基于深度学习的骨髓粒细胞检测和分类方法研究

作     者：郭泽洋 

作者单位：吉林大学 

学位级别：硕士

导师姓名：王鏐璞

授予年度：2024年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 081104[工学-模式识别与智能系统] 1010[医学-医学技术（可授医学、理学学位）] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0835[工学-软件工程] 0811[工学-控制科学与工程] 10[医学] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：骨髓粒细胞 卷积神经网络 目标检测与定位 细粒度分类 

摘      要：骨髓粒细胞是人体血液系统中的重要组成部分,各类别的骨髓粒细胞在其不同生长发育阶段的数量比例是评估人体健康状况的重要指标。这一指标不仅有助于诊断人体功能性疾病和炎症性感染等非造血系统疾病,而且是精准快速判定如白血病等恶性造血系统疾病的重要依据。目前,在临床骨髓细胞形态学检查过程中,对于粒细胞的检测和分类计数工作主要依赖于人工检测的方法。然而,人工检测的方法不仅在人力、物力和财力上造成巨大的开销,而且易受血液专家主观判断差异的影响,从而导致分类计数结果的客观性和一致性难以保证。 为解决上述问题,本研究与吉林大学第二医院合作,利用深度学习技术设计并实现了高效率、高精度的骨髓粒细胞自动检测定位与细粒度分类方法。该方法在对粒细胞实现自动检测定位的基础上进一步采用分类模型完成细粒度分类任务,这不仅避免了常规人工检测方法固有的局限性,还可以在规范诊断流程的基础上进而辅助医生完成高效精准的诊断分析,具有一定的应用价值。本文主要完成工作内容如下: (1)对现阶段开源骨髓粒细胞图像数据集样本来源单一、数据样本类别偏少和图像质量欠佳等问题,本文收集并构建了一个大规模、多元化的骨髓粒细胞数据集(Bone Marrow Granulocyte,BMG)。该数据集包含8个类别的骨髓粒细胞,共计1501张骨髓粒细胞涂片全域图像和6074张骨髓粒细胞单细胞图像。相比于开源数据集,BMG数据集是截止目前规模较大且细胞类别丰富度最高的骨髓粒细胞数据集。 (2)对于骨髓粒细胞的检测定位中图像存在染色差异和细胞分布位置具有随机性等问题,本文提出了一种骨髓粒细胞自动检测定位模型AP-Faster R-CNN。该检测模型在基于双阶段目标检测算法Faster R-CNN,通过引入特征金字塔、注意力机制和多尺度的训练方式来提升模型的鲁棒性并改善检测定位效果,最终此模型实现了96.48%的检测召回率和83.04%的检测精确率,并且每张图片的平均检测耗时仅需35ms。经对比实验和消融实验结果表明,该检测定位方法相比于其他4种不同架构的检测模型,不仅能够在具有高精度的检测定位效果的同时兼顾检测效率,还能够克服细胞分布位置、密集程度和颜色变化等干扰因素所带来的影响,具有较强的鲁棒性。 (3)针对骨髓粒细胞细粒度分类中粒细胞类间差异小、细胞染色差异以及样本类别数量分布不平衡的问题,本文设计并实现了BMG-Conv Ne Xt网络模型用于细粒度分类。该细粒度分类方法在Conv Ne Xt图像分类模型的基础上,在其中融入非局部模块的同时对损失函数进行调整,并对训练数据采用混合增强策略,使得多个分类指标相较于基准模型得到提升(召回率:+1.47%,精确率:+1.90%,F1分数:+1.68%,准确率:+2.06%)。经对比试验证明,该细粒度分类模型的分类效果优于另外7种分类模型。最后通过开源数据集的测试效果进一步验证了本文提出的骨髓粒细胞细粒度分类方法的分类性能和泛化性。