论文部分内容阅读
目前白血细胞类型的识别多用三分类血液检测仪或五分类血液检测仪,而这些仪器也并不能做到识别分类的高精准化。这些仪器只能识别和统计常规的三分类或五分类白血细胞类型,不能详细精准地统计拥有40种之多的全部白血细胞类型。如果能更加智能化、精准化和全面化地识别白血细胞的具体所属类型,而不是粗略划分的三分类或五分类,将给医生对于白血病患者诊疗起到非常好的辅助作用。针对上述问题,本文基于深度学习的理论对构建40种白血细胞进行分类识别的神经网络和提高分类准确率做了重点研究。论文的主要工作如下:本研究首先设计了一种基于深度卷积神经网络和残差算法的白血细胞分类方法。对于不同种类的白血细胞的识别,其实质就是一种视觉图像的分类处理。而卷积神经网络(CNN)在对图像的局部特征的提取有着得天独厚的优势,其强大之处主要表现在三大特性:局部感知,参数共享以及多核卷积。这些特征让其训练参数大为缩减,并且使得特征的提取更加高效方便。基于此认知,本文通过大量的实验实践设计出一个深度有33层的卷积神经网络分类器,并且通过大量图像样本训练之后可以提取具有82%分类准确率的网络模型。该模型对40种白血细胞的识别分类可以用于临床诊断。由于血细胞领域的限制,我们所获得的白血细胞数据集中各类别数量是极其不均匀,某些类别的样本稀少。像对于通常血检所获得的白血细胞三种类别(大细胞群、中细胞群、小细胞群)的图像较为容易获取且资源较多,而对于更为详细的40分类的白血细胞图像资源较为稀少。针对这样的问题,本文又提出一种基于迁移学习的白血细胞分类识别方法。首先本文设计出一种具有三分类的能够自动提取白血细胞图像显著特征的卷积神经网络架构,再用充足的三分类训练样本拟合网络参数,然后提取出效果较好的三分类模型。其次再设计一种具有40分类的卷积神经网络架构(CNN),而该架构的特征提取层与三分类特征提取层结构相同,故可将三分类模型的特征提取层参数迁移至40分类CNN架构中去,然后利用相对不充足的40分类数据集来训练该40分类架构,最终可以获得具有89%分类准确率的网络模型。最后本文经大量的实验表明本文所提出的基于迁移学习的方法要优于单纯使用CNN或传统的白血细胞自动分类的方法,证明了该方法的可行性与有效性。