基于深度学习的白血病骨髓细胞显微图像分类方法与流程

本发明涉及医学图像处理，具体为基于深度学习的白血病骨髓细胞显微图像分类方法。

背景技术：

1、白血病骨髓细胞显微图像分类依赖对细胞形态的准确识别。传统方法通过图像处理技术提取单个细胞的纹理、形状、颗粒分布等视觉特征，再采用支持向量机等分类器完成细胞类型判定。该类方法将每个细胞视为独立个体，仅关注细胞自身的显微图像表征，而骨髓涂片中存在大量不同分化阶段、不同谱系的细胞群体，细胞之间的空间排布和邻接关系携带有关造血微环境状态及病理性聚集的重要信息。忽略细胞间空间关系，导致分类模型无法感知由白血病浸润引起的细胞群体分布异常，限制了判别准确性的提升。另外，细胞核染色质纹理、细胞质颗粒分布与基于空间关系抽象出的拓扑特征分别属于不同模态，在特征表示尺度和分布上存在较大差异，现有方法多采用简单向量拼接的方式对多源特征进行组合，未对跨模态特征进行显式对齐，不同模态特征在联合表征中容易产生信息冲突或尺度失配，影响融合细胞表征的判别完备性。如何从骨髓细胞显微图像中提取细胞群体的空间拓扑关系并将其与单细胞形态学特征进行有效融合，是需要解决的问题。

技术实现思路

1、提供一种基于深度学习的白血病骨髓细胞显微图像分类方法，通过对骨髓细胞显微图像中细胞间邻接关系进行图结构建模，获取细胞空间拓扑关系特征，并将其与单细胞多尺度形态特征实现跨模态对齐与融合，从而提升白血病细胞类型判别的准确性。

2、为了实现上述目的，本发明提供如下技术方案：本发明提供了一种基于深度学习的白血病骨髓细胞显微图像分类方法，该方法包括：获取骨髓细胞显微图像数据，并对骨髓细胞显微图像数据进行细胞核区域定位与细胞质区域划分，得到单细胞图像数据；对单细胞图像数据执行多尺度特征提取操作，得到细胞核染色质纹理特征和细胞质颗粒分布特征；将细胞核染色质纹理特征和细胞质颗粒分布特征输入预先构建的图卷积网络中进行细胞邻接关系编码，得到细胞空间拓扑关系特征；将细胞空间拓扑关系特征与细胞核染色质纹理特征和细胞质颗粒分布特征进行跨模态特征对齐与拼接，得到融合细胞表征数据；基于融合细胞表征数据，利用多层次类别判别网络进行白血病细胞类型概率预测，得到各类别概率分布数据，并根据各类别概率分布数据确定骨髓细胞显微图像的分类结果。

3、作为本发明的一个优选技术方案，获取单细胞图像数据的过程具体为：对骨髓细胞显微图像数据进行灰度化处理和对比度归一化处理，得到标准化灰度图像数据；将标准化灰度图像数据输入预先训练的目标检测网络中进行细胞核中心点定位，得到细胞核中心点坐标数据和细胞核边界框数据；根据细胞核中心点坐标数据和细胞核边界框数据，采用区域生长算法对每个细胞核对应的细胞质区域进行边界确定，得到细胞质区域分割数据；根据细胞核边界框数据和细胞质区域分割数据，从骨髓细胞显微图像数据中裁剪出包含完整单个细胞的图像区域，得到单细胞图像数据。上述方式能够精确分离单个细胞区域，有效去除图像背景与细胞重叠带来的干扰，为后续分析提供干净的细胞单元。

4、在对单细胞图像数据执行多尺度特征提取操作之前，优选的，还包括对单细胞图像数据进行颜色归一化的步骤，该步骤具体为：对单细胞图像数据中的红色通道、绿色通道和蓝色通道分别计算通道均值和通道标准差，得到各通道统计参数数据；根据各通道统计参数数据，将单细胞图像数据中每个像素的各通道值减去对应通道的通道均值后再除以对应通道的通道标准差，得到通道标准化像素数据；对通道标准化像素数据分别乘以目标红色通道均值、目标绿色通道均值和目标蓝色通道均值，并分别加上目标红色通道标准差、目标绿色通道标准差和目标蓝色通道标准差，得到颜色归一化后的单细胞图像数据。通过颜色归一化，可有效消除不同制片染色条件下引入的图像色彩差异，提升特征提取的一致性与稳定性。

5、在多尺度特征提取操作中，优选的，对单细胞图像数据中的细胞核区域进行不同尺度的局部二值模式编码，得到多尺度纹理编码数据；对多尺度纹理编码数据进行直方图统计与串联拼接，得到细胞核染色质纹理特征；同时对单细胞图像数据中的细胞质区域进行方向梯度直方图计算，得到细胞质梯度幅值分布数据；对细胞质梯度幅值分布数据进行分块统计与归一化处理，得到细胞质颗粒分布特征。通过多尺度分析和互补特征设计，能够从不同感受野捕捉染色质的细腻纹理变化以及细胞质颗粒的分布形态，为区分各类白血病细胞提供更丰富的形态学依据。

6、在获得细胞空间拓扑关系特征的优选方案中，根据单细胞图像数据中每个细胞的细胞核中心点坐标数据，计算任意两个细胞核中心点之间的欧氏距离，得到细胞间距离矩阵数据；将细胞间距离矩阵数据中小于预设距离阈值的细胞对确定为邻接细胞对，并根据邻接细胞对构建细胞邻接图数据，其中节点为单细胞，边为邻接关系；将细胞核染色质纹理特征和细胞质颗粒分布特征作为节点初始特征，通过图卷积网络进行多阶邻域特征聚合，得到节点更新特征数据；对节点更新特征数据进行全局池化操作，得到细胞空间拓扑关系特征。该方案使得网络能够学习细胞之间的空间分布规律和组织结构，对识别因细胞异常排布所反映的白血病病理特征具有显著帮助。

7、为了充分融合多源特征，跨模态特征对齐与拼接通过第一线性投影层将细胞核染色质纹理特征映射至公共特征空间，得到第一投影特征数据；通过第二线性投影层将细胞质颗粒分布特征映射至公共特征空间，得到第二投影特征数据；通过第三线性投影层将细胞空间拓扑关系特征映射至公共特征空间，得到第三投影特征数据；对第一投影特征数据、第二投影特征数据和第三投影特征数据进行逐元素相加与层归一化处理，得到融合细胞表征数据。在公共特征空间中进行相加融合，能够使不同模态的特征信息相互校准与增强，获得更具判别力的整体细胞表达。

8、在利用多层次类别判别网络进行分类时，该网络包括粗粒度判别子网络和细粒度判别子网络。将融合细胞表征数据输入粗粒度判别子网络中进行大类归属预测，得到正常细胞大类概率数据、反应性细胞大类概率数据和肿瘤细胞大类概率数据；当肿瘤细胞大类概率数据大于预设大类阈值时，将融合细胞表征数据输入细粒度判别子网络中进行亚型归属预测，得到各白血病亚型概率数据；当正常细胞大类概率数据或反应性细胞大类概率数据大于预设大类阈值时，将融合细胞表征数据输入细粒度判别子网络中进行正常亚型或反应性亚型归属预测，得到各正常亚型概率数据或各反应性亚型概率数据；根据各白血病亚型概率数据或各正常亚型概率数据或各反应性亚型概率数据，确定各类别概率分布数据。这种从粗到细的递进式判别方式，既保证了快速的大类筛查，又能对关键肿瘤细胞等类别进行精细的亚型区分，提升了分类的准确性和效率。

9、优选的，所述多层次类别判别网络在融合细胞表征数据的基础上还执行特征降维：将融合细胞表征数据依次输入多层次类别判别网络的第一全连接层和第二全连接层进行特征降维，得到降维特征数据；将降维特征数据输入第三全连接层进行类别得分计算，得到各类别初始得分数据；对各类别初始得分数据进行归一化指数函数映射处理，得到各类别概率分布数据；从各类别概率分布数据中选取概率值最大的类别作为骨髓细胞显微图像的分类结果。通过层次化的全连接映射与归一化，能够将压缩后的特征有效转化为各类别的置信度，实现稳定的概率输出。

10、作为本发明的一个优选技术方案，所述预先构建的图卷积网络的训练过程为：获取骨髓细胞显微图像训练样本数据及对应的细胞类型标注数据，并对骨髓细胞显微图像训练样本数据进行细胞核区域定位与细胞质区域划分，得到单细胞训练图像数据；对单细胞训练图像数据进行多尺度特征提取操作，得到训练细胞核染色质纹理特征和训练细胞质颗粒分布特征；根据训练细胞核染色质纹理特征和训练细胞质颗粒分布特征，结合单细胞训练图像数据中细胞核中心点坐标数据，构建训练细胞邻接图数据；以训练细胞邻接图数据为输入，以细胞类型标注数据为监督信号，采用交叉熵损失函数对图卷积网络的网络参数进行迭代更新，得到训练完成的图卷积网络。进一步的，交叉熵损失函数中为不同细胞类型类别设置不同权重系数，所述权重系数与各类别在训练样本中的出现频率成反比。采用这种带权重的损失函数可以显著缓解样本类别不均衡问题，防止模型偏向于高频类别，提升对稀有白血病细胞类型的检测能力。

11、在上述技术方案中，本发明提供的技术效果和优点：

12、通过获取骨髓细胞显微图像中的单细胞图像数据，并提取细胞核染色质纹理特征与细胞质颗粒分布特征之后，将上述特征作为节点初始特征，依据细胞核中心点坐标计算细胞间距离并构建细胞邻接图，进而利用图卷积网络进行多阶邻域特征聚合，得到细胞空间拓扑关系特征。该方案将显微图像分析对象从孤立单细胞扩展至细胞群体，图卷积网络能够感知骨髓涂片内特定区域中细胞的聚集模式、密度变化及异常细胞的空间邻近关系，由此提取的空间拓扑关系特征直接对应白血病细胞在骨髓微环境中的浸润与取代正常造血细胞所形成的空间分布异常，使后续判别过程获得超越单一细胞形态信息的群体层面的病理线索，克服了传统方法仅依靠单细胞视觉特征而遗漏空间关系信息的缺陷。

13、将细胞核染色质纹理特征、细胞质颗粒分布特征与细胞空间拓扑关系特征通过各自对应的线性投影层映射至公共特征空间，得到维度一致的第一投影特征、第二投影特征和第三投影特征，再对三者执行逐元素相加与层归一化处理，获得融合细胞表征数据。该跨模态特征对齐与拼接方式将来源于细胞核区域、细胞质区域与细胞间拓扑关系的异质特征统一到同一可比较的表示空间，消除了不同模态特征在数值量级和分布特性上的差异，避免直接拼接时某一模态特征因尺度占优而对融合结果产生偏向性影响。层归一化操作稳定特征分布后，融合细胞表征数据能够完整保留来自细胞内部纹理、颗粒结构和外部空间位置关系的互补判别信息，使得后续多层次类别判别网络可依据更丰富的融合特征对细胞类型进行精确推断，尤其对于形态学表现相近但空间分布模式不同的细胞亚型具有更强的辨识能力。