本發(fā)明涉及醫(yī)學(xué)圖像處理與識別的研究領(lǐng)域，特別涉及一種基于hough圓檢測和深度卷積網(wǎng)絡(luò)的陰道分泌物濕片念珠菌檢測方法。

背景技術(shù)：

念珠菌是一種真菌，念珠菌中的白色念珠菌通常會引起念珠菌性陰道炎，念珠菌性陰道炎又稱外陰陰道念珠菌病(vvc)，是一種常見的陰道及外陰道疾?。欢准?xì)胞的生成是由女性體內(nèi)對抗自身婦科炎癥而產(chǎn)生；據(jù)統(tǒng)計，在美國處于生育年齡的健康婦女中,vvc的發(fā)生率約為75％，其中包含5％的婦女則患有復(fù)發(fā)性外陰陰道炎(rvvc)，由此引起的婦科炎癥如果發(fā)現(xiàn)治療不及時，會導(dǎo)致女性宮頸炎、不孕不育等嚴(yán)重后果；更為嚴(yán)重的甚至患上婦科癌癥。由于臨床抗菌素和激素類藥物等的廣泛應(yīng)用，目前該病發(fā)病率呈現(xiàn)出繼續(xù)上升的趨勢，且復(fù)發(fā)幾率較高，嚴(yán)重危害女性的生理健康。臨床婦科檢查此類疾病主要通過在顯微鏡下觀測白帶涂片中念珠菌及白細(xì)胞的個數(shù)來對患病信息進(jìn)行診斷，白帶的實(shí)驗(yàn)室檢測方法有：涂片的直接鏡檢法、革蘭氏染色法、快速凝集法、真菌培養(yǎng)和分子生物學(xué)等方法。為了適合門診常規(guī)檢驗(yàn)的快速和準(zhǔn)確報告生成的要求，對現(xiàn)在常用的直接涂片鏡檢法和快速乳膠凝集法兩種檢測方法進(jìn)行結(jié)果對比,為臨床提供可靠的檢驗(yàn)結(jié)果。直接涂片法具有快速、操作比較簡單的優(yōu)點(diǎn)，在現(xiàn)實(shí)的臨床診斷中取得了較為廣泛的應(yīng)用。但是目前醫(yī)院的閱片方式仍然要靠經(jīng)驗(yàn)豐富的細(xì)胞學(xué)醫(yī)師依靠肉眼在顯微鏡下觀察。由于僅靠人工的方法檢查，不但工作強(qiáng)度大、效率低，而且要求醫(yī)療檢測人員自身具備極為豐富的臨床經(jīng)驗(yàn)。另外由于顯微鏡觀察的局限性,易受到陰道上皮細(xì)胞、紅細(xì)胞和破碎的白細(xì)胞等觀察背景的干擾，而且細(xì)胞存在弱邊緣、像素差異小、相互交織和面積小等不易區(qū)分等特點(diǎn)，加之受雜質(zhì)等噪聲的影響，嚴(yán)重影響醫(yī)生的判斷，再加上醫(yī)療檢測人員的主觀性，造成臨床診斷的錯誤概率大幅提升。隨著醫(yī)學(xué)影像數(shù)據(jù)的爆炸式增長，計算機(jī)視覺廣泛應(yīng)用于醫(yī)學(xué)診斷中。白帶涂片顯微鏡下的檢測屬于圖像目標(biāo)檢測的范疇，和單純的指紋、人臉識別相比，白細(xì)胞以及念珠菌的目標(biāo)檢測首先要對圖像目標(biāo)區(qū)域進(jìn)行分割，接著進(jìn)行識別分類，而且白細(xì)胞與念珠菌、以及其他噪聲細(xì)胞特征相近，且涂片顯微圖像前景與背景差異較小，使得該課題的研究更具有挑戰(zhàn)性。應(yīng)用圖像處理和計算機(jī)模式識別的相關(guān)技術(shù)對顯微鏡下的念珠菌圖像進(jìn)行自動分析和處理，能夠有效的節(jié)省人力與物力，而且可以避免醫(yī)師因?yàn)橐曈X疲勞而引起的觀測誤判。

念珠菌的顯微圖像識別問題涵蓋著圖像領(lǐng)域的目標(biāo)檢測(objectdetection)、目標(biāo)識別分類等問題，目標(biāo)檢測是模式別和計算機(jī)視覺領(lǐng)域的重要問題，它的目的是確定圖像中目標(biāo)所出現(xiàn)的位置、大小和數(shù)量，由于目標(biāo)檢測問題與目標(biāo)所在的背景以及目標(biāo)自身的特征息息相關(guān)，使得當(dāng)前問題的研究沒有一個普遍適用的方法。念珠菌的圖像識別作為目標(biāo)檢測的一個應(yīng)用在醫(yī)學(xué)智能診斷中具有極其重要的研究價值?；陲@微圖像對目標(biāo)進(jìn)行智能識別檢測是生物醫(yī)學(xué)目標(biāo)智能檢測的常見選擇。在現(xiàn)有的發(fā)明中，如中國專利號為200810217589.5公開的23245.3公開的微生物智能識別方法、中國專利號為03140258.5公開的生殖感染智能識別系統(tǒng)與方法、中國專利號為201510946589.9公開的一種基于粒子群優(yōu)化itti模型的白細(xì)胞區(qū)域提取方法、中國專利號為201510162768.3公開的基于超像素和異常檢測的彩色血細(xì)胞圖像白細(xì)胞分割方法等，它們本質(zhì)上均是采用基于圖像處理方法檢測生物醫(yī)學(xué)目標(biāo)。綜合近年來相關(guān)文獻(xiàn)可知，細(xì)胞自動分類識別主要以自動、精確、快速等幾個方向作為研究目標(biāo)。學(xué)者們也意識到一種單獨(dú)的分類識別算法難以取得特別滿意的效果，因而諸如adaboost等這類算法也相繼提出應(yīng)用于相關(guān)的細(xì)胞目標(biāo)檢測中，這些為醫(yī)學(xué)顯微圖像的分析識別技術(shù)奠定了良好的發(fā)展基礎(chǔ)。目前國內(nèi)外的細(xì)胞檢測研究主要集中于干細(xì)胞、細(xì)胞質(zhì)及細(xì)胞核的分離檢測，宮頸細(xì)胞、癌細(xì)胞骨髓細(xì)胞的檢測識別，細(xì)胞涂片通常都是干片染色之后的彩色圖像，前景與背景相差較大，而且目標(biāo)表現(xiàn)比較單一；白帶涂片濕片下顯微圖像中白細(xì)胞與念珠菌的識別因白細(xì)胞與念珠菌與背景差異較小，呈現(xiàn)出若邊緣性等特點(diǎn),與傳統(tǒng)的人臉檢測、車牌號碼檢測等特征明顯且易于分割等問題相比，念珠菌檢測更加困難；有少量對白帶細(xì)胞檢測的研究，其研究對象也是基于革蘭染色的干片且對比度較高、目標(biāo)較為單一的彩色圖像，對濕片顯微圖像下念珠菌的檢測，本發(fā)明尚屬首次研究。

特征提取與分類器設(shè)計是醫(yī)學(xué)顯微圖像的自動分析系統(tǒng)的重要功能模塊和技術(shù)。在特征提取和分類中，深度學(xué)習(xí)的策略越來越受到學(xué)者們的重視，如中國專利號為201610119110.9公開的發(fā)明專利：一種基于卷積神經(jīng)網(wǎng)絡(luò)模型的危險物品圖像分類方法、中國專利號為201511006944.0公開的一種基于深度學(xué)習(xí)的前車車輛識別方法、中國專利號為201511005782.9公開的路況氣候深度學(xué)習(xí)及識別方法和裝置。但是這些應(yīng)用中神經(jīng)網(wǎng)絡(luò)包含許多參數(shù)，并且需要專家依靠經(jīng)驗(yàn)去設(shè)置，這限制了它們的使用范圍。此外，對于生物醫(yī)學(xué)檢測應(yīng)用，尤其是基于顯微圖像的目標(biāo)檢測中，特征提取與目標(biāo)結(jié)合緊密。因此，如何應(yīng)用深度學(xué)習(xí)的基本方法實(shí)現(xiàn)基于顯微圖像的目標(biāo)檢測目的，尚待研發(fā)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的主要目的在于克服現(xiàn)有技術(shù)的缺點(diǎn)與不足，提供一種基于hough圓檢測和深度卷積網(wǎng)絡(luò)的陰道分泌物濕片念珠菌檢測方法，能方便、經(jīng)濟(jì)、高效率地實(shí)現(xiàn)陰道分泌物濕片念珠菌檢測。

為了到達(dá)上述目的，本發(fā)明采用以下技術(shù)方案：

本發(fā)明基于hough圓檢測和深度卷積網(wǎng)絡(luò)的陰道分泌物濕片念珠菌檢測方法，包括下述步驟：

s1、針對念珠菌偏圓形特征，基于hough圓檢測和形態(tài)學(xué)運(yùn)算的方法分割出陰道分泌物濕片念珠菌的候選區(qū)域；

s2、基于深度卷積網(wǎng)絡(luò)的特征提取，采用基于隨機(jī)隱退的深度卷積網(wǎng)絡(luò)在小樣本上的學(xué)習(xí)，即將隨機(jī)隱退思想應(yīng)用在cnn網(wǎng)絡(luò)參數(shù)訓(xùn)練上，對深度學(xué)習(xí)的隱藏層使用隨機(jī)隱退的思想，來防止模型的過擬合，以加強(qiáng)模型在小數(shù)據(jù)集上的泛化能力：在訓(xùn)練的時候隨機(jī)忽略掉隱含層的某些神經(jīng)元，就是說，在某一次迭代過程中，讓網(wǎng)絡(luò)隱含層中的某些結(jié)點(diǎn)的權(quán)重不工作，不工作的這些結(jié)點(diǎn)可以暫時認(rèn)為它們不是該網(wǎng)絡(luò)的一部分，將其權(quán)重保留下來不更新，但是下一次迭代時，這些結(jié)點(diǎn)可能參與工作；

s3、構(gòu)建基于cnn-svm的分類模型，實(shí)現(xiàn)念珠菌識別。

作為優(yōu)選的技術(shù)方案，步驟s1中，分割出候選區(qū)域的方法如下：

首先，基于形態(tài)學(xué)運(yùn)算，對原始陰道分泌物濕片的數(shù)字圖像進(jìn)行去噪和預(yù)處理；接著基于hough圓檢測算法檢測出近似圓形區(qū)域；然后，基于訓(xùn)練和圖像參數(shù)的規(guī)則，檢測和分割出陰道分泌物濕片念珠菌的候選區(qū)域；最后，基于檢測候選圓計算圓心位置。

作為優(yōu)選的技術(shù)方案，步驟s2中，深度神經(jīng)卷積網(wǎng)絡(luò)的構(gòu)造如下：

第一層是輸入層，輸入層的大小為像素大小圖片的像素大小；

第二次是卷積層c1，c1對輸入層進(jìn)行卷積運(yùn)算提取特征，卷積運(yùn)算可最大程度地提取原始信號的特征；

第三層是一個下采樣層s2，即s2層對上一層c1做下采樣處理，下采樣在盡可能保留數(shù)據(jù)有用信息的同時，減少數(shù)據(jù)維度；

第四層是卷積層c3，即c3對s2進(jìn)行卷積特征提??；

第五層是一個下采樣層s4，s4和s2是相同的。

作為優(yōu)選的技術(shù)方案，在卷積神經(jīng)網(wǎng)絡(luò)中，下采樣層總是由上一層一一映射得到，因此下采樣層的特征圖的數(shù)目總是和上一層卷積層的特征圖數(shù)目相同；

卷積層的特征圖數(shù)目可自行設(shè)定，只需要采用卷積核對上一層的特征圖進(jìn)行卷積濾波便可得到一個特征圖，另外要注意從s2到c3這個卷積過程中，c3中每一個特征圖，都是從s2中的幾個特征圖映射后疊加起來的，而并不是一個特征圖對應(yīng)一個特征圖。

作為優(yōu)選的技術(shù)方案，c3是12個特征圖，從s2到c3的映射過程是一個多到一的映射，c3的每一個特征圖都是從s2的第1、2、3、4、5、6這六個特征圖中卷積求和得來的，定義c3中有一個特征圖為h1，則首先用5*5的感受野窗口去卷積s2中的特征圖1，得到一個暫時的特征圖1h；然后再用5*5的感受野窗口去卷積s2中的特征圖2，得到一個暫時的特征圖h2；接著用5*5的感受野窗口去卷積s2中的特征圖3，得到一個暫時的特征圖h3；對s2中的特征圖4、5、6也采用相同的方式卷積，得到h4、h5、h6，然后加權(quán)h1、h2、h3、h4、h5、h6得到h，接著給h加一個附加偏移b再通過sigmoid映射即可得到h1；c3其他特征圖也同樣卷積s2中所有特征圖然后加權(quán)加偏置并映射，只是卷積核不一樣，通過這種方式，可以最大限度的將上一層的所有特征進(jìn)行融合，此時c3中的每一個特征圖都是上一層特征的融合。

作為優(yōu)選的技術(shù)方案，在步驟s3中，cnn-svm分類器構(gòu)建流程如下：

1)選取白帶涂片庫樣本；

2)基于形態(tài)學(xué)和hough圓檢測算法，得到感興趣區(qū)域訓(xùn)練圖；

3)經(jīng)過上述步驟，每一張產(chǎn)生的念珠菌圖像集分別作為測試集；

4)選取n次測試得到最佳的cnn網(wǎng)絡(luò)參數(shù)，并在此參數(shù)下提取念珠菌模式學(xué)習(xí)庫的特征，作為支持向量機(jī)svm分類器訓(xùn)練的輸入；

5)基于svm構(gòu)建分類器模型。

作為優(yōu)選的技術(shù)方案，在步驟s3中，

基于步驟s2的實(shí)施結(jié)果的深度卷積網(wǎng)絡(luò)框架，應(yīng)用python讀取反序列化后的深度卷積網(wǎng)絡(luò)框架參數(shù)，在此深度卷積框架下對念珠菌圖片進(jìn)行自動特征提取，并應(yīng)用svm進(jìn)行分類，擇線性核函數(shù)，svm懲罰因子默認(rèn)取c＝1.0，為了改變正負(fù)樣本分布不均衡導(dǎo)致svm分類性能下降，此時將正類的權(quán)重設(shè)為class_weight0＝1.5，即在正樣本上，懲罰因子為class_weight*c＝1.5,而負(fù)樣本懲罰因子保持不變。

本發(fā)明與現(xiàn)有技術(shù)相比，具有如下優(yōu)點(diǎn)和有益效果：

1、本發(fā)明采用基于圖像處理、深度學(xué)習(xí)、模式識別技術(shù)方案，能全自動地實(shí)現(xiàn)陰道分泌物濕片念珠菌檢測。

2、本發(fā)明采用基于深度學(xué)習(xí)技術(shù)方案，無需對念珠菌候選區(qū)域做非常精細(xì)的分割和特征提取。因此，其能方便、經(jīng)濟(jì)、高效率地實(shí)現(xiàn)陰道分泌物濕片念珠菌檢測。

3、基于大樣本的學(xué)習(xí)，本發(fā)明滿足醫(yī)學(xué)運(yùn)用的智能、快速精確性要求。

附圖說明

圖1為本發(fā)明檢測方法流程示意圖。

圖2為基于深度卷積網(wǎng)絡(luò)特征提取與svm分類器的念珠菌檢測實(shí)施流程圖。

圖3為cnn-svm分類器構(gòu)建流程圖。

圖4(a)為實(shí)施例中原始白帶涂片濕片。

圖4(b)為實(shí)施例中白帶涂片濕片基于hough變換檢測圓后的結(jié)果。

圖5(a)為基于hough圓檢測和形態(tài)學(xué)運(yùn)算的方法分割出的念珠菌模式學(xué)習(xí)庫樣本。

圖5(b)為基于hough圓檢測和形態(tài)學(xué)運(yùn)算的方法分割出的非念珠菌模式學(xué)習(xí)庫樣本。

圖6為深度卷積網(wǎng)絡(luò)的構(gòu)造。

圖7為隨機(jī)隱退圖。

圖8為中間層特征提取的圖像表現(xiàn)形式。

圖9為cnn-svm分類器與cnn-logstic分類器召回率對比曲線。

具體實(shí)施方式

下面結(jié)合實(shí)施例及附圖對本發(fā)明作進(jìn)一步詳細(xì)的描述，但本發(fā)明的實(shí)施方式不限于此。

實(shí)施例

本發(fā)明實(shí)驗(yàn)平臺如下。硬件環(huán)境：內(nèi)存8g，處理器intel(r)core(tm)i5-4460@3.2ghz；軟件環(huán)境：操作系統(tǒng)linux，phthon2.7.12，深度學(xué)習(xí)庫keras,opencv3.1。本實(shí)驗(yàn)平臺用本發(fā)明方法對50張768×576像素的白帶涂片濕片(來自某三甲醫(yī)院不同患者)進(jìn)行處理，構(gòu)建完成cnn-svm模型，并得到檢測結(jié)果。

如圖1、圖2所示，本發(fā)明提出基于hough圓檢測和深度卷積網(wǎng)絡(luò)的陰道分泌物濕片念珠菌檢測方法。圖3是本發(fā)明cnn-svm分類器構(gòu)建流程圖。本發(fā)明包括下述步驟：

步驟一：針對念珠菌偏圓形特征(卵圓或者“8”字形)，基于hough圓檢測和形態(tài)學(xué)運(yùn)算的方法分割出陰道分泌物濕片念珠菌的候選區(qū)域。在圖4(a)的區(qū)域，基于hough圓檢測到目標(biāo)，如圖4(b)所示。獲取目標(biāo)圓心后，以60×60的大小分割出目標(biāo)所在區(qū)域的一個矩形。念珠菌的模式學(xué)習(xí)庫共505幅圖片，包含182個正樣本，323個負(fù)樣本。部分樣本圖片如圖5(a)、圖5(b)所示。

步驟二：基于深度卷積網(wǎng)絡(luò)的特征提?。?/p>

本發(fā)明構(gòu)造如下深度卷積網(wǎng)絡(luò)如圖6所示。圖7為其中的隨機(jī)隱退機(jī)理圖。圖8為cnn的中間層特征提取的圖像表現(xiàn)形式。

當(dāng)前深度卷積網(wǎng)絡(luò)參數(shù)設(shè)置如下：梯度下降中學(xué)習(xí)率為0.05，動量為0.9，中間層的激活函數(shù)選擇relu，其表達(dá)式如式(1)。

g(z)＝max{0,z}(1)

輸出層的激活函數(shù)選擇sigmoid；分別在s2與s4所在的隱藏層將隨機(jī)隱退值設(shè)為0.3，效果較好。

圖6中，第一層是輸入層，大小為像素大小圖片的像素大小60×60；第二層是卷積層c1，c1對輸入層進(jìn)行卷積運(yùn)算提取特征，卷積運(yùn)算可以最大程度地提取原始信號的特征。當(dāng)前深度卷積網(wǎng)絡(luò)設(shè)計了6個卷積濾波器，即c1層有6個特征圖；感受視野窗口大小是5*5.設(shè)置其窗口移動步長為1，即c1中每個神經(jīng)元和輸入層中的5*5的領(lǐng)域相連，所以c1層中每個特征圖大小是56*56(其中56＝60-5+1)，第三層是一個下采樣層s2，即s2層對上一層c1做下采樣處理，下采樣在盡可能保留數(shù)據(jù)有用信息的同時，減少數(shù)據(jù)維度，下采樣的思想依據(jù)圖像某一個領(lǐng)域內(nèi)只需要一個像素點(diǎn)就能表達(dá)當(dāng)前整個區(qū)域的信息，下采樣領(lǐng)域選取要適當(dāng)選取，在既要保持信息不要丟失太多的同時，也要起到降低數(shù)據(jù)維度的效果；當(dāng)前學(xué)習(xí)框架下選取2*2的領(lǐng)域大小，因此s2中每個特征圖的大小是28*28，從卷積層到下采樣層也是一對一的映射，因此s2的特征圖的個數(shù)也是6；第四層是卷積層c3，即c3對s2進(jìn)行卷積特征提取，注意從s2到c3并不是一個一一對應(yīng)的關(guān)系，s2有6個特征圖，每一個都是28*28大小。但是這里c3層有12個特征圖。c3層選用的感受野是5*5窗口，移動步長1，所以c3中每一個特征圖都是24*24大小。而在這個卷積過程中，c3中每一個特征圖，都由s2中的幾個特征圖映射后疊加得到的；第五層是一個下采樣層s4，s4和s2是一樣的，也是采用2*2領(lǐng)域，那么s4層12個特征圖，每一個特征圖大小是12*12，經(jīng)過flatten后維數(shù)變換為12*12*12。

在本發(fā)明的卷積神經(jīng)網(wǎng)絡(luò)模型中，下采樣層總是由上一層(即上一個卷積層)一一映射得到，因此下采樣層的特征圖的數(shù)目總是和上一層卷積層的特征圖數(shù)目相同。但是，卷積層卻不一樣，例如卷積層c1有6個特征圖，但是輸入層卻只有一個平面，c3有12個特征圖，但是它的上一層s2卻只有6個特征圖。卷積層的特征圖數(shù)目可以自己設(shè)定，只需要采用卷積核對上一層的特征圖進(jìn)行卷積濾波便可得到一個特征圖。另外要注意從s2到c3這個卷積過程中，c3中每一個特征圖，都是從s2中的幾個特征圖映射后疊加起來的，而并不是一個特征圖對應(yīng)一個特征圖。因此c3是12個特征圖，從s2到c3的映射過程是一個多到一的映射。c3的每一個特征圖都是從s2的第1、2、3、4、5、6這六個特征圖中卷積求和得來的。定義c3中有一個特征圖為h1，則首先用5*5的感受野窗口去卷積s2中的特征圖1，得到一個暫時的特征圖1h；然后再用5*5的感受野窗口去卷積s2中的特征圖2，得到一個暫時的特征圖h2；接著用5*5的感受野窗口去卷積s2中的特征圖3，得到一個暫時的特征圖h3；對s2中的特征圖4、5、6也采用相同的方式卷積，得到h4、h5、h6，然后加權(quán)h1、h2、h3、h4、h5、h6得到h，接著給h加一個附加偏移b再通過sigmoid映射即可得到h1；c3其他特征圖也同樣卷積s2中所有特征圖然后加權(quán)加偏置并映射，只是卷積核不一樣。通過這種方式，可以最大限度的將上一層的所有特征進(jìn)行融合。此時c3中的每一個特征圖都是上一層特征的融合。

步驟三，構(gòu)建基于cnn-svm的分類模型，實(shí)現(xiàn)念珠菌識別，其構(gòu)建流程如下：1)選取白帶涂片庫樣本；2)基于形態(tài)學(xué)和hough圓檢測算法，得到感興趣區(qū)域訓(xùn)練圖；3)經(jīng)過上述步驟，每一張產(chǎn)生的念珠菌圖像集(60*60像素大小)分別作為測試集；4)選取10次測試得到最佳的cnn網(wǎng)絡(luò)參數(shù)，并在此參數(shù)下提取念珠菌模式學(xué)習(xí)庫的特征，作為支持向量機(jī)svm分類器訓(xùn)練的輸入。5)基于svm構(gòu)建分類器模型。

本次實(shí)施例數(shù)據(jù)集由念珠菌模式學(xué)習(xí)庫組成。學(xué)習(xí)庫由505幅60*60大小的圖片構(gòu)成，隨機(jī)選取10張由大圖768*576在hough圓檢測下產(chǎn)生的60*60像素的念珠菌以及噪聲圖片，分別進(jìn)行實(shí)驗(yàn)，由于深度學(xué)習(xí)在樣本迭代過程中是圖片是分批進(jìn)行，而且訓(xùn)練順序隨機(jī)選取，本實(shí)施例對隨機(jī)選取的10張768*576圖片產(chǎn)生的念珠菌圖片，分別作為測試集，每張圖像進(jìn)行10次訓(xùn)練試驗(yàn)，選擇最好的測試結(jié)果記錄在表5-3，分類器選擇keras原生的logistic分類算法，并python序列化此時實(shí)驗(yàn)的深度卷積網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)，表1為其中10張圖片實(shí)驗(yàn)結(jié)果。

表1深度卷積網(wǎng)絡(luò)特征提取實(shí)驗(yàn)結(jié)果

3)構(gòu)建基于cnn(convolutionalneuralnetwork，深度卷積網(wǎng)絡(luò))-svm(supportvectormachine，支持向量機(jī))的分類模型，實(shí)現(xiàn)念珠菌識別。

基于步驟二的實(shí)施結(jié)果的深度卷積網(wǎng)絡(luò)框架，應(yīng)用python讀取反序列化后的深度卷積網(wǎng)絡(luò)框架參數(shù)，在此深度卷積框架下對念珠菌圖片進(jìn)行自動特征提取，并應(yīng)用svm進(jìn)行分類，擇線性核函數(shù)，svm懲罰因子默認(rèn)取c＝1.0，為了改變正負(fù)樣本分布不均衡導(dǎo)致svm分類性能下降，此時將正類的權(quán)重設(shè)為class_weight0＝1.5，即在正樣本上，懲罰因子為class_weight*c＝1.5,而負(fù)樣本懲罰因子保持不變，選取步驟二隨機(jī)選取的10張圖片分別進(jìn)行測試，實(shí)驗(yàn)結(jié)果如表2所示。

表2念珠菌識別實(shí)驗(yàn)結(jié)果

cnn-svm分類器與cnn-logstic分類器召回率對比曲線如圖9所示。由圖9可得，訓(xùn)練得到的深度卷積網(wǎng)絡(luò)框架具有較強(qiáng)的特征提取能力，在高維數(shù)據(jù)集下，應(yīng)用設(shè)置權(quán)重偏差的svm分類器獲得了較為穩(wěn)定的分類性能，能較好的對念珠菌進(jìn)行識別。

上述實(shí)施例為本發(fā)明較佳的實(shí)施方式，但本發(fā)明的實(shí)施方式并不受上述實(shí)施例的限制，其他的任何未背離本發(fā)明的精神實(shí)質(zhì)與原理下所作的改變、修飾、替代、組合、簡化，均應(yīng)為等效的置換方式，都包含在本發(fā)明的保護(hù)范圍之內(nèi)。