[發明專利]基于隨機森林分類模型的細胞識別方法和裝置

在審

• 申請號: 201810872456.5
• 申請日: 2018-08-02
• 公開（公告）號: CN109145965A
• 公開（公告）日: 2019-01-04
• 發明（設計）人: 郟東耀;李玉娟;曾強;莊重
• 申請（專利權）人: 深圳輝煌耀強科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/00
• 代理公司: 北京萬思博知識產權代理有限公司 11694
• 代理人: 冀婷

1.一種基于隨機森林分類模型的細胞識別方法，包括：

參量初始化步驟：基于隨機森林分類模型的預設棵數和特征子集數目，設置所述預設棵數的范圍和所述特征子集數目的范圍；

模型獲得步驟：在所述預設棵數的范圍和所述特征子集數目的范圍內，將所述預設棵數和所述特征子集數目隨機組合成特征值對，所述特征值對形成特征值對集合；對于所述特征值集合中的每一個特征值對，利用原始細胞圖像樣品集合訓練隨機森林分類模型，對所述隨機森林分類模型進行測試，得到樣本準確率，將最優樣本準確率作為所述特征值集合的樣本準確率；

參量更新步驟：將所述最優樣本準確率對應的隨機森林分類模型作為適應度值計算函數，將所述特征值集合的樣本準確率作為人工魚群算法的適應度值，將所述特征值對的集合轉換為人工魚個體輸入到人工魚群算法，得到最優人工魚個體，將所述最優人工魚個體轉換為最優特征值對并作為所述隨機森林分類模型的預設棵數的初始值和特征子集數目參量的初始值，重復所述參量初始化步驟，直到最優特征值對不再變化為止；和

分類步驟：利用與所述最優特征值對應的隨機森林分類模型對待檢測圖像中的細胞進行分類。

2.根據權利要求1所述的方法，其特征在于，在所述模型獲得步驟中，所述利用原始細胞圖像樣品集合訓練隨機森林分類模型包括：

采樣步驟：從原樣本集合有放回地隨機抽取若干個與所述原樣本集合同樣大小的訓練樣本集合；

決策樹訓練步驟：利用所述訓練樣本集合訓練所述隨機森林分類模型中的決策樹，在所述決策樹分裂時無放回地選取符合所述特征值對中特征子集數目的特征子集對所述決策樹進行訓練；和

決策樹森林生成步驟：重復采樣步驟和決策樹訓練步驟，直至生成具有所述預設決策樹棵數的決策樹的隨機森林分類模型。

3.根據權利要求2所述的方法，其特征在于，在所述模型獲得步驟中，所述對所述隨機森林分類模型進行測試，得到樣本準確率包括：

測試步驟：將所述原樣本集合中未被任何訓練樣本集合選中的樣本作為測試樣本，將所述測試樣本中的每一個樣本輸入到所有決策樹，得到每一個決策樹的分類結果；

投票步驟：將所有決策樹的分類結果進行簡單多數投票，將投票結果作為該測試樣本的分類結果；和

準確率計算步驟：將分類結果正確的數量占所述測試樣本的樣本總數的比率作為所述樣本準確率。

4.根據權利要求1至3中任一項所述的方法，其特征在于，所述參量更新步驟包括：

人工魚個體形成步驟：將所述特征值集合中的每一個特征值對進行二進制編碼，形成人工魚個體，將兩個以上人工魚個體隨機組成多個魚群；

最優人工魚個體獲得步驟：對魚群依次執行聚群算子、追尾算子和覓食算子并計算適應度值最大的人工魚個體作為最優人工魚個體；和

初始值更新步驟：將所述最優人工魚個體轉換為最優特征值對并作為所述隨機森林分類模型的預設棵數的初始值和特征子集數目參量的初始值，重復所述參量初始化步驟，直到最優特征值對不再變化為止。

5.一種基于隨機森林分類模型的細胞識別裝置，包括：

參量初始化模塊，其配置成用于基于隨機森林分類模型的預設棵數和特征子集數目，設置所述預設棵數的范圍和所述特征子集數目的范圍；

模型獲得模塊，其配置成用于在所述預設棵數的范圍和所述特征子集數目的范圍內，將所述預設棵數和所述特征子集數目隨機組合成特征值對，所述特征值對形成特征值對集合；對于所述特征值集合中的每一個特征值對，利用原始細胞圖像樣品集合訓練隨機森林分類模型，對所述隨機森林分類模型進行測試，得到樣本準確率，將最優樣本準確率作為所述特征值集合的樣本準確率；

參量更新模塊，其配置成用于將所述最優樣本準確率對應的隨機森林分類模型作為適應度值計算函數，將所述特征值集合的樣本準確率作為人工魚群算法的適應度值，將所述特征值對的集合轉換為人工魚個體輸入到人工魚群算法，得到最優人工魚個體，將所述最優人工魚個體轉換為最優特征值對并作為所述隨機森林分類模型的預設棵數的初始值和特征子集數目參量的初始值，重復所述參量初始化步驟，直到最優特征值對不再變化為止；和

分類模塊，其配置成用于利用與所述最優特征值對應的隨機森林分類模型對待檢測圖像中的細胞進行分類。