针对小样本或样本不平衡的癌症区域检测定位的方法技术

本发明专利技术公开了针对小样本或样本不平衡的癌症区域检测定位的方法，通过结合包含癌细胞的组织病理图像的特点，使用加噪、旋转、增加或减少亮度的方法进行数据集增强，扩充了数据集并均衡了训练集标签类型的比重，提高了分类器训练效果。本发明专利技术的特征在于以Inception V2网络为基础，针对少样本及样本不平衡的情况，本发明专利技术在结合少量已标定的癌变组织图像分块及WSI病理图像进行迭代训练，高准确率地完成WSI图像级别的病理图像癌症区域检测定位，弥补了带标签训练样本过少时，过深的神经网络容易陷入过拟合、局部最优和梯度消失的问题，提高了同等水平下训练结果的准确率及网络的易用性。

Detection and location of cancer areas for small or unbalanced samples

【技术实现步骤摘要】
针对小样本或样本不平衡的癌症区域检测定位的方法
本专利技术涉及人工智能深度学习
，尤其涉及针对小样本或样本不平衡的癌症区域检测定位的方法。
技术介绍
医师和病理专家在研究患者的不同癌症疾病时，通常结合不同的数字图像数据(如本专利技术使用的WSI病理图像)共同探讨治疗方案。而在人类病理学专家解析病理图像和诊断决策的过程中，病理专家往往需要至少完成几十甚至上百个高倍视野下病例图片的分类及统计工作，整个判断过程耗时耗力，不利于患者的及时诊断治疗，另外通常病理专家会将整个WSI分为较小的图像分块，以便更加仔细地标记处理，实际上人工的处理在任何时候都显得缓慢，并且精度不高。因此计算机技术(如深度学习技术)与医学技术相结合将极大地突破传统人工进行医学图像标记识别低效率低准确率的禁锢，对于神经网络的搭建及训练算法的选取也将影响最终识别标记效果的好坏。申请号为CN201811407164.0的中国专利文件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，该方法为：数据预处理；裁剪样本；数据增强；将样本放入卷积神经网络Inception-本文档来自技高网...

【技术保护点】
1.针对小样本或样本不平衡的癌症区域检测定位的方法，其特征在于，包括以下步骤：/n步骤一：数据预处理；/n步骤二：使用Inception-V2模型构建神经网络；/n步骤三：初始化弱分类器D：提取带标签样本的深度特征导入神经网络进行预训练形成弱分类器；/n步骤四：迭代训练分类器D；使用弱分类器对宫颈癌WSI病理图片分块样本进行迭代训练直至模型收敛；/n步骤五：评估分类器分类效果：使用收敛后的模型评估查看分类器分类效果，并对病理图像分块进行癌细胞识别；/n步骤六：测试；将II类测试集导入模型进行检测分类，标记为癌变的图像分块将被高亮显示；/n步骤七：细胞核标定：对上一步骤中判定为癌细胞组织区域的图...

【技术特征摘要】
1.针对小样本或样本不平衡的癌症区域检测定位的方法，其特征在于，包括以下步骤：
步骤一：数据预处理；
步骤二：使用Inception-V2模型构建神经网络；
步骤三：初始化弱分类器D：提取带标签样本的深度特征导入神经网络进行预训练形成弱分类器；
步骤四：迭代训练分类器D；使用弱分类器对宫颈癌WSI病理图片分块样本进行迭代训练直至模型收敛；
步骤五：评估分类器分类效果：使用收敛后的模型评估查看分类器分类效果，并对病理图像分块进行癌细胞识别；
步骤六：测试；将II类测试集导入模型进行检测分类，标记为癌变的图像分块将被高亮显示；
步骤七：细胞核标定：对上一步骤中判定为癌细胞组织区域的图像分块使用blob斑点检测算法进行细胞核标定；
步骤八：拼接复原，将病理图像切割后的图像分块集整合拼接为一张完整的宫颈癌WSI病理图像进行展示，其中检测为癌变区域的细胞组织将被高亮显示。


2.如权利要求1所述的针对小样本或样本不平衡的癌症区域检测定位的方法，其特征在于，所述步骤一中，此步骤中包含两种数据集，I类是带标签的包含癌细胞病理切片图像，II类是无标签的WSI病理图像；将两种数据图像切割为250*250大小，对切割后的包含较多组织部分的图像分块使用二值化阈值的方法提取组织部分并进行筛选，然后对筛选后的I类图像分块进行数据集增强，然后I、II类分别建立训练集和测试集；
其中，在加噪阶段，通过使用服从高斯分布的概率密度函数产生随机数，并将随机...

【专利技术属性】
技术研发人员：杨懿龄，
申请(专利权)人：四川长虹电器股份有限公司，
类型：发明
国别省市：四川;51