[发明专利]面向HCC病理图像识别的特征选择与特征融合方法

说明书

本发明公开了一种面向HCC病理图像识别的特征选择与特征融合方法，通过将病理图像的训练图像的深度特征、编码特征和纹理特征与mRMR、KPCA和Relief三种特征选择方法进行组合，进而通过随机森林分类器输出病理图像中每一类图像识别分类准确率最高的最优组合函数，并使用病理图像的测试图像通过随机森林分类器对最优组合函数的识别分类准确率进行验证，输出最优组合函数针对病理图像的测试图像中每一类图像的识别分类准确率。使用本发明方法获得的最优组合函数对病理图像进行识别分类，对每一类病理图像均能够获得较高的识别分类准确率，进而避免误诊情况出现。

技术领域

本发明涉及图像识别分类技术领域，尤其涉及一种面向HCC病理图像识别的特征选择与特征融合方法。

背景技术

随着计算机科技的迅猛发展，计算机辅助诊断技术也愈加成熟，计算机技术与医学交叉融合取得了革命性突破。在临床应用中，以肝癌作为例子，准确识别肝癌的发展阶段对医生诊断病情，选用适合的治疗方案对病人进行治疗具有重大意义。而人为通过HCC病理图像对肝癌的发展阶段进行判断容易出错，进而导致对病人的误诊，影响后续治疗。因此，将计算机技术引入到HCC病理图像识别领域并提高图像识别分类准确率，对医生准确诊断病人的病情，挽救病人的生命，具有重要意义。

现有技术中存在多种方法对图像进行识别分类，这些方法通常先对图像进行特征提取，然后利用分类器对不同的图像进行类别划分。随着技术进步和研究的不断深入，图像的识别分类准确率逐渐提高，但是现有技术中的方法在对个各类别的图像识别过程中的敏感度却参差不齐，即，一种图像识别方法只针对某一种类的图像具有较高的识别准确率，但针对其他图像的识别准确率却很低。以HCC病理图像为例，分为四个类别，分别是正常肝细胞病理图像、高分化肝细胞癌病理图像、中分化肝细胞癌病理图像和低分化肝细胞癌病理图像，现有技术中的图像识别方法的敏感度低时，能够以较高概率识别出高分化肝细胞癌病理图像，但识别正常肝细胞病理图像、中分化肝细胞癌病理图像和低分化肝细胞病理图像的识别准确率却很低。由于现有技术的缺陷，在将图像识别技术应用在HCC病理图像识别分类诊断过程中就会出现误诊的情况，无法辅助医生对病患的病情进行准确的诊断。

针对上述问题，亟需提供一种面向HCC病理图像识别的特征选择与特征融合方法，以获得识别准确率更高的图像识别分类方法。

发明内容

(一)要解决的技术问题

本发明的目的在于，提出一种面向HCC病理图像识别的特征选择与特征融合方法，以解决现有技术中的图像识别分类方法对不同类别的病理图像识别分类准确率低的问题。

(二)技术方案

为了达到上述目的，本发明采用以下技术方案：

一种面向HCC病理图像识别的特征选择与特征融合方法，包括以下步骤：

S1、将HCC病理图像分为训练图像和测试图像，训练图像包括多种图像类别；

S2、利用深度卷积神经网络按照第一预定次数训练所述训练图像，获得所述训练图像在深度卷积神经网络中的深度特征；

S3、利用堆栈式稀疏自编码器按照第二预定次数训练所述训练图像，获得所述训练图像在堆栈式稀疏自编码器中的编码特征；

S4、获得所述训练图像的纹理特征；

S5、对所述深度特征、编码特征和纹理特征进行分组，形成三个单一特征组合和深度-编码特征、深度-纹理特征、编码-纹理特征三个复合特征组合；

S6、利用预设的mRMR、KPCA和Relief算法分别对每一个单一特征组合和复合特征组合进行处理，获得多个单一特征-算法组合和复合特征-算法组合；