有监督学习功能的细胞图像自动分类方法和系统技术方案

一种有监督学习功能的细胞图像自动分类方法，用于包括计算机和与之电连接的电子显微镜的有监督学习功能的细胞图像自动分类系统，该自动分类系统控制电子显微镜采集样本细胞的图像信息，并存入所述计算机中；将图像信息的各目标细胞人工标注出来作为导师信号，并提取图像特征，作为特征向量，通过分类算法的训练，得出有效特征向量子集，并确定分类算法的参数；再提取待检细胞图像信息的图像特征作为特征向量，依据得到分类算法的参数，执行分类算法，即而得到该待检细胞图像中细胞的分类结果。本发明专利技术的有益效果是：提供了一种柔性可扩展的紧凑而灵敏的细胞自动分类系统，可采集任意感兴趣对象的图像信息进行分类识别，能为生物、医学领域的工作者提供更多的信息。

【技术实现步骤摘要】

本专利技术涉及用于细胞取样检查的仪器，特别是涉及图像的分析，尤其涉及有监督学习功能的细胞图像自动分类方法和系统。
技术介绍
传统的细胞分类计数通常涉及复杂昂贵的生化和光路设备，而且这些设备能够进行的分类数目层次和数目是预先设定、固定不变的，无法对一些未设定或非常规的特定的细胞分类提供有效的检测。同时，现有技术的细胞分类技术能够分类的类型受限于硬件本身的化学试剂、流体通道和光路，只能对预先设定、固定的对象进行分类。
技术实现思路
本专利技术要解决的技术问题在于避免上述现有技术的不足之处而提供有监督学习功能的细胞图像自动分类方法和系统，解决现有技术细胞分类技术类型受限于硬件本身的问题。本专利技术为解决上述技术问题提出的技术方案是，提供一种有监督学习功能的细胞图像自动分类方法，用于包括计算机和与之电连接的电子显微镜的有监督学习功能的细胞图像自动分类系统，该自动分类系统还包括图像采集子系统、分类算法训练子系统和分类算法应用子系统；所述自动分类方法包括如下步骤A.所述图像采集子系统控制电子显微镜采集样本细胞的图像信息，并存入所述计算机中；B.所述分类算法训练子系统采用可视方式，将采集到的图像信息的各目标细胞人工标注出来作为导师信号；C.所述计算机通过所述分类算法训练子系统提取已标注的所述图像信息中目标细胞的图像特征，作为特征向量；并利用特征向量和导师信号进行分类算法的训练，并根据导师信号确定该分类结果的正确性，计算出细胞分类准确率，然后根据分类准确率确定所述特征向量中的有效特征向量，构成有效特征向量子集；同时根据分类准确率确定分类算法的参数；D.所述计算机的通过所述图像采集子系统控制电子显微镜采集待检细胞图像信息，存入所述计算机中；E.所述分类算法应用子系统，提取待检细胞图像信息的图像特征作为特征向量，依据步骤C中得到分类算法的参数，执行分类算法，即而得到该待检细胞图像中细胞的分类结果；F.要对另一个待检细胞图像进行分类时，执行步骤D和E；须重新训练时，执行步骤A、 B和C ；需要修改现有导师信号时，执行步骤A和B。步骤A中所述“图像采集子系统控制电子显微镜”包括控制该电子显微镜自动对焦、图像和视频流采集、图像拼接以及保存调入图像或者视频流，具体地还包括如下分步骤Al.所述电子显微镜及场景位置分别初始化；A2.图像采集子系统控制电子显微镜对当前场景自动对焦后，拍摄当前场景的图像； A3.图像采集子系统控制电子显微镜移动到另外一个没有拍摄过的场景中；A4.图像采集子系统判定所采集的图像是否已足够，如果是，则结束图像采集；否则， 重复执行步骤A2和A3。所述步骤C中所述“利用特征向量和导师信号进行分类算法的训练，并根据导师信号确定该分类结果的正确性，计算出细胞分类准确率，然后根据分类准确率确定所述特征向量中的有效特征向量，构成有效特征向量子集；同时根据分类准确率确定分类算法的参数”还包括如下的分步骤Cl.将所述特征向量与导师信号结合生成训练矢量集合，把分类算法应用到该训练矢量集合；C2.把训练矢量集合分成若干个子集；在该子集上训练分类算法； C3.根据导师信号确定该分类算法的训练结果的正确性，并统计分类结果的错误率； C4.判定算法性能达到是否达到预定指标或分类算法训练到达预期次数；如果判定结果为否，则返回执行步骤Cl ；判定是，则执行下一步；C5.根据统计分类的错误率确定有效特征向量子和最佳分类算法及其参数。在步骤D中所述“图像采集子系统控制电子显微镜”包括控制该电子显微镜自动对焦、图像和视频流采集、图像拼接，以及保存调入的图像或者视频流，具体地包括如下分步骤Dl.所述电子显微镜初始化及初始化场景位置；D2.图像采集子系统控制电子显微镜对当前场景自动对焦后，拍摄当前场景的图像； D3.图像采集子系统控制电子显微镜移动到另外一个没有拍摄过的场景中； D4.图像采集子系统判定采集的图像是否已足，如果是，则结束图像采集；否则执行步骤D2禾口 D3。在步骤E中所述“所述分类算法应用子系统从计算机中提取待检细胞图像信息的图像特征作为特征向量，依据步骤C中得到分类算法的参数，执行分类算法，进而得到该待检细胞图像中细胞的分类结果”还包括如下分步骤El.对待检细胞图像信息进行特征向量提取，E2.初始化分类算法，并将所述特征向量作为赋值，执行分类算法；从而得到该待检细胞的分类结果；E3.对步骤E2的分类结果进行再检查与复核，即生成细胞分类结果报告。所述分类算法训练子系统之分类算法参数选择模块是在训练阶段根据分类准确率来确定的分类算法的参数。所述分类算法所述分类算法应用子系统之分类算法模块也包括线性分类算法、二次曲线分类算法、K近邻分类算法、神经网络分类算法、支持向量机分类算法和贝叶斯分类算法。上面所述的图像特征包括细胞质和细胞核的面积，周长，圆度，色度，灰度均值，熵和对比度。本专利技术为了解决现有技术存在的问题，还提供一种有监督学习功能的细胞图像自动分类系统，包括计算机和与之电连接的电子显微镜，还包括图像采集模块、图像标注模块、图像特征提取模块、分类算法模块、分类算法训练模块和分类算法应用模块。所述图像采集模块是采集所需细胞图像存入计算机，并在所述图像标注模块的可视化界面上对所述计算机贮存的细胞图像中的细胞类型进行标注，为所述分类算法训练模块提供导师信号。所述图像特征提取模块是为训练或分类提供需要分类对象的图像特征，并将训练图像特征送到所述分类算法训练模块或将待分类的图像特征分类算法应用模块中。所述分类算法训练模块利用所述训练图像特征提取模块送来的特征向量，启动分类算法模块进行分类训练，并依据导师信号，判定计算的准确性，从而确定有效特征向量子集和分类算法模块的分类参数，并将有效特征向量子集和分类算法模块的分类算法参数贮存于所述分类算法应用模块中。所述分类算法应用模块利用所述图像特征提取模块送来的待分类特征向量，调用所述贮存于所述分类算法应用模块中的分类算法参数，进行分类运算从而得所述图像中细胞的分类结果。所述图像特征包括细胞质和细胞核的面积，周长，圆度，色度，灰度均值，熵和对比度。所述分类算法模块包括线性分类算法、二次曲线分类算法、K近邻分类算法、神经网络分类算法、支持向量机分类算法，基于信息量和决策树的分类算法和贝叶斯分类算法。同现有技术相比较，本专利技术方法和系统的有益效果在于提供了一种柔性可扩展的紧凑而灵敏的细胞自动分类系统。本专利技术与传统设备的区别就在于只需要通过拍摄待分类对象的电子图像，然后运用图像处理，机器学习和模式识别算法对图像中的感兴趣对象进行分类和识别，而且具有良好的扩展性，可以对任意感兴趣对象进行分类，这意味着在能为生物、医学领域的工作者提供更的信息。附图说明图1是本专利技术有监督学习功能的细胞图像自动分类方法优选实施例的所述自动分类系统的结构简图2是本专利技术优选实施例中图像采集子系统101的工作流程框图； 图3是本专利技术优选实施例中分类算法训练子系统102的结构框图； 图4本专利技术之优选实施例中分类算法应用子系统103的结构框图； 图5是本专利技术之优选实施例中分类算法训练子系统102的工作流程示意图； 图6是本专利技术之优选实施例中分类算法应用子系统103的工作流程示意图； 图7是本专利技术有监督学习功能的细胞图像自动分类系统的部分结构示本文档来自技高网...

【技术保护点】

【技术特征摘要】

【专利技术属性】
技术研发人员：张云超，
申请(专利权)人：张云超，
类型：发明
国别省市：