密集多目标细胞检测算法研究.pdfVIP

摘要

密集多目标细胞检测算法研究

骨髓是人体重要的造血器官和免疫器官，基于细胞形态学对骨髓血细胞进行

分类和统计是临床上对白血病、各种贫血和恶性组织细胞病等多种重大血液疾病

诊断的依据，是疾病治疗方案选择的决定性因素。目前，骨髓血细胞的分类计数

仍采用传统的人工镜检的方式，存在工作量大、耗费人力、医生专业水平和主观

判断对判别结果影响过大等问题。因此，利用人工智能算法从医学图像数据中挖

掘出不同骨髓血细胞特征信息进而进行分类识别，为临床医学诊疗和科学问题研

究提供更加充分的依据，是医疗大数据的研究热点，同时也是智慧医疗体系中至

关重要的一环。

现有的血液细胞分类识别方法研究中，主要集中针对外周血有核细胞的分类

识别，并未涉及骨髓血有核细胞和相邻生长周期细胞。相邻生长阶段的骨髓血有

核细胞间没有明确的分化界限，骨髓血有核细胞密集程度和细胞种类远大于外周

血有核细胞，因此骨髓血有核细胞的分类难度较外周血有核细胞分类更具有挑战

性。目前，亟需一种针对处于相邻生长阶段的骨髓血有核细胞的分类识别方法。

本文针对骨髓血有核细胞中的骨髓粒细胞进行研究，主要研究内容如下：

（1）为了解决骨髓粒细胞相邻生长周期难以识别的问题，本文基于投票策

略集成四个目标检测网络，提出VOD(VotingObjectsDetection)模型，对六类骨髓

粒细胞图像进行精准定位和分类。利用合作医院采集的骨髓粒细胞图像数据，选

取基于锚框的目标检测网络YOLOv4、SSD和基于关键点的目标检测网络

CornerNet、CenterNet，在骨髓粒细胞多目标检测数据集上进行训练和实验，并结

合实验结果分析，设计VOD模型，该模型集成了每个网络对不同骨髓粒细胞识

别的优势，具有更好的识别准确率。

（2）为了提升模型分类准确率和降低模型算法复杂度，本文进一步提出C-

TR（CenterNet-TBCResNet）级联模型，包括定位模块和分类模块两部分。定位

模块选取CenterNet网络进行细胞定位，得到骨髓粒细胞所在位置的框信息；分

类模块采用捆绑块卷积的思想，通过共享卷积核参数，改进了ResNet网络，降

低网络参数量，提升网络分类准确率。

实验表明：VOD模型将细胞识别的平均准确率从76%提升至78%，实现在

密集且相似的骨髓粒细胞数据集中良好的分类识别性能。C-TR级联模型，在骨

髓粒细胞数据集上最终测试达到79%的准确率，在相同数据量的情况下，测试图

像时间与VOD模型相比节约了27%。本文的研究可以有效的辅助医生完成骨髓

粒细胞分类任务，降低专业医生的工作量，提升患者诊断速率，减少人为因素误

判的发生，在智慧医疗领域中具有一定的应用价值。

I

关键词：VOD模型，C-TR级联模型，ResNet模型，图像识别，骨髓粒细胞分类

II

ABSTRACT

ResearchonCellDetectionAlgorithmforDenseMulti-targets

Bonemarrowisanimportanthematopoieticorganandimmuneorganofthe

humanbody.Classificationandstatisticsofbonemarrowhemolyticbasedoncell

morphologyisthebasisofclinicaldiagnosisofmanymajorblooddiseasessuchas

leukemia,anemiaandmalignanthistiocyticdisease,andisthedecisivefactorinthe

selection