[发明专利]一种基于深度残差网络的细胞分类方法及系统

说明书

本发明公开了一种基于深度残差网络的细胞分类方法及系统，所述方法包括：获取细胞图像的数据集，所述数据集包括第一数据集与第二数据集；采用深度残差网络对所述第一数据集进行训练，并将经训练后的网络迁移至所述第二数据集进行训练，得到目标网络；将待分类的细胞图像输入至所述目标网络中，得到特征图，并对所述特征图进行分析，输出细胞图像的分类结果。本发明利用残差网络对数据集进行训练，并结合迁移学习的方法，创建了可自动分类的网络结构，有效解决了生物医学图像数据集偏小的问题，避免了过拟合情况的发生，不但减少了工作量，提高了工作效率，而且有效提高了细胞自动分类的正确率。

技术领域

本发明涉及医疗图像处理技术领域，具体涉及一种基于深度残差网络的细胞分类方法、存储介质及终端。

背景技术

HEp-2细胞的间接免疫荧光(IIF)探测技术主要用于核抗体(ANA)的分析，是源于人类表皮细胞，用于一些重要的自身免疫性疾病的诊断和治疗。例如，系统性风湿性疾病、多发性硬化症、药物性红斑狼疮，系统性红斑狼疮和糖尿病等。由于HEp-2细胞具有很高的分裂能力，产生大量的抗原。专家通常使用荧光显微镜进行人工核抗体检查，需要进行评价和估计荧光强度和染色模式。

目前，基于计算机辅助诊断(CAD)系统可以自动检查HEp-2细胞类型，减少工作负载，但是由于评估标准的不确定性、研究人员的可变性以及照片噪声的影响等问题，严重影响了细胞分类的分类性能以及准确性。

虽然，现有技术中也有利用深度卷积神经网络（DCNN）来对细胞进行分类，但是由于传统的DCNN算法对于特征学习过于直观，在浅层网络一些特征表达具有一定程度不透明度，这对于HEp-2细胞分类没有足够的区分度。并且由于DCNN分类器的性能严重依赖于训练数据集的大小，容易导致过拟合情况的发生，从而使得细胞分类的准确性降低。

因此，现有技术还有待于改进和发展。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于深度残差网络的细胞分类方法及系统，旨在解决现有技术中的细胞分类方法准确度不高，且利用DCNN对细胞进行分类的方法中容易出现过拟合的现象，影响分类准确度等问题。

本发明解决技术问题所采用的技术方案如下：

一种基于深度残差网络的细胞分类方法，其中，所述方法包括：

获取细胞图像的数据集，所述数据集包括第一数据集与第二数据集；

采用深度残差网络对所述第一数据集进行训练，并将经训练后的网络迁移至所述第二数据集进行训练，得到目标网络；

将待分类的细胞图像输入至所述目标网络中，得到特征图，并对所述特征图进行分析，输出细胞图像的分类结果。

所述的基于深度残差网络的细胞分类方法，其中，所述第一数据集为细胞图像的三通道的RGB图集；所述第二数据集为细胞图像的单通道的灰度图集；所述细胞图像为人类上表皮细胞图像。

所述的基于深度残差网络的细胞分类方法，其中，所述采用深度残差网络对所述第一数据集进行训练，并将经训练后的网络迁移至所述第二数据集进行训练，得到目标网络具体包括：

利用深度残差网络对所述第一数据集进行训练，得到训练后的网络结构，并对所述网络结构进行性能分析；

将训练后的网络结构的不同网络差的权重迁移至第二数据集中继续进行训练，得到目标网络，并对所述目标网络进行测试分析，输出分析结果；

根据所述分析结果，对所述目标网络进行参数调节与设置。

所述的基于深度残差网络的细胞分类方法，其中，所述将训练后的网络结构的不同网络差的权重迁移至第二数据集中继续进行训练之前还包括：