[发明专利]一种基于距离度量的细胞图像小样本分类系统

说明书

本发明属于深度学习技术领域，具体涉及一种基于距离度量的细胞图像小样本分类系统；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，小样本分类模块通过训练构建的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；本系统能够辅助临床医生对血液细胞进行快速分类，以减少工作量，提高细胞分类能力以及模型泛化能力，对处理医学领域中的血液细胞小样本分类问题具有重要意义。

技术领域

本发明属于深度学习技术领域，具体涉及一种基于距离度量的细胞图像小样本分类系统。

背景技术

人体中血细胞有红细胞、粒细胞和血小板三种类型。与其他细胞类型相比，粒细胞的识别分类被认为是一个活跃的研究领域，因为粒细胞负责人体的免疫。粒细胞的分类为医生提供了宝贵的信息，有助于白血病和艾滋病等许多重要诊断。传统粒细胞的分类在显微镜下手工进行，这样不仅耗时，而且错误率也高。

目前,临床上对粒细胞的检验方法是人工镜检，人工镜检准确度能够达到95％以上，但是人工镜检效率低，分类速度慢，准确度受检验人员经验和状态的影响。在医学图像处理领域，随着深度学习技术的发展，用深度学习辅助医学诊断成为一大趋势，精确的计算机辅助工具有助于加快疾病的诊断，减少医生的工作量提高工作效率,带来更精确、更高效的诊断结果。

然而深度学习算法通常需要成千上万个有监督的样本来保证其学习效果，在处理标注数据很少的小样本问题时，其各项指标达不到人类的水平。在医学领域中，有关细胞分类问题没有大量的标注数据可用，并且获取标注数据的成本也非常大。

人类具有从少量样本中快速学习的能力，即可以仅通过一个或几个示例就可以轻松地建立对新事物的认知，由此诞生了基于深度学习的小样本分类方法，旨在解决具有少量标记样本数据集的分类任务。针对细胞标注样本少，如何学习出好的特征，泛化细胞中罕见的类别，对细胞在小样本的情况下进行准确的分类，是细胞分类识别领域的热点问题，具有很强的现实意义。

发明内容

为了克服上述问题，本发明提供一种基于距离度量的细胞图像小样本分类系统，通过建立分类模型，包含图像转换模块、预训练模块、小样本分类模块，对血液细胞小样本数据集学习并分类，辅助临床医生对血液细胞进行快速分类，以减少工作量，提高细胞分类能力以及模型泛化能力，对处理医学领域中的血液细胞小样本分类问题具有重要意义。

一种基于距离度量的细胞图像小样本分类系统，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：