[发明专利]一种组织病理图像识别方法

权利要求书

1.一种组织病理图像识别方法，包括以下步骤：

步骤一，从某一组织的无病和有病两种图像中分别选取若干图像块作为无病和有病训练样本，无病和有病测试样本；

步骤二，优化学习无病字典：结合无病训练样本和有病训练样本，建立无病字典学习模型，通过两步交替迭代的优化方式最小化目标函数，学习得到无病字典；

所述步骤二的具体步骤为

2-1：从无病和有病训练样本中分别随机选取n列向量作为初始化的无病字典D和有病字典

2-2：建立无病字典学习模型，模型如下：

其中，argmin表示使目标函数取最小值时的变量值，Y、分别代表无病与有病训练样本，X、分别代表无病与有病训练样本的稀疏表示系数，N和N分别代表无病和有病图像特征向量的数量，L₁为无病样本和有病样本在无病字典下的编码稀疏度，ρ为正则化参数，且ρ0；式中的代表无病字典与无病训练样本的稀疏重构误差，代表无病字典与有病训练样本的重构误差，F表示范数，Ψ(D)为无病字典的Fisher准则约束项，其表达式为：其中m为无病字典D中所有原子的均值，M为无病字典D的原子均值m组成的矩阵，为有病字典中所有原子的均值，α、β分别代表类内间距与类间间距的惩罚系数，α,β0；

2-3：固定无病字典D，更新稀疏编码系数，此时的目标函数如下：

令训练样本编码系数矩阵L₁为无病样本和有病样本在无病字典下的编码稀疏度，最优稀疏解为则目标函数的求解分为无病训练样本在无病字典D下的稀疏表示与有病训练样本在无病字典D下的稀疏表示两步迭代完成，统一的简化如下：

利用SPAMS工具箱中的OMP算法，分别求解训练样本在无病字典D稀疏解

2-4：固定稀疏编码系数，更新无病字典D，此时的目标函数如下：

通过化简得：

其中，tr表示矩阵的迹

采用坐标梯度下降法求出无病字典D最优解；步骤三，优化学习有病字典：结合有病训练样本和无病训练样本，建立有病字典学习模型，通过两步交替迭代的优化方式最小化目标函数，学习得到有病字典；

所述步骤三的具体步骤为

3-1：从无病和有病训练样本中分别随机选取n列向量作为初始化的无病字典D和有病字典

3-2：建立有病字典学习模型，模型如下：

其中，Y、分别代表无病与有病训练样本，X、分别代表无病与有病训练样本的稀疏表示系数，N和N分别代表无病和有病图像特征向量的数量，L₂为无病样本和有病样本在有病字典下的编码稀疏度，ρ为正则化参数，且ρ0；式中的代表有病字典与有病样本的稀疏重构误差，代表有病字典与无病样本的重构误差，为有病字典的Fisher准则约束项，其表达式为：其中m为无病字典D中所有原子的均值，为有病字典中所有原子的均值，为有病字典中所有原子的均值组成的矩阵；

3-3：固定有病字典更新稀疏编码系数，此时的目标函数如下：

令训练样本编码系数矩阵L₂为无病样本和有病样本在有病字典下的编码稀疏度，最优稀疏解为则目标函数的求解分为无病训练样本在有病字典下的稀疏表示与有病训练样本在有病字典下的稀疏表示两步迭代完成，统一的简化如下：

利用SPAMS工具箱中的OMP算法，分别求解训练样本在有病字典稀疏解

3-4：固定稀疏编码系数，更新有病字典此时的目标函数如下：

通过化简得：

其中，

采用坐标梯度下降法求出有病字典最优解；

步骤四，判断是否达到最大迭代次数，若是，则进入步骤五，若不是，则返回步骤二；

步骤五，获得测试样本的重构误差向量：利用获得的无病字典和有病字典，对测试样本进行稀疏表示，然后分别计算测试样本在无病字典和有病字典下的稀疏重构误差向量；

步骤六：获得测试样本的分类结果：通过稀疏重构误差向量获得分类统计量，然后通过分类统计量与阈值的比较确定测试样本的类别。