基于深度学习胃癌病理切片的计算机辅助模型构建方法技术

本发明专利技术公开了基于深度学习胃癌病理切片的计算机辅助模型构建方法，属于人工智能技术领域。本方法使用了一个121层稠密连接卷积神经网络进行图像的识别。DenseNet中的稠密块结构让网络的高层部分获取到浅层特征，很好地减轻过拟合现象。同时该模型层数较多，能拟合出更为复杂、更加光滑的决策函数。尽管层数很多，但该模型的参数数量并不多，很好地节约了资源占用。为进一步避免过拟合，采用了迁移学习的训练机制。模型会先在ImageNet数据集上进行预训练，让模型获得很强的图像特征提取能力，在正式训练时模型的主要优化就能更好地集中在如何提取患病区域的特征，极大地提高数据的利用效率。

【技术实现步骤摘要】
基于深度学习胃癌病理切片的计算机辅助模型构建方法
本专利技术属于人工智能
，主要是一种基于深度学习算法，并使用了注意力机制增强效果的胃癌病理切片计算机辅助识别模型构建方法。
技术介绍
胃癌是世界上第四大常见癌症，其死亡率在所有癌症中更是高居第二。因此胃癌逐渐成为了全民普遍关注的一个公共卫生问题。而如果在胃癌肿瘤产生的早期,患者就能被确诊，那么对于胃癌患者的治疗将取得显著的效果，极大降低胃癌疾病的死亡率。胃癌病理切片图像就是通过穿刺活检取得胃部组织之后，对组织切片用苏木精&伊红(Hematoxylin&Eosin,H&E)染色，再用数码相机通过显微镜拍摄取得的图像。胃癌病理切片可以为临床医师的治疗与诊断提供重要的指导作用。然而在病理医师的分析与诊断过程中，医生需要结合自己长期积累的临床诊断经验来判断胃癌病理切片中是否有癌变，这种人工的诊断方法，对医生的专业知识和从业经验都有极高的要求，而且也易受阅片者主观情绪和疲劳阅片等因素的影响，所以这种高度依赖人为因素的诊断过程具有主观差异性，医生的一小点失误都可能会给病人带来严重的后果。计算机辅助诊断(Compute本文档来自技高网...

【技术保护点】
1.基于深度学习胃癌病理切片的计算机辅助模型构建方法，其特征在于：该方法包括以下步骤：步骤1、构建一个121层的DenseNet模型，该模型的主干部分是由4个逐渐加深的稠密结构与4个过渡层交替拼接而成；每个稠密结构内，每次卷积操作开始前，都会将之前每一次卷积的结果在通道方向上拼接，实现跳跃式的特征传递；模型的最后一层为一个Sigmoid单输出的全连接层，输出模型分类的结果；除最后一层外，所有层的参数均初始化为该模型结构在ImageNet数据集上预训练好的参数；步骤2、对胃癌病理切片数据集进行相关预处理；具体包括以下步骤：步骤2.1、将每张胃癌病理切片的图像使用二线性插值的方式压缩至224×22...

【技术特征摘要】
1.基于深度学习胃癌病理切片的计算机辅助模型构建方法，其特征在于：该方法包括以下步骤：步骤1、构建一个121层的DenseNet模型，该模型的主干部分是由4个逐渐加深的稠密结构与4个过渡层交替拼接而成；每个稠密结构内，每次卷积操作开始前，都会将之前每一次卷积的结果在通道方向上拼接，实现跳跃式的特征传递；模型的最后一层为一个Sigmoid单输出的全连接层，输出模型分类的结果；除最后一层外，所有层的参数均初始化为该模型结构在ImageNet数据集上预训练好的参数；步骤2、对胃癌病理切片数据集进行相关预处理；具体包括以下步骤：步骤2.1、将每张胃癌病理切片的图像使用二线性插值的方式压缩至224×224的尺寸；步骤2.2、使用ImageNet数据集的平均值与方差对胃癌病理切片数据集进行标准化处理；步骤2.3、将胃癌病理切片数据集中胃癌病理切片图像随机地分为三组：训练集、验证集以及测试集，训练集中的数据占所有数据的80％，验证集与测试集中的数据占所有数据的80％；步骤3、使用预处理好的数据集对模型进行训练；步骤3具体包括以下步骤：步骤3.1、模型的训练算法调为使用标准的Adam优化算法对模型进行训练，损失函数设为在正样本部分添加了值1.5权重的交叉熵函数，训练时batchsize为10；步骤3.2、训练时，胃癌病理切片图像进入模型前，有20％的几率会进行如下操作中的其中一种以进行数据增强：随机地进行水平、竖直翻转，以及15°的正时针或逆时针旋转，其中超出边界的点会被替换为白色，即胃癌病理切片的背景颜色；步骤3.3、模型在胃癌病理切片数据集上训练2个epoch，使其获得提取胃癌病理切片特征的基本能力；步骤3.4、在模型的第一个、第二个、第三个稠密块之间，添加注意力模块；继续训练60个epoch，让模型在接下来的训练过程中自发地将更多注意力集中于患病部分；在每训练一个epoch之后，让模型对验证集进行预测，同时记录模型预测的正确率；最终选择验证集损失值最小的模型作为最终结果；步骤3.5、保存最优模型，并使用测试集数据测量该模型分类的准确率。2.根据权利要求1所述的基于深度学习胃癌病理切片的计算机辅助模型构建方法，其特征在于：模型的整体训练平台是基于云端的，Keras框架搭建于Linux系统上,后端使用TensorFlow；训练的GPU为GTX1080，使用CUDA作为显卡计算的运算驱动，并使用cuDNN对深度学习进行加速。3.根据权利要求1所述的基于深度学习胃癌病理切片的计算机辅助模型...

【专利技术属性】
技术研发人员：刘博，赵业隆，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京,11