一种基于自适应分辨率的癌细胞识别方法技术

本发明专利技术公开了一种基于自适应分辨率的癌细胞识别方法，属于癌细胞识别技术领域，概括为以下步骤：(1)原始数据集滑窗取样；(2)通过高斯核函数与滑窗加权；(3)将RGB图像映射到laB颜色空间后配置直方图；(4)“随机中心法”产生原始数据10倍的初始训练集；(5)处理图片；本发明专利技术从数据集的生成与推理过程中对高尺寸图像的预处理出发，从源头上解决现有显微医学图像下目标检测不准确的问题，本发明专利技术针对癌细胞识别时的重叠与细胞相似问题，利用自适应，实现根据boundingbox大小自动调节分辨率，进而使得绝大多数采集到的训练集数据中的boundingbox处于一个合适的大小内，从而具有提高确切诊断的功能。

【技术实现步骤摘要】
一种基于自适应分辨率的癌细胞识别方法
本专利技术属于癌细胞识别
，具体涉及一种基于自适应分辨率的癌细胞识别方法。
技术介绍
近年来,随着深度学习在语音图像识别和自然语言处理等领域中突飞猛进的发展,深度学习在医学图像中的研究成为热点,充分挖掘了大数据的潜在价值。应用于病理学图像分析的深度学习网络主要有基于受限玻耳兹曼机模型的深度信念网络、卷积神经网络、稀疏自动编码器、降噪自动编码器。深度学习是一种数据驱动(通过自主调度提升任务准确度)的学习方法,有特定结构和训练的多隐含层神经网络,其思想源于人脑对视觉信息的层次式处理。非线性激活函数ReLU和防过拟合函数Dropout的提出推动了CNN的再次流行。CNN利用空间的相对关系减少参数数目以提高训练速度,可在同一深层的最优化中实现特征提取、特征选择及特征分类这3个核心步骤,还可以根据需求将输出的特征进行特定处理后再输入分类器,较手工提取特征的方法能够更好地表达特征和区分细胞。由此,深度学习在病理特征选择和分类上具有不可比拟的优势。现有技术存在以下问题：1、由于每幅图本文档来自技高网...

【技术保护点】
1.一种基于自适应分辨率的癌细胞识别方法，具体包括以下步骤：/n(1)通过k-means方法对boundingbox聚类与高斯核函数加权滑窗，实现根据boundingbox大小自动调节分辨率，使得绝大多数采集到的训练集数据中的boundingbox处于一个合适的大小内；/n(2)对滑窗大小使用k-means方法根据boundingbox长和宽进行聚类，针对每一个目标框，标记文件格式为：object-class,x,y,width,height，因为使用欧氏距离会让大的boundingboxes比小的boundingboxes产生更多的错误，而我们希望能通过目标框获得好的目标框交并比(IOU)，...

【技术特征摘要】
1.一种基于自适应分辨率的癌细胞识别方法，具体包括以下步骤：
(1)通过k-means方法对boundingbox聚类与高斯核函数加权滑窗，实现根据boundingbox大小自动调节分辨率，使得绝大多数采集到的训练集数据中的boundingbox处于一个合适的大小内；
(2)对滑窗大小使用k-means方法根据boundingbox长和宽进行聚类，针对每一个目标框，标记文件格式为：object-class,x,y,width,height，因为使用欧氏距离会让大的boundingboxes比小的boundingboxes产生更多的错误，而我们希望能通过目标框获得好的目标框交并比(IOU)，为此定义距离公式：d(box,centroid)＝1-IOU(box,centroid)，
在计算目标框位置时我们将所有目标框中心点的x，y坐标都置为0，这样所有的目标框都处在相同的位置上，方便我们通过新距离公式计算目标框之间的相似度；
(3)通过高斯核函数与滑窗加权，创造自适应度分辨率的训练集，如果一个目标被多个滑窗检测出来，则把置信度根据距离的高斯核函数加权得到最后的置信度训练集，对滑窗大小进行聚类，置信度距离与高斯核...

【专利技术属性】
技术研发人员：白夏颖，翟得胜，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61