[发明专利]基于多尺度池化的白细胞识别系统

权利要求书

1.一种基于多尺度池化的深度学习白细胞分割系统，所述方法包括

(1)对样本库的细胞图片样本，进行预处理，得到训练样本和验证样本；

(2)利用(1)中得到的训练样本，依批次输入如图1的设计的神经网络，进行训练；采用以交叉熵为损失函数带动量的随机梯度下降法训练网络；得到训练好的网络；

(3)对测试图片按照如(1)中的预处理方式处理，得到处理后的测试图片；

(4)将(3)中得到的处理后的测试图片，利用(2)中训练好的网络，得到预测图片；

(5)对(4)中得到的预测图片，进行后处理，完成对测试图片的分割。

2.根据权利要求1所述的方法，其特征在于，所述步骤(1)中具体包括：

(11)对样本库中样本按照一定比例分为训练样本和验证样本，然后将训练样本和验证样本都进行数据增强，将每个样本进行旋转，翻转，随机下采样，形变，以及改变对比度，饱和度，光照，得到数据增强后的训练样本和验证样本，样本大小是512×512；

(12)对(11)中训练样本和验证样本图片对应的标签图片，使用(11)中一样的旋转，翻转，同样的下采样，形变，保证标签样本与训练样本或验证样本对应，得到数据增强后的标签样本，样本大小是512×512；

(13)用(11)中的数据增强后的训练样本和验证样本归一化，将(11)中大批训练样本减去样本本身的均值，实现归一化，得到可训练样本和验证样本。

3.根据权利要求1所述的方法，其特征在于，所述步骤(2)中具体包括：

(21)构建一个如图1的深度网络，其中特征提取部分由四个卷积模块组成(图1中convblock)，每个卷积模块由一个卷积层连接一个batch normalization层连接一个修正线性单元(rectified liner unit)，再连接一个卷积层连接一个batch normalization层连接一个修正线性单元(rectified liner unit)组成；所有卷积均是采用padding是[1,1,1,1]的填充，卷积核都是3×3的；连接卷积模块的下采样是2×2的最大下采样；

(22)在(21)中特征提取网络部分的基础上，为了解决细胞大小不一的问题，使用多尺度池化层(pooling layer)提取特征；这部分使用四种大小不一的池化，分别是64×64大小的平均池化，也就是全局池化，32×32大小的平均池化，16×16大小的平均池化，8×8大小的平均池化；之后都连接一层卷积层，然后都上采样到64×64大小尺度，再由连接层(concat layer)全部连接；到这完成了全部特征的提取；

(23)将(22)中得到的特征，通过一个卷积层加一个batch normalization层和修正线性单元的模块(如图convlution+batch normalization+relu)，得到融合后的特征；

(24)将(22)中得到的特征通过2×2大小的上采样和图中Conv block3得到的特征相加；它们的权重是2:1，之后通过一个反卷积模块(图中deconv block1)；该模块又反卷积，batch normalization和修正线性单元组成；得到特征尺度为128×128的特征通道；

(25)将(24)中得到的特征通道进行如(24)中一样的步骤，得到特征尺度为256×256的特征通道；

(26)将(25)中得到的特征上采样后，进过一个反卷积模块最终得到特征尺度为512×512的特征通道；

(27)将(26)得到特征，使用使用softmax函数将概率图的值归一化到0到1，softmax函数如下：

(28)使用交叉熵函数为代价函数(cross-entropy loss)将(27)中得到的归一化的概率图与标签图对比，交叉熵代价函数如下：

为了防止过拟合，在代价函数后再加上一个L2正则项，得到的代价函数如下：

(29)得到(210)中代价函数值后，根据随机梯度下降法，反向传播，更新网络中参数的值；

(210)将验证样本依同样的方式输入网络，得到交叉熵代价函数的结果值，但不进行反向传播更新网络参数的值；

(211)将(212)中得到的验证样本的交叉熵代价函数的结果值，与(28)中训练样本的交叉熵代价函数的结果值进行对比，直到验证样本交叉熵代价函数的结果值不在下降，反而上升，而训练样本的交叉熵代价函数的结果值一直下降时，停止训练；以验证样本的交叉熵代价函数的结果值最小的一代网络为最终训练好的网络。