[发明专利]一种基于显微高光谱成像技术的组织切片分类方法

摘要

本发明提供一种基于显微高光谱成像技术的组织切片分类方法。该方法首先对显微高光谱数据进行预处理，从而消除噪声影响，并消除数据冗余；建立并训练三类卷积神经网络(CNN)模型；其中一维CNN模型实现光谱维的特征提取与分类，二维CNN模型和三维CNN模型分别实现图谱‑光谱维的联合特征提取与分类；针对实际待测显微高光谱图像，通过定量定性分析以及模型输出结果的表决，得到最终分类结果。本发明利用深度学习的卷积神经网络模型对两者进行深层特征的提取与分类，提高整体分类精度与速度的同时，完善了对病理切片的自动化数据采集与分类过程。

主权项

1.一种基于显微高光谱成像技术的组织切片分类方法，其特征在于，包括以下步骤：1)系统建模1.1)对训练集的显微高光谱数据进行预处理，从而消除噪声影响，并消除数据冗余；1.2)三类卷积神经网络(CNN)模型的训练1.2a)一维CNN模型建立CNN模型，将预处理后的数据输入到CNN模型中，针对所述预处理后的数据中的一维光谱曲线训练CNN模型，从而实现光谱维的特征提取与分类；其中，根据样本数量和光谱维度确定大致网络层数，随后根据训练结果对网络结构进行调整，调节各层参数优化网络模型；1.2b)二维CNN模型借鉴步骤3a)确定的模型参数和结构，建立一个二维CNN模型；对预处理后的数据进行主成分分析(PCA)，选取前m个主成分作为原始图像的近似表达，将当前像素的K×K个邻域像素点作为二维CNN模型的输入；经过训练后，所述预处理后的数据被转化为一系列特征向量；另外，从预处理后的数据中提取谱线特征；将这两方面的特征共同输入LR层进行分类，从而实现图谱‑光谱维的联合特征提取与分类；1.2c)三维CNN模型借鉴步骤1.2a)和步骤1.2b)确定的模型参数和结构，建立一个三维CNN模型；将当前像素的K×K×b个邻域作为三维CNN模型的输入，其中b是谱段数，经过训练后，将得到的一系列特征向量输入LR层进行分类，从而实现图谱‑光谱维的联合特征提取与分类；2)针对实际待测显微高光谱图像的组织切片分类参照步骤1.1)，对实际待测显微高光谱数据进行预处理；对预处理后的数据进行定量定性分析，根据样本数量以及光谱特征，评估只进行光谱维特征提取与分类是否能够满足要求；如果是，则将预处理后的数据输入步骤1.2a)训练后的一维CNN模型，实现光谱维的特征提取与分类，该模型输出的分类结果作为最终分类结果；如果否，则分别参照步骤1.2b)和步骤1.2c)，通过训练后的二维CNN模型和三维CNN模型实现图谱‑光谱维的联合特征提取与分类；最后对两个模型输出的分类结果进行表决，得到最终分类结果。