进行标注形成样本集，划分为训练集，验证集和测试集；
[0013] （2）从所述训练集中选取样本对所述卷积神经网络模型进行训练设定轮次；
[0014] （3）从所述验证集中选取样本对训练后的所述卷积神经网络模型进行精度验证，如果不满足精度要求则返回步骤（2），满足精度要求则进入步骤（4）；
[0015] （4）从所述测试集中选取样本对训练后的所述卷积神经网络模型进行精度测试，如果满足精度要求则对所述卷积神经网络模型进行封装，否则返回步骤（2）。
[0016] 进一步地，对所述白细胞散点进行表面特征统计包括，遍历散点图中所有像素点，统计散点图中白细胞各类颜色的像素点数目、各类颜色的像素点的平均位置，划定各类颜色的分布区域、像素点之间的距离以及某一颜色分布区域出现其他颜色像素点的数目。
[0017] 进一步地，所述约束条件根据先验知识构建，判断是否满足约束条件包括：根据每种颜色的像素点的平均位置作为区域的中心划定能把该颜色点加入的区域作为分布区域，如果某种颜色的分布区域超过设定范围，则不满足约束条件；各颜色区域出现其他颜色像素点的数量满足约束阈值则满足约束条件。
[0018] 本发明另一方面提供一种白细胞散点图异常联合检测系统，包括卷积神经网络模块、先验知识模块以及联合判断模块；
[0019] 所述卷积神将网络模块通过内置的卷积神经网络模型对白细胞散点图进行异常判断，输出判断结果；
[0020] 所述先验知识模块对所述白细胞散点进行表面特征提取和统计，判断是否满足基于先验知识构建的约束条件，如果满足则统计结果为正常，否则统计结果为异常；
[0021] 联合判断模块输出分类结果，当所述卷积神经网络模型输出结果和统计结果均为正常则输出白细胞散点图检测结果为正常，均为异常则输出白细胞散点图检测结果为异常；若所述卷积神经网络模型输出结果与统计结果不同，则判断异常对应的置信度值是否超过对应的敏感阈值，如果超过则输出白细胞散点图检测结果为异常，如果未超过，则计算两种检测结果加权后的置信度值，选择加权后的置信度值高的检测结果输出。
[0022] 进一步地，所述卷积神经网络模型依次包括：第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、点池化层第四卷积层、压平（Flatten）层、全连接层以及输出层。
[0023] 进一步地，所述卷积神经网络模型通过训练获得：获取多幅覆盖各类异常情况的白细胞散点图并进行标注形成训练样本集，从所述训练样本集中选取样本对所述卷积神经网络模型进行训练至满足精度要求。
[0024] 进一步地，所述先验知识模块对所述白细胞散点进行表面特征统计包括，遍历散点图中所有像素点，统计散点图中各类颜色的像素点数目、各类颜色的像素点的平均位置、像素点之间的距离，划定各类颜色的分布区域以及某一颜色分布区域出现其他颜色像素点的数目。
[0025] 进一步地，所述先验知识模块中的所述约束条件根据先验知识构建，判断是否满足约束条件包括根据每种颜色的像素点的平均位置作为区域的中心划定能把该颜色点加入的区域作为分布区域，如果某种颜色的分布区域超过设定范围，则不满足约束条件；各颜色区域出现其他颜色像素点的数量满足约束阈值则满足约束条件。
[0026] 进一步地，还包括获取多幅覆盖各类异常情况的白细胞散点图并进行标注形成样本集对所述先验知识模块的输出结果进行验证，如果精度不满足要求则重新设定约束条件或更新约束条件中的阈值。
[0027] 进一步地，还包括获取多幅覆盖各类异常情况的白细胞散点图并进行标注形成样本集对所述联合判断模块输出分类结果进行验证，如果精度不满足要求则调整并加入新的数据集进行神经网络训练以及根据反馈继续优化先验知识模块再进行连续测试。
[0028] 本发明的上述技术方案具有如下有益的技术效果：
[0029] （1）本发明采用了卷积神经网络进行有监督学习，综合先验知识的判断，联合对白细胞异常图片进行检测。二者的结合，有效地降低了异常图片的漏检率，假阳性率也在一个可接受的范围内。
[0030] （2）先验知识判定可以灵活调节，而卷积神经网络对图像判定效果好，本发明结合二者的优点，既能够灵活调节，又提高了输出结果的可靠性。
附图说明
[0031] 图1是白细胞散点图异常检测流程图；
[0032] 图2是卷积神经网络模型构成示意图；
[0033] 图3是白细胞散点图示例；
[0034] 图4为实施例1中的白细胞散点图。
具体实施方式
[0035] 为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
[0036] 本发明提供一种白细胞散点图异常联合检测方法，结合图1，包括以下步骤：
[0037] （1）采用卷积神经网络模型对白细胞散点图进行异常判断，输出判断结果；
[0038] 卷积神经网络模型主要由卷积层，池化层和全连接层构成，分别起到提取图像特征、特征压缩以及提升模型拟合能力等作用。使用标注好的图像数据训练一个合适的神经网络模型，最终可以利用它对测试集图像进行分类。
[0039] 在一个实施例中，卷积神经网络模型如图2所示，为保证可以提取到图像中更为深层的信息，网络需要具备一定的深度，模型的各部分依次包括：两个由64个卷积核组成的卷积层及邻接的池化层、两个由128个卷积核组成的卷积层及邻接的池化层，一个Flatten层、一个包含512个神经元的全连接层、一个激活函数为Sigmoid的单个神经元的输出层。其中，编码器中的卷积层和池化层的数量相同，每一卷积层后连接一个池化层，使用四个卷积层用于实现卷积层的堆叠以提取数据的特征。池化层用于降低数据的维度。Flatten层将最终提取得到的特征数据一维化，并通过全连接层进行信息整合，最后到达输出层的判断单元，经Sigmoid函数激活后得到最终结果。
[0040] 卷积神经网络中的卷积层、池化层、全连接层的具体规模可根据图像数据的规模和拟合难度而定。由于本实施例中数据为较为单一的白细胞散点图，模型的深度和规模并不大，具体网络结构如图2所示。
[0041] 训练的过程包括：
[0042] （1.1）获取多幅覆盖各类异常情况的白细胞散点图并进行标注形成样本集，划分为训练集，验证集和测试集；
[0043] （1.2）从所述训练集中选取样本对所述卷积神经网络模型进行训练设定轮次；
[0044] （1.3）从所述验证集中选取样本对训练后的所述卷积神经网络模型进行精度验证，如果不满足精度要求则返回步骤（1.2），满足精度要求则进入步骤（1.4）；利用验证集实时监测模型训练的效果，避免神经网络对训练数据过拟合。
[0045] （1.4）从所述测试集中选取样本对训练后的所述卷积神经网络模型进行精度测试，如果满足精度要求则对所述卷积神经网络模型进行封装，否则返回步骤（1.2）。
[0046] （2）对所述白细胞散点进行表面特征提取和统计，判断是否满足基于先验知识构建的约束条件，如果满足则统计结果为正常，否则统计结果为异常；
[0047] 首先根据经验划定一些区域，如果某种不该在此区域出现的像素点在此出现，则其为异常点，程序会对图像上的每一个像素点进行遍历，统计各种颜色像素点的数目，平均坐标以及区域异常像素点的数目，根据这些信息对像素点的平均坐标位置，区域异常点数目进行条件判断，最终达到分类的效果。
[0048] 先验知识主要是指由具有散点图异常判别能力的专家给出的关于散点图异常检测的一些常用判别标准、判别手段。由于散点图本身组成结构较为单一，仅是由多种颜色的像素点分布排列构成，因此可以基于统计学的相关手段对其形态特征进行表层提取，如散点图中不同颜色的像素点个数、不同颜色的像素点的平均位置以及一些区域出现的异常点数量等。专家的先验知识在统计模块中经由一系列基于统计学的转换，得到相应的约束条件。
[0049] 如图3所示，为白细胞散点图。每种颜色的点在空间上都有一定的分布区域，对不同颜色点的平均坐标进行空间上的限制，可以初步筛掉一些异常图片。在A区域上的点主要为绿色，对出现的紫色异常点进行计数；B区域上的点主要为绿色，对出现的深蓝色异常点进行计数；而在C区域，主要为紫色点或蓝绿色点，当紫色点或蓝绿色点数目过多时会分别出现品红色点和青色点，对这两种点进行计数；同时紫色点和绿色点的交界部分也会统计其混叠程度；对这些数据设立一个可灵活调整的门限值，高于则判为异常，否则判为正常。
[0050] 在一个实施例中，根据每种颜色的点的分布区域，限定各个颜色区域，各颜色区域出现其他颜色像素点的数量满足约束阈值则满足约束条件。（3）当所述卷积神经网络模型输出结果和统计结果均为正常则输出白细胞散点图检测结果为正常，均为异常则输出白细胞散点图检测结果为异常；若所述卷积神经网络模型输出结果与统计结果不同，则判断异常对应的置信度值是否超过对应的敏感阈值，如果超过则输出白细胞散点图检测结果为异常，如果未超过，则计算两种检测结果加权后的置信度值，选择加权后的置信度值高的检测结果输出。
[0051] 为了降低假阳性的概率，分别为卷积神经网络模型和统计结果设置不同的敏感度阈值，如果输出结果为异常，且置信度值超过敏感度阈值，则联合判断结果为异常。
[0052] 卷积神经网络模型的置信度值为其输出值，敏感度阈值低于其结果判断阈值，也就是说，输出置信度值高于异常阈值时，神经网络模型对应的检测为异常，当此时可能并未到达敏感度阈值，需要进一步判断。这样的设置能够保证异常情况被敏感地检测出。
[0053] 统计结果输出的结果的同时输出该结果的置信度，如果异常结果的置信度值高于其敏感阈值，则联合判断结果输出异常。
[0054] 如果卷积神经网络模型输出结果与统计结果不同，则均未超过对应的敏感阈值，则将敏感度阈值乘以对应的权值后进行对比，较高值对应的检测结果输出
[0055] 实施例1
[0056] 结合图4，框内为识别到异常的部分。神经网络模型给出的结果为阴性，且给出的置信度为0.87，先验知识结果为阳性，给出置信度为0.66，且该先验知识权重为2，则最终先验知识置信度为0.66*2=1.32，高于神经网络置信度，判定该散点图为阳性。
[0057] 实施例2
[0058] 神经网络判定为阳性，置信度为0.5，先验知识判断为阴性，置信度为0.8，若系统为防止漏报阳性数据，采用敏感值为0.4，则一旦有神经网络或先验知识任何一方为阳性且置信度高于敏感值（神经网络置信度为0.5高于敏感度），结果为阳性。
[0059] 本发明首先收集大量的白细胞散点图数据，根据医生的判断给数据加入标签。一方面统计图像中像素点信息，并根据图像上不同颜色散点分布的规律，设立合适的判断条件进行分类；另一方面则将数据划分为训练集，验证集和测试集，使用训练集的有标签数据作为输入对神经网络参数进行训练，利用验证集实时监测模型训练的效果，避免神经网络对训练数据过拟合，最后再使用测试集数据对先验知识判断、神经网络判断以及二者联合判断三种方式分别进行评估。
[0060] 本发明提供一种白细胞散点图异常联合检测系统，包括卷积神经网络模块、先验知识模块以及联合判断模块。
[0061] （1） 卷积神经网络模块
[0062] 所述卷积神将网络模块通过内置的卷积神经网络模型对白细胞散点图进行异常判断，输出判断结果。卷积神经网络的拟合能力非常强大，它能够提取输入的待测图像的特征，并且，随着网络层次的逐渐加深，提取的特征也呈现出由浅到深的特点。使用大量带有标签的白细胞散点图对神经网络进行训练，可以使其从大量真实图像中准确地捕捉图像特征信息对最终判断结果的影响，进而准确分类。
[0063] （2）先验知识判断模块
[0064] 先验知识模块对所述白细胞散点进行表面特征提取和统计，判断是否满足基于先验知识构建的约束条件，如果满足则统计结果为正常，否则统计结果为异常；
[0065] 本模块以先验知识和待测图像作为输入，将医学专家的先验知识转化为了一系列统计指标对应的约束条件，从更直观的角度对白细胞散点图进行判断，并且可以根据实际判断的严格程度灵活调整约束条件，进而准确分类。
[0066] （3）联合判断模块
[0067] 最终，神经网络模型判断的结果和先验知识的判断结果均输入到联合判断模块，由联合判断模块做最终的判断。当所述卷积神经网络模型输出结果和统计结果均为正常则输出白细胞散点图检测结果为正常，均为异常则输出白细胞散点图检测结果为异常；若所述卷积神经网络模型输出结果与统计结果不同，则判断异常对应的置信度值是否超过对应的敏感阈值，如果超过则输出白细胞散点图检测结果为异常，如果未超过，则计算两种检测结果加权后的置信度值，选择加权后的置信度值高的检测结果输出
[0068] 神经网络模型判断整体准确度更高，对正常图片的判定很好，但对异常图片的判定还不足以达到要求，它可以预先筛选出一些异常图像，这些图像会在联合判断中直接被判定为异常图像。先验知识判断的判定则更加灵活，在硬性判定条件的基础上，可以通过调节异常点数目的阈值，改变异常判定的强度。先验知识的应用，可以进一步降低卷积神经网络在散点图异常检测任务上的漏检率。本发明的优势在于综合了两种不同角度的分类判断方法，在散点图假阴性率这一关键指标降到最低的同时，假阳性率能够接受的范围内。卷积神经网络有着非常强大的拟合能力，进而在大量真实图片中进行有监督学习之后，能够得到很好的分类模型。而先验知识则从更为直观的统计学角度进行条件判断，有着可解释性强，灵活度高的特点。二者的联合判断结合了两种方法的优点，整体方法兼具了精度和灵活性。
[0069] 综上所述，本发明涉及一种白细胞散点图异常联合检测方法及系统，采用卷积神经网络模型对白细胞散点图进行异常判断，输出判断结果；对白细胞散点进行表面特征提取和统计，判断是否满足基于先验知识构建的约束条件，如果满足则统计结果为正常，否则统计结果为异常；当卷积神经网络模型输出结果为正常，且统计结果为正常则输出白细胞散点图检测结果为正常，否则输出白细胞散点图检测结果为异常。本发明采用了卷积神经网络进行有监督学习，综合先验知识的判断，联合对白细胞异常图片进行检测。先验知识判定可以灵活调节，而卷积神经网络对图像判定效果好，二者的结合，有效地降低了异常图片的漏检率，假阳性率也在一个可接受的范围内。
[0070] 应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
