[发明专利]基于深度学习的皮肤活检图像病理特性识别方法

摘要

本发明涉及一种基于深度学习的皮肤活检图像病理特性识别方法，利用多层堆叠自动编码器对活检图像进行特征的重新表达，同时利用一系列的卷积神经网络对图像特征按层进行卷积和采样，得到原始皮肤活检图像的一个抽象特征表达；把由多层堆叠自动编码器和卷积神经网络得到的特征进行拼接，最后由一个多路神经网络完成病理特性的识别。本发明通过深度学习模型提取抽象概念表达，对图像的色差、光照、放大倍数等因素有很强的适应性，从而大幅提升计算机对皮肤活检图像的病理特性识别的准确性。

主权项

1.基于深度学习的皮肤活检图像病理特性识别方法，其特征在于，具体步骤如下：S1.将原始的皮肤活检图像保存为一个256阶的灰度矩阵，其中矩阵的维数为m×m；S2.把以m×m灰度矩阵表示的皮肤活检图像按行拉伸成一个一维向量，使用3层的堆叠自动编码器进行重新表达，得到n1维的特征向量f1；S3.构建一个包括输入层I、卷积层C1、采样层S1、卷积层C2、采样层S2、卷积层C3、采样层S3、卷积层C4、采样层S4的多层卷积神经网络，对输入的图像进行特征提取；步骤S3实现过程如下：(1)输入层的维数与图像大小相等，为m×m；在卷积层C1上进行多通道卷积操作，产生特征映射矩阵通过采样层S1进行区域元素求和、加权、加偏移，并通过sigmoid函数进行非线性化；(2)通过C2卷积层上进行多通道卷积操作，产生特征映射矩阵通过采样层S2进行区域元素求和、加权、加偏移，并通过sigmoid函数进行非线性化；(3)通过C3卷积层上进行多通道卷积操作，产生特征映射矩阵通过采样层S3进行区域元素求和、加权、加偏移，并通过sigmoid函数进行非线性化；(4)通过C4卷积层上进行多通道卷积操作，产生特征映射矩阵通过采样层S4进行区域元素求和、加权、加偏移，并通过sigmoid函数进行非线性化，此时得到了原始像素的一个抽象非线性化特征表达向量；所述卷积层使用公式为：(Cic)ab＝sig(ωic×conv(Aab，Kic)+bic)   (4.1)所述采样层使用公式为：Sis＝sig(ωis×conv(Bab，ones(|Bab|，|Bab|)/4)+bis)   (4.2)对于公式(4.1)，C_ic表示第c个卷积层的第i个通道的卷积结果；(C_ic)_ab表示矩阵C_ic的第a行第b列的元素值；sig表示sigmoid函数，其表达式为ω_ic为输入到第c个卷积层第i个通道的加权值；×为四则运算的乘号；A_ab是以卷积核为大小的滑动窗口在原图像矩阵I上的滑动值，其大小与卷积核一样；K_ic为第c个卷积层的第i个通道的卷积核；conv为标准的矩阵卷积运算；b_ic为第c个卷积层的第i个通道的偏移；对于公式(4.2)，Sis表示第c个卷积层的第i个通道的采样结果；sig函数和conv函数的含义同公式(4.1)；ωis为上一个卷积层的第i个通道到第s个采样层的加权值；Bab为上一个卷积层的第i个通道结果的不重叠滑动窗口的值；ones(x，y)是一个能够产生x行y列的全1矩阵的函数；/为普通的除法；bis为上一个采样层的第i个通道到第s个采样层的偏移；S4.把卷积经网络的输出与堆叠自动编码器的输出组成的特征向量输入到一个标准的多路输出神经网络中，对活检图像的病理特性做出判断。