[发明专利]一种基于混合转移学习的无标记细胞分类筛查系统

权利要求书

1.一种基于混合转移学习的无标记细胞分类筛查系统，其特征在于：包括：

数据预处理模块，被配置为：获取二维光散射视频数据样本，对获取的样本进行预处理，得到去除杂质后的图像数据；

其中，对获取的样本进行预处理，包括：

对视频数据逐帧拆分图像数据，对得到的图像数据进行过滤处理；

每张图像数据经形态学算法与粒度分析算法处理获得图像形态学粒度特征值，判断特征值是否符合标准，若符合则保留该图像，否则将图像剔除；具体的，对图像的形态与粒度特征进行门限判别，若在均值为中心的预设比例的区间内则保留图像，否则作为杂质进行剔除；

利用一个训练好的机器学习模型对保留的图像进行进一步的过滤；

图像分类模块，被配置为：将筛选后的图像数据按照金标准进行分类并设置标签；

特征提取模块，被配置为：根据带有预训练参数的第一卷积神经网络以及得到的图像数据和标签，得到图像数据的特征向量；

细胞分类筛查模块，被配置为：将得到的特征向量输入到预设支持向量机模型中，得到细胞分类筛查结果；

其中，预设的支持向量机模型由样本数据特征向量和细胞系数据特征向量混合得到的转移数据特征向量训练得到；

具体的，根据自然图像训练第二卷积神经网络，将第二卷积神经网络的预训练参数转移给第一卷积神经网络；

根据自然图像训练第二卷积神经网络，将第二卷积神经网络的预训练参数转移给第三卷积神经网络，第三卷积神经网络以细胞系数据为输入，得到细胞系数据特征向量，将细胞系特征向量按比例转移给临床样本特征向量集，利用转移后的特征向量集训练支持向量机模型。

2.如权利要求1所述的基于混合转移学习的无标记细胞分类筛查系统，其特征在于：

根据预设支持向量机模型得到样本的分类概率值，依照分类概率值与预设阈值判断样本状态。

3.如权利要求1所述的基于混合转移学习的无标记细胞分类筛查系统，其特征在于：

卷积神经网络为Inception v3模型，选择完整连接层之前的输出作为提取的特征向量。

4.如权利要求1所述的基于混合转移学习的无标记细胞分类筛查系统，其特征在于：

根据正常细胞和癌变细胞的平均准确性-细胞系样本特征所占总特征比例曲线的交叉位置，进行转移数据特征向量的混合比例设定。

5.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如下步骤：

获取二维光散射视频数据样本，对获取的样本进行预处理，得到去除杂质后的图像数据；

其中，对获取的样本进行预处理，包括：

对视频数据逐帧拆分图像数据，对得到的图像数据进行过滤处理；

每张图像数据经形态学算法与粒度分析算法处理获得图像形态学粒度特征值，判断特征值是否符合标准，若符合则保留该图像，否则将图像剔除；具体的，对图像的形态与粒度特征进行门限判别，若在均值为中心的预设比例的区间内则保留图像，否则作为杂质进行剔除；

利用一个训练好的机器学习模型对保留的图像进行进一步的过滤；

将筛选后的图像数据按照金标准进行分类并设置标签；

根据带有预训练参数的第一卷积神经网络以及得到的图像数据和标签，得到图像数据的特征向量；

将得到的特征向量输入到预设支持向量机模型中，得到细胞分类筛查结果；

其中，预设的支持向量机模型由样本数据特征向量和细胞系数据特征向量混合得到的转移数据特征向量训练得到；

具体的，根据自然图像训练第二卷积神经网络，将第二卷积神经网络的预训练参数转移给第一卷积神经网络；

根据自然图像训练第二卷积神经网络，将第二卷积神经网络的预训练参数转移给第三卷积神经网络，第三卷积神经网络以细胞系数据为输入，得到细胞系数据特征向量，将细胞系特征向量按比例转移给临床样本特征向量集，利用转移后的特征向量集训练支持向量机模型。

6.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如下步骤：

获取二维光散射视频数据样本，对获取的样本进行预处理，得到去除杂质后的图像数据；

其中，对获取的样本进行预处理，包括：

对视频数据逐帧拆分图像数据，对得到的图像数据进行过滤处理；

每张图像数据经形态学算法与粒度分析算法处理获得图像形态学粒度特征值，判断特征值是否符合标准，若符合则保留该图像，否则将图像剔除；具体的，对图像的形态与粒度特征进行门限判别，若在均值为中心的预设比例的区间内则保留图像，否则作为杂质进行剔除；

利用一个训练好的机器学习模型对保留的图像进行进一步的过滤；

将筛选后的图像数据按照金标准进行分类并设置标签；

根据带有预训练参数的第一卷积神经网络以及得到的图像数据和标签，得到图像数据的特征向量；

将得到的特征向量输入到预设支持向量机模型中，得到细胞分类筛查结果；

其中，预设的支持向量机模型由样本数据特征向量和细胞系数据特征向量混合得到的转移数据特征向量训练得到；

具体的，根据自然图像训练第二卷积神经网络，将第二卷积神经网络的预训练参数转移给第一卷积神经网络；

根据自然图像训练第二卷积神经网络，将第二卷积神经网络的预训练参数转移给第三卷积神经网络，第三卷积神经网络以细胞系数据为输入，得到细胞系数据特征向量，将细胞系特征向量按比例转移给临床样本特征向量集，利用转移后的特征向量集训练支持向量机模型。