一种乳腺癌辅助诊断技术

摘要

本发明提出了一种乳腺癌辅助诊断技术。该方法模型在卷积神经网络模型DenseNet基础上将扩张卷积集成到密集块来实现多尺度的特征提取，能够有效地提升对乳腺癌病理图像诊断的准确率。

说明书

技术领域

本发明涉及计算机技术领域，具体说医学图像领域。

背景技术

乳腺癌疾病的检测和诊断可以通过成像系统程序，如乳腺X线、磁共振图像、超声图像和热图。癌症筛查的影像学研究已有40多年历史。然而，临床上，基于病理图像的活检无疑是检测乳腺疾病的金标准，也是对病理图像进行准确分类时医生制定最佳治疗方案的重要依据。目前针对乳腺癌病理图像的分类研究主要分为两类：基于人工特征的传统的乳腺病理图像分类方法；基于深度学习的乳腺癌病理图像分类方法。基于人工特征的传统的乳腺癌病理图像分类方法采用人工提取特征，基于这些特征使用支持向量机、随机森林等分类器完成分类。该方法存在高要求的专业知识、提取特征耗费时间和提取高质量特征难等缺点。相对于传统分类方法，基于深度学习的乳腺癌病理图像分类方法，利用网络自主学习相应的特征，克服了需要专业人士手工提取特征的缺点，同时节省了人工提取特征的时间。

发明内容

本发明提出了一种乳腺癌辅助诊断技术。该方法模型(DC-DenseNet)在卷积神经网络模型DenseNet基础上将扩张卷积集成到密集块来实现多尺度的特征提取。相比于普通的卷积层，扩张卷积是在标准的卷积核中注入空洞，这不仅可以增加模型的感受野，还能保留可训练参数的数量。注入的空洞的大小取决于扩张率γ。如图1所示，图(a)是标准的卷积核，此时的扩张率γ＝1；图(b)对应的是扩张率γ＝2的卷积，可以理解为卷积核尺寸为7×7但是只有9个点有参数，其余的位置参数都为0，和输入特征图对应位置的像素进行卷积计算时其余的位置都略过；图(c)和图(b)类似，扩张率γ＝3相当于变成了15×15的卷积核。当卷积核尺寸变大时，感受野也就自然变大，此时可以从上一层的特征图中提取更多的信息。

DC-DenseNet主要是在先进的DenseNet模型基础上改进了两个方面：1)用DDC模块代替了DenseNet原先的标准卷积层。2)建立了一个更宽而不深的网络。Dense Block如图2所示。DenseNet网络在第l层的输出为：x

DC-DenseNet模型结构图如图3所示。蓝色、红色、橙色和绿色矩形分别代表卷积层、最大池化层、平均池化层和全连接层。为了更好地提取特征，该深度学习网络模型对于浅层和深层具有不同的体系结构，即扩张密集块(DDC)和层中层模块(NIN)。如图4所示，DDC模块中有两个扩张率为2和3的扩张卷积层，每个扩张卷积层之后都放置一个标准的3×3的卷积来融合提取的特征并细化语义信息。所述的DDC模块将增长率k增加到8、16和32，并将层数从121层减少到28层。因此密集块网络就实现了宽而不深的初衷。为了降低计算复杂度和提高特征提取能力，如图3所示，将增长率k设置为随DDC网络的深入而增加。使用ReLU用作非线性激活函数。用softmax损失函数L来优化网络。

附图说明

下面结合附图对本发明的具体实施方式作进一步详细的描述。

图1是扩张卷积示例图；

图2是DenseNet中的Dense Block模块图

图3是该模型网络结构图；

图4是DDC模块图；

具体实施方式

乳腺癌辅助诊断技术实施步骤如下：

(1)将乳腺癌书数据集随机按照8∶2的比例打散成训练集和验证集，用额外的20张生物成像数据集当作测试集来判断模型性能；

(2)对数据集使用数据增强来实现增加数据，将整个图像平移50％；

(3)对需要被诊断的乳腺癌病理图像裁剪为512×512大小的缀块；

(4)对数据集进行选择和镜像操作，每个缀块旋转90°、180°和270°；

(5)将处理好的缀块放入图3网络模型进行训练；

(6)将测试集放入训练好的网络中，通过softmax函数结果来判别分类结果。