[发明专利]一种基于卷积神经网络的组织病理学图像分类方法

权利要求书

1.一种基于卷积神经网络的组织病理学图像分类方法，其特征在于，主要包括创建数据集(一)；微调协议(二)；预训练的卷积神经网络(CNN)作为特征提取器(三)；微调的CNN作为分类器(四)。

2.基于权利要求书1所述的基于卷积神经网络的组织病理学图像分类方法，其特征在于，与从零开始训练的CNN相比，特征提取器和转移网络都能够提高Kimia Path24数据集的分类精确度，使得检索和分类准确性显著提高。

3.基于权利要求书1所述的创建数据集(一)，其特征在于，用于训练和测试CNN的数据是由24个全扫描图像(WSI)组成的Kimia Path24，手动从超过350次的扫描中选择，描绘具有不同纹理图案的不同身体部位；对于每个图像，可以通过检查头文件中的描述标记来确定分辨率；例如，如果分辨率是0.5μm，那么放大倍数是20倍，如果分辨率是0.25μm，那么放大倍数是40倍；创建数据集包括补丁选择和精度计算。

4.基于权利要求书3所述的Kimia Path24数据集，其特征在于，数据集提供27055个训练补丁和1325个(手动选择的)大小为1000×1000(0.5mm×0.5mm)的测试补丁；扫描中测试补丁的位置已经被去除；Kimia Path24数据集忽略了颜色，所有的补丁都保存为灰度图像，Kimia Path24数据集是公开可用的。

5.基于权利要求书3所述的补丁选择，其特征在于，要创建Kimia Path24数据集，每个扫描都被分成1000×1000个像素的补丁，补丁之间没有重叠；背景像素(即，非常明亮的像素)被设置为白色，并且忽略使用每个补丁的均匀性；选择标准的同质性是忽略每个小于99％均匀性的补丁；高阈值决定了没有显著纹理图案的补丁将被忽略；从一组补丁中，每次扫描有100个随机采样的补丁被选择用于微调过程；随后将每个补丁的值归一化为[0,1]；这些补丁最终被缩小到了224×224，供入CNN架构；

按照上述步骤，首先根据均匀性阈值从每次扫描获得27055个补丁；然后，从每个类中随机抽取100个补丁，产生少于2400个补丁的训练集。

6.基于权利要求书3所述的精度计算，其特征在于，有n_tot＝1325个测试补丁属于24个集合其中s＝0,1,2,…,23；查看一组实验检索到的图像R，可以将补丁扫描精度η_p定义为：

ηp=1ntotΣs∈S|R∩Γs|---(1)]]>

全扫描精度η_w可以定义为：

ηw=124Σs∈S|R∩Γs|---(2)]]>

总精度定义为η_总＝η_p×η_w。