[发明专利]基于深度学习的皮肤活检图像病理特性识别方法

说明书

本发明涉及一种基于深度学习的皮肤活检图像病理特性识别方法，利用多层堆叠自动编码器对活检图像进行特征的重新表达，同时利用一系列的卷积神经网络对图像特征按层进行卷积和采样，得到原始皮肤活检图像的一个抽象特征表达；把由多层堆叠自动编码器和卷积神经网络得到的特征进行拼接，最后由一个多路神经网络完成病理特性的识别。本发明通过深度学习模型提取抽象概念表达，对图像的色差、光照、放大倍数等因素有很强的适应性，从而大幅提升计算机对皮肤活检图像的病理特性识别的准确性。

技术领域

本发明涉及的是一种图像处理技术领域的方法，具体是一种基于深度学习的皮肤活检图像病理特性识别方法。

背景技术

随着信息技术在各个医科中的广泛应用，数字化存储的医学图像的获取和处理变得越来越容易，越来越大量的数字化医学图像被快速生成，这些图像的特点可以归纳为数据量大、分辨率高、当中蕴含的信息量大、增长速度快、非结构化且其特性不能被简单识别。借助各个医科专家的专业知识对数字化医学图像的信息进行提取，需要花费大量的人力成本，同时提取信息的质量受到专家主观因素的影响，其稳定性得不到保证。为了能从海量的医学图像中获取能对疾病诊断有支持作用的信息，需要借助计算机程序的自动分析。各个医科的病理特性差异性较大，它们所对应的图像特征也有十分明显的不同，如何用计算机模型将这些特征进行识别并区分出各种不同的病理特性，是一个具有挑战性的问题。

经对现有技术的文献检索发现，Caicedo,J.C等人在《Artificial Intelligencein Medicine》Vol.5651 of the series Lecture Notes in Computer Science pp.126-135(医学中的人工智能，LNCS系列第5651卷，126-135页)中，阐述了使用词袋的方法提取活检图像的特征，然后使用核分类器进行病理特性的识别，他们把该方法应用在肺癌的病变组织的活检图像识别问题中。近年来在活检图像的计算机辅助分析研究中发现，活检图像所反映出来的病理特性是一种复杂且抽象的概念，通过传统计算机图形学的特征提取方法得到的特征难以表达这些概念，因而在此基础上构建的识别模型其效果也会受到影响。该方法采用基于直方图建立图像特征字典的方法，属于一种浅层的统计特征，难以表达复杂的抽象概念，因此对于复杂的活检图像分析就会存在较大的误差，影响到方法的有效性。

发明内容

本发明的目的在于克服现有技术中的不足，提出一种基于深度学习的皮肤活检图像病理特性识别方法，从而大幅提升计算机对皮肤活检图像的病理特性识别的准确性。

本发明是通过以下技术方案实现的，本发明具体步骤如下：

S1.将原始的皮肤活检图像保存为一个256阶的灰度矩阵，其中矩阵的维数为m×m；

S2.把以m×m灰度矩阵表示的皮肤活检图像按行拉伸成一个一维向量，使用3层的堆叠自动编码器进行重新表达，得到n₁维的特征向量f₁；

S3.构建一个包括输入层I、卷积层C₁、采样层S₁、卷积层C₂、采样层S₂、卷积层C₃、采样层S₃、卷积层C₄、采样层S₄的多层卷积神经网络，对输入的图像进行特征提取；

S4.把卷积神经网络的输出与堆叠自动编码器的输出组成的特征向量输入到一个标准的多路输出神经网络中，对活检图像的病理特性做出判断。

其中，步骤S1中对于非正方形的皮肤活检图像，通过先缩放到小于等于 m×m 像素，然后再填充全白到m×m的像素矩阵的方式处理。