[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

说明书

本发明公开了一种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，步骤为：从TCGA获取到的公开数据集非小细胞肺癌的病理切片；构建用于训练的深度学习模型；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；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。本发明通过利用Inception‑v3模型和CBAM注意力机制融合在一起，实现对非小型细胞肺癌的分类，通过注意力机制提高了网络精度；同时利用深度卷积神经网络Inception‑v3实验结果表明，本发明提出的基于深度学习的非小细胞肺癌病理切片识别方法可以有效的针对肺腺癌和肺鳞状细胞癌的分类，在一定程度上减轻了医生的负担，在医学图像识别领域实现了非常良好的性能。

技术领域

本发明属于医学影像、图像处理和深度学习的技术领域，尤其涉及一种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。

背景技术

随着医学影像和计算机识别技术的发展，越来越多的医学检查方法可以把检查结果以数字图像的方式呈现出来。因而也产生了大量医学影像数据，如病理切片、CT(电子计算机断层扫描)、MRI(核磁共振成像)等。数字化描述微观病理学的特征是病理学的新领域。通过访问数字图像，有助于远程初级诊断工作、远程咨询和平衡医生的工作。

由于深度学习的发展，研究者已经使用大型图像数据集(例如，癌症基因组图谱或TCGA)训练了各种深度架构，并且发现了新的生物医学信息。深度学习中的图像分类方法为医学图像分析做出了重大贡献，一些研究工作应用迁移学习方法，将自然图像的识别分类方法应用的医学图像领域，最初的研究是从零开始训练网络架构，而不是使用预先训练好的网络， Menegola等人(2016)进行了实验，比较了从零开始训练和对预先训练好的网络进行微调两种情况，结果显示，在数据不充分时，使用预训练好的网络进行微调的研究方法结果更好。还有一些研究工作主要应用的是卷积神经网络(CNN)，例如Angel Cruz-Roa等人应用CNN检测浸润性乳腺癌，后来逐渐发展为使用3D神经网络。综上所述，深度学习卷积神经网络是目前图像识别分类中广泛应用的技术，特别是在自然图像的分类识别效果已经超过了人类专家的准确性，因此可以把深度学习卷积神经网络应用在医学图像方面。

非小细胞肺癌(NSCLC)又分为肺腺癌和肺鳞状细胞癌，二者的诊疗方案却截然不同。传统的确诊方法都是依靠有经验的病理学家来进行确认，这在很大程度上依赖于医生的经验和知识。在医学系统使用的算法中，支持向量机(SVM)和人工神经网络(ANN)都得到了广泛的应用，在分类问题上表现出了良好的性能。Kureshi等人利用患者数据设计了一种预测模型，用于非小细胞肺癌的个性化治疗干预，利用频发模式挖掘建立晚期非小细胞肺癌患者特征与肿瘤的关系，该模型使用SVM、J48、随机森林和分类回归树(CART)四种分类器进行预测。实验结果表明，分类准确率最高为76.56％。Puet等人证明了ANN在预测NSCLC患者生存时间方面优于多元线性回归模型。近年来，深度学习技术已经取得了很大进步，临床实践中通过计算机辅助诊断技术的应用也越来越广泛，并且数字图像处理和识别技术已经日渐成熟。

发明内容

基于以上现有技术的不足，本发明所解决的技术问题在于提供一种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，将图像识别中的 Inception-v3模型和CBAM注意力机制相结合，来对非小细胞肺癌的病理切片进行分类，从而帮助医生进行辅助诊断，进一步明确肺癌类型，尽早给患者提供治疗方案。

为了解决上述技术问题，本发明通过以下技术方案来实现：

本发明提供一种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，包括以下步骤：

步骤1：从TCGA(The Cancer Genome Atlas)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Inception-v3+CBAM。