[发明专利]一种基于多示例学习的小样本乳腺癌细胞图像判别方法

说明书

本发明公开了一种基于多示例学习的小样本乳腺癌细胞图像判别方法。基于元学习框架，首先将图像分割为大小相同的图像块，利用卷积神经网络提取各图像块特征，然后利用多示例表征将图像分类问题转化成一个多示例学习问题。最后引入示例级的注意力机制，以单层全连接神经网络作为分类器，自动学习乳腺癌病变部位，完成分类与定位任务。本发明能够在少量乳腺癌细胞样本的情况下对正常细胞与癌细胞图像进行建模，采用多示例学习下的注意力机制增强了模型的可解释性，可在图像中定位出癌细胞的位置以辅助医生进行诊断。

技术领域

本发明属于计算机图像与医疗辅助技术领域，更为具体地讲，涉及一种基于多示例学习的小样本乳腺癌细胞图像判别方法。

背景技术

随着机器学习与人工智能技术的飞速发展，机器学习开始和各种传统科学领域进行交叉结合，推动了各行各业的发展。特别是在医疗领域，有效的机器学习技术的应用使医疗专业人员能够做出更好的决策、识别趋势和带来创新，更好提高研究和临床实验的效率。

据2018年国际癌症研究机构(IARC)调查的最新数据显示，乳腺癌在全球女性癌症中的发病率为24.2％，位居女性癌症的首位，其中52.9％发生在发展中国家，严重威胁女性健康。为加强乳腺癌诊断准确性，提早治疗乳腺癌以使得对身体的损害最小化，目前出现了一些使用机器学习手段辅助乳腺癌诊断的方法，包括采用支持向量机、深度神经网络模型等方法直接对处理好的乳腺癌细胞和正常细胞进行分类。为开发一个强大而准确的深度学习模型，科研者从研究项目、患者统计、医疗健康记录和其他来源收集大量数据，十分耗费人力物力。另一方面，支持向量机一类的传统方法不需要太多数据，但考虑的变量较为宽泛，比如年龄、体重、身高和性别等。而对于乳腺癌本身的形态数据等直接信息利用不足，这会影响最终结果的准确性。

小样本学习是一种旨在解决传统机器学习中需求样本量大，耗时长的问题而提出的一种利用不同学习任务当中学习到的先验知识来辅助目标任务，仅需要少量样本快速学习的深度机器学习技术。小样本学习已经在计算机视觉、强化学习、自然语言处理等多个人工智能领域有了广泛的应用。在乳腺癌细胞检测中，应用卷积神经网络、注意力机制并结合小样本学习，既能使模型聚焦乳腺癌细胞本身形态特征，同时也不需要大量训练数据，提高了模型的广泛适应性，节约了成本。

发明内容

本发明的目的在于克服现有机器学习技术辅助医疗诊断时，样本量不足，预测结果精度不足及可解释性问题，提出了一种基于多示例学习的小样本乳腺癌细胞图像判别方法。通过将原始分类问题转化为多示例学习问题，并结合卷积神经网络及注意力机制，可以显著提高对乳腺癌细胞图像分类与目标检测的效果。

为实现上述发明目的，本发明基于多示例学习的小样本乳腺癌细胞图像判别方法，其特征在于，包括以下步骤：

(1)从医院采集包括乳腺癌细胞在内的如肝癌细胞、肺癌细胞、胃癌细胞等至少4种不同类型癌细胞图像，每种类细胞至少10张图片。图片为采用了苏木精和伊红染色的全幻灯片癌细胞与正常细胞彩色三通道图像。

(2)由医学专家为图像赋予标签，如果图像中没有癌细胞，则认为是正常图像，赋值为0，反之则标记为癌细胞图像，赋值为1。图像数据按癌细胞类别分别存放。

(3)将原始图像分割为3*28*28大小的图像块K个，同时如果图像块包含75％或以上的空白则将该块丢弃，之后将一副原始图像认为是一个多示例包，每个图像中分割出来的图像块认为是一个示例。每个示例包继承了原始图像的标签，而每个图像块没有具体的标签。从而将传统的图像分类问题转化为了多示例分类问题。然后使用卷积神经网络(如ResNet)对所有图像块提取图像特征。