一种基于人工智能的成熟中性粒细胞颗粒识别系统

本发明属于细胞颗粒识别，尤其涉及一种基于人工智能的成熟中性粒细胞颗粒识别系统。

背景技术：

1、中性粒细胞是人体外周血中含量最丰富的免疫细胞，其胞质内颗粒的数量、密度与分布特征，是表征细胞发育成熟度与功能状态的核心形态学指标。在临床细胞形态学检测中，成熟中性粒细胞的颗粒状态识别，是外周血与骨髓样本分析的关键环节，对由骨髓增生异常（mds）引起的细胞病态造血判别、严重感染及样本质量评估均具有重要技术价值。

2、当前，成熟中性粒细胞颗粒状态的判读主要依赖病理技师通过显微镜进行人工观察，该方式存在主观性强、判定标准不统一、检测效率低、结果一致性差等固有缺陷。不同检测人员的经验差异、视觉判断偏差，易导致颗粒状态的判读结果出现较大误差，难以实现标准化、定量化的客观评估，无法满足临床规模化样本分析的精度与效率需求。

3、随着人工智能与医学图像处理技术的发展，深度学习、卷积神经网络等技术已逐步应用于外周血细胞分类、形态识别等场景，实现了细胞类型的粗放式自动分类。但现有技术方案在针对“微观颗粒特征解析”时存在极其明显的局限性：其一，现有图像预处理通常采用直接灰度化或简单的宏观rgb分析，严重破坏了临床染色显微图像中极具诊断价值的多维生化着色特性，导致算法对例如中毒颗粒的嗜碱性深染等微小色彩变化不敏感，丢失了重要的多维度光谱信息；其二，现有ai大模型（如纯cnn架构）仅能提取黑盒化的宏观纹理特征，缺乏对细胞内部单个微观颗粒“物理动力学”的深入探讨。对于临床高度关注的异常颗粒表现（如着色与致密度改变、颗粒大小异质性增加、局部凝集或分布不均），现有技术完全缺乏基于数学拓扑机制的精准量化指标，直接导致对微观病理变异的识别特异性低下；其三，模型所提取的传统图像特征缺乏针对微观颗粒级的鲁棒性筛选机制，在亮度、对比度、染色批次差异等临床常见图像扰动下，特征稳定性极差，识别结果易受干扰；其四，针对正常颗粒与颗粒减少样本的形态边界模糊问题，现有单纯的分类网络由于缺乏宏微观特征的串联优化方案，导致该两类样本的鉴别效能低下；其五，现有模型多基于单一中心的小样本数据训练，未采取严格的多中心独立外部数据集验证模式，跨设备、跨机构的泛化适配能力严重不足，难以真正落地于实际检验临床流。

4、综上，目前缺乏一种标准化、定量化、高鲁棒且高泛化的成熟中性粒细胞颗粒智能识别技术，无法解决复杂染色背景下的特征丢失与微观空间拓扑特征难以定量的难题。为解决现有技术的诸多缺陷，满足临床细胞形态学自动化分析的需求，亟需研发一种基于人工智能的成熟中性粒细胞颗粒识别方法及系统。

技术实现思路

1、本发明的目的是针对现有技术中存在的丢失色彩多维信息、微观空间拓扑特征难以定量、特征鲁棒性差及多分类边界模糊等技术问题，提供一种基于人工智能的成熟中性粒细胞颗粒识别方系统。

2、为了实现上述目的，本发明采用以下技术方案：一种基于人工智能的成熟中性粒细胞颗粒识别系统，包括：

3、数据预处理模块，用于采集成熟中性粒细胞染色显微图像，对图像进行多维色彩空间解耦过滤并提取多光谱特征，进行全局像素强度归一化预处理，并标注细胞的胞质区域作为分析对象；

4、多维特征联合提取模块，用于联合提取图像的传统纹理特征、深度卷积特征，并基于多维色彩空间解耦结果与生物形态动力学方程，构建提取多维中性粒细胞颗粒微观动力学特征；

5、鲁棒特征筛选模块，用于对提取的微观动力学特征通过lasso回归进行特征降维，并结合鲁棒分离度指数rss计算筛选出鲁棒特征集；

6、模型构建与训练模块，用于基于筛选后的鲁棒特征集与图像特征数据，构建并训练卷积神经网络模型与随机森林模型，进行成熟中性粒细胞颗粒减少、正常、增加三分类训练；

7、串联诊断优化模块，用于融合随机森林与卷积神经网络模型构建串联诊断模型，优化正常细胞与颗粒减少/异常样本的精准鉴别；

8、多中心验证与输出模块，用于采用独立外部数据集完成串联诊断模型的跨中心泛化验证，并最终输出成熟中性粒细胞的颗粒识别与分类结果。

9、进一步的，归一化预处理是在图像多维色彩空间解耦后，计算图像全局像素强度的均值、标准差、最小值及最大值，作为统一数值基准。

10、进一步的，传统纹理特征包括一阶统计特征、梯度特征、haralick共生矩阵特征、局部二值模式lbp特征、频域特征、拓扑特征、形态学特征；深度卷积特征基于imagenet预训练的卷积神经网络模型进行提取。

11、进一步的，多维中性粒细胞颗粒微观动力学特征包括颗粒密度色彩指数gdi、颗粒大小均一性指数gshi与颗粒空间分布散度指数gsdi；

12、所述颗粒密度色彩指数gd采用式（1）获得：

13、gdi = [ σ( i(p_i) × w_i ) ] / area_cytoplasm （1）

14、其中，n为单细胞内识别的颗粒总数，i(p_i)为第i个颗粒的局部像素强度，w_i为局部自适应权重因子，area_cytoplasm为胞质有效面积；

15、所述颗粒大小均一性指数gshi采用式（2）获得：

16、gshi = exp [ - σ_area / (μ_area + ε) ] （2）

17、其中，μ_area为单体颗粒像素面积的统计学均值，σ_area为单体颗粒像素面积的标准差，ε为防止分母为零的平滑常数；

18、所述颗粒空间分布散度指数gsdi采用式（3）获得：

19、gsdi = μ_nnd / (σ_nnd + ε) （3）

20、其中，μ_nnd为所有颗粒节点最近邻距离的均值，σ_nnd为所有颗粒节点最近邻距离的标准差，ε为平滑常数。

21、进一步的，鲁棒分离度指数rss采用式（4）获得：

22、rss(f)=σinter(f)/[σˉintra(f)+ϵ] （4）

23、其中，f为特征，σinter(f)为不同颗粒状态类别中心均值的标准差，σˉintra(f)为多源扰动下同类别的平均标准差，ϵ为防止分母为零的平滑项。

24、进一步的，鲁棒特征筛选模块还用于对微观动力学特征进行亮度、对比度、缩放、高斯噪声、高斯模糊的扰动实验，通过变异系数cv与配对t检验定量评估特征稳定性。

25、进一步的，卷积神经网络模型为resnet50、densenet121或efficientnet-b0模型。

26、进一步的，卷积神经网络模型及随机森林模型在训练时，显微图像统一调整为224×224像素，按8:1:1比例划分为训练集、验证集、测试集；采用分层5折交叉验证训练随机森林模型。

27、进一步的，独立外部数据集来源于不同医疗机构，验证指标包括精确率、召回率、f1分数、auc、混淆矩阵。

28、进一步的，串联诊断优化模块还用于基于鲁棒纹理特征集进行lda降维投影与mds概率预测，确定正常与颗粒减少样本的最优分类阈值。

29、提供一种基于人工智能的成熟中性粒细胞颗粒识别方法，包括以下步骤：步骤s1，采集成熟中性粒细胞染色显微图像，对图像进行多维色彩空间解耦过滤并提取多光谱特征、灰度转换、全局像素强度归一化预处理，并标注胞质感兴趣区域作为分析对象；

30、步骤s2，联合提取图像的传统纹理特征与深度卷积特征；并基于色彩空间解耦结果与生物形态动力学方程，构建并提取多维中性粒细胞颗粒微观动力学特征，所述微观动力学特征至少包括颗粒密度色彩指数（gdi）、颗粒大小均一性指数（gshi）与颗粒空间分布散度指数（gsdi）；

31、步骤s3，采用lasso回归进行特征降维，基于鲁棒分离度指数rss筛选获得鲁棒纹理特征集；

32、步骤s4，构建resnet50、densenet121、efficientnet-b0卷积神经网络模型及随机森林模型，完成颗粒减少、正常、增加三分类训练；

33、步骤s5，融合随机森林与efficientnet-b0构建串联模型，优化正常颗粒与颗粒减少样本的鉴别效能；

34、步骤s6，采用多中心独立数据集进行外部泛化验证，输出颗粒状态识别结果。

35、进一步的，所述归一化处理为图像多维色彩空间解耦后，计算图像全局像素强度的均值、标准差、最小值及最大值，作为统一数值基准；所述感兴趣区域由形态学专家标注并精准提取胞质部分。

36、进一步的，所述步骤s2中传统纹理特征包括一阶统计特征、梯度特征、haralick共生矩阵特征、局部二值模式lbp特征、频域特征、拓扑特征、形态学特征；深度卷积特征基于imagenet预训练的resnet50、densenet121、efficientnet-b0网络提取。

37、进一步的，所述步骤s2中多维中性粒细胞颗粒微观动力学特征的具体提取计算方式如下：提取颗粒密度色彩指数（gdi）：在解耦的多维色彩空间中，获取所有检出颗粒的局部像素强度并附加空间权重矩阵进行求和，将其与提取出的胞质总像素面积的比值作为gdi，用于量化颗粒致密度与着色深的异常改变；其公式为：gdi = [ σ( i(p_i) × w_i )] / area_cytoplasm；其中，n为单细胞内识别的颗粒总数，i(p_i)为第i个颗粒的局部像素强度，w_i为局部自适应权重因子，area_cytoplasm为胞质有效面积。提取颗粒大小均一性指数（gshi）：计算胞质感兴趣区域内所有检出单体颗粒面积的均值与标准差，构建基于面积变异系数的负指数衰减分布函数计算gshi，用于量化颗粒形态大小不一的病理变异；其公式为：gshi = exp [ - σ_area / (μ_area + ε) ]；其中，μ_area为单体颗粒像素面积的统计学均值，σ_area为单体颗粒像素面积的标准差，ε为防止分母为零的平滑常数。提取颗粒空间分布散度指数（gsdi）：提取所有检出颗粒的中心拓扑坐标，计算每个颗粒与其最近同类颗粒之间的最近邻欧氏距离，通过计算所述最近邻欧氏距离的均值与标准差的比值获得gsdi，用于评估颗粒胞内排布的均匀度或局灶凝集态；其公式为：gsdi = μ_nnd / (σ_nnd + ε)；其中，μ_nnd为所有颗粒节点最近邻距离的均值，σ_nnd为所有颗粒节点最近邻距离的标准差，ε为平滑常数。

38、进一步的，所述步骤s3中鲁棒分离度指数rss的计算公式为：rss(f)=σ_inter(f)/[σ_intra(f)+ε]；其中，f为特征，σ_inter(f)为不同颗粒状态类别中心均值的标准差，σ_intra(f)为多源扰动下同类别的平均标准差，ε为防止分母为零的平滑项。

39、进一步的，所述步骤s3还包括对特征进行亮度、对比度、缩放、高斯噪声、高斯模糊的扰动实验，通过变异系数cv与配对t检验定量评估特征稳定性。

40、进一步的，所述步骤s4中图像统一调整为224×224像素，按8:1:1比例划分为训练集、验证集、测试集；采用分层5折交叉验证训练随机森林模型。

41、进一步的，所述步骤s5中串联模型用于降低正常样本误判为颗粒减少的假阳性率，同时保持颗粒减少样本的高召回率。

42、进一步的，所述步骤s6中多中心独立数据集来源于不同医疗机构，验证指标包括精确率、召回率、f1分数、auc、混淆矩阵。

43、进一步的，还包括基于鲁棒纹理特征集进行lda降维投影与mds概率预测，确定正常与颗粒减少样本的最优分类阈值。

44、本发明的有益效果是：

45、（1）首创微观动力学数字特征量化体系，打破算法“黑盒”： 针对传统计算机视觉在细胞形态学中缺乏定量的物理拓扑学解释的痛点，本发明首创了gdi、gshi、gsdi三大客观数学指数。通过将资深血液形态学专家的视觉诊断经验抽象为拓扑方程，成功实现了对微观颗粒形态病理变异（如中毒颗粒着色极深、大小不一、局灶凝集）的高敏锐度检测，大幅提升了模型的临床可解释性。

46、（2）多维色彩空间解耦，还原真实生化染色特性： 克服了传统图像分析仅依赖灰阶转换导致的病理色彩丢失缺陷。通过多光谱特征维度的保留与分析，使得算法能够敏锐捕捉在骨髓增生异常（mds）或严重感染下显微图像中特有的微弱嗜碱性着色差异。

47、（3）构建鲁棒分离网络，抗临床干扰能力强： 依托创新设计的鲁棒分离度指数（rss）及多源扰动实验，精准筛除易受制样批次、照明和染色差异影响的极度不稳定的假性特征，使得识别模型在复杂的临床多源显微真实世界数据中依然表现出极高的稳定性。

48、（4）串联架构优化与多中心泛化验证： 针对长期困扰临床检验的正常与颗粒减少样本的边界重叠难题，融合不同分类器优势构建了串联诊断架构，最大限度地控制了假阳性，并经过了多中心独立外部数据集的严格验证，彻底打通了智能算法从基础研发到复杂跨机构临床环境中落地的最后一公里。