[发明专利]一种浸润性宫颈癌病理图像分类方法和系统

说明书

本发明实施例提供一种浸润性宫颈癌病理图像分类方法和系统，建立一套深度卷积神经网络集合，从多尺度训练图像中提取最有用的视觉特征，根据提取的深度特征向量的新数据集，对每个梯度增强树分类器进行训练。应用多数投票策略来组合增强树分类器；通过对宫颈癌肿瘤多尺度深层特征的改进提取，最终得到了一个增强分类器，达到了良好的分类性能。

技术领域

本发明实施例涉及计算机技术领域，尤其涉及一种浸润性宫颈癌病理图像分类方法和系统。

背景技术

宫颈癌是全球女性第二大癌症类型，且近年来宫颈癌新增病例呈逐年递增趋势。宫颈癌其病情隐匿，导致其发现和确诊时间晚，错失最佳治疗时机，每年许多宫颈癌患者死亡。其中浸润性宫颈癌是所有宫颈癌中最常见的亚型，为了给整个样本分配等级，病理学家通常关注包含浸润性宫颈癌的分布区域。然而，大多数计算机辅助诊断系统传统上使用手工特征提取方法，这些方法耗费大量时间而且效果较差。

发明内容

本发明实施例提供一种浸润性宫颈癌病理图像分类方法和系统，以解决现有技术中使用手工特征提取方法，耗费大量时间而且效果较差的问题。

第一方面，本发明实施例提供一种浸润性宫颈癌病理图像分类方法，包括：

获取待检测宫颈癌组织病理图像；

将所述待检测宫颈癌组织病理图像输入至预先训练好的病理图像分类模型，得到所述待检测宫颈癌组织病理图像的类别；其中，所述病理图像分类模型为基于多分辨率图像和多尺度特征训练得到的，所述多尺度图像为宫颈癌组织病理图像的局部区域的特征。

作为优选的，所述将所述待检测宫颈癌组织病理图像输入至预先训练好的病理图像分类模型前，还包括：

获取不同类别的宫颈癌组织病理图像；所述宫颈癌组织病理图像为苏木精-伊红染色染色法处理后的病理图像；

对所述宫颈癌组织病理图像进行归一化处理；

对所述宫颈癌组织病理图像进行数据增强处理，得到每个类型的所述宫颈癌组织病理图像的训练数据集；

基于所述训练数据集进行神经网络训练，得到用于宫颈癌组织病理图像的类别分类的病理图像分类模型。

作为优选的，所述数据增强处理包括反转、随机剪裁、旋转和平移。

作为优选的，基于所述训练数据集进行神经网络训练，具体包括：

对所述训练数据集中的图像进行不同比例缩放；

为每个类型的所述宫颈癌组织病理图像构建一个Inception-ResNet-v2模型，所述Inception-ResNet-v2模型的全连接层断开；

将所述训练数据集缩放后得到的数据输入至对应的Inception-ResNet-v2 模型中，提取每个类型所述宫颈癌组织病理图像的深度特征向量；

将每个类型所述宫颈癌组织病理图像的深度特征向量输入至一个对应梯度增强分类器中进行训练，得到用于宫颈癌组织病理图像的类别分类的病理图像分类模型。

作为优选的，所述梯度增强分类器采用多数投票策略进行组合。

作为优选的，将所述训练数据集缩放后得到的数据输入至对应的 Inception-ResNet-v2模型中，提取每个类型所述宫颈癌组织病理图像的深度特征向量，具体包括：

基于TensorFlow分布式机器学习系统，在GeForce GTX 1080Ti上对每个Inception-ResNet-v2模型进行随机梯度训练；

将每个Inception-ResNet-v2模型的最后一个卷积层转换为长度为1056的一维特征向量，提取每个类型所述宫颈癌组织病理图像的深度特征向量。