基于生成对抗网络的生物组织图像的自动分类方法和系统技术方案

本发明专利技术公开一种基于生成对抗网络的生物组织图像的自动分类方法和系统，其中，生物组织图像的自动分类方法包括：获取生物组织图像；根据图像分类所需的生物组织特征对生物组织图像进行图像预处理，得到目标图像数据集；使用目标图像数据集训练生成对抗网络，生成图像数据合集；使用目标图像数据集和图像数据合集，训练卷积神经网络模型；当卷积神经网络模型训练完成时，使用卷积神经网络模型对生物组织图像进行图像分类。本发明专利技术的技术方案能解决现有技术中合成的生物组织图像在解释合成原理方面存在局限，导致生成的生物组织图像模糊，进而导致神经网络的训练水平不高，神经网络的分类准确性较差的问题。络的分类准确性较差的问题。络的分类准确性较差的问题。

【技术实现步骤摘要】
基于生成对抗网络的生物组织图像的自动分类方法和系统


[0001]本专利技术涉及生成神经网络
，尤其涉及一种基于生成对抗网络的生物组织图像的自动分类方法和系统。

技术介绍

[0002]生物组织图像的分类是鉴别生物组织，获取生物类别的重要方法。为了对生物组织图像进行鉴别，现有技术中广泛采用基于深度学习的人工智能方法，辅助计算机对生物组织图像进行自动分类。深度学习是一种端到端的处理方法，由多个简单但非线性的单元(例如卷积、池、激活和退出)组成，用于从图像中深度提取和学习特征。
[0003]受深度学习在识别自然图像中广泛应用的启发，相关的生物研究人员也开始探索深度学习在生物特征识别上的应用。通常情况下，深度学习技术需要使用大量的数据进行训练，才能实现优异的学习性能。然而，可用于人工智能的生物组织图像十分有限。一方面，由于数据隐私问题和数据集不平衡的问题，导致具有某些图像特征的生物组织图像难以获取。另一方面，即使存在这些具有某些图像特征的生物组织图像，也需要具有专业知识的研究人员提前对生物组织图像进行复杂注释以训练神经网络，这更加导致生物组本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生成对抗网络的生物组织图像的自动分类方法，其特征在于，包括：获取生物组织图像；根据图像分类所需的生物组织特征对所述生物组织图像进行图像预处理，得到目标图像数据集；使用所述目标图像数据集训练生成对抗网络，生成图像数据合集；使用所述目标图像数据集和所述图像数据合集，训练卷积神经网络模型；当所述卷积神经网络模型训练完成时，使用所述卷积神经网络模型对所述生物组织图像进行图像分类。2.根据权利要求1所述的生物组织图像的自动分类方法，其特征在于，所述使用目标图像数据集训练生成对抗网络，生成图像数据合集的步骤，包括：使用所述生成对抗网络中的生成器，根据所述生物组织特征生成伪生物组织图像；使用所述生成对抗网络中的分类器，从所述伪生物组织图像和所述目标图像数据集中识别真生物组织图像；将所述伪生物组织图像和所述真生物组织图像输入至所述生成对抗网络中的鉴别器进行分类；根据所述鉴别器的分类结果训练所述生成器；当所述生成器训练完成时，使用所述生成器生成所述图像数据合集。3.根据权利要求2所述的生物组织图像的自动分类方法，其特征在于，所述根据生物组织特征生成伪生物组织图像的步骤，包括：生成与所述生物组织特征对应的标签码；将所述标签码嵌入至所述目标图像数据集的真生物组织图像，得到与所述生物组织特征对应的标签通道；将所述标签通道以及所述真生物组织图像对应的噪声信息输入至所述生成器，生成带有所述标签码的伪生物组织图像。4.根据权利要求3所述的生物组织图像的自动分类方法，其特征在于，所述根据鉴别器的分类结果训练所述生成器的步骤，包括：设置所述鉴别器的生物组织特征识别精度；控制所述鉴别器根据所述生物组织特征识别精度，对输入的所述伪生物组织图像和真生物组织图像进行分类；使用所述标签码校验所述鉴别器的分类结果，若预定次数内所述鉴别器将带有标签码的伪生物组织图像均识别为真生物组织图像，则确定所述生成器训练完成。5.根据权利要求1所述的生物组织图像的自动分类方法，其特征在于，所述根据图像分类所需的生物组织特征对所述生物组织图像进行图像预处理的步骤，包括：按照所述生物组织特征截取预定像素面积的所述生物组织图像，得到与所述生物组织特征对应的感兴趣区域；使用数据增强技术翻转所述感兴趣区域，得到与所述感兴趣区域对应的多组目标图像；对每幅生物组织图像执行上述操作，得到包含所述目标图像的目标图像数据集。6.根据权利...

【专利技术属性】
技术研发人员：庞婷，王昌，郭绍永，张景航，蔡海洋，王红云，
申请(专利权)人：新乡医学院，
类型：发明
国别省市：