一种网织红细胞识别方法和系统

技术领域

本发明涉及细胞分析技术领域，尤其涉及一种网织红细胞识别方法和系统。

背景技术

网织红细胞简称网织红，其计数统计是评价骨髓造血功能的重要指标，对网织红细胞进行计数是临床血检工作中评估骨髓造血功能的基础性实验，是临床检验中一项重要的指标，因此，对网织红细胞进行识别、计数以及RDW-SD和RDW-CV评价有着十分重要的意义。

目前，在现有技术中，网织红细胞的检测方法主要有流式细胞仪检测法和人工镜检法。流式细胞仪检测易受血液中的白细胞、血小板以及其他物质干扰，准确性较低；人工镜检则是在显微镜下直接目测计数1000个红细胞中网织红细胞数，统计网织红的比例，这种方法的缺点是效率低，操作繁琐，易受主观人为因素的影响，且不能提供RDW-SD和RDW-CV评价参数，两种方法均导致对网织红细胞的检测效果降低。

发明内容

本发明的目的在于提供一种网织红细胞识别方法和系统，提高对网织红细胞的检测效果。

为实现上述目的，第一方面，本发明提供了一种网织红细胞识别方法，包括以下步骤：

采集网织红细胞图像，并将所述网织红细胞图像作为数据集对yolov5网络模型进行训练；

利用训练后的所述yolov5网络模型对所述网织红细胞图像进行验证，直至达到识别要求，对所述yolov5网络模型进行封装打包，得到识别计数网络模型；

利用所述识别计数网络模型对重新采集的所述网织红细胞图像进行识别、计数，得到对应的评价参数。

其中，采集网织红细胞，并将所述网织红细胞图像作为数据集对yolov5网络模型进行训练，包括：

利用光学显微平台采集多个网织红细胞图像作为数据集，并利用图像标注软件对所述网织红细胞图像进行标定，生成第一文件；

将所述第一文件进行格式转换，并将所述数据集划分出的训练集输入yolov5网络模型进行训练。

其中，将所述第一文件进行格式转换，并将所述数据集划分出的训练集输入yolov5网络模型进行训练后，所述方法还包括：

将格式转换后的所述第一文件中的标注信息进行提取，并写入第三文件中进行保存。

其中，利用所述识别计数网络模型对重新采集的所述网织红细胞图像进行识别、计数，得到对应的评价参数，包括：

利用光学显微平台重新采集多个所述网织红细胞图像，并输入所述识别计数网络模型，得到对应的网织红细胞个数；

对单个网织红细胞进行分割和单个所述网织红细胞图像进行预处理，得到网织红细胞体积；

对所有的所述网织红细胞体积进行统计分析，得到两种评价参数。

其中，对单个网织红细胞进行分割和单个所述网织红细胞图像进行预处理，得到网织红细胞体积，包括：

对单个所述网织红细胞进行分割，并对单个所述网织红细胞图像进行灰度转换、高斯滤波；

利用OTSU法对滤波后的所述网织红细胞图像进行分割和边缘检测，获取单细胞轮廓；

对所述单细胞轮廓进行等效处理，得到对应的网织红细胞体积。

第二方面，本发明提供了一种网织红细胞识别系统，如第一方面所述的一种网织红细胞识别方法应用于一种网织红细胞识别系统，

所述网织红细胞识别系统包括识别计数网络模型建立模块和评价参数计算模块，所述评价参数计算模块与所述识别计数网络模型建立模块连接；

所述识别计数网络模型建立模块，用于采集网织红细胞图像，并将所述网织红细胞图像作为数据集对yolov5网络模型进行训练和验证，直至达到识别要求，得到识别计数网络模型；

所述评价参数计算模型，用于利用所述识别计数网络模型对重新采集的所述网织红细胞图像进行识别、计数，得到对应的评价参数。

其中，所述识别计数网络模型建立模块包括训练单元和建立单元，所述建立单元与所述训练单元连接；

所述训练单元，用于采集网织红细胞图像，并将所述网织红细胞图像作为数据集对yolov5网络模型进行训练；

所述建立单元，用于利用训练后的所述yolov5网络模型对所述网织红细胞图像进行验证，直至达到识别要求，对所述yolov5网络模型进行封装打包，得到识别计数网络模型。

本发明的一种网织红细胞识别方法和系统，利用光学显微平台采集网织红细胞图像，并将所述网织红细胞图像进行标注和格式转换后，作为数据集对yolov5网络模型进行训练；利用训练后的所述yolov5网络模型对所述网织红细胞图像进行验证，直至达到识别要求，对所述yolov5网络模型进行封装打包，得到识别计数网络模型；利用所述识别计数网络模型对重新采集的所述网织红细胞图像进行识别、计数，得到对应的评价参数，提高对网织红细胞的检测效果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的一种网织红细胞识别方法的步骤示意图。

图2是本发明提供的网织红细胞识别计数网络模型的构建流程示意图。

图3是本发明提供的网织红细胞RDW-SD和RDW-CV评价参数计算流程示意图。

图4是本发明提供的网络模型识别网织红细胞结果图。

图5是本发明提供的对单个网织红细胞的分割和边缘检测图。

图6是本发明提供的对RDW-SD参数计算原理图。

图7是本发明提供的对RDW-CV参数计算原理图。

图8是本发明提供的一种网织红细胞识别系统的结构示意图。

1-识别计数网络模型建立模块、2-评价参数计算模块、11-训练单元、12-建立单元。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

请参阅图1，本发明提供一种网织红细胞识别方法，包括以下步骤：

S101、采集网织红细胞图像，并将所述网织红细胞图像作为数据集对yolov5网络模型进行训练。

具体的，如图2所示，首先用光学显微平台采集大量网织红细胞图像作为数据集，用图像标注软件对所述网织红细胞图像进行标定，生成与样本图像文件名相同的.json文件即第一文件；将所述第一文件进行格式转换，并将所述数据集划分出的训练集输入yolov5网络模型进行训练，具体为：将所述第一文件(.json文件)转换成第二文件(.xml文件)，并按一定比例将数据集分成训练数据集train.txt和测试数据集test.txt，第三文件(.txt文件)保存训练数据集和测试数据集的图像路径。然后通过计算机GPU，利用所述训练数据集对yolov5网络模型进行训练。

将格式转换后的所述第一文件(即得到的第二文件)中的标注信息进行提取，并写入第三文件(.txt文件)中进行保存。

在采集网织红细胞图像，并将所述网织红细胞图像作为数据集对yolov5网络模型进行训练之前，所述方法还包括：

对yolov5网络模型中的第四文件(train.py文件)中的参数进行设置，并修改迭代参数，其中，为解决网织红细胞中分类不均衡问题，将超参数中的焦点损失参数设置为1.5，利用所述焦点损失参数进行标签平滑，解决网织红细胞类别分类不平衡问题。

S102、利用训练后的所述yolov5网络模型对所述网织红细胞图像进行验证，直至达到识别要求，对所述yolov5网络模型进行封装打包，得到识别计数网络模型。

具体的，利用划分出的测试数据集对训练后的所述yolov5网络模型进行验证，直至满足网织红细胞的识别要求或者达到设定的迭代次数，生成对应的模型文件，然后对所述模型文件进行封装打包，得到对应的识别计数网络模型。

S103、利用所述识别计数网络模型对重新采集的所述网织红细胞图像进行识别、计数，得到对应的评价参数。

具体的，如图3所示，利用光学显微平台重新采集多个所述网织红细胞图像，并输入所述识别计数网络模型，得到对应的网织红细胞个数，其中，所述网织红细胞个数包括成熟网织红细胞个数和未成熟网织红细胞个数，如图4所示。

如图5所示，对单个网织红细胞进行分割和单个所述网织红细胞图像进行预处理，得到网织红细胞体积，具体为：对单个所述网织红细胞进行分割，并对单个所述网织红细胞图像进行灰度转换、高斯滤波；利用OTSU法对滤波后的所述网织红细胞图像进行分割和边缘检测，获取单细胞轮廓；对所述单细胞轮廓进行等效处理，得到对应的网织红细胞体积，包括：

基于所述单细胞轮廓计算出对应的面积，并将所述单细胞轮廓等效成圆，计算出对应的半径，公式为：

将所述网织红细胞等效成球体，根据所述半径计算出每个所述网织红细胞体积，计算公式为：

对所有的所述网织红细胞体积进行统计分析，得到两种评价参数，分别为RDW-SD参数和RDW-CV参数。

如图6所示，RDW-SD的计算是以红细胞分布的峰值相当于100％时的20％界限的分布宽度，用fl表示。

如图7所示，L1～L2在总分布区域中的出现频数为68.26％，那么RDW-CV的计算公式如下：

L1表示总分布区域中的出现频数为68.26％界限的左值，L2表示界限的右值，RDW-CV的单位为％。

有益效果

(1)本发明通过训练好的yolov5网络模型，能自动高效的对网织红细胞进行分类识别和计数，与人工统计相比，得到质的提高，排除了人为主观因素的干扰。

(2)本发明基于yolov5深度学习网络模型，随着训练集图像质量的提升，以及训练次数的增加，可对网络模型进行不断优化；

(3)本发明可提供网织红的RDW-SD和RDW-CV评价参数，可对网织红细胞样本做进一步评价。

请参阅图8，本发明提供了一种网织红细胞识别系统，如第一方面所述的一种网织红细胞识别方法应用于一种网织红细胞识别系统，

所述网织红细胞识别系统包括识别计数网络模型建立模块1和评价参数计算模块2，所述评价参数计算模块2与所述识别计数网络模型建立模块1连接；

所述识别计数网络模型建立模块1，用于采集网织红细胞图像，并将所述网织红细胞图像作为数据集对yolov5网络模型进行训练和验证，直至达到识别要求，得到识别计数网络模型

所述评价参数计算模型，用于利用所述识别计数网络模型对重新采集的所述网织红细胞图像进行识别、计数，得到对应的评价参数。

所述识别计数网络模型建立模块1包括训练单元11和建立单元12，所述建立单元12与所述训练单元11连接；

所述训练单元11，用于采集网织红细胞图像，并将所述网织红细胞图像作为数据集对yolov5网络模型进行训练；

所述建立单元12，用于利用训练后的所述yolov5网络模型对所述网织红细胞图像进行验证，直至达到识别要求，对所述yolov5网络模型进行封装打包，得到识别计数网络模型。

在本实施方式中，关于一种网织红细胞识别系统的具体限定可以参见上文中对于一种网织红细胞识别方法的限定，在此不再赘述。上述一种网织红细胞识别系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

本发明的一种网织红细胞识别方法和系统，利用光学显微平台采集网织红细胞图像，并将所述网织红细胞图像进行标注和格式转换后，作为数据集对yolov5网络模型进行训练；利用训练后的所述yolov5网络模型对所述网织红细胞图像进行验证，直至达到识别要求，对所述yolov5网络模型进行封装打包，得到识别计数网络模型；利用所述识别计数网络模型对重新采集的所述网织红细胞图像进行识别、计数，得到对应的评价参数，提高对网织红细胞的检测效果。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。