[發明專利]基于深度學習的乳腺癌病理切片中癌癥區域的檢測方法

在審

• 申請號: 201811407164.0
• 申請日: 2018-11-23
• 公開（公告）號: CN109740626A
• 公開（公告）日: 2019-05-10
• 發明（設計）人: 鄭先斐;丁隆乾;孫玲玲
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G16H50/20
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 朱月芬

本發明公開了一種基于深度學習的乳腺癌病理切片中癌癥區域的檢測方法；本發明結合乳腺癌病理切片沒有固定方向的特點，系統地使用合理的數據增強技術，包括隨機裁剪、旋轉、左右翻轉等幾何變換的數據增強技術。同時也使用了隨機亮度、銳化等顏色變換的數據增強技術。在訓練的時候實時進行數據增強，能夠增大數據集的多樣性，擴充訓練樣本集，有效提高分類器的泛化能力。最后用實時過采樣方法，來解決數據集的各個類別數據不平衡的問題；本發明針對該數據集切片中各個類別乳腺癌區域大小差別大的特點，系統地使用了類別等概率的實時過采樣方法和多種在醫療疾病圖像上合理的數據增強方法，解決了數據不平衡和良性、原位癌類別數據量很少的問題。

技術領域

本發明屬于人工智能領域，涉及一種基于深度學習的乳腺癌病理切 片中的癌癥區域檢測方法。

背景技術

乳腺癌(breast cancer)是一種從乳房組織發展而來的癌癥腺癌是 乳腺導管上皮細胞發生異常增生，超過自我修復能力而發生的惡性腫瘤。 它是一種嚴重危害女性身心健康的常見惡性疾病，不但危及患者生命， 還能造成女性器官的損毀，已成為50歲以上婦女惡性腫瘤致死的主要原 因之一。它在臨床上表現為微鈣化簇和乳腺腫塊，早期無癥狀，具有發 病隱匿，愈后差等特點。

前哨淋巴結活檢術(sentinel lymph node biopsy,SLNB)是一種安 全、精確的手術方式，已逐漸替代腋窩淋巴結清掃術成為早期乳腺癌治 療的標準術式，是評估癌細胞是否沿淋巴管轉移擴散和淋巴結分期的金 標準。該技術的創傷小，降低術后患者的上肢水腫發病率，減少并發癥 發生概率，明顯改善患者術后的生活質量。活檢過程中收集的組織通常 用蘇木精和曙紅(H&E)染色，然后由專家進行分析。病理學家通過前 哨淋巴結活檢術來評估組織的微觀結構和元素，將其分為正常組織，非 惡性(良性)和惡性病變，并進行預后評估。在此過程中，評估整個載 玻片組織掃描的相關區域。染色增強細胞核(紫色)和細胞質(粉紅色)， 以及其他感興趣的結構。在分析染色組織時，病理學家分析整個組織結 構，以及細胞核組織，密度和變異性。例如，具有浸潤癌的組織顯示出 結構的變形以及更高的核密度和變異性，而在正常組織中，結構得以維 持并且細胞核組織良好。

據美國癌癥協會(American Cancer Society，ACS)研究表明，早期 的乳腺癌在癌細胞未擴散的情況下，5年存活率高達98％。早期發現和診 斷是降低乳腺癌發病率和死亡率的最有效途徑。早預防、早發現、早診 斷、早治療，是乳腺癌防治的關鍵。在乳腺癌診斷中，常用的方法有觸 診式診斷、組織學診斷、細胞學診斷、影像學診斷等。這些診斷方法比較復雜，實際使用時一般都需要依靠人工手動操作完成，且這些人工提 取特征的方法易導致部分特征信息的丟失，使得診斷識別性能不太理想， 在準確率、漏檢率上都存在不足。

為解決現有技術中的缺點和不足，本發明提出一種基于深度學習的 乳腺癌病理切片中癌癥區域的檢測方法，將深度學習與病理切片圖像識 別相結合，輔助醫生診斷乳腺癌。

本發明所采用的癌癥區域檢測方法包括如下步驟：

步驟一、數據預處理，使用灰度閾值方法提取數據集切片中的組織 部分，用于后續裁剪合理的目標檢測區域；所述的數據集為乳腺癌病理 切片；

步驟二、將原始的乳腺癌病理切片分為訓練樣本、驗證樣本和測試 樣本，再使用網格裁剪方法，從切片的組織區域中裁剪相同大小的圖片 樣本，并縮小圖片的尺寸為原尺寸的1/3；

步驟三、將訓練樣本和驗證樣本分別放在分類的數據文件中，在訓 練過程中，針對數據集合中的正負樣本不均衡問題，使用等概率采樣的 實時過采樣方法來解決，針對數據集合中的有些類別樣本數量少的問題， 使用隨機裁剪、旋轉、翻轉和顏色增強方法來解決；

步驟四、將采樣出來的樣本依次放入卷積神經網絡中進行訓練，卷 積神經網絡采用使用Inception和Resnet原則設計構造的 Inception-Resnet-v2網絡；