[发明专利]一种基于迁移学习的非平衡类别白细胞分类方法

权利要求书

1.一种基于迁移学习的非平衡类别白细胞分类方法，其特征在于，包括以下步骤：

步骤1：获取带标签的白细胞图像数据集作为初始数据集；

步骤2：将步骤1中的初始数据集按照设定的比例划分训练集和测试集；

步骤3：对步骤2中的训练集中数量占比为1％的嗜碱粒细胞，占比为2.4％的嗜酸粒细胞和占比为4.3％的单核细胞进行数据增强操作，并对增强后的训练集进行数据预处理；

步骤4：使用迁移学习的方法构建网络模型，使用基于ImageNet数据集的Resnet 50的网络结构和参数，并对网络参数进行选择，对网络结构进行调整，包括冻结包含49个卷积层和1个全连接层的Resnet 50网络的前三层参数，并且去除Resnet 50网络的全连接层，使用一个1*1的卷积层，一个全局池化层，一个Dropout层和一个全连接层代替；

步骤5：使用步骤4得到的网络模型对步骤3得到的增强后的训练集进行训练，在训练过程中使用mix up数据增强方式，此过程为一次前向传播；

步骤6：经历一次前向传播后，使用自定义的损失函数计算预测值与真实值之间的损失误差，通过使用随机梯度下降算法来不断减小损失误差以及更新网络参数，此过程为一次后向传播；自定义的损失函数指focal loss损失函数与交叉熵损失函数之和作为损失函数；

步骤7：反复经过步骤5的前向传播和步骤6的后向传播后，当训练的轮数达到设置的迭代次数时，训练结束，保存训练集上准确率最高的模型作为最优模型；

步骤8：利用步骤7得到的最优模型对输入的白细胞图像进行五分类预测。

2.根据权利要求1所述的一种基于迁移学习的非平衡类别白细胞分类方法，其特征在于，步骤3所述的数据增强操作，采用随机组合任意2种数据增强方法进行数据增强；所述数据增强方法包括镜像变换方法、随机平移方法、随机光强变换方法、随机角度旋转方法，上下翻转变换方法。

3.根据权利要求1所述的一种基于迁移学习的非平衡类别白细胞分类方法，其特征在于，步骤3所述的数据预处理包括对数据统一缩放至224*224大小，并进行数据归一化操作，图片的像素点的值

4.根据权利要求1所述的一种基于迁移学习的非平衡类别白细胞分类方法，其特征在于，步骤5中所述的前向传播指输入图片经过神经网络的隐藏层的计算后将结果传递到输出层。

5.根据权利要求1所述的一种基于迁移学习的非平衡类别白细胞分类方法，其特征在于，步骤8中所述的白细胞五分类指的是类别名称分别为：嗜酸粒细胞，嗜碱粒细胞，单核细胞，淋巴细胞和中性粒细胞。