[发明专利]一种基于多尺度融合的血细胞亚型图像分类方法

权利要求书

1.一种基于多尺度融合的血细胞亚型图像分类方法，其特征在于，所述方法包括以下步骤：

(1)训练集包含4种血细胞亚型图像，分别为eosinophil嗜酸粒细胞、lymphocyte淋巴细胞、monocyte单核细胞、neutrophil嗜中性粒细胞，使用数据扩增的方式提升训练集规模；

(2)基于Xception Entry flow模块构建初步特征提取网络提取图像浅层特征，输出4个不同尺度即不同分辨率的特征图，以上称为Entry flow模块；

(3)为(2)中的4个输出分别连接4个由Xception Middle flow模块级联构成的中层特征提取网络，对(2)中输出的多尺度特征图进行进一步的特征提取，以上称为Middle flow模块；

(4)为(3)中的4个输出分别连接4个的Xception Exit flow模块，进一步提取深层特征，并将特征图转化为高维特征向量，以上称为Exit flow模块；

(5)将(4)中输出的4个高维特征向量相加，融合多尺度特征图中的信息，最后连接Logistic Regression输出类别概率向量，以上称为Multi-Scale-Fusion And Prediction模块；

(6)在(2)(3)(4)(5)步骤所构建的分类网络上，使用(1)中经过数据扩增的血细胞亚型图像训练集进行网络训练；

(7)使用(6)中训练得到的网络在血细胞亚型图像测试集上进行预测，输出血细胞亚型图像所属的类别。

2.如权利要求1所述的一种基于多尺度融合的血细胞亚型图像分类方法，其特征在于，所述步骤(1)中，数据扩增的过程为：

(11)随机旋转、随机缩放、随机剪切和随机翻转；

(12)设定程度的随机图像对比度调整，设定程度的随机亮度衰减；

(13)将所有图像的尺寸调整为(299,299)。

3.如权利要求2所述的一种基于多尺度融合的血细胞亚型图像分类方法，其特征在于，所述步骤(2)中，初步特征提取网络的过程为：

(21)使用Xception Entry flow模块初步提取图像浅层特征，并输出四个不同尺度的特征图作为下一层Middle flow模块的中层特征提取网络的四个输入，以Xception中对应层的权重为网络权重的初始值；

(22)输出4个特征图通道数分别为64、128、256、728。

4.如权利要求3所述的一种基于多尺度融合的血细胞亚型图像分类方法，其特征在于，所述步骤(3)中，中层特征提取网络的过程为：

(31)将(22)中四个输出分别输入，4路由8个Xception Middle flow模块级联而成的中层多尺度特征提取网络中，其中4路Xception Middle flow模块，深度可分离卷积核数目分别设置为对应的64、128、256、728，以MSRA初始化方法初始化权重；

(32)输出4个特征图通道数分别为64、128、256、728。

5.如权利要求4所述的一种基于多尺度融合的血细胞亚型图像分类方法，其特征在于，所述步骤(4)的过程为：

(41)将(32)中的输出分别输入4个Xception Exit flow模块，分别将4个XceptionExit flow模块中的第一个深度可分离卷积层卷积核数目修改为64、128、256、728，第二个深度可分离卷积层卷积核数目修改为128、256、512、1536，并删除模块全局池化层后的部分，以MSRA初始化方法初始化权重；

(42)输出4个2048维的高维特征向量。

6.如权利要求5所述的一种基于多尺度融合的血细胞亚型图像分类方法，其特征在于，所述步骤(5)的过程为：将(42)中得到的4个2028维的高维特征向量相加，再级联长度为2048、4的全连接层，最后连接Logistic Regression输出类别概率向量。