基于神经网络的骨髓造血细胞发育异常的识别方法

本发明属于神经网络领域，尤其是涉及基于神经网络的骨髓造血细胞发育异常的识别方法。

背景技术：

1、骨髓增生异常综合征(mds)、骨髓增生异常/骨髓增殖性肿瘤(mds/mpn)是来源于造血干/祖细胞的恶性肿瘤性疾病，粒系、红系和巨核系的发育异常细胞的占比是否大于10％对于mds、mds/mpn这两类疾病的诊断和预后评估具有重要意义，目前评估三系发育异常主要靠人工显微镜下进行分类，即对于粒系、红系和巨核系是否伴有发育异常主要由人工显微镜下进行判读，不仅需要投入很大的精力学习、识别，人工分类时针对发育异常的认定很容易带入主观因素，因此判读结果极易受到主观因素的影响，从而影响发育异常结果判读的准确度。

2、目前人工智能辅助阅片的系统在病理、形态各领域都有涉及，部分技术已经应用于实际工作中，虽然改进了工作方式，提高了工作效率，但是目前人工智能辅助阅片的功能多用于初筛，并没有很好地渗透到应用的细节。

技术实现思路

1、有鉴于此，本发明旨在提出基于神经网络的骨髓造血细胞发育异常的识别方法，以期解决上述部分技术问题中的至少之一。

2、为达到上述目的，本发明的技术方案是这样实现的：

3、基于神经网络的骨髓造血细胞发育异常的识别方法，包括如下步骤：

4、获取骨髓细胞图像，根据细胞类型划分骨髓细胞图像，得到多个细胞样本集，提取细胞样本集中骨髓细胞图像中的胞核图像，得到多个胞核样本集；

5、构建神经网络模型，使用细胞样本集和胞核样本集对神经网络模型进行训练；其中，所述对神经网络进行训练的过程中，分别使用不同细胞类型的细胞样本集与胞核样本集对神经网络进行单独训练；

6、根据神经网络模型预测结果的roc曲线获取最大约登指数对应的阈值，并设置用于量化预测结果的积分值，基于获取的阈值建立发育异常细胞数与积分值之间的关系函数；

7、将训练后的神经网络模型的输出结果代入至关系函数中得到当前骨髓细胞图像的异常识别结果。

8、进一步的，所述获取骨髓细胞图像，根据细胞类型划分骨髓细胞图像，得到多个细胞样本集的过程包括：

9、通过高通量扫描装置扫描患者的骨髓涂片标本，获得相应的骨髓细胞形态学图片，筛选出细胞结构清晰的单个细胞图片；

10、将所有骨髓细胞形态学图片根据自定义的细胞类型进行划分；其中，所述自定义的细胞类型具体为：

11、正常粒细胞、伴有胞体/胞浆发育异常的粒细胞和伴有胞核发育异常的粒细胞、正常有核红细胞、伴有胞体/胞浆发育异常的有核红细胞和伴有胞核发育异常的有核红细胞、正常巨核细胞、伴有胞体发育异常的巨核细胞和伴有胞核发育异常的巨核细胞。

12、进一步的，分别将得到的不同细胞类型的多个细胞样本集和多个胞核样本集，划分为训练集、验证集、测试集；其中，所述训练集、验证集、测试集三个集合的比例依次为8：1：1。

13、进一步的，所述神经网络模型为vgg分类神经网络，构建神经网络模型的过程包括：

14、构建神经网络模型的卷积层、最大池化层、第一全连接层；其中，卷积神经网络使用卷积层和最大池化层提取骨髓细胞图像的特征，第一全连接层对卷积层和最大池化层提取得到的骨髓细胞图像的特征进行扁平化处理。

15、进一步的，执行所述使用细胞样本集和胞核样本集对神经网络模型进行训练的操作前，先执行如下操作：

16、将所述细胞样本集和胞核样本集封装为指定格式的数据结构，将封装后的细胞、胞核样本集打乱并随机划分为多个批次，将多个批次的细胞、胞核样本集并行传入神经网络模型中。

17、进一步的，执行所述使用细胞样本集和胞核样本集对神经网络模型进行训练的操作后，执行如下操作：

18、所述神经网络模型还包括第二全连接层，评估训练后的神经网络模型的预测准确率，当预测准确率稳定后，将使用细胞样本集训练的神经网络模型的输出结果，和胞核样本集训练的神经网络模型的输出结果，输入至第二全连接层进行数据分析，得到胞体、胞浆、胞核的异常预测值。

19、进一步的，所述根据神经网络模型预测结果的roc曲线获取最大约登指数对应的阈值的过程包括：

20、统计训练后的神经网络模型的预测准确率得到真阳性率和假阳性率，分别将真阳性率和假阳性率作为两个坐标，绘制得到神经网络模型预测结果的roc曲线图；其中，所述roc曲线图为包括粒细胞、有核红细胞、巨核细胞的三系roc曲线图；

21、根据所述三系roc曲线图分别计算三系预测结果的最大约登指数。

22、进一步的，所述设置用于量化预测结果的积分值，基于获取的阈值建立发育异常细胞数与积分值之间的关系函数的过程包括：

23、通过计算阈值与神经网络模型识别出的伴有发育异常的细胞数的乘积得到发育异常积分值，并根据who对于骨髓造血细胞发育异常的判定定义判断当前骨髓细胞图像的积分值是否达到对应的标准；

24、若达到则认定当前骨髓细胞图像对应的患者骨髓细胞发育异常。

25、相对于现有技术，本发明所述的基于神经网络的骨髓造血细胞发育异常的识别方法具有以下有益效果：

26、本发明所述方法可以实现客观地评估发育异常细胞的比例，从而建立起mds、mds/mpn更为客观准确的精准诊断模式；

27、本发明所述方法可以把三系发育异常的判读标准客观化、定量化，不仅提高了骨髓形态检验人员的工作效率，同时还提高了判读的精准度。

技术特征：

1.基于神经网络的骨髓造血细胞发育异常的识别方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于神经网络的骨髓造血细胞发育异常的识别方法，其特征在于，所述获取骨髓细胞图像，根据细胞类型划分骨髓细胞图像，得到多个细胞样本集的过程包括：

3.根据权利要求1所述的基于神经网络的骨髓造血细胞发育异常的识别方法，其特征在于：

4.根据权利要求1所述的基于神经网络的骨髓造血细胞发育异常的识别方法，其特征在于，所述神经网络模型为vgg分类神经网络，构建神经网络模型的过程包括：

5.根据权利要求1所述的基于神经网络的骨髓造血细胞发育异常的识别方法，其特征在于，执行所述使用细胞样本集和胞核样本集对神经网络模型进行训练的操作前，先执行如下操作：

6.根据权利要求1所述的基于神经网络的骨髓造血细胞发育异常的识别方法，其特征在于，执行所述使用细胞样本集和胞核样本集对神经网络模型进行训练的操作后，执行如下操作：

7.根据权利要求1所述的基于神经网络的骨髓造血细胞发育异常的识别方法，其特征在于，所述根据神经网络模型预测结果的roc曲线获取最大约登指数对应的阈值的过程包括：

8.根据权利要求1所述的基于神经网络的骨髓造血细胞发育异常的识别方法，其特征在于，所述设置用于量化预测结果的积分值，基于获取的阈值建立发育异常细胞数与积分值之间的关系函数的过程包括：

技术总结本发明提供了基于神经网络的骨髓造血细胞发育异常的识别方法，包括如下步骤：根据细胞类型划分骨髓细胞图像，得到多个细胞样本集，提取细胞样本集中骨髓细胞图像中的胞核图像，得到多个胞核样本集，分别使用不同细胞类型的细胞样本集与胞核样本集对神经网络进行单独训练，根据神经网络模型预测结果的ROC曲线获取最大约登指数对应的阈值，并设置用于量化预测结果的积分值，基于获取的阈值建立发育异常细胞数与积分值之间的关系函数，得到当前骨髓细胞图像的异常识别结果。本发明有益效果：实现三系发育异常判读客观化、定量化，不仅能够提高骨髓形态检验人员的工作效率，还能够提高判读的准确度。技术研发人员：刘晨曦,肖志坚,肖继刚受保护的技术使用者：中国医学科学院血液病医院（中国医学科学院血液学研究所）技术研发日：技术公布日：2024/11/18