[发明专利]瘤细胞图像的分类和装置

说明书

本申请涉及一种瘤细胞图像的分类和装置。其中瘤细胞图像的分类方法通过多次训练m个分类器，依据包括m个分类器的多分类器系统的目标函数确定L个最优投影矩阵，获取待测细胞的待测图像数据，将待测图像数据的特性数据通过L个最优投影矩阵，投影到新的特性空间，以得到L套待测特性数据，将L套待测特性数据输入m个分类器，根据m个分类器的输出结果确定待测细胞的类别，以实现对待测细胞的准确分类，具有较高的分类效率。

技术领域

本申请涉及机器学习技术领域，特别是涉及一种瘤细胞图像的分类和装置。

背景技术

所有决策支持系统的目的在于创建一个能够产生正确决策的模型。然而由于不同分类方法有其自身的优势和局限性，在解决复杂模式识别问题时,很难选择出一种分类器使之能够在所有的应用中都有良好表现，并且设计出一个新分类器的难度更大。在这种情况下，多分类器系统作为一种不改变原分类器的结构而是采用某种方式组合多个分类器的方法被设计出来，近年来成为了模式识别中非常流行的工具。目前，多分类器系统已经广泛应用在了生物信息学、遥感科学、网络安全、天文物理、医疗诊断、化学信息学等多个领域中。多样性是影响多分类器系统性能的重要因素，当分类器之间存在差异性或互补性时，多分类器系统往往能获得比单分类器更高的鲁棒性和更高的准确性，因此多样性度量在多分类器系统设计中至关重要。如何在多分类器系统中引入多样性以及如何均衡多样性与模型性能之间的关系已经成为了一个需要解决的重要问题。

近年来，机器学习广泛地应用在了医疗应用领域。机器学习模型可以从海量医疗数据中学习患者的健康轨迹模式，能够根据患者所有已知的实时信息和集体医生的经验得出患者的个性化的诊断、管理决策以及治疗方案。这能够辅助医生进行临床诊断,具有较高的学术价值和广泛的应用前景。然而由于医疗信息的复杂性以及目前机器学习算法的不完善性，现有的单分类算法直接应用于医学图像还存在效率低下、适用范围小等许多问题。在这种情况下，多分类器系统作为一种实现分类器间的优势互补的方法被设计出来，它可以在挖掘不断更新的海量图像数据库数据的同时,较好地提升了模型的整体性能和泛化能力。

胶质母细胞瘤和脑转移瘤是成人最常见的恶性脑肿瘤。这两种肿瘤的常规磁共振成像(MRI)影像表现十分相似，均表现为环形强化伴外周水肿。区分这两种类型的肿瘤对计划进一步的诊断和治疗十分重要。

病理学检查可以明确鉴别这两种肿瘤，但当肿瘤靠近或涉及雄辩区域或患者太虚弱而无法进行手术时，这种有创的方法是不可取的。因此，需要一种快速、无创、稳定的方法来识别原发肿瘤，从而确定正确的治疗方法。最近，影像组学作为一种从图像中提取高通量数据的方法，在医疗领域应用十分广泛。有许多研究提出利用影像组学鉴别胶质母细胞瘤与单发性脑转移瘤。尽管他们都使用了多个分类器，他们的目的是在于找到最理想的分类器。Zenghui Qian等人使用了12种特征选择方法和7种分类器建立了84个模型，结果显示支持向量机(SVM)结合Lasso特征选择方法结果最好。然而通过遍历所有可用的模型，通过反复试验的方式来接近真正的最优解决方案是需要耗费大量的时间和精力的，可见传统的相关分类方案存在效率低的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种瘤细胞图像的分类和装置。

本申请在第一方面提供一种瘤细胞图像的分类方法，包括：

S10，获取胶质母细胞瘤对应的多个第一图像数据和单发性脑转移瘤对应的多个第二图像数据，并分别确定各个第一图像数据对应的第一标签和各个第二图像数据对应的第二标签；

S20，分别提取各个第一图像数据和各个第二图像数据的第一特性数据，得到N个第一特性数据，根据所述第一标签和第二标签确定所述N个第一特性数据的标签；

S30，将所述N个第一特性数据通过遗传算法初始化得到的L个随机投影矩阵，投影到新的特性空间，以得到L套第二特性数据，并确定L套第二特性数据的标签；