本發(fā)明屬于腫瘤切片判定領(lǐng)域，具體涉及一種胃部腫瘤細胞圖像識別判定裝置、識別判定方法及胃部腫瘤切片識別判定設(shè)備。

背景技術(shù)：

目前，人工智能技術(shù)蓬勃發(fā)展，其中深度學(xué)習(xí)已經(jīng)成為當(dāng)下人工智能的“頂梁柱”，尤其是谷歌于2016年1月在自然雜志上正式公開發(fā)表論文，宣布其alphago的電腦程序。更在2016年3月進行的圍棋人機大戰(zhàn)中，阿爾法狗(alphago)最終以4:1戰(zhàn)勝了韓國名將李世石九段，引起了全世界的廣泛關(guān)注，也讓神經(jīng)科學(xué)和深度學(xué)習(xí)等概念再次進入了公眾的視野，由此引發(fā)了深度學(xué)習(xí)的應(yīng)用熱潮。而卷積神經(jīng)網(wǎng)絡(luò)(constitutionalneuralnetworks,cnn)正是目前深度學(xué)習(xí)中使用最為廣泛且有效的算法，它是在多層神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上發(fā)展起來的對圖像分類和識別非常有效的一種深度學(xué)習(xí)方法。在2015年的imagenet挑戰(zhàn)賽上，圖像識別準(zhǔn)確率機器首次超過了人類。2016年，imagenet競賽，圖像識別錯誤率進一步下降，錯誤率今年的最好成績?yōu)椋浩骄e誤率0.02991，也就是2.99％左右，這說明cnn在圖像識別上的應(yīng)用前景非常值得期待。

在癌癥發(fā)病率逐年上升的情況下，現(xiàn)在醫(yī)院診斷腫瘤主要還是由醫(yī)生人工去辨別醫(yī)學(xué)顯微圖像，這就要求檢測人員或醫(yī)師具有豐富的臨床經(jīng)驗，但這樣的診斷方式存在著工作效率低，強度大，易疲勞和產(chǎn)生人為誤差等諸多缺點，因此在醫(yī)學(xué)圖像分類識別包括各種腫瘤細胞的分類識別方面，國內(nèi)外學(xué)者都做了很多相關(guān)的研究，取得了不小的進展，但在識別準(zhǔn)確率和運行速率上還不盡如人意，離智能醫(yī)療診斷產(chǎn)業(yè)化還有不小的距離。在目前智能產(chǎn)業(yè)化發(fā)展迅猛的勢頭下，智能醫(yī)療診斷產(chǎn)業(yè)化是必然的趨勢，而腫瘤細胞圖像的分類識別是其重要核心之一，因此，腫瘤細胞圖像識別的研究有著重大的意義。

腫瘤細胞圖像作為一種自然圖像，一方面由于組織器官形狀的不規(guī)則性以及不同細胞類的差異性，細胞的結(jié)構(gòu)、形狀、稀疏程度、排列形狀等，都會有非常大的差異，具有較大的復(fù)雜性；另一方面又因為其自身的性質(zhì)使得它的高階統(tǒng)計特性具有非高斯分布的特點，含有較多的冗余信息。這使得模式識別中一般的線性方法難以解決腫瘤細胞圖像復(fù)雜性的問題，因此很多學(xué)者嘗試用非線性的模式識別方法來解決。常用的非線性方法主要有主成分分析、小波分析、壓縮感知、字典學(xué)習(xí)、聚類、流形學(xué)習(xí)以及尺度不變特征轉(zhuǎn)換(sift)、決策樹、svm、人工神經(jīng)網(wǎng)絡(luò)等這幾大類，每一種分類方法都有其自身的特性和優(yōu)點，但是在識別準(zhǔn)確率和速率上均有待于提高。

此外，傳統(tǒng)的胃腫瘤細胞圖像識別依據(jù)經(jīng)驗人為地從細胞圖像中提取特征，再在該特征上進行分類識別，這種方式存在盲目性、操作復(fù)雜和分類精度低等缺陷。

技術(shù)實現(xiàn)要素：

本發(fā)明是為了解決上述問題而進行的，通過提供一種同時含有卷積神經(jīng)網(wǎng)絡(luò)和量子自組織神經(jīng)網(wǎng)絡(luò)的胃部腫瘤細胞圖像識別判定裝置以及胃部腫瘤切片識別判定設(shè)備，來解決傳統(tǒng)的腫瘤細胞識別方法存在的盲目性、復(fù)雜性、分類精度低的問題。為了實現(xiàn)上述目的，本發(fā)明提供了下述技術(shù)方案：

本發(fā)明提供了一種胃部腫瘤細胞圖像識別判定裝置，采用n個被醫(yī)生做出判定并且由正常胃部細胞圖像、增生胃部細胞圖像以及癌變胃部細胞圖像組成的已知類別的胃部細胞圖像集進行識別訓(xùn)練，并基于識別訓(xùn)練結(jié)果對該n個已知類別的胃部細胞圖像取自相同組織的待檢胃部細胞圖像進行識別判定，具有這樣的技術(shù)特征：包括圖像導(dǎo)入部，用于導(dǎo)入n個已知類別的胃部細胞圖像或待檢胃部細胞圖像；預(yù)處理部，對每個已知類別的胃部細胞圖像以及待檢胃部細胞圖像進行灰度化處理得到灰度圖像，并根據(jù)一定方法對灰度圖像的維度進行縮放；特征提取部，采用具有一定層數(shù)的卷積神經(jīng)網(wǎng)絡(luò)對每個縮放后的灰度圖像進行多層特征提取，并將每層提取的特征進行降維，然后串聯(lián)融合得到圖像的特征矩陣；訓(xùn)練識別判定部，將n個已知類別的胃部細胞圖像的特征矩陣作為訓(xùn)練集按預(yù)定訓(xùn)練參數(shù)的預(yù)定值對量子自組織神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，并采用該被訓(xùn)練好的量子自組織神經(jīng)網(wǎng)絡(luò)對每個待檢胃部細胞圖像的特征矩陣進行識別，對待檢胃部細胞圖像屬于正常細胞圖像、增生細胞圖像還是癌變細胞圖像進行判定，以及結(jié)果顯示部，顯示訓(xùn)練識別判定部的判定結(jié)果。其中，卷積神經(jīng)網(wǎng)絡(luò)的層數(shù)至少為五。預(yù)定訓(xùn)練參數(shù)包括量子自組織神經(jīng)網(wǎng)絡(luò)的競爭節(jié)點、鄰域半徑、學(xué)習(xí)速率以及訓(xùn)練次數(shù)，競爭節(jié)點為220～230、鄰域半徑為4～5、學(xué)習(xí)速率不小于1.0、訓(xùn)練次數(shù)為75～100。

本發(fā)明提供的胃部腫瘤細胞圖像識別判定裝置中，還可以具有這樣的特征：還包括歸一化處理部，將已知類別的胃部細胞圖像以及待檢胃部細胞圖像轉(zhuǎn)換成相應(yīng)的唯一標(biāo)準(zhǔn)形式。

本發(fā)明提供的胃部腫瘤細胞圖像識別判定裝置中，還可以具有這樣的特征：當(dāng)所述訓(xùn)練識別判定部判定將所述待檢胃部細胞圖像不屬于正常細胞圖像、增生細胞圖像以及癌變細胞圖像中的任一種圖像時，也將該待檢胃部細胞圖像設(shè)定為癌變細胞圖像。

本發(fā)明提供的胃部腫瘤細胞圖像識別判定裝置中，還可以具有這樣的特征：預(yù)處理部根據(jù)下式對每個腫瘤細胞圖像進行灰度化處理：

y＝0.3r+0.59g+0.11b

其中，y在yuv的顏色空間中指代點的亮度，r、g、b分別指代rgb顏色空間中的三個分量，

預(yù)處理部采用雙線性插值算法對所述灰度圖像的維度進行縮放。

本發(fā)明提供的胃部腫瘤細胞圖像識別判定裝置中，還可以具有這樣的特征：卷積神經(jīng)網(wǎng)絡(luò)的層數(shù)為七，包括輸入層、第一卷積層、第一下采樣層、第二卷積層、第二下采樣層、全連接層以及輸出層。第一卷積層的卷積核大小為5×5，得到的特征圖的個數(shù)為六；第一下采樣層和第一卷積層一一對應(yīng)，第一下采樣層的特征圖中的神經(jīng)元與第一卷積層的特征圖以2×2大小連接；第二卷積層的卷積核大小為7×7，特征圖個數(shù)與第一下采樣層的特征圖的維度相同；第二下采樣層和第二卷積層一一對應(yīng)，第二下采樣層的特征圖中的神經(jīng)元與第二卷積層的特征圖以2×2大小連接；全連接層與所述第二下采樣層之間全連接。

本發(fā)明提供的胃部腫瘤細胞圖像識別判定裝置中，還可以具有這樣的特征：特征提取部采用主成分分析法對每層提取的特征進行降維。

本發(fā)明提供的胃部腫瘤細胞圖像識別判定裝置中，還可以具有這樣的特征：訓(xùn)練識別判定部具有：訓(xùn)練調(diào)整單元，將構(gòu)成三個類樣本集合的m張已知類別的胃部細胞圖像的特征矩陣作為訓(xùn)練樣本，按一定公式計算每個訓(xùn)練樣本的競爭獲勝神經(jīng)元j^*，并根據(jù)預(yù)定訓(xùn)練參數(shù)的預(yù)定值調(diào)整競爭獲勝神經(jīng)元j^*的神經(jīng)元權(quán)值，得到與每個類樣本集合相對應(yīng)的獲勝神經(jīng)元集合；驗證判定單元，將構(gòu)成三個類樣本集合的(n-m)張已知類別的胃部細胞圖像的特征矩陣作為驗證樣本，按一定公式計算每個驗證樣本的競爭獲勝神經(jīng)元，并判定該競爭獲勝神經(jīng)元屬于獲勝神經(jīng)元集合中的哪一類；計算設(shè)定單元，對驗證判定單元的結(jié)果準(zhǔn)確率進行計算并在驗證判定單元的結(jié)果準(zhǔn)確率不低于90％時，將訓(xùn)練后的量子自組織神經(jīng)網(wǎng)絡(luò)設(shè)定為識別量子自組織神經(jīng)網(wǎng)絡(luò)；以及識別判定單元，采用該識別量子自組織神經(jīng)網(wǎng)絡(luò)每個待檢胃部細胞圖像的特征矩陣進行識別判定。

本發(fā)明提供的胃部腫瘤細胞圖像識別判定裝置中，還可以具有這樣的特征：競爭節(jié)點為225、所述鄰域半徑為5、所述學(xué)習(xí)速率不小于1.0、所述訓(xùn)練次數(shù)為100。

進一步，本發(fā)明還提供了一種胃部腫瘤細胞圖像識別判定方法，包括如下步驟：采用圖像導(dǎo)入部導(dǎo)入n個已知類別的胃部細胞圖像或待檢胃部細胞圖像；采用預(yù)處理部對每個已知類別的胃部細胞圖像以及待檢胃部細胞圖像進行灰度化處理得到灰度圖像，并根據(jù)一定方法對所述灰度圖像的維度進行縮放；采用特征提取部利用被分成一定層數(shù)的卷積神經(jīng)網(wǎng)絡(luò)對每個縮放后的灰度圖像進行多層特征提取，并將每層提取的特征進行降維，然后串聯(lián)融合得到圖像的特征矩陣；采用訓(xùn)練識別判定部將n個已知類別的胃部細胞圖像的特征矩陣作為訓(xùn)練集按預(yù)定訓(xùn)練參數(shù)的預(yù)定值對量子自組織神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，并采用該被訓(xùn)練好的量子自組織神經(jīng)網(wǎng)絡(luò)對每個待檢胃部細胞圖像的特征矩陣進行識別，對待檢胃部細胞圖像屬于正常細胞圖像、增生細胞圖像還是癌變細胞圖像進行判定；采用結(jié)果顯示部顯示訓(xùn)練識別判定部的判定結(jié)果。

進一步，本發(fā)明還提供了一種胃部腫瘤切片識別判定設(shè)備，具有這樣的技術(shù)特征：包括切片掃描存儲裝置，對胃部腫瘤切片進行掃描獲取胃部腫瘤細胞圖像，并將該胃部腫瘤細胞圖像作為待檢胃部細胞圖像進行存儲；以及胃部腫瘤細胞圖像識別判定裝置，和切片掃描存儲裝置通信連接，采用n個被醫(yī)生做出判定并且由正常胃部細胞圖像、增生胃部細胞圖像以及癌變胃部細胞圖像組成的已知類別的胃部細胞圖像進行識別訓(xùn)練，并基于識別訓(xùn)練結(jié)果對所述待檢胃部細胞圖像進行識別判定。其中，胃部腫瘤細胞圖像識別判定裝置為上述任一項所述的胃部腫瘤細胞圖像識別判定裝置。

發(fā)明的作用與效果

根據(jù)本發(fā)明所提供的胃部腫瘤細胞圖像識別判定裝置、方法及胃部腫瘤切片識別判定設(shè)備，由于胃部腫瘤細胞圖像識別判定裝置的特征提取部，采用被分成至少五層的卷積神經(jīng)網(wǎng)絡(luò)對每個縮放后的所述灰度圖像進行多層特征提取，并將每層提取的特征進行降維，然后串聯(lián)融合得到特征矩陣，其訓(xùn)練識別判定部將n個已知類別的胃部細胞圖像的特征矩陣作為訓(xùn)練集按預(yù)定訓(xùn)練參數(shù)的預(yù)定值對量子自組織神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，使得本發(fā)明的胃部腫瘤細胞圖像識別判定裝置能夠同時發(fā)揮卷積神經(jīng)網(wǎng)絡(luò)在自動提取圖像的顯著特征方面的優(yōu)異性能以及量子自組織神經(jīng)網(wǎng)絡(luò)在模式識別和分類方面的優(yōu)異性能，既能夠從含有大量冗余信息并且具有高度復(fù)雜性的胃部腫瘤細胞圖像中有效的提取顯著特征，又能夠快速的根據(jù)這些顯著特征進行模式識別，進而實現(xiàn)正確分類。

因此，本發(fā)明的胃部腫瘤細胞圖像識別判定裝置避免了傳統(tǒng)識別方法需要人工特征提取和分類過程中復(fù)雜的數(shù)據(jù)重建，在一定程度上能夠取代人工去辨別醫(yī)學(xué)顯微圖像，提高了醫(yī)師的工作效率，緩解了醫(yī)師工作強度大的狀態(tài)。

附圖說明

圖1為本發(fā)明的實施例中胃部腫瘤切片識別判定設(shè)備的結(jié)構(gòu)框圖。

圖2為本發(fā)明的實施例中胃部腫瘤細胞圖像識別判定裝置的結(jié)構(gòu)框圖。

圖3(a)為本發(fā)明的實施例中訓(xùn)練調(diào)整單元的訓(xùn)練畫面的示意圖；圖3(b)為本發(fā)明的實施例中訓(xùn)練調(diào)整單元訓(xùn)練完畢后的訓(xùn)練畫面的示意圖。

圖4(a)為本發(fā)明的實施例中驗證判定單元以及識別判定單元的識別畫面的示意圖；圖4(b)為本發(fā)明的實施例中驗證判定單元以及識別判定單元判定完畢后識別畫面的示意圖。

圖5為本發(fā)明實施例中胃部腫瘤切片識別判定設(shè)備的動作流程圖。

圖6為本發(fā)明實施例中胃部腫瘤細胞圖像識別判定裝置的動作流程圖；

圖7為本發(fā)明實施例中特征提取部以及訓(xùn)練識別判定部的動作流程圖。

具體實施方式

為了使本發(fā)明實現(xiàn)的技術(shù)手段、創(chuàng)作特征、達成目的與功效易于明白了解，以下結(jié)合附圖對本發(fā)明胃部腫瘤細胞圖像識別判定裝置以及胃部腫瘤切片識別判定設(shè)備作具體闡述。

圖1是本發(fā)明所涉及的實施例中胃部腫瘤切片識別判定設(shè)備的結(jié)構(gòu)框圖。

如圖1所示，胃部腫瘤切片識別判定設(shè)備10用于對胃部腫瘤切片進行快速判定，包括切片掃描存儲裝置11以及與其通信連接的胃部腫瘤細胞圖像識別判定裝置12。

切片掃描存儲裝置11包括掃描部13、存儲部14以及掃描側(cè)通信部15。掃描部對w個胃部腫瘤切片逐個進行掃描，獲取w個彩色的胃部腫瘤細胞圖像；存儲部14將該胃部腫瘤細胞圖像作為待檢胃部細胞圖像進行存儲；掃描側(cè)通信部15與胃部腫瘤細胞圖像識別判定裝置12相連接，將待檢胃部細胞圖像向胃部腫瘤細胞圖像識別判定裝置12發(fā)送。

胃部腫瘤細胞圖像識別判定裝置12包括識別判定側(cè)通信部16、圖像導(dǎo)入部17、歸一化處理部18、預(yù)處理部19、特征提取部20、訓(xùn)練識別判定部21、結(jié)果顯示部22、畫面存儲部23、輸入顯示部24、暫存部25以及識別判定側(cè)控制部26。

識別判定側(cè)通信部16和掃描側(cè)通信部15通信連接，用于接收待檢胃部細胞圖像，接收到的待檢胃部細胞圖像被存儲在暫存部25中。

圖像導(dǎo)入部17用于導(dǎo)入存儲在本地的n個已知類別的胃部細胞圖像或待檢胃部細胞圖像。該n個已知類別的胃部細胞圖像已被醫(yī)生做出判定，并且由正常胃部細胞圖像、增生胃部細胞圖像以及癌變胃部細胞圖像組成。

歸一化處理部18將待處理的已知類別的胃部細胞圖像以及待檢胃部細胞圖像原始圖像轉(zhuǎn)換成相應(yīng)的唯一標(biāo)準(zhǔn)形式。

預(yù)處理部19對歸一化處理后的每個已知類別的胃部細胞圖像以及待檢胃部細胞圖像進行灰度化處理得到灰度圖像，并根據(jù)一定方法對灰度圖像的維度進行縮放。已知類別的胃部細胞圖像以及待檢胃部細胞圖像均為原始的彩色腫瘤細胞圖像，圖像的維度非常高。假設(shè)維度為80×60，在預(yù)處理過程中，預(yù)處理部19先根據(jù)y＝0.3r+0.59g+0.11b(y在yuv的顏色空間中指代點的亮度，r、g、b分別指代rgb顏色空間中的三個分量)對圖像進行灰度化處理，然后采用雙線性插值算法將圖像縮放到60×60以保證滿足輸入要求。

特征提取部20包括特征提取部分20a以及降維融合部分20b。特征提取部分20a采用被分成七層的卷積神經(jīng)網(wǎng)絡(luò)對每個縮放后的灰度圖像進行多層特征提取。該卷積神經(jīng)網(wǎng)絡(luò)包括輸入層、第一卷積層c1、第一下采樣層s2、第二卷積層c3、第二下采樣層s4、全連接層f5以及輸出層。

輸入層用于輸入縮放到60×60的灰度圖像。

第一卷積層c1對輸入層進行卷積運算來最大程度地提取原始圖像的特征，實際上，它是通過一個5×5大小的卷積核來獲得6個56×56(56＝60-5+1)大小的特征圖。卷積核是卷積神經(jīng)網(wǎng)絡(luò)提取特征好壞的關(guān)鍵所在，是生物視覺結(jié)構(gòu)系統(tǒng)里的感受野的模型化表示。卷積核的大小決定一個神經(jīng)元感受野的大小，卷積核過小，無法提取有效的局部特征；卷積核過大，提取的特征的復(fù)雜度可能遠遠超過卷積核的表示能力。因此，設(shè)置適當(dāng)?shù)木矸e核，對于整個網(wǎng)絡(luò)的性能至關(guān)重要，一般來說，卷積核大小通常選5×5的。

第一下采樣層s2層對c1層作下采樣處理，利用圖像局部相關(guān)的原理，對圖像進行子抽樣，減少數(shù)據(jù)量的同時保留有用信息。由于卷積層和下采樣層是一一對應(yīng)的，故s2層也有6個特征圖。特征圖的每個神經(jīng)元與c1層中相對應(yīng)的特征圖以2×2大小相連接，所以特征圖的大小為28×28(28＝56÷2)。該下采樣層使用的縮放因子都是2，這樣做的原因是要控制縮放下降的速度，因為縮放是指數(shù)級縮放，縮小的速度太快也意味著提取圖像特征更加粗糙，將會失去更多圖像細節(jié)特征。s2層每個單元的6個輸入相加，乘以一個可訓(xùn)練參數(shù)，再加上一個可訓(xùn)練偏置，共(1+1)×6＝12個訓(xùn)練參數(shù)，結(jié)果通過sigmoid函數(shù)來計算。

第二卷積層c3和第二下采樣層s4的工作原理與前面的層是一樣的，只是隨著深度的增加，提取的特征更加抽象，也更具有表達能力。

第二卷積層c3對s2層特征圖進行卷積，然而這兩層并不是一一對應(yīng)的。c3層有12個特征圖，卷積核大小為7×7，移動步長是1，特征圖的大小為22×22(22＝28-7+1)，訓(xùn)練參數(shù)為(7×7+1)×22×22＝44200個。在卷積過程中每一個特征圖都是由s2層中的幾個特征圖映射后疊加得到的。

第二下采樣層s4，該層同樣采用2×2大小的卷積，有12個大小為11×11(11＝22÷2)的特征圖，共(1+2)×12＝24個可訓(xùn)練參數(shù)。

全連接層f5，該層有80個特征圖與s4層的全部12個特征圖的5×5鄰域相連。由于s4層特征圖的大小也是5×5，因此f5層特征圖的大小為1×1(1＝5-5+1)，這就構(gòu)成了s4與f5之間的全連接。

最后一層是輸出層，由于樣本共有3類，所以本層有3個結(jié)點，與f5層全連接，共(5×5)×12×3＝900個訓(xùn)練參數(shù)。

降維融合部分20b采用主成分分析法(pca)將第一卷積層c1、第一下采樣層s2、第二卷積層c3、第二下采樣層s4提取的特征進行pca降維，并將降維后的每層特征進行串聯(lián)融合，得到特征矩陣。

訓(xùn)練識別判定部21采用量子自組織神經(jīng)網(wǎng)絡(luò)(qsofm網(wǎng)絡(luò))對特征矩陣進行分類識別，包括訓(xùn)練調(diào)整單元211、驗證判定單元212、計算設(shè)定單元213以及識別判定單元214。

訓(xùn)練調(diào)整單元211將構(gòu)成正常、增生、癌變?nèi)齻€類樣本集合的m張已知類別的胃部細胞圖像的特征矩陣作為訓(xùn)練樣本，對量子自組織神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練。

圖3(a)為本發(fā)明的實施例中訓(xùn)練調(diào)整單元的訓(xùn)練畫面的示意圖；圖3(b)為本發(fā)明的實施例中訓(xùn)練調(diào)整單元訓(xùn)練完畢后訓(xùn)練畫面的示意圖。

如圖2和圖3(a)所示，訓(xùn)練調(diào)整單元的訓(xùn)練畫面231存儲在畫面存儲部23中，在訓(xùn)練開始，輸入顯示部24顯示訓(xùn)練畫面231，其上顯示有多個訓(xùn)練參數(shù)，需要按要求填入每個訓(xùn)練參數(shù)的初始值，對qsofm網(wǎng)絡(luò)進行初始化。這些訓(xùn)練參數(shù)包括訓(xùn)練樣本的個數(shù)、競爭節(jié)點(即量子自組織神經(jīng)網(wǎng)絡(luò)競爭層神經(jīng)元個數(shù))、鄰域半徑、學(xué)習(xí)速率以及訓(xùn)練次數(shù)。

在本實施例中，訓(xùn)練樣本的個數(shù)為150(即s＝150)，根據(jù)提供的訓(xùn)練樣本個數(shù)，神經(jīng)網(wǎng)絡(luò)可以從本地隨機讀取相應(yīng)個數(shù)的腫瘤細胞特征矩陣，構(gòu)建一個二維矩陣作為分類器的輸入數(shù)據(jù)。在這150張圖像中，包括50張正常胃部細胞圖像、增生胃部細胞圖像以及癌變胃部細胞圖像。

競爭節(jié)點的值在220～230范圍內(nèi)，優(yōu)選225。在qsofm中，網(wǎng)絡(luò)的拓撲結(jié)構(gòu)由競爭層神經(jīng)元個數(shù)決定，因此，競爭層神經(jīng)元個數(shù)也會對圖像分類的運行時間和準(zhǔn)確率產(chǎn)生影響。通過實驗，當(dāng)競爭節(jié)點小于220時，無法準(zhǔn)確得到三類樣本的獲勝神經(jīng)元，而當(dāng)競爭節(jié)點個數(shù)超過230時，分類效果一樣反而影響運行速度。

鄰域半徑的值在4～5范圍內(nèi)，優(yōu)選5。qsofm訓(xùn)練過程以獲勝神經(jīng)元為中心調(diào)整鄰域內(nèi)的神經(jīng)元權(quán)值。通常情況下，網(wǎng)絡(luò)的初始領(lǐng)域半徑會比較大，但隨著訓(xùn)練次數(shù)的不斷增加，領(lǐng)域半徑也會逐漸縮小。通過實驗可以發(fā)現(xiàn)初始領(lǐng)域半徑超過5的話對分類效果影響嚴(yán)重，初始領(lǐng)域半徑小也能避免不必要的權(quán)值調(diào)整節(jié)省運行時間。

學(xué)習(xí)速率不小于1.0。學(xué)習(xí)速率η的大小能夠確定每類對應(yīng)獲勝神經(jīng)元的快慢，通過實驗，當(dāng)學(xué)習(xí)速率小于1.0時，聚類100次后還是無法完全確定每類樣本對應(yīng)的獲勝神經(jīng)元，而學(xué)習(xí)速率達到1.0以上時都可以很快確定每類樣本對應(yīng)的獲勝神經(jīng)元。

訓(xùn)練次數(shù)在75～100范圍內(nèi)，優(yōu)選100。對于qsofm神經(jīng)網(wǎng)絡(luò)來說，訓(xùn)練次數(shù)的多少能夠影響網(wǎng)絡(luò)的分類準(zhǔn)確度和訓(xùn)練時間。通常情況下，訓(xùn)練次數(shù)的增加可以提高網(wǎng)絡(luò)的分類準(zhǔn)確度。但當(dāng)網(wǎng)絡(luò)收斂后，訓(xùn)練次數(shù)的增加并不能提高網(wǎng)絡(luò)的分類準(zhǔn)確度，反而增加了網(wǎng)絡(luò)的訓(xùn)練時間。

通過實驗，當(dāng)訓(xùn)練次數(shù)為75次時，每類樣本對應(yīng)的獲勝神經(jīng)元已經(jīng)不再變化。經(jīng)過多次試驗當(dāng)有監(jiān)督聚類過程訓(xùn)練次數(shù)為100次時為佳，既可以避免訓(xùn)練次數(shù)過長，導(dǎo)致訓(xùn)練時間過長，也可以避免訓(xùn)練次數(shù)不夠?qū)е旅款惈@勝神經(jīng)元無法確定。

數(shù)值輸入完畢后，點擊開始訓(xùn)練按鈕231a，開始進行訓(xùn)練。

在訓(xùn)練過程中，訓(xùn)練調(diào)整單元211首先計算各競爭層節(jié)點的網(wǎng)絡(luò)坐標(biāo)；然后按照式(1)和(2)計算學(xué)習(xí)速率η和領(lǐng)域半徑r，按照式(3)和(4)計算計算競爭獲勝神經(jīng)元j*，按公式(5)調(diào)整以j*為中心半徑r的領(lǐng)域內(nèi)的神經(jīng)元權(quán)值；而后，按序?qū)γ恳粋€類樣本集合mj，按公式(6)和公式(7)求取該類中心樣本按公式(1)計算學(xué)習(xí)速率；然后按序取出一個類樣本集合，根據(jù)該類中心樣本對應(yīng)的獲勝神經(jīng)元按公式(8)調(diào)整網(wǎng)絡(luò)權(quán)值，最后，保存網(wǎng)絡(luò)權(quán)值和類樣本集合m對應(yīng)獲勝神經(jīng)元集合d。至此，網(wǎng)絡(luò)訓(xùn)練完成。

η(s)＝η0(1-s/max)(1)

其中，η0為學(xué)習(xí)速率的初始值；r0為鄰域半徑的初始值；s為循環(huán)記數(shù)節(jié)拍；max為最大循環(huán)步數(shù)。

其中，為輸入樣本|x^k>和競爭層神經(jīng)元j的連接權(quán)向量|wj>的相似系數(shù)；節(jié)點j*擁有最大相似系數(shù)并在競爭中獲勝，即j^*滿足式(4)；|wji>＝cos(θ)|0>+sin(θ)|1>,θ＝2π×rand，rand表示[0,1]之間的隨機數(shù)；

其中，

和分別是|xki>和|wji>的概率幅。

其中，

和分別是|xk>，|wik>的概率幅，θ是聚類閥值，為事先給定的一個小正數(shù)；為該類中心樣本對應(yīng)的獲勝神經(jīng)元編號。

如圖3(b)所示，待訓(xùn)練完成后，結(jié)果顯示部22的結(jié)果顯示畫面出現(xiàn)在訓(xùn)練畫面上，顯示訓(xùn)練完成的結(jié)果。

驗證判定單元212將構(gòu)成三個類樣本集合的(n-m)張未知類別的胃部細胞圖像作為驗證樣本，對訓(xùn)練后的量子自組織神經(jīng)網(wǎng)絡(luò)進行驗證。

圖4(a)為本發(fā)明實施例中驗證判定單元的識別畫面的示意圖；圖4(b)為本發(fā)明的實施例中驗證判定單元驗證完畢后識別畫面的示意圖。

如圖2和圖4(a)所示，驗證判定單元212的識別畫面232也存儲在畫面存儲部23中。在訓(xùn)練開始，輸入顯示部24顯示識別畫面232，識別畫面232上顯示有圖像路徑、圖像名稱、圖像大小、細胞圖像標(biāo)記以及開始識別按鍵。點擊圖像路徑的操作鍵，導(dǎo)入一個驗證樣本后，該驗證樣本的圖像名稱、大小以及圖像內(nèi)容自動顯示在相應(yīng)的標(biāo)記框內(nèi)。

點擊開始識別按鍵后，訓(xùn)練后的量子神經(jīng)網(wǎng)絡(luò)開始對導(dǎo)入的驗證樣本進行分類識別。此時，驗證判定單元212按上述公式(3)和公式(4)計算每個驗證樣本的競爭獲勝神經(jīng)元，并判定該競爭獲勝神經(jīng)元屬于獲勝神經(jīng)元集合中的哪一類。

如圖4(b)所示，待判定完成后，結(jié)果顯示部22結(jié)果顯示畫面出現(xiàn)在識別畫面上，顯示判定結(jié)果。被導(dǎo)入的驗證樣本的名稱以及判定結(jié)果被暫存在暫存部25內(nèi)。

計算設(shè)定單元213對驗證判定單元的結(jié)果準(zhǔn)確率進行計算，并在準(zhǔn)確率不低于90％時，將量子自組織神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練設(shè)定為識別量子自組織神經(jīng)網(wǎng)絡(luò)。

識別判定單元214采用該識別量子自組織神經(jīng)網(wǎng)絡(luò)每個待檢胃部細胞圖像的特征矩陣進行識別，對待檢胃部細胞圖像屬于正常細胞圖像、增生細胞圖像還是癌變細胞圖像進行判定。

當(dāng)識別判定單元214判定待檢胃部細胞圖像不屬于正常細胞圖像、增生細胞圖像以及癌變細胞圖像中的任一種圖像時，也將該待檢胃部細胞圖像設(shè)定為癌變細胞圖像，由醫(yī)生再次進行判斷。例如，當(dāng)識別判定單元214判定某個待檢胃部細胞圖像不具備正常圖像的特征，但也不具備增生或癌變細胞圖像的特征時，也將該模棱兩可的圖像判定為癌變細胞圖像。

由于驗證判定過程也是識別判定過程，所以，二者的識別畫面和識別過程是完全相同的。

識別判定側(cè)控制部26用于控制識別判定側(cè)通信部16、圖像導(dǎo)入部17、歸一化處理部18、預(yù)處理部19、特征提取部20、訓(xùn)練識別判定部21、結(jié)果顯示部22、畫面存儲部23、輸入顯示部24以及暫存部25的正常運行。

圖5為本發(fā)明所涉及的實施例中的胃部腫瘤切片識別判定設(shè)備的動作流程圖。

如圖5所示，在本實施例中，胃部腫瘤切片識別判定設(shè)備的動作流程包含如下步驟：

步驟s1，掃描部對w個胃部腫瘤切片逐個進行掃描，獲取w個彩色的胃部腫瘤細胞圖像；

步驟s2，存儲部14將該胃部腫瘤細胞圖像作為待檢胃部細胞圖像進行存儲；

步驟s3，掃描側(cè)通信部15與胃部腫瘤細胞圖像識別判定裝置12相連接，將待檢胃部細胞圖像向胃部腫瘤細胞圖像識別判定裝置12發(fā)送；

步驟s4，接收待檢胃部細胞圖像，采用n個被醫(yī)生做出判定并且由正常胃部細胞圖像、增生胃部細胞圖像以及癌變胃部細胞圖像組成的已知類別的胃部細胞圖像進行識別訓(xùn)練，并基于識別訓(xùn)練結(jié)果對待檢胃部細胞圖像進行識別判定；

步驟s5，結(jié)果顯示部顯示所述訓(xùn)練識別判定部的判定結(jié)果，結(jié)束。

圖6是本發(fā)明實施例的胃部腫瘤細胞圖像識別判定裝置的動作流程圖。

如圖6所示，在本實施例中，胃部腫瘤細胞圖像識別判定裝置對胃部腫瘤細胞圖像的識別判定流程包含如下步驟：

步驟s4-1，圖像導(dǎo)入部17導(dǎo)入存儲在本地的n個已知類別的胃部細胞圖像或待檢胃部細胞圖像，圖像被存儲在暫存部25中，然后進入步驟s4-2。

步驟s4-2，歸一化處理部18將待處理的已知類別的胃部細胞圖像以及待檢胃部細胞圖像原始圖像轉(zhuǎn)換成相應(yīng)的唯一標(biāo)準(zhǔn)形式，然后進入步驟s4-3。

步驟s4-3，預(yù)處理部19對歸一化處理后的每個已知類別的胃部細胞圖像以及待檢胃部細胞圖像進行灰度化處理得到灰度圖像，并根據(jù)雙線性插值算法對灰度圖像的維度進行縮放，然后進入步驟s4-4。

步驟s4-4，特征提取部分20a采用被分成七層的卷積神經(jīng)網(wǎng)絡(luò)對每個縮放后的灰度圖像進行多層特征提取，然后進入步驟s4-5。

步驟s4-5，降維融合部分20b采用主成分分析法(pca)將第一卷積層c1、第一下采樣層s2、第二卷積層c3、第二下采樣層s4提取的特征進行pca降維，并將降維后的每層特征進行串聯(lián)融合，得到特征矩陣，然后進入步驟s4-6。

步驟s4-6，訓(xùn)練調(diào)整單元211將構(gòu)成正常、增生、癌變?nèi)齻€類樣本集合的m張已知類別的胃部細胞圖像的特征矩陣作為訓(xùn)練樣本，對量子自組織神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，然后進入步驟s4-7。

步驟s4-7，驗證判定單元212將構(gòu)成三個類樣本集合的(n-m)張未知類別的胃部細胞圖像的特征矩陣作為驗證樣本，對訓(xùn)練后的量子自組織神經(jīng)網(wǎng)絡(luò)進行驗證，然后進入步驟s4-8。

步驟s4-8，計算設(shè)定單元213對驗證判定單元的結(jié)果準(zhǔn)確率進行計算，并在準(zhǔn)確率不低于90％時，將量子自組織神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練設(shè)定為識別量子自組織神經(jīng)網(wǎng)絡(luò)，然后進入步驟s4-9。

步驟s4-9，識別判定單元214采用該識別量子自組織神經(jīng)網(wǎng)絡(luò)每個待檢胃部細胞圖像的特征矩陣進行識別，判定待檢胃部細胞圖像屬于正常細胞圖像、增生細胞圖像或者癌變細胞圖像，然后進入步驟s4-10。

步驟s4-10，結(jié)果顯示部22顯示識別判定單元214的判定結(jié)果，結(jié)束。

圖7為本發(fā)明實施例中特征提取部以及訓(xùn)練識別判定部的動作流程圖。

圖7用于直觀說明特征提取部以及訓(xùn)練識別判定部的工作流程：

在訓(xùn)練調(diào)整單元211構(gòu)建訓(xùn)練樣本矩陣x和驗證樣本矩陣y后，依次進行步驟s4-4和步驟s4-5，然后進行步驟s4-6-1；

步驟s4-6-1，初始化qsofm系統(tǒng)參數(shù)，然后進行步驟s-4-6-2；

步驟s4-6-2，判斷樣本是否是測試樣本，若判斷結(jié)果為是，進入步驟s4-6-3；若判斷結(jié)果為否，進入步驟s4-7；

步驟s4-6-3，訓(xùn)練qsofm神經(jīng)網(wǎng)絡(luò)。將訓(xùn)練樣本的低維度特征數(shù)據(jù)矩陣輸入初始化后的qsofm分類識別網(wǎng)絡(luò)中，對qsofm分類識別網(wǎng)絡(luò)進行聚類訓(xùn)練，最終得到可以用于分類識別的qsofm模型；

步驟s4-7，驗證判定單元212將構(gòu)成三個類樣本集合的(n-m)張未知類別的胃部細胞圖像的特征矩陣作為驗證樣本，經(jīng)步驟s4-4和步驟s4-5得出驗證樣本圖像的低維度特征數(shù)據(jù)矩陣，將其輸入訓(xùn)練結(jié)束的qsofm分類識別網(wǎng)絡(luò)，根據(jù)qsofm分類算法進行分類得出正常、增生、癌變和未知類。

本實施例的胃部腫瘤細胞圖像識別判定裝置適用于但又不局限于對胃部腫瘤細胞圖像進行識別判定。

當(dāng)本實施例的胃部腫瘤細胞圖像識別判定裝置用于識別判定其他種類的腫瘤細胞圖像時，需要根據(jù)所要判定的腫瘤細胞的特點設(shè)定相應(yīng)的訓(xùn)練參數(shù)，以達到保證識別準(zhǔn)確率的目的。

實施例的作用與效果

根據(jù)本實施例所提供的胃部腫瘤細胞圖像識別判定裝置、方法及胃部腫瘤切片識別判定設(shè)備，由于胃部腫瘤細胞圖像識別判定裝置的特征提取部，采用被分成七層的卷積神經(jīng)網(wǎng)絡(luò)對每個縮放后的灰度圖像進行多層特征提取，并將每層提取的特征進行降維和串聯(lián)融合后得到特征矩陣，其訓(xùn)練識別判定部將n個已知類別的胃部細胞圖像的特征矩陣作為訓(xùn)練集按預(yù)定訓(xùn)練參數(shù)的預(yù)定值對量子自組織神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，使得本實施例的胃部腫瘤細胞圖像識別判定裝置能夠同時發(fā)揮卷積神經(jīng)網(wǎng)絡(luò)在自動提取圖像的顯著特征方面的優(yōu)異性能以及量子自組織神經(jīng)網(wǎng)絡(luò)在模式識別和分類方面的優(yōu)異性能，既能夠從存在大量冗余信息并且具有較大的復(fù)雜性的胃部腫瘤細胞圖像中有效的提取顯著特征，又能夠快速的根據(jù)這些顯著特征進行模式識別，進而實現(xiàn)正確分類，實驗表明，該裝置的分類準(zhǔn)確率可達91.65％。

因此，本實施例的胃部腫瘤細胞圖像識別判定裝置克服了傳統(tǒng)的胃腫瘤細胞圖像識別依據(jù)經(jīng)驗人為地從細胞圖像中提取特征，再在該特征上進行分類識別，所存在的盲目性、操作復(fù)雜和分類精度低等缺陷，在一定程度上能夠取代人工去辨別醫(yī)學(xué)顯微圖像，提高了醫(yī)師的工作效率，緩解了醫(yī)師工作強度大的狀態(tài)。

上述實施方式為本發(fā)明的優(yōu)選案例，并不用來限制本發(fā)明的保護范圍。