[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

摘要

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。

主权项

1.基于深度学习的乳腺癌病理切片中癌症区域的检测方法，其特征在于，该方法具体包括以下步骤：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；步骤五、通过带标签的数据训练，误差自顶向下传输，对每一层的参数进行微调，将网络的训练结果和在验证集合上的运行准确率进行可视化实时显示，根据验证集合上的准确值和损失值曲线进行网络微调；步骤六、设定运行多个代数后，至验证集的准确率达到最高；保存所有训练过程中的参数和模型，训练过程结束后将测试样本输送到网络中，进行无标签图像预测分类，预测测试图像并计算代表相应分类可能性；最后输出为正常组织、良性、原位癌和浸润癌，把预测样本结果合成一张切片大小的图像就是最后的切片癌症区域检测结果。