[发明专利]基于深度学习的乳腺癌病理切片中癌症区域的检测方法

说明书

本发明公开了一种基于深度学习的乳腺癌病理切片中癌症区域的检测方法；本发明结合乳腺癌病理切片没有固定方向的特点，系统地使用合理的数据增强技术，包括随机裁剪、旋转、左右翻转等几何变换的数据增强技术。同时也使用了随机亮度、锐化等颜色变换的数据增强技术。在训练的时候实时进行数据增强，能够增大数据集的多样性，扩充训练样本集，有效提高分类器的泛化能力。最后用实时过采样方法，来解决数据集的各个类别数据不平衡的问题；本发明针对该数据集切片中各个类别乳腺癌区域大小差别大的特点，系统地使用了类别等概率的实时过采样方法和多种在医疗疾病图像上合理的数据增强方法，解决了数据不平衡和良性、原位癌类别数据量很少的问题。

技术领域

本发明属于人工智能领域，涉及一种基于深度学习的乳腺癌病理切 片中的癌症区域检测方法。

背景技术

乳腺癌(breast cancer)是一种从乳房组织发展而来的癌症腺癌是 乳腺导管上皮细胞发生异常增生，超过自我修复能力而发生的恶性肿瘤。 它是一种严重危害女性身心健康的常见恶性疾病，不但危及患者生命， 还能造成女性器官的损毁，已成为50岁以上妇女恶性肿瘤致死的主要原 因之一。它在临床上表现为微钙化簇和乳腺肿块，早期无症状，具有发 病隐匿，愈后差等特点。

前哨淋巴结活检术(sentinel lymph node biopsy,SLNB)是一种安 全、精确的手术方式，已逐渐替代腋窝淋巴结清扫术成为早期乳腺癌治 疗的标准术式，是评估癌细胞是否沿淋巴管转移扩散和淋巴结分期的金 标准。该技术的创伤小，降低术后患者的上肢水肿发病率，减少并发症 发生概率，明显改善患者术后的生活质量。活检过程中收集的组织通常 用苏木精和曙红(H&E)染色，然后由专家进行分析。病理学家通过前 哨淋巴结活检术来评估组织的微观结构和元素，将其分为正常组织，非 恶性(良性)和恶性病变，并进行预后评估。在此过程中，评估整个载 玻片组织扫描的相关区域。染色增强细胞核(紫色)和细胞质(粉红色)， 以及其他感兴趣的结构。在分析染色组织时，病理学家分析整个组织结 构，以及细胞核组织，密度和变异性。例如，具有浸润癌的组织显示出 结构的变形以及更高的核密度和变异性，而在正常组织中，结构得以维 持并且细胞核组织良好。

据美国癌症协会(American Cancer Society，ACS)研究表明，早期 的乳腺癌在癌细胞未扩散的情况下，5年存活率高达98％。早期发现和诊 断是降低乳腺癌发病率和死亡率的最有效途径。早预防、早发现、早诊 断、早治疗，是乳腺癌防治的关键。在乳腺癌诊断中，常用的方法有触 诊式诊断、组织学诊断、细胞学诊断、影像学诊断等。这些诊断方法比较复杂，实际使用时一般都需要依靠人工手动操作完成，且这些人工提 取特征的方法易导致部分特征信息的丢失，使得诊断识别性能不太理想， 在准确率、漏检率上都存在不足。

为解决现有技术中的缺点和不足，本发明提出一种基于深度学习的 乳腺癌病理切片中癌症区域的检测方法，将深度学习与病理切片图像识 别相结合，辅助医生诊断乳腺癌。

本发明所采用的癌症区域检测方法包括如下步骤：

步骤一、数据预处理，使用灰度阈值方法提取数据集切片中的组织 部分，用于后续裁剪合理的目标检测区域；所述的数据集为乳腺癌病理 切片；

步骤二、将原始的乳腺癌病理切片分为训练样本、验证样本和测试 样本，再使用网格裁剪方法，从切片的组织区域中裁剪相同大小的图片 样本，并缩小图片的尺寸为原尺寸的1/3；

步骤三、将训练样本和验证样本分别放在分类的数据文件中，在训 练过程中，针对数据集合中的正负样本不均衡问题，使用等概率采样的 实时过采样方法来解决，针对数据集合中的有些类别样本数量少的问题， 使用随机裁剪、旋转、翻转和颜色增强方法来解决；

步骤四、将采样出来的样本依次放入卷积神经网络中进行训练，卷 积神经网络采用使用Inception和Resnet原则设计构造的 Inception-Resnet-v2网络；