[发明专利]基于深度学习的宫颈癌组织病理学图像分析方法及设备

权利要求书

1.一种基于深度学习的宫颈癌组织病理学图像分析方法，其特征在于，包括：

步骤一，获取宫颈癌组织病理学图像，并为每张图像设置图像标签；

步骤二，基于用于训练的图像对分类器进行训练，得到训练好的分类器，所述分类器包括两个卷积神经网络和全连接层一，所述全连接层一的输入端连接所述两个卷积神经网络的输出端，对分类器进行训练的方法包括：基于用于训练的图像分别对两个卷积神经网络进行训练，得到训练好的两个卷积神经网络；固定训练好的两个卷积神经网络的参数，基于用于训练的图像对全连接层一进行训练，得到训练好的全连接层一；

步骤三，将待测试的图像输入到训练好的分类器中，两个卷积神经网络分别从图像中提取出特征向量，将输出的特征向量f1和f2拼接在一起输入到全连接层一，输出特征向量f3，分类结果由特征向量f3中数值最大的元素决定。

2.根据权利要求1所述的一种基于深度学习的宫颈癌组织病理学图像分析方法，其特征在于，分类器中的两个卷积神经网络的后面分别连接有全连接层二和全连接层三，此时全连接层一的输入端连接全连接层二和全连接层三的输出端，步骤二中在训练两个卷积神经网络的同时还对全连接层二和全连接层三进行训练。

3.根据权利要求1所述的一种基于深度学习的宫颈癌组织病理学图像分析方法，其特征在于，步骤一还包括：将每一张获取的图像x_i分割成16张大小相等的子图z_ij，使用镜像边缘填充将子图填充成长和宽相等的图片z′_ij，对于每一张图片z′_ij，进行图片旋转0°、90°、180°和270°操作，以及水平翻转、垂直翻转和通道翻转操作，i＝1，2，...，n，j＝1，2...，16，n是图像总数。

4.根据权利要求2所述的一种基于深度学习的宫颈癌组织病理学图像分析方法，其特征在于，步骤二中对分类器的训练方法具体包括：分别设定两个卷积神经网络及全连接层二和全连接层三的超参数；导入从ImageNet上下载的模型参数到两个卷积神经网络中；导入用于训练的图像对两个卷积神经网络及全连接层二和全连接层三进行训练，得到训练好的两个卷积神经网络及全连接层二和全连接层三；重新设置两个卷积神经网络及全连接层二和全连接层三的超参数并固定；导入用于训练的图像对全连接层一进行训练，得到训练好的全连接层一。

5.根据权利要求1所述的一种基于深度学习的宫颈癌组织病理学图像分析方法，其特征在于，还包括步骤四，对分类器进行性能评估，评估指标包括准确率accuracy，精确率precision，召回率recall和F1-测度，各指标的计算公式如下：

其中，TP是被训练好的卷积神经网络预测为正的正样本的数量，FP是被训练好的卷积神经网络预测为正的负样本的数量，FN是被训练好的卷积神经网络预测为负的正样本的数量，TN是被训练好的卷积神经网络预测为负的负样本的数量。

6.根据权利要求1-5任一项所述的一种基于深度学习的宫颈癌组织病理学图像分析方法，其特征在于，所述两个卷积神经网络分别为VGG16和Inception-V3。

7.一种基于深度学习的宫颈癌组织病理学图像分析设备，其特征在于，包括：

图像获取装置，用于获取宫颈癌组织病理学图像，并为每张图像设置图像标签；

分类器训练装置，用于基于用于训练的图像对分类器进行训练，得到训练好的分类器，所述分类器包括两个卷积神经网络和全连接层一，所述全连接层一的输入端连接所述两个卷积神经网络的输出端，对分类器进行训练的方法包括：基于用于训练的图像分别对两个卷积神经网络进行训练，得到训练好的两个卷积神经网络；固定训练好的两个卷积神经网络的参数，基于用于训练的图像对全连接层一进行训练，得到训练好的全连接层一；

分类结果输出装置，用于将待测试的图像输入到训练好的分类器中，两个卷积神经网络分别从图像中提取出特征向量，将输出的特征向量f1和f2拼接在一起输入到全连接层一，输出特征向量f3，分类结果由特征向量f3中数值最大的元素决定。