[发明专利]生物多光谱图像的深度学习分类方法及装置

说明书

技术领域

本发明涉及一种生物多光谱图像的深度学习分类方法及装置。

背景技术

在科研实践中，组织切片的正确分类是非常重要的。传统组织切片为灰度或单色荧光，主要通过物理层面的细胞形态学进行分类，分类方法不准确，在病程早期正常和病变细胞形态区分度不大，缺乏组织多生物现象关联因素信息，无法为后处理和分类提供高特异性。彩色组织切片图像是指具有多种光谱信息(如激发荧光)或色谱信息(如染色剂)的组织切片图像，是组织切片领域的新一代精准医学技术，多光谱(包括高光谱和超光谱)技术是图像的每一个像素都提供两种以上光谱波长的光强度值的新技术。激发荧光(Fluorescence)的多光谱生物标记或染料染色的病理组织切片方法是最新发展的一种可以同时测量同一像素区域多个生物标记物的关联性和生物现象强度的方法。多光谱图像是有自身生物复杂性的一组表征不同光谱波长强度的图像，揭示的信息是多个生物事件在不同光谱上表征的深度相互关系。在科研实践中需要对一组多光谱图像进行分类。

对于单一图像，可采用图像深度学习的方法实现分类。对于多光谱图像的智能分类处理尚处于起步阶段，多光谱图像所需要的深度学习时间长，存储空间大，并且深度学习框架需要大量的训练图输入才能较好的收敛，目前多光谱组织切片图像的数量远达不到大数据的规模，仍然按照常规的深度学习方案显然无法得到满意的结果。例如中国发明专利申请201511022779.8公开了一种基于多层卷积网络与数据重组折叠的高光谱数据分类方法，其首先对三维高光谱数据进行预处理，获得包含有效光谱信息的数据矩阵和标签向量；对数据矩阵进行特征扩维，并对特征维按列折叠重组，获得重组的三维高光谱数据输入矩阵；设定多层卷积网络结构参数和初始值；利用前向传播与BP算法逐层计算特征和误差，并对网络权值和偏置进行更新，不断迭代获得网络稳定参数，最终获得能够用于分类的网络模型和参数。又如，中国发明专利申请201610427555.3公开了一种基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法，其对胃肠道组织高光谱训练图像的光谱维进行降维去噪，仅保留高光谱数据的主成分；构造卷积神经网络结构；采用分批处理方法，将每个批次内的训练样本输入构造好的卷积神经网络，每个训练样本数据为高光谱数据主成分即若干个二维灰度图像，若干个二维灰度图像相当于若干张输入层的特征图，采用交叉熵函数作为损失函数，利用误差反向传播算法，根据该训练批次内的平均损失函数训练卷积神经网络中的参数以及逻辑回归层参数直至网络收敛。这些方案虽然能够对高光谱图像展开深度学习，但没有有效利用光谱之间的相关性(揭示生物现象的相互联系)来提高深度学习特异性和鲁棒性，并且没有荧光光谱信息和对自发荧光的降噪处理，在训练图数量有限的情况下，即使得到一个训练好的神经网络，其鲁棒性和准确性也难以令人满意。

发明内容

有鉴于此，本发明提出一种生物多光谱图像的深度学习分类方法及装置，利用某一特定病理状态通常会伴随多个复杂的生物现象同时发生，且多个生物现象之间相互关联，以及这种关联具有区域性的特点，结合病理学的先验知识实现对生物多光谱图像的深度学习和分类。

本发明提供一种生物多光谱图像的深度学习分类方法，所述方法包括如下过程：对生物多光谱图像进行数据预处理得到预处理结果；根据感兴趣的生物现象关系确定至少一个相关特征滤波器模板；将预处理结果作为深度学习框架的输入，对所述生物多光谱图像进行深度学习，并以所述至少一个相关特征滤波器模板调整深度学习框架，从而得到训练好的深度学习框架；将待分类的多光谱图像输入到所述训练好的深度学习框架中，得到所述待分类的多光谱图像对应的分类。

根据本发明的深度学习分类方法，优选地，所述数据预处理包括如下步骤：

①将每一个多光谱图像均转换为一个M×N矩阵，其中，M为所述多光谱图像像素的个数，N为多光谱图像中波长值的个数；

②利用主成分分析PCA计算出对所述矩阵贡献较大的前m个波长；

③在个波长组合中选出最相关的波长组合A，A是包含n个不同波长值的波长组合；

④对所述多光谱图像进行分区，针对每个区域的图像，计算波长组合A中各波长的相关系数，选出最大相关系数对应的区域W；

⑤对区域W中波长组合A中不同波长的强度进行像素分布直方图归一化，以归一化得到的结果作为所述预处理结果。