一种基于两阶段卷积神经网络的细胞图像分类方法技术

本申请公开了一种基于两阶段卷积神经网络的细胞图像分类方法、装置、设备及可读存储介质，能够基于细胞图像分类模型实现对上皮细胞染色图像的分类，该细胞分类模型针对各类图像特征鉴别难度的不同分别设置了粗分类单元和精分类单元，在实际分类预测过程中，首先根据粗分类结果判断图像是否为易混淆类，对于非易混淆类的图像直接输出其粗分类结果，对于易混淆类的图像，则结合粗分类单元和精分类单元各自提取到的特征图进行精细化分类。因此，该模型在保证分类效率的同时，提升了分类的可靠性，而且精分类单元中的卷积神经网络与易混淆类一一对应，进一步保证了精分类的可靠性。

A cell image classification method based on two-stage convolution neural network

【技术实现步骤摘要】
一种基于两阶段卷积神经网络的细胞图像分类方法
本申请涉及计算机
，特别涉及一种基于两阶段卷积神经网络的细胞图像分类方法、装置、设备及可读存储介质。
技术介绍
对上皮细胞进行间接免疫荧光法，是诊断自身免疫性疾病的主要方法。其具体操作是，用间接免疫荧光法检测抗核抗体的核型，不同的核型对应不同种类的自身免疫疾病。因此，对于用间接免疫荧光法后的细胞核型判断对诊断自身免疫病具有重要意义。传统的间接免疫荧光图像分类方案主要通过人工分析实现，导致了分类结果受到主观因素影响，可靠性较差且效率较低。还有学者提出基于特征工程的上皮细胞间接免疫荧光图像的分类方案，该类方案提取的特征往往较少，导致分类的性能较差。因此，如何自动有效地对上皮细胞染色图像进行分类已成为一个极具吸引力的研究课题。现有方案将特征提取和分类视为两个独立的阶段。对于前者，相关学者采用了各种人工抽取特征的方法，包括局部二值模式(LocalBinaryPattern,LBP)尺度不变特征变换(Scale-invariantfeaturetransform,SIFT)定向梯度直方，以及灰度等级区域矩阵等统计特征。对于后者，相关学者采用最近邻分类器增强，支持向量机(SupportVectorMachine,SVM)和多核SVM等方法。但是，这些分类器的性能在很大程度上取决于人工抽取特征的可靠性，而且由于特征抽取和分类器是分开的，它们难以最大限度地识别和保留判别信息。由于神经网络在视觉识别当中的出色表现，给解决这类问题提供了良好的途径。相关学者提出了一种使用5层卷积神经网络识别上皮细胞的DCNN(deepconvolutionalneuralnetworks)模型，但是该模型结构较为简单，层数较少，没有很好地利用网络训练中产生的有效信息，导致其分类效果较差。综上，如何在保证对上皮细胞染色图像分类效率的同时，提升分类结果的可靠性，是亟待本领域技术人员解决的问题。
技术实现思路
本申请的目的是提供一种基于两阶段卷积神经网络的细胞图像分类方法、装置、设备及可读存储介质，用以解决传统的上皮细胞染色图像的分类效率低和分类结果可靠性低的问题。其具体方案如下：第一方面，本申请提供了一种基于两阶段卷积神经网络的细胞图像分类方法，包括：获取待分类的上皮细胞染色图像；将所述上皮细胞染色图像输入细胞图像分类模型的粗分类单元，得到粗分类特征图和相应的粗分类结果，其中所述粗分类单元包括单个独立的卷积神经网络；判断所述粗分类结果是否为易混淆类，其中所述易混淆类为在所述细胞图像分类模型的训练过程中确定的容易混淆的类别；若不是易混淆类，则输出所述粗分类结果；若是易混淆类，则对所述上皮细胞染色图像进行尺寸调整，并将尺寸调整后的上皮细胞染色图像输入所述细胞图像分类模型的精分类单元中与所述粗分类结果相对应的卷积神经网络，得到精分类特征图；其中，所述精分类单元包括多列独立的卷积神经网络，该卷积神经网络与所述易混淆类一一对应；根据所述粗分类特征图和所述精分类特征图，确定混合特征图并输出相应的精分类结果，以实现对所述上皮细胞染色图像的分类。优选的，在所述将所述上皮细胞染色图像输入细胞图像分类模型的粗分类单元之前，还包括：将所述上皮细胞染色图像转化为RGB彩色图像。优选的，所述将所述上皮细胞染色图像输入细胞图像分类模型的粗分类单元，得到粗分类特征图和相应的粗分类结果，包括：将所述上皮细胞染色图像输入细胞图像分类模型的粗分类单元的前三个卷积层，得到第一特征信息；将所述第一特征信息分别输入所述粗分类单元的第一支路和第二支路，得到第二特征信息和第三特征信息，其中所述第一支路包括步长为2的最大池化层和第四卷积层，所述第二支路包括步长为4的最大池化层；对所述第二特征信息和所述第三特征信息进行拼接操作，得到第四特征信息；将所述第四特征信息输入所述粗分类单元的第五卷积层和两个全连接层，得到粗分类特征图；将所述粗分类特征图输入所述粗分类单元的分类器，得到粗分类结果。优选的，所述精分类单元具体包括多列独立的网络架构相同但网络权重不同的VGG16网络结构。优选的，所述根据所述粗分类特征图和所述精分类特征图，确定混合特征图并输出相应的精分类结果，包括：按照预设权重对所述粗分类特征图和所述精分类特征图进行加权相加操作，得到混合特征图；将所述混合特征图输入所述精分类单元中相应的分类器，得到精分类结果。优选的，在所述获取待分类的上皮细胞染色图像之前，还包括：获取带类别标签的上皮细胞染色图像，并划分得到训练集和验证集；利用所述训练集对所述粗分类单元进行训练，并将所述验证集输入训练之后的粗分类单元，得到粗分类结果；根据所述粗分类结果和所述验证集中的真实标签，确定易混淆类；从所述训练集中抽取与所述易混淆类相对应的样本，并对该样本中的上皮细胞染色图像进行尺寸调整，得到精分类训练集；利用所述精分类训练集对所述精分类单元进行训练。优选的，所述根据所述粗分类结果和所述验证集中的真实标签，确定易混淆类，包括：根据所述粗分类结果和所述验证集中的真实标签，生成混淆矩阵，其中所述混淆矩阵为：k表示类别总数，mpq表示类别p被划分为类别q的错误概率，p,q∈{1,2,...,k}；当p＝q时，mpq表示该类被正确划分的概率；根据预设概率阈值和所述混淆矩阵，确定易混淆类。第二方面，本申请提供了一种基于两阶段卷积神经网络的细胞图像分类装置，包括：图像获取模块：用于获取待分类的上皮细胞染色图像；粗分类模块：用于将所述上皮细胞染色图像输入细胞图像分类模型的粗分类单元，得到粗分类特征图和相应的粗分类结果，其中所述粗分类单元包括单个独立的卷积神经网络；易混淆类判别模块：用于判断所述粗分类结果是否为易混淆类，其中所述易混淆类为在所述细胞图像分类模型的训练过程中确定的容易混淆的类别；粗分类结果输出模块：用于在不是易混淆类时，输出所述粗分类结果；精分类模块：用于在是易混淆类时，对所述上皮细胞染色图像进行尺寸调整，并将尺寸调整后的上皮细胞染色图像输入所述细胞图像分类模型的精分类单元中与所述粗分类结果相对应的卷积神经网络，得到精分类特征图；其中，所述精分类单元包括多列独立的卷积神经网络，该卷积神经网络与所述易混淆类一一对应；精分类结果输出模块：用于根据所述粗分类特征图和所述精分类特征图，确定混合特征图并输出相应的精分类结果，以实现对所述上皮细胞染色图像的分类。第三方面，本申请提供了一种基于两阶段卷积神经网络的细胞图像分类设备，包括：存储器：用于存储计算机程序；处理器：用于执行所述计算机程序，以实现如上所述的一种基于两阶段卷积神经网络的细胞图像分类方法的步骤。第四方面，本申请提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序在被本文档来自技高网...

【技术保护点】
1.一种基于两阶段卷积神经网络的细胞图像分类方法，其特征在于，包括：/n获取待分类的上皮细胞染色图像；/n将所述上皮细胞染色图像输入细胞图像分类模型的粗分类单元，得到粗分类特征图和相应的粗分类结果，其中所述粗分类单元包括单个独立的卷积神经网络；/n判断所述粗分类结果是否为易混淆类，其中所述易混淆类为在所述细胞图像分类模型的训练过程中确定的容易混淆的类别；/n若不是易混淆类，则输出所述粗分类结果；/n若是易混淆类，则对所述上皮细胞染色图像进行尺寸调整，并将尺寸调整后的上皮细胞染色图像输入所述细胞图像分类模型的精分类单元中与所述粗分类结果相对应的卷积神经网络，得到精分类特征图；其中，所述精分类单元包括多列独立的卷积神经网络，该卷积神经网络与所述易混淆类一一对应；/n根据所述粗分类特征图和所述精分类特征图，确定混合特征图并输出相应的精分类结果，以实现对所述上皮细胞染色图像的分类。/n

【技术特征摘要】
1.一种基于两阶段卷积神经网络的细胞图像分类方法，其特征在于，包括：
获取待分类的上皮细胞染色图像；
将所述上皮细胞染色图像输入细胞图像分类模型的粗分类单元，得到粗分类特征图和相应的粗分类结果，其中所述粗分类单元包括单个独立的卷积神经网络；
判断所述粗分类结果是否为易混淆类，其中所述易混淆类为在所述细胞图像分类模型的训练过程中确定的容易混淆的类别；
若不是易混淆类，则输出所述粗分类结果；
若是易混淆类，则对所述上皮细胞染色图像进行尺寸调整，并将尺寸调整后的上皮细胞染色图像输入所述细胞图像分类模型的精分类单元中与所述粗分类结果相对应的卷积神经网络，得到精分类特征图；其中，所述精分类单元包括多列独立的卷积神经网络，该卷积神经网络与所述易混淆类一一对应；
根据所述粗分类特征图和所述精分类特征图，确定混合特征图并输出相应的精分类结果，以实现对所述上皮细胞染色图像的分类。


2.如权利要求1所述的方法，其特征在于，在所述将所述上皮细胞染色图像输入细胞图像分类模型的粗分类单元之前，还包括：
将所述上皮细胞染色图像转化为RGB彩色图像。


3.如权利要求2所述的方法，其特征在于，所述将所述上皮细胞染色图像输入细胞图像分类模型的粗分类单元，得到粗分类特征图和相应的粗分类结果，包括：
将所述上皮细胞染色图像输入细胞图像分类模型的粗分类单元的前三个卷积层，得到第一特征信息；
将所述第一特征信息分别输入所述粗分类单元的第一支路和第二支路，得到第二特征信息和第三特征信息，其中所述第一支路包括步长为2的最大池化层和第四卷积层，所述第二支路包括步长为4的最大池化层；
对所述第二特征信息和所述第三特征信息进行拼接操作，得到第四特征信息；
将所述第四特征信息输入所述粗分类单元的第五卷积层和两个全连接层，得到粗分类特征图；
将所述粗分类特征图输入所述粗分类单元的分类器，得到粗分类结果。


4.如权利要求3所述的方法，其特征在于，所述精分类单元具体包括多列独立的网络架构相同但网络权重不同的VGG16网络结构。


5.如权利要求1所述的方法，其特征在于，所述根据所述粗分类特征图和所述精分类特征图，确定混合特征图并输出相应的精分类结果，包括：
按照预设权重对所述粗分类特征图和所述精分类特征图进行加权相加操作，得到混合特征图；
将所述混合特征图输入所述精分类单元中相应的分类器，得到精分类结果。


6.如权利要求1-5任意一项所述的方法，其特征在于，在所述获取待分类的上皮细胞染色图像之前，还包括...

【专利技术属性】
技术研发人员：张莉，张梦倩，王邦军，
申请(专利权)人：苏州大学，
类型：发明
国别省市：江苏;32