[發明專利]融入邊緣特征兩階段的上皮細胞分類方法及系統

有效

• 申請號: 202110831372.9
• 申請日: 2021-07-22
• 公開（公告）號: CN113537371B
• 公開（公告）日: 2023-03-17
• 發明（設計）人: 張莉;張夢倩;王邦軍;趙雷
• 申請（專利權）人: 蘇州大學
• 主分類號: G06F16/2458
• 分類號: G06F16/2458
• 代理公司: 蘇州市中南偉業知識產權代理事務所(普通合伙) 32257
• 代理人: 李柏柏

本發明涉及一種融入邊緣特征兩階段的上皮細胞分類方法，包括將細胞染色圖像數據劃分為原始訓練集和原始驗證集，通過聚類、Sobel運算和子集劃分，得到聚類后的訓練集、粗類訓練集和細類訓練集；利用聚類后的訓練集和粗類訓練集對粗粒度分類器進行訓練，利用細類訓練集對細粒度分類器進行訓練，得到訓練好的粗粒度分類器和細粒度分類器；利用粗粒度分類器和細粒度分類器對待分類的細胞染色圖像數據進行類別分類。本發明在訓練過程中，將訓練集中圖像的重要特征保留下來，使得前后的特征信息能夠進一步的融合，從而最大限度地識別和保留判別信息，提高機器學習模型的效率。

技術領域

本發明涉及細胞識別與數據處理技術領域，尤其是指一種融入邊緣特征兩階段的上皮細胞分類方法及系統。

背景技術

當健康的細胞和組織被免疫系統錯誤地攻擊和破壞時，就會出現自身免疫疾病。上皮細胞(HEp-2)拍攝的間接免疫熒光圖像中的染色模式的視覺分析是一種可用于識別自身免疫疾病的程序，其可以檢測許多不同的核和細胞質模式。在該程序中，設計載玻片以固定HEp-2細胞底物，并添加受試者的血清，之后執行以下四個步驟：(1)圖像采集；(2)有絲分裂細胞識別；(3)熒光強度的分類；(4)識別染色模式。其中最后一個步驟的重要性在于根據患者的臨床病史，每種染色模式都可能指示特定的自身免疫性疾病。

但是在對間接免疫熒光圖像進行人工分析時具有較多不可控的缺陷，例如：結果的主觀性、實驗室之間結果的不一致以及細胞圖像處理效率低等問題。因此，自動有效地對人類上皮細胞的染色特征進行分類已成為一個極具吸引力的研究課題。

近年已有諸多學者將機器學習相關算法應用至此。這類方法通常先提取圖像的特征，再對這些特征進行篩選、分類。但是在這個過程中，特征提取和分類被視為兩個獨立的階段，難以最大限度地識別和保留判別信息，從而無法很好地利用網絡訓練中產生的有效信息，導致機器學習相關模型效率較低。

發明內容

為此，本發明所要解決的技術問題在于克服現有技術中無法很好地利用網絡訓練中產生的有效信息而導致機器學習模型效率較低的缺陷。

為解決上述技術問題，本發明提供一種融入邊緣特征兩階段的上皮細胞分類方法，包括：

將細胞染色圖像數據劃分為原始訓練集和原始驗證集，對所述原始驗證集進行k-means聚類，得到聚類后的驗證集，將聚類結果應用于所述原始訓練集，得到聚類后的訓練集，并對聚類后的訓練集和驗證集中的圖像進行Sobel運算，得到粗類訓練集和粗類驗證集，同時根據原始驗證集的聚類結果對原始訓練集進行子集劃分，得到細類訓練集；

構建融入邊緣特征的兩階段分類網絡模型，所述融入邊緣特征的兩階段分類網絡模型包括粗粒度分類器和細粒度分類器，利用聚類后的訓練集和粗類訓練集對所述粗粒度分類器進行訓練，得到訓練好的粗粒度分類器；同時利用所述細類訓練集對所述細粒度分類器進行訓練，得到訓練好的細粒度分類器；

利用訓練好的粗粒度分類器對待分類的細胞染色圖像數據進行初步類別預測，得到類別預測結果，根據所述類別預測結果調用對應的細粒度分類器進行類別分類，得到類別分類結果。

在本發明的一個實施例中，將細胞染色圖像數據劃分為原始訓練集和原始驗證集，對所述原始驗證集進行k-means聚類，得到聚類后的驗證集，將聚類結果應用于所述原始訓練集，得到聚類后的訓練集的方法包括：