生物多光谱图像的深度学习分类方法及装置制造方法及图纸

本发明专利技术公开了一种生物多光谱图像的深度学习分类方法及装置。该方法包括：对生物多光谱图像进行数据预处理得到预处理结果；根据感兴趣的生物现象关系确定至少一个相关特征滤波器模板；将预处理结果作为深度学习框架的输入，对所述生物多光谱图像进行深度学习，并以所述至少一个相关特征滤波器模板调整深度学习框架，从而得到训练好的深度学习框架；将待分类的多光谱图像输入到所述训练好的深度学习框架中，得到所述待分类的多光谱图像对应的分类。利用本发明专利技术能够实现对多光谱图像的深度学习和分类。

Depth learning classification method and device for biological multispectral image

The invention discloses a depth learning classification method and a device for a biological multispectral image. The method includes: the biological multi spectral image data preprocessing preprocessing results; determining at least one feature filter template according to the relationship between the biological phenomena of interest; the pretreatment results as input to the deep learning framework, the biological multi spectral image and deep learning, to the at least one related the characteristics of filter template adjustment deep learning framework, in order to get deep learning trained; input multi spectral image will be classified into the deep learning framework trained, get the classification of multi spectral image and the corresponding classification. The invention can realize deep learning and classification of multispectral images.

【技术实现步骤摘要】
生物多光谱图像的深度学习分类方法及装置
本专利技术涉及一种生物多光谱图像的深度学习分类方法及装置。
技术介绍
在科研实践中，组织切片的正确分类是非常重要的。传统组织切片为灰度或单色荧光，主要通过物理层面的细胞形态学进行分类，分类方法不准确，在病程早期正常和病变细胞形态区分度不大，缺乏组织多生物现象关联因素信息，无法为后处理和分类提供高特异性。彩色组织切片图像是指具有多种光谱信息(如激发荧光)或色谱信息(如染色剂)的组织切片图像，是组织切片领域的新一代精准医学技术，多光谱(包括高光谱和超光谱)技术是图像的每一个像素都提供两种以上光谱波长的光强度值的新技术。激发荧光(Fluorescence)的多光谱生物标记或染料染色的病理组织切片方法是最新发展的一种可以同时测量同一像素区域多个生物标记物的关联性和生物现象强度的方法。多光谱图像是有自身生物复杂性的一组表征不同光谱波长强度的图像，揭示的信息是多个生物事件在不同光谱上表征的深度相互关系。在科研实践中需要对一组多光谱图像进行分类。对于单一图像，可采用图像深度学习的方法实现分类。对于多光谱图像的智能分类处理尚处于起步阶段，多光谱图像所需要的深度本文档来自技高网...

【技术保护点】
一种生物多光谱图像的深度学习分类方法，其特征在于，所述方法包括如下过程：对生物多光谱图像进行数据预处理得到预处理结果；根据感兴趣的生物现象关系确定至少一个相关特征滤波器模板；将预处理结果作为深度学习框架的输入，对所述生物多光谱图像进行深度学习，并以所述至少一个相关特征滤波器模板调整深度学习框架，从而得到训练好的深度学习框架；将待分类的多光谱图像输入到所述训练好的深度学习框架中，得到所述待分类的多光谱图像对应的分类。

【技术特征摘要】
1.一种生物多光谱图像的深度学习分类方法，其特征在于，所述方法包括如下过程：对生物多光谱图像进行数据预处理得到预处理结果；根据感兴趣的生物现象关系确定至少一个相关特征滤波器模板；将预处理结果作为深度学习框架的输入，对所述生物多光谱图像进行深度学习，并以所述至少一个相关特征滤波器模板调整深度学习框架，从而得到训练好的深度学习框架；将待分类的多光谱图像输入到所述训练好的深度学习框架中，得到所述待分类的多光谱图像对应的分类。2.根据权利要求1所述的深度学习分类方法，其特征在于，所述数据预处理包括如下步骤：①将每一个多光谱图像均转换为一个M×N矩阵，其中，M为所述多光谱图像像素的个数，N为多光谱图像中波长值的个数；②利用主成分分析PCA计算出对所述矩阵贡献较大的前m个波长；③在个波长组合中选出最相关的波长组合A，A是包含n个不同波长值的波长组合；④对所述多光谱图像进行分区，针对每个区域的图像，计算波长组合A中各波长的相关系数，选出最大相关系数对应的区域W；⑤对区域W中波长组合A中不同波长的强度进行像素分布直方图归一化，以归一化得到的结果作为所述预处理结果。3.根据权利要求2所述的深度学习分类方法，其特征在于，步骤③包括：计算m个波长中任意两个波长的相关系数，将相关系数从大到小排序，在最大的前s个相关系数所对应的s个组合中，将含有n个不同波长值的波长组合视为一个大组，得到多个所述大组，将每个所述大组中所有波长组合对应的相关系数相加，得到多个和Q，取最大的和Qmax对应的n个波长形成波长组合A。4.根据权利要求1所述的深度学习分类方法，其特征在于，基于多种生物现象的相互关系设计所述相关特征滤波器模板。5.根据权利要求4所述的深度学习分类方法，其特征在于，所述多种生物现象的相互关系包括：不同生物现象的方位关系、不同生物现象所占面积的相对大小和/或不同生物现象之间相隔的距离。6.根据权利要求4所述的深度学习分类方法，其特征在于，所述基于多种生物现象的相互关系设计所述相关特征滤波器模板包括：(1)根据感兴趣的生物现象发生区域的面积大小决定所述相关特征滤波器模板的区域面积大小和像素个数；(2)基于多光谱图像中不同波长值的数量确定所述相关特征滤波器模板的像素深度；和/或(3)基于多光谱图像中不同波长的相关系数的大小和生物现象特有特征确定所述相关特征滤波器模板中不同组分的宽度和形状。7.根据权利要求1所述的深度学习分类方法，其特征在于，其中所述的深度学习框架采用卷积神经网络，所述以所述至少一个相关特征滤波器模板调整深度学习框架包括：(1)以所述至少一个相关特征滤波器模板和常规特征学习模板作为卷积神经网络的第1层卷积层；(2)将所述至少一个相关特征滤波器模板加入到卷积神经网络的第d层卷积层中，且d为大于1小于等于隐含层层数的自然数；或者(3)以所述至少一个相关特征滤波器模板作为一个新的卷积层增加到卷积神经网络的隐含层中。8.根据权利要求1所述的深度学习分类方法，其特征在于，以所述至少一个相关特征滤波器模板调整深度学习框架还包括：在深度学习过程中，对所述至少一个相关特征滤波器模板的权重进行调整。9.根据权利要求1所述的深度学习分类方法，其特征在于，使用Huber成本函数作为深度学习框架的输出层成本函数。10.根据权利要求1所述的深度学习分类方法，其特征在于，所述方法还包括：在对所述生物多光谱图像进行深度学习过程中，随机地选择一个卷积层，对其中的全部图像区域或部分图像区域中的一个或多个波长不做相关特征滤波器模板卷积。11.根据权利要求1所述的深度学习分类方法，其特征在于，所述方法还包括：在对所述生物多光谱图像进行深度学习过程中，随机地选择一个卷积层，对其中部分图像区域中的感兴趣的波长不做常规模板卷积，对需要滤除的波长不做相关特征滤波器模板卷积。12.根据权利要求1所述的深度学习分类方法，其特征在于，所述方法还包括：在对所述生物多光谱图像进行深度学习过程中，随机地选择一个或多个神经元节点做失活处理，或者随机地选择一个或多个链接做失活处理。13.根据权利要求1所述的深度学习分类方法，其特征在于，所述方法还包括：基于自发荧光的分布模式，在所述深度学习框架中滤除与所述自发荧光相关度高的所述矩阵的特征向量或者减少与所述自发荧光相关度高的所述矩阵的特征向量的学习。14.根据权利要求1所述的深度学习分类方法，其特征在于，所述方法还包括：在对所述生物多...

【专利技术属性】
技术研发人员：谈宜勇，
申请(专利权)人：谈宜勇，李纪华，
类型：发明
国别省市：上海,31