骨髓是人体重要的器官之一,人体的血细胞均来源于此。骨髓病变会导致人体造血功能异常,从而引发相关血液疾病。骨髓细胞形态学检查是临床医学上诊断血液疾病最常用的基本方法之一,一般包括取材、涂片、染色,以及专门的检验医师在光学显微镜下,观察骨髓涂片中细胞形态以及计数各类细胞之间的比例关系。如白血病,相关病变细胞在形态上具有明显的病理学特征,通过骨髓细胞形态学检查可以初步地实现有效的快速诊断。但是,传统的人工检查方法不仅耗时耗力,而且存在个人专业水平高低和主观差异等因素。因此,使用人工智能技术,研究实现客观的、高效的、自动的骨髓细胞自动检测与识别技术,对于造血系统疾病的数字化辅助诊断具有非常重要的意义。当前,实现骨髓细胞自动检测与识别技术,存在以下问题:1)骨髓细胞种类繁多,特征复杂且接近,加大了识别的难度。2)受数据采集时不可控因素的影响,不同批次采集的骨髓细胞图像色彩风格不一致,可能会影响该技术的识别效果。基于上述内容,本文基于深度学习技术,实现了骨髓细胞的自动检测与识别技术,具体完成的工作有:1.本文构建了骨髓细胞医学图像数据集BMSEC。图像数据由吉林大学第二医院血液科提供,并由工作经验丰富的专家负责识别相关骨髓细胞,经过搜集、整理、分析、筛选和标注步骤,完成对数据集的构建工作。数据集BMSEC由两个子数据集BMSEC-1和BMSEC-2组成。数据集BMSEC-1共有1166张骨髓涂片,含分辨率2592*1944、2448*2048和1024*768三种大小,由XML文件保存骨髓细胞图像相关信息。数据集BMSEC-2共有10538张单一骨髓细胞图像,从数据集BMSEC-1中骨髓涂片显微图像上剪裁获得。本文构建的骨髓细胞图像数据集BMSEC,数量充足,种类繁多,为后续实现骨髓细胞的自动检测与识别技术打下良好的基础。2.本文针对骨髓细胞分布特点以及形态学特征复杂性,开展了一阶段目标检测算法SSD（Single Shot Multi Box Detector）对骨髓细胞检测与识别应用研究。骨髓细胞图像相较于外周血细胞图像,图像信息更加复杂,如胞间可能相互叠加和挤压,相邻生长阶段细胞形态学特征接近,增大了检测与识别的难度,本文采用基于多框检测的一阶段目标检测算法SSD完成任务。同时,选择VGG16和MobileNetV2分别作为特征提取网络,研究不同特征提取网络对算法SSD的影响。结果表明,以VGG16作为特征提取器的SSD算法在性能上表现更优。此外,在该工作的基础之上,分别为VGG16的每一层有效特征层上引入注意力机制SE模块和ECA模块,研究该两种注意力机制对骨髓细胞检测与识别技术的影响。结果表明SE模块给该任务带来了负面影响,而ECA模块可以显著性地提高效果。3.本文针对骨髓细胞形态学特征复杂的特点,特别是同一大类的相邻生长阶段骨髓细胞相似度较高,在完成骨髓细胞自动检测与识别任务的基础上,本文提出了骨髓细胞分类算法DoubleE,利用不同网络架构的特征学习能力来充分学习骨髓细胞的潜在特征,有效地提高了分类任务的精确率。此外,将该算法在公开血细胞数据集Rabbin和数据集MAM上应用,证明本文提出的算法DoubleE,相较于普通深度学习模型,在结果指标精确率上表现更优。4.本文针对在完成骨髓细胞的自动检测与识别技术的研究之后,使用的数据集BMSEC中存在色彩风格不统一的情况,可能是受骨髓样本、染料浓度和染色时间等客观因素的影响,开展了统一色彩风格对骨髓细胞分类任务影响的研究。本文决定使用软件Photoshop功能匹配颜色,选择四张具有代表性色彩风格的图片作为颜色模板,完成对数据集BMSEC-1的色彩风格统一,构建4种色彩风格统一的数据集BMSEC-2,探究统一色彩风格对骨髓细胞分类任务的影响。结果表明统一色彩风格对分类任务有一定程度的影响,其中只有1种统一色彩风格可以提升分类效果,其他统一色彩风格则会降低识别效果。