[发明专利]基于深度学习的甲状腺癌病理图像分类方法

说明书

本发明公开了一种基于深度学习的甲状腺癌病理图像分类方法，主要解决现有方法对甲状腺癌病理图像分类效果差的问题。其实现方案是：读取甲状腺病理图像数据库，通过感受野网络提取低层卷积和池化特征并融合，得到融合后的低层特征；将融合后的低层特征通过胶囊网络提取高层特征，即预测的类别向量；通过动态路由算法对类别向量更新，得到最终的类别向量，通过压缩激活函数计算类别向量的模；将模值最大的向量通过解码重构网络进行图像重构；迭代更新感受野网络和胶囊网络中的权值完成模型训练；最后将待分类的甲状腺病理图像输入到训练好的模型中，得到最终分类结果。本发明提高了对甲状腺癌病理图像的分类精准，可用于计算机辅助诊断。

技术领域

本发明属于图像处理技术领域，更进一步涉及甲状腺癌病理图像的分类方法，可用于甲状腺癌病理图像特征提取与甲状腺癌病理图像的分类。

背景技术

近年来，甲状腺癌在全球的发病率逐步提升，甲状腺癌的发病率在我国城镇地区女性的恶性肿瘤中处于第4位，从上世纪九十年代以来，我国的甲状腺癌的发病率增长约三倍，平均年增幅达到5％，甲状腺癌带来的危害越来越大。甲状腺癌的主要诊断方法有状腺自身抗体及肿瘤标志物检查、电子计算机断层成像CT、磁共振成像MRI及甲状腺癌细胞病理诊断等，其中甲状腺癌细胞病理诊断是最有效的癌症诊断方法，其诊断结果是判断甲状腺肿瘤良恶性的重要指标。

目前，国内外已经有越来越多的大学、医疗机构等与相应的医院进行合作，力争能将机器视觉技术应用到计算机辅助诊断上，从而创造出巨大的工业、商业价值。细胞病理诊断是被广泛关注的热点。病理图像的自动分类是甲状腺癌细胞病理诊断中尤为重要的一项工作。病理图像的自动分类是利用计算机辅助诊断，自动将病理图像分为良性和恶性，不仅能提高分类准确性，而且在一定程度上可提高医生诊断的效率，具有很大的临床应用价值。

由于图像之间差异较小、细胞间的重叠，使得甲状腺癌病理图像的自动分类成为一项具有挑战性的任务。现有的病理图像分类方法包括基于人工设计特征的方法和基于深度学习的方法。

基于人工设计特征的方法已经有十几年的发展历史。2007年，Kovach等人提出基于梯度直方图特征的方法对病理图像进行检测以及分类。2014年，Zhang等人提出一种基于单类核的主成分分析法，对病理图像进行分类。2015年，Xu等人利用HOG特征和滑动窗口的细胞检测方法,能快速，准确的检测高分辨率病理组织图像中的细胞。2016年，基于在颜色空间下的四种特征，Wang等人提出一种基于支持向量机的方法，对病理图像进行分类并得到较好效果。2017年，Usman等人采用强度差、邻域和小波纹理作为输入特征向量，来训练随机森林分类器对病理图像进行分类。

随着大规模训练数据的使用以及硬件GPU的发展，基于深度学习的病理图像分类方法在近年来迅速发展。2016年，Spanhol等人使用AlexNet网络，采取了多种特征融合的策略，在准确度上比传统方法高6％。2017年，Jamaluddin等人设计了一种CNN网络，该网络由12个卷积层以及池化层组成，在整幅病理切片WSI分类中取得不错的效果。2018年，Ren J使用有对抗训练，使用无监督的训练方法提高网络的分类能力。2019年，Xie J等人将自编码器与Inception网络结合，并采用K-mean算法对病理图像进行聚类，并取得良好效果。然而，上述方法在特征提取时损失了大量的特征信息，并且在训练分类网络时需要大量的数据，造成甲状腺癌病理图像的分类效果较差。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于深度学习的甲状腺病理图像分类方法，提高对甲状腺病理图像的分类准确率。

为实现上述目的，本发明使用了感受野网络和胶囊网络，并在网络结构中添加了并使用新的损失函数，其具体实现包括如下：

(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；