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

本发明专利技术涉及CNN及图像分类识别技术领域，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。本发明专利技术提出通过构建特征融合的CNN模型判断钼靶影像的乳腺癌组织病理学等级，利用钼靶肿瘤区域提取的灰度特征、纹理特征和小波特征，通过LASSO logistic回归模型进行特征筛选，选出与乳腺癌组织病理学等级相关性大的特征，再通过将CNN提取的高层语义特征和筛选出的影像组学特征在网络新添加的全连接层进行特征融合，而拟合得到特征融合的CNN模型用来识别乳腺癌组织病理学等级。本发明专利技术能够直接对患者扫描的乳腺钼靶图像进行分析判断患者所处的乳腺癌组织病理学等级，在保证判别精度的同时进一步缩短了判别时间。

【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分级进行判别主要是通过在显微镜下观察患者病理切片的癌细胞分化情况，目前医生尚不能直接从常规的钼靶图像进行分级判别。
技术实现思路
针对上述问题，本专利技术提出了基于CNN和影像组学特征融合的乳腺癌组织病理学分级方法，可以通过直接对患者的乳腺钼靶图像进行分析，通过将人工设计的影像组学特征和CNN自动提取的图像高层语义特征在新添加的全连接层上进行特征融合，训练特征融合后的CNN模型从而得出患者所处的乳腺癌组织病理学等级，为进一步的疾病判别和预后分析提供依据。为了实现上述目的，本专利技术采用以下技术方案：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，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。进一步地，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。进一步地，所述步骤1包括：步骤1.1：对乳腺钼靶图像肿瘤区域进行ROI提取，得到ROI图像，计算ROI图像的14个灰度特征、22个纹理特征和144个小波特征，共提取180维影像组学特征向量；步骤1.2：通过数据增强方法扩充ROI图像的规模；步骤1.3：将数据规模扩充后的ROI图像统一缩放到相同大小以适应CNN模型的输入要求。进一步地，所述步骤3包括：步骤3.1：将训练集中乳腺肿瘤区域钼靶图像样本作为CNN模型的输入，在ImageNet自然图像数据集上预训练的CNN模型上进行迁移学习，训练CNN分级模型；步骤3.2：在CNN分级模型的原有基础上添加一个新的全连接层，在新的全连接层上将CNN分级模型全连接层之前的乳腺肿瘤区域钼靶图像高层语义特征输出与采用LASSOlogistic回归模型筛选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。与现有技术相比，本专利技术具有的有益效果：本专利技术提出通过构建特征融合的CNN模型判断钼靶影像的乳腺癌组织病理学等级，利用钼靶肿瘤区域提取的灰度特征、纹理特征和小波特征，通过LASSOlogistic回归模型进行特征筛选，选出与乳腺癌组织病理学等级相关性大的特征，再通过将CNN提取的高层语义特征和筛选出的影像组学特征在网络新添加的全连接层进行特征融合，而拟合得到特征融合的CNN模型用来识别乳腺癌组织病理学等级。本专利技术能够直接对患者扫描的乳腺钼靶图像进行分析判断患者所处的乳腺癌组织病理学等级，在保证判别精度的同时进一步缩短了判别时间。附图说明图1为本专利技术实施例的基于CNN和影像组学特征融合的乳腺癌组织病理学分级方法的基本流程图。图2为本专利技术另一实施例的基于CNN和影像组学特征融合的乳腺癌组织病理学分级方法的基本流程图。图3为本专利技术实施例的基于CNN和影像组学特征融合的乳腺癌组织病理学分级方法的不同投照体位的钼靶图像。具体实施方式下面结合附图和具体的实施例对本专利技术做进一步的解释说明：实施例一：如图1所示，本专利技术的一种基于CNN和影像组学特征融合的乳腺癌组织病理学分级方法，包括以下步骤：步骤S101：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S102：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S103：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，得到融合后的CNN模型，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。实施例二：如图2所示，本专利技术的另一种基于CNN和影像组学特征融合的乳腺癌组织病理学分级方法，包括以下步骤：步骤S201：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。所述步骤S201包括：步骤S2011：对乳腺钼靶图像肿瘤区域进行ROI提取，得到ROI图像，计算ROI图像的14个灰度特征、22个纹理特征和144个小波特征，共提取180维影像组学特征向量；所述灰度特征为灰度最大值、最小值、均值、中值、方差、峰态、能量、熵、绝对方差均值、歪斜度、标准差、均匀度、灰度值域、均方根共14个特征(参见AertsHJWL,VelazquezER,LeijenaarRTH,etal.Decodingtumourphenotypebynoninvasiveimagingusingaquantitativeradiomicsappro本文档来自技高网...

【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，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。

【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