[发明专利]基于尖峰平板式深度玻尔兹曼机分类的膀胱尿路上皮图像处理方法

权利要求书

1.基于尖峰平板式深度玻尔兹曼机分类的膀胱尿路上皮癌图像处理方法，包括训练阶段和识别阶段，其特征在于，

在训练阶段，利用带标注的大数据病理图像在近似条件分布最大化准则下训练深度玻尔兹曼机模型参数：即采用吉布斯采样法对对比散度和持续性对比散度进行迭代更新，在逐层训练的基础上，利用变分随机最大似然法估计模型最优结构；

在识别阶段，根据输入的待区分盲数据，考虑图像像素之间的协方差关系，评估计算深度玻尔兹曼机决策层和隐层权重矩阵的能量函数，从而获得二值尖峰和实值平板隐藏单位的均匀场估计，得到后验概率分布的近似推断，并以最大化后验概率为决策条件选择分类结果，最终实现膀胱尿路上皮细微病变部位的识别。

2.根据权利要求1所述的基于尖峰平板式深度玻尔兹曼机分类的膀胱尿路上皮癌图像处理方法，其特征在于，训练阶段具体包括以下步骤：

A01，构建具有一个可见层v和两个隐藏层h⁽¹⁾,h⁽²⁾的深度玻尔兹曼机，其联合概率由式(1)给出

Z(θ)是归一化值；其中能量函数定义如式(2)

θ表示模型参数集合，W⁽¹⁾,W⁽²⁾表示网络连接权重系数矩阵；隐藏层h⁽¹⁾,h⁽²⁾的激活函数分别由式(3)和式(4)给出

A02，对于自然图像而言，许多信息内容嵌入于像素之间的协方差关系网中，而不是像素绝对值中，因此需要构建二值尖峰(h)和实值平板(s)隐藏单元的深度玻尔兹曼机；该学习机中相应的h_i确定权重矩阵W_:,i中该分量是否存在；如果存在的话，相应平板变量s_i确定该变量的强度；当尖峰变量激活时，相应的平板变量将沿着权重矩阵定义的轴输入增加方差；定义能量函数E_ss(x,s,h)为

其中，b_i是h_i的偏置，Λ是观测值x上的对角精度矩阵，α_i是实值平板变量s_i的标量精度参数，φ_i是定义在x上的h调制二次惩罚的非负对角矩阵，μ_i是平板变量s_i的均值参数；

利用能量函数的定义，通过边缘化平板变量s，在给定二值尖峰变量h的条件下，观察变量的条件概率分布由下式给出

其中，P(h)代表累加概率，Z是归一化常数，

A03，构建预测分布概率(6)式的变分下界目标函数其表达式如下

其中，是包含所有隐层节点在内的矩阵；设步长ε为一个小正数，设定吉布斯步数k，其值足够大，足以让p(v,h⁽¹⁾,h⁽²⁾)对应的马尔可夫链能跳出预烧区域；随机初始化三个矩阵；利用变分随机最大似然法对上述目标函数进行迭代优化，求得紧致下限满足的模型参数。

3.根据权利要求1所述的基于尖峰平板式深度玻尔兹曼机分类的膀胱尿路上皮癌诊断方法，其特征在于，识别阶段包含如下步骤：

B01，根据贝叶斯公式，预测概率分布满足p(v|h⁽¹⁾,h⁽²⁾)～p(h⁽¹⁾,h⁽²⁾|v)，确定后验概率分布即可根据最大模态值做出决策判断；

B02，利用均匀场近似法估计后验概率分布，设Q(h⁽¹⁾,h⁽²⁾|v)为p(h⁽¹⁾,h⁽²⁾|v)的近似函数，根据独立性假设有

在KL散度的准则下比较Q函数和P函数的相似性，有

将Q函数作为Bernoulli分布的乘积进行参数化，即令于是可得

根据训练阶段得到的模型参数，在观测数据驱动的条件下可得隐层变量更新规则如下

B03，在得到隐层变量的估计的基础上，将后验概率分布通过利用贝叶斯公式转换为预测概率分布，评估概率有效区域进而获取最大概率值对应的类别作为判决决策，根据图像识别膀胱尿路上皮细微病变部位。