The invention discloses a method for classification of malignant melanoma and non-malignant melanoma nevus based on in-depth learning. The method first obtains data, then preprocesses the data, then enhances the processed data, then classifies malignant and non-malignant tumors at the small slider level, generates probability thermodynamic maps, extracts machine learning features, and finally based on the follow-up of pathological image level. Machine forest classification, the invention not only obtains very good experimental results at the small slider level of eye super-pixel tissue pathological images, but also focuses on a set of processes to automatically classify tissue pathological images as malignant or non-malignant, and constructs a computer-aided diagnosis (CAD) system that can be directly applied to clinical auxiliary diagnosis, with very high accuracy.
【技术实现步骤摘要】
基于深度学习的恶性黑色素瘤及非恶性黑色素痣分类方法
本专利技术涉及人工智能领域,涉及一种基于深度学习的眼部组织病理切片分类为恶性非恶性的方法。
技术介绍
黑色素痣为眼部常见的良性肿瘤,是表皮、真皮内黑色素细胞增多引起的皮肤表现。本病进展缓慢,多无自觉症状。个别类型的痣有转变为恶性的可能,从而危及生命安全。恶性黑色素瘤(Malignantmelanoma)是由皮肤和其他器官黑素细胞产生的恶性肿瘤。易发生转移,是由遗传性基因变异和所处环境的风险导致的。最重要的外源性致病因素是暴露在紫外线的照射中。恶性黑色素瘤多发生于皮肤,约占全身恶性肿瘤的1%,亦可见于消化道、生殖系统的黏膜,眼球及脑膜的脉络膜等处。恶性黑色素瘤虽然发病率低,但其恶性度高,转移发生早,死亡率高。恶性黑色素瘤公认的预后因素有:性别、年龄、部位、肿瘤Breslow厚度及肿瘤Clark浸润深度等。一般认为女性患者生存期明显长于男性隅,年轻患者比年老者生存期长。Breslow厚度>3mm皮肤患者的预后普遍较差,5年和10年无病生存率分别为35.5%和29.3%。肿瘤Clark浸润深度≤0.75mm者,5年生存率为89%,≥4mm者仅25%。恶性黑色素瘤不仅剥夺了病人的生命,同时给患者和家属造成了严重的精神负担和巨大的经济压力。如果恶性黑色素瘤能够及时确诊,并采取有效的治疗手段,能最大程度的改善患者的预后情况,增加患者的生存周期。(根据前文的数据可以明确得出,针对眼部黑色素瘤,早期发现治疗与晚期对比预后差距十分巨大。)所以,对于眼部黑色素痣和恶性黑色素瘤的准确诊断与鉴别具有极其重要的社会意义和实用 ...
【技术保护点】
1.基于深度学习的恶性黑色素瘤及非恶性黑色素痣分类方法,其特征在于:步骤1、数据获取从眼科病理中心获取眼部病理切片,扫描得到数字病理图像;数字病理图像通过医生标注分为恶性切片和非恶性切片,并作为数据集;再将数据集分为训练集、验证集、测试集;步骤2、数据预处理分别从训练集、验证集、测试集原始图像上裁剪出小滑块,其中验证集、测试集上裁剪出的小滑块采集尺寸相同,训练集上裁剪出的小滑块采集尺寸大于验证集、测试集上裁剪出的小滑块采集尺寸;其中恶性肿瘤切片从肿瘤区域裁剪,非恶性肿瘤切片从组织区域裁剪;步骤3、数据增强针对训练集样本不均衡问题,采用过采样方法,使正负样本均衡;同时为了提高模型的性能,保证泛化能力,使用多种数据增强方法来增加样本多样性,提升模型的性能;所述的多种数据增强方法包括随机水平/竖直翻转、随机旋转、边缘锐化和随机裁剪;步骤4、小滑块级别的恶性、非恶性肿瘤分类基于成熟的卷积神经网络,采用迁移学习,去均值方法,通过验证集对比试验得到最优超参数,最后得到基于小滑块分类性能最佳的模型;步骤5、概率热力图生成生成一张和原始数字病理图像相同尺寸的基于小滑块概率预测值的概率图,通过对应区域概 ...
【技术特征摘要】
1.基于深度学习的恶性黑色素瘤及非恶性黑色素痣分类方法,其特征在于:步骤1、数据获取从眼科病理中心获取眼部病理切片,扫描得到数字病理图像;数字病理图像通过医生标注分为恶性切片和非恶性切片,并作为数据集;再将数据集分为训练集、验证集、测试集;步骤2、数据预处理分别从训练集、验证集、测试集原始图像上裁剪出小滑块,其中验证集、测试集上裁剪出的小滑块采集尺寸相同,训练集上裁剪出的小滑块采集尺寸大于验证集、测试集上裁剪出的小滑块采集尺寸;其中恶性肿瘤切片从肿瘤区域裁剪,非恶性肿瘤切片从组织区域裁剪;步骤3、数据增强针对训练集样本不均衡问题,采用过采样方法,使正负样本均衡;同时为了提高模型的性能,保证泛化能力,使用多种数据增强方法来增加样本多样性,提升模型的性能;所述的多种数据增强方法包括随机水平/竖直翻转、随机旋转、边缘锐化和随机...
【专利技术属性】
技术研发人员:丁隆乾,郑先斐,孙玲玲,
申请(专利权)人:杭州电子科技大学,
类型:发明
国别省市:浙江,33
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。