【技术实现步骤摘要】
基于CNN和影像组学特征融合的乳腺癌组织病理学分级方法
本专利技术涉及CNN及图像分类识别
，尤其涉及基于CNN和影像组学特征融合的乳腺癌组织病理学分级方法。
技术介绍
乳腺癌作为女性常见的癌症，是第二个最容易引起女性死亡的疾病。全球乳腺癌发病率自20世纪70年代末开始一直呈上升趋势，而因乳腺癌死亡的病人不在少数。乳腺钼靶X线摄影检查技术是目前判别乳腺疾病的首选和最简便、最可靠的无创性检测手段，并且分辨率高，有助于早期发现乳腺癌。近年来，随着大数据和高性能计算的发展，CNN(卷积神经网络)在计算机视觉领域取得了显著性的成绩，在自然图像分类上的识别率已超过人类识别水平。CNN通过多层卷积和池化提取图像特征，然后通过反向传播算法进行参数更新，改变了以往人工设计特征受人们经验的局限性。乳腺癌的组织病理学分级(SBR分级)主要是通过癌细胞有丝分裂的指数、乳腺腺管的差异以及癌细胞核的异型性三个方面的图像形态学特性联合进行评估，乳腺癌的组织病理学分级和患者的预后具有重要的关系，在同一临床分期内，患者的5年生存率随着组织病理学分级的提高而下降。而对乳腺癌SBR分级进行判别...
【技术保护点】
1.基于CNN和影像组学特征融合的乳腺癌组织病理学分级方法，其特征在于，包括以下步骤：步骤1：对乳腺钼靶图像肿瘤区域进行提取，在提取的钼靶肿瘤区域上进行灰度、纹理和小波特征的计算，通过上述计算共提取180维影像组学特征向量；将提取的乳腺钼靶图像肿瘤区域制作成相同大小的乳腺肿瘤区域钼靶图像样本，将图像样本划分为训练集、验证集和测试集；步骤2：对提取的180维影像组学特征向量，采用LASSO logistic回归模型进行特征筛选，利用筛选后的影像组学特征以进行特征融合；步骤3：采用预训练的CNN模型进行迁移学习，训练CNN分级模型，在CNN分级模型的原有基础上添加新的全连接层，...
【技术特征摘要】
1.基于CNN和影像组学特征融合的乳腺癌组织病理学分级方法，其特征在于，包括以下步骤：步骤1：对乳腺钼靶图像肿瘤区域进行提取，在提取的钼靶肿瘤区域上进行灰度、纹理和小波特征的计算，通过上述计算共提取180维影像组学特征向量；将提取的乳腺钼靶图像肿瘤区域制作成相同大小的乳腺肿瘤区域钼靶图像样本，将图像样本划分为训练集、验证集和测试集；步骤2：对提取的180维影像组学特征向量，采用LASSOlogistic回归模型进行特征筛选，利用筛选后的影像组学特征以进行特征融合；步骤3：采用预训练的CNN模型进行迁移学习，训练CNN分级模型，在CNN分级模型的原有基础上添加新的全连接层，在新的全连接层上将CNN分级模型全连接层之前的输出和筛选后的影像组学特征进行特征融合，并在CNN分级模型参数的基础上进行再训练，更新融合后的CNN分级模型参数，根据模型在验证集上的分级效果对融合后的CNN分级模型参数进行调整，得到特征融合的CNN模型，用于对乳腺钼靶图像进行乳腺癌组织病理学分级。2.根据权利要求1所述的基于CNN和影像组学特征融合的乳腺癌组织病理学分级方法，其特征在于，在所述步骤3之后还包括：利用测试集对得到特征融合的CNN模型验证模型分级准确率。3....
【专利技术属性】
技术研发人员：陈健，闫镔，曾磊，海金金，乔凯，徐静波，高飞，徐一夫，谭红娜，梁宁宁，
申请(专利权)人：中国人民解放军战略支援部队信息工程大学，
类型：发明
国别省市：河南,41
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。