基于均值偏移特征和直接优化子空间的白细胞单分类方法技术

本发明专利技术涉及一种基于均值偏移特征和直接优化子空间的白细胞单分类方法。首先，使用均值偏移特征来克服自监督对比学习和单分类方法的不兼容性，同时缓解微调带来的灾难性崩溃问题。然后，引入直接优化子空间与均值偏移特征相结合，提升模型对白细胞微小差异的识别能力，以提高白细胞单分类的准确性。在两个真实白细胞数据集的实验结果表明，本发明专利技术方法具有良好的分类性能。良好的分类性能。良好的分类性能。

【技术实现步骤摘要】
基于均值偏移特征和直接优化子空间的白细胞单分类方法


[0001]本专利技术属于图像处理
，具体涉及一种基于均值偏移特征和直接优化子空间的白细胞单分类方法。

技术介绍

[0002]作为人体健康检测中的常见项目，血常规检查的重要内容是对白细胞进行分类计数与异常形态分析。精确的白细胞分析和检测可以帮助医生在临床上诊断许多相关的血液疾病。目前，国内医院通常先用基于电阻抗法及流式分析法的血细胞分析仪进行血细胞分类计数，这些方法是需要人工复检，获得结果的过程非常耗时，并受到医生的主观偏见影响。计算机辅助下的血细胞图像自动分析不仅可以节省人力和时间，还可以减少人为失误。有监督深度学习方法已广泛用于白细胞分类，CNN模型取得的高成功率令人信服，但其受限于大量数据集和计算资源。在大多数情况下，白细胞数据集图像数量有限，分辨率较低，类别数量之间存在不平衡，异常样本的数量也远小于正常样本的数量。因此，无监督单分类(One
‑
ClassClassification，OCC)方法以其无需标签、只训练正常样本的方法特性取得了一定的突破。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于均值偏移特征和直接优化子空间的白细胞单分类方法，其特征在于，首先，使用均值偏移特征来克服自监督对比学习和单分类方法的不兼容性，同时缓解微调带来的灾难性崩溃问题；然后，引入直接优化子空间与均值偏移特征相结合，提升模型对白细胞微小差异的识别能力，以提高白细胞单分类的准确性。2.根据权利要求1所述的基于均值偏移特征和直接优化子空间的白细胞单分类方法，其特征在于，该方法包括初始特征提取、特征自适应以及计算异常得分三个阶段，具体地，给定一组正常训练样本初始特征提取阶段：的特征提取器φ
c
由基于预训练模型的初始特征提取器φ0初始化；特征自适应阶段：微调特征提取器的网络φ
c
，以形成最终的特征自适应分类器φ
f
；计算异常得分阶段：使用φ
f
提取用于异常得分计算的特征。3.根据权利要求2所述的基于均值偏移特征和直接优化子空间的白细胞单分类方法，其特征在于，初始特征提取阶段中，定义一个初始特征提取器φ0:其中是特征维度；初始特征提取器能够将正常训练样本进行参数化，并生成特征表示；使用ImageNet预训练模型作为初始特征提取器φ0，对正常训练样本进行初始特征提取；初始化权重φ被用于下一步的特征自适应。4.根据权利要求2所述的基于均值偏移特征和直接优化子空间的白细胞单分类方法，其特征在于，特征自适应阶段中，通过将均值偏移特征和直接优化子空间相结合提出了基于均值偏移子空间的无监督特征自适应方法，具体过程如下：(1)数据增强及特征编码器：对于给定批次大小为K的样本集，每张样本通过数据增强一分为二得到2K个视图，记为x、x
*
，同样本的增强视图视为正对，批次中所有的其他视图视为负对；之后，采用初始特征提取器对增强后的视图x、x
*
进行编码，生成表示r、r
*
并进行归一化；(2)均值偏移特征：均值偏移特征的目的是解决传统对比学习和单分类之间的不兼...

【专利技术属性】
技术研发人员：李佐勇，李炜，樊好义，赖桃桃，邱立达，
申请(专利权)人：闽江学院，
类型：发明
国别省市：