【技术实现步骤摘要】
一种基于深度特征聚合的乳腺癌病理图像分类方法
本专利技术涉及医疗图像分类领域和深度学习领域，更具体地说，涉及一种基于深度特征聚合的乳腺癌病理图像分类方法。
技术介绍
乳腺癌是造成全球女性死亡的第二大病症，并且其发病率呈逐年上升的趋势。在临床上，相较于核磁共振、X-ray、钼靶等图像，病理图像是最终确诊乳腺癌的金标准。当前基于病理医生的乳腺癌病理图像分类，不仅存在耗时、费力的问题，而且其诊断结果容易受到医生经验、情绪等主观人为因素的影响。基于计算机辅助的乳腺癌病理图像自动分类则不仅可以提高诊断效率，还能辅助提供更加客观、准确的诊断结果。乳腺癌病理图像自动分类研究可分为基于传统机器学习算法和基于深度学习算法两类。在基于传统机器学习的算法中，局部二值模式、灰度共生矩阵等特征描述子结合支持向量机、随机森林等分类算法对乳腺癌病理图像进行自动分类，并取得了良好的分类精度。在基于深度学习的算法中，AlexNet、GoogLeNet等卷积神经网络被应用于乳腺癌病理图像分类领域，其分类准确率相较于传统机器学习算法获得了进一步提升。
技术实现思路
针对现有技术的局限，本专利技术的目的是提...
【技术保护点】
1.一种基于深度特征聚合的乳腺癌病理图像分类方法，其特征在于，该方法包括以下步骤：步骤S1：构造包含乳腺癌病理图像数据及良恶性标签的图像数据集，对原始乳腺癌病理图像数据集进行数据增强，并划分为训练集、测试集两部分，训练集用于本专利技术方法的模型训练，测试集用于本专利技术的模型测试；步骤S2：使用训练集样本训练深度特征提取模块，包括特征前向传播和误差反向传播两个过程，并提取乳腺癌病理图像训练集样本的深度特征；步骤S3：使用乳腺癌病理图像训练集样本的深度特征来训练特征聚合模块，获得聚合特征模块的码本，并计算乳腺癌病理图像训练集的深度特征聚合编码；步骤S4：使用乳腺癌病理图像训练...
【技术特征摘要】
1.一种基于深度特征聚合的乳腺癌病理图像分类方法，其特征在于，该方法包括以下步骤：步骤S1：构造包含乳腺癌病理图像数据及良恶性标签的图像数据集，对原始乳腺癌病理图像数据集进行数据增强，并划分为训练集、测试集两部分，训练集用于本发明方法的模型训练，测试集用于本发明的模型测试；步骤S2：使用训练集样本训练深度特征提取模块，包括特征前向传播和误差反向传播两个过程，并提取乳腺癌病理图像训练集样本的深度特征；步骤S3：使用乳腺癌病理图像训练集样本的深度特征来训练特征聚合模块，获得聚合特征模块的码本，并计算乳腺癌病理图像训练集的深度特征聚合编码；步骤S4：使用乳腺癌病理图像训练集的深度特征聚合编码训练预分类模块，以获得预分类标签；步骤S5：在方法模型测试上，将乳腺癌病理图像测试集样本输入串联的深度特征提取模块、特征聚合模块和预分类模块，以获得测试集样本的预分类标签；步骤S6：将乳腺癌病理图像测试集预分类标签输入投票模块，获得最终的预测标签，在乳腺癌病理图像测试集上，用图像级别分类准确率和患者级别分类准确率评判方法的整体性能。2.根据权利要求1所述的一种基于深度特征聚合的乳腺癌病理图像分类方法，其特征在于，所述的步骤S1中，对原始乳腺癌病理图像进行数据增强，包括图像剪切和图像旋转操作，采用数据增强后的数据来构造乳腺癌病理图像数据集，数据集中包括图像数据和标签信息，以X＝[x1，x2，...，xN]表示乳腺癌病理图像构成的数据集，其中每一张乳腺癌病理图像记作...
【专利技术属性】
技术研发人员：张建新，魏湘国，张强，魏小鹏，
申请(专利权)人：大连大学，
类型：发明
国别省市：辽宁,21
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。