[发明专利]基于并行神经网络的肺部细胞图像分类方法

权利要求书

1.基于并行神经网络的肺部细胞图像分类方法，其特征在于，包括以下步骤：

步骤1：获取肺部细胞图像，对其中的肺部细胞进行染色、标注；

步骤2：对细胞图像的染色区域进行聚类，消除噪点，分割出单个细胞图像；

步骤3：根据细胞图像，计算细胞特征，识别细胞图像的噪声；

步骤4：构建包含残差网络、金字塔网络的并行神经网络，并进行训练；

步骤5：将待检测的肺部细胞图像输入到并行神经网络，根据并行神经网络的输出数据，得到肺部细胞图像分类结果。

2.根据权利要求1所述的肺部细胞图像分类方法，其特征在于，步骤2包括以下子步骤：

步骤2.1：使用k-means聚类方法对细胞图片中的染色区域进行像素聚类；

步骤2.2：根据色调、饱和度、明度HSV参数对细胞图片进行区域提取，以椭圆形状进行形态学开操作，消除噪点；

步骤2.3：对细胞图片进行分割，每个分割细胞单独生成512x512像素的图片，并保持分割后的细胞的相对位置关系不变。

3.根据权利要求2所述的肺部细胞图像分类方法，其特征在于，步骤2使用分水岭算法对细胞图片进行细胞边缘检测，分割出单个细胞图像，具体过程如下：

(1)将彩色图像转换为灰度图像，采用大津阈值对像素点的灰度值进行分类，将灰度图二值化，其中背景为0，细胞核为1；

(2)针对步骤(1)得到的背景区域可能会存在噪点的情况，采用3x3的矩形核对图片进行两次开操作，用以消除噪点；

{3)对步骤(2)得到的图像，采用8x8的矩形核进行两次膨胀操作，即可得到确定的背景区域；

(4)对步骤(2)得到的图像，计算白色区域每一个像素点到黑色区域的最近距离，用这个距离值替换像素值，对其进行二值处理，设置得到确定的前景区域，即分水岭算法中的种子；

(5)使用步骤(3)得到的背景区域减去步骤(4)得到的前景区域，就得到了细胞边界存在的区域，称为未知区域；

(6)根据确定的背景区域、确定的背景区域和未知区域创建标记markers；

(7)根据标记markers对原图像进行分水岭分割，将背景区域加入种子区域，从种子区域开始，均匀向四周漫水，随着水平面不断增高，为防止阈值像素点被淹没，在这些像素点上设置大坝，最后所有的区域都在分水岭线上相遇，这些大坝就是图像分割的边界。

4.根据权利要求2所述的肺部细胞图像分类方法，其特征在于，步骤3中，所述计算细胞特征，具体包括：

1)计算细胞的面积S；

2)计算细胞像素弧度长度，计算得到细胞周长P；

3)使用最小外接矩阵获取细胞长W和宽H；

4)计算细胞矩形度，细胞矩形度的计算公式如下：

R＝S/(W*H)

式中R表示细胞矩形度；

5)计算细胞圆形度，细胞圆形度的计算公式如下：

C＝P*P/S

式中C表示细胞圆形度；

6)计算细胞偏心率，细胞偏心率的计算公式如下：

E＝W/H

式中E表示细胞偏心率。

5.根据权利要求2所述的肺部细胞图像分类方法，其特征在于，步骤4中，所述残差网络为ResNet50。

6.根据权利要求2所述的肺部细胞图像分类方法，其特征在于，步骤4通过数据增强获取均衡的肺癌细胞、正常细胞和噪声3类图像的数据集，作为并行神经网络的训练数据，用于并行神经网络的训练。

7.根据权利要求2所述的肺部细胞图像分类方法，其特征在于，将训练数据中堆叠的无法分割的多个细胞和图片边缘不完整细胞标记为噪声，以提高并行神经网络对癌细胞的识别准确率，避免将质量不好的细胞图像误检为癌细胞。