检索历史 清除

摘要血细胞分析技术通过检测血细胞的种类、数量、形态等信息，对免疫系统、血液系统等方面的疾病进行诊断，是获取相关疾病临床信息的重要手段。传统的血细胞分析方法繁杂、耗时，人为因素干扰大，因此发展自动化、智能化的血细胞分析技术已成为研究热点。尽管人们在这方面取得了可喜的进展，但血细胞分布的复杂性、部分红细胞的高度重叠性仍然是制约分析准确度提升的巨大挑战。为此，本文提出了一种端对端的基于深度学习的血细胞分析算法，能准确地分割和检测血细胞，实现了白细胞的分类计数，以及红细胞的计数、面积分布统计和长宽比分布统计，为自动血细胞分析提供了一个新的有力工具。<br>　　本文的主要研究工作及结果如下：<br>　　（1）研究了血细胞图像的预处理算法。针对血细胞分布复杂以及背景噪声干扰的问题，提出采用U-Net++网络对图像中的白细胞和红细胞区域分别进行分割。有效去除了血细胞图像中的噪声干扰，实现了白细胞与红细胞的初步分类，并将整张血细胞图像分割成若干个感兴趣区域（Region of Interest, ROI）。每个ROI 仅包含一个单细胞或多个重叠的细胞，将复杂的血细胞图像“化繁为简”，为后续血细胞的检测和分析奠定基础。<br>　　（2）研究了基于深度学习的血细胞检测算法。实验对比研究了SSD、Faster R-CNN、RetinaNet、YOLOv5四种具有代表性的目标检测网络对血细胞的检测效果。实验结果显示，YOLOv5在平均精度均值（mAP）上显著优于其他网络，具备良好的血细胞检测性能。此外，YOLOv5在白细胞分类上也表现优异，可识别淋巴细胞、嗜碱性粒细胞、中性粒细胞、嗜酸性粒细胞和单核细胞，分类准确率达到96.22%，因此可成为血细胞检测的首选网络。<br>　　（3）针对高度重叠红细胞的计数问题，提出了非极大值抑制（NMS）的自适应调节算法对 YOLOv5 网络进行优化。该算法可根据红细胞的重叠程度自适应调节 NMS，大幅提升了高重叠红细胞的检出率，且有效避免了重复选取框的出现。此外，提出了红细胞精细分类策略和红细胞形态学约束方法，进一步提高了 YOLOv5 检测网络的准确性。实验结果显示，本文所提方法的红细胞计数准确率为98.26%，优于目前的SOTA算法。在此基础上，实现了红细胞的面积分布统计和长宽比分布统计。