[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

说明书

本发明提供了一种基于混合转移学习的无标记细胞分类筛查系统，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；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；实现了数据的全自动处理，减少了现实样本的使用量和对现实样本的依赖性。

技术领域

本发明涉及生物医学检测技术领域，特别涉及一种基于混合转移学习的无标记细胞分类筛查系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术，并不必然构成现有技术。

细胞分类与样本筛查在社会生活中具有广泛应用，特别是在临床疾病样本筛查方面。传统的细胞分类与样本筛查技术主要依靠有经验的专家依据细胞形态特征及荧光特征进行手工筛查。以临床宫颈癌筛查为例，临床上对宫颈癌样本的检测主要借助于巴氏涂片检测技术以及液基细胞学检测技术。两种检测技术主要基于宫颈细胞形态变化，经细胞染色后由有经验的阅片医生进行人工阅片来判断。相比于巴氏涂片技术，液基细胞学技术可以获得更优质与清晰地细胞图片，有效的提高了宫颈癌筛查的敏感性(真阳性)、特异性(真阴性)。但仍然需要依赖经验丰富的病理学医师阅片存在一定的主观性，且耗费较大量的人力成本。此外，许多细胞的鉴别分类依赖于荧光标记，但荧光染料价格昂贵操作复杂，并且对细胞具有一定的毒性。这常被认为是荧光方法的限制性因素。所以，全自动、高准确率、无标记的细胞检测与样本筛查方法具有重要意义与社会应用价值。

深度学习作为近年来发展迅速的人工智能技术，被广泛应用到生物医学领域。计算机的参与在一定程度上有效的减少了人力成本，并且检测结果给用户提供了更多参考，对于提高工作效率以及判断准确率产生了积极的影响。

但是，发明人发现，性能优异的深度学习技术通常需要大量训练图片和手工标注的金标准作为支撑。然而很多实际样本，比如临床样本的获取较为困难，特别是在所需样本量巨大的情况下，往往很难满足深度学习所需数据量；其次由于实际样本中细胞的复杂性，包含有较多的杂质等非细胞干扰物，严重影响深度学习分类的准确性。并且针对实际样本中每一个细胞的金标准标定是一项难以完成的任务，这使得其在实际样本筛查中较难应用。

发明内容

为了解决现有技术的不足，本发明提供了一种基于混合转移学习的无标记细胞分类筛查系统，实现了数据的全自动处理，减少了人力资源成本，通过自然图片数据训练参数的转移以及细胞系数据特征的转移和应用，有效的减少了现实样本的使用量和对现实样本的依赖性；通过对二维光散射图样的分析，有效实现了细胞的无标记分类，摆脱了对荧光标记的依赖性。

为了实现上述目的，本发明采用如下技术方案：

第一方面，本发明提供了一种基于混合转移学习的无标记细胞分类筛查系统。

一种基于混合转移学习的无标记细胞分类筛查系统，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；

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。