[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

说明书

一种基于多尺度融合的血细胞亚型图像分类方法，包括以下步骤：(1)训练集包含4种红细胞亚型图像；(2)基于Xception的Entry flow模块构建浅层特征提取网络，输出4个不同尺度的特征图；(3)为步骤(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；(4)为步骤(3)中的4个输出分别连接4个经过修改的Xception Exit flow模块，提取深层特征信息，输出4个高维特征向量；(5)融合(4)中输出的4个高维特征向量的信息，执行对图像类别的推断预测；(6)在分类网络上，使用经过数据扩增的血细胞亚型图像训练集进行训练；(7)使用步骤(6)中训练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。本发明提升血细胞亚型图像分类器的性能。

技术领域

本发明属于图像处理、计算机视觉、深度学习、图像分类领域，具体为一种基于多尺度融合的血细胞亚型图像分类方法。

背景技术

目前工业界最强大的图像处理技术就是深度学习了。在图像分类领域，ImageNet比赛准确率作为计算机视觉分类算法的基准已经是深入人心了。自2012年以来，卷积神经网络与深度学习就主导了该竞赛的排行榜。在2015年，Kaiming He等人提出了ResidualNeural Network结构，通过使用残差模块，并用Global Average Pooling取代全连接层，成功训练了152层深的网络，获得了当年的ImageNet冠军，top-5准确率达到93.3％。而在2017年，Francois Chollet提出了Xception结构，该结构的主要特点是深度可分离卷积与残差结构的结合，该网络在ImageNet上更进一步达到了94.5％的准确率。

Xception网络中的基本构成单元有Conv(卷积层)、Relu(激活层)、SeparableConv(深度可分离卷积层)、MaxPooling(最大池化层)、GlobalAveragePooling(全局平均池化层)、Optional fully-connected layer(可选的全连接层)、Logistic Regression(逻辑斯蒂回归)。以上基本单元组合经过合理的参数设置，构成了Xception网络的三个主要模块，分别为Entry flow模块、Middle flow模块、Exit flow模块。Entry flow作为输入图像的初始特征提取器，提取图像的浅层特征并数次缩小图像的分辨率。Middle flow作为中层特征提取器，连续级联8个组成中层特征提取网络，进一步提取图像特征。Exit flow提取深层特征并最终聚合所有特征图，输出类别向量。

基于血液的疾病的诊断通常涉及识别和表征患者的血液样本，而多种类型的血细胞则是血液的重要组成部分。检测和分类血细胞亚型的自动化方法在医学上有具有可观的应用价值，对于血液检查、血细胞检查等具有重要的指导意义。ResNet、Xception等在分类自然图像时具有很好的效果，将其应用到医学领域也是当前学术界的研究热点之一。此类网络往往通过多次的池化操作来提升卷积核的感受野并降低运算量，但该操作也往往使得图像分辨率急剧下降，使得图像的某些细节信息丢失，对于含有某些重要细微组织的医学图像任务而言这可能是难以接受的。在医学图像分类中，我们既希望通过降低分辨率来把握图像的全面的上下文信息，又希望充分利用高分辨率图像来获得局部的细节特征信息，把握好以上两点在提升血细胞亚型图像分类效果上具有重要作用。

发明内容

针对以上所述当前技术存在的一些问题与不足，为了使神经网络既能通过降低分辨率提升感受野来把握图像的全面的上下文信息，又能够充分利用高分辨率图像来获得足够的细节特征信息，本发明提供了一种基于多尺度融合的血细胞亚型图像分类方法。

本发明解决其技术问题所采用的技术方案是：

一种基于多尺度融合的血细胞亚型图像分类方法，包括以下步骤：