申请/专利权人：中南民族大学

申请日：2019-08-07

公开（公告）日：2020-11-24

公开（公告）号：CN110533080B

主分类号：G06K9/62(20060101)

分类号：G06K9/62(20060101);G06N3/12(20060101)

优先权：

专利状态码：有效-授权

法律状态：2020.11.24#授权;2019.12.27#实质审查的生效;2019.12.03#公开

摘要：本发明公开了一种基于模糊规则集的乳腺癌细胞图像分类方法，该方法包括以下步骤：训练阶段：获取多幅良性的和恶性的乳腺癌细胞图像，将其作为训练数据，从训练数据中提取乳腺癌细胞图像的特征参数；将乳腺癌细胞图像的特征参数输入遗传优化串型分层模糊规则库系统中训练，通过建立层次结构模型，选择变量，利用隶属函数的横向调整并对规则库系统进行优化，训练完成后得到乳腺癌病灶辅助诊断的模型；测试阶段：获取待检测的乳腺细胞图像，对该图像进行特征参数提取，并将提取的图像特征参数数据输入乳腺癌病灶辅助诊断的模型中进行检测，得到检测结果完成对乳腺细胞图像的分类。本发明与传统结构相比减少了规则和模糊操作的数量，提高了分类性能。

主权项：1.一种基于模糊规则集的乳腺癌细胞图像分类方法，其特征在于，该方法包括以下步骤：训练阶段：获取多幅良性的和恶性的乳腺癌细胞图像，将其作为训练数据，从训练数据中提取乳腺癌细胞图像的特征参数；提取乳腺癌细胞的特征参数的方法具体为：步骤1、获取多幅乳腺癌细胞图像，提取图像中同一区域的细胞图像，提取多个图像属性得到数据集；数据集包括从乳腺癌细胞图像中提取的细胞的半径、分量像素中灰度强度的标准偏差、连续边界点之和、边界上像素和边界内部像素、平滑度、紧凑度、凹度、凹凸点、对称性和分形维数这10个属性各自的平均数、标准差和最差平均值，总共30个参数；将乳腺癌细胞图像的特征参数输入遗传优化串型分层模糊规则库系统中训练，通过建立层次结构模型，选择变量，利用隶属函数的横向调整并对规则库系统进行优化，训练完成后得到乳腺癌病灶辅助诊断的模型；对规则库进行优化训练的方法具体为：步骤2、建立层次模糊规则库；具体方法为：设计三重编码结构C：C＝{CH-CT-CR}其中，CH用于编码串行分层结构，CT用于编码隶属函数调整，CR用于编码基于规则的结果；CH表达式为：CH＝{h1,h2,…,hj,…,hN+1}其中，h1…hN+1表示变量；用N+1-排列编码表示具有N个变量的系统的串行分层结构；数字j来表示数据集中的第j个属性，在第i个位置指定数量j表示在串行分层结构的第i个位置使用第j个属性；i等于0时为停止标志，代表在系统中不会选择0之后的属性；步骤3、对层次模糊规则库的隶属函数进行横向调整；具体方法为：使用尺寸为I·M·N′的实矩阵来表达CT；其中，I是每个模块的输入变量数，M是用来编码每个输入变量的隶属函数的数量，N′是数据集中所选变量的数量，N′≤N；该部分对应于模糊系统中隶属函数的编码；则CT的具体表达式为：CT＝{t1，1，1,…,t1，1，N′；…,tI，M-1，N′}其中，tp，q，k用于调整系统的第q个模块中第p个输入变量的第k个隶属函数的值；对于每组隶属函数确定一个实际值来表示隶属函数的核心，该值在均匀分布的核心的预定范围内变化；步骤4、根据横向调整的结果对层次模糊规则库进行优化；步骤5、利用遗传算法GA算子对层次模糊规则库进行优化；步骤6、定义输入变量对于分类的重要因子，根据重要因子的排序对变量进行重新选择；得到调整输入变量且优化后的规则库，即训练后的模型；具体方法为：定义输入变量对于分类问题的重要性因子；系统中变量被选择的频率越高，变量的重要性因子值越大或者在序列层次结构中变量排名越低，变量的重要性因子值越大；λk定义为表示第k个属性对分类问题的重要性因子： 其中，Rki是N个执行结果中第i个执行结果中Vi的串行分层结构中第k个属性的排序数，|Vi|表示所选变量的数量；利用建立的模型完成对特征变量的排序及选择，建立系统的规则库；测试阶段：获取待检测的乳腺细胞图像，对该图像进行特征参数提取，并将提取的图像特征参数数据输入乳腺癌病灶辅助诊断的模型中进行检测，得到检测结果完成对乳腺细胞图像的分类。

全文数据：

权利要求：

百度查询： 中南民族大学 一种基于模糊规则集的乳腺癌细胞图像分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD