[发明专利]一种基于CNN的红细胞图像亚分类方法

权利要求书

1.一种基于CNN的红细胞图像亚分类方法，其特征在于，该方法包括：

步骤1.建立红细胞亚分类图像数据集，将数据集中每一幅图像所属的红细胞亚分类标注，获得红细胞亚分类图像弱监督训练集；

步骤2.将弱监督训练集转强监督训练集；

步骤3.构建深度卷积神经网络；

步骤4.红细胞亚分类模型训练；

步骤5.将任意一张经过步骤1预处理的红细胞图像输入到训练好的模型中，即可识别出该红细胞所属的红细胞亚分类；

所述将弱监督训练集转强监督训练集，具体包括：

对原始细胞图像I执行一次高斯滤波得到滤波后图像G；

使用Sobel算子计算所述图像G的梯度图G_c；

用最大类间方差法对所述梯度图像G_c进行二值化得到二值化图像T；

对所述二值图像T执行一次形态学闭运算，再执行一次膨胀运算；

运算完成后得到红细胞的轮廓区域，去除内部孔洞后得到红细胞区域ROI_rbc；

根据所述红细胞区域ROI_rbc将红细胞图像的尺寸进行扩充得到图像N，将所述图像N的像素值进行正规化得到图像N'；

随机调整所述图像N'的对比度，进行随机的线性变换，随机的旋转后得到扩充的样本图像。

2.根据权利要求1所述的一种基于CNN的红细胞图像亚分类方法，其特征在于，深度卷积神经网络包括依次连接的第一特征提取单元、第二特征提取单元、第三特征提取单元、第四特征提取单元、第五特征提取单元、两个全连接层和一个输出单元；

所述第一特征提取单元由两个卷积层与一个最大池化层构成，卷积层卷积核为3×3大小，深度为64，步长为1，池化层过滤器大小均为2×2，步长为2；

所述第二特征提取单元由两个卷积层与一个最大池化层构成，卷积层卷积核为3×3大小，深度为128，步长为1，池化层过滤器大小均为2×2，步长为2；

所述第三特征提取单元由四个卷积层与一个最大池化层构成，卷积层卷积核为3×3大小，深度为256，步长为1，池化层过滤器大小均为2×2，步长为2；

所述第四特征提取单元由四个卷积层与一个最大池化层构成，卷积层卷积核为3×3大小，深度为512，步长为1，池化层过滤器大小均为2×2，步长为2；

所述第五特征提取单元由四个卷积层与一个最大池化层构成，卷积层卷积核为3×3大小，深度为512，步长为1，池化层过滤器大小均为2×2，步长为2；

各特征提取单元中，3×3卷积核两两级联。

3.根据权利要求1所述的一种基于CNN的红细胞图像亚分类方法，其特征在于，所述模型训练包括：

使用ImageNet对网络的特征提取单元进行预训练，使该网络达到拟合；

将拟合的特征提取单元与红细胞亚分类模型的识别输出单元连接，使用所述红细胞亚分类图像数据集对网络进行重训练。

4.根据权利要求1所述的一种基于CNN的红细胞图像亚分类方法，其特征在于，所述模型训练步骤还包括微调与剪枝，具体包括

步骤a.设置学习率LR为0.0001，损失函数使用“cross entropy loss”，设置终止误差e，以及最大迭代次数K，通过最速下降法循环更新各权重使损失函数达到最小值；若迭代次数超过K或损失函数小于终止误差e，则停止微调；

步骤b.微调完成后，对全连接层的n个参数执行权重排序，舍弃权重最小的m个参数，其中m等于1％×n；之后重新训练剪枝后网络；

计算新的损失函数值，若损失函数增长未超过1％或剪去的参数未达到原始参数总数的99％时，重复执行步骤b；

步骤c.对后两个特征提取单元剪枝，根据公式计算每个卷积单元f_i,j的权重s_j，舍弃权重最小的卷积单元，式中k_l为每个激活函数的输出值；

计算新的损失函数值，若损失函数增长未超过1％或舍弃的卷积单元f_i,j在原始总数的50％以内时，重复执行步骤c。