[發明專利]基于深度學習的甲狀腺乳頭狀癌病理圖像分類方法

有效

• 申請號: 201911415563.6
• 申請日: 2019-12-31
• 公開（公告）號: CN111079862B
• 公開（公告）日: 2023-05-16
• 發明（設計）人: 韓冰;張萌;李浩然;王穎
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06V10/80;G06V10/82;G06N3/0464;G06N3/09;G06N3/084
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 王品華;黎漢華

1.一種基于深度學習的甲狀腺乳頭狀癌病理圖像分類系統，其特征在于，包括如下：

(1)讀取放大倍數為20的所有甲狀腺癌病理圖像數據，并將病理圖像數據分為兩部分，即將蘇木精伊紅HE染色后細胞核輪廓清晰可見的病理切片數據作為源域數據X_S，將其余的數據，即細胞核模糊不清的數據作為目標域數據X_T；

(2)對原始VGG-f卷積神經網絡擁有的5個卷積層，3個全連接層結構進行改進，即移除最后2個全連接層，將第五個卷積層的卷積核數目設置為512，并在卷積層后加入一個池化層，將全連接層的神經元數目設置為2，得到改進后VGG-f網絡；

(3)構建損失函數：L＝L_cls+λM(X_S，X_T)，其中，L_cls為交叉熵損失函數，M(X_S，X_T)為最大均值差異損失函數，λ為正則化項，用以衡量參數的重要性；

(4)將源域數據X_S與目標域數據X_T輸入到改進后VGG-f網絡，使用該損失函數L對網絡進行監督訓練，直至損失函數L收斂，得到訓練好的改進后VGG-f網絡；

(5)將源域數據X_S與目標域數據X_T輸入到訓練好的改進后VGG-f網絡，提取改進后VGG-f網絡最后一個卷積層的輸出特征圖以及特征圖的類別權重，并進行加權操作，得到注意力熱圖；

(6)將得到的注意力熱圖進行歸一化，并將注意力圖中最亮的30％像素的位置作為放大倍數為20的病理圖像的判別力區域的位置DR₂₀；

(7)根據判別力區域位置DR₂₀獲取40倍放大病理圖像的判別力區域位置DR₄₀＝2*DR₂₀，在放大倍數為40的病理圖像上滑窗裁剪尺寸為112*112的圖像塊，保留與位置DR₄₀重疊的圖像塊，即為判別性圖像塊；

(8)將判別性圖像塊輸入到原始VGG-f網絡中，使用交叉熵分類損失函數L_cls對該網絡進行監督訓練，直至交叉熵分類損失函數L_cls收斂，得到訓練好的VGG-f網絡；

(9)提取訓練好的VGG-f網絡最后一個卷積層的卷積特征，并通過softmax分類器進行分類處理，得到判別性圖像塊的類別；

(10)根據判別性圖像塊的類別得到病理圖像的類別，即如果判別性圖像塊的類別均為良性，則病理圖像的類別為良性，如果有一個或多個判別性圖像塊的類別為惡性，則病理圖像的類別為惡性。

2.根據權利要求1所述的系統，其中(3)計算最大均值差異的損失函數M(X_S，X_T)，通過下式計算

其中，x_s∈X_S和x_t∈X_T分別表示源域X_S和目標域數據X_T的樣本，φ(·)表示將源域數據與目標域數據映射到一個再生希爾伯特空間的核函數，P表示改進后VGG-f網絡的5個卷積層，H表示為k個單一內核組合：

β_m設置為1/k。

3.根據權利要求1所述的系統，其中步驟(3)的叉熵損失函數L_cls，表示如下：

L_cls＝-[p_ilogq_i+(1-p_i)log(1-q_i)]

其中，i為樣本的索引，p_i為每個樣本的真實標簽，q_i為預測的標簽。

4.根據權利要求1所述的系統，其中(5)中的加權操作，通過公式進行：

其中，ReLU為激活函數，k代表卷積層的序號，代表輸出特征圖的串聯，F_conv(k)為第k層卷積層的特征圖，為第k層卷積層的特征圖對應于類別c的權重，S為加權操作的結果。