[发明专利]融入边缘特征两阶段的上皮细胞分类方法及系统

说明书

本发明涉及一种融入边缘特征两阶段的上皮细胞分类方法，包括将细胞染色图像数据划分为原始训练集和原始验证集，通过聚类、Sobel运算和子集划分，得到聚类后的训练集、粗类训练集和细类训练集；利用聚类后的训练集和粗类训练集对粗粒度分类器进行训练，利用细类训练集对细粒度分类器进行训练，得到训练好的粗粒度分类器和细粒度分类器；利用粗粒度分类器和细粒度分类器对待分类的细胞染色图像数据进行类别分类。本发明在训练过程中，将训练集中图像的重要特征保留下来，使得前后的特征信息能够进一步的融合，从而最大限度地识别和保留判别信息，提高机器学习模型的效率。

技术领域

本发明涉及细胞识别与数据处理技术领域，尤其是指一种融入边缘特征两阶段的上皮细胞分类方法及系统。

背景技术

当健康的细胞和组织被免疫系统错误地攻击和破坏时，就会出现自身免疫疾病。上皮细胞(HEp-2)拍摄的间接免疫荧光图像中的染色模式的视觉分析是一种可用于识别自身免疫疾病的程序，其可以检测许多不同的核和细胞质模式。在该程序中，设计载玻片以固定HEp-2细胞底物，并添加受试者的血清，之后执行以下四个步骤：(1)图像采集；(2)有丝分裂细胞识别；(3)荧光强度的分类；(4)识别染色模式。其中最后一个步骤的重要性在于根据患者的临床病史，每种染色模式都可能指示特定的自身免疫性疾病。

但是在对间接免疫荧光图像进行人工分析时具有较多不可控的缺陷，例如：结果的主观性、实验室之间结果的不一致以及细胞图像处理效率低等问题。因此，自动有效地对人类上皮细胞的染色特征进行分类已成为一个极具吸引力的研究课题。

近年已有诸多学者将机器学习相关算法应用至此。这类方法通常先提取图像的特征，再对这些特征进行筛选、分类。但是在这个过程中，特征提取和分类被视为两个独立的阶段，难以最大限度地识别和保留判别信息，从而无法很好地利用网络训练中产生的有效信息，导致机器学习相关模型效率较低。

发明内容

为此，本发明所要解决的技术问题在于克服现有技术中无法很好地利用网络训练中产生的有效信息而导致机器学习模型效率较低的缺陷。

为解决上述技术问题，本发明提供一种融入边缘特征两阶段的上皮细胞分类方法，包括：

将细胞染色图像数据划分为原始训练集和原始验证集，对所述原始验证集进行k-means聚类，得到聚类后的验证集，将聚类结果应用于所述原始训练集，得到聚类后的训练集，并对聚类后的训练集和验证集中的图像进行Sobel运算，得到粗类训练集和粗类验证集，同时根据原始验证集的聚类结果对原始训练集进行子集划分，得到细类训练集；

构建融入边缘特征的两阶段分类网络模型，所述融入边缘特征的两阶段分类网络模型包括粗粒度分类器和细粒度分类器，利用聚类后的训练集和粗类训练集对所述粗粒度分类器进行训练，得到训练好的粗粒度分类器；同时利用所述细类训练集对所述细粒度分类器进行训练，得到训练好的细粒度分类器；

利用训练好的粗粒度分类器对待分类的细胞染色图像数据进行初步类别预测，得到类别预测结果，根据所述类别预测结果调用对应的细粒度分类器进行类别分类，得到类别分类结果。

在本发明的一个实施例中，将细胞染色图像数据划分为原始训练集和原始验证集，对所述原始验证集进行k-means聚类，得到聚类后的验证集，将聚类结果应用于所述原始训练集，得到聚类后的训练集的方法包括：