[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

说明书

本发明公开了一种基于深度学习的宫颈癌组织病理学图像分析方法及设备，该方法包括：获取宫颈癌组织病理学图像，并为每张图像设置图像标签；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；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。本发明能够自动地对医生采集的原始的组织病理切片显微图片的分化程度进行分类识别，辅助医生进行诊断。

技术领域

本发明涉及医疗领域，尤其涉及一种基于深度学习的宫颈癌组织病理学图像分析方法及设备。

背景技术

宫颈癌是常见的妇科恶性肿瘤之一，就目前而言，宫颈癌组织病理学显微图像的计算机辅助诊断研究主要集中于使用经典图像特征提取方法和机器学习分类方法对宫颈组织病理学图片进行图像分割和病理异常筛查，鲜有研究针对宫颈癌组织病理学图片的分化程度进行计算机辅助诊断研究。

现有技术根据使用计算机视觉方法对仅有单个宫颈癌细胞的组织病理学图像进行特征提取，然后使用传统机器学习方法对提取的特征进一步进行分类。如图1所示，该方法由上至下共包含五个步骤：

(1)数据预处理：将彩色组织病理学图像变成灰度图像，图像大小不变，进行图像增强，滤除噪声干扰，强化图像边缘信息。

(2)细胞图像分割：分别进行两次图像分割，以区别细胞和细胞核，转换为二值图像后，采用基于阈值分割的算法实现

(3)特征值提取：在对图像进行阈值处理的基础上，采用8连通链码对细胞和细胞核进行形态学特征提取，提取的特征有周长、面积、圆度、矩形度、核质比等，之后对特征值进行标准化。

(4)机器学习方法(人工神经网络或者支持向量机)学习功能部分：在对细胞的特征值进行提取和标准化后，对所测得的标准特征值进行学习，训练分类器参数权值，使得反向误差e达到所要求的既定值。

(5)机器学习方法分类部分：此部分是系统最重要的部分，以前的各个部分都是此部分的准备，在经过一系列的参数学习后，已经学习得到了使得最终分类准确率较高的分类权值。最后能够对用于测试的细胞图像数据进行准确的分类。

然而该方法只能选择噪声较小、清晰度高的单个细胞组织病理学图片进行处理，无法对完整组织病理学显微切片图像直接进行处理，需要人工对单个细胞图像进行提取；该方法选用了27个人工设计的形态学特征作为机器学习的输入值，这种方法可迁移性差，容易在学习中产生过拟合现象；且只能单个细胞的细胞种类进行分类，无法全局地诊断病人的癌症分化程度，从而辅助判断病人的癌症病情。

发明内容

本发明所要解决的技术问题是：针对现有技术存在的问题，本发明提供一种基于深度学习的宫颈癌组织病理学图像分析方法及设备，能够对一张拥有多细胞的组织病理学图片进行分类，通过对宫颈癌组织病理学图像分化程度的分类，可以判断癌症的恶性程度，从而帮助医生更好地制定医疗计划，对癌症进行及时有效的治疗。

本发明提供的一种基于深度学习的宫颈癌组织病理学图像分析方法，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；