[发明专利]基于多尺度深度学习的乳腺癌图像识别方法、装置及介质

说明书

本发明实施例公开了一种基于多尺度深度学习的乳腺癌图像识别方法、装置及介质，方法包括：获取两个尺度图像；对两个尺度图像进行预处理，以得到图块集；将图块集输入预先训练的识别网络，以得到概率集；基于概率集得到概率热图，并将其转换为二值图像；提取二值图像的连通域特征，以得到两个特征集合，并将两个特征集合合并为目标特征集合；将目标特征集合输入预先训练的随机森林分类器进行预测，以得到预测结果。本发明实施例乳腺癌图像识别方法可以作为计算机辅助诊断工具，辅助病理科医生做出诊断，提高医生诊断的准确率与效率。

技术领域

本发明涉及图像识别技术领域，具体涉及一种基于多尺度深度学习的乳腺癌图像识别方法、装置及计算机可读存储介质。

背景技术

人工智能在近几年内已经成为计算机科学领域中的重要研究方向，其成为了智能时代发展的一项核心技术。深度学习作为人工智能领域的一个重要研究成果，使得机器视觉研究领域得到了重大的突破。在2012年ImageNet竞赛中，有队伍使用神经网络将分类的最优结果提升了11％，并一举夺得当年ImageNet竞赛的冠军，深度神经网络从此走进了领域学者们的视野内。

在深度学习技术出现之前，机器视觉的算法中一个难以避免的问题便是如何将图像中的可用特征提取出来，而人工提出特征往往会导致算法的局限性，主要体现为两方面：人工特征的提取往往依赖于专业经验，从而导致特征提取不全或者提取的特征有效性较差；人工的特征融合的方式有限，使得提取到的特征信息无法得到有效地利用。而深度学习的算法可以在大量的训练过程中自主学习如何提取特征、提取何种特征，并将多个特征进行融合得到最后的预测结果，这就是深度学习能够在机器视觉领域大放异彩的一个原因。

癌症作为现代医学上的一个重大难题，如果能够及早发现，病人就能够较早得到治疗，治愈的概率也会大大提高。诊断癌症的方式有很多种，其中就包括通过组织病理切片进行诊断的方法，其主要过程是取病人身上的组织进行切片、染色制成玻片，在高倍显微镜下获得全片数字化图像供医生进行诊断。而目前诊断组织病理切片的工作需要高水平人才，该工作对于医生的专业知识及经验有着较高的要求，往往需要数年的学习与实践才能培养出一个优秀的病理医生，同时也是一个十分耗时耗力的工作，且医生诊断一张病理切片耗时较长且准确率也较低。

目前计算机辅助诊断已广泛地应用在医学方面，深度学习算法可以在临床积累的大量全片数字化图像的基础上进行训练，学习病理切片中的有效特征如组织的纹理、细胞核大小、分布等等，并综合特征信息达到辅助预测的效果。

发明内容

本发明实施例的目的在于提供一种基于多尺度深度学习的乳腺癌图像识别方法、装置及计算机可读存储介质，以作为计算机辅助诊断工具，辅助病理科医生做出诊断，提高医生诊断的准确率与效率。

为实现上述目的，第一方面，本发明实施例提供了一种基于多尺度深度学习的乳腺癌图像识别方法，包括：

获取第一尺度图像及第二尺度图像；

对所述第一尺度图像及第二尺度图像进行预处理，以得到第一图块集及第二图块集，所述预处理包括降采样、色彩空间转换及感兴趣区域提取；

将所述第一图块集及第二图块集分别输入预先训练的第一识别网络及第二识别网络，以得到第一概率集及第二概率集；所述第一识别网络及第二识别网络为卷积神经网络；

基于所述第一概率集及第二概率集得到第一概率热图及第二概率热图，并将所述第一概率热图及第二概率热图转换为第一二值图像及第二二值图像；

提取所述第一二值图像及第二二值图像的连通域特征，以得到第一特征集合及第二特征集合，并将所述第一特征集合及第二特征集合合并为目标特征集合；

将所述目标特征集合输入预先训练的随机森林分类器进行预测，以得到预测结果。

第二方面，本发明实施例还提供了一种基于多尺度深度学习的乳腺癌图像识别装置，包括：