一种基于距离度量的细胞图像小样本分类系统技术方案

本发明专利技术属于深度学习技术领域，具体涉及一种基于距离度量的细胞图像小样本分类系统；其中图像转换模块对细胞图像数据集进行处理，并采用训练好的图像转换网络得到细胞小样本数据集；预训练模块对构建的Resnet18分类模型进行预训练，小样本分类模块通过训练构建的细胞小样本分类模型实现对细胞小样本图像中的细胞进行分类；本系统能够辅助临床医生对血液细胞进行快速分类，以减少工作量，提高细胞分类能力以及模型泛化能力，对处理医学领域中的血液细胞小样本分类问题具有重要意义。液细胞小样本分类问题具有重要意义。

【技术实现步骤摘要】
一种基于距离度量的细胞图像小样本分类系统


[0001]本专利技术属于深度学习
，具体涉及一种基于距离度量的细胞图像小样本分类系统。

技术介绍

[0002]人体中血细胞有红细胞、粒细胞和血小板三种类型。与其他细胞类型相比，粒细胞的识别分类被认为是一个活跃的研究领域，因为粒细胞负责人体的免疫。粒细胞的分类为医生提供了宝贵的信息，有助于白血病和艾滋病等许多重要诊断。传统粒细胞的分类在显微镜下手工进行，这样不仅耗时，而且错误率也高。
[0003]目前,临床上对粒细胞的检验方法是人工镜检，人工镜检准确度能够达到95％以上，但是人工镜检效率低，分类速度慢，准确度受检验人员经验和状态的影响。在医学图像处理领域，随着深度学习技术的发展，用深度学习辅助医学诊断成为一大趋势，精确的计算机辅助工具有助于加快疾病的诊断，减少医生的工作量提高工作效率,带来更精确、更高效的诊断结果。
[0004]然而深度学习算法通常需要成千上万个有监督的样本来保证其学习效果，在处理标注数据很少的小样本问题时，其各项指标达不到人类的水平。在医学领域中，有关细胞分类问题本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于距离度量的细胞图像小样本分类系统，其特征在于包含图像转换模块、预训练模块、小样本分类模块；其中图像转换模块对细胞图像数据集进行处理，并采用训练好的图像转换网络将细胞图像数据集A转换为细胞图像数据集B，然后将细胞图像数据集A和细胞图像数据集B进行合并得到细胞小样本数据集；预训练模块对构建的Resnet18分类模型进行预训练，当预训练分类模型的分类准确率随着训练次数递增而不在增加时，模型达到收敛状态，得到预训练好的Resnet18分类模型；小样本分类模块将预训练好的Resnet18分类模型的最终输出通道数量替换为小样本分类模型训练过程中所需识别的细胞类别数量，从而将Resnet18分类模型构建为细胞小样本分类模型，通过训练细胞小样本分类模型实现对细胞小样本图像中的细胞进行分类；所述对细胞小样本分类模型的训练过程如下：步骤一，将图像转换模块得到的细胞小样本训练集按类别比6:4的比例分为训练集和测试集；其中训练集分为支持集和查询集，且训练集和测试集中细胞的类别不重复；步骤二，所述步骤一中从训练集中随机抽取n类细胞图片，再在每类中随机抽取m张细胞图片作为支持集，再从这n类剩下的细胞图片中选取z张细胞图片作为查询集；最后将支持集、查询集送入细胞小样本分类模型中进行训练，具体过程如下：通过细胞小样本分类模型得到细胞图片的特征向量f(X
i
)，计算支持集中每一个细胞图片的特征向量f(X
i
)分别与支持集中其他同类细胞图片特征向量之间的欧式距离，它们的欧式距离之和记为d；再计算支持集中每一个细胞图片的特征向量f(X
i
)分别与查询集中最近的异类的5个细胞图片的特征向量f(X
i
)之间的欧式距离，它们的欧式距离之和记为D；所以有a＝
‑
d+D，对支持集中每个细胞的a值进行归一化处理，从而得到了支持集中每个细胞的置信度a
i
；分别计算支持集中每张细胞图片属于当前训练过程中随机抽取的几类细胞类别中每一个类别的概率：同时训练过程通过随机梯度下降最小化损失函数将当前细胞图片的细胞类别定义为概率值最大的那个类别；其中k为细胞训练样本的真实标签，每个细胞类别的原型表示c
k
：S
k
＝{(X1,y1),
…
,(X
N
,y
N
)}代表类别为k的细胞数据集合，X是某个细胞即原始数据，y为X细胞对应的类别；步骤三，将测试集输入经步骤二训练后的细胞小样本分类模型，当细胞小样本分类模型对测试集中分类正确的图像数量占测试集中全部图像数量的百分比随着训练过程次数的增长不在增长时，得到训练好的细胞小样本分类模型。2.根据权利要求1所述的一种基于距离度量的细胞图像小样本分类系统，其特征在于所述预训练模块中构建的Resnet18分类模型结构如下：第一层依次为：卷积层，输入为3通道，输出为64通道，卷积核大小为7*7，步长为2；扩充层数为3；BN层；ReLU激活层；最大池化层，区域大小为3*3，步长为2，填充层数为3；第一个残差块：其中，第二层结构依次为：卷积层：输入为64通道，输出为64通道，卷积核大小为3*3，步
长为1，填充层数为1；BN层；第三层结构与第二层相同；并将第二层输入与第三层输出相加通过两个连续的ReLU激活层后送入第四层；第四层结构依次为：卷积层：输入为64通道，输出为64通道，卷积核大小为3*3，步长为1，填充层数为1；BN层；第五层结构与第四层相同；并将第四层输入与第五层输出相加通过两个连续的ReLU激活层后送入第二个残差块；第二个残差块：第六层结构依次为：卷积层：输入为64通道，输出为128通道，卷积核大小为3*3，步长为2，填充层数为1；BN层；第七层结构依次为：卷积层：输入为128通道，输出为128通道，卷积核大小为3*3，步长为1，填充层数为1；BN层；将第六层卷积层输入与第七层卷积层输出相加通过两个连续的ReLU激活层后送入第八层卷积层；第八层结构依次为：卷积层：输入为128通道，输出为128通道，卷积核大小为3*3，步长为1，填充层数为1；BN层；第九层卷积层：输入为128通道，输出为128通道，卷积核大小为3*3，步长为1，填充层数为1；将第八层输入与第九层输出相加通过两个连续的ReLU激活层后送入下一残差块；第三个残差块：第十层结构依次为：卷积层：输入为128通道，输出为256通道，卷积核大小为3*3，步长为2，填充层数为1；BN层；第十一层结构依次为：卷积层：输入为256通道，输出为256通道，卷积核大小为3*3，步长为1，填充层数为1；BN层；将第十层卷积层输入与第十一层...

【专利技术属性】
技术研发人员：李玲，郭润北，黄玉兰，张海蓉，姚桂锦，
申请(专利权)人：吉林大学，
类型：发明
国别省市：