[發明專利]一種甲狀腺腫瘤細胞學涂片圖像分類方法及其裝置

有效

• 申請號: 201810318242.3
• 申請日: 2018-04-10
• 公開（公告）號: CN108564123B
• 公開（公告）日: 2021-11-02
• 發明（設計）人: 向俊;盧宏濤;官青;王蘊珺;平波;萬曉春;李端樹;杜佳俊;秦宇
• 申請（專利權）人: 復旦大學附屬腫瘤醫院;上海交通大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上海容慧專利代理事務所(普通合伙) 31287
• 代理人: 于曉菁

1.一種甲狀腺腫瘤細胞學涂片圖像分類方法，其特征在于，包括：

獲取若干一定尺寸的經良惡性標注的甲狀腺腫瘤細胞學涂片圖像；

用獲取的圖像組成訓練集，并對訓練集進行數據擴增；

生成初步卷積神經網絡；

用擴增后的訓練集訓練初步卷積神經網絡，優化其參數，使其可判斷甲狀腺腫瘤細胞學涂片圖像中細胞的良惡性，從而形成成熟卷積神經網絡；

獲取待分類的甲狀腺腫瘤細胞學涂片圖像，用成熟卷積神經網絡對該圖像中的細胞進行良惡性判斷：圖像中所有細胞均判斷為良性則輸出良性結果，圖像中有至少一個細胞為惡性則輸出惡性結果；

所述生成初步卷積神經網絡中，所述初步卷積神經網絡由強化學習方法尋找最適合甲狀腺腫瘤細胞學涂片圖像分類的現有卷積神經網絡作為基礎，采用循環神經網絡作為強化學習網絡預測器，搜索并生成各種卷積神經網絡，對其進行初步訓練并設定一個準確率閾值，將準確率高于閾值的卷積神經網絡作為初步卷積神經網絡；循環神經網絡每次迭代都會給卷積神經網絡添加一層，包括卷積層、池化層和全連接層，或者結束卷積神經網絡的生成過程；對于卷積層，循環神經網絡預測其通道數量和內核大小；對于池化層，循環神經網絡預測其內核大小；對于全連接層，循環神經網絡預測其通道數量；

所述用擴增后的訓練集訓練初步卷積神經網絡，優化其參數，使其可判斷甲狀腺腫瘤細胞學涂片圖像中細胞的良惡性，從而形成成熟卷積神經網絡中，采用帶mini-batch的隨機梯度下降法對初步卷積神經網絡進行訓練。

2.如權利要求1所述的甲狀腺腫瘤細胞學涂片圖像分類方法，其特征在于，所述獲取若干一定尺寸的經良惡性標注的甲狀腺腫瘤細胞學涂片圖像中，所述一定尺寸的經良惡性標注的甲狀腺腫瘤細胞學涂片圖像是按下述方法獲得的：從甲狀腺腫瘤細胞學涂片的顯微照片中有辨別力的區域中截取若干一定尺寸的圖像，并由人工進行良惡性標注。

3.如權利要求1所述的甲狀腺腫瘤細胞學涂片圖像分類方法，其特征在于，所述甲狀腺腫瘤細胞學涂片為甲狀腺腫瘤穿刺細胞學涂片。

4.如權利要求1所述的甲狀腺腫瘤細胞學涂片圖像分類方法，其特征在于，所述用獲取的圖像組成訓練集，并對訓練集進行數據擴增中，所述數據擴增的方法為：采用對圖像進行水平翻轉和/或旋轉的方式進行數據擴增。

5.如權利要求1所述的甲狀腺腫瘤細胞學涂片圖像分類方法，其特征在于，所述生成初步卷積神經網絡中，所述初步卷積神經網絡在VGG-16或Inception V3基礎上生成。

6.如權利要求1所述的甲狀腺腫瘤細胞學涂片圖像分類方法，其特征在于，所述獲取待分類的甲狀腺腫瘤細胞學涂片圖像，用成熟卷積神經網絡對該圖像中的細胞進行良惡性判斷：圖像中所有細胞均判斷為良性則輸出良性結果，圖像中有至少一個細胞為惡性則輸出惡性結果中，所述待分類的甲狀腺腫瘤細胞學涂片圖像的由滑動窗口法從甲狀腺腫瘤細胞學涂片的顯微照片中自動截取。