论文部分内容阅读
白血病是一种骨髓及造血组织异常的增生性疾病。在临床上,白血病的细胞形态学诊断方法主要依赖于对骨髓涂片的人工镜检。然而该方法费力、耗时、低效,且检测结果存在主观性。针对以上问题,本文利用卷积神经网络(convolution neural network,CNN)结合迁移学习,建立骨髓细胞显微图像和单一白细胞图像的分类模型,实现对白血病细胞形态学的快速、高效、准确诊断。具体工作包括:1.基于完整骨髓细胞显微图像的白血病细胞形态学分类诊断。首先采集急性髓细胞白血病(acute myelocytic leukemia,AML)、急性淋巴细胞白血病(acute lymphoblastic leukemia,ALL)、慢性髓细胞白血病(chronic myelocytic leukemia,CML)与健康人的骨髓细胞显微图像,构建数据集Data-1。然后应用GoogleNet,ResNet和DenseNet建立原始Data-1和预处理后的Data-1分类模型,其中基于预处理Data-1的DenseNet模型分类效果最优,预测准确率为74.8%。最后将迁移学习与DenseNet结合,进一步提高模型预测精度。结果表明,微调DenseNet模型预测总准确率最高,达到95.2%,其中正常组、AML、ALL和CML的预测准确率分别为90%、99%、97%和95%。2.基于完整骨髓细胞显微图像的AML细胞形态学分型诊断。首先采集AML四类亚型(M2,M3,M4和M5)的骨髓细胞显微图像,构建数据集Data-2。然后应用GoogleNet,ResNet和DenseNet建立原始Data-2和预处理后的Data-2分类模型,其中基于预处理Data-2的DenseNet模型分类效果最优,预测准确率为70.4%。最后结合迁移学习进一步提高模型预测精度。结果表明,微调DenseNet模型预测总准确率最高,达到93.5%,其中M2、M3、M4和M5的预测准确率分别91%、90%、93%和100%。3.基于单一白细胞图像的AML细胞形态学分型诊断。首先利用最大类间方差法(Otsu)对AML骨髓细胞显微图像进行阈值分割,提取白细胞图像,构建8种白细胞图像数据集Data-3。为解决各类白细胞图像数量分布不平衡的问题,应用数据增强技术生成新的数据集Data-3*。然后应用GoogleNet,ResNet和DenseNet建立Data-3*分类模型,结合迁移学习进行图像分类。最后基于Data-3*模型的白细胞预测结果计算出各亚型骨髓涂片样本的白细胞百分比并得出诊断结果。结果表明,微调DenseNet模型预测总准确率最高,达到91.2%,八种白细胞(原始粒细胞、早幼粒细胞、中幼粒细胞、晚幼粒细胞、杆状核粒细胞、分叶核粒细胞、单核细胞以及其他细胞)的预测准确率分别为91%、95%、82%、99%、87%、92%、93%和90%,基于细胞模型得到的AML分型诊断的准确率达到100%。本文的研究结果表明基于CNN结合迁移学习的白血病细胞形态学诊断是可行的,且该方法相比传统人工镜检方法具有快速、准确、客观等优点。