基于深度自监督变换学习的白细胞分类方法技术

本发明专利技术涉及一种基于深度自监督变换学习的白细胞分类方法。首先通过k种数据增强方法对白细胞数据集进行增强，通过让神经网络去预测白细胞图像所使用的数据增强方法来训练网络，获得具有白细胞图像的先验知识。本发明专利技术提升了对白细胞分类的精度。升了对白细胞分类的精度。升了对白细胞分类的精度。

【技术实现步骤摘要】
基于深度自监督变换学习的白细胞分类方法


[0001]本专利技术属于图像处理
，具体涉及一种基于深度自监督变换学习的白细胞分类方法。

技术介绍

[0002]白细胞，又称白血球(WBCs)，是免疫细胞的主要组成部分，在通过视觉检查白细胞图像诊断和预后方面发挥着重要作用。通过对白细胞图像的视觉检查，对血液病的诊断和预后起到重要作用。大多数的早期检测和分类，不仅工作量大、耗时长，而且分类结果可能会受到血液学专家主观偏差的影响。因此，白细胞的自动分类在过去的20年里来一直是人们关注的研究领域。
[0003]在过去的几十年里，白细胞自动诊断系统的发展在图像分析方面取得了相当大的成功。比人工分析更成功。传统的机器学习算法首先被应用于这一领域。然而，这些方法取决于细胞分割的预处理，该过程中的错误将对细胞的分类产生负面影响。最近，研究人员转向了深度学习方法，使用称为神经网络的模型来学习。特别是卷积神经网络(CNN)，作为一种快速发展的深度学习模型，已被广泛地应用于白细胞分类。CNN模型取得的高成功率但它需要大量的注释和计算资源的问题变得十分突出。在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度自监督变换学习的白细胞分类方法，其特征在于，包括：图像增强阶段：建立一个基于图像变换的分类任务，定义k个应用于输入图像X的图像变换图像变换后带着标签y产生的图像为X
y
＝g(X|y)；特征提取阶段：给定一个未标记的无标签数据集和一个被一组可学习的权重向量参数化的非线性函数f
θ
(
·
)即卷积神经网络作为模型；使用预定义k个图像变换G(X
n
)是用来表示每一个应用图像变换的图像X
n
所产生的概率分布，其中代表第i个数据增强的样本分布即输入实例的特定增强版本；数据增强后的图像前向传播到模型中产生一个特征向量收集在一个集合分类阶段：选择k个分类头取代原有的单一分类头来输出对于数据增强后的图像所产生的概率分布；对于每一个特征向量输入到k个分类头中，然后将输出的概率值拼接在一起作为当前图像增强的概率分布；拼接的概率分布描述为：布；拼接的概率分布描述为：其中a
cat
(
·
)表示拼接操作，代表第n张图像从第i个分类头输出的概率值，k为分类头的个数，θ为网络模型的参数。2.根据权利要求1所述的一种基于深度自监督变换学习的白细胞分类方法，其特征在于...

【专利技术属性】
技术研发人员：李佐勇，樊好义，陈新伟，郑国粦，周力为，
申请(专利权)人：闽江学院，
类型：发明
国别省市：