[发明专利]一种肿瘤细胞切片图像的识别方法、介质及电子设备

权利要求书

1.一种肿瘤细胞切片图像的识别方法，其特征在于，包括以下步骤：

获取肿瘤细胞的样本图像数据，并对其进行形态学处理，提取出待分析细胞图像，所述样本图像数据通过高光谱成像系统获得，所述待分析细胞图像包括恶性肿瘤细胞图像、良性细胞图像以及炎症细胞图像中的任一项或多项；

对所述待分析细胞图像进行光谱特征提取，获得所述待分析细胞图像对应的光谱特征向量；

利用提取出的所述光谱特征向量对所述待分析细胞图像进行颜色矩阵特征提取，获得所述待分析细胞图像对应的颜色矩阵特征向量；

对所述光谱特征向量与所述颜色特征向量进行融合，获得融合特征向量；

采用SVM分类器对所述融合特征向量进行分类，获得细胞图像分类结果；

基于所述细胞图像分类结果进行概率计算以及概率校准，输出当前肿瘤细胞切片图像对应的患癌概率。

2.根据权利要求1所述的肿瘤细胞切片图像的识别方法，其特征在于，对所述待分析细胞图像采用SVM-RFE模型分类器进行光谱特征提取，所述光谱特征提取包括以下步骤：

获取所述待分析细胞图像的类别数，根据所述待分析细胞图像的类别数确定SVM-RFE模型分类器数量，所述SVM-RFE模型分类器的数量根据公式(1)获得，公式(1)如下：

v＝N(N-1)/2，

其中v为SVM-RFE模型分类器的数量，v为正整数；

将所述待分析细胞图像按照类别两两组合分别输入至多个SVM-RFE模型中，获得多个排序准则得分；

将多个所述排序准则得分进行加和获得排序准则总分；

根据所述排序准则总分进行光谱特征的剔除，迭代消去最小光谱特征，直至满足预设条件，获得最终的光谱特征集合。

3.根据权利要求2所述的肿瘤细胞切片图像的识别方法，其特征在于，所述SVM-RFE模型分类器具体的计算过程如下：

设训练样本：其中x_i∈R^D，v_i∈{1,2,3}，N为样本量，x_i为第i个样本，D为原始样本特征数，即原始光谱波段数目；

初始化原始特征集合：S＝{1,2,…,D}，特征排序集：R＝[]；

生成三个训练样本，在训练样本T中找出不同类别的两两组合得到最后的训练样本：T_j(j＝1,2,3)；

分别用T_j训练SVM分类器，分别得到权重ω_j(j＝1,2,3)；

计算排序准则得分：找出排序准则得分最小的特征：f＝argmin(c_k)，更新特征集R＝[f,R]；

在S中去除最小特征值获得一个新的特征集合：S＝S[1:f-1,f+1:lengh(S)；

循环迭代直至S中特征个数为k个；

获得特征排序列表R，即特征被消除的次序。

4.根据权利要求3所述的肿瘤细胞切片图像的识别方法，其特征在于，所述特征排序列表R中，每个待分析细胞图像对应有k维光谱特征。

5.根据权利要求4所述的肿瘤细胞切片图像的识别方法，其特征在于，利用光谱特征对所述待分析细胞图像进行颜色矩阵特征提取包括：

根据所述光谱特征对应的光谱波长确定颜色矩阵中的颜色分量；

提取待分析细胞图像所对应的颜色矩阵中的低阶矩的颜色信息；

根据所述颜色信息获得颜色矩阵特征向量。