CN111310838A - 一种基于深度Gabor网络的药效图像分类识别方法 - Google Patents

Abstract

本发明提出一种基于深度Gabor网络的药效图像分类识别方法，包括如下步骤：步骤一，对LINCS数据集中在药物刺激下的细胞影像图像进行数据增强；步骤二，通过Gabor滤波器构建Gabor深度网络；步骤三，对深度Gabor网络进行训练更新参数；步骤四，在测试阶段中，利用训练好的深度Gabor网络作为测试网络，来对需要被分类的细胞影像图像进行分类。

Description

一种基于深度Gabor网络的药效图像分类识别方法

技术领域

本发明涉及图像分类领域，尤其涉及一种基于深度Gabor网络的针对于细胞影像进行药物疗效图像分类识别的方法。

背景技术

新型药物的发现及根据疗效进行药物分类一直是一个难点问题。企业以及政府研发机构在寻找新型药物或对未知药物根据疗效进行分类的过程中往往需要投入大量的人力物力。而随着人工智能技术的不断进步，如何更好地解决这个问题就成为了科研人员的热点研究方向。深度学习技术给图像目标的识别与分类提供了强有力的手段，并在多个社会领域上取得了成功；包括基于图像内容的搜索理解、以图搜图、监控中的人物再识别等。事实上，基于深度学习技术的人工智能手段也开始逐渐应用到新型传染病方面，特别是针对最近的新冠肺炎的药物精准筛选和药物疗效分析方面并展示了其有效的支撑作用。

目前，由BROAD研究所承担的LINCS(Library of Integrated Network-basedCellular Signatures)数据是在药物分类领域涵盖最全，数据量最大的。该数据集获得了77种典型细胞系中4000余个基因沉默剂和7000余种化学小分子刺激下的130余万个全基因组表达谱及细胞影像。面向图像目标识别与分类的深度学习主要采用基于卷积神经网络的结构，并在结构、网络的层数、网络的参数量上逐渐提高，对系统提高了要求。这就导致基于卷积神经网络的深度学习技术会产生大量的待训练参数。同时，采用卷积神经网络来进行图像特征提取目前还缺乏理论上的有效支撑，这就会导致该技术很难有效地利用在某些对于设备可靠性要求较高的领域，例如根据药物作用下的细胞影像图像进行药物疗效分类。因此，研究一种参数量低且具有可解释性的网络来代替卷积层就具有重要的意义。

在传统的机器学习与图像识别方法中，Gabor滤波器作为一种常用的图像特征提取手段，它模拟了人脑对于纹理的响应，有完整的理论分析与支撑。Gabor滤波器具有在空间域和频率域均取得最优局部化的特性，能够很好地描述对应于空间频率，空间位置及方向的局部结构信息，相比于卷积神经网络还具有很小的参数量；因此适合用于针对细胞影像进行新型药物疗效图像分类识别。

发明内容

为了解决上述技术问题，本发明提出了一种基于深度Gabor网络的药效图像分类识别理解方法，用来对药物作用下的细胞影像图像进行分类识别和理解。相比于现有的基于深度卷积神经网络的方法具有更小的参数量以及更好地可解释性。包括如下步骤：

步骤1、对从LINCS数据集中获得的在药物作用下的细胞影像图像进行数据增强，来提升网络对于不同情况下的细胞影像图像的鲁棒性。

步骤2、通过Gabor滤波器等来构建深度Gabor网络。Gabor网络主要包括特征提取部分以及分类部分。其中，特征提取部分包括多层Gabor层，池化层，激活层以及批归一化层。分类部分包括两层全连接层。

步骤3、将步骤1得到的数据增强后的图像数据作为深度Gabor网络的输入，利用监督学习方法，训练深度Gabor网络。具体的说，将深度Gabor网络预测输出与真实值进行误差计算并采用带有动量的SGD优化函数来对深度Gabor网络的参数进行学习优化。

步骤4、在测试阶段中，利用训练好的深度Gabor网络作为测试网络，来对需要被识别的药物进行疗效分类。

进一步的，所述步骤一对LINCS数据集中在药物刺激下的细胞影像图像进行数据增强包括：

调节图像亮度/对比度，对图像进行随机裁剪，对图像进行随机旋转；提升分类网络对于各类情况的鲁棒性，使得多尺度分类网络能够适用于不同的情形。

进一步的，所述步骤二通过Gabor滤波器构建Gabor深度网络，所述深度Gabor网络包括Gabor层，池化层，激活层以及批归一化层各三个组成特征提取层，同时还有两个全连接层作为分类层；各层的详细设计如下：

(1)Gabor层，Gabor层由Gabor滤波器构成；其表示如下：

x'＝xcosθ+ysinθ

y'＝-xsinθ+ycosθ

其中，x,y为二维卷积核坐标，λ为波长，θ为滤波器方向，σ为高斯核标准差，Gabor滤波器中θ与λ为可训练参数，随机初始化取值如下：

θ∈(-π,π)

λ∈(2,0.2×min(height,width))

min为取最小值函数；height为图像高度，width为图像宽度；

(2)池化层，在深度Gabor网络的设计中，池化层均采用平均池化，池化层用于聚合特征信息；

(3)激活层，在深度Gabor网络的设计中，采用“ReLu”函数，所述激活层用于增加网络的非线性，提升网络的学习能力；

(4)批归一化层，用于将本层的输入归一化为均值为0，标准差为1的数据，其计算方法如下：

y_i＝γx′_i+β

其中，m为每批样本个数，μ_B为样本平均值，

为样本标准差，∈选取0.0001，γ和β为可训练参数,初始值选取γ＝1.0，β＝0.1，y_i为输出；

(5)分类层，分类层用于对前层提取的特征进行分类，包括两个全连接层，输入维度为前层所提取的特征维度，输出维度为待分类的类别。

进一步的，所述步骤三包括：在深度Gabor网络的训练过程中，误差函数选择交叉熵损失函数(CrossEntropy Loss)，优化器采用带有动量的随机梯度下降(SGD)优化器，初始学习率设置为0.001，同时，训练过程中引入了L2正则化以及Dropout来防止过拟合，Dropout的概率选取为0.5。

进一步的，所述步骤四，在测试阶段中，利用训练好的深度Gabor网络作为测试网络，来对需要被分类的细胞影像图像进行分类，具体包括：

将在药物刺激下的细胞影像图像输入到固定好参数的深度Gabor网络中，经过网络的计算，输出所有类别的分类概率，选取概率最大的类别即为该药物所对应的疗效类别。

有益效果：

本发明创新性的提出采用Gabor滤波器来替换卷积神经网络中的卷积层，用来对药物疗效进行分类。采用Gabor滤波器来替换卷积层的优势在于：

1、Gabor滤波器作为一种专门用于提取图像轮廓信息的滤波器，相比于卷积神经网络可以更好的对图像中，尤其是药物作用下的细胞影像图像中的目标物体进行轮廓提取。这是因为，细胞影像图像往往存在空白区域较大，目标物体聚集且极易混淆的情况。如果采用卷积神经网络这种针对于一个区域进行一并卷积的做法，往往会丢失掉较多的边缘和轮廓信息，且无法区分混淆在一起的两个目标物体，从而导致分类结果出错。

2、Gabor滤波器具有完备的知识理论，针对于不同的情况通常可以通过调节滤波器中的某些参数来更好地适应。如果发生错误，也往往可以推导求证来进行改进。但卷积神经网络尚缺乏相关的理论支撑，出现错误也无法进行有针对性的改进。故对于药物疗效分类这种精确度要求高，理论要求完善的领域Gabor滤波器可以更好的满足要求。且通过搭配深度神经网络中的激活层、池化层以及归一化层，来构建深度Gabor网络，并进行网络的训练与参数优化。

附图说明

图1为本发明提出的针对于细胞影像进行药物疗效分类方法的流程图；

图2为本发明提出的深度Gabor网络的结构图。

具体实施方案

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅为本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域的普通技术人员在不付出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。

根据本发明的一个实施例，提出一种基于深度Gabor网络的药效图像分类识别方法，包括如下步骤：

步骤一，对LINCS数据集中在药物刺激下的细胞影像图像进行数据增强。数据增强的方法包括：调节图像亮度/对比度，对图像进行随机裁剪，对图像进行随机旋转。做数据增强的目的在于提升分类网络对于各类情况的鲁棒性，使得多尺度分类网络能够更好的适用于不同的情形。

步骤二，通过Gabor滤波器等来构建深度Gabor网络。其中深度Gabor网络的构建细节如图2所示，它包括Gabor层1、2、3,平均池化层1、2、3，ReLu激活层以及批归一化层1、2、3，同时还有两个全连接层作为分类层。其中，Gabor层1的滤波器数量选取为64，Gabor层2与Gabor层3的滤波器数量选取为256。这样选取的原因在于，对低层的图像来说，图像经过的处理较少，故较少的滤波器即可以提取到较为丰富的细节信息。对于高层的图像来说，图像经过的处理更多，故需要更多的滤波器才可以提取到较为丰富的语义信息，而语义信息更有利于进行图像的分类，增强模型的鲁棒性。平均池化层1、2、3则均采用了步长为2，大小为2*2的平均池化。ReLu激活层采用ReLu函数来对输入数据进行非线性激活。批归一化层1、2、3即对输入图像进行归一化操作，缓解过拟合的同时使得深度神经网络更容易进行训练。批归一化层的维度等于输入图像的维度。分类层则包括两个全连接层，全连接层的输入即上一层特征的维度，第一个全连接层的输出为2K,第二个全连接层的输出则为K，其中K为药物待分类的类别数目。进一步的，各层详细设计原理如下：

1、Gabor层，Gabor层由Gabor滤波器构成。其表示如下：

x'＝xcosθ+ysinθ

y'＝-xsinθ+ycosθ

其中，x,y为二维卷积核坐标，λ为波长，θ为滤波器方向，σ为高斯核标准差。Gabor滤波器中θ与λ为可训练参数，随机初始化取值如下：

θ∈(-π,π)

λ∈(2,0.2×min(height,width))；

2、平均池化层，平均池化层可以聚合特征信息，提升网络的鲁棒性，在深度Gabor网络的设计中，平均池化层均采用步长为2，大小为2*2的平均池化；

3、ReLu激活层，ReLu激活层用于增加网络的非线性，提升网络的学习能力。在深度Gabor网络的设计中，ReLu激活层均采用“ReLu”函数；

4、批归一化层，用于将本层的输入归一化为均值为0，标准差为1的数据，这对避免过拟合现象以及更有效的进行深度网络的训练有很好的效果，其计算方法如下：

y_i＝γx′_i+β

其中，m为每批样本个数，则显然μ_B为样本平均值，

为样本标准差，∈理论上为正无穷小，实验中一般选取0.00001，γ和β为可训练参数,初始值选取γ＝1.0，β＝0.05，y_i为输出。

5、分类层，分类层用于对前层提取的特征进行分类。它包括两个全连接层，全连接层的输入即上一层特征的维度，第一个全连接层的输出为2K,第二个全连接层的输出则为K，其中K为药物待分类的类别数目。

步骤三，对深度Gabor网络进行训练更新参数。在深度Gabor网络的训练过程中，误差函数选择CrossEntropy Loss，优化器采用带有动量的随机梯度下降法(SGD)优化器，初始学习率设置为0.001。同时，训练过程中还引入了L2正则化以及Dropout来防止过拟合。在实验中Dropout的概率选取为0.5。

步骤四，在测试阶段中，利用训练好的深度Gabor网络作为测试网络，来对需要被分类的细胞影像图像进行分类。具体的做法即将在药物刺激下的细胞影像图像输入到固定好参数的深度Gabor网络中。经过网络的计算，输出所有类别的分类概率，选取概率最大的类别即为该药物所对应的疗效类别。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，且应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (5)

1.一种基于深度Gabor网络的药效图像分类识别方法，其特征在于，包括如下步骤：

步骤一，对LINCS数据集中在药物刺激下的细胞影像图像进行数据增强；

步骤二，通过Gabor滤波器构建深度Gabor网络；

步骤三，对深度Gabor网络进行训练更新参数；

步骤四，在测试阶段中，利用训练好的深度Gabor网络作为测试网络，对需要被分类的细胞影像图像进行分类。

2.根据权利要求1所述的一种基于深度Gabor网络的药效图像分类识别方法，其特征在于，所述步骤一对LINCS数据集中在药物刺激下的细胞影像图像进行数据增强包括：

调节图像亮度/对比度，对图像进行随机裁剪，对图像进行随机旋转；提升分类网络对于各类情况的鲁棒性，使得多尺度分类网络能够适用于不同的情形。

3.根据权利要求1所述的一种基于深度Gabor网络的药效图像分类识别方法，其特征在于，所述步骤二通过Gabor滤波器构建深度Gabor网络，所述深度Gabor网络包括Gabor层，池化层，激活层以及批归一化层各三个组成特征提取层，同时还有两个全连接层作为分类层；各层的详细设计如下：

(1)Gabor层，Gabor层由Gabor滤波器构成；其表示如下：

x'＝xcosθ+ysinθ

y'＝-xsinθ+ycosθ

其中，x,y为二维卷积核坐标，λ为波长，θ为滤波器方向，σ为高斯核标准差，Gabor滤波器中θ与λ为可训练参数，随机初始化取值如下：

θ∈(-π,π)

λ∈(2,0.2×min(height,width))

min为取最小值函数；height为图像高度，width为图像宽度；

(2)池化层，在深度Gabor网络的设计中，池化层均采用平均池化，池化层用于聚合特征信息；

(3)激活层，在深度Gabor网络的设计中，采用“ReLu”函数，所述激活层用于增加网络的非线性，提升网络的学习能力；

(4)批归一化层，用于将本层的输入归一化为均值为0，标准差为1的数据，其计算方法如下：

y_i＝γx′_i+β

其中，m为每批样本个数，μ_B为样本平均值，

为样本标准差，∈选取0.00001，γ和β为可训练参数,初始值选取γ＝1.0，β＝0.05，y_i为输出；

(5)分类层，分类层用于对前层提取的特征进行分类。它包括两个全连接层，全连接层的输入即上一层特征的维度，第一个全连接层的输出为2K,第二个全连接层的输出则为K，其中K为药物待分类的类别数目。

4.根据权利要求1所述的一种基于深度Gabor网络的药效图像分类识别方法，其特征在于，所述步骤三包括：

在深度Gabor网络的训练过程中，误差函数选择交叉熵损失函数(CrossEntropyLoss)，优化器采用带有动量的随机梯度下降(SGD)优化器，初始学习率设置为0.001，同时，训练过程中引入了L2正则化以及Dropout来防止过拟合，Dropout的概率选取为0.5。

5.根据权利要求1所述的一种基于深度Gabor网络的药效图像分类识别方法，其特征在于，所述步骤四，在测试阶段中，利用训练好的深度Gabor网络作为测试网络，来对需要被分类的细胞影像图像进行分类，具体包括：

将在药物刺激下的细胞影像图像输入到固定好参数的深度Gabor网络中，经过网络的计算，输出所有类别的分类概率，选取概率最大的类别即为该药物所对应的疗效类别。

Images