[发明专利]基于网格重构学习的染色体分类模型

权利要求书

1.一种基于网格重构学习的染色体分类方法，其特征在于：

(1)对染色体图像进行预处理；

(1a)将染色体图像放缩到448×456×1；

(1b)生成对应的类别标签向量；

(2)染色体图像的网格化；

(2a)将染色体图像重叠划分成9块，每块大小224×224×1；

(2b)完整图像经过一个卷积层降维后得到224×224×1的特征图；

(2c)将9个图像和一个特征图送入到裁剪后的Resnet50中提取特征；

(3)构建网格重构模块（Grid Reconstruction Model）；

(3a)网格重构模块由两个支路组成，一条支路提取全局特征，一条支路提取局部特征；

(3b)提取全局特征：9个切割图像对应的特征向量，分别经过9个自定义权重（需学习）获得筛选后的9个特征向量，9个特征向量经过一个最大池化层，获得全局特征；

(3c)提取局部特征：9个切割图像对应的特征向量与相邻块的筛选后的特征向量相加，获得当前切割图像的特征向量；

(4)构建分类器，在模型的尾端添加由全连接层组成的11个分类器；

(5)构建GRiCoL (GRid reConstruction Learning)；

(5a)本发明以裁剪后的Resnet50为骨干网络，通过设置网格化模块及网格重构模块等提出GRiCoL网络，网络主体由标准卷积层、池化层、全连接层及自定义权重层组成；

(5b) GRiCoL分两条支路，上支路先经过网格模块对染色体图像网格化，然后经过骨干网络提取特征，最后重构模块对提取的特征重构，下支路直接对完整图像通过裁剪后的Resnet50提取特征并进行分类；

(5c)骨干网络共享参数权重；

(6)对GRiCoL 网络进行训练；

为了有效避免过学习和欠学习，并综合考虑计算成本，本发明开展5折交叉验证实验并统计其测试集的分类准确率用于最终性能的评估；网络统一采用Adam优化器最小化目标函数，这是一种经实践表明性能较优，且可自适应调节学习率的优化方法；测试时只用模型的下支路进行测试。

2.根据权利要求1所述的方法，其特征在于，步骤(2a)中图像的行列均进行3切分,即宽高方向各切3块，且为重叠切割；步骤(2b)采用卷积核大小为1×11×5×1，步长为2进行降维。

3.根据权利要求1所述的方法，其特征在于，步骤(3a)中采取两条之路分别获得全局特征和局部特征；步骤(3b)中定义了9个长度为1024的权重向量（参数可学习），用于筛选特征，然后得到的9个特征向量拼接成一个3×3的特征图，最后利用最大池化获得一个全局特征向量，其代表筛选后完整图像对应的特征向量；步骤(3c)中Resnet50提取特征后将与(3b)中相邻块的筛选的特征进行相加获得融合特征，以加强相邻块的关联性。

4.根据权利要求1所述的方法，其特征在于，步骤(4)中提取到共11个特征向量，每个特征向量都会参与分类损失计算。

5.根据权利要求1所述的方法，其特征在于，步骤(5b)中使用两条支路同时训练网络；步骤(5c)中使用骨干网络的参数将共享，测试时只用下支路即完整图像输入的支路进行预测。

6.根据权利要求1所述的方法，其特征在于，步骤(6)中的5折交叉验证实验是指每组实验中均将所有染色体图像分成5份，每份数据分别作为测试集，其余4份作为训练集，分别训练5个模型；测试时只用下支路完成测试，节省推理时间。