[发明专利]一种组织病理图像识别方法

摘要

本发明公开了一种组织病理图像识别方法，包括以下步骤：选取无病和有病训练样本，无病和有病测试样本；结合无病训练样本和有病训练样本，建立无病字典学习模型和有病字典学习模型，交替迭代优化两个目标函数，直到达到最大迭代次数为止，学习得到无病字典和有病字典；利用无病字典和有病字典，对测试样本进行稀疏表示，分别计算测试样本在无病字典和有病字典下的稀疏重构误差向量；通过稀疏重构误差向量获得分类统计量，通过分类统计量与阈值的比较确定测试样本的类别。本发明对字典学习在组织病理图像分类中的应用提出了新的模型和方法，学习出的带类标字典对同类样本具有较好的稀疏重构性与类内鲁棒性，对非同类样本具有较好的类间判别性。

主权项

一种组织病理图像识别方法，包括以下步骤：步骤一，从某一组织的无病和有病两种图像中分别选取若干图像块作为无病和有病训练样本，无病和有病测试样本；步骤二，优化学习无病字典：结合无病训练样本和有病训练样本，建立无病字典学习模型，通过两步交替迭代的优化方式最小化目标函数，学习得到无病字典；步骤三，优化学习有病字典：结合有病训练样本和无病训练样本，建立有病字典学习模型，通过两步交替迭代的优化方式最小化目标函数，学习得到有病字典；步骤四，判断是否达到最大迭代次数，若是，则进入步骤五，若不是，则返回步骤二；步骤五，获得测试样本的重构误差向量：利用获得的无病字典和有病字典，对测试样本进行稀疏表示，然后分别计算测试样本在无病字典和有病字典下的稀疏重构误差向量；步骤六：获得测试样本的分类结果：通过稀疏重构误差向量获得分类统计量，然后通过分类统计量与阈值的比较确定测试样本的类别。