[发明专利]基于区域混淆机制神经网络的血细胞显微图像分类方法

权利要求书

1.一种基于区域混淆机制神经网络的血细胞显微图像分类方法，其特征在于：对用于训练的血细胞显微图像进行预处理操作；将经过处理后的图像数据输入深度神经网络框架中的训练分支，在训练阶段引入区域混淆机制，将输入图像的全局结构打乱，迫使分类器对血细胞图像的局部精细特征进行提取，再通过对抗性学习网络对混淆后引入的噪声干扰进行消除，并通过混淆后图像与原图像的语义相关性，对图像的结构信息进行建模；通过上述分支提取出分类器的最优参数，并将最优参数直接赋予分类主干网络分支，进行最终的分类预测工作。

2.根据权利要求1所述的基于区域混淆机制神经网络的血细胞显微图像分类方法，其特征在于，包括以下步骤：

步骤S1：对图像数据进行预处理，进行数据增强；

步骤S2：构建基于区域混淆机制的深度神经网络框架，在训练阶段引入区域混淆机制，将经过处理后的图像数据输入深度神经网络框架中的训练分支，对输入图像进行分割，打乱图像的全局结构，并对分割后图像的子区域进行重新布局，迫使分类器对血细胞图像的局部精细特征进行提取；

步骤S3：对步骤S2操作中引入的噪声影响，采用对抗性学习网络根据原始图像与混淆后图像的提取特征进行判别，构建对抗性损失函数，消除噪声图像的影响，并通过混淆后图像与原图像的语义相关性，对图像的结构信息进行建模；

步骤S4：将混淆后的图像与原始图像一起作为训练时分类器的输入，通过参数共享的联合训练提取出分类器的最优参数，并将最优参数直接赋予分类主干网络分支，进行最终的分类预测工作，实现血细胞图像的自动分类。

3.根据权利要求2所述的基于区域混淆机制神经网络的血细胞显微图像分类方法，其特征在于，步骤S1具体包括以下步骤：

步骤S11：通过减去所有像素的均值，然后除以标准差，对每一幅图像进行标准化；

步骤S12：对输入图像大小进行调整，利用双线性插值方法将图像尺寸大小缩放到指定尺寸；

步骤S13：对于用于训练的图像数据，采用随机旋转、随机剪裁、水平翻转的方法进一步扩展图像数据，用于数据增强；

步骤S14：对用于测试集的图像数据，只进行中心剪裁的操作。

4.根据权利要求2所述的基于区域混淆机制神经网络的血细胞显微图像分类方法，其特征在于：

所述分类器包括分类主干网络、区域混淆网络、对抗性学习网络和区域对齐网络四部分；

第一部分为分类主干网络：采用MobileNetV3作为血细胞分类器的主干网络，训练时对输入图像进行特征提取，学习得到分类器的最优参数；预测时分类器其他网络分支不起作用，通过分类主干网络对输入图像进行预测分类；

第二部分为区域混淆网络：用以破坏图像的全局结构，将混淆后的图像与原始图像组合在一起引入分类主干网络；

第三部分为对抗性学习网络：用以分辨从图像中学习到的是否为噪声特征，消除噪声的干扰；

第四部分为区域对齐网络：用以对图像的结构信息进行建模，构建全局信息与局部信息的联系。

5.根据权利要求4所述的基于区域混淆机制神经网络的血细胞显微图像分类方法，其特征在于：所述分类器的训练阶段包括以下步骤：

步骤C1： 将步骤S1处理后的图像数据分为训练集样本、验证集样本与测试集样本；

步骤C2：将训练样本经过区域混淆后的图像与样本原始图像组合作为分类器的输入对其进行训练；

步骤C3: 在训练过程中，经过若干个epoch后通过验证集验证模型效果，通过验证集的效果反馈，判断验证效果是否符合要求，若符合，则继续训练；否则更改超参之后再返回步骤C2；

步骤C4: 判断训练次数是否达到预设的最大训练次数，若是则进入步骤C4，否则采用Back-Propagation算法更新被激活的参数，并返回步骤C2；

步骤C5: 由损失函数判断训练误差是否符合预设的值，若是则进入步骤C5，否则返回步骤C2；

步骤C6：获取一系列最优参数，赋予分类主干网络，采用测试集样本对分类器性能进行测试；判断测试集样本识别正确率是否符合预设要求，若符合，终止当前的模型训练；否则返回步骤C2；

步骤C7：得到最终的最优参数，将其赋予分类器，对输入的血细胞显微图像进行自动分类。