[发明专利]基于机器学习和深度学习的ANA荧光片自动识别方法

权利要求书

1.一种基于机器学习和深度学习的ANA荧光片自动识别方法，其特征在于，如下步骤：

S1、基于机器学习模型，通过数据集计算得到滴度模型；

S2、基于深度学习模型，通过数据集计算得到核型模型；

S3、读取待识别的ANA荧光片，即待识别的图片，将待识别的图片进行特征提取，得到提取的多个特征值；

S4、将多个特征值输入滴度模型，得到预测的滴度；

S5、将待识别的图片输入核型模型，得到预测的核型；

S6、根据预测的滴度与预测的核型得到识别结果；

所述步骤S1的具体步骤为：

S1.1、对获取的ANA荧光片构成的原始数据集进行清洗后，提取清洗后的原始数据集中各ANA荧光片的滴度标注；

S1.2、提取滴度标注后的ANA荧光片的特征值，作为数据集；

S1.3、根据数据集训练支持向量机，得到滴度模型；

所述步骤S1.2的具体步骤为：

S1.2.1、将每一张ANA荧光片转换为灰度图片，灰度图片为一个大小为X*Y的二维矩阵M，计算二维矩阵M的所有元素平均值，得到第一个特征值f1；

S1.2.2、二维矩阵M的具体某一个元素代表像素点的灰度值，值的大小在0-255之间，将矩阵所有元素按照灰度强度等级进行计数，即分别统计灰度值在0-10、11-20、21-30直到241-250之间的像素点数量，依次将统计得到的数量作为特征值f2-f26，而大小在251-255之间的像素点数量作为特征值f27；

S1.2.3、将所有灰度图片的纹理均值、纹理方差、纹理平滑度、纹理三阶矩、纹理一致性和纹理熵分别作为特征值f28-f33；

S1.2.4、将得到的特征值f1-f33作为数据集；

所述步骤S1.2.3中的计算公式如下：

纹理均值的计算公式为：

其中，L是灰度级总数，z_k表示第k个灰度级，p(z_k)是归一化直方图灰度级分布中灰度为z_k的概率；

纹理方差的计算公式为：

纹理平滑度的计算公式为：

纹理三阶矩的计算公式为：

纹理一致性的计算公式为：

纹理熵的计算公式为：

所述步骤S1.3的具体步骤为：

S1.3.1、将数据集中的特征值f1-f33提取成为一个二维矩阵M2，二维矩阵M2形状为X*33，其中，X代表数据集中图片的数量，33代表特征值共有33个；

S1.3.2、将所有图片的滴度和滴度标注提取出来，作为矩阵M3，矩阵M3的形状为X*1；

S1.3.3、根据二维矩阵M2和矩阵M3的数据训练支持向量机，得到滴度模型；

所述步骤S2的具体步骤为；

S2.1、对获取的ANA荧光片构成的原始数据集进行清洗，即删除原始数据集中不具有核型信息的ANA荧光片；

S2.2、根据步骤2.1得到的处理后的原始数据集，提取ANA荧光片的RGB三维矩阵，并根据神经网络的输入大小要求，对提取出来的RGB三维矩阵的形状进行放大或缩小；

S2.3将放大或缩小后得到的三维矩阵作为训练数据集对基于图卷积方法的深度神经网络进行训练，得到核型模型；

所述步骤S2.1中删除原始数据集中不具有核型信息的ANA荧光片的具体步骤为：

先选择17个核型，再判断清洗后的原始数据集中的ANA荧光片的核型是否包含了17种的一种或多种，若有保留，否则删除该ANA荧光片；

所述步骤S2.3中基于图卷积方法的深度神经网络的最后一层，使用Sigmoid方法输出ANA荧光片属于某一个核型的概率，其公式如下：

其中，深度神经网络的最后一层有17个神经元，分别代表17种核型，x为某一个神经元的输入，S代表输出某一个核型的概率；

还采用了LSTM网络，辅助基于图卷积方法的深度神经网络进行核型判断。