[发明专利]一种基于深度学习的流式细胞仪细胞散点图分类方法

权利要求书

1.一种基于深度学习的流式细胞仪细胞散点图分类方法，其特征在于，包括以下步骤：

利用流式细胞分析仪采集多个样本的细胞特征，并对所述样本进行分类和数据增强，得到多个标签样本；

将训练集中的输入张量输入分类模型中进行训练，并基于含有正则项的损失函数对所述分类模型进行优化；

将测试集输入优化后的所述分类模型中进行分类计算，得到分类准确率，完成分类。

2.如权利要求1所述的基于深度学习的流式细胞仪细胞散点图分类方法，其特征在于，利用流式细胞分析仪采集多个样本的细胞特征，并对所述样本进行分类和数据增强，得到多个标签样本之后，所述方法还包括：

将多个所述标签样本按照7：2：1的比例划分为训练集、测试集和验证集。

3.如权利要求1所述的基于深度学习的流式细胞仪细胞散点图分类方法，其特征在于，将测试集输入优化后的所述分类模型中进行分类计算，得到分类准确率，完成分类之前，所述方法还包括：

当所述分类模型每训练十个批次的训练样本后，利用验证集中的验证样本执行一次验证，并输出损失和分类精度，所有数据训练20次，每完成一次迭代保存模型的权重参数。

4.如权利要求1所述的基于深度学习的流式细胞仪细胞散点图分类方法，其特征在于，所述方法还包括：

将所有的分类结果进行可视化展示。

5.如权利要求1所述的基于深度学习的流式细胞仪细胞散点图分类方法，其特征在于，将训练集中的输入张量输入分类模型中进行训练，并基于含有正则项的损失函数对所述分类模型进行优化，包括：

将获取的输入张量输入第一个多层感知机中进行训练，然后将训练输出的第一输出张量与T-Net矩阵相乘，得到转换张量；

将所述转换装量输入第二个多层感知机中进行训练，并经过最大池化层后，得到全局特征；

将所述全局特征加入到所述转换张量后，经过两个多层感知机的的训练，输出分数张量。

6.如权利要求5所述的基于深度学习的流式细胞仪细胞散点图分类方法，其特征在于，将所述全局特征加入到所述转换张量后，经过两个多层感知机的的训练，输出分数张量，包括：

将所述全局特征加入到所述转换张量的每一行中，然后将得到的特征张量输入第三个多层感知机中进行训练，得到第三输出张量；

将所述第三输出张量输入到第四个多层感知机中进行训练，得到分数张量。