[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

说明书

本发明属于病理图像识别技术领域，更具体而言，涉及一种基于多尺度空洞卷积的乳腺癌病理图片分类方法，包括：数据收集、数据预处理、数据集构建、数据集划分、模型构建、模型训练、模型评价，数据收集采集各期乳腺癌病理X光图片并标注标签；数据预处理对数据进行缩放，增强以及归一化处理；数据集构建混合数据并随机打乱；数据集划分分割数据训练集、测试集与验证集；模型构建以空洞卷积为基础构建多尺度卷积神经网络；模型训练采用训练参数对模型进行迭代训练；模型评价采用准确率与召回率对模型识别效果进行评估。本发明将空洞卷积思想融入Inception多尺度卷积网络中，并对网络进行改进，实现对数据进行更好地分析，达到优秀的识别效果。

技术领域

本发明属于病理图像识别技术领域，更具体而言，涉及一种基于多尺度空洞卷积的乳腺癌病理图片分类方法。

背景技术

乳腺癌的病理特征在早期较为微弱，容易漏检，延误最佳治疗时机，现有的监测依赖医师进行人工识别，效率低下，并且对医师专业水平要求极高，无法完成高效快速的检测。而现有的智能识别算法依赖人工选择特征的一些机器学习算法，此类算法容易受到人为主观因素影响，对病理的判断会有一定消极影响。

因此，有必要对现有技术进行改进。

发明内容

为了克服现有技术中存在的不足，提供一种识别效率高的基于多尺度空洞卷积的乳腺癌病理图片分类方法。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于多尺度空洞卷积的乳腺癌检测方法，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；

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；

S600、模型训练：采用训练参数对模型进行迭代训练；

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。

进一步的，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。

进一步的，所述S200数据预处理中，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， 为归一化后该像素点的像素值。

进一步的，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。

进一步的，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。

进一步的，所述S500模型构建中，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。