[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

说明书

本发明公开了一种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，涉及图像处理方法技术领域。所述方法包括如下步骤：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。所述方法能够提高图像分类的准确性。

技术领域

本发明涉及图像处理方法技术领域，尤其涉及一种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。

背景技术

组织学图像的分类问题吸引越来越多人的关注，随着深度学习的发展，将深度学习的相关技术应用到组织学图像分类任务中是当今研究的主流方向。

组织学图像的特征提取和分类识别是一个难点问题，为了更好的完成组织学图像的分类，一个最核心的问题就是如何提取组织学图像的多尺度信息。

另外一个需要注意的问题时，深度卷积神经网络的训练需要大量的样本。由于组织学图像样本数量较少，因此从头训练一个深度卷积神经网络模型是不现实的。幸运的是，预训练的深度卷积神经网络模型，例如预训练的VGG19模型可以为特定领域(例如组织学图像分类领域)的深度卷积神经网络的权重学习提供一个初始的解。在这个基础上，对新构建深度卷积神经网络进行微调，从而摆脱了需要大量数据训练的问题。

本发明在基于预训练VGG19模型的基础上，提出一个深度融合卷积神经网络模型(FCNN)来解决组织学图像的多尺度信息问题。具体地，本发明提出的FCNN模型从预训练VGG19模型的“block2_pool”，“block3_pool”和“block5_pool”中提取了三个分支，然后进行合并以学习多尺度特征，包括核尺度，核组织和结构尺度特征。该模型可以很好地完成组织学图像分类任务，提高了效率和分类的准确性。

发明内容

本发明所要解决的技术问题是如何提供一种可以提高分类准确性的图像分类方法。

为解决上述技术问题，本发明所采取的技术方案是：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。

进一步的技术方案在于：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。

本发明还公开了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；