[发明专利]基于迁移学习的白血细胞多分类识别方法

摘要

本发明公开了一种基于迁移学习的白血细胞多分类识别方法。本发明步骤如下：步骤1：建立三分类模型的训练数据集和测试数据集，N分类模型的训练数据集和测试数据集；步骤2：构建三分类深度卷积神经网络架构；步骤3：三分类训练集来训练DCNN3网络，使得该网络拟合；使用三分类测试集来测试DCNN3网络模型，选取测试最好的DCNN3网络模型中所有特征提取层参数；步骤4：构造N分类深度卷积神经网络架构；步骤5：将DCNN40中特征提取单元中所有参数初始化为步骤3中所提取出参数值，使用N分类训练集训练；再使用N分类测试集验证训练之后的模型效果，提取准确率最佳的DCNN40模型。本发明在白血病细胞识别分类领域具有比较高的准确率。

主权项

1.基于迁移学习的白血细胞多分类识别方法，其特征在于包括如下步骤：步骤1：建立三分类模型的训练数据集和测试数据集，均以LMDB格式存储；建立N分类模型的训练数据集和测试数据集，也均以LMDB格式存储，其中N∈[4,40]；步骤2：构建三分类深度卷积神经网络架构，即DCNN3；具体架构构建如下：DCNN3包含5个特征提取单元、两个全连接层和softmax层；每个特征提取层又包含一个卷积层、一个归一化层、一个激活函数层、一个池化层；DCNN3前五个都是特征提取单元，其中第三个卷积层和第四个卷积层之间采用残差网络设计；特征提取层后面是一个具有256个神经元的全连接层，并且为了防止该全连接层训练参数过拟合，在该层后面添加了一个drop层；再之后跟随的是一个具有三个神经元的全连接层，起到一个分类器效果；最后是一个softmax层，便于在反向传播时做调参拟合网络的计算；步骤3：使用步骤1中三分类模型的训练数据集来训练DCNN3网络，使得该网络拟合；训练完成后，使用三分类模型的测试数据集来测试DCNN3网络模型，选取测试最好的DCNN3网络模型，提取该模型中所有特征提取层参数；步骤4：构造N分类深度卷积神经网络架构，即DCNN40；其中DCNN40的特征提取层与DCNN3相同，都是由五个结构相同的特征提取单元组成；但是DCNN40特征提取层后面跟随是三个不同的呈线性结构的全连接单元；第一个全连接单元是一个具有4096个神经元的全连接层，之后是一个具有256个个神经元的全连接层，然后是一个类似分类器效果的具有N个神经元的全连接层；最后是一个做回归计算的softmax层；步骤5：将DCNN40中特征提取单元中所有参数初始化为步骤3中所提取出参数值，然后使用步骤1中N分类模型的训练数据集进行训练；然后使用N分类模型的测试数据集验证训练之后的模型效果，提取准确率最佳的DCNN40模型；步骤6：将任意一张模型的白血细胞显微图像输入到DCNN40模型中的数据输入层，即可识别该图像属于N种白血细胞中的具体所属类别。