[发明专利]一种基于变换域特征和CNN的细胞图像识别分类方法

说明书

本发明公开了一种基于变换域特征和CNN的细胞图像识别分类方法，设定CNN神经网络包括输入层，隐含层和输出层，其中输入层包含三通道72×72个神经元，隐藏层为三个卷积层、三个池化层和两个全连阶层，所述细胞图像识别分类方法包括如下步骤：S10：设计CNN输入层模型，将细胞图像变换域特征与原图像数据融合；S20：设计CNN隐藏层与输出层模型，输入图像训练CNN模型。本发明的方法能够在训练集数量不足以训练常规CNN模型的情况下，更有效的训练CNN模型参数，对细胞图像进行分类，鲁棒性很强，且不受光照强度影响，更有利于计算机图像识别诊断准确度提升。

技术领域

本发明涉及医疗健康诊断领域，尤其是一种基于变换域特征和CNN(Convolutional Neural Network，卷积神经网络)的细胞图像识别分类方法。

背景技术

随着科技的发展，医学影像技术广泛应用于临床疾病的诊断、治疗中。在医学影像的帮助下，医师在诊断前能更准确，更及时的患病部位进行定位和辅助定性，方便进一步的疾病诊断和治疗，X光、B超、CT等均采用了医学影像技术。细胞图像处理是医学影像的一个重要分支，由于细胞图像的复杂性，制片质量不一，当前主要依赖人工阅片，由于医师长时间观察带来的视觉疲劳以及医师临床经验和病理分析水平不一，对疾病的诊断也常常收到医师的主观影响，最终诊断结果往往出现较高的误诊，要改善这些问题，除了提高制片技术，引入计算机图像识别诊断技术进行自动分析处理也一直是图像处理领域的热点和难点，并且在医疗领域里有一定的的应用，然而现有的细胞图像处理技术中由于受影像照明光照强度的影响，导致对细胞进行分类时鲁棒性不够，计算机图像识别诊断准确度不够。

发明内容

本发明的目的是针对现有技术的不足，而提供一种基于变换域特征和CNN结合的图像识别分类技术，能够在训练集数量不足以训练常规CNN模型的情况下，更有效的训练CNN模型参数，对细胞图像进行分类，鲁棒性很强，更有利于计算机图像识别诊断准确度提升。

本文采用的是ICPR(International Conference On Pattern Recognition,ICPR)2012年举办的hep2细胞分类竞赛的的官方hep2数据集(http://mivia.unisa.it/hep2contest/index.shtml)，图像是通过荧光显微镜放大倍数为40倍外加50W汞蒸气灯与数字摄像机获取的，分割出1455张hep图像(721张样本图像，734张测试图像)，由于图像数量不足以有效训练常规CNN模型，本方法可以有效训练CNN模型，并有较高预测效果。

本发明的目的是通过下述的技术方案来实现的：一种基于变换域特征和CNN的细胞图像识别分类方法，设定CNN神经网络包括输入层，隐含层和输出层，其中输入层包含三通道72×72×3个神经元，隐藏层为三个卷积层、三个池化层和两个全连阶层，所述细胞图像识别分类方法包括如下步骤：

S10：设计CNN输入层模型，将细胞图像变换域特征与原图像数据融合

S11：选择图片进行随机对比度变换

设D_A为输入图像，为输入图像的概率分布，D_max为输入图像灰度最值，f_A、f_B为线性变换斜率和y轴截距，c为尺度比例常数，随机采用直方图归一化、线性变换和非线性变换方法中的一种进行对比度变换，得到对比度D_B，其中对比度变换公式分别如下：

直方图归一化：

线性变换为：D_B＝f(D_A)＝f_AD_A+f_B

非线性变换：D_B＝f(D_A)＝c log(1+D_A)