一种识别乳腺癌细胞图像的X网络方法技术

本发明专利技术适用于医疗领域，提供了一种识别乳腺癌细胞图像的X网络方法，包括以下步骤：步骤一、构建数据集，采集乳腺癌图片构建数据集；步骤二、用X网络训练数据集；步骤三、将X网络模型用于预测单张或一批乳腺癌细胞图像；步骤四、用X网络模型预测WSI大滑窗图像，WSI图像中有几个高分辨率的图像。该X网络可对乳腺癌的病理图片进行分类，X网络从显微照片中收集特征，并根据组织及附近的细胞图像识别正常和癌变组织，X网络将大大提高病理图像识别的效率，并提高现有活检评估乳腺癌的准确率。提高现有活检评估乳腺癌的准确率。提高现有活检评估乳腺癌的准确率。

【技术实现步骤摘要】
一种识别乳腺癌细胞图像的X网络方法


[0001]本专利技术属于医疗领域，尤其涉及一种识别乳腺癌细胞图像的X网络方法。

技术介绍

[0002]乳腺癌是女性最常见的癌症类型，也是癌症相关死亡的主要原因。近年来一些男性也患上这种疾病。 乳腺癌病理细胞图片的分类对于诊断和预测病情至关重要。
[0003]因此，有必要提出一种能够快速和准确对乳腺癌病理细胞图片进行分类的方法，有助于早期医学分析从而提高癌症患者的生存率。

技术实现思路

[0004]本专利技术实施例的目的在于提供一种识别乳腺癌细胞图像的X网络方法，旨在提出一种能够快速和准确对乳腺癌病理细胞图片进行分类的方法。
[0005]本专利技术是这样实现的，一种识别乳腺癌细胞图像的X网络方法，包括以下步骤：步骤一、构建数据集，采集乳腺癌图片构建数据集；步骤二、用X网络训练数据集；步骤三、将X网络模型用于预测单张或一批乳腺癌细胞图像；步骤四、用X网络模型预测WSI大滑窗图像，WSI图像中有几个高分辨率的图像。
[0006]进一步的技术方案，所述数据集为显微图像乳腺癌数据集 BreakHis，所述显微图像乳腺癌数据集 BreakHis具体为BreakHis在x40、x100、x200 和 x400显微镜放大倍数的乳腺癌活检图像，所述乳腺癌活检图像是一个 700x460 像素的 png 格式文件，具有 3 个 RGB 通道，BreakHis被苏木精伊红染色，乳腺癌活检图像分为恶性和良性两类。
[0007]进一步的技术方案，所述用X网络训练数据集具体步骤为：a. 分x40、x100、x200、x400和所有倍率来构建数据集，然后按相应倍率分别训练x40、x100、x200、x400和ALL共五个X网络模型；b. 将恶性和良性乳腺癌活检图像分别以8：2的比例分配了一个训练集和一个测试集，模型训练基于80%的数据集；c.每迭代训练一次后，用训练模型预测另20%的数据集，总迭代次数250次，选择预测准确率最高的模型。
[0008]进一步的技术方案，所述预测单张或一批乳腺癌细胞图像具体操作为：按每张乳腺癌细胞图像的倍率选择x40、x100、x200、x400和ALL其中一个对应倍率的X网络模型，然后用模型来对乳腺癌图像进行预测打分，模型根据打分值高低得出该乳腺癌图像是阳性或阴性。
[0009]进一步的技术方案，所述步骤四具体操作为：a.用slider和opencv工具将每个高分辩图切割下来；b.将每个高分辨率图按x40、x100、x200或x400倍率再切割成一个个矩形切片；c.再用相应分辨率的模型来对切片预测打分，模型根据打分值高低得出切片图是
阳性或阴性；d.根据切片座标和预测的阳性或阴性结果来绘制每个WSI高分辨率图的恶性和良性分布图。
[0010]进一步的技术方案，所述X网络采用Inception、ResidualBlock 和 AlexNet 的网络结构，AlexNet 结构在 X 网络的前端，且AlexNet 结构包括两个分支和腰部，所述AlexNet 结构的左侧分支包括长滤波器结构、卷积层和最大池层，所述AlexNet 结构的右分支包括短滤波器结构组成，所述AlexNet 结构两个分支的特征图相结合后发送到一个四层卷积堆栈，所述四层卷积堆栈为AlexNet 结构的腰部，所述AlexNet 结构末端连接有短过滤器结构和长过滤器结构，所述短过滤器结构和长过滤器结构中相应通道的节点值由特征合并层合并后三层完全连接层堆栈。
[0011]本专利技术实施例提供的一种识别乳腺癌细胞图像的X网络方法，该X网络可对乳腺癌的病理图片进行分类， X网络从显微照片中收集特征，并根据组织及附近的细胞图像识别正常和癌变组织，X网络将大大提高病理图像识别的效率，并提高现有活检评估乳腺癌的准确率。
附图说明
[0012]图1为本专利技术实施例提供的一种识别乳腺癌细胞图像的X网络方法的的流程图；图2为本专利技术实施例提供的通用 Inception架构图；图3为本专利技术实施例提供的通用ResidualBlock架构图；图4为本专利技术实施例提供的深度滤波层图；图5为本专利技术实施例提供的X网络结构图。
实施方式
[0013]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0014]以下结合具体实施例对本专利技术的具体实现进行详细描述。
[0015]如图1
‑
图5所示，为本专利技术一个实施例提供的一种识别乳腺癌细胞图像的X网络方法，包括以下步骤：步骤一、构建数据集，采集乳腺癌图片构建数据集；为了使X网络更具有通用性，用户可以根据自行采集的乳腺癌图片来构建数据集，然后将该数据集用于X网络的训练。这里以显微图像乳腺癌数据集 BreakHis为例子来说明构建数据集。BreakHis不同显微镜放大倍数（x40、x100、x200 和 x400）的乳腺癌活检图像。每个病理图像是一个 700x460 像素的 png 格式文件，具有 3 个 RGB 通道。BreakHis被苏木精伊红（H&E）染色，图像分为恶性（阳性）和良性（阴性）两类；步骤二、用X网络训练数据集；以显微图像乳腺癌数据集 BreakHis为例子来说明训练数据集过程，a. 分x40、x100、x200、x400和所有倍率来构建数据集，然后按相应倍率分别训练x40、x100、x200、x400和ALL共五个X网络模型；b. 将恶性和良性乳腺癌活检图像分别以8：2的比例分配了一个训练集和一个测试集，模型训练基于80%的数据集；c.每迭代训
练一次后，用训练模型预测另20%的数据集，总迭代次数250次，选择预测准确率最高的模型。
[0016]建议硬件配置：配备 24GB、CPU i5
‑
8400 和 RAM 64GB 的 Nvidia M40 GPU 进行。建议软件配置： Pytorch框架。基本参数： 每个输入图像的大小被调整为 227
×
227 像素，批次数为 20，epoch 为 250， Adam 优化器和 10e
‑
4 学习率；步骤三、将X网络模型用于预测单张或一批乳腺癌细胞图像，按每张乳腺癌细胞图像的倍率选择x40、x100、x200、x400和ALL其中一个对应倍率的X网络模型，然后用这个模型来对这张乳腺癌图像进行预测打分，模型根据打分值高低得出该张图是阳性或阴性；步骤四、用X网络模型预测WSI大滑窗图像，WSI图像中有几个高分辨率的图像；a.用slider和opencv工具将每个高分辩图切割下来；b.将每个高分辨率图按x40、x100、x200或x400倍率再切割成一个个矩形切片；c.再用相应分辨率的模型来对切片预测打分，模型根据打分值高低得出切片图是阳性或阴性；d.根据切片座标和预测的结果（阳性或阴性）来绘制每个WSI高分辨率图的恶性和良性分布图，如果有阳性切片，则该本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种识别乳腺癌细胞图像的X网络方法，其特征在于，包括以下步骤：步骤一、构建数据集，采集乳腺癌图片构建数据集；步骤二、用X网络训练数据集；步骤三、将X网络模型用于预测单张或一批乳腺癌细胞图像；步骤四、用X网络模型预测WSI大滑窗图像，WSI图像中有几个高分辨率的图像。2.根据权利要求1所述的识别乳腺癌细胞图像的X网络方法，其特征在于，所述数据集为显微图像乳腺癌数据集 BreakHis，所述显微图像乳腺癌数据集 BreakHis具体为BreakHis在x40、x100、x200 和 x400显微镜放大倍数的乳腺癌活检图像，所述乳腺癌活检图像是一个 700x460 像素的 png 格式文件，具有 3 个 RGB 通道，BreakHis被苏木精伊红染色，乳腺癌活检图像分为恶性和良性两类。3.根据权利要求2所述的识别乳腺癌细胞图像的X网络方法，其特征在于，所述用X网络训练数据集具体步骤为：a. 分x40、x100、x200、x400和所有倍率来构建数据集，然后按相应倍率分别训练x40、x100、x200、x400和ALL共五个X网络模型；b. 将恶性和良性乳腺癌活检图像分别以8：2的比例分配了一个训练集和一个测试集，模型训练基于80%的数据集；c.每迭代训练一次后，用训练模型预测另20%的数据集，总迭代次数250次，选择预测准确率最高的模型。4.根据权利要求3所述的识别乳腺癌细胞图像的X网络方法，其特征在于，所述预测单张或一批乳腺癌细胞图像...

【专利技术属性】
技术研发人员：刘文忠，
申请(专利权)人：四川轻化工大学，
类型：发明
国别省市：