[发明专利]用于甲状腺肿瘤细胞学涂片图像分类的网络构建方法及系统

说明书

本发明公开了一种用于甲状腺肿瘤细胞学涂片图像分类的网络构建方法及系统，该系统利用强化学习方法寻找最适合甲状腺肿瘤细胞学涂片图像分类的现有卷积神经网络，所述强化学习方法的具体流程为：首先，用循环神经网络生成一个卷积神经网络；接着，用甲状腺肿瘤细胞学涂片图像训练集训练该卷积神经网络；然后，用甲状腺肿瘤细胞学涂片图像验证集验证经训练后的该卷积神经网络的准确率，设定一个准确率阈值，判断其准确率是否高于阈值；最后将准确率最高的卷积神经网络作为初步卷积神经网络进行再训练，从而达到构建高准确率卷积神经网络用于辅助医生对甲状腺肿瘤进行诊断，提高了诊断准确率的目的。

技术领域

本发明涉及图像识别领域，特别涉及一种基于深度学习和强化学习的适用于甲状腺肿瘤细针穿刺细胞学涂片图像分类的卷积神经网络及其构建方法和系统。

背景技术

甲状腺癌是内分泌系统最常见的恶性肿瘤。甲状腺结节是指在甲状腺内的肿瘤，鉴于甲状腺结节的高发病率，而甲状腺恶性肿瘤仅占其中极小部分，如能首先通过非手术方式识别出尽可能多的甲状腺恶性肿瘤，则可大幅度减少不必要的诊断性手术数量，既可减少手术给病人带来的损伤，又可更合理地应用有限的医疗资源。甲状腺肿瘤细针穿刺细胞学涂片是目前评价甲状腺结节的最为准确且性价比高的术前检查方法。然而，由于相关细胞病理专业人员缺乏和诊断经验欠缺，很多医院并不能对甲状腺细胞学涂片做出准确的良恶性分析。因此，利用深度学习技术对甲状腺细胞学涂片进行处理和研究，能为医生提供有用的参考信息，辅助医生及时地对甲状腺结节患者做出准确的诊断。

近年来，深度学习，特别是卷积神经网络在图像识别领域产生了巨大的突破。经过用海量的图片进行训练后，卷积神经网络在图片分类任务上的准确率超过了人类。医院拥有大量的甲状腺细胞学涂片图片，拥有大量的专业医师对其良恶性进行准确的标注，对甲状腺细胞学涂片采用深度学习方法进行甲状腺癌诊断可以取得很好的效果。

发明内容

本发明的目的是提出一种基于深度学习的甲状腺肿瘤细针穿刺细胞学涂片图像分类方法，用于辅助医生对甲状腺肿瘤进行诊断，提高诊断的准确率。

为实现上述目的，本发明首先提供了一种甲状腺肿瘤细胞学涂片图像分类方法，该方法是利用经训练成熟的卷积神经网络来对甲状腺肿瘤细胞学涂片图像进行良恶性分类的，包括：

获取若干一定尺寸的经良恶性标注的甲状腺肿瘤细胞学涂片图像；

用获取的图像组成训练集，并对训练集进行数据扩增；

生成初步卷积神经网络；

用扩增后的训练集训练初步卷积神经网络，优化其参数，使其可判断甲状腺肿瘤细胞学涂片图像中细胞的良恶性，从而形成成熟卷积神经网络；

获取待分类的甲状腺肿瘤细胞学涂片图像，用成熟卷积神经网络对该图像中的细胞进行良恶性判断：图像中所有细胞均判断为良性则输出良性结果，图像中有至少一个细胞为恶性则输出恶性结果。

进一步，获取若干一定尺寸的经良恶性标注的甲状腺肿瘤细胞学涂片图像中，所述一定尺寸的经良恶性标注的甲状腺肿瘤细胞学涂片图像是按下述方法获得的：从甲状腺肿瘤细胞学涂片的显微照片中有辨别力的区域中截取若干一定尺寸的图像，并由人工进行良恶性标注。截取的区域中的细胞对于甲状腺肿瘤良恶性具有很强的辨别力，能使系统对肿瘤的良恶性做出准确地判断。优选地，所述一定尺寸为224×224像素或299×299像素。

本发明所述“良恶性标注”既可以指将整幅图像标注为良性或恶性，也可以指将图像中勾画出的区域标注为良性或恶性。

优选地，所述甲状腺肿瘤细胞学涂片为甲状腺肿瘤穿刺细胞学涂片。