买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京大学;中国医科大学附属第一医院

摘要：本发明公开一种基于多语义不平衡学习的血清样本图像分类方法。首先，对原始图像进行裁剪和边缘识别等，获取含有血清样本信息的方形图片；接着，对训练样本进行预处理后使用深度10进行训练，构建分类模型，在模型评估时构建再平衡的数据集并进行联合测试，使得方法不会偏向于出现次数较多的类别；对样本图像训练一个二分类模型；然后，分别对这些模型使用应对类别不平衡的深度学习方法进行优化；最后，将得到的模型综合起来，得到一个用于识别血清样本质量的模型。本发明提出了一种新的应对多语义类别不平衡学习的方法，并结合神经网络二分类方法，实现了较高的图像分类精度。

主权项：1.一种基于多语义不平衡学习的血清样本图像分类方法，其特征在于，包括原始图像处理，多语义不平衡及二分类模型训练，类别不平衡优化，以及血清样本图像识别结果生成四部分；所述原始图像处理的过程具体为：步骤100，按原始血清图像上的黑线切出对应图像块；步骤101，用opencv中的裁剪和边缘检测方式，把原始血清图像中的血清部分取出，排除背景和标记遮挡的影响；步骤102，针对上一步中得到的血清部分的图片，切出设定大小的方形图片；步骤103，对于质量不佳的方形图片，直接判定为异常样本；所述质量不佳的方形图片指包含凝块或被遮挡的图片；步骤104，随机打乱所有样本后，划分训练集和测试集；多语义不平衡模型训练过程具体为：步骤200，对训练集数据使用RandomResizedCrop方法进行预处理，左右随机翻转，然后按照训练集上所有样本的均值和方差进行归一化；步骤201，初始化三个应对多语义的深度网络模型，分别应对3个不同的语义上的分类；步骤202，将训练数据输入网络模型进行训练；步骤203，初始化一个应对二分类的深度网络模型，用于图像正常和异常二分类；步骤204，从训练数据集中采样，得到正常和异常数目分布一致的子集输入深度网络模型，基于分类交叉熵损失进行模型更新；步骤205，对上述三个应对多语义的深度网络模型和一个二分类的深度网络模型测试，先将原始血清图片的短边缩放，然后从中心切出设定大小的图片进行预测；类别不平衡优化的具体过程为：步骤300，使用2种方法分别对模型进行评估；所述模型为三个应对多语义的深度网络模型和一个二分类的深度网络模型；步骤301，第一种评估方法：三个语义上的指标分开评测，针对每一个指标构建一个平衡的数据集；在每个指标对应的平衡数据集上进行单独测试；步骤302，第二种评估方法：联合测试：针对测试集中的样本，同时测3个语义指标的结果，3个语义指标上的测试结果需要与真实标记一致；针对测试集中的样本，对正常和异常二分类的结果进行预测，且结果需和真实标记一致；步骤303，对构建好的模型使用应对类别不平衡的深度学习方法做优化；血清样本图像识别结果生成的过程具体为：步骤400，将待识别样本图像中的血清部分图片切出，然后缩放；步骤401，针对上一步中切出并缩放后的图像，再从中心切出设定大小的方形图片；步骤402，将上一步得到的图片分别输入4个模型，得到3个语义指标上的识别数值以及正常和异常二分类结果；所述4个模型为三个应对多语义的深度网络模型和一个二分类的深度网络模型；步骤403，判断3个语义指标的预测值是否正常，或者判断二分类的预测值是否正常；步骤404，如果有预测值不正常，就将待识别样本判定为异常，需要进一步送检；步骤405，如果预测指标都正常，输出结果为正常。

全文数据：

权利要求：

百度查询： 南京大学 中国医科大学附属第一医院 一种基于多语义不平衡学习的血清样本图像分类方法