[發(fā)明專利]基于遷移學(xué)習(xí)的白血細胞多分類識別方法

在審

• 申請?zhí)枺?/td>: 201711293888.2
• 申請日: 2017-12-08
• 公開（公告）號: CN108052967A
• 公開（公告）日: 2018-05-18
• 發(fā)明（設(shè)計）人: 張旻;姜明;程柳;湯景凡;騰海濱
• 申請（專利權(quán)）人: 杭州電子科技大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 杭州君度專利代理事務(wù)所(特殊普通合伙) 33240
• 代理人: 朱月芬

1.基于遷移學(xué)習(xí)的白血細胞多分類識別方法，其特征在于包括如下步驟：

步驟1：建立三分類模型的訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集，均以LMDB格式存儲；建立N分類模型的訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集，也均以LMDB格式存儲，其中N∈[4,40]；

步驟2：構(gòu)建三分類深度卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，即DCNN3；具體架構(gòu)構(gòu)建如下：

DCNN3包含5個特征提取單元、兩個全連接層和softmax層；每個特征提取層又包含一個卷積層、一個歸一化層、一個激活函數(shù)層、一個池化層；DCNN3前五個都是特征提取單元，其中第三個卷積層和第四個卷積層之間采用殘差網(wǎng)絡(luò)設(shè)計；特征提取層后面是一個具有256個神經(jīng)元的全連接層，并且為了防止該全連接層訓(xùn)練參數(shù)過擬合，在該層后面添加了一個drop層；再之后跟隨的是一個具有三個神經(jīng)元的全連接層，起到一個分類器效果；最后是一個softmax層，便于在反向傳播時做調(diào)參擬合網(wǎng)絡(luò)的計算；

步驟3：使用步驟1中三分類模型的訓(xùn)練數(shù)據(jù)集來訓(xùn)練DCNN3網(wǎng)絡(luò)，使得該網(wǎng)絡(luò)擬合；訓(xùn)練完成后，使用三分類模型的測試數(shù)據(jù)集來測試DCNN3網(wǎng)絡(luò)模型，選取測試最好的DCNN3網(wǎng)絡(luò)模型，提取該模型中所有特征提取層參數(shù)；

步驟4：構(gòu)造N分類深度卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，即DCNN40；其中DCNN40的特征提取層與DCNN3相同，都是由五個結(jié)構(gòu)相同的特征提取單元組成；但是DCNN40特征提取層后面跟隨是三個不同的呈線性結(jié)構(gòu)的全連接單元；第一個全連接單元是一個具有4096個神經(jīng)元的全連接層，之后是一個具有256個個神經(jīng)元的全連接層，然后是一個類似分類器效果的具有N個神經(jīng)元的全連接層；最后是一個做回歸計算的softmax層；

步驟5：將DCNN40中特征提取單元中所有參數(shù)初始化為步驟3中所提取出參數(shù)值，然后使用步驟1中N分類模型的訓(xùn)練數(shù)據(jù)集進行訓(xùn)練；然后使用N分類模型的測試數(shù)據(jù)集驗證訓(xùn)練之后的模型效果，提取準確率最佳的DCNN40模型；

步驟6：將任意一張模型的白血細胞顯微圖像輸入到DCNN40模型中的數(shù)據(jù)輸入層，即可識別該圖像屬于N種白血細胞中的具體所屬類別。