白血病是一种常见的恶性肿瘤,根据世界卫生组织(WHO)的2018年的全球癌症统计报告,白血病在青少年(0-14岁)中的发病率高居第一名。血细胞的形态和特征改变是白血病诊断的重要依据。但是,目前实验室的血细胞分析一般采用人工镜检观察,步骤繁琐,效率很低,而且依赖医生的个人经验。随着近年来深度学习技术在图像识别领域取得重大突破和发展,本文基于人工智能图像识别技术,对白血病样本白细胞的形态学进行自动识别,为临床实验室的白血病的诊断提供一种新的方法。本研究的主要内容:1.本文构建了白细胞图像数据库,该数据集按细胞类别分可以分为九类细胞,按染色和成像差异可以分为两类颜色域,这个数据集的成功构建为后续染色归一化算法和分类算法的研究奠定了基础。2.针对因血细胞图像中染色和拍摄设备的差异而导致的图像成像上的区别,本文利用深度学习首先设计了一种基于生成对抗网络的白细胞归一化方法,该方法利用生成对抗网络将两种色域分布图像进行转换,并保证细胞的病理特征不丢失。3.为进一步将血细胞分类模型应用于实际应用中,本文对比目前常用深度学习网络模型,并利用分组卷积和空洞卷积技术,提出了一种轻量级的血细胞常规五分类深度学习模型。4.对于异常血细胞九分类的研究,本文为了解决白血病病人血样中的细胞团聚问题和相似度较大等问题,从以下两个方面设计的算法。首先为了解决细胞团聚现象,提出了一种前处理定位增强算法,提高单张细胞图中中心白细胞的影响比例,帮助模型着重提取中心细胞的特征。然后为了解决常规细胞和异常细胞相似度高的问题,本文使用SE(Squeeze-and-Excitation)模块,对通道进行加权,增加算法的鲁棒性和泛化能力。结果:1.本文构建的血细胞图像数据库总共包含12.76万张高清图片,并进行人工标定,再将标定的结果送与多位血液学专家审核。2.本文提出的染色归一化网络,对于不同染色域的细胞具有归一化到同一染色域的功能,这在后续的研究中帮助异常九分类网络提高了2.7%的识别准确率。3.本文提出的轻量级正常血细胞五分类网络在测试集上得到96.8%的准确率,在CPU上的测试速度为每张图65ms,相较于其他研究,在本文的数据上,本文所提出的方法在准确率上均远远高于其他方法。4.本文提出的异常细胞分类算法,在测试集上达到了90.2%的准确率。本文基于深度学习方法,针对白血病病人样本进行了系统的分析与研究,结果与运算速度均达到行业领先水平,具有推广使用的价值。