一种基于联邦迁移学习的胰腺癌图像识别方法技术

本发明专利技术提出一种基于联邦迁移学习的胰腺癌图像识别方法，包括以下步骤：S1，获取若干胰腺癌病理图像，得到标注后的胰腺癌病理图像；S2，利用标注后的胰腺癌病理图像基于联邦迁移学习构建组织分类模型；S3，对待识别的胰腺癌图像进行切分，得到待识别切分胰腺癌图像，并记录所述待识别切分胰腺癌图像在预处理后的待识别的胰腺癌图像的位置；S4，将所述待识别切分胰腺癌图像输入到组织分类模型得到若干组织分类结果，根据若干组织分类结果建立各类组织与位置对应表；S5，获取各类组织与位置对应表中记录的肿瘤对应的位置和数量进行识别。本发明专利技术建立基于联邦迁移学习的胰腺各类组织的分类模型，根据该分类模型获取病变部位。根据该分类模型获取病变部位。根据该分类模型获取病变部位。

【技术实现步骤摘要】
一种基于联邦迁移学习的胰腺癌图像识别方法


[0001]本专利技术涉及胰腺癌图像识别
，尤其是一种基于联邦迁移学习的胰腺癌图像识别方法。

技术介绍

[0002]胰腺癌是一种具有高恶性程度的消化系统肿瘤，其早期诊断率低，预后极差，是最为恶性的肿瘤之一。手术病理检查是胰腺癌诊断的金标准，但胰腺切除术本身具有较高的风险，目前临床对胰腺癌的主要病理学诊断方式为创伤较小的内镜超声引导的细针穿刺活检技术(Endoscopic Ultrasound
‑
guided Fine
‑
needle Aspiration,EUS
‑
FNA)，该技术通过采样得到胰腺病理切片对胰腺癌进行病理学诊断，其敏感性与特异度为85％
‑
95％与95％
‑
98％。快速现场评估(Rapid on
‑
site evaluation,ROSE)是影响EUS
‑
FNA胰腺癌诊断敏感性的重要因素。ROSE即由病理学医生对EUS
‑
FNA采样得到的快速染色切片进行现场评估，实时判断组织切片的有效性及充分性。专业的病理科医师需要花费大量的时间在观察尺寸巨大的病理切片上，依据专业知识人为诊断肿瘤的类型和分级。现今，病理切片的制作在逐渐实现自动化，大量的病理切片被保存成为数字图像，这为计算机辅助诊断技术的发展奠定了数据基础。病理图像组织分割是识别判断、定量分析等后续操作的基础，这是关键的第一步，其分割效果直接影响着病理图像识别的质量，所以精准的组织自动分割技术，是后续计算机辅助诊断准确性的关键性前提。病理切片的多类组织自动分割算法难点在于，全扫描的病理图像尺寸过大，图像中包含多种不同类型的组织，所以对胰腺癌全扫描病理图像中的多种类型组织进行自动分类再将其分割出来是一项具有挑战性的工作。申请号为CN201110063144.8的中国专利技术专利申请提供了一种将数字图像处理和模式分类的方法，应用于胰腺癌内镜超声的计算机辅助诊断。通过提取内镜超声图像的纹理特征和分类器实现，创建各种客观、量化的诊断指标以及正确的描述解释内镜超声图像的方法，提高胰腺癌内镜超声早期诊断的准确性。但其是针对超声图像进行图像处理和模式分类，图像精度有限，准确度欠佳。而针对EUS
‑
FNA快速染色的胰腺细胞病理图像，基于联邦迁移学习的胰腺癌病理图像分类的研究处于早期起步阶段。其主要难点在于带标注的优质数据匮乏及高分辨率病理图像含有较大噪声区域，从而影响模型的分类性能。

技术实现思路

[0003]本专利技术解决了现有基于联邦迁移学习的胰腺癌病理图像分类缺少组织分割且缺少病变部位定位反馈的问题，提出一种基于联邦迁移学习的胰腺癌图像识别方法，建立基于联邦迁移学习的胰腺各类组织的分类模型，根据该分类模型获取病变部位。
[0004]为实现上述目的，提出以下技术方案：
[0005]一种基于联邦迁移学习的胰腺癌图像识别方法，包括以下步骤：
[0006]S1，获取若干胰腺癌病理图像，并进行预处理，再对胰腺癌病理图像的各类组织进行标注，得到标注后的胰腺癌病理图像；所述各类组织包括脂肪、小肠、淋巴、肌肉和肿瘤；
[0007]S2，利用标注后的胰腺癌病理图像基于联邦迁移学习构建组织分类模型；
[0008]S3，对待识别的胰腺癌图像进行与S1相同的预处理，并对预处理后的待识别的胰腺癌图像进行切分，得到若干尺寸相同的待识别切分胰腺癌图像，并记录所述待识别切分胰腺癌图像在预处理后的待识别的胰腺癌图像的位置；
[0009]S4，将所述待识别切分胰腺癌图像输入到组织分类模型得到若干组织分类结果，根据若干组织分类结果建立各类组织与位置对应表；
[0010]S5，获取各类组织与位置对应表中记录的肿瘤对应的位置和数量，判断数量是否大于或等于1，若是，输出待识别的胰腺癌图像为患病图像，并在待识别的胰腺癌图像上框出肿瘤对应的位置，若否，输出待识别的胰腺癌图像为正常图像。
[0011]本专利技术基于联邦迁移学习构建组织分类模型对待识别的胰腺癌图像进行识别，并对待识别的胰腺癌图像的图像进行分割和定位，再逐一将待识别切分胰腺癌图像输入到组织分类模型得到若干组织分类结果，能够实现识别胰腺癌图像的各类组织，同时输出结果时对肿瘤类别进行定位，能够给专业的诊断者提供辅助支持，缩减诊断时间。
[0012]作为优选，所述S1中对胰腺癌病理图像进行预处理包括归一化处理、标准化处理和灰度变换处理。本专利技术归一化处理加快网络训练时的收敛速度，标准化是将图像通过去均值实现中心化的处理，增加模型的泛化能力。本专利技术通过灰度变换处理后去除低分辨率的胰腺癌病理图像，剔除病理图像的空白背景区域及红细胞等噪声干扰，使组织分类模型可以更多关注到胰腺细胞的形态，排列方式及异质性等特征，提高组织分类模型的可解释性及分类精度。
[0013]作为优选，所述S2具体包括以下步骤：
[0014]S201，将标注后的胰腺癌病理图像以图像块的形式提取出来，得到5种组织标注类型的图像块，所有的图像块构成分类数据集；
[0015]S202，将分类数据集划分为训练集和测试集；
[0016]S203，基于联邦迁移学习构建初始分类模型，利用训练集和测试集对初始分类模型分别进行训练和测试，得到训练好的组织分类模型。
[0017]作为优选，所述S203还设有训练集扩增步骤：将训练集的所有图像块进行90度选择、180度旋转、水平翻转和竖直翻转，得到扩增图像块，并将扩增图像块加入到训练集中。由于医学图像的样本量较小，本专利技术还对训练图像进行了一系列数据扩增以缓解过拟合问题。本专利技术通过对图像块进行90度选择、180度旋转、水平翻转和竖直翻转操作，使训练集扩增至原始的五倍，提高训练精度。
[0018]作为优选，所述S3具体包括以下步骤：
[0019]S301，对待识别的胰腺癌图像进行与S1相同的预处理；
[0020]S302，并对预处理后的待识别的胰腺癌图像进行切分，得到若干尺寸相同的待识别切分胰腺癌图像，根据预处理后的待识别的胰腺癌图像等分切割为n行m列的待识别切分胰腺癌图像；
[0021]S303，记录所述待识别切分胰腺癌图像在预处理后的待识别的胰腺癌图像的位置为(n，m)，其中(n，m)为待识别切分胰腺癌图像在预处理后的待识别的胰腺癌图像的第n行m列。
[0022]作为优选，所述S4具体包括以下步骤：
[0023]S401，将所述待识别切分胰腺癌图像输入到组织分类模型得到若干组织分类结果，每个待识别切分胰腺癌图像输入组织分类模型得到分别该待识别切分胰腺癌图像属于每个组织类别的概率，判断是否存在属于肿瘤且概率大于肿瘤设定值的待识别切分胰腺癌图像，若是，将该待识别切分胰腺癌图像归类为肿瘤类别，并将所述待识别切分胰腺癌图像在预处理后的待识别的胰腺癌图像的位置作为肿瘤类别对应位置；若否，进行S402；
[0024]S402，将待识别切本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于联邦迁移学习的胰腺癌图像识别方法，其特征是，包括以下步骤：S1，获取若干胰腺癌病理图像，并进行预处理，再对胰腺癌病理图像的各类组织进行标注，得到标注后的胰腺癌病理图像；所述各类组织包括脂肪、小肠、淋巴、肌肉和肿瘤；S2，利用标注后的胰腺癌病理图像基于联邦迁移学习构建组织分类模型；S3，对待识别的胰腺癌图像进行与S1相同的预处理，并对预处理后的待识别的胰腺癌图像进行切分，得到若干尺寸相同的待识别切分胰腺癌图像，并记录所述待识别切分胰腺癌图像在预处理后的待识别的胰腺癌图像的位置；S4，将所述待识别切分胰腺癌图像输入到组织分类模型得到若干组织分类结果，根据若干组织分类结果建立各类组织与位置对应表；S5，获取各类组织与位置对应表中记录的肿瘤对应的位置和数量，判断数量是否大于或等于1，若是，输出待识别的胰腺癌图像为患病图像，并在待识别的胰腺癌图像上框出肿瘤对应的位置，若否，输出待识别的胰腺癌图像为正常图像。2.根据权利要求1所述的一种基于联邦迁移学习的胰腺癌图像识别方法，其特征是，所述S1中对胰腺癌病理图像进行预处理包括归一化处理、标准化处理和灰度变换处理。3.根据权利要求1所述的一种基于联邦迁移学习的胰腺癌图像识别方法，其特征是，所述S2具体包括以下步骤：S201，将标注后的胰腺癌病理图像以图像块的形式提取出来，得到5种组织标注类型的图像块，所有的图像块构成分类数据集；S202，将分类数据集划分为训练集和测试集；S203，基于联邦迁移学习构建初始分类模型，利用训练集和测试集对初始分类模型分别进行训练和测试，得到训练好的组织分类模型。4.根据权利要求3所述的一种基于联邦迁移学习的胰腺癌图像识别方法，其特征是，所述S203还设有训练集扩增步...

【专利技术属性】
技术研发人员：李小冬，余正生，宫兆喆，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：