欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2021108313729
申请人: 苏州大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种融入边缘特征两阶段的上皮细胞分类方法,其特征在于,包括:

将细胞染色图像数据划分为原始训练集和原始验证集,对所述原始验证集进行k‑means聚类,得到聚类后的验证集,将聚类结果应用于所述原始训练集,得到聚类后的训练集,并对聚类后的训练集和验证集中的图像进行Sobel运算,得到粗类训练集和粗类验证集,同时根据原始验证集的聚类结果对原始训练集进行子集划分,得到细类训练集;

构建融入边缘特征的两阶段分类网络模型,所述融入边缘特征的两阶段分类网络模型包括粗粒度分类器和细粒度分类器,利用聚类后的训练集和粗类训练集对所述粗粒度分类器进行训练,得到训练好的粗粒度分类器;同时利用所述细类训练集对所述细粒度分类器进行训练,得到训练好的细粒度分类器;

利用训练好的粗粒度分类器对待分类的细胞染色图像数据进行初步类别预测,得到类别预测结果,根据所述类别预测结果调用对应的细粒度分类器进行类别分类,得到类别分类结果;

其中,所述粗粒度分类器包括第一卷积神经网络和第二卷积神经网络,第一卷积神经网络和第二卷积神经网络的结构相同,均包括2个Block结构、4个卷积层、2个最大池化层、全连接层、线性变换层和全连接层,其中2个Block结构如下:B(xi)=fconv+p2(fbn(fconv(xi)))

B(xsi)=fconv+p2(fbn(fconv(xsi)))

其中,fconv+p2(·)表示一个卷积层和一个最大池化层的组合操作,fbn(·)表示经过一个归一化层,fconv(·)表示一个卷积操作,xsi=Sobel(xi);利用聚类后的训练集和粗类训练集对所述粗粒度分类器进行训练,得到训练好的粗粒度分类器的方法包括:在所述粗粒度分类器中将聚类后的训练集和粗类训练集中的图像分别输入到第一卷积神经网络和第二卷积神经网络,图像经过2个Block结构,得到特征图;

使用其中2个卷积层对所述特征图进行复制得到两个特征图,将两个特征图分别经过2个通路,其中主通路上的特征图依次经过1个最大池化层和第3个卷积层,分通路上的特征图经过1个最大池化层后与主通路上的特征图进行通道上的拼接,得到拼接后的特征图;

将拼接后的特征图经过第4个卷积层进行卷积操作,并经过全连接层得到全连接后的特征图;

将全连接后的特征图经过线性变换层进行线性变换,得到线性变换后的特征图;

将线性变换后的特征图经过SoftMax函数,得到其输出值。

2.根据权利要求1所述的融入边缘特征两阶段的上皮细胞分类方法,其特征在于:将细胞染色图像数据划分为原始训练集和原始验证集,对所述原始验证集进行k‑means聚类,得到聚类后的验证集,将聚类结果应用于所述原始训练集,得到聚类后的训练集的方法包括:将细胞染色图像数据划分为原始训练集{(XT,YT)}={(x1,y1),(x2,y2),...,(xt,yt)}和原始验证集{(XV,YV)}={(x1,y1),(x2,y2),...,(xv,yv)},其中,t表示训练集样本数,v表示验证集样本数;

确定聚类簇常量k',k'

3.根据权利要求2所述的融入边缘特征两阶段的上皮细胞分类方法,其特征在于:对聚类后的训练集和验证集中的图像进行Sobel运算,得到粗类训练集和粗类验证集的方法包括:对聚类后的训练集{(XTC,YTC)}={(x1,y′1),(x2,y′2),...,(xt,y′t)}和验证集{(XVC,YVC)}={(x1,y′1),(x2,y′2),...,(xv,y′v)}中的图像进行Sobel运算,得到粗类训练集和粗类验证集如下:{(XTS,YTS)}={(xs1,y′1),(xs2,y′2),...,(xst,y′t)}{(XVS,YVS)}={(xs1,y′1),(xs2,y′2),...,(xsv,y′v)}其中,xsi=Sobel(xi)。

4.根据权利要求2所述的融入边缘特征两阶段的上皮细胞分类方法,其特征在于:根据原始验证集的聚类结果对原始训练集进行子集划分,得到细类训练集的方法包括:将所述原始训练集{(XT,YT)}={(x1,y1),(x2,y2),...,(xt,yt)}中的图像转换为RGB彩色图像,并根据原始验证集{(XV,YV)}={(x1,y1),(x2,y2),...,(xv,yv)}的聚类结果对原始训练集{(XT,YT)}={(x1,y1),(x2,y2),...,(xt,yt)}进行子集划分,得到细类训练集如下;

其中,训练子集 ψ(yi)∈Cu,tfu表示训练子

集 含有的样本个数,且

5.根据权利要求2所述的融入边缘特征两阶段的上皮细胞分类方法,其特征在于:在利用聚类后的训练集和粗类训练集分别对第一卷积神经网络和第二卷积神经网络进行训练时,通过聚类后的验证集和粗类验证集分别对所述第一卷积神经网络和第二卷积神经网络的网络损失进行验证。

6.根据权利要求1所述的融入边缘特征两阶段的上皮细胞分类方法,其特征在于:利用训练好的粗粒度分类器对待分类的细胞染色图像数据进行初步类别预测,得到类别预测结果,根据所述类别预测结果调用对应的细粒度分类器进行类别分类,得到类别分类结果的方法包括:l×d

对待分类的细胞染色图像数据x∈R 进行Sobel运算,得到x的轮廓图像xs,在所述粗粒度分类器中输入待分类的细胞染色图像数据x及其轮廓图像xs,得到初步类别预测值,并判断所述初步类别预测值属于哪个簇,根据判断结果调用对应的细粒度分类器进行类别分类,得到类别分类结果。

7.一种融入边缘特征两阶段的上皮细胞分类系统,其特征在于,包括:

数据预处理模块,所述数据预处理模块用于将细胞染色图像数据划分为原始训练集和原始验证集,对所述原始验证集进行k‑means聚类,得到聚类后的验证集,将聚类结果应用于所述原始训练集,得到聚类后的训练集,并对聚类后的训练集和验证集中的图像进行Sobel运算,得到粗类训练集和粗类验证集,同时根据原始验证集的聚类结果对原始训练集进行子集划分,得到细类训练集;

模型训练模块,所述模型训练模块用于构建融入边缘特征的两阶段分类网络模型,所述融入边缘特征的两阶段分类网络模型包括粗粒度分类器和细粒度分类器,利用聚类后的训练集和粗类训练集对所述粗粒度分类器进行训练,得到训练好的粗粒度分类器;同时利用所述细类训练集对所述细粒度分类器进行训练,得到训练好的细粒度分类器;

细胞分类预测模块,所述细胞分类预测模块用于利用训练好的粗粒度分类器对待分类的细胞染色图像数据进行初步类别预测,得到类别预测结果,根据所述类别预测结果调用对应的细粒度分类器进行类别分类,得到类别分类结果;

其中,所述粗粒度分类器包括第一卷积神经网络和第二卷积神经网络,第一卷积神经网络和第二卷积神经网络的结构相同,均包括2个Block结构、4个卷积层、2个最大池化层、全连接层、线性变换层和全连接层,其中2个Block结构如下:B(xi)=fconv+p2(fbn(fconv(xi)))

B(xsi)=fconv+p2(fbn(fconv(xsi)))

其中,fconv+p2(·)表示一个卷积层和一个最大池化层的组合操作,fbn(·)表示经过一个归一化层,fconv(·)表示一个卷积操作,xsi=Sobel(xi);利用聚类后的训练集和粗类训练集对所述粗粒度分类器进行训练,得到训练好的粗粒度分类器的方法包括:在所述粗粒度分类器中将聚类后的训练集和粗类训练集中的图像分别输入到第一卷积神经网络和第二卷积神经网络,图像经过2个Block结构,得到特征图;

使用其中2个卷积层对所述特征图进行复制得到两个特征图,将两个特征图分别经过2个通路,其中主通路上的特征图依次经过1个最大池化层和第3个卷积层,分通路上的特征图经过1个最大池化层后与主通路上的特征图进行通道上的拼接,得到拼接后的特征图;

将拼接后的特征图经过第4个卷积层进行卷积操作,并经过全连接层得到全连接后的特征图;

将全连接后的特征图经过线性变换层进行线性变换,得到线性变换后的特征图;

将线性变换后的特征图经过SoftMax函数,得到其输出值。