專利名稱:基于集成級聯(lián)架構(gòu)的生物顯微圖像分類方法
技術(shù)領(lǐng)域:
本發(fā)明屬于智能圖像分析領(lǐng)域,尤其是生物顯微鏡圖像的高可靠性分類方法,具體涉及一種基于集成級聯(lián)架構(gòu)的生物顯微圖像分類方法。
背景技術(shù):
真核細(xì)胞具有很多被稱為細(xì)胞器的組成部件,每一個細(xì)胞器都含有一個特定的蛋白質(zhì)位置,因此,他們具有不同的生化屬性。對于理解細(xì)胞的功能以及構(gòu)造方式以及捕捉細(xì)胞的激活行為而言,確定其蛋白質(zhì)的位置是至關(guān)重要的。研究表明,蛋白質(zhì)的錯位和很多疾病如代謝紊亂、癌癥有著緊密的聯(lián)系。因此,細(xì)胞蛋白質(zhì)的檢測分類對于早期疾病的診斷甚至藥物的療效監(jiān)測都是一個很有效的方法。目前廣泛使用的亞細(xì)胞蛋白質(zhì)位置檢測方法是熒光顯微法。近年來,有很多基于熒光顯微鏡圖像的亞細(xì)胞蛋白質(zhì)位置檢測方法。以正確的細(xì)胞圖像分割為基礎(chǔ),顯型檢測問題就成為了一個多類的圖像分類問題,包含兩個主要的步驟特征表示和分類。一般來說,大部分的基于圖像的細(xì)胞結(jié)構(gòu)分析使用多種圖像特征的組合來表示圖像,例如形態(tài)學(xué)、邊緣、紋理、幾何特征、矩以及小波特征。最近,圖像特征描述方法的進(jìn)步產(chǎn)生了一些“拿來即用”的特征提取方法,這些方法可以直接應(yīng)用于生物圖像分析領(lǐng)域。這里使用曲線波變換(Curvelet Transform)、灰度共生矩陣的統(tǒng)計(jì)特征和局部紋理特征組合的圖像描述方法,得到了較好的圖像分類效果。另一方面,大量的機(jī)器學(xué)習(xí)和智能計(jì)算方法已經(jīng)進(jìn)入到生物體圖像分析領(lǐng)域,例如人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)(SVM)等。這些工具已經(jīng)廣泛地用于熒光顯微鏡圖像的分類以及亞細(xì)胞蛋白質(zhì)的分類中。然而,生物顯微鏡圖像具有一個顯著的特點(diǎn)圖像具有較大的類間相似性和類內(nèi)相異性,這決定了使用常用的分類器難以達(dá)到很好的分類邊界。此外,由于多種圖像特征的組合使用,特征的維數(shù)不斷增加,使得特征向量的維數(shù)超過了訓(xùn)練集的樣本數(shù)。采用分類器集成機(jī)制(Classifier Ensemble)將解決單一分類器所存在的問題,提高分類的效果。針對特征維數(shù)問題,采用隨機(jī)子空間(Random Subspace)方法可以有效地降低特征維數(shù),同時,還可以提高集成分類器的多樣性,進(jìn)一步提升分類效果。以往的生物顯微鏡圖像分類中,只把分類正確率作為唯一的評判標(biāo)準(zhǔn),然而,在很多生物醫(yī)學(xué)問題中,更為重要的是分類的結(jié)果的可靠性。例如,在癌癥早期的診斷和藥物藥效研究中,應(yīng)該將無法可靠評估和分類的案例拒絕分類,交給其他工具或?qū)<姨幚?,這樣,可以大大降低錯誤分類造成的嚴(yán)重后果。因此,在計(jì)算機(jī)輔助診斷(Computer AidedDiagnosis)中引入拒絕分類機(jī)制,將可以大大提高系統(tǒng)的可靠性,使得系統(tǒng)誤判的概率大大降低,避免由于誤判所帶來的風(fēng)險。
發(fā)明內(nèi)容
本發(fā)明目的在于提供一種基于集成級聯(lián)架構(gòu)的生物顯微圖像分類系統(tǒng),解決了現(xiàn)有技術(shù)中圖像分類效果差、系統(tǒng)誤判概率較大等問題。
為了解決現(xiàn)有技術(shù)中的這些問題,本發(fā)明提供的技術(shù)方案是:一種基于集成級聯(lián)架構(gòu)的生物顯微圖像分類系統(tǒng),其特征在于所述系統(tǒng)包括若干層的集成分類器,所述集成分類器依層串聯(lián)連接形成集成級聯(lián)架構(gòu),每一層集成分類器由一個具有若干個基分類器的集成分類器構(gòu)成,且每一層集成分類器對生物顯微圖像分類目標(biāo)進(jìn)行分類結(jié)果評判時,在當(dāng)前層無法判定的分類目標(biāo)將被拒絕分類而傳遞到下一層,由下一層的集成分類器進(jìn)行分類處理,依次循環(huán);當(dāng)所有層的集成分類器均無法對生物顯微圖像分類目標(biāo)進(jìn)行自動分類時,交由人工專家系統(tǒng)進(jìn)行分類。優(yōu)選的,所述系統(tǒng)為兩層的集成分類器串聯(lián)連接而成,所述系統(tǒng)后端連接人工專家系統(tǒng)。優(yōu)選的,第一層集成分類器內(nèi)構(gòu)建有若干組分類專家,所述分類專家對導(dǎo)入的生物顯微圖像分類目標(biāo)進(jìn)行分類,并提交分類結(jié)果;每組分類專家內(nèi)構(gòu)建有若干個兩類的支持向量機(jī);每個支持向量機(jī)只根據(jù)生物顯微圖像分類目標(biāo)的某種分類數(shù)據(jù)進(jìn)行判別生物顯微圖像分類目標(biāo)是否屬于此類。
優(yōu)選的,第一層集成分類器最終的分類結(jié)果由投票機(jī)制決定,投票結(jié)果應(yīng)用拒絕分類判別函數(shù),不滿足判別條件的生物顯微圖像分類目標(biāo)將不做分類而傳遞到下一層集成分類器。優(yōu)選的,第二層集成分類器由若干個多層感知器集合而成,每個多層感知器設(shè)置有I個隱藏層和I個含有K個輸出節(jié)點(diǎn)的輸出層;所述隱藏層采用sigmoid函數(shù),所述輸出層采用線性函數(shù)作為激活函數(shù);當(dāng)一個待分類的生物顯微圖像分類目標(biāo)進(jìn)入時,所有的多層感知器均將對其分類,最終結(jié)果將會通過投票得到;最終的分類結(jié)果由投票機(jī)制決定,投票結(jié)果應(yīng)用拒絕分類判別函數(shù),不滿足判別條件的生物顯微圖像分類目標(biāo)將不做分類而傳遞到人工專家系統(tǒng)。優(yōu)選的,所述支持向量機(jī)和多層感知器均使用隨機(jī)子空間方法對訓(xùn)練特征向量進(jìn)行隨機(jī)抽取訓(xùn)練。優(yōu)選的,所述特征向量通過選自曲線波變換、灰度共生矩陣、基于完整局部二值模式的至少一種進(jìn)行特征抽取后組成特征向量。本發(fā)明的另一目的在于提供一種采用所述的基于集成級聯(lián)架構(gòu)的生物顯微圖像分類系統(tǒng)進(jìn)行分類的方法,其特征在于所述方法包括先通過第一層集成分類器對生物顯微圖像分類目標(biāo)進(jìn)行分類;當(dāng)?shù)谝粚蛹煞诸惼鳠o法判定生物顯微圖像分類目標(biāo)的最終分類結(jié)果時,將被拒絕分類而傳遞到下一層,由下一層的集成分類器進(jìn)行分類處理,依次循環(huán)直至最后一層集成分類器分類結(jié)束;當(dāng)當(dāng)所有層的集成分類器均無法對生物顯微圖像分類目標(biāo)進(jìn)行自動分類時,交由人工專家系統(tǒng)進(jìn)行分類的步驟。優(yōu)選的,所述方法中拒絕分類判別機(jī)制是通過閾值作為拒絕分類的判定規(guī)則。優(yōu)選的,所述方法中所述系統(tǒng)為兩層的集成分類器串聯(lián)連接而成,所述系統(tǒng)后端連接人工專家系統(tǒng),閾值t按照式(I)確定:
+ M is even
_9] -1 ±ι if μ mkL
1 2(I).
其中,M為多層感知器的個數(shù)。
本發(fā)明提供了一種基于集成級聯(lián)架構(gòu)的生物顯微圖像高可靠性分類方法,采用級聯(lián)(Cascade)的若干層(優(yōu)選兩層)集成分類器的模型,在每一層分類器中加入拒絕分類評估模塊,可靠性評估低于設(shè)定標(biāo)準(zhǔn)的分類對象將會被當(dāng)前層拒絕分類并傳遞到下一層繼續(xù)處理,若計(jì)算機(jī)自動無法分類的,則交由人工專家決定。本發(fā)明技術(shù)方案獲得的級聯(lián)集成分類模式的生物顯微鏡圖像分類系統(tǒng),提高了生物顯微鏡圖像的分類精度并保證了系統(tǒng)分類結(jié)果的可靠性。本發(fā)明技術(shù)方案中生物顯微鏡圖像可以采用多種圖像特征提取方法組合行特征提取。使用的特征提取方法包括但不限于:(I)曲線波變換(Curvlet Transform):曲線波變換是最近提出的一種非自適應(yīng)變換,和小波變換相比,曲線波變換具有提取圖像方向性特征的能力,例如圖像中的邊緣。曲線波變換將生物顯微圖像變換到不同的頻率子帶(Sub-band)中,然后對各個頻率子帶進(jìn)行特征統(tǒng)計(jì),均值、方差和熵用作子帶的統(tǒng)計(jì)特征。當(dāng)每幅圖像變換后具有η個子帶時,將得到一個3η維度的曲線波特征向量。(2)灰度共生矩陣(Gray Level Co-occurrence Matrix)統(tǒng)計(jì)特征生物顯微圖像的全局紋理特征使用灰度共生矩陣的多個統(tǒng)計(jì)特征組合得到?;叶裙采怕侍峁┝?一種生成圖像特征的二階方法。(3)局部紋理特征的提取基于完整局部二值模式(Completed Local Binary Pattern,CLBP)用于提取生物顯微鏡圖像的局部紋理特征。將提取三個通道的LBP,分別為CLBP_S,CLBP_M和CLBP_C,三個通道的特征最終生成一個3維的交叉直方圖用于描述圖像局部紋理特征。(4)多特征融合以上提取的多種特征將被規(guī)范化到[-11]范圍內(nèi),并連接組成特征向量。為達(dá)到高可靠性分類,本發(fā)明采用級聯(lián)兩層集成分類器的架構(gòu)形式,每一層分類器由一個具有多個基分類器的集成分類器(Ensemble)構(gòu)成,并擁有對分類結(jié)果的評判
機(jī)制-拒絕分類機(jī)制(reject option),在當(dāng)前層無法判定的分類目標(biāo),將被拒絕分類
(reject)而傳遞到下一層由下一層的集成分類器進(jìn)行分類處理,而最終計(jì)算機(jī)無法自動分類的圖像將交由人工專家進(jìn)行分類。集成、級聯(lián)架構(gòu)和拒絕分類機(jī)制的使用可確保分類的可靠性。在對所有的分類器進(jìn)行訓(xùn)練時,采用隨機(jī)子空間方法(Random Subspace)隨機(jī)抽取一定比例的特征向量進(jìn)行訓(xùn)練,因此,每個SVM得到的訓(xùn)練數(shù)據(jù)都可能是不同的,這樣可以加大集成分類器內(nèi)部的多樣性(diversity),而很多研究已經(jīng)表明,當(dāng)集成分類器內(nèi)部的多樣性增加時,往往可以得到更好的分類效果。第一層的集成分類器將由如下方式構(gòu)成,對于一個K類的分類問題,首先為每一類分類圖像構(gòu)建一個兩類的(binary)支持向量機(jī)(SVM),此支持向量機(jī)只對所有分類對象分為正類和負(fù)類,即,SVMi只針對第i類的分類數(shù)據(jù)進(jìn)行判別是否屬于此類,因此,對于K類的分類問題,將構(gòu)建K個SVM用于分別響應(yīng)每一類的分類對象。從SVMl到SVMk共K個SVM合稱為一個分類專家(Expert),第一層的集成分類器集成M個分類專家,其中,M的大小可以由實(shí)驗(yàn)決定。當(dāng)有一個待分類圖像進(jìn)入時,所有的分類專家都對此對象進(jìn)行分類,提交分類結(jié)果,最終的分類結(jié)果將由投票機(jī)制決定(Majority Voting),此時,對于投票結(jié)果應(yīng)用拒絕分類判別函數(shù)(reject option),不滿足判別條件的對象將不做分類而傳遞到下一層。被第一層分類器拒絕的圖像將會傳遞到第二層進(jìn)行分類。第二層的分類器由多層感知器(Mult1-Layer Perceptron, MLP)集合構(gòu)成。每個MLP由一個隱藏層和K個輸出節(jié)點(diǎn),每一個對應(yīng)一個類標(biāo)簽。MLP的隱藏層使用sigmoid函數(shù),輸出層用線性函數(shù)作為激活函數(shù)。同樣,當(dāng)一個待分類圖像進(jìn)入時,所有的MLP都將對其分類,最終結(jié)果將會通過投票得到,當(dāng)分類結(jié)果達(dá)不到判別要求時,拒絕分類機(jī)制同樣會把此對象傳遞到下一層(人工專家)進(jìn)行分類。和第一層的SVM集合一樣,MLP集成分類器同樣使用隨機(jī)子空間方法對訓(xùn)練特征向量進(jìn)行隨機(jī)抽取以增加MLP集合的多樣性。對于具有M個基分類器的集成分類器,采用簡單的閾值作為拒絕分類的判定規(guī)貝IJ,例如:
權(quán)利要求
1.一種基于集成級聯(lián)架構(gòu)的生物顯微圖像分類系統(tǒng),其特征在于所述系統(tǒng)包括若干層的集成分類器,所述集成分類器依層串聯(lián)連接形成集成級聯(lián)架構(gòu),每一層集成分類器由一個具有若干個基分類器的集成分類器構(gòu)成,且每一層集成分類器對生物顯微圖像分類目標(biāo)進(jìn)行分類結(jié)果評判時,在當(dāng)前層無法判定的分類目標(biāo)將被拒絕分類而傳遞到下一層,由下一層的集成分類器進(jìn)行分類處理,依次循環(huán);當(dāng)所有層的集成分類器均無法對生物顯微圖像分類目標(biāo)進(jìn)行自動分類時,交由人工專家系統(tǒng)進(jìn)行分類。
2.根據(jù)權(quán)利要求1所述的基于集成級聯(lián)架構(gòu)的生物顯微圖像分類系統(tǒng),其特征在于所述系統(tǒng)為兩層的集成分類器串聯(lián)連接而成,所述系統(tǒng)后端連接人工專家系統(tǒng)。
3.根據(jù)權(quán)利要求2所述的基于集成級聯(lián)架構(gòu)的生物顯微圖像分類系統(tǒng),其特征在于第一層集成分類器內(nèi)構(gòu)建有若干組分類專家,所述分類專家對導(dǎo)入的生物顯微圖像分類目標(biāo)進(jìn)行分類,并提交分類結(jié)果;每組分類專家內(nèi)構(gòu)建有若干個兩類的支持向量機(jī);每個支持向量機(jī)只根據(jù)生物顯微圖像分類目標(biāo)的某種分類數(shù)據(jù)進(jìn)行判別生物顯微圖像分類目標(biāo)是否屬于此類。
4.根據(jù)權(quán)利要求2所述的基于集成級聯(lián)架構(gòu)的生物顯微圖像分類系統(tǒng),其特征在于第一層集成分類器最終的分類結(jié)果由投票機(jī)制決定,投票結(jié)果應(yīng)用拒絕分類判別函數(shù),不滿足判別條件的生物顯微圖像分類目標(biāo)將不做分類而傳遞到下一層集成分類器。
5.根據(jù)權(quán)利要求2所述的基于集成級聯(lián)架構(gòu)的生物顯微圖像分類系統(tǒng),其特征在于第二層集成分類器由若干個多層感知器集合而成,每個多層感知器設(shè)置有I個隱藏層和I個含有K個輸出節(jié)點(diǎn)的輸出層;所述隱藏層采用Sigmoid函數(shù),所述輸出層采用線性函數(shù)作為激活函數(shù);當(dāng)一個待分類的生物顯微圖像分類目標(biāo)進(jìn)入時,所有的多層感知器均將對其分類,最終結(jié)果將會通過投票得到;最終的分類結(jié)果由投票機(jī)制決定,投票結(jié)果應(yīng)用拒絕分類判別函數(shù),不滿足判別條件的生物顯微圖像分類目標(biāo)將不做分類而傳遞到人工專家系統(tǒng)。
6.根據(jù)權(quán)利要求3或5所述的基于集成級聯(lián)架構(gòu)的生物顯微圖像分類系統(tǒng),其特征在于所述支持向量機(jī)和多層感知器均使用隨機(jī)子空間方法對訓(xùn)練特征向量進(jìn)行隨機(jī)抽取訓(xùn)練。
7.根據(jù)權(quán)利要求6所述的基于集成級聯(lián)架構(gòu)的生物顯微圖像分類系統(tǒng),其特征在于所述特征向量通過選自曲線波變換、灰度共生矩陣、基于完整局部二值模式的至少一種進(jìn)行特征抽取后組成特征向量。
8.一種采用權(quán)利要求1所述的基于集成級聯(lián)架構(gòu)的生物顯微圖像分類系統(tǒng)進(jìn)行分類的方法,其特征在于所述方法包括先通過第一層集成分類器對生物顯微圖像分類目標(biāo)進(jìn)行分類;當(dāng)?shù)谝粚蛹煞诸惼鳠o法判定生物顯微圖像分類目標(biāo)的最終分類結(jié)果時,將被拒絕分類而傳遞到下一層,由下一層的集成分類器進(jìn)行分類處理,依次循環(huán)直至最后一層集成分類器分類結(jié)束;當(dāng)當(dāng)所有層的集成分類器均無法對生物顯微圖像分類目標(biāo)進(jìn)行自動分類時,交由人工專家系統(tǒng)進(jìn)行分類的步驟。
9.根據(jù)權(quán)利要求8所述的方法,其特征在于所述方法中拒絕分類判別機(jī)制是通過閾值作為拒絕分類的判定規(guī)則。
10.根據(jù)權(quán)利要求8所述的方法,其特征在于所述方法中所述系統(tǒng)為兩層的集成分類器串聯(lián)連接而成,所述系統(tǒng)后端連 接人工專家系統(tǒng),閾值t按照式(I)確定:
全文摘要
本發(fā)明公開了一種基于集成級聯(lián)架構(gòu)的生物顯微圖像分類系統(tǒng),其特征在于所述系統(tǒng)包括若干層的集成分類器,所述集成分類器依層串聯(lián)連接形成集成級聯(lián)架構(gòu),每一層集成分類器由一個具有若干個基分類器的集成分類器構(gòu)成,且每一層集成分類器對生物顯微圖像分類目標(biāo)進(jìn)行分類結(jié)果評判時,在當(dāng)前層無法判定的分類目標(biāo)將被拒絕分類而傳遞到下一層,由下一層的集成分類器進(jìn)行分類處理,依次循環(huán);當(dāng)所有層的集成分類器均無法對生物顯微圖像分類目標(biāo)進(jìn)行自動分類時,交由人工專家系統(tǒng)進(jìn)行分類。實(shí)驗(yàn)證實(shí),在合理的拒分率范圍內(nèi),此系統(tǒng)可顯著提高生物顯微鏡圖像分類的可靠性和準(zhǔn)確率。
文檔編號G06K9/62GK103077399SQ20121049957
公開日2013年5月1日 申請日期2012年11月29日 優(yōu)先權(quán)日2012年11月29日
發(fā)明者張百靈, 張?jiān)聘?申請人:西交利物浦大學(xué)