基于生成对抗网络的生物组织图像的自动分类方法和系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115019100A(43)申请公布日2022.09.06(21)申请号202210674548.9G06N3/08(2006.01)(22)申请日2022.06.14G06K9/62(2022.01)(71)申请人新乡医学院地址453000河南省新乡市红旗区新延路(72)发明人庞婷王昌郭绍永张景航蔡海洋王红云(74)专利代理机构北京绘聚高科知识产权代理事务所(普通合伙)11832专利代理师罗硕(51)Int.Cl.G06V10/764(2022.01)G06V10/25(2022.01)G06V10/774(2022.01)G06V10/82(2022.01)G06N3/04(2006.01)权利要求书2页说明书11页附图7页(54)发明名称基于生成对抗网络的生物组织图像的自动分类方法和系统(57)摘要本发明公开一种基于生成对抗网络的生物组织图像的自动分类方法和系统，其中，生物组织图像的自动分类方法包括：获取生物组织图像；根据图像分类所需的生物组织特征对生物组织图像进行图像预处理，得到目标图像数据集；使用目标图像数据集训练生成对抗网络，生成图像数据合集；使用目标图像数据集和图像数据合集，训练卷积神经网络模型；当卷积神经网络模型训练完成时，使用卷积神经网络模型对生物组织图像进行图像分类。本发明的技术方案能解决现有技术中合成的生物组织图像在解释合成原理方面存在局限，导致生成的生物组织图像模糊，进而导致神经网络的训练水平不高，神经网络的分类准确性较差的问题。CN115019100ACN115019100A权利要求书1/2页1.一种基于生成对抗网络的生物组织图像的自动分类方法，其特征在于，包括：获取生物组织图像；根据图像分类所需的生物组织特征对所述生物组织图像进行图像预处理，得到目标图像数据集；使用所述目标图像数据集训练生成对抗网络，生成图像数据合集；使用所述目标图像数据集和所述图像数据合集，训练卷积神经网络模型；当所述卷积神经网络模型训练完成时，使用所述卷积神经网络模型对所述生物组织图像进行图像分类。2.根据权利要求1所述的生物组织图像的自动分类方法，其特征在于，所述使用目标图像数据集训练生成对抗网络，生成图像数据合集的步骤，包括：使用所述生成对抗网络中的生成器，根据所述生物组织特征生成伪生物组织图像；使用所述生成对抗网络中的分类器，从所述伪生物组织图像和所述目标图像数据集中识别真生物组织图像；将所述伪生物组织图像和所述真生物组织图像输入至所述生成对抗网络中的鉴别器进行分类；根据所述鉴别器的分类结果训练所述生成器；当所述生成器训练完成时，使用所述生成器生成所述图像数据合集。3.根据权利要求2所述的生物组织图像的自动分类方法，其特征在于，所述根据生物组织特征生成伪生物组织图像的步骤，包括：生成与所述生物组织特征对应的标签码；将所述标签码嵌入至所述目标图像数据集的真生物组织图像，得到与所述生物组织特征对应的标签通道；将所述标签通道以及所述真生物组织图像对应的噪声信息输入至所述生成器，生成带有所述标签码的伪生物组织图像。4.根据权利要求3所述的生物组织图像的自动分类方法，其特征在于，所述根据鉴别器的分类结果训练所述生成器的步骤，包括：设置所述鉴别器的生物组织特征识别精度；控制所述鉴别器根据所述生物组织特征识别精度，对输入的所述伪生物组织图像和真生物组织图像进行分类；使用所述标签码校验所述鉴别器的分类结果，若预定次数内所述鉴别器将带有标签码的伪生物组织图像均识别为真生物组织图像，则确定所述生成器训练完成。5.根据权利要求1所述的生物组织图像的自动分类方法，其特征在于，所述根据图像分类所需的生物组织特征对所述生物组织图像进行图像预处理的步骤，包括：按照所述生物组织特征截取预定像素面积的所述生物组织图像，得到与所述生物组织特征对应的感兴趣区域；使用数据增强技术翻转所述感兴趣区域，得到与所述感兴趣区域对应的多组目标图像；对每幅生物组织图像执行上述操作，得到包含所述目标图像的目标图像数据集。6.根据权利要求1所述的生物组织图像的自动分类方法，其特征在于，所述使用目标图2CN115019100A权利要求书2/2页像数据集和图像数据合集，训练卷积神经网络模型的步骤，包括：根据所述生物组织特征对应的图像类型，构建卷积神经网络模型；将所述目标图像数据集和所述图像数据合集作为训练集、训练所述卷积神经网络模型；当所述卷积神经网络模型的训练次数达到预设最大训练次数时，则确定所述卷积神经网络模型训练完成。7.根据权利要求1或6所述的生物组织图像的自动分类方法，其特征在于，所述使用卷积神经网络模型对生物组织图像进行图像分类的步骤，包括：将所述生物组织图像输入至所述卷积神经网络模型；使用所述卷积神经网络