[发明专利]基于深度学习的恶性黑色素瘤及非恶性黑色素痣分类系统

摘要

本发明公开了一种基于深度学习的恶性黑色素瘤及非恶性黑色素痣分类方法，本发明先获取数据，再进行数据预处理，然后对处理后的数据进行增强，接着进行小滑块级别的恶性、非恶性肿瘤分类，生成概率热力图，机器学习特征提取，最后基于病理图像级别的随机森林分类，本发明不仅仅得到了眼部超像素组织病理图像小滑块级别的非常好的实验结果，重点是实现自动分类组织病理图像为恶性或非恶性的一整套流程，构建了一个可以直接应用于临床辅助诊断的计算机辅助诊断(CAD)系统，并且准确率非常高。

主权项

1.基于深度学习的恶性黑色素瘤及非恶性黑色素痣分类方法，其特征在于：步骤1、数据获取从眼科病理中心获取眼部病理切片，扫描得到数字病理图像；数字病理图像通过医生标注分为恶性切片和非恶性切片，并作为数据集；再将数据集分为训练集、验证集、测试集；步骤2、数据预处理分别从训练集、验证集、测试集原始图像上裁剪出小滑块，其中验证集、测试集上裁剪出的小滑块采集尺寸相同，训练集上裁剪出的小滑块采集尺寸大于验证集、测试集上裁剪出的小滑块采集尺寸；其中恶性肿瘤切片从肿瘤区域裁剪，非恶性肿瘤切片从组织区域裁剪；步骤3、数据增强针对训练集样本不均衡问题，采用过采样方法，使正负样本均衡；同时为了提高模型的性能，保证泛化能力，使用多种数据增强方法来增加样本多样性，提升模型的性能；所述的多种数据增强方法包括随机水平/竖直翻转、随机旋转、边缘锐化和随机裁剪；步骤4、小滑块级别的恶性、非恶性肿瘤分类基于成熟的卷积神经网络，采用迁移学习，去均值方法，通过验证集对比试验得到最优超参数，最后得到基于小滑块分类性能最佳的模型；步骤5、概率热力图生成生成一张和原始数字病理图像相同尺寸的基于小滑块概率预测值的概率图，通过对应区域概率值回填的方法实现，最后通过可视化技术呈现预测值的热力图；步骤6、机器学习特征提取对生成的概率图提取特征，这些特征综合考虑了，肿瘤区域占组织区域百分比，肿瘤区域数量，最大肿瘤区域面积，肿瘤区域最长轴，周长，偏心距，矩形性，密实度对实际分类有决策作用的特征；步骤7、基于病理图像级别的随机森林分类方法将训练集、验证集概率图提取到的特征做为输入，训练分类器；将测试集特征输入进行预测，根据预测结果计算图像级别的分类评价指标；最后输出病理切片分类结果为恶性、非恶性。