[发明专利]一种基于改进ResNet的医学图像多分类识别系统

权利要求书

1.一种基于改进ResNet的医学图像多分类识别系统，其特征在于包含定位模块和分类模块，定位模块利用Hourglass网络模型对输入的粒细胞图片进行特征提取，将粒细胞图片中的全部细胞分别进行定位，再将定位后的细胞裁剪出来，留下单个完整的细胞，并将全部裁剪出来的细胞进行尺寸归一化处理；

分类模块采用构建的深度学习分类模型对定位模块定位出的粒细胞进行分类：

其中构建的深度学习分类模型其网络结构如下：

第一层为卷积层，卷积核数量为64，每个卷积核大小为7*7，第二层为归一化层和激活函数层，第三层为池化层，采用最大值池化，池化大小为3*3，第四层为ResNet-Block分类模型，第五层和第六层均为TBC-Block分类模型；

其中ResNet-Block分类模型包含两个分支，第一个分支的第一层为卷积层，卷积核数量为128，每个卷积核大小为1*1，第二层为卷积层，卷积核数量为128，每个卷积核大小为3*3，第三层为卷积层，卷积核数量为128，每个卷积核大小为1*1，第二个分支为一层卷积层，卷积核数量为128，每个卷积核大小为1*1，每个分支的每个卷积层后都加入BN层和激活函数层；

所述第五层和第六层的TBC-Block模块结构相同，均包含三个分支和三层全连接层，第一个分支为一层卷积层，卷积核数量为256，每个卷积核大小为3*3，第二个分支为一层卷积层，卷积核数量为256，每个卷积核大小为3*3，第三层为一层卷积层，卷积核数量为256，每个卷积核大小为1*1，每个分支的每个卷积层后都加入BN层和激活函数层；

网络最后为三层全连接层，并在三层全连接层后加入激活函数，再在激活函数后面加入Softmax分类器，Softmax分类器对细胞进行分类，输出各个细胞的类别。

2.根据权利要求1所述的一种基于改进ResNet的医学图像多分类识别系统，其特征在于所述Hourglass网络模块为对称结构，包括四层下卷积层组和四层上卷积层组；

第一个下卷积层组包括第一，第二和第三共三个卷积层，其中第一卷积层的每个卷积核大小为1*1，卷积核的数量为256个，第二卷积层的每个卷积核大小为3*3，卷积核的数量为128个，第三卷积层的每个卷积核大小为1*1，卷积核的数量为256个；

第二个下卷积层组包括第四，第五和第六共三个卷积层，其中第四卷积层的每个卷积核大小为1*1，卷积核的数量为256个，第五卷积层的每个卷积核大小为3*3，卷积核的数量为128个，第六卷积层的每个卷积核大小为1*1，卷积核的数量为256个；

第三个下卷积层组包括第七，第八和第九共三个卷积层，其中，其中第七卷积层的每个卷积核大小为1*1，卷积核的数量为256个，第八卷积层的每个卷积核大小为3*3，卷积核的数量为128个，第九卷积层的每个卷积核大小为1*1，卷积核的数量为256个；

第四个下卷积层组包括第十，第十一和第十二共三个卷积层，其中第十卷积层的每个卷积核大小为1*1，卷积核的数量为256个，第十一卷积层的每个卷积核大小为3*3，卷积核的数量为128个，第十二卷积层的每个卷积核大小为1*1，卷积核的数量为256个；

第一个上卷积层组包括第十三，第十四和第十五共三个卷积层，其中第十三卷积层的每个卷积核大小为1*1，卷积核的数量为256个，第十四卷积层的每个卷积核大小为3*3，卷积核的数量为128个，第十五卷积层的每个卷积核大小为1*1，卷积核的数量为256个；

第二个上卷积层组包括第十六，第十七和第十八共三个卷积层，其中第十六卷积层的每个卷积核大小为1*1，卷积核的数量为256个，第十七卷积层的每个卷积核大小为3*3，卷积核的数量为128个，第十八卷积层的每个卷积核大小为1*1，卷积核的数量为256个；

第三个上卷积层组包括第十九，第二十和第二十一共三个卷积层，其中第十九卷积层的每个卷积核大小为1*1，卷积核的数量为256个，第二十卷积层的每个卷积核大小为3*3，卷积核的数量为128个，第二十一卷积层的每个卷积核大小为1*1，卷积核的数量为256个；

第四个上卷积层组包括第二十二，第二十三和第二十四共三个卷积层，其中第二十二卷积层的每个卷积核大小为1*1，卷积核的数量为256个，第二十三卷积层的每个卷积核大小为3*3，卷积核的数量为128个，第二十四卷积层的每个卷积核大小为1*1，卷积核的数量为256个；

在每一个下卷积层组后加入池化层，池化层大小为2*2，步长为2；

在每一个上卷积层组后加入上采样层。