[发明专利]一种基于人工智能的细胞荧光图像分类方法和系统

权利要求书

1.一种细胞荧光图像分类方法，其特征在于，包括以下步骤：

S1、将阳性细胞荧光图像、阴性细胞荧光图像作为样本输入到人工智能模型中进行训练，得到细胞荧光图像分类模型；还包括将非细胞杂质荧光图像作为样本输入到人工智能模型中进行训练；具体包括：

S11、将每个阳性细胞荧光图像的R、G、B三个通道图像作为正样本，阴性细胞荧光图像或非细胞杂质荧光图像的R、G、B三个通道图像作为负样本；

S12、对正样本和负样本分别进行标记；

S13、将多个正样本和负样本输入到人工智能模型中进行训练，得到判断结果错误率；将多个正样本和负样本组合成一批数据输入到人工智能模型中进行训练，依次经过卷积计算、激活函数评分、池化计算和全连接计算，得到样本分类标签的预测矢量，通过预测结果和输入样本标记计算得到判断结果错误率；

S14、修改人工智能模型的优化参数和学习率，回到步骤S13；

S15、重复步骤S13至S14，直至loss收敛，错误率稳定；

S2、将待测细胞荧光图像样本输入到细胞荧光图像分类模型中，获得细胞荧光图像的正确分类。

2.根据权利要求1所述的细胞荧光图像分类方法，其特征在于，在步骤S1中，所述人工智能模型中包含卷积计算、池化计算和全连接计算，所述卷积计算后进行相应的激活函数评分；

所述卷积计算用于对细胞荧光图像进行特征提取；

所述激活函数评分用于通过函数将细胞荧光图像的特征保留并映射出来；

所述池化计算用于对卷积计算提取的特征进行聚合统计；

所述全连接计算的每一个结点都与上一步计算的所有输出向量相连，用来把已提取到的特征综合起来。

3.根据权利要求2所述的细胞荧光图像分类方法，其特征在于，所述人工智能模型包括3步卷积计算、3步池化计算和2步全连接计算，其顺序依次为第一卷积计算、第一池化计算、第二卷积计算、第二池化计算、第三卷积计算、第三池化计算、第一全连接计算、第二全连接计算。

4.根据权利要求1所述的细胞荧光图像分类方法，其特征在于，所述步骤S12具体包括：每一个样本定义一个初始二值化识别标签，1代表阳性细胞荧光图像，0代表阴性细胞荧光图像或与细胞相似的杂质荧光图像，对正样本和负样本分别进行标签标记。

5.根据权利要求1所述的细胞荧光图像分类方法 ，其特征在于，所述步骤S13中，所述预测矢量的判断方法包括：将正负样本经过卷积计算，经池化计算、全连接计算，并通过Softmax Regression计算得到二分类概率预测，每一个图像样本得到阳性细胞和非阳性细胞两个概率预测值，将较大的概率预测值判为识别结果。