一种乳腺癌辅助诊断技术制造技术

本发明专利技术提出了一种乳腺癌辅助诊断技术。该方法模型在卷积神经网络模型DenseNet基础上将扩张卷积集成到密集块来实现多尺度的特征提取，能够有效地提升对乳腺癌病理图像诊断的准确率。

【技术实现步骤摘要】
一种乳腺癌辅助诊断技术
本专利技术涉及计算机
，具体说医学图像领域。
技术介绍
乳腺癌疾病的检测和诊断可以通过成像系统程序，如乳腺X线、磁共振图像、超声图像和热图。癌症筛查的影像学研究已有40多年历史。然而，临床上，基于病理图像的活检无疑是检测乳腺疾病的金标准，也是对病理图像进行准确分类时医生制定最佳治疗方案的重要依据。目前针对乳腺癌病理图像的分类研究主要分为两类：基于人工特征的传统的乳腺病理图像分类方法；基于深度学习的乳腺癌病理图像分类方法。基于人工特征的传统的乳腺癌病理图像分类方法采用人工提取特征，基于这些特征使用支持向量机、随机森林等分类器完成分类。该方法存在高要求的专业知识、提取特征耗费时间和提取高质量特征难等缺点。相对于传统分类方法，基于深度学习的乳腺癌病理图像分类方法，利用网络自主学习相应的特征，克服了需要专业人士手工提取特征的缺点，同时节省了人工提取特征的时间。
技术实现思路
本专利技术提出了一种乳腺癌辅助诊断技术。该方法模型(DC-DenseNet)在卷积神经网络模型DenseNet基础上将扩张卷积集成到密集块来实现多尺度的特征提取。相比于普通的卷积层，扩张卷积是在标准的卷积核中注入空洞，这不仅可以增加模型的感受野，还能保留可训练参数的数量。注入的空洞的大小取决于扩张率γ。如图1所示，图(a)是标准的卷积核，此时的扩张率γ＝1；图(b)对应的是扩张率γ＝2的卷积，可以理解为卷积核尺寸为7×7但是只有9个点有参数，其余的位置参数都为0，和输入特征图对应位置的像素进行卷积计算时其余的位置都略过；图(c)和图(b)类似，扩张率γ＝3相当于变成了15×15的卷积核。当卷积核尺寸变大时，感受野也就自然变大，此时可以从上一层的特征图中提取更多的信息。DC-DenseNet主要是在先进的DenseNet模型基础上改进了两个方面：1)用DDC模块代替了DenseNet原先的标准卷积层。2)建立了一个更宽而不深的网络。DenseBlock如图2所示。DenseNet网络在第l层的输出为：xl＝Hl([x0，x1，...，xl-1])。其中Hl(·)是由一个组合操作而成的非线性函数，这个组合操作可能包括一系列的BN(BatchNormalization)，ReLU，池化即卷积操作。如果每个Hl(·)均输出k个特征图，即得到的特征图的通道数为k，假定输入层的通道数为k0，那么第l层的输入的通道数为k0+k×(l-1)。其中k为DenseNet的增长率。DC-DenseNet模型结构图如图3所示。蓝色、红色、橙色和绿色矩形分别代表卷积层、最大池化层、平均池化层和全连接层。为了更好地提取特征，该深度学习网络模型对于浅层和深层具有不同的体系结构，即扩张密集块(DDC)和层中层模块(NIN)。如图4所示，DDC模块中有两个扩张率为2和3的扩张卷积层，每个扩张卷积层之后都放置一个标准的3×3的卷积来融合提取的特征并细化语义信息。所述的DDC模块将增长率k增加到8、16和32，并将层数从121层减少到28层。因此密集块网络就实现了宽而不深的初衷。为了降低计算复杂度和提高特征提取能力，如图3所示，将增长率k设置为随DDC网络的深入而增加。使用ReLU用作非线性激活函数。用softmax损失函数L来优化网络。附图说明下面结合附图对本专利技术的具体实施方式作进一步详细的描述。图1是扩张卷积示例图；图2是DenseNet中的DenseBlock模块图图3是该模型网络结构图；图4是DDC模块图；具体实施方式乳腺癌辅助诊断技术实施步骤如下：(1)将乳腺癌书数据集随机按照8∶2的比例打散成训练集和验证集，用额外的20张生物成像数据集当作测试集来判断模型性能；(2)对数据集使用数据增强来实现增加数据，将整个图像平移50％；(3)对需要被诊断的乳腺癌病理图像裁剪为512×512大小的缀块；(4)对数据集进行选择和镜像操作，每个缀块旋转90°、180°和270°；(5)将处理好的缀块放入图3网络模型进行训练；(6)将测试集放入训练好的网络中，通过softmax函数结果来判别分类结果。本文档来自技高网...

【技术保护点】
1.一种乳腺癌辅助诊断技术，其特征在于：所述乳腺癌辅助诊断技术在卷积神经网络模型DenseNet基础上将扩张卷积集成到密集块来实现多尺度的特征提取，乳腺癌辅助诊断技术实施步骤如下：/n(1)将乳腺癌书数据集打散成训练集和验证集，用额外的20张生物成像数据集当作测试集来判断模型性能；/n(2)对数据集使用数据增强来实现增加数据，将整个图像平移20％～50％；/n(3)对需要被诊断的乳腺癌病理图像裁剪为512×512大小的缀块；/n(4)对数据集进行选择和镜像操作，每个缀块旋转90°、180°和270°；/n(5)将处理好的缀块放入网络模型进行训练；/n(6)将测试集放入训练好的网络中，通过softmax函数结果来判别分类结果。/n

【技术特征摘要】
1.一种乳腺癌辅助诊断技术，其特征在于：所述乳腺癌辅助诊断技术在卷积神经网络模型DenseNet基础上将扩张卷积集成到密集块来实现多尺度的特征提取，乳腺癌辅助诊断技术实施步骤如下：
(1)将乳腺癌书数据集打散成训练集和验证集，用额外的20张生物成像数据集当作测试集来判断模型性能；
(2)对数据集使用数据增强来实现增加数据，将整个图像平移20％～50％；
(3)对需要被诊断的乳腺癌病理图像裁剪为512×512大小的缀块；
(4)对数据集进行选择和镜像操作，每个缀块旋转90°、180°和270°；
(5)将处理好的缀块放入网络模型进行训练；
(6)将测试集放入训练好的网络中，通过softmax函数结果来判别分类结果。


2.根据权利要求1所述的一种乳腺癌辅助诊断技术，其特征在于：注入的空洞的大小取决于扩张率γ，扩张率γ＝1是标准的卷积核；扩张率γ＝2可以理解为卷积核尺寸为7×7但是只有9个点有参数，其余的位置参数都为0，和输入特征图对应位置的像素进行卷积计算时其余的位置都略过；扩张率γ＝3相当于变成了15×15的卷积核，当卷积核尺寸变大时，感受野也就自然变大，此时可以从上一层的特征图中提取更多的信息。


3.根据权利要求2所述的一种乳腺癌辅助诊断技术，其特征在于：DC-DenseNet主要是在先进的DenseNet模型基础上改进了两个方面：1)用DDC模块代替了DenseN...

【专利技术属性】
技术研发人员：帅仁俊，张庙林，
申请(专利权)人：南京工业大学，
类型：发明
国别省市：江苏;32