基于深度学习的乳腺癌病理切片中癌症区域的检测方法技术

本发明专利技术公开了一种基于深度学习的乳腺癌病理切片中癌症区域的检测方法；本发明专利技术结合乳腺癌病理切片没有固定方向的特点，系统地使用合理的数据增强技术，包括随机裁剪、旋转、左右翻转等几何变换的数据增强技术。同时也使用了随机亮度、锐化等颜色变换的数据增强技术。在训练的时候实时进行数据增强，能够增大数据集的多样性，扩充训练样本集，有效提高分类器的泛化能力。最后用实时过采样方法，来解决数据集的各个类别数据不平衡的问题；本发明专利技术针对该数据集切片中各个类别乳腺癌区域大小差别大的特点，系统地使用了类别等概率的实时过采样方法和多种在医疗疾病图像上合理的数据增强方法，解决了数据不平衡和良性、原位癌类别数据量很少的问题。

Detection of Cancer Areas in Pathological Sections of Breast Cancer Based on Deep Learning

【技术实现步骤摘要】
基于深度学习的乳腺癌病理切片中癌症区域的检测方法
本专利技术属于人工智能领域，涉及一种基于深度学习的乳腺癌病理切片中的癌症区域检测方法。
技术介绍
乳腺癌(breastcancer)是一种从乳房组织发展而来的癌症腺癌是乳腺导管上皮细胞发生异常增生，超过自我修复能力而发生的恶性肿瘤。它是一种严重危害女性身心健康的常见恶性疾病，不但危及患者生命，还能造成女性器官的损毁，已成为50岁以上妇女恶性肿瘤致死的主要原因之一。它在临床上表现为微钙化簇和乳腺肿块，早期无症状，具有发病隐匿，愈后差等特点。前哨淋巴结活检术(sentinellymphnodebiopsy,SLNB)是一种安全、精确的手术方式，已逐渐替代腋窝淋巴结清扫术成为早期乳腺癌治疗的标准术式，是评估癌细胞是否沿淋巴管转移扩散和淋巴结分期的金标准。该技术的创伤小，降低术后患者的上肢水肿发病率，减少并发症发生概率，明显改善患者术后的生活质量。活检过程中收集的组织通常用苏木精和曙红(H&E)染色，然后由专家进行分析。病理学家通过前哨淋巴结活检术来评估组织的微观结构和元素，将其分为正常组织，非恶性(良性)和恶性病变，并进行预后评估。本文档来自技高网...

【技术保护点】
1.基于深度学习的乳腺癌病理切片中癌症区域的检测方法，其特征在于，该方法具体包括以下步骤：步骤一、数据预处理，使用灰度阈值方法提取数据集切片中的组织部分，用于后续裁剪合理的目标检测区域；所述的数据集为乳腺癌病理切片；步骤二、将原始的乳腺癌病理切片分为训练样本、验证样本和测试样本，再使用网格裁剪方法，从切片的组织区域中裁剪相同大小的图片样本，并缩小图片的尺寸为原尺寸的1/3；步骤三、将训练样本和验证样本分别放在分类的数据文件中，在训练过程中，针对数据集合中的正负样本不均衡问题，使用等概率采样的实时过采样方法来解决，针对数据集合中的有些类别样本数量少的问题，使用随机裁剪、旋转、翻转和颜色增强方法来...

【技术特征摘要】
1.基于深度学习的乳腺癌病理切片中癌症区域的检测方法，其特征在于，该方法具体包括以下步骤：步骤一、数据预处理，使用灰度阈值方法提取数据集切片中的组织部分，用于后续裁剪合理的目标检测区域；所述的数据集为乳腺癌病理切片；步骤二、将原始的乳腺癌病理切片分为训练样本、验证样本和测试样本，再使用网格裁剪方法，从切片的组织区域中裁剪相同大小的图片样本，并缩小图片的尺寸为原尺寸的1/3；步骤三、将训练样本和验证样本分别放在分类的数据文件中，在训练过程中，针对数据集合中的正负样本不均衡问题，使用等概率采样的实时过采样方法来解决，针对数据集合中的有些类别样本数量少的问题，使用随机裁剪、旋转、翻转和颜色增强方法来解决；步骤四、将采样出来...

【专利技术属性】
技术研发人员：郑先斐，丁隆乾，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