基于深度学习的皮肤活检图像病理特性识别方法技术

本发明专利技术涉及一种基于深度学习的皮肤活检图像病理特性识别方法，利用多层堆叠自动编码器对活检图像进行特征的重新表达，同时利用一系列的卷积神经网络对图像特征按层进行卷积和采样，得到原始皮肤活检图像的一个抽象特征表达；把由多层堆叠自动编码器和卷积神经网络得到的特征进行拼接，最后由一个多路神经网络完成病理特性的识别。本发明专利技术通过深度学习模型提取抽象概念表达，对图像的色差、光照、放大倍数等因素有很强的适应性，从而大幅提升计算机对皮肤活检图像的病理特性识别的准确性。

【技术实现步骤摘要】

本专利技术涉及的是一种图像处理
的方法，具体是一种基于深度学习的皮肤活检图像病理特性识别方法。
技术介绍
随着信息技术在各个医科中的广泛应用，数字化存储的医学图像的获取和处理变得越来越容易，越来越大量的数字化医学图像被快速生成，这些图像的特点可以归纳为数据量大、分辨率高、当中蕴含的信息量大、增长速度快、非结构化且其特性不能被简单识别。借助各个医科专家的专业知识对数字化医学图像的信息进行提取，需要花费大量的人力成本，同时提取信息的质量受到专家主观因素的影响，其稳定性得不到保证。为了能从海量的医学图像中获取能对疾病诊断有支持作用的信息，需要借助计算机程序的自动分析。各个医科的病理特性差异性较大，它们所对应的图像特征也有十分明显的不同，如何用计算机模型将这些特征进行识别并区分出各种不同的病理特性，是一个具有挑战性的问题。经对现有技术的文献检索发现，Caicedo,J.C等人在《ArtificialIntelligenceinMedicine》Vol.5651oftheseriesLectureNotesinComputerSciencepp.126-135(医学中的人工智能，LNCS系列第5651卷，126-135页)中，阐述了使用词袋的方法提取活检图像的特征，然后使用核分类器进行病理特性的识别，他们把该方法应用在肺癌的病变组织的活检图像识别问题中。近年来在活检图像的计算机辅助分析研究中发现，活检图像所反映出来的病理特性是一种复杂且抽象的概念，通过传统计算机图形学的特征提取方法得到的特征难以表达这些概念，因而在此基础上构建的识别模型其效果也会受到影响。该方法采用基于直方图建立图像特征字典的方法，属于一种浅层的统计特征，难以表达复杂的抽象概念，因此对于复杂的活检图像分析就会存在较大的误差，影响到方法的有效性。
技术实现思路
本专利技术的目的在于克服现有技术中的不足，提出一种基于深度学习的皮肤活检图像病理特性识别方法，从而大幅提升计算机对皮肤活检图像的病理特性识别的准确性。本专利技术是通过以下技术方案实现的，本专利技术具体步骤如下：S1.将原始的皮肤活检图像保存为一个256阶的灰度矩阵，其中矩阵的维数为m×m；S2.把以m×m灰度矩阵表示的皮肤活检图像按行拉伸成一个一维向量，使用3层的堆叠自动编码器进行重新表达，得到n1维的特征向量f1；S3.构建一个包括输入层I、卷积层C1、采样层S1、卷积层C2、采样层S2、卷积层C3、采样层S3、卷积层C4、采样层S4的多层卷积神经网络，对输入的图像进行特征提取；S4.把卷积神经网络的输出与堆叠自动编码器的输出组成的特征向量输入到一个标准的多路输出神经网络中，对活检图像的病理特性做出判断。其中，步骤S1中对于非正方形的皮肤活检图像，通过先缩放到小于等m×m像素，然后再填充全白到m×m的像素矩阵的方式处理。进一步地，步骤S2的具体方法为构造隐含层H1具有17×m个节点，隐含层H2具有11×m个节点，隐含层H3具有7×m个节点；输入层-H1、H1-H2、H2-H3之间是全连接，采用标准的自动编码器的训练方法进行逐层训练，所有层的激活函数为sigmoid函数，其表达式为进一步地，步骤S3实现过程如下：(1)输入层的维数与图像大小相等，为m×m；在卷积层C1上进行多通道卷积操作，产生特征映射矩阵通过采样层S1进行区域元素求和、加权、加偏移，并通过sigmoid函数进行非线性化；(2)通过C2卷积层上进行多通道卷积操作，产生特征映射矩阵通过采样层S2进行区域元素求和、加权、加偏移，并通过sigmoid函数进行非线性化；(3)通过C3卷积层上进行多通道卷积操作，产生特征映射矩阵通过采样层S3进行区域元素求和、加权、加偏移，并通过sigmoid函数进行非线性化；(4)通过C4卷积层上进行多通道卷积操作，产生特征映射矩阵通过采样层S4进行区域元素求和、加权、加偏移，并通过sigmoid函数进行非线性化，此时得到了原始像素的一个抽象非线性化特征表达向量；所述卷积层使用公式为：(Cic)ab＝sig(wic×conv(Aab，Kic)+bic)(4.1)所述采样层使用公式为：Sis＝sig(wis×conv(Bab，ones(|Bab|，|Bab|)/4)+bis)(4.2)对于公式(4.1)，Cic表示第c个卷积层的第i个通道的卷积结果；(Cic)ab表示矩阵Cic的第a行第b列的元素值；sig表示sigmoid函数，其表达式为wic为输入到第c个卷积层第i个通道的加权值；×为四则运算的乘号；Aab是以卷积核为大小的滑动窗口在原图像矩阵I上的滑动值，其大小与卷积核一样；Kic为第c个卷积层的第i个通道的卷积核；conv为标准的矩阵卷积运算；bic为第c个卷积层的第i个通道的偏移；对于公式(4.2)，Sis表示第c个卷积层的第i个通道的采样结果；sig函数和conv函数的含义同公式(4.1)；wis为上一个卷积层的第i个通道到第s个采样层的加权值；Bab为上一个卷积层的第i个通道结果的不重叠滑动窗口的值；ones(x，y)是一个能够产生x行y列的全1矩阵的函数；/为普通的除法；bis为上一个采用层的第i个通道到第s个采样层的偏移。进一步地，步骤S4是指输出网络为一个标准的BP神经网络，输出向量是一个d维实值向量，每一维的取值范围在[0，1]之间，代表该活检图像具有某一病理特性的概率；该神经网络的输入层维数与卷积神经网络的输出层维度一致，其维数记为v，隐含层采用1/2v个计算节点，其计算函数为输出层有d个计算节点，其计算函数为sig，含义同公式(4.1)。本专利技术所产生的有益效果为：1、本专利技术方法能够通过对皮肤活检图像的视觉图像特征进行基于深度学习的建模，并以此特征建立识别模型，降低不同皮肤病的病理特性识别的错误率。2、本专利技术模型在进行病理特性识别时仅需通过网络进行一次运算，运算的时间复杂度低，提高了模型的实用性，也为病理特性的实时在线检测提供了可能。3、本专利技术通过卷积神经网络和堆叠自动编码器结合的深度学习模型提取抽象概念表达，这种概念表达对图像的色差、光照、放大倍数等因素有很强的适应性，从而实现对活检图像所体现的病理特性的本质刻画。附图说明图1为实施例中某一病人的皮肤科的皮肤活检图像。具体实施方式下面对本专利技术的实施例作详细说明，本实施例在以本专利技术技术方案为前提下进行实施，给出了详细的实施方式和过程，但本专利技术的保护范围不限于下述的实...

【技术保护点】
基于深度学习的皮肤活检图像病理特性识别方法，其特征在于，具体步骤如下：S1.将原始的皮肤活检图像保存为一个256阶的灰度矩阵，其中矩阵的维数为m×m；S2.把以m×m灰度矩阵表示的皮肤活检图像按行拉伸成一个一维向量，使用3层的堆叠自动编码器进行重新表达，得到n1维的特征向量f1；S3.构建一个包括输入层I、卷积层C1、采样层S1、卷积层C2、采样层S2、卷积层C3、采样层S3、卷积层C4、采样层S4的多层卷积神经网络，对输入的图像进行特征提取；S4.把卷积神经网络的输出与堆叠自动编码器的输出组成的特征向量输入到一个标准的多路输出神经网络中，对活检图像的病理特性做出判断。

【技术特征摘要】
1.基于深度学习的皮肤活检图像病理特性识别方法，其特征在于，具体步
骤如下：
S1.将原始的皮肤活检图像保存为一个256阶的灰度矩阵，其中矩阵的维
数为m×m；
S2.把以m×m灰度矩阵表示的皮肤活检图像按行拉伸成一个一维向量，使
用3层的堆叠自动编码器进行重新表达，得到n1维的特征向量f1；
S3.构建一个包括输入层I、卷积层C1、采样层S1、卷积层C2、采样层S2、
卷积层C3、采样层S3、卷积层C4、采样层S4的多层卷积神经网络，对输入的图像
进行特征提取；
S4.把卷积神经网络的输出与堆叠自动编码器的输出组成的特征向量输入
到一个标准的多路输出神经网络中，对活检图像的病理特性做出判断。
2.根据权利要求1所述的基于深度学习的皮肤活检图像病理特性识别方法，
其特征在于：步骤S1中对于非正方形的皮肤活检图像，通过先缩放到小于等
m×m像素，然后再填充全白到m×m的像素矩阵的方式处理。
3.根据权利要求1或2所述的基于深度学习的皮肤活检图像病理特性识别
方法，其特征在于，步骤S2的具体方法为构造隐含层H1具有17×m个节点，隐
含层H2具有11×m个节点，隐含层H3具有7×m个节点；输入层-H1、H1-H2、H2-H3之间是全连接，采用标准的自动编码器的训练方法进行逐层训练，所有层的
激活函数为sigmoid函数，其表达式为4.根据权利要求1或2所述的基于深度学习的皮肤活检图像病理特性识别
方法，其特征在于，步骤S3实现过程如下：
(1)输入层的维数与图像大小相等，为m×m；在卷积层C1上进行多通道
卷积操作，产生特征映射矩阵通过采样层S1进行区域元素求和、加权、加偏移，
并通过sigmoid函数进行非线性化；
(2)通过C2卷积层上进行多通道卷积操作，产生特征映射矩阵通过采样层S2
\t进行区域元素求和、加权、加偏移，并通过sigmoid函数进行非线性化；
(3)通过C3卷积层上进行多通道卷积操作，产生特征映射矩阵通过采样层S3进行区域元素求和、...

【专利技术属性】
技术研发人员：张钢，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东;44