[发明专利]一种基于距离度量的细胞图像小样本分类系统

权利要求书

1.一种基于距离度量的细胞图像小样本分类系统，其特征在于包含图像转换模块、预训练模块、小样本分类模块；其中图像转换模块对细胞图像数据集进行处理，并采用训练好的图像转换网络将细胞图像数据集A转换为细胞图像数据集B，然后将细胞图像数据集A和细胞图像数据集B进行合并得到细胞小样本数据集；

预训练模块对构建的Resnet18分类模型进行预训练，当预训练分类模型的分类准确率随着训练次数递增而不在增加时，模型达到收敛状态，得到预训练好的Resnet18分类模型；

小样本分类模块将预训练好的Resnet18分类模型的最终输出通道数量替换为小样本分类模型训练过程中所需识别的细胞类别数量，从而将Resnet18分类模型构建为细胞小样本分类模型，通过训练细胞小样本分类模型实现对细胞小样本图像中的细胞进行分类；

所述对细胞小样本分类模型的训练过程如下：

步骤一，将图像转换模块得到的细胞小样本训练集按类别比6:4的比例分为训练集和测试集；其中训练集分为支持集和查询集，且训练集和测试集中细胞的类别不重复；

步骤二，所述步骤一中从训练集中随机抽取n类细胞图片，再在每类中随机抽取m张细胞图片作为支持集，再从这n类剩下的细胞图片中选取z张细胞图片作为查询集；最后将支持集、查询集送入细胞小样本分类模型中进行训练，具体过程如下：

通过细胞小样本分类模型得到细胞图片的特征向量f(X_i)，计算支持集中每一个细胞图片的特征向量f(X_i)分别与支持集中其他同类细胞图片特征向量之间的欧式距离，它们的欧式距离之和记为d；再计算支持集中每一个细胞图片的特征向量f(X_i)分别与查询集中最近的异类的5个细胞图片的特征向量f(X_i)之间的欧式距离，它们的欧式距离之和记为D；所以有a＝-d+D，对支持集中每个细胞的a值进行归一化处理，从而得到了支持集中每个细胞的置信度a_i；

分别计算支持集中每张细胞图片属于当前训练过程中随机抽取的几类细胞类别中每一个类别的概率：同时训练过程通过随机梯度下降最小化损失函数将当前细胞图片的细胞类别定义为概率值最大的那个类别；

其中k为细胞训练样本的真实标签，每个细胞类别的原型表示c_k：S_k＝{(X₁,y₁),…,(X_N,y_N)}代表类别为k的细胞数据集合，X是某个细胞即原始数据，y为X细胞对应的类别；

步骤三，将测试集输入经步骤二训练后的细胞小样本分类模型，当细胞小样本分类模型对测试集中分类正确的图像数量占测试集中全部图像数量的百分比随着训练过程次数的增长不在增长时，得到训练好的细胞小样本分类模型。