[發(fā)明專利]一種基于多通道卷積神經(jīng)網(wǎng)絡(luò)的質(zhì)譜成像分類方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202011341731.4
• 申請(qǐng)日: 2020-11-25
• 公開（公告）號(hào): CN112183677B
• 公開（公告）日: 2021-02-23
• 發(fā)明（設(shè)計(jì)）人: 甘勝豐;許光;余良俊;羅德純;李露;胡磊
• 申請(qǐng)（專利權(quán)）人: 湖北第二師范學(xué)院
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06K9/40;G06K9/34;G06N3/04;G06N3/08
• 代理公司: 武漢知產(chǎn)時(shí)代知識(shí)產(chǎn)權(quán)代理有限公司 42238
• 代理人: 張毅

1.一種基于多通道卷積神經(jīng)網(wǎng)絡(luò)的質(zhì)譜成像分類方法，其特征在于，包括以下幾個(gè)步驟：

S1：對(duì)質(zhì)譜成像數(shù)據(jù)集進(jìn)行數(shù)據(jù)預(yù)處理，獲得260*134*100的預(yù)訓(xùn)練數(shù)據(jù)；

S2：對(duì)預(yù)訓(xùn)練數(shù)據(jù)完成手工標(biāo)注，獲得組織區(qū)域分類標(biāo)注文檔，并構(gòu)建訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集；

S3：訓(xùn)練并獲得一個(gè)多通道的深度卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)質(zhì)譜成像數(shù)據(jù)集進(jìn)行特征提取，實(shí)現(xiàn)質(zhì)譜數(shù)據(jù)空間區(qū)域的自動(dòng)分類；

所述的S3具體包括：

S31：對(duì)應(yīng)每個(gè)3*3*100的質(zhì)譜成像數(shù)據(jù)，通過兩種3*3*5的卷積核進(jìn)行卷積，得到3*3*192的共192個(gè)通道的尺寸為3*3的卷積結(jié)果，每個(gè)通道的每個(gè)像素上對(duì)應(yīng)的卷積結(jié)果通過帶入激活函數(shù)ReLU并輸出；

S32：對(duì)S31的輸出卷積結(jié)果進(jìn)行窗口為1*1*2的最大池化下采樣，使得通道數(shù)縮小為96；

S33：對(duì)S32的3*3*96的輸出結(jié)果進(jìn)行96次2*2*1的卷積，得到96個(gè)通道的尺寸為2*2的卷積結(jié)果，每個(gè)通道的每個(gè)像素上對(duì)應(yīng)的卷積結(jié)果通過帶入激活函數(shù)ReLU并輸出；

S34：對(duì)S33的輸出卷積結(jié)果進(jìn)行窗口為1*1*2的最大池化下采樣，使得通道數(shù)縮小為48；

S35：對(duì)步驟S34得到的2*2*48的輸出結(jié)果與100個(gè)神經(jīng)元進(jìn)行完全連接，其中每個(gè)神經(jīng)元的激活函數(shù)為ReLU；

S36：對(duì)S35中100維的輸出結(jié)果再次與100個(gè)神經(jīng)元進(jìn)行完全連接，其中每個(gè)神經(jīng)元的激活函數(shù)為ReLU；

S37：采用線性分類器對(duì)S36中的100個(gè)神經(jīng)元的特征向量進(jìn)行分類，并將100個(gè)神經(jīng)元的輸出結(jié)果連接到1個(gè)神經(jīng)元，得到最終的分類結(jié)果；即：1表示組織區(qū)域1，2表示組織區(qū)域2，3表示組織區(qū)域3；其中神經(jīng)元的激活函數(shù)為Softmax函數(shù)；

S38：S31至S36中的卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練采用梯度下降法，在訓(xùn)練誤差產(chǎn)生后需進(jìn)行后向傳播算法修正網(wǎng)絡(luò)連接權(quán)值；

步驟S2具體包括：

S21：將260*134*100的預(yù)訓(xùn)練數(shù)據(jù)生成34056個(gè)3*3*100的數(shù)據(jù)集；

S22：根據(jù)已知質(zhì)譜成像組織區(qū)域的光學(xué)成像數(shù)據(jù)，對(duì)每個(gè)10像素*10像素即對(duì)應(yīng)于質(zhì)譜成像數(shù)據(jù)的3*3區(qū)域的平面區(qū)域進(jìn)行組織區(qū)域手工標(biāo)注，共包括三個(gè)類型的組織區(qū)域，生成組織區(qū)域分類標(biāo)注文檔；

S23：根據(jù)十倍交叉驗(yàn)證方法，對(duì)34056個(gè)3*3*100的數(shù)據(jù)集進(jìn)行訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集的構(gòu)建。

2.根據(jù)權(quán)利要求1所述的一種基于多通道卷積神經(jīng)網(wǎng)絡(luò)的質(zhì)譜成像分類方法，其特征在于，S1中所述具體包括：

S11：對(duì)260*134個(gè)像素點(diǎn)上的質(zhì)譜數(shù)據(jù)進(jìn)行基線消除處理，每個(gè)分子離子質(zhì)荷比m/z值對(duì)應(yīng)一個(gè)通道，共60000個(gè)通道；

S12：對(duì)260*134個(gè)像素點(diǎn)上的質(zhì)譜數(shù)據(jù)進(jìn)行平滑去噪處理，通道數(shù)保持60000個(gè)；

S13：對(duì)260*134個(gè)像素點(diǎn)上的質(zhì)譜數(shù)據(jù)進(jìn)行質(zhì)心化處理，獲得每個(gè)像素點(diǎn)上的質(zhì)譜特征峰集，并構(gòu)建完整的質(zhì)譜成像特征峰集，每個(gè)像素特征峰共100個(gè)，通道數(shù)縮減至100；

S14：對(duì)質(zhì)譜成像特征峰集的每個(gè)分子離子質(zhì)荷比m/z值進(jìn)行歸一化處理；

S15：對(duì)質(zhì)譜成像特征峰集的豐度值進(jìn)行歸一化處理。