检索历史 清除

摘要白血病是一种正常造血功能受到抑制而引起的疾病，是由于骨髓造血干细胞不受控制地增殖、分化和凋亡而大量积累在骨髓和其他组织中所导致。目前白血病的诊断通常由医生依据骨髓细胞形态学采用手动计数的方法进行检查，存在工作强度大、效率低、结果主观性强等问题。因此，基于深度学习技术研究骨髓细胞自动检测与识别方法能极大提高白血病等血液疾病的诊断效率。针对上述问题，本文采用深度学习技术对骨髓细胞检测与识别问题开展研究。针对骨髓细胞检测任务，本文提出了一种改进SSD模型的一阶段骨髓细胞检测模型SSD-LA，融合CBAM注意力机制以及IoULoss损失函数，用来在骨髓全域图像上定位分割骨髓细胞。针对骨髓细胞识别任务，本文基于细粒度图像分类模型TransFG提出了一种骨髓细胞细粒度识别检测模型BM-Trans，用于对骨髓细胞图像分类。实验结果表明，本文提出的模型在骨髓细胞检测与识别问题上优于目前已有方法，可以提高诊断效率，自动化实现对骨髓细胞图像的检测与分类，辅助医生完成白血病的诊断。具体完成工作如下：<br>　　(1)本文以吉林大学白求恩第二医院血液科收集到的1579张骨髓细胞全域图像构建了FBMI大规模骨髓细胞数据集；同时根据全域图像上的标注信息构建了由14761张骨髓单细胞图像组成的SBMC-1数据集。为了解决骨髓细胞数据不平衡现象以及医学图像收集时噪声干扰的问题，本文利用公开的数据集BM_cytomorphology对SBMC-1数据集进行扩增，构建了由23235张骨髓单细胞图像组成的SBMC-2数据集。将SBMC-1和SBMC-2数据集分别应用在ResNet50上，实验结果表明数据增强在骨髓细胞分类任务上准确度提升了3.5%，精确率上提升了1.5%。本文针对骨髓中含量超出正常范围而导致常见白血病的细胞特征，以及医学诊断上的特征，将骨髓细胞形态学检查中的25类细胞划分为17类进行标注。<br>　　(2)本文提出了一种骨髓细胞检测模型SSD-LA，该模型是在一阶段目标检测模型SSD的基础上进行了改进，将IoULoss作为SSD-LA模型的损失函数，同时在用于预测的多种尺度特征图上添加CBAM混合注意力机制。为了评估SSD-LA的性能，本文将提出的SSD-LA模型与经典的目标检测模型YOLO-V3和RetinaNet进行对比。实验结果展示，SSD-LA模型在细胞检测评价指标mAP达到0.570，相较于SSD模型提升了2.3%，SSD-LA模型在骨髓细胞全域图像上检测目标较SOTA模型YOLO-V3提升了0.7%。实验结果表明SSD-LA模型引入的注意力机制和采用的IoULoss损失函数在骨髓细胞检测任务上的有效性。<br>　　(3)针对骨髓细胞在形态上高度相似的特点，本文提出了骨髓细胞细粒度分类模型BM-Trans。BM-Trans模型是在Transformer在细粒度图像上的应用TransFG模型的基础上进行的改进，提出了特征选择模块(FSM)并将全局损失、局部损失和对比损失之和作为模型损失函数，消融实验结果展示了特征选择模块以及损失函数在骨髓细胞细粒度分类任务上的有效性。为了评估BM-Trans模型在骨髓细胞识别任务上表现，本文将BM-Trans模型与VGG16、ResNet50、Bilinear_CNN、SwinTransformer和TransFG网络进行了对比实验。实验结果展示，BM-Trans在骨髓细胞分类任务上的准确率达到了79.2%，精确率达到79.1%，与SOTA模型TransFG相比准确率提升了1.1%，精确率上提升了2.2%。本文将训练好的BM-Trans模型与TransFG模型在公开数据集ACL上进行测试对比，BM-Trans模型在准确率上提升了0.9%，精确率上提升了1.4%，验证了BM-Trans模型的泛化性能。