[发明专利]一种基于多尺度空洞卷积的乳腺癌病理图片分类方法

权利要求书

1.一种基于多尺度空洞卷积的乳腺癌病理图片分类方法，其特征在于：包括下列步骤：

S100、数据收集：采集各期乳腺癌病理X光图片并标注对应标签；

S200、数据预处理：对数据进行缩放，增强以及归一化处理；

将所有数据图像进行缩放，缩放后每张图像的大小为800*800px；使用数据增强的方式对数据集进行扩增，数据增强方式为数据旋转，对病理图像分别进行90度，180度，270度旋转，并保留数据标签；对所有数据除以255以进行归一化，公式为：

，

x为处理前像素点的像素值，x′ 为归一化后该像素点的像素值；

S300、数据集构建：混合数据并随机打乱，构建标准化深度学习数据集；

S400、数据集划分：构建数据训练集、测试集与验证集；

S500、模型构建：构建以空洞卷积为基础的多尺度卷积神经网络，网络由CNN层、多尺度空洞卷积层、全连接层构成；

以空洞卷积机制为基础，构建多尺度卷积神经网络，多尺度卷积神经网络分为3部分，第一部分为普通CNN层，对数据进行较为粗略的特征提取，筛选重要特征，过滤无用特征；第二层为多尺度空洞卷积层，采用多尺度的空洞卷积，对数据特征进行进一步的不同感受野的提取，对数据特征进行更加深入全面的分析；第三层为全连接分类层，对提取到的特征进行最终分类，得到分类结果；

所述普通CNN层由3层CNN网络构成，每层包含卷积层、池化层与BN层，3层CNN网络最后进行一次批量归一化，使得非线性变换函数的输入值落入对输入比较敏感的区域，避免梯度消失，该部分的卷积核大小为5*5，步长为2，采用valid方式进行卷积，池化层采用大小为2*2的最大值池化，步长为1，采用ReLU作为激活函数对数据特征进行非线性处理，帮助网络更好地进行特征拟合，ReLU公式为：

，

其中x为输入的特征值，f(x)为经过ReLU激活后的特征值；

所述多尺度空洞卷积层采用5个不同尺度的卷积核，其中3个进行空洞卷积，2个进行普通卷积，3个空洞卷积的卷积核大小分别为5*5、5*5、3*3，空洞间隔分别为2、1、1，2个普通卷积的卷积核大小分别为3*3与1*1，卷积步长全部为1，采用same方式进行卷积，将5个卷积获得的特征进行concate，得到高维度多尺度特征；

所述全连接层将前两层模型提取得到的特征进行全连接分类，使用softmax将结果输出，得到对数据的分类结果；

S600、模型训练：采用训练参数对模型进行迭代训练；

网络搭建完毕后使用训练集数据对网络参数进行训练，采用Adam作为优化器，初始学习率为0.01，每100个epoch学习率衰减80%，batch size大小为32，损失函数使用softmax_cross_entropy，设定训练500个epoch，连续20个epoch模型损失值无下降则停止训练，保存模型，使用验证集数据对训练的到的数据模型进行200个epoch的二次训练，若模型损失无下降，保存模型，若模型损失降低，使用训练集数据继续对模型进行训练，直到模型损失稳定。

2.根据权利要求1所述的一种基于多尺度空洞卷积的乳腺癌病理图片分类方法，其特征在于：所述S100数据收集中，收集各期乳腺癌患者相关X光病理图像数据与无患病者乳腺X光图像数据，由专业医师分别诊断，保证数据标签的正确性。

3.根据权利要求1所述的一种基于多尺度空洞卷积的乳腺癌病理图片分类方法，其特征在于：所述S300数据集构建中，将收集到的乳腺癌图像数据、未患病图像数据与扩增所得图像数据混合并随机打乱，完成标准化数据集构建。

4.根据权利要求1所述的一种基于多尺度空洞卷积的乳腺癌病理图片分类方法，其特征在于：所述S400数据集划分中，以7：1：2的比例将数据集划分为训练集、验证集与测试集。

5.根据权利要求1所述的一种基于多尺度空洞卷积的乳腺癌病理图片分类方法，其特征在于：还包括：S700、模型评价：采用准确率与召回率对模型识别效果进行评估，使用训练完成的模型对测试集数据进行测试，根据模型识别结果与数据标签，对模型识别效果进行评估，评估方式为对每一个类别的数据进行准确率与召回率的计算，计算公式为：

准确率：Acc=(TP+TN)/(TP+TN+FN+FP)；

召回率：R=TP/(TP+FN)；

其中TP为正类判定为正类数量，FP为负类判定为正类数量，FN为正类判定为负类数量，TN为负类判定为负类数量。