[发明专利]基于深度融合卷积神经网络模型及其组织学图像分类方法

权利要求书

1.一种基于深度融合卷积神经网络模型的组织学图像分类方法，其特征在于包括如下步骤：

使用Reinhard染色归一化对原始的组织学图像进行归一化；

通过具有50％重叠的滑动窗口在标准化图像上获取图像块；

在这些图像上训练FCNN模型以进行基于图像块的分类；

使用众数投票策略将一幅图像中所包括的图像块的分类结果进行整合，完成基于整幅图像的分类。

2.如权利要求1所述的基于深度融合卷积神经网络模型的组织学图像分类方法，其特征在于：

所述FCNN模型融合了浅层，中间抽象层和抽象层，FCNN模型从不同的层中提取三个分支，然后进行合并以学习多尺度特征，所述多尺度特征包括核尺度，核组织和结构尺度特征。

3.一种基于深度融合卷积神经网络模型，其特征在于：

包括VGG19_base模块，SoftMax分类器模块和以及blocks_branch模块，

VGG19_base模块包括Input层和5个block，为block1-block5，每一个block包括多个卷积层和一个最大池化层，其中，卷积核大小为3×3，池化过滤器大小为2×2，所有的层都是顺序相连；

SoftMax分类器模块，该部分在得到所有的深度特征后，将学习到的深度特征送入到3层全连接层，从而完成分类任务；具体的，该部分包括dense_1,dense_2,以及dense_3，其中dense_1和dense_2层的大小是4096，dense_3的大小由最终的分类种类的个数来确定；

blocks_branch模块，所述模型能够融合浅层，中间层和深层所产生的特征，是通过进一步从block2_pool，block3_pool和block5_pool层来获得核尺度，核组织和结构尺度特征来实现的，具体地，

a)获得核尺度特征：在block2_pool层后，增加了block2_branch，该子组包括一个带有128个过滤器的批归一化BN_1层，和一个平均池化层Avgpool_1其中，池化过滤器大小为8×8；

b)获得核组织特征：在block3_pool层后，增加block3_branch，该子组包括一个带有256个过滤器的BN_2层，和一个平均池化层Avgpool_2，其中池化过滤器大小为4×4；

c)获得结构尺度特征：在block5_pool层后，增加了block5_branch，该子组包括一个带有512个过滤器的BN_3层；

d)将上述三个部分的最后一层进行连接，也就是将Avgpool_1，Avgpool_2，以及BN_3层拼装成一个带有896个过滤器的concatenate_1层，紧接着是一个带有896个过滤器的BN_4层，然后通过全局平均池化操作得到一个大小为896的GAP层，最后该GAP与SoftMax分类器层部分进行相连。

4.如权利要求3所述的基于深度融合卷积神经网络模型，其特征在于：所述模型中权重初始和训练方法如下：

在对所述模型进行训练时，VGG19_base部分的卷积层的权重由预训练的VGG19模型来初始，其他部分的网络层，包括全连接层的所有权重全部进行随机初始；在模型训练时，将VGG19_base模块的权重进行冻结，不包括block5的conv5_3和conv5_4两层，然后完成conv5_3和conv5_4两层和SoftMax分类器模块的权重的微调任务。