[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

说明书

技术领域

本发明涉及图像分类领域，尤其是涉及了一种基于卷积神经网络的组织病理学图像分类方法。

背景技术

组织病理图像的特征分析与分类识别，是进行组织病理图像分析研究的重点，是实现计算机辅助疾病诊断的关键。结合专家经验的计算机辅助诊断系统提供定量的特征描述和机器识别结果，可为医生的临床诊断和复查等提供定量、客观的诊断依据，提高诊断的准确率和效率，降低人力劳动成本，还可以减少因主观诊断经验差异和疲劳诊断等原因造成的误诊现象。组织病理图像的分类，可以应用在恶性组织和细胞识别与癌症检测、研究药物对组织的影响、分析组织和细胞的结构以建立模型以及实现计算机辅助诊断。然而，现有技术的主要障碍是缺乏大量已标记的组织病理学扫描数据集可以训练某种类型的多层神经网络。

本发明提出了一种基于卷积神经网络的组织病理学图像分类方法，先通过手动从扫描中选择具有不同纹理图案的不同身体部位的图像，进行补丁选择和精度计算，然后选择特定的单层完全连接层，进行网络训练，再令预训练的卷积神经网络作为特征提取器，使用深度特征来训练用于分类的线性支持向量机，最后将微调的卷积神经网络作为分类器，使用得到的网络对测试补丁进行分类。本发明数据集来设计和训练深层网络，细节更丰富，数据更完善，使得检索和分类准确性显著提高，有效实现组织病理学图像的分类。

发明内容

针对缺乏大量已标记的组织病理学扫描数据集进行训练的问题，本发明的目的在于提供一种基于卷积神经网络的组织病理学图像分类方法，先通过手动从扫描中选择具有不同纹理图案的不同身体部位的图像，进行补丁选择和精度计算，然后选择特定的单层完全连接层，进行网络训练，再令预训练的卷积神经网络作为特征提取器，使用深度特征来训练用于分类的线性支持向量机，最后将微调的卷积神经网络作为分类器，使用得到的网络对测试补丁进行分类。

为解决上述问题，本发明提供一种基于卷积神经网络的组织病理学图像分类方法，其主要内容包括：

(一)创建数据集；

(二)微调协议；

(三)预训练的卷积神经网络(CNN)作为特征提取器；

(四)微调的CNN作为分类器。

其中，所述的基于卷积神经网络的组织病理学图像分类方法，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。

其中，所述的创建数据集，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。

进一步地，所述的Kimia Path24数据集，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。

进一步地，所述的补丁选择，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。

进一步地，所述的精度计算，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：

全扫描精度η_w可以定义为：

总精度定义为η_总＝η_p×η_w。