[发明专利]急性白血病的细胞图像识别算法

说明书

本发明提出了一种急性白血病的细胞图像识别算法，基于自组织特征映射神经网络，能够很好的保持网络拓扑结构和概率拓扑结构的分布，网络收敛性稳定；对图像进行灰度化处理，既可以减少图像的维数也可以去除图像多余的冗余信息；对图像灰度归一化操作，加快神经网络训练时的收敛性；使用PCA方法进行降维，提高分类速度和准确性。

技术领域

本发明涉及图像识别领域，尤其涉及一种急性白血病的细胞图像识别算法。

背景技术

急性白血病是造血干细胞的恶性克隆性疾病，发病时骨髓中异常的原始细胞及幼稚细胞大量增殖，蓄积于骨髓并抑制正常造血，广泛浸润肝、脾、淋巴结等髓外脏器。表现为贫血、出血、感染和浸润等征象。急性白血病若不经特殊治疗，平均生存期仅3个月左右，短者甚至在诊断数天后即死亡。经过现代治疗，已有不少患者获得病情缓解以至长期存活，甚至获得治愈。骨髓象骨髓细胞形态学检查是诊断急性白血病的基础，结合细胞组织化学染色可进一步对急性白血病进行分类分型。

在癌症发病率逐年上升的情况下，现在医院诊断癌症主要还是由医生人工去辨别医学显微图像，这就要求检测人员或医师具有丰富的临床经验，但这样的诊断方式存在着工作效率低，强度大，易疲劳和产生人为误差等诸多缺点。利用量子神经网络对显微细胞图像进行分类，以此来辅助医生进行分析和识别病变显微细胞图像，并且得到病理等方面的重要信息，这对于帮助医务人员进行肿瘤的诊断和治疗具有非常重要的临床意义。

但是，作为一类医学图像，首先，肿瘤细胞之间具有较大的复杂性和差异性并且组织器官的形状不是规则的；其次，肿瘤细胞图像数据具有高阶统计的特性，使其服从非高斯分布，这样就导致肿瘤细胞图像存在大量的冗余信息。最后，肿瘤细胞之间存在严重的黏连性，在图像识别过程产生干扰。因此，一些常用的线性分类算法在对肿瘤细胞图像进行分类识别时效果不理想。将人工神经网络与量子计算理论结合起来的量子神经网络能够很好地模拟人脑对信息处理的过程，同时量子神经网络具有很强的模式概括和泛化能力。

发明内容

有鉴于此，本发明提出了一种分类速度快、识别率高的急性白血病的细胞图像识别算法。

本发明的技术方案是这样实现的：本发明提供了一种急性白血病的细胞图像识别算法，其包括以下步骤，

S1，提供N幅m×n维大小的急性白血病的肿瘤细胞图像，针对每幅图像灰度化；

S2，每幅图像按照行顺序抽取得到一维行向量，选定其中S张为训练样本,剩余的作为测试样本,对训练样本和测试样本进行归一化，然后采用PCA降维得到降维后的训练样本和测试样本；

S3，将训练样本和测试样本转换为量子态描述，同时初始化输入层神经元个数、竞争层神经元个数、最大循环步数max、学习速率η0、领域半径γ0、循环计数s、聚类阀值θ和网络初始权值；

S4，计算各竞争层节点的网络坐标；

S5，计算学习速率η和领域半径γ；

S6，按行有序地从训练样本矩阵中取出一个特征向量，计算竞争获胜神经元j^*,调整以j^*为中心半径r的领域内的神经元权值；

S7，若s<max,则s＝s+1返回步骤S5继续执行；否则循环计数s重新赋值为0，转向步骤S8；

S8，按序对每一个类样本集合Mj，求取该类中心样本；

S9，计算学习速率，然后按序取出一个类样本集合，根据该类中心样本对应的获胜神经调整网络权值；

S10，若s<max,则s＝s+1返回步骤S9；否则保存网络权值和类样本集合M对应获胜神经元集合D；

S11，按序从测试样本矩阵取出一个特征向量，计算获胜神经元；