[发明专利]基于深度学习的甲状腺癌病理图像分类方法

权利要求书

1.一种基于深度学习的甲状腺癌病理图像分类方法，其特征在于，包括如下：

(1)构建由第一卷积特征层Conv1和两个分支组成的感受野网络，其中第一分支1为第二卷积特征层Conv2，第二分支2由第三卷积特征层Conv3和最大池化层Max_P1串联组成；

(2)将从甲状腺病理图像数据库读取128×128大小的病理图像输入到感受野网络，通过该网络的不同分支提取这些病理图像的低层特征，并将不同分支提取的低层特征进行融合，得到融合后的低层特征；

(3)将融合后的低层特征输入胶囊网络中的第四卷积特征层Conv4得到局部特征；并通过胶囊网络中的子代胶囊层从局部特征中提取其低层表示特征；再将低层表示特征输入到胶囊网络的父代胶囊分类层中得到高层特征即预测类别向量；通过动态路由算法对预测类别向量进行迭代更新，得到最终的类别向量；

(4)构建由三层全连接层串联组成的解码重构网络；

(5)通过压缩激活函数将(3)得到的最终类别向量的模压缩在[0,1)之间，其中模的大小表示每种类别的概率，即为每个类别的分类概率，并计算分类损失L_C：

其中，n为分类样本的索引，y_n图像的真实标签，为类别向量的模值最大的值，λ为全局惩罚系数，C为惩罚参数，C＝2，ε为预测惩罚系数，ε＝0.05；

(6)通过解码重构网络对最终的类别向量进行图像重构，并计算重构损失L_r；

(7)将重构损失L_r与分类损失L_C相加，得到总损失函数L的值；

(8)将胶囊网络和解码重构网络串联，通过反向传播迭代更新胶囊网络和解码重构网络中的权值8万次，使总损失函数L的值逐渐减小，完成对串联后网络的训练，得到最终的分类模型；

(9)将待分类的甲状腺病理图像输入到最终的分类模型中，得到最终的分类结果。

2.根据权利要求1所述的方法，其中(1)中构建的感受野网络，结构关系为：第一卷积特征层Conv1分别与第二卷积特征层Conv2左端和第三卷积特征层Conv3左端串联；第二卷积特征层Conv2右端与最大池化层Max_P1右端并联；第三卷积特征层Conv3右端与最大池化层Max_P1左端串联；

该第一卷积特征层Conv1的卷积核大小为9×9，步长为2，用于将原始128×128大小的特征图缩小为60×60；

该第二卷积特征层Conv2的卷积核大小为5×5，步长为2，用于将第一卷积特征层Conv1卷积操作后的特征图缩小为28×28；

该第三卷积特征层Conv3的卷积核的大小为5×5，步长为1；最大池化层Max_P1的池化核大小为2×2，用于将第一卷积特征层Conv1卷积操作后的特征图缩小为28×28。

3.根据权利要求1所述的方法，其中(2)中感受野网络的不同分支提取甲状腺病理图像的低层特征，实现如下：

2a)通过感受野网络中的第一卷积特征层Conv1从原始128×128大小的特征图中获得60×60大小的特征图；

2b)通过感受野网络中第一分支1的第二卷积特征层Conv2从60×60大小的特征图中获得低层卷积特征，并将60×60大小的特征图缩小为28×28；

2c)通过感受野网络中第二分支2的第三卷积特征层Conv3从60×60大小的特征图中获得56×56大小的特征图；通过最大池化层Max_P1从56×56大小的特征图中获得低层池化特征，并将该特征图缩小为28×28；

2d)将第一分支1获得的低层卷积特征与第二分支2获得的低层池化特征通过叠加融合操作，获得融合后的低层特征。