[发明专利]基于卷积神经网络模型集成的乳腺癌图像自动识别方法

说明书

本发明涉及一种基于卷积神经网络模型集成的乳腺癌图像自动识别方法。该方法包括：步骤1：对原始乳腺癌病理图像进行降噪处理以排除该原始乳腺癌病理图像中的无用信息，以获得降噪处理后的图像；步骤2：使用SinGAN处理降噪处理后的图像以生成数据，对该数据进行数据增强；步骤3：基于ResNet网络、DenseNet网络和SENet网络进行训练，构建自动识别模型；步骤4：对于所识别的结果进行集成。本发明解决了在乳腺癌自动识别中仅利用单张图像识别病理类别，而丢失多张图像带有的信息的问题，应用深度学习图像自动识别技术，自动从多张乳腺癌影像中学习图像特征，以一种端对端的模型集成方法完成乳腺癌自动识别任务。

技术领域

本发明涉及医疗图像处理技术领域，尤其是涉及一种基于卷积神经网络模型集成的乳腺癌图像自动识别方法。

背景技术

目前，癌症是世界各地面临的巨大健康问题，根据世界卫生组织国际癌症研究机构(IARC)统计，2012年有820万人死于癌症。在癌症之中，乳腺癌是女性常见的第二大癌症疾病，仅次于皮肤癌。在众多分子生物学进展中，组织病理学分析仍然是乳腺癌诊断应用最为广泛的方法。但是尽管成像技术取得了重大进展，但乳腺癌的分级分期仍然需要经验丰富的病理学家在显微镜下进行检测，工作量十分巨大。而图像领域的重大突破及机器学习的发展，使得可以构建计算机自动辅助检查系统，帮助医生提高诊断效率及准确率。在组织病理学上，需将图像分为不同的类，即对应组织是否有癌症，而对于自动辅助诊断系统最大的挑战是自动识别复杂的组织病理性学图像。

乳腺癌诊断的自动成像处理已经探索多年，但是由于图像的复杂性，仍具有挑战性。传统的机器学习方法往往先使用特征提取方法从图像中抽取特征，而后使用分类器(例如支持向量机、神经网络等)进行图像识别，在小数据集识别的准确率在76％～94％之间。这种传统的机器学习手动提取特征的方法依赖于专家的经验及图像本身的复杂性，在处理向病理图像这样复杂的数据上，效果不佳。随着图像处理单元(GPU)的出现，及深度学习的复兴，使得自动抽取特征成为可能。

LeCun在1997年发明了卷积神经网络，用其进行手写数字的识别；2012年，深度卷积神经网络(CNN)Alexnet在ImageNet数据集上获得了第一名，领先传统机器学习方法第二名14.9％，从而引起巨大关注，拉开深度学习在图像识别统治地位的序幕；随着VGG、Inception、ResNet、DenseNet、SENet等新的网络不断提出，CNN在图像识别、定位、分割、追踪等任务上不断取得优异效果。因此，卷积神经网络用于乳腺癌的自动识别的成果自然也不断出现，例如Fabio et.al使用深度卷积神经网络对乳腺癌病理图像进行自动识别、Hanet.al使用结构化的卷积神经网络抽出不同病理类别的图像特征识别癌症等等。CNN的应用提高了乳腺癌病理的识别，但是目前的方法仅限于单张的图像。多张图像在一组不同状态下拍摄的图像可能含有更多的图像信息，相关研究缺失，需进一步研究。

从目前的研究现状来看，传统的机器学习方法在乳腺癌自动识别取得了一定的效果，但效果不佳；深度学习方法的引用提高了识别效果，带来了质的飞跃，不过对于乳腺癌的研究缺仅限于单张图像，多张图像的信息利用不足，需进一步研究。

发明内容

本发明所要解决的技术问题是提供一种基于卷积神经网络模型集成的乳腺癌图像自动识别方法。本发明解决了在乳腺癌自动识别中仅利用单张图像识别病理类别，而丢失多张图像带有的信息的问题，应用深度学习图像自动识别技术，自动从多张乳腺癌影像中学习图像特征，以一种端对端的模型集成方法完成乳腺癌自动识别任务。

通过本发明可以实现的技术目的不限于上文已经特别描述的内容，并且本领域技术人员将从下面的详细描述中更加清楚地理解本文中未描述的其他技术目的。

本发明解决上述技术问题的技术方案如下：

根据本公开的一方面，本发明提供一种基于卷积神经网络模型集成的乳腺癌图像自动识别方法，其特征在于，所述方法包括：