[发明专利]一种基于多通道协同胶囊网络的结肠癌病理学图像分类方法

说明书

一种基于多通道协同胶囊网络的结肠癌病理学图像分类方法，利用胶囊网络的动态路由机制构建网络模型，在特征提取层利用多输入特征融合方式进行图片的特征提取，并在胶囊层并行多个通道来加速训练，然后利用margin loss损失函数对模型进行训练。本发明有效的克服了传统卷积神经网络技术在训练过程中空间信息丢失、不具有旋转、平移不变性等问题，并利用特征融合提高了模型的泛化能力，胶囊层允许通道间协同合作加速训练，能够有效的节约时间成本，减少网络的参数，使网络训练更加的高效的网络。

技术领域

本发明涉及深度学习、医学影像处理和计算机辅助治疗领域，尤其涉及一种基于多通道协同胶囊网络的结肠癌组织病理学图像分类方法。

背景技术

随着医疗科技的快速发展，医学影像得到了海量的扩充，科学利用医学图像分析对组织和细胞影像进行高效、准确的分类，可以有助于医生更好探索癌症治疗途径。医疗影像分析是最近几十年以来最基础应用，最活跃的研究领域之一。通过细胞水平上对肿瘤组织进行分类可以更好的了解肿瘤的特征，从而帮助他们病人更好的选择治疗癌症的手段。由于细胞不限于形状、强度、纹理特征等异质性，从结肠癌图像中对组织和细胞进行分类是一项具有挑战性的任务。

目前，医疗影像在病理学图像分类主要集中在两个方面，一方面是人工特征提取与传统机器学习算法相结合的的病理学图像分类，另外一个方面就是基于深度学习的病理学图像分类。

传统医学图像分类最早通过图像检索分类，即给图像加上特定标签，利用这些标签进行检索分类。传统上的手工提取特特征是通过人工选择图像感兴趣的区域(Region ofinterest，ROI)，然后利用数学方法对ROI进行提取边缘、形态、几何等特征，最后综合这些特征对医学图像进行分类。其中灰度共生矩阵与局部二值模式(LBP)等统计纹理特征提取方法的提出提供了理论的支持。手工提取特征不仅需要具有专业的知识的特定人群耗费大量的时间与精力来完成，同时通过人工构建的特征也是不稳定的，不一定能代表图像的基本纹理结构，降低了模型的可靠性和适应性。

基于深度学习的图像分类可以自动的从已标注的图像数据集中学习到复杂、更高层次的纹理特征，避免了手工设计、提取特征带来的局限性与复杂性。自2012年，AlexNet发表以来，以及后VGG、GooleNet、ResNet和DenseNet等对算法的优化与改进，使得深度学习算法在自然图像分类挑战赛的远胜于其它分类的算法。医疗图像方面，Bychkov等人提出了一种结合卷积和递归神经网络结构的分类器用于结直肠癌分类也获得的不错的精度，可以说卷积神经网络在图像识别有着不错的识别精度。

近几年来，深度卷积神经网络在图像分类方面取得了非常不错的表现，但是卷积神经网络存在以下几个缺点：

1)模型的构建需要大量的训练数据；

2)池化操作损失了很多重要信息；

3)没有考虑对象之间的重要空间层次关系，模型不具有平移、旋转不变性。

为应对卷积神经网络的缺点，Hinton等人在2017年提出了胶囊网络(CapsNet)，CapsNet是一种对图像的特征性质和空间关系进行编码的新型结构，是一种更有效的图像识别算法。在医学图像处理领域，Afshar等人在脑部核磁共振图像上使用胶囊神经网络对脑肿瘤类型进行分类，获得了比卷积神经网络更高的预测准确率。尽管如此，CapsNet仍然是一个年轻并不完善的网络，从实践角度来看，CapsNet显然是太慢了。由于复合函数的使用使得梯度计算更加复杂，让计算量暴增。

基于以上分析，本发明提出了基于多通道协同胶囊网络(MC-CapsNet)结肠癌病理学图像分类方法，将网络分成多个通道，构建一个可分离、并行多通道协同处理的胶囊网络，允许通道间协同合作加速训练，能够有效的节约时间成本，减少网络的参数，使网络训练更加的高效。MC-CapsNet应用到医疗领域，可以提高医学图像的识别率，达到更高的临床标准。

发明内容