[发明专利]基于深度卷积神经网络的非小细胞肺癌病理切片识别方法

权利要求书

1.基于深度卷积神经网络的非小细胞肺癌病理切片识别方法，其特征在于，包括以下步骤：

步骤1：从TCGA获取到的公开数据集非小细胞肺癌的病理切片；

步骤2：构建用于训练的深度学习模型；

步骤3：将训练数据集输入卷积神经网络训练，得到学习后的卷积神经网络模型；

步骤4：将训练数据集输入卷积神经网络训练，得到学习后的卷积神经网络模型。

2.如权利要求1所述的基于深度卷积神经网络的非小细胞肺癌病理切片识别方法，其特征在于，步骤1包括如下步骤：

步骤1.1：对所有图像放大20倍后进行切分，并进行格式转换；

步骤1.2：把所有图像按照文件说明分为正常、肺腺癌和肺鳞状细胞癌三类；

步骤1.3：按比例分为训练集和测试集；

步骤1.4：把数据处理成二进制文件TFRecord形式。

3.如权利要求1所述的基于深度卷积神经网络的非小细胞肺癌病理切片识别方法，其特征在于，步骤2包括以下步骤：

步骤2.1：调用深度卷积神经网络GoogleNet的Inception-v3模型，模型通过卷积、池化、激活函数；

步骤2.2：创建CBAM模块，将其加入Inception-v3模型中。

4.如权利要求1所述的基于深度卷积神经网络的非小细胞肺癌病理切片识别方法，其特征在于，步骤3包括以下步骤：

步骤3.1：将训练集分为m批，并初始化卷积核权重和偏置值为0；

步骤3.2：随机选择一批未被训练的训练集输入到深度卷积神经网络中；

步骤3.3：将训练集数据与深度卷积神经网络中后续网格单元各个节点进行计算，实现网络的前向传播；

步骤3.4：计算预测结果与训练集数据样本的误差；

步骤3.5：采用RMSProp算法分别对卷积核权重和偏置值进行更新；

步骤3.6：对设定的最大迭代次数进行判断，是否所有训练数据在深度学习模型中已完成最大迭代次数，若是则完成一次迭代；

步骤3.7：输出训练完成后的深度学习模型。