The present invention discloses a network construction method and a system for thyroid tumor cytological smear image classification. The system uses reinforcement learning method to find the existing convolution neural network which is most suitable for thyroid tumor cytological smear image classification. Then, the convolution neural network is trained by the thyroid tumor cytology smear image training set. Then, the accuracy of the convolution neural network is verified by the thyroid tumor cytology smear image verification set, and an accuracy threshold is set to determine whether the accuracy is higher than that of the convolution neural network. Finally, the convolution neural network with the highest accuracy is used as the preliminary convolution neural network for retraining, so as to build a high accuracy convolution neural network to assist doctors in the diagnosis of thyroid tumors and improve the accuracy of diagnosis.
【技术实现步骤摘要】
用于甲状腺肿瘤细胞学涂片图像分类的网络构建方法及系统
本专利技术涉及图像识别领域,特别涉及一种基于深度学习和强化学习的适用于甲状腺肿瘤细针穿刺细胞学涂片图像分类的卷积神经网络及其构建方法和系统。
技术介绍
甲状腺癌是内分泌系统最常见的恶性肿瘤。甲状腺结节是指在甲状腺内的肿瘤,鉴于甲状腺结节的高发病率,而甲状腺恶性肿瘤仅占其中极小部分,如能首先通过非手术方式识别出尽可能多的甲状腺恶性肿瘤,则可大幅度减少不必要的诊断性手术数量,既可减少手术给病人带来的损伤,又可更合理地应用有限的医疗资源。甲状腺肿瘤细针穿刺细胞学涂片是目前评价甲状腺结节的最为准确且性价比高的术前检查方法。然而,由于相关细胞病理专业人员缺乏和诊断经验欠缺,很多医院并不能对甲状腺细胞学涂片做出准确的良恶性分析。因此,利用深度学习技术对甲状腺细胞学涂片进行处理和研究,能为医生提供有用的参考信息,辅助医生及时地对甲状腺结节患者做出准确的诊断。近年来,深度学习,特别是卷积神经网络在图像识别领域产生了巨大的突破。经过用海量的图片进行训练后,卷积神经网络在图片分类任务上的准确率超过了人类。医院拥有大量的甲状腺细胞学涂片图片,拥有大量的专业医师对其良恶性进行准确的标注,对甲状腺细胞学涂片采用深度学习方法进行甲状腺癌诊断可以取得很好的效果。
技术实现思路
本专利技术的目的是提出一种基于深度学习的甲状腺肿瘤细针穿刺细胞学涂片图像分类方法,用于辅助医生对甲状腺肿瘤进行诊断,提高诊断的准确率。为实现上述目的,本专利技术首先提供了一种甲状腺肿瘤细胞学涂片图像分类方法,该方法是利用经训练成熟的卷积神经网络来对甲状腺肿瘤细胞学 ...
【技术保护点】
1.一种用于甲状腺肿瘤细胞学涂片图像分类的卷积神经网络的构建方法,其特征在于,包括:获得若干一定尺寸的甲状腺肿瘤细胞学涂片图像;从甲状腺肿瘤细胞学涂片图像中截取有辨别力的区域进行良恶性标注;将经良恶性标注的甲状腺肿瘤细胞学涂片图像作为训练集,并进行数据扩增;生成初步卷积神经网络;用扩增后的训练集训练初步卷积神经网络,优化其参数,使其可判断甲状腺肿瘤细胞学涂片图像中细胞的良恶性,从而形成成熟卷积神经网络。
【技术特征摘要】
1.一种用于甲状腺肿瘤细胞学涂片图像分类的卷积神经网络的构建方法,其特征在于,包括:获得若干一定尺寸的甲状腺肿瘤细胞学涂片图像;从甲状腺肿瘤细胞学涂片图像中截取有辨别力的区域进行良恶性标注;将经良恶性标注的甲状腺肿瘤细胞学涂片图像作为训练集,并进行数据扩增;生成初步卷积神经网络;用扩增后的训练集训练初步卷积神经网络,优化其参数,使其可判断甲状腺肿瘤细胞学涂片图像中细胞的良恶性,从而形成成熟卷积神经网络。2.如权利要求1所述的用于甲状腺肿瘤细胞学涂片图像分类的卷积神经网络的构建方法,其特征在于,所述数据扩增的方法为:采用对图像进行水平翻转和/或旋转的方式进行数据扩增。3.一种用于甲状腺肿瘤细胞学涂片图像分类的卷积神经网络的构建方法,其特征在于,包括以下循环步骤:1)生成第n卷积神经网络;2)用甲状腺肿瘤细胞学涂片图像训练集训练第n卷积神经网络;3)用甲状腺肿瘤细胞学涂片图像验证集验证经训练后的第n卷积神经网络的准确率,所述验证集是其中每一张图像都不同于训练集中任意一张图像的一个经良恶性分类的甲状腺肿瘤细胞学涂片图像集;其中,n为自然数,每循环一次n增加1;设定一个阈值,当第n卷积神经网络的准确率低于所述阈值时,使用策略梯度算法更新所述循环神经网络的参数后回到步骤1);当第n卷积神经网络的准确率高于所述阈值时,结束循环步骤。4.一种用于甲状腺肿瘤细胞学涂片图像分类的卷积神经网络的构建系统,其特征在于,包括数据生成器、网络生成器和训练单元;所述数据生成器用于生成训练数据,所述网络生成器生成一个初步卷积神经网络,然后训练数据和初步卷积神经网络都传入训练单元,由训练单元对初步卷积神经网络进行训练。5.如权利要求4所述的...
【专利技术属性】
技术研发人员:向俊,卢宏涛,官青,王蕴珺,平波,万晓春,李端树,杜佳俊,秦宇,
申请(专利权)人:复旦大学附属肿瘤医院,上海交通大学,
类型:发明
国别省市:上海,31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。