【技术实现步骤摘要】
基于卷积神经网络的人体细胞蛋白质自动识别方法及系统
本专利技术涉及利用计算机视觉方案对医学显微镜图像进行自动识别分类领域,具体地说是基于卷积神经网络的人体细胞蛋白质自动识别方法及系统。
技术介绍
卷积神经网络能够对原始数据中的空间特征进行学习,通过将不同的卷积层堆叠到一起能够组成一个特征表示学习器。该学习器逐层对输入数据进行由浅入深的特征表示学习,最后输出相对于原始数据的低维特征向量,该特征向量能够被分类器作为输入特征,实现对原始数据的正确分类。卷积神经网络和全连接分类器拼接在一起组成了常见的卷积神经网络分类器,其中的卷积核权重和全连接权重组成了该分类器的参数。对数据样本的类别进行标注,组成了训练卷积神经网络分类器的数据集。将数据集样本输入到分类器中,设定模型损失函数,使用梯度下降法优化网络,不断调整参数数值,从而降低损失函数值。当模型的评估指标满足要求时,便得到了一个可以解决实际问题的模型。人体细胞中的蛋白质根据结构的不同,包括核质(Nucleoplasm)、核膜(Nuclearmembrane)、核仁(Nucleoli)、高尔基体(Golgiapparatus)、线粒体(Mitochondria)、中心体(Centrosome)、肌动蛋白微丝(Actinfilaments)等等。通过显微镜,可以观察到人体细胞中复杂的结构。蛋白质是细胞中各种职责的主要承担者,不同功能的蛋白质主要借助空间结构完成特定的任务,不同功能的细胞其内部的蛋白质结构也存在差别。到目前为止,我们已经研究清楚了人体细胞中的多种蛋白质,有经验的专业人员可以轻易在显微镜中识别出蛋白质组成的 ...
【技术保护点】
1.一种基于卷积神经网络的人体细胞内蛋白质自动识别方法,其特征在于,该方法步骤如下:S1、数据集预处理:按照ProteinResNet32模型的输入格式制作数据集,并设定蛋白质排序确定,则D={(x,y)|x∈R
【技术特征摘要】
1.一种基于卷积神经网络的人体细胞内蛋白质自动识别方法,其特征在于,该方法步骤如下:S1、数据集预处理:按照ProteinResNet32模型的输入格式制作数据集,并设定蛋白质排序确定,则D={(x,y)|x∈R512*512*4,y=α1*m};其中,D为数据集;R为实数集;m为蛋白质的类别数量;α1*m为一个1*m的类别向量;x为样本;y为标签;S2、模型实现与训练:按照ProteinResNet32模型的结构,选择深度学习编程框架并采用ReLU激活函数作用到所有卷积层和全连接层,实现ProteinResNet32模型,并对ProteinResNet32模型进行训练;S3、模型部署与持续优化:将训练完毕的ProteinResNet32模型部署到应用环境,采集到的样本图像按照步骤S1中要求的格式输入到ProteinResNet32模型中,并根据样本类别的判断结果不断优化ProteinResNet32模型。2.根据权利要求1所述的基于卷积神经网络的人体细胞内蛋白质自动识别方法,其特征在于,所述步骤S1中样本x的类别包含第k个蛋白质类别时,标签y=α1*m的第k个元素值为1,否则为0;数据集D中样本按照类别随机抽取70%作为训练集,剩余30%作为测试集。3.根据权利要求1或2所述的基于卷积神经网络的人体细胞内蛋白质自动识别方法,其特征在于,所述步骤S2中深度学习编程框架采用TensorFlow、PyTorch或Keras。4.根据权利要求3所述的基于卷积神经网络的人体细胞蛋白质自动识别方法,其特征在于,所述步骤S2中对ProteinResNet32模型进行训练的具体步骤如下:S201、设定损失函数为交叉熵损失函数,并使用L2正则化方法约束ProteinResNet32模型的权重参数;S202、随机初始化ProteinResNet32模型;S203、批量输入训练集图像;S204、使用小批量随机梯度下降法迭代调整优化模型;S205、当ProteinResNet32模型在测试集上的正确率满足要求时,停止训练。5.根据权利要求4所述的基于卷积神经网络的人体细胞蛋白质自动识别方法,其特征在于,所述步骤S3中优化ProteinResNet32模型的具体步骤如下:S301、ProteinResNet32模型输出预测向量S302、当βi>0.5时,判定该图像中蛋白质结构包含类别i;S303、记录专家对样本类别的判断结果,持续补充到数据集D中;S304、当新增样本数量超过原样本数量的三分之一时,重新划分数据集D,再次优化ProteinResNet32模型。6.根据权利要求5所述的基于卷积神经网络的人体细胞蛋白质自动识别方法,其特征在于,所述ProteinResNet32模型的结构如下:其中,convM_i表示一个残差卷积块,M的取值为2、3或4,每个卷积块内有三层卷积顺序组成,构成了唯一的卷积堆叠模式;i(i>=1)表示块内的卷积模式序号,当...
【专利技术属性】
技术研发人员:高岩,姜凯,于治楼,
申请(专利权)人:济南浪潮高新科技投资发展有限公司,
类型:发明
国别省市:山东,37
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。