[发明专利]一种基于多尺度压缩奖惩网络的病理图像分类方法

说明书

本发明公开了一种基于多尺度压缩奖惩网络的病理图像分类方法，该方法包括以下步骤：提取病理图像中有效的细胞组织区域；将提取的组织区域分割成固定大小的图像块，根据图像块中病变区域的面积大小将其分成患病与健康两类，并赋予两类图像块相应的标签作为训练样本；构建并训练多尺度压缩奖惩网络模型，实现对病理图像的分类。本方法以加入了压缩奖惩模块的稠密网络作为子网络，并使用多个子网络学习病理图像不同尺度的特征，不仅解决了单一网络只能学习一种尺度特征的问题，而且增强了网络的信息传递能力，提高了网络对病理图像的分类性能。

技术领域

本发明涉及信号与信息处理技术领域，尤其涉及一种基于多尺度压缩奖惩网络的病理图像分类方法。

背景技术

如今，病理图像分析已成为医学图像领域的一大研究热点。病理图像分析需要医生投入大量的时间，而且要求其有丰富的临床诊断经验。然而病理图像的数量日益增长，而诊断经验丰富的医生的数量有限，因此单独依靠医生无法有效对病理图像进行诊断。

深度卷积网络可以自动提取病理图像中细胞组织的复杂形态特征，实现对细胞是否发生病变的准确识别。因此为了缓解医生在病理图像诊断上的压力，越来越多的深度网络算法被提出。文献[1]中作者将假阳性样本重新加入到训练集中训练GoogleNet网络，使网络主要针对分类错误的样本进行学习，以提高识别准确率。文献[2]中Liu等采用卷积神经网络对病理图像块中细胞的非线性特征进行提取，并对细胞患病的概率进行估计；文献[3]用卷积神经网络分析脑胶质瘤病理切片图像特征，以实现对肿瘤等级的判断；文献[4]中作者提出采用一个最大池化卷积神经网络来提取有丝分裂病理图像中细胞的抽象特征。

发明人在实现本发明的过程中，发现现有技术中至少存在以下缺点和不足：

卷积神经网络是由卷积层与池化层等堆叠起来的，前一层的输出只作为后一层的输入，因此后一层学到的特征只依赖于前一层的输出，当网络过深时容易产生梯度消失现象。此外，卷积神经网络中的卷积核尺寸都是固定的，只能学到固定局部区域的细胞特征，故在对病理图像进行特征提取时无法针对细胞的不同区域范围学习细胞的纹理特征，可能影响分类准确率。

发明内容

本发明提供了一种基于多尺度压缩奖惩网络的病理图像分类方法，本发明以加入压缩奖惩模块的稠密网络作为子网络，并使用多个有不同尺寸的卷积核的子网络对图像样本进行多尺度特征的学习，实现对病理图像中细胞患病与否的识别，增强了网络的学习能力，可有效提高分类性能，详见下文描述：

一种基于多尺度压缩奖惩网络的病理图像分类方法，所述病理图像分类方法包括以下步骤：

提取病理图像中有效的细胞组织区域；

将提取的组织区域分割成固定大小的图像块，根据图像块中病变区域面积大小分成患病与健康两类，并赋予两类图像块相应标签作为训练样本；

构建并训练多尺度压缩奖惩网络模型，实现对病理图像的分类。

进一步地，所述构建并训练多尺度压缩奖惩网络模型具体为：

以去掉全局池化层与线性分类层的稠密网络为基础，在网络的每个转化层后加入一个压缩奖惩模块，并以加入压缩奖惩模块的稠密网络作为子网络；

使用多个子网络并联对同一个训练样本进行特征学习，每个子网络用于提取一个尺度下的细胞特征；其中每个子网络中的第一个卷积层的卷积核尺寸各不相同；

对每个子网络的最后一个稠密块的输出特征进行拼接，并作为一个独立稠密块的输入，该独立稠密块的结构与稠密网络中的稠密块结构相同；

独立稠密块后接一个全局池化层与一个线性分类层，输出样本患病概率。

其中，所述稠密网络包括：一个输入层、一个卷积层、多个稠密块，多个转化层、一个全局平均池化层和一个线性分类层；