本申请涉及图像处理,特别是涉及一种癌细胞种类识别装置。
背景技术:
1、癌细胞具有类型多、细胞来源、分化程度复杂、组织形态多样的特点。分辨识别癌细胞种类是癌症诊断治疗过程中的重要环节,需要消耗医生大量的时间与精力的同时,也需要医疗从业者丰富的经验和知识。
2、对于不同癌细胞组织种类的诊断识别,不仅需要依靠医疗从业者自身素质等因素,还受到医疗资源供给的影响,对癌细胞组织种类的高质量的诊断对于患者的治疗起到重要的作用。传统的癌细胞种类识别一般通过阈值分割和边缘分割方法完成细胞分割,而后提取包括描述形态和染色质特征的手工特征,最后通过分类器进行特征分类,完成种类识别。
3、但分割算法难以对细胞进行精准分割,在完成分割后,手工特征以非监督的方式获取,容易忽略重要的特征信息,两者均易导致对癌细胞种类识别的准确性降低。
技术实现思路
1、本申请实施例提供了一种癌细胞种类识别装置,以解决现有技术中通过细胞分割、手工特征的提取及分类器分类识别的方式进行癌细胞的种类识别,对癌细胞种类识别的准确性较低的技术问题。
2、本申请实施例提供了一种癌细胞种类识别装置,包括处理模块、融合模块、构建模块、训练模块及执行模块;
3、所述处理模块用于获取包括若干个初始癌细胞医疗图像的初始样本集,对所述初始样本集进行预处理,以获取包括若干个阶段癌细胞医疗图像的阶段样本集;
4、所述融合模块用于构建与所述初始癌细胞医疗图像对应的第一图像矩阵,并构建与所述阶段癌细胞医疗图像对应的第二图像矩阵,所述第一图像矩阵包括若干个第一像素,所述第二图像矩阵包括若干个与所述第一像素对应的第二像素,基于所述第一像素及所述第二像素获取权重像素,若干个所述权重像素构成与最终癌细胞医疗图像对应的最终图像矩阵,若干个所述最终图像矩阵构成最终样本集,所述最终样本集与包括若干个癌细胞种类的类别集对应;
5、所述构建模块用于构建包括若干个卷积层的初始识别神经网络,通过所述最终样本集构建dtw距离差异性损失函数,并通过所述最终样本集及所述类别集构建交叉熵损失函数;
6、所述训练模块用于通过所述最终样本集、类别集、所述dtw距离差异性损失函数及所述交叉熵损失函数训练所述初始识别神经网络,以获取最终识别神经网络;
7、所述执行模块用于获取待分类癌细胞医疗图像,将所述待分类癌细胞医疗图像作为输入值输入所述最终识别神经网络,以获取所述待分类癌细胞医疗图像的种类识别结果。
8、进一步地,所述预处理包括高斯滤波降噪处理。
9、进一步地,所述权重像素的获取公式为:
10、,
11、其中,表示权重像素,表示第一像素,表示第二像素,表示权重值。
12、进一步地,所述构建包括若干个卷积层的初始识别神经网络的步骤具体为:
13、构建若干个卷积层,以形成卷积复合层,构建与所述卷积复合层连接的全局最大池化层,构建与所述全局最大池化层连接的全连接层,所述全连接层的输出维度等于所述类别集内所述癌细胞种类的数量,所述卷积复合层、所述最大池化层、所述全连接层构成初始识别神经网络。
14、进一步地,所述通过所述最终样本集构建dtw距离差异性损失函数的步骤包括:
15、对所述最终样本集内全部的所述最终图像矩阵进行展平处理,以获取若干个图像序列;
16、将某一所述图像序列选定为标准序列,并自所述类别集中将与所述标准序列对应的所述癌细胞种类选定为标准种类,将与所述标准种类对应的另一所述图像序列选定为正样本序列;
17、自所述类别集中选取某一所述癌细胞种类为对照种类,所述对照种类不同于所述标准种类,将与所述对照种类对应的某一所述图像序列选定为负样本序列;
18、计算所述标准序列与所述正样本序列之间的第一dtw距离,并计算所述标准序列与所述负样本序列之间的第二dtw距离;
19、基于所述第一dtw距离及所述第二dtw距离构建dtw距离差异性损失函数。
20、进一步地,所述标准序列的表达式为:
21、,
22、其中,表示标准序列,表示与标准序列对应的最终图像矩阵中第m行第n列的权重像素;
23、所述正样本序列的表达式为:
24、,
25、其中,表示正样本序列,表示与正样本序列对应的最终图像矩阵中第m行第n列的权重像素;
26、所述第一dtw距离的计算公式为:
27、,
28、其中,表示第一dtw距离,表示与标准序列对应的最终图像矩阵中第m行第n列的权重像素及与正样本序列对应的最终图像矩阵中第m行第n列的权重像素之间的欧式距离,表示与标准序列对应的最终图像矩阵中第m行第n列的权重像素及与正样本序列对应的最终图像矩阵中第m行第n-1列的权重像素之间的dtw距离,表示与标准序列对应的最终图像矩阵中第m行第n-1列的权重像素及与正样本序列对应的最终图像矩阵中第m行第n-1列的权重像素之间的dtw距离,表示与标准序列对应的最终图像矩阵中第m行第n-1列的权重像素及与正样本序列对应的最终图像矩阵中第m行第n列的权重像素之间的dtw距离。
29、进一步地,所述dtw距离差异性损失函数为:
30、,
31、其中,表示dtw距离差异性损失函数,表示批处理大小,表示第一dtw距离,表示第二dtw距离,表示标准序列,表示正样本序列,表示负样本序列,表示预设超参数。
32、进一步地,所述交叉熵损失函数为:
33、,
34、其中,表示交叉熵损失函数,及均表示批处理大小,表示指数函数,表示模型输出为与第r个图像序列对应的真实癌细胞种类,表示模型输出为与第r个图像序列未对应的其他癌细胞种类。
35、相比于现有技术,本发明的有益效果在于:通过所述初始样本集及所述阶段样本集构建作为模型训练用的所述最终样本集,其有效的保持了图像的纹理特征,提高了所述最终识别神经网络的精度;通过设置包括若干个所述卷积层的所述最终识别神经网络进行癌细胞种类识别,其不依靠手工特征进行分类,直接提取图像的深层特征进行识别,提高了对癌细胞种类识别的准确度;通过dtw距离差异性损失函数,利用dtw算法的抗形变、抗干扰能力强的特点,克服了因癌细胞组织来源多样、细胞形态复杂、种类繁等特性带来的识别干扰,提高了所述最终识别神经网络的精确度和鲁棒性,减轻了医疗资源负担。
36、本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
1.一种癌细胞种类识别装置,其特征在于,包括处理模块、融合模块、构建模块、训练模块及执行模块;
2.根据权利要求1所述的癌细胞种类识别装置,其特征在于,所述预处理包括高斯滤波降噪处理。
3.根据权利要求1所述的癌细胞种类识别装置,其特征在于,所述权重像素的获取公式为:
4.根据权利要求1所述的癌细胞种类识别装置,其特征在于,所述构建包括若干个卷积层的初始识别神经网络的步骤具体为:
5.根据权利要求1所述的癌细胞种类识别装置,其特征在于,所述通过所述最终样本集构建dtw距离差异性损失函数的步骤包括:
6.根据权利要求5所述的癌细胞种类识别装置,其特征在于,所述标准序列的表达式为:
7.根据权利要求5所述的癌细胞种类识别装置,其特征在于,所述dtw距离差异性损失函数为:
8.根据权利要求1所述的癌细胞种类识别装置,其特征在于,所述交叉熵损失函数为: