一种检测血细胞的方法、装置、设备及可读存储介质转让专利
申请号 : CN202111358569.1
文献号 : CN113793336B
文献日 : 2022-03-11
发明人 : 周永乐 , 郑思宇 , 张志鸿
申请人 : 成都西交智汇大数据科技有限公司
摘要 :
权利要求 :
1.一种检测血细胞的方法,其特征在于,包括:获取血细胞图像;所述血细胞图像通过电子显微镜得到,所述血细胞图像中包括至少一组红细胞和白细胞;
判断所述血细胞图像是否在指定倍数下清晰;
将所述在指定倍数下清晰的血细胞图样中的白细胞和红细胞分别进行识别,得到识别结果,所述识别结果包括所述白细胞的识别结果和所述红细胞的识别结果;判断所述血细胞图像是否在指定倍数下清晰,包括:获取图像清晰度判断标准,所述图像清晰度判断标准包括至少两个清晰度分类;
根据图像分类模型将所述血细胞图像进行清晰度分类计算,得到清晰度分类结果;
判断所述清晰度分类结果是否为预设的清晰度分类类型;若是,则所述血细胞图像在指定倍数下清晰;若不是,则所述血细胞图像在指定倍数下不清晰;通过mobilev2模型对图像进行分类,图像分属正确的类别后,进行后续处理操作;否则,判定图像不符合要求;其中,mobilev2模型是一种图像分类的卷积神经网络,利用深度可分离卷积结构对血细胞图像的特征进行提取,得到第一特征图像,第一特征图像包括血细胞图像的每一个区域里的至少一组红细胞与白细胞的纹理、颜色和形状;
将第一特征图像输入至全连接神经网络,计算得到图像清晰度分类结果;
制定了4个类别,分别为“物像不在图像中心”,“物像模糊”,“物像不在指定倍数下”,“物像在指定倍数下清晰”,mobilev2网络对血细胞图像进行识别后会输出4个类别的概率,概率最高的那个类别将作为输出类别。
2.根据权利要求1所述的检测血细胞的方法,其特征在于,得到所述白细胞的识别结果,包括:
将所述在指定倍数下清晰的血细胞图像调整到预设的图像尺寸;
将调整过后的所述血细胞图像输入至目标检测网络中,得到至少一个框形区域,所述框形区域中包括至少一个白细胞。
3.根据权利要求1所述的检测血细胞的方法,其特征在于,得到所述红细胞的识别结果,包括:
用第一向量将所述在指定倍数下清晰的血细胞图像中的红细胞部分的初始聚类中心进行表征,用第二向量将所述在指定倍数下清晰的血细胞图像中的间隙部分的初始聚类中心进行表征,所述间隙部分为所述血细胞图像中不包括红细胞和白细胞的部分,其中,所述第一向量和所述第二向量均为具有图像统计特征的先验统计量;
将所述第一向量和所述第二向量输入至k均值聚类模型中进行计算得到聚类结果图像,所述聚类结果图像包括两种不同颜色的区域;所述两种不同颜色的区域分别为红细胞区域和间隙部分区域。
4.一种检测血细胞的装置,其特征在于,包括:获取模块:用于获取血细胞图像;所述血细胞图像通过电子显微镜得到,所述血细胞图像中包括至少一组红细胞与白细胞;
判断模块:用于判断所述血细胞图像是否在指定倍数下清晰;
所述判断模块还包括:
获取单元:用于获取图像清晰度判断标准,所述图像清晰度判断标准包括至少两个清晰度分类;
第一计算单元:用于根据图像分类模型将所述血细胞图像进行清晰度分类计算,得到清晰度分类结果;
判断单元:用于判断所述清晰度分类结果是否为预设的清晰度分类类型;若是,则所述血细胞图像在指定倍数下清晰;若不是,则所述血细胞图像在指定倍数下不清晰;识别模块:用于将所述在指定倍数下清晰的血细胞图样中的白细胞和红细胞分别进行识别,得到识别结果,所述识别结果包括所述白细胞的识别结果和所述红细胞的识别结果;
所述第一计算单元还包括用于通过mobilev2模型对图像进行分类,图像分属正确的类别后,进行后续处理操作;否则,判定图像不符合要求;其中,mobilev2模型是一种图像分类的卷积神经网络,利用深度可分离卷积结构对血细胞图像的特征进行提取,得到第一特征图像,第一特征图像包括血细胞图像的每一个区域里的至少一组红细胞与白细胞的纹理、颜色和形状;
将第一特征图像输入至全连接神经网络,计算得到图像清晰度分类结果;
制定了4个类别,分别为“物像不在图像中心”,“物像模糊”,“物像不在指定倍数下”,“物像在指定倍数下清晰”,mobilev2网络对血细胞图像进行识别后会输出4个类别的概率,概率最高的那个类别将作为输出类别。
5.根据权利要求4所述的检测血细胞的装置,其特征在于,所述识别模块还包括:调整单元:用于将所述在指定倍数下清晰的血细胞图像调整到预设的图像尺寸;
检测单元:用于将调整过后的所述血细胞图像输入至目标检测网络中,得到至少一个框形区域,所述框形区域中包括至少一个白细胞。
6.根据权利要求4所述的检测血细胞的装置,其特征在于,所述识别模块还包括:表征单元:用于用第一向量将所述在指定倍数下清晰的血细胞图像中的红细胞部分的初始聚类中心进行表征,用第二向量将所述在指定倍数下清晰的血细胞图像中的间隙部分的初始聚类中心进行表征,所述间隙部分为所述血细胞图像中不包括红细胞和白细胞的部分,其中,所述第一向量和所述第二向量均为具有图像统计特征的先验统计量;
第二计算单元:用于将所述第一向量和所述第二向量输入至k均值聚类模型中进行计算得到聚类结果图像,所述聚类结果图像包括两种不同颜色的区域;所述两种不同颜色的区域分别为红细胞区域和间隙部分区域。
7.一种检测血细胞的设备,其特征在于,包括:存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至3任一项所述检测血细胞的方法的步骤。
8.一种可读存储介质,其特征在于:所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至3任一项所述检测血细胞的方法的步骤。
说明书 :
一种检测血细胞的方法、装置、设备及可读存储介质
技术领域
背景技术
置,判断其标注结果是否正确。因此,需要提出一种算法能够自动对考生所提交截图各种细
胞位置自动定位,以此作为考生交互答题的结果的判据。
的特征;模糊判断主要对图像梯度进行计算并分析,设立相应阈值,计算结果大于相应阈
值,说明图像轮廓清晰可见;未超过阈值,说明图像不能检测出明显得轮廓,存在一定程度
的模糊。
HSV颜色空间,通过红细胞,白细胞,细胞间隙之间HSV颜色数值的固有差异区分三者。
发明内容
类中心进行表征,所述间隙部分为所述血细胞图像中不包括红细胞和白细胞的部分;
胞区域和间隙部分区域。
结果。
部分的初始聚类中心进行表征,所述间隙部分为所述血细胞图像中不包括红细胞和白细胞
的部分;
色的区域分别为红细胞区域和间隙部分区域。
入了目标检测模型对白细胞进行识别定位,与传统识别方法相比,其处理速度与定位精度
更高;加入了带先验的K‑Means聚类算法对细胞间隙和红细胞进行分离,与传统方法相比,
带先验的K‑Means包含图像统计特征,对光照和色调不敏感,聚类更具鲁棒性。
明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这
些附图获得其他相关的附图。
单元;801、处理器;802、存储器;803、多媒体组件;804、输入/输出(I/O)接口;805、通信组
件。
具体实施方式
本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施
例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实
施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施
例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的
所有其他实施例,都属于本发明保护的范围。
描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
定位精度更高。通过带图像统计特征先验的K‑Means聚类算法对细胞间隙和红细胞进行分
离,降低光照和色调的影响,聚类更具鲁棒性。
像,进行截图提交,从而获取到血细胞图像。
血细胞图像的每一个区域里的至少一组红细胞与白细胞的纹理、颜色和形状;
4个类别的的概率(概率和为1),概率最高的那个类别将作为输出类别。
于mobilev2,类似的其他图像分类网络,诸如ResNet,DenseNet和GoogleNet等也能达到相
应的效果,过程不再赘述。
胞标记信息是否正确。
整到预设尺寸,如416*416后输入训练好的Yolov4目标检测模型,得到边界为x1、y1、x2、y2
的矩形框,然后将矩形框所包围的区域视作白细胞区域。
例如R‑CNN系算法等。在多次实际环境的测试中,Yolov4已足以应对物理实验中的复杂场景
检测,而Yolov4中例如特征提取主干网络的选择、非极大值抑制的阈值、先验框等具体参数
可由实验人员自行调节至理想值,这里不做具体要求。
行表征,间隙部分为血细胞图像中不包括红细胞和白细胞的部分;
区域。
计算最大值和最小值函数; 分别统计了图像 通道像素的最大
值; 分别统计了图像 通道像素的最小值;其中, 为之前的统计量构
成的向量,分别表征了在指定倍数下清晰的血细胞图像中的间隙部分的初始聚类中心以及
在指定倍数下清晰的血细胞图像中的红细胞部分的初始聚类中心,也就是第一向量和第二
向量。
不同颜色的区域分别为红细胞区域和间隙部分区域。
得分,结束。
血细胞图像的每一个区域里的至少一组红细胞与白细胞的纹理、颜色和形状;
4个类别的的概率(概率和为1),概率最高的那个类别将作为输出类别。
于mobilev2,类似的其他图像分类网络,诸如ResNet,DenseNet和GoogleNet等也能达到相
应的效果,过程不再赘述。
率的值,得到清晰度分类结果,清晰度分类结果为清晰度分类的概率的值最高的清晰度分
类。
分类的概率;比较每一个清晰度分类的概率的值,得到清晰度分类结果,清晰度分类结果为
清晰度分类的概率的值最高的清晰度分类。
的初始聚类中心进行表征,间隙部分为血细胞图像中不包括红细胞和白细胞的部分;
为红细胞区域和间隙部分区域。
中心以及在指定倍数下清晰的血细胞图像中的红细胞部分的初始聚类中心,也就是第一向
量和第二向量。
不同颜色的区域分别为红细胞区域和间隙部分区域。
括多媒体组件803,I/O接口804,以及通信组件805中的一者或多者。
测血细胞的设备800的操作,这些数据例如可以包括用于在该检测血细胞的设备800上操作
的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、
图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它
们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电
可擦除可编程只读存储器(Electrically Erasable Programmable Read‑Only Memory,简
称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read‑Only Memory,简称
EPROM),可编程只读存储器(Programmable Read‑Only Memory,简称PROM),只读存储器
(Read‑Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件803可以包
括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。
例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可
以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器,
用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口,上述其他接口
模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于
该检测血细胞的设备800与其他设备之间进行有线或无线通信。无线通信,例如Wi‑Fi,蓝
牙,近场通信(Near FieldCommunication,简称NFC),2G、3G或4G,或它们中的一种或几种的
组合,因此相应的该通信组件805可以包括:Wi‑Fi模块,蓝牙模块,NFC模块。
(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing
Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程
门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他
电子元件实现,用于执行上述的检测血细胞的方法。
介质可以为上述包括程序指令的存储器802,上述程序指令可由检测血细胞的设备800的处
理器801执行以完成上述的检测血细胞的方法。
码的可读存储介质。
晰。如此做法可以兼顾处理速度,特征提取能力,模糊检测鲁棒性三个问题;并且本发明首
先统计图像中颜色分布情况,然后利用此先验分布作为初始化条件,再利用Kmeans聚类将
红细胞与细胞间隙分割开。最终,将聚类结果与目标检测结果合并到一起形成最终的细胞
分割结果。
盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。