改进DenseNet的乳腺癌病理图像八分类研究

1

作者 赵晓平 王荣发 +1 位作者 孙中波 魏旭全 《计算机工程与应用》 CSCD 北大核心 2023年第5期213-221,共9页

目前,在医学图像领域存在乳腺癌组织病理图像自动分类难以应用于临床诊断的现象,究其根源是当前没有大型公开的数据集或数据集数据不均衡。针对上述问题,提出一种结合密集卷积神经网络(dense convolutional network,DenseNet)、注意力机... 目前,在医学图像领域存在乳腺癌组织病理图像自动分类难以应用于临床诊断的现象,究其根源是当前没有大型公开的数据集或数据集数据不均衡。针对上述问题,提出一种结合密集卷积神经网络(dense convolutional network,DenseNet)、注意力机制(attention mecheanism)和焦点损失函数(Focal loss)的乳腺癌组织病理图像的多分类模型,即DAFLNet。DAFLNet在乳腺癌组织病理图像数据集BreaKHis上进行训练、验证与测试,最终实验结果显示,该模型对良恶性二分类的识别准确率达到99.1%,对乳腺亚型八分类的识别准确率达到95.5%。证明在数据不均衡的条件下,DAFLNet模型能够准确地对乳腺组织病理图像进行八分类。 展开更多

关键词 乳腺癌病理图像 DenseNet 八分类 注意力机制 Focal loss

下载PDF 职称材料

MFDC-Net:一种融合多尺度特征和注意力机制的乳腺癌病理图像分类算法 被引量：1

2

作者 方于华 叶枫 《浙江大学学报（理学版）》 CAS CSCD 北大核心 2023年第4期455-464,共10页

乳腺癌是全球最常见的恶性肿瘤之一,采用传统方法诊断需花费大量时间和精力,且受个人能力影响较大。用计算机辅助诊断的方法,可以提高病理图像分类的准确率和效率,从而满足临床应用的需求。为此,提出一种基于DenseNet的融合多尺度特征... 乳腺癌是全球最常见的恶性肿瘤之一,采用传统方法诊断需花费大量时间和精力,且受个人能力影响较大。用计算机辅助诊断的方法,可以提高病理图像分类的准确率和效率,从而满足临床应用的需求。为此,提出一种基于DenseNet的融合多尺度特征和注意力机制的乳腺癌病理图像分类算法(MFDC-Net)。在密集块中引入坐标注意力机制,精准定位重要特征的空间信息。采用多尺度池化过渡层,通过不同卷积核的平均池化和普通卷积,在实现降维的同时扩大感受野。采用多尺度特征增强模块,融合深层次图像特征,提高分类性能。结果显示,MFDC-Net模型的分类性能较其他经典模型更优,分类准确率达97.12%,易混淆率低至3.34%,能较好地进行乳腺癌组织病理图像分类,为诊断和治疗提供重要依据。 展开更多

关键词 乳腺癌病理图像 图像分类 注意力机制 特征融合 多尺度特征

下载PDF 职称材料

基于DC-DenseNet的乳腺癌病理图像分类 被引量：1

3

作者 张庙林 帅仁俊 《计算机应用与软件》 北大核心 2023年第4期116-121,共6页

乳腺癌病理图像的自动分类具有重要的临床应用价值。设计一种新颖的卷积神经网络模型(DC-DenseNet),该模型在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。此外,还提出一种新的学习率优化器,它不需要复杂的微调学习率... 乳腺癌病理图像的自动分类具有重要的临床应用价值。设计一种新颖的卷积神经网络模型(DC-DenseNet),该模型在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。此外,还提出一种新的学习率优化器,它不需要复杂的微调学习率就可以表现出优异的性能。对BACH数据集划分为良性、恶性、原位癌和浸润性癌四个类进行分类预测研究,并将所提的方法与AlexNet、VGG-19、DenseNet161模型进行综合对比。实验结果表明所提方法有效提高了乳腺癌的分类预测精度,在四个类上的平均识别率达到了94.10%。 展开更多

关键词 乳腺癌病理图像 图像分类 卷积神经网络 DenseNet优化 学习率优化器

下载PDF 职称材料

基于深度学习的乳腺癌病理图像自动分类 被引量：43

4

作者 何雪英 韩忠义 魏本征 《计算机工程与应用》 CSCD 北大核心 2018年第12期121-125,共5页

乳腺癌病理图像的自动分类具有重要的临床应用价值。基于人工提取特征的分类算法,存在需要专业领域知识、耗时费力、提取高质量特征困难等问题。为此,采用一种改进的深度卷积神经网络模型,实现了乳腺癌病理图像的自动分类;同时,利用数... 乳腺癌病理图像的自动分类具有重要的临床应用价值。基于人工提取特征的分类算法,存在需要专业领域知识、耗时费力、提取高质量特征困难等问题。为此,采用一种改进的深度卷积神经网络模型,实现了乳腺癌病理图像的自动分类;同时,利用数据增强和迁移学习方法,有效避免了深度学习模型受样本量限制时易出现的过拟合问题。实验结果表明,该方法的识别率可达到91%,且具有较好的鲁棒性和泛化性。 展开更多

关键词 乳腺癌病理图像分类 深度学习 卷积神经网络 迁移学习 数据增强

下载PDF 职称材料

基于Cycle-GAN和改进DPN网络的乳腺癌病理图像分类 被引量：3

5

作者 张雪芹 李天任 《浙江大学学报（工学版）》 EI CAS CSCD 北大核心 2022年第4期727-735,共9页

针对病理图像染色不均匀及良恶性难以鉴别的问题,提出基于Cycle-GAN和改进的双路径网络(DPN)的算法框架.利用Cycle-GAN进行颜色归一化处理,解决因病理图像染色不均匀导致的检测模型精度偏低问题,通过对图像进行重叠切片,基于DPN网络采... 针对病理图像染色不均匀及良恶性难以鉴别的问题,提出基于Cycle-GAN和改进的双路径网络(DPN)的算法框架.利用Cycle-GAN进行颜色归一化处理,解决因病理图像染色不均匀导致的检测模型精度偏低问题,通过对图像进行重叠切片,基于DPN网络采用增加小卷积、反卷积和注意力机制,增强模型对病理图像纹理特征的分类能力.在BreaKHis数据集上的实验结果表明,所提算法有效提高了乳腺癌病理图像良恶性分类的准确性. 展开更多

关键词 乳腺癌病理图像分类 深度学习 Cycle-GAN网络 双路径网络(DPN) 注意力机制

下载PDF 职称材料

基于卷积神经网络和迁移学习的乳腺癌病理图像分类 被引量：15

6

作者 郑群花 段慧芳 +2 位作者 沈尧 刘娟 袁静萍 《计算机应用与软件》 北大核心 2018年第7期237-242,共6页

乳腺癌已经成为导致女性死亡最常见的和发病率最高的恶性肿瘤。对HE染色的乳腺癌病理图像的自动分类具有重要的临床意义。针对目前存在的深度卷积神经网络只将图像分为良性和恶性两类,同时对于高分辨率图像处理具有局限性的不足,采用了... 乳腺癌已经成为导致女性死亡最常见的和发病率最高的恶性肿瘤。对HE染色的乳腺癌病理图像的自动分类具有重要的临床意义。针对目前存在的深度卷积神经网络只将图像分为良性和恶性两类,同时对于高分辨率图像处理具有局限性的不足,采用了以AlexNet为架构的卷积神经网络模型将图像分为乳腺导管原位癌、乳腺浸润性导管癌、乳腺纤维腺瘤和乳腺增生四类。对于高分辨率图像,采用图像分块的思想,将每块的分类结果利用多数投票算法进行整合,整合结果作为该图像的分类结果。同时,为了避免因乳腺癌病理图像标记样本过少带来的过拟合问题,采用了迁移学习和数据增强的方法。实验结果表明,该模型识别率达到了99.74%。 展开更多

关键词 乳腺癌病理图像 卷积神经网络 图像分块 多数投票算法 迁移学习

下载PDF 职称材料

基于深度学习的乳腺癌病理图像分类研究综述 被引量：11

7

作者 李华 杨嘉能 +2 位作者 刘凤 南方哲 钱育蓉 《计算机工程与应用》 CSCD 北大核心 2020年第13期1-11,共11页

准确、高效的乳腺癌病理图像分类是计算机辅助诊断的重要研究内容之一。随着机器学习技术的发展,深度学习日渐成为一种有效的乳腺癌病理图像分类处理方法。分析了乳腺癌病理图像分类方法及目前存在的问题;介绍了四种相关的深度学习模型... 准确、高效的乳腺癌病理图像分类是计算机辅助诊断的重要研究内容之一。随着机器学习技术的发展,深度学习日渐成为一种有效的乳腺癌病理图像分类处理方法。分析了乳腺癌病理图像分类方法及目前存在的问题;介绍了四种相关的深度学习模型,对基于深度学习的乳腺癌病理图像分类方法进行梳理,并通过实验对比分析现有模型的性能;最后对乳腺癌病理图像分类的关键问题进行了总结,并讨论了未来研究的发展趋势。 展开更多

关键词 计算机辅助诊断 乳腺癌病理图像 图像分类 深度学习

下载PDF 职称材料

基于多尺度通道重校准的乳腺癌病理图像分类 被引量：8

8

作者 明涛 王丹 +1 位作者 郭继昌 李锵 《浙江大学学报（工学版）》 EI CAS CSCD 北大核心 2020年第7期1289-1297,共9页

针对乳腺癌病理图像的自动分类问题,提出基于深度学习的分类算法.通道重校准模型是作用于特征通道的注意力模型,可以利用学习到的通道权重对无用特征进行抑制来实现对特征通道的重校准,以达到更高的分类准确率.为了使通道重校准的结果... 针对乳腺癌病理图像的自动分类问题,提出基于深度学习的分类算法.通道重校准模型是作用于特征通道的注意力模型,可以利用学习到的通道权重对无用特征进行抑制来实现对特征通道的重校准,以达到更高的分类准确率.为了使通道重校准的结果更加准确,提出多尺度通道重校准模型,设计卷积神经网络msSE-ResNet.多尺度特征通过网络中的最大池化层获得并作为后续通道重校准模型的输入,将不同尺度下学到的通道权重进行融合,可以改善通道重校准的结果.该实验在公开数据集BreaKHis上开展.实验结果表明,该网络对良性/恶性乳腺病理图像分类任务达到88.87%的分类精度,可以对不同放大倍数下获取的病理图像具有较好的鲁棒性. 展开更多

关键词 乳腺癌病理图像分类 深度学习 残差网络 多尺度特征 通道重校准模型

下载PDF 职称材料

基于ResNet50网络的乳腺癌病理图像分类研究 被引量：30

9

作者 王恒 李霞 +1 位作者 刘晓芳 徐文龙 《中国计量大学学报》 2019年第1期72-77,共6页

目的:为解决传统机器学习在病理图像诊断方面的性能不足和纯粹人工阅片导致的误诊或者错诊等问题。方法:结合深度学习在图像识别的优势,以ResNet50为基础网络框架,使用迁移学习实现模型功能,设计了一个用于计算机辅助诊断(Computer-Aide... 目的:为解决传统机器学习在病理图像诊断方面的性能不足和纯粹人工阅片导致的误诊或者错诊等问题。方法:结合深度学习在图像识别的优势,以ResNet50为基础网络框架,使用迁移学习实现模型功能,设计了一个用于计算机辅助诊断(Computer-Aided Diagnosis, CAD)的乳腺癌病理图像自动分类模型。结果:模型迭代7 000次时在验证集的正确率收敛于98%左右,在测试集上进行测试,正确率达到97.4%。在测试集中的1 083个恶性肿瘤样本中平均有1 061个样本被正确识别出,达到98%的灵敏度。结论:本模型具有泛化性好、深度大、精度高、收敛快的优点,为CAD应用于实际临床诊断提供了可行性论证。 展开更多

关键词 计量 乳腺癌病理图像 ResNet50网络 深度学习 迁移学习

下载PDF 职称材料

基于AutoAugment和残差网络的乳腺癌病理图像分类研究 被引量：5

10

作者 王恒 李霞 +1 位作者 沈茜 徐文龙 《中国计量大学学报》 2019年第3期343-350,共8页

目的:为解决传统机器学习在病理图像诊断方面的性能不足与纯粹人工阅片导致的错诊,以及传统的手动图形数据增强扩充对模型性能提高的未知性等问题,设计一个用于计算机辅助诊断(Computer-Aided Diagnosis, CAD)的乳腺癌病理图像自动分类... 目的:为解决传统机器学习在病理图像诊断方面的性能不足与纯粹人工阅片导致的错诊,以及传统的手动图形数据增强扩充对模型性能提高的未知性等问题,设计一个用于计算机辅助诊断(Computer-Aided Diagnosis, CAD)的乳腺癌病理图像自动分类模型。方法:结合深度学习在图像识别的优势,以残差网络为基础网络框架,使用迁移学习技术方法加快模型的收敛和训练,并使用自动增强(AutoAugment,AA)手段替代传统的数据增强手段,以实现提高模型性能的目的。结果:使用AA手段增强扩充的数据集训练出的模型,相对于未进行数据扩充以及进行传统手动扩充数据训练的模型其准确率均提升1个百分点,同时在测试集中的恶性肿瘤样本中,更是达到98.7%的灵敏度。结论:使用AA手段能有效提高模型的性能,为数据的扩充提供了新的技术方法,为提高模型识别性能提供了新的技术手段,同时也为CAD应用于实际临床诊断做了可行性论证。 展开更多

关键词 计量 乳腺癌病理图像 残差网络 深度学习 自动增强

下载PDF 职称材料

基于CNN的乳腺癌病理图像分类研究 被引量：1

11

作者 易才键 陈俊 王师玮 《智能计算机与应用》 2022年第3期92-96,共5页

乳腺癌已经成为全球第一大癌症,乳腺癌的早期发现及良恶性诊断对于治疗具有重要的意义。针对传统机器学习方法在乳腺癌病理图像分类任务中性能不足和准确率低的问题,本文提出了基于CNN(卷积神经网络)的乳腺癌病理图像分类模型,将乳腺癌... 乳腺癌已经成为全球第一大癌症,乳腺癌的早期发现及良恶性诊断对于治疗具有重要的意义。针对传统机器学习方法在乳腺癌病理图像分类任务中性能不足和准确率低的问题,本文提出了基于CNN(卷积神经网络)的乳腺癌病理图像分类模型,将乳腺癌病理图像分为良性与恶性。该模型以VGG网络为基础,对网络结构进行调整,在公开的BreakHis数据集上实验。针对数据集存在的样本不均衡问题,采用焦点损失函数进行优化,并在网络训练过程结合了迁移学习和数据增强策略。实验结果表明,该模型在4种放大倍数下的平均识别率达到96.96%,分类准确率较先前的模型有了大幅提升,能够为乳腺癌病理图像的分类提供有意义的参考。 展开更多

关键词 乳腺癌病理图像分类 卷积神经网络 样本不均衡 迁移学习 数据增强

下载PDF 职称材料

基于Inception-ResNet-V2的乳腺癌病理图像识别研究 被引量：8

12

作者 刘靖雯 黄理灿 《软件导刊》 2020年第5期225-229,共5页

乳腺癌严重威胁女性健康和生命,及时诊断并提供治疗方案给医生带来了挑战,病理图像分类结果是医生确诊的重要依据,实现乳腺癌病理图像识别分类具有重要意义及临床应用价值。近年来,大多数研究集中于良恶性分类,而不同类型的乳腺肿瘤本... 乳腺癌严重威胁女性健康和生命,及时诊断并提供治疗方案给医生带来了挑战,病理图像分类结果是医生确诊的重要依据,实现乳腺癌病理图像识别分类具有重要意义及临床应用价值。近年来,大多数研究集中于良恶性分类,而不同类型的乳腺肿瘤本身具有不同病因及治疗方法。采用Inception-ResNet-V2深度卷积神经网络模型,实现对乳腺癌病理图像的八分类,利用数据增强和迁移学习方法,在Matlab上对数据集BreaKHis进行实验。结果表明,该方法识别率基本达到80%以上,比大部分已有研究成果效果更优。 展开更多

关键词 Inception-ResNet-V2 深度卷积神经网络 数据增强 迁移学习 乳腺癌病理图像

下载PDF 职称材料

基于原型的乳腺癌病理图像分类算法

13

作者 陈霧 穆国旺 《计算机科学与应用》 2021年第2期277-284,共8页

乳腺癌病理图像的自动分类是开发乳腺癌计算机辅助诊断系统的关键。针对乳腺肿瘤病理图像的特点,提出了一种基于LBP原型的特征提取方法,首先,随机地从训练图像中选取若干子图像作为原型并提取其LBP特征;其次,对于任意输入图像,计算图像... 乳腺癌病理图像的自动分类是开发乳腺癌计算机辅助诊断系统的关键。针对乳腺肿瘤病理图像的特点,提出了一种基于LBP原型的特征提取方法,首先,随机地从训练图像中选取若干子图像作为原型并提取其LBP特征;其次,对于任意输入图像,计算图像中所有和原型同样大小的子图像和原型的LBP特征的余弦距离,然后,通过池化操作得到最终的特征;最后,利用SVM集成的方法对图像进行分类。在BreakHis数据集上对算法进行了验证,结果表明,本文提出的特征提取方法优于一些传统的方法。 展开更多

关键词 计算机辅助诊断 乳腺癌病理图像分类 机器学习 局部二值模式 支持向量机

下载PDF 职称材料

乳腺癌病理图像特征提取方法研究综述 被引量：2

14

作者 石静文 李嘉 《机电工程技术》 2022年第4期16-19,共4页

乳腺癌是女性最多见和死亡率最高的癌症之一,因此乳腺癌的早期筛查与诊断非常有必要,不仅能及时发现隐患,而且可以有效提高患者的存活率。乳腺癌病理图像的特征提取和分类已经成为医学图像处理研究领域的热点,如何准确、高效地检测乳腺... 乳腺癌是女性最多见和死亡率最高的癌症之一,因此乳腺癌的早期筛查与诊断非常有必要,不仅能及时发现隐患,而且可以有效提高患者的存活率。乳腺癌病理图像的特征提取和分类已经成为医学图像处理研究领域的热点,如何准确、高效地检测乳腺癌也成为重要研究内容之一。按照是否需要人工提取乳腺癌病理图像特征,将乳腺癌病理图像特征提取算法分为两大类,分别是基于纹理、形态特征等的传统人工特征提取方法和基于深层神经网络的自动特征提取方法。介绍了几种乳腺癌病理图像相关数据集,然后总结归纳了近几年乳腺癌病理图像特征提取算法的研究进展,并分析了其优缺点,最后,得出乳腺癌病理图像特征提取研究的结论,并对乳腺癌病理图像特征提取的未来发展趋势进行了展望。 展开更多

关键词 乳腺癌病理学图像 数据集 特征提取算法

下载PDF 职称材料

基于多任务模型的乳腺癌病理图像分类 被引量：5

15

作者 于凌涛 夏永强 +1 位作者 王鹏程 闫昱晟 《华中科技大学学报（自然科学版）》 EI CAS CSCD 北大核心 2021年第8期53-57,69,共6页

基于卷积神经网络提出了一种多任务模型将乳腺癌组织学图像分为良性与恶性及其子类.该模型是多任务模型,任务一将病理图像分为良性与恶性,任务二将图像分为良性与恶性的子类.模型总的损失函数是两个分类任务损失函数的加权和.该模型采... 基于卷积神经网络提出了一种多任务模型将乳腺癌组织学图像分为良性与恶性及其子类.该模型是多任务模型,任务一将病理图像分为良性与恶性,任务二将图像分为良性与恶性的子类.模型总的损失函数是两个分类任务损失函数的加权和.该模型采用卷积层和全局平均池化层替代末端全连接层作为分类层,应用数据增强方法提升模型的性能.模型使用乳腺癌病理图像数据集BreaKHis进行消融实验并与VGG16模型进行对比.实验结果显示:提出的模型能够取得更好的性能,在二分类上达到了98.55%~99.52%的分类准确率,在多分类上达到了92.26%~94.85%的分类准确率. 展开更多

关键词 卷积神经网络 乳腺癌病理图像 图像分类 多任务学习 深度学习 数据增强

原文传递

融合多尺度特征和多重注意力的乳腺癌图像分类方法

16

作者 韩玉静 陈辉 《宁夏师范学院学报》 2023年第7期101-112,共12页

针对深度学习模型在乳腺癌辅助诊断中提取特征不充分以及分类准确率低等问题,提出一种融合多尺度特征和多重注意力的乳腺癌图像分类方法.首先在骨干网络Res2Net50中引入三重注意力模块,加强模型对重要特征的关注度;其次利用设计的多尺... 针对深度学习模型在乳腺癌辅助诊断中提取特征不充分以及分类准确率低等问题,提出一种融合多尺度特征和多重注意力的乳腺癌图像分类方法.首先在骨干网络Res2Net50中引入三重注意力模块,加强模型对重要特征的关注度;其次利用设计的多尺度特征融合模块充分融合图像的特征;最后利用宽度学习系统对融合后的特征向量进行分类.同时模型中运用迁移学习解决乳腺癌图像样本量不足引起的分类效果不佳等问题.实验结果表明该方法对于不同放大倍数下获取的病理图像具有较好的健壮性,有效地提高了深度学习模型对于乳腺癌诊断的性能. 展开更多

关键词 图像分类 乳腺癌组织病理图像 多重注意力 多尺度特征融合 迁移学习

下载PDF 职称材料

多特征融合的乳腺癌组织病理学图像识别的方法 被引量：2

17

作者 乔世昌 胡红萍 +1 位作者 郝岩 白艳萍 《重庆理工大学学报（自然科学）》 CAS 北大核心 2022年第2期135-141,共7页

乳腺癌是全球女性常见的癌症类型之一,严重影响了女性的健康,乳腺癌组织病理学图像的识别已成为医学图像处理领域的研究热点。针对Bioimaging 2015数据集进行乳腺癌组织病理学图像的识别研究,将该数据集分为癌类与非癌类2种。实验提取... 乳腺癌是全球女性常见的癌症类型之一,严重影响了女性的健康,乳腺癌组织病理学图像的识别已成为医学图像处理领域的研究热点。针对Bioimaging 2015数据集进行乳腺癌组织病理学图像的识别研究,将该数据集分为癌类与非癌类2种。实验提取了乳腺癌组织病理学图像染色分离后4个方向上的灰度共生矩阵特征、小波特征及Tamura纹理特征,并根据颜色自动相关图提取了原始图像的颜色特征,同时也提取了染色分离前水平方向上的灰度共生矩阵特征作为纹理信息的补充,最后将提取到的特征进行融合,并输入到支持向量机分类器中,以实现乳腺癌组织病理学图像的识别,识别准确率达到了83.33%。 展开更多

关键词 乳腺癌组织病理学图像 灰度共生矩阵 颜色自动相关图

下载PDF 职称材料

基于改进YOLOv5s的乳腺癌有丝分裂病理图像检测

18

作者 刘雅楠 李靖宇 +5 位作者 郝利国 赵添羽 邹鹤 孟洪颜 许东滨 董静 《中国医疗器械信息》 2024年第5期24-27,35,共5页

乳腺癌病理图像的有丝分裂结果过程中,由于形态相近的细胞存在干扰,有丝分裂细胞目标小,难以分割标记,从而限制乳腺癌分级诊疗效率和准确性。因此,提出了一种基于改进YOLOv5s的乳腺癌病理图像检测算法。在骨干网络中加入Transformer结构... 乳腺癌病理图像的有丝分裂结果过程中,由于形态相近的细胞存在干扰,有丝分裂细胞目标小,难以分割标记,从而限制乳腺癌分级诊疗效率和准确性。因此,提出了一种基于改进YOLOv5s的乳腺癌病理图像检测算法。在骨干网络中加入Transformer结构,增强对图像小目标的检测能力。并通过引入ACMix结构,融合图像特征,提高检测性能,强化卷积神经网络对小目标的注意力机制。在检测头部分添加SK-attention,确保捕捉小目标的准确度。结果显示,改进的YOLOv5s的检测性能较改进前传统模型性能更加优秀,检测准确率达97.12%,能较好识别乳腺癌病理图像有丝分裂细胞,进而为后续诊疗提供决策依据。 展开更多

关键词 乳腺癌病理图像 YOLOv5s 特征融合 目标检测

下载PDF 职称材料

基于融合多网络深层卷积特征和稀疏双关系正则化方法的乳腺癌图像分类研究 被引量：6

19

作者 王永军 黄芳琳 +3 位作者 黄珊 姜峰 雷柏英 汪天富 《中国生物医学工程学报》 CAS CSCD 北大核心 2020年第5期532-540,共9页

乳腺癌是全球女性癌症死亡的主要原因之一。现有诊断方法主要是医生通过乳腺癌观察组织病理学图像进行判断,不仅费时费力,而且依赖医生的专业知识和经验,使得诊断效率无法令人满意。针对以上问题,设计基于组织学图像的深度学习框架,以... 乳腺癌是全球女性癌症死亡的主要原因之一。现有诊断方法主要是医生通过乳腺癌观察组织病理学图像进行判断,不仅费时费力,而且依赖医生的专业知识和经验,使得诊断效率无法令人满意。针对以上问题,设计基于组织学图像的深度学习框架,以提高乳腺癌诊断准确性,同时减少医生的工作量。开发一个基于多网络特征融合和稀疏双关系正则化学习的分类模型:首先,通过子图像裁剪和颜色增强进行乳腺癌图像预处理;其次,使用深度学习模型中典型的3种深度卷积神经网络(Inception V3、Res Net-50和VGG-16),提取乳腺癌病理图像的多网络深层卷积特征并进行特征融合;最后,通过利用两种关系("样本-样本"和"特征-特征"关系)和lF正则化,提出一种有监督的双关系正则化学习方法进行特征降维,并使用支持向量机将乳腺癌病理图像区分为4类—正常、良性、原位癌和浸润性癌。实验中,通过使用ICIAR 2018公共数据集中的400张乳腺癌病理图像进行验证,获得93%的分类准确性。融合多网络深层卷积特征可以有效地捕捉丰富的图像信息,而稀疏双关系正则化学习可以有效降低特征冗余并减少噪声干扰,有效地提高模型的分类性能。 展开更多

关键词 乳腺癌病理图像分类 深度卷积特征融合 有监督特征选择 支持向量机

下载PDF 职称材料

基于灰度共生矩阵的乳腺病理图像纹理特征分析 被引量：7

20

作者 赵爽 李延军 +1 位作者 马志庆 赵文华 《中国医学装备》 2018年第8期5-8,共4页

目的:通过深入分析乳腺病理图像,为精确区分良恶性乳腺肿瘤,提出便于计算又能给出较高的分类精度的纹理特征参数。方法:基于灰度共生矩阵算法,提取乳腺癌病理图像的纹理特征进行分析。结果:确定4个具有很好特征效果且便于计算的纹理特... 目的:通过深入分析乳腺病理图像,为精确区分良恶性乳腺肿瘤,提出便于计算又能给出较高的分类精度的纹理特征参数。方法:基于灰度共生矩阵算法,提取乳腺癌病理图像的纹理特征进行分析。结果:确定4个具有很好特征效果且便于计算的纹理特征参数,熵和对比度的均值特征对区分良恶性肿瘤有很好的表现。结论:在乳腺病理图像中提取熵和对比度的均值为主要特征,可有效区分乳腺肿瘤良性与恶性。 展开更多

关键词 灰度共生矩阵 乳腺癌病理图像 纹理 特征提取 熵和对比度

下载PDF 职称材料