[发明专利]一种组织病理图像识别方法

说明书

本发明公开了一种组织病理图像识别方法，包括以下步骤：选取无病和有病训练样本，无病和有病测试样本；结合无病训练样本和有病训练样本，建立无病字典学习模型和有病字典学习模型，交替迭代优化两个目标函数，直到达到最大迭代次数为止，学习得到无病字典和有病字典；利用无病字典和有病字典，对测试样本进行稀疏表示，分别计算测试样本在无病字典和有病字典下的稀疏重构误差向量；通过稀疏重构误差向量获得分类统计量，通过分类统计量与阈值的比较确定测试样本的类别。本发明对字典学习在组织病理图像分类中的应用提出了新的模型和方法，学习出的带类标字典对同类样本具有较好的稀疏重构性与类内鲁棒性，对非同类样本具有较好的类间判别性。

技术领域

本发明涉及一种组织病理图像识别方法。

背景技术

随着计算机辅助诊断技术的发展，“数字病理”的研究也逐渐受到广大科研工作者的关注，其中，如何精确地自动提取隐藏在图像中的判别性特征，为后续组织病理图像分析或分类提供必要的信息，从而快速准确给出疾病等级与分类，已成为“数字病理”中极具挑战性的研究课题之一。

传统的特征提取方式主要分为以下两类：第一大类是基于特定域或特定任务的特征，如生物细胞的大小与形态特征、图像的灰度或彩色信息、纹理等；第二大类主要以空间结构与多尺度特征为主，如形态学特征、图方法、尺度不变特征、小波特征等。上述传统特征提取方式多为像素级特征或手工特征，一般只适合特定的数据对象，其应用范围受到限制，而且特征冗余度高，判别性低。

近些年来，稀疏表示因其在众多计算机视觉问题中的突出表现而获得了极大关注。其基本思想是将一个原始信号表示成以一组过完备字典为基的稀疏信号。稀疏表示在图像去噪与恢复，人脸识别，图像分类等领域中都获得了极大成功。而随着技术的发展，如何学习到适用于特定问题(比如用于图像分类)的字典成为学者们关注的焦点，即一个字典学习的理论框架。

字典学习的关键在于构造的字典是否具有较好的重构性与判别性。对这一类问题，Zhang等提出了一种判别性K-SVD(Discriminative K-SVD，DK-SVD)字典学习方法。Jiang等提出了基于类标一致K-SVD(Label Consistent K-SVD，LC-KSVD)的字典学习方法。Yang等采用Fisher准则提出判别性字典学习(Fisher Discrimination DictionaryLearning，FDDL)方法，通过约束稀疏表示系数间接提升字典的判别性能。Vu等提出了一种面向判别性特征的字典学习(Discriminative Feature-oriented Dictionary Learning，DFDL)方法，并将其应用于组织病理图像分类。上述方法，在图像分类中能取得非常不错的分类效果。

然而，由于不同类型的组织病理图像呈现的特征各异，同一类型的组织病理图像中细胞形态与几何结构特征变化较大，病理特征也呈现出多样化，这导致同类病理图像样本间的特征差异大于非同类病理图像样本间的特征差异，使得上述方法学习的有病字典与无病字典相似程度较高，对无病样本与有病样本的判别性仍然较低，其分类性能依然有的待于提高。

发明内容

为了解决上述技术问题，本发明提供一种准确率高、鲁棒性高的组织病理图像识别方法。

本发明解决上述问题的技术方案是：一种组织病理图像识别方法，包括以下步骤：

步骤一，从某一组织的无病和有病两种图像中分别选取若干图像块作为无病和有病训练样本，无病和有病测试样本；

步骤二，优化学习无病字典：结合无病训练样本和有病训练样本，建立无病字典学习模型，通过两步交替迭代的优化方式最小化目标函数，学习得到无病字典；

步骤三，优化学习有病字典：结合有病训练样本和无病训练样本，建立有病字典学习模型，通过两步交替迭代的优化方式最小化目标函数，学习得到有病字典；