[发明专利]一种基于改进的卷积神经网络ResNeSt50的胃印戒细胞癌分类方法

说明书

本发明涉及了一种基于改进的卷积神经网络ResNeSt50的胃印戒细胞癌图像分类方法，包括：首先从医院获取原始数据；再进行数据预处理和数据增强；预训练ResNeSt50模型并改进其结构；将改进的模型与其他state‑of‑the‑art模型进行公平的比较；制作概率热力图，训练随机森林分类器。最后进行病理图像级别的分类，得出分类结果。本发明提出的方法不仅在切片级别的分类上取得了很好的效果，同时在病理图像级别的分类上取得了不错的结果，病变区域可视化效果也优于现有的方法。

技术领域

本发明属于医学图像处理技术领域，具体涉及一种基于改进的卷积神经网络ResNeSt50的胃印戒细胞癌分类方法

背景技术

胃印戒细胞癌是一种比较罕见的胃癌，仅占胃癌的9.9％。这种肿瘤比较罕见，医生很少遇到它。不熟悉这种情况极有可能会导致误诊，因此需要进行专家的组织病理学检查。胃印戒细胞癌致病的主要原因是胃部粘膜组织中的细胞恶化。然而在医学研究中，胃印戒细胞癌的发病机制仍然不是很清楚，更不用说针对其提出有效的治疗方法。

胃印戒细胞癌虽然比较罕见，但其一旦确诊，致死率高。关于胃印戒细胞癌患者预后因素的报道不一，但大多研究指出影响其预后的因素包括：肿瘤大小、淋巴结转移、脉管癌栓、吸烟、饮食以及治疗方式等。如果胃印戒细胞癌能够在早期及时被发现,并且采取果断,有效的治疗手段,能在很大程度的改善患者的健康，甚至能够痊愈。

当前对胃印戒细胞癌的检测主要是依靠专业的病理医生对病理切片进行识别,然而这个过程很依赖于医生的经验。目前中国病理医生严重短缺，况且胃印戒细胞癌作为一种比较罕见的胃癌,更加缺少对其熟悉的病理科医生。最近的研究表明，深度学习在医学图像识别方面就有很大的潜力。因此，本文采用深度学习技术来解决胃印戒细胞癌病理图像分类问题。

发明内容

本发明提供一种基于改进的卷积神经网络ResNeSt50的胃印戒细胞癌分类方法。首先从医院获取原始数据；再进行数据预处理和数据增强；预训练ResNeSt50模型并改进其结构；将改进的模型与其他state-of-the-art模型进行公平的比较；制作概率热力图，训练随机森林分类器。最后进行病理图像级别的分类，得出分类结果。

本发明的技术方案是这样实现的：

一种基于改进的卷积神经网络ResNeSt50的胃印戒细胞癌分类方法,该方法包含以下技术步骤：

步骤1.从医院获取原始数据；

步骤2.对数据进行预处理和数据增强；

步骤3.预训练ResNeSt50模型并改进其结构；

步骤4.将改进的模型与其他state-of-the-art模型进行公平的比较；

步骤5.制作概率热力图，训练随机森林分类器；

步骤6.进行病理图像级别的分类，得出分类结果。

进一步地，步骤2中所述的对数据进行预处理和数据增强，具体为：

步骤2.1.从搜集的原始病理图像中筛选出有效图片，丢弃掉无效的图片；

步骤2.2.请专业的胃部病理医生人工标注病变区域；

步骤2.3.采用Otsu阈值法提取感兴趣区域(ROI),即病变区域；

步骤2.4.分别对感兴趣区域和背景区域进行切片处理，从感兴趣区域获取肿瘤切片，从背景区域获取正常组织切片；将含85％以上病变区域的切片定义为肿瘤切片，标签为1；否则为正常组织切片，标签为0；

步骤2.5.对切片进行颜色归一化操作,颜色归一化的目的是使图像的颜色分布趋于统一，使检测分类更加准确，检测算法的鲁棒性更好。本发明采用Macenko等人提出的染色矢量标准化和强度标准化的归一化方法；