[发明专利]面向HCC病理图像识别的特征选择与特征融合方法

摘要

本发明公开了一种面向HCC病理图像识别的特征选择与特征融合方法，通过将病理图像的训练图像的深度特征、编码特征和纹理特征与mRMR、KPCA和Relief三种特征选择方法进行组合，进而通过随机森林分类器输出病理图像中每一类图像识别分类准确率最高的最优组合函数，并使用病理图像的测试图像通过随机森林分类器对最优组合函数的识别分类准确率进行验证，输出最优组合函数针对病理图像的测试图像中每一类图像的识别分类准确率。使用本发明方法获得的最优组合函数对病理图像进行识别分类，对每一类病理图像均能够获得较高的识别分类准确率，进而避免误诊情况出现。

主权项

一种面向HCC病理图像识别的特征选择与特征融合方法，其特征在于，包括以下步骤：S1、将HCC病理图像分为训练图像和测试图像，训练图像包括多种图像类别；S2、利用深度卷积神经网络按照第一预定次数训练所述训练图像，获得所述训练图像在深度卷积神经网络中的深度特征；S3、利用堆栈式稀疏自编码器按照第二预定次数训练所述训练图像，获得所述训练图像在堆栈式稀疏自编码器中的编码特征；S4、获取所述训练图像的纹理特征；S5、对所述深度特征、编码特征和纹理特征进行分组，形成三个单一特征组合和深度‑编码特征、深度‑纹理特征、编码‑纹理特征三个复合特征组合；S6、利用预设的mRMR、KPCA和Relief算法分别对每一个单一特征组合和复合特征组合进行处理，获得多个单一特征‑算法组合和复合特征‑算法组合；S7、基于所述训练图像，利用随机森林分类器对每一个所述单一特征‑算法组合和复合特征‑算法组合进行处理，获取每一个所述单一特征‑算法组合和复合特征‑算法组合识别所述训练图像中图像类别的识别分类准确率；S8、将所述步骤S7中获得的识别分类准确率最高的所述单一特征‑算法组合作为最优单一特征‑算法组合，将所述步骤S7中获得的识别分类准确率最高的所述复合特征‑算法组合作为最优复合特征‑算法组合，将所述最优单一特征‑算法组合与所述最优复合特征‑算法组合相融合，识别分类将融合结果作为最优组合函数；S9、在随机森林分类器中采用步骤S8中获得的最优组合函数对所述测试图像进行识别，获得所述最优组合函数识别所述测试图像中图像类别的识别分类准确率。