The invention discloses an image classification method and a device for thyroid tumor cytological smears. The method comprises: obtaining a number of certain size of benign and malignant thyroid tumor cytological smear images; forming a training set with the acquired images, and expanding the training set; and generating a preliminary convolution neural network. The preliminary convolution neural network is trained with the augmented training set to optimize its parameters so that it can judge the benign and malignant cells in the cytological smear images of thyroid tumors and form a mature convolution neural network. Benign and malignant cells are judged: all cells in the image are judged to be benign and output benign results; at least one cell in the image is malignant and output malignant results. The method and device are used to assist doctors in diagnosing thyroid tumors and improve the accuracy of diagnosis.
【技术实现步骤摘要】
一种甲状腺肿瘤细胞学涂片图像分类方法及其装置
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的甲状腺肿瘤细针穿刺细胞学涂片图像分类方法及其装置。
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涂片图像进行良恶性分类的,包括:获取若干一定 ...
【技术保护点】
1.一种甲状腺肿瘤细胞学涂片图像分类方法,其特征在于,包括:获取若干一定尺寸的经良恶性标注的甲状腺肿瘤细胞学涂片图像;用获取的图像组成训练集,并对训练集进行数据扩增;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;获取待分类的甲状腺肿瘤细胞学涂片图像,用成熟卷积神经网络对该图像中的细胞进行良恶性判断:图像中所有细胞均判断为良性则输出良性结果,图像中有至少一个细胞为恶性则输出恶性结果。
【技术特征摘要】
1.一种甲状腺肿瘤细胞学涂片图像分类方法,其特征在于,包括:获取若干一定尺寸的经良恶性标注的甲状腺肿瘤细胞学涂片图像;用获取的图像组成训练集,并对训练集进行数据扩增;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;获取待分类的甲状腺肿瘤细胞学涂片图像,用成熟卷积神经网络对该图像中的细胞进行良恶性判断:图像中所有细胞均判断为良性则输出良性结果,图像中有至少一个细胞为恶性则输出恶性结果。2.如权利要求1所述的甲状腺肿瘤细胞学涂片图像分类方法,其特征在于,所述获取若干一定尺寸的经良恶性标注的甲状腺肿瘤细胞学涂片图像中,所述一定尺寸的经良恶性标注的甲状腺肿瘤细胞学涂片图像是按下述方法获得的:从甲状腺肿瘤细胞学涂片的显微照片中有辨别力的区域中截取若干一定尺寸的图像,并由人工进行良恶性标注。3.如权利要求1所述的甲状腺肿瘤细胞学涂片图像分类方法,其特征在于,所述甲状腺肿瘤细胞学涂片为甲状腺肿瘤穿刺细胞学涂片。4.如权利要求1所述的甲状腺肿瘤细胞学涂片图像分类方法,其特征在于,所述用获取的图像组成训练集,并对训练集进行数据扩增中,所述数据扩增的方法为:采用用对图像进行水平翻转和/或旋转的方式进行数据扩增。5.如权利要求1所述的甲状腺肿瘤细胞学涂片图像分类方法,其特征在于,所述生成初步卷积神经网络中,所述初步卷积神经网络在VGG-16或InceptionV3基础上生成。6.如权利要求1所述的甲状腺肿瘤细胞学涂片图像分类方法,其特征在于,所述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中,采用带mini-batch的随机梯度下降法对初步卷积神经网络进行训练。7.如权利要求1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。