[發(fā)明專利]基于深度學(xué)習(xí)的甲狀腺乳頭狀癌病理圖像分類方法

有效

• 申請?zhí)枺?/td>: 201911415563.6
• 申請日: 2019-12-31
• 公開（公告）號: CN111079862B
• 公開（公告）日: 2023-05-16
• 發(fā)明（設(shè)計(jì)）人: 韓冰;張萌;李浩然;王穎
• 申請（專利權(quán)）人: 西安電子科技大學(xué)
• 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(yè)專利中心 61205
• 代理人: 王品華;黎漢華

本發(fā)明公開了一種基于深度學(xué)習(xí)的甲狀腺乳頭狀癌病理圖像分類方法，主要解決現(xiàn)有技術(shù)對甲狀腺癌病理圖像分類效果差的問題。其方案是：1)讀取放大因子為20的甲狀腺乳頭狀癌病理切片圖像，并將其輸入到改進(jìn)后VGG?f卷積神經(jīng)網(wǎng)絡(luò)，獲得注意力熱圖；2)將注意力圖歸一化，獲得判別力區(qū)域位置；讀取40倍放大的甲狀腺癌病理圖像并根據(jù)判別力區(qū)域位置獲得圖像塊；3)將圖像塊輸入到原始VGG?f網(wǎng)絡(luò)并構(gòu)建損失函數(shù)，對該網(wǎng)絡(luò)進(jìn)行監(jiān)督訓(xùn)練；4)提取訓(xùn)練好的VGG?f網(wǎng)絡(luò)卷積特征并進(jìn)行分類處理得到圖像塊的類別；5)根據(jù)圖像塊的類別判斷出甲狀腺癌病理圖像的類別。本發(fā)明分類準(zhǔn)確率高，可用于計(jì)算機(jī)對甲狀腺癌乳頭狀癌病理圖像的分類。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，更進(jìn)一步涉及一種圖像分類方法，可用于甲狀腺癌病理圖像分類。

背景技術(shù)

甲狀腺癌作為內(nèi)分泌系統(tǒng)最常見的惡性腫瘤，也是全球發(fā)病率增長最快的惡性腫瘤。在眾多的甲狀腺癌檢查方法中，病理穿刺活檢是當(dāng)前敏感性和特異性最高的方法。甲狀腺癌的病理診斷結(jié)果必須由病理醫(yī)生在顯微鏡下觀察經(jīng)過染色的活體組織切片才能確定。在甲狀腺癌的四種主要病理類型中，甲狀腺乳頭狀癌約占甲狀腺癌的85％以上，且甲狀腺乳頭狀癌預(yù)后的效果非常好，十年的存活率高達(dá)90％左右。但是此類癌癥淋巴轉(zhuǎn)移率高達(dá)40％～50％，因此甲狀腺乳頭狀癌的早期確診并制定合適的治療方案對挽回病人的生命具有重要意義。病理圖像分類結(jié)果主要是由病理醫(yī)生在顯微鏡下觀察得到，組織病理學(xué)分析是一項(xiàng)非常耗時(shí)的專業(yè)工作，依賴于病理學(xué)家的經(jīng)驗(yàn)，受疲勞、注意力下降等因素的影響并且十分費(fèi)時(shí)費(fèi)力，因此實(shí)現(xiàn)甲狀腺乳頭狀癌良惡性的自動(dòng)分類，對提高診斷準(zhǔn)確率、緩解醫(yī)生壓力有重要作用。

目前，研究者對深度學(xué)習(xí)在乳腺癌病理圖像有絲分裂檢測及圖像分類，胸部CT肺結(jié)節(jié)自動(dòng)分類，結(jié)腸癌病理圖像腺體分割，阿爾茨海默癥等方面進(jìn)行了廣泛而深入的研究。Chen等人利用高效的粗檢索模型和知識(shí)轉(zhuǎn)移精細(xì)判別模型來檢測乳腺癌組織學(xué)圖像中的有絲分裂。Spanhol等人提出了一種基于提取圖像小塊對CNN進(jìn)行訓(xùn)練的乳腺癌病理圖像分類方法，實(shí)現(xiàn)了對乳腺癌病理圖像的二分類。Han等人提出了一種乳腺癌的多分類方法。Xu等以減少內(nèi)存和計(jì)算復(fù)雜度為主要目標(biāo)，采用量化的方法來減少FCNs中的過擬合，實(shí)現(xiàn)了對結(jié)腸癌病理組織的精確分割。

上述這些方法雖然在乳腺癌、前列腺癌等疾病的計(jì)算機(jī)輔助診斷方面取得了很大進(jìn)展，但是在甲狀腺癌疾病的診斷方面研究較少。一方面是由于甲狀腺癌病理圖像的復(fù)雜性，病理圖像的良惡性差異較小且惡性切片的形態(tài)差異較大，并且在切片制作過程以及染色過程的差異使得病理切片的顏色分布廣泛，導(dǎo)致現(xiàn)有的分類模型對甲狀腺癌病理圖像的分類效果較差；另一方面是缺乏大量的，公開可用的帶注釋的數(shù)據(jù)集，使得現(xiàn)有的深度學(xué)習(xí)分類模型不能較好的學(xué)習(xí)特征，影響分類準(zhǔn)確率。

發(fā)明內(nèi)容

本發(fā)明的目的在于針對上述現(xiàn)有技術(shù)存在的不足，提出一種基于深度學(xué)習(xí)的甲狀乳頭狀癌病理圖像分類方法，以提高甲狀腺癌病理圖像的分類準(zhǔn)確率。

本發(fā)明的技術(shù)方案是：將不同放大倍數(shù)的甲狀腺癌病理圖像作為輸入，首先在20

×條件下利用注意力機(jī)制找到疑似癌變區(qū)域，然后將疑似癌變區(qū)域放大到40×并分塊進(jìn)一步判斷，最后融合塊分類結(jié)果得到甲狀腺癌病理圖像的最終分類結(jié)果。其具體實(shí)現(xiàn)步驟包括如下：

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

(2)對原始VGG-f卷積神經(jīng)網(wǎng)絡(luò)擁有的5個(gè)卷積層，3個(gè)全連接層結(jié)構(gòu)進(jìn)行改進(jìn)，即移除最后2個(gè)全連接層，將第五個(gè)卷積層的卷積核數(shù)目設(shè)置為512，并在卷積層后加入一個(gè)池化層，將全連接層的神經(jīng)元數(shù)目設(shè)置為2，得到改進(jìn)后VGG-f網(wǎng)絡(luò)；