CN110136113A - 一种基于卷积神经网络的阴道病理图像分类方法 - Google Patents

一种基于卷积神经网络的阴道病理图像分类方法 Download PDF

Info

Publication number
CN110136113A
CN110136113A CN201910399732.5A CN201910399732A CN110136113A CN 110136113 A CN110136113 A CN 110136113A CN 201910399732 A CN201910399732 A CN 201910399732A CN 110136113 A CN110136113 A CN 110136113A
Authority
CN
China
Prior art keywords
classification
vagina
image
neural networks
convolutional neural
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910399732.5A
Other languages
English (en)
Other versions
CN110136113B (zh
Inventor
彭绍亮
程敏霞
李非
王力
杨亚宁
周德山
李肯立
毕夏安
唐卓
蒋洪波
王树林
高亦博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University
Original Assignee
Hunan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hunan University filed Critical Hunan University
Priority to CN201910399732.5A priority Critical patent/CN110136113B/zh
Publication of CN110136113A publication Critical patent/CN110136113A/zh
Application granted granted Critical
Publication of CN110136113B publication Critical patent/CN110136113B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明属于计算机视觉及机器学习技术领域，公开了一种基于卷积神经网络的阴道病理图像分类方法。本发明包括步骤：使用上采样方法，得到类别平衡的阴道病理图像数据集；利用数据增强方法扩增阴道病理图像数据集；利用扩增的阴道病理图像数据集对图像分类卷积神经网络进行训练；利用交叉熵损失函数，结合BP算法对图像分类卷积神经网络进行网络参数更新；通过训练后的最优图像分类卷积神经网络对输入图像进行分类。本发明避免了传统特征提取方法的局限，如：高度依赖于医护人员的经验知识，耗费大量的时间和精力完成，提取出有区分性的高质量特征也往往存在一定的困难，而且准确率低，本发明借助于卷积神经网络，实现阴道病理图像的高精度分类。

Description

一种基于卷积神经网络的阴道病理图像分类方法
技术领域：
本发明属于计算机视觉及机器学习技术领域，涉及阴道病理图像分类方法，特别涉及一种基于卷积神经网络的阴道病理图像分类方法。
背景技术：
随着科学技术的发展和医学影像应用的推广，有越来越多的医学影像需要医生解读。医学影像解读逐渐成为一个具有挑战性的工作，医生有可能会因为经验不足或疲劳而产生解读错误，使一些疾病漏诊，导致假阴性出现，也可能将非病变解读为病变，或将良性病变误解读为恶性，导致假阳性出现。在此形势下，医学影像识别成为了研究热点。
医学影像识别是综合医学影像、数学建模、计算机技术等多学科的交叉领域。在医学影像识别研究中，国内外研究者对医学影像的计算机自动识别进行了大量的研究工作，并取得了一系列重要的研究成果。其中，所采用的研究方法可以分为两类：一类为基于人工特征提取的传统机器学习算法，另一类为基于深度学习的方法。
卷积神经网络在图像分类任务上取得的成功，鼓舞了越来越多的学者利用深度学习模型解决医疗影像学问题。一方面，深度学习能够自动从2D或3D图像中学习特征，避免了传统机器学习算法中人工设计、提取特征的复杂性和局限性，另一方面，卷积神经网络在自然语言处理、物体识别、图像分类识别等领域获得了广泛应用，为卷积神经网络在医学影像中的应用奠定基础。但是，基于卷积神经网络的阴道病理图像分类工作仍然处于空白阶段。
发明内容：
本发明提供一种基于卷积神经网络的阴道病理图像分类方法，将阴道病理图像自动分为三类，分别为：细菌性阴道病阴型、细菌性阴道病中间型、细菌性阴道病阳型。为了实现本发明的目的，通过以下技术方案来实现：
一种基于卷积神经网络的阴道病理图像分类方法，包括以下步骤：
步骤一：通过上采样方法增加小类别阴道病理图像数量，提高标注阴道病理图像数据集的类别平衡性，其中，上采样方法包括以下步骤：
1.1.输入阴道病理图像数据集D＝[D1,D2,D3]，其中，D表示阴道病理图像集，D1，D2，D3分别表示类别为细菌性阴道病阴型、细菌性阴道病中间型、细菌性阴道病阳型的阴道病理图像数据集的子集；
1.2.按照类别顺序对原始病理图像样本进行排序，计算每个类别的样本数目C＝[C1,C2,C3]，并记录最大样本类样本数Cmax，其中，C表示每类样本数集合，C1，C2，C3分别表示类别为细菌性阴道病阴型、细菌性阴道病中间型、细菌性阴道病阳型的阴道病理图像样本个数；
1.3.利用最大样本类样本数Cmax对每类阴道病理图像样本产生一个随机排列数的列表并用此列表中的随机数对各自类别的样本数Ci取余，得到各类阴道病理图像样本对应的索引 其中，设定类别i的取值为1,2,3，j的取值为1,2,3…Cmax，lij表示类别为i的第j个随机数，indexij表示类别为i的第j张阴道病理图像索引值；
1.4.根据各类索引Indexi从各类的图像排列中提取图像，生成各类阴道病理图像的随机列表；
1.5.将各类阴道病理图像的随机列表连在一起，随机打乱次序，得到最终的样本图像列表ImageList。
步骤二：对步骤一生成的样本图像列表ImageList，使用数据增强方法增加样本数目，得到生成的阴道病理图像数据集，其中，数据增强方法包括尺度变换、水平翻转、垂直翻转中的一种或是其组合；
步骤三：利用步骤二生成的阴道病理图像数据集对图像分类卷积神经网络进行训练，其中，图像分类卷积神经网络包括四个卷积层、三个最大池化层和三个全连接层，且网络顺序为卷积层、池化层、卷积层、卷积层、池化层、卷积层、池化层、全连接层、全连接层、全连接层；每个卷积层的卷积核尺寸均为3*3，个数依次为96，128，256，256，每个池化层均包括1个2*2的核，全连接层的尺寸分别为1024、512和3；
步骤四：将交叉熵损失函数作为图像分类卷积神经网络的损失函数，并结合BP算法更新网络参数，使得网络随着训练的进行，网络输出越来越接近正确标签。其中，损失函数为：Loss＝-∑ktk*logyk，其中，k表示输入到卷积神经网络的阴道病理图像，log表示以e为底数的自然对数，yk是神经网络的输出，tk是输入到卷积神经网络的阴道病理图像的正确标签。
步骤五：利用步骤四所述的训练后的最优图像分类卷积神经网络对输入图像进行预测分类。
本发明提供一种基于卷积神经网络的阴道病理图像分类方法，为避免传统特征提取方法的局限，如：高度依赖于医护人员的经验知识、带有很强主观性，耗费大量的时间和精力完成，提取出有区分性的高质量特征也往往存在一定的困难，而且准确率低，本发明借助于卷积神经网络，自动学习阴道病理图像的特征，完成阴道病理图像的自动分类工作。
附图说明：
图1为本发明的阴道病理图像分类方法流程图。
具体实施方式：
下面结合附图和具体实施方法对本发明作进一步详细的说明：
图1所示的阴道病理图像分类方法流程图，包含步骤一到步骤五这五个步骤，具体内容如下：
步骤一：通过上采样方法增加小类别阴道病理图像数量，提高标注阴道病理图像数据集的类别平衡性，其中，上采样方法包括以下步骤：
1.1.输入阴道病理图像数据集D＝[D1,D2,D3]，其中，D表示阴道病理图像集，D1，D2，D3分别表示类别为细菌性阴道病阴型、细菌性阴道病中间型、细菌性阴道病阳型的阴道病理图像数据集的子集；
1.2.按照类别顺序对原始病理图像样本进行排序，计算每个类别的样本数目C＝[C1,C2,C3]，并记录最大样本类样本数Cmax，其中，C表示每类样本数集合，C1，C2，C3分别表示类别为细菌性阴道病阴型、细菌性阴道病中间型、细菌性阴道病阳型的阴道病理图像样本个数；
1.3.利用最大样本类样本数Cmax对每类阴道病理图像样本产生一个随机排列数的列表并用此列表中的随机数对各自类别的样本数Ci取余，得到各类阴道病理图像样本对应的索引 其中，设定类别i的取值为1,2,3，j的取值为1,2,3…Cmax，lij表示类别为i的第j个随机数，indexij表示类别为i的第j张阴道病理图像索引值；
1.4.根据各类索引Indexi从各类的图像排列中提取图像，生成各类阴道病理图像的随机列表；
1.5.将各类阴道病理图像的随机列表连在一起随机打乱次序，得到最终的样本图像列表ImageList。
步骤二：对步骤一生成的样本图像列表ImageList，使用数据增强方法增加样本数目，得到生成的阴道病理图像数据集，其中，数据增强方法包括尺度变换、水平翻转、垂直翻转中的一种或是其组合；
步骤三：利用步骤二生成的阴道病理图像数据集对图像分类卷积神经网络进行训练，其中，图像分类卷积神经网络包括四个卷积层、三个最大池化层和三个全连接层，且网络顺序为卷积层、池化层、卷积层、卷积层、池化层、卷积层、池化层、全连接层、全连接层、全连接层；每个卷积层的卷积核尺寸均为3*3，个数依次为96，128，256，256，每个池化层均包括1个2*2的核，全连接层的尺寸分别为1024、512和3；
步骤四：将交叉熵损失函数作为图像分类卷积神经网络的损失函数，并结合BP算法更新网络参数，使得网络随着训练的进行，网络输出越来越接近正确标签。其中，损失函数为：Loss＝-∑ktk*logyk，其中，k表示输入到卷积神经网络的阴道病理图像，log表示以e为底数的自然对数，yk是神经网络的输出，tk是输入到卷积神经网络的阴道病理图像的正确标签。
步骤五：利用步骤四所述的训练后的最优图像分类卷积神经网络对输入图像进行预测分类。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (1)

1.一种基于卷积神经网络的阴道病理图像分类方法，其特征在于，包括以下步骤：
步骤一：通过上采样方法增加小类别阴道病理图像数量，提高标注阴道病理图像数据集的类别平衡性，其中，上采样方法包括以下步骤：
1.1.输入阴道病理图像数据集D＝[D1,D2,D3]，其中，D表示阴道病理图像集，D1，D2，D3分别表示类别为细菌性阴道病阴型、细菌性阴道病中间型、细菌性阴道病阳型的阴道病理图像数据集的子集；
1.2.按照类别顺序对原始病理图像样本进行排序，计算每个类别的样本数目C＝[C1,C2,C3]，并记录最大样本类样本数Cmax，其中，C表示每类样本数集合，C1，C2，C3分别表示类别为细菌性阴道病阴型、细菌性阴道病中间型、细菌性阴道病阳型的阴道病理图像样本个数；
1.3.利用最大样本类样本数Cmax对每类阴道病理图像样本产生一个随机排列数的列表并用此列表中的随机数对各自类别的样本数Ci取余，得到各类阴道病理图像样本对应的索引 其中，设定类别i的取值为1,2,3，j的取值为1,2,3…Cmax，lij表示类别为i的第j个随机数，indexij表示类别为i的第j张阴道病理图像索引值；
1.4.根据各类索引Indexi从各类的图像排列中提取图像，生成各类阴道病理图像的随机列表；
1.5.将各类阴道病理图像的随机列表连在一起随机打乱次序，得到最终的样本图像列表ImageList；
步骤二：对步骤一生成的样本图像列表ImageList，使用数据增强方法增加样本数目，得到生成的阴道病理图像数据集，其中，数据增强方法包括尺度变换、水平翻转、垂直翻转中的一种或是其组合；
步骤三：利用步骤二生成的阴道病理图像数据集对图像分类卷积神经网络进行训练，其中，图像分类卷积神经网络包括四个卷积层、三个最大池化层和三个全连接层，且网络顺序为卷积层、池化层、卷积层、卷积层、池化层、卷积层、池化层、全连接层、全连接层、全连接层；每个卷积层的卷积核尺寸均为3*3，个数依次为96，128，256，256，每个池化层均包括1个2*2的核，全连接层的尺寸分别为1024、512和3；
步骤四：将交叉熵损失函数作为图像分类卷积神经网络的损失函数，并结合BP算法更新网络参数，使得网络随着训练的进行，网络输出越来越接近正确标签；其中，损失函数为：Loss＝-∑ktk*logyk，其中，k表示输入到卷积神经网络的阴道病理图像，log表示以e为底数的自然对数，yk是神经网络的输出，tk是输入到卷积神经网络的阴道病理图像的正确标签；
步骤五：利用步骤四所述的训练后的最优图像分类卷积神经网络对输入图像进行预测分类。
CN201910399732.5A 2019-05-14 2019-05-14 一种基于卷积神经网络的阴道病理图像分类方法 Active CN110136113B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910399732.5A CN110136113B (zh) 2019-05-14 2019-05-14 一种基于卷积神经网络的阴道病理图像分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910399732.5A CN110136113B (zh) 2019-05-14 2019-05-14 一种基于卷积神经网络的阴道病理图像分类方法

Publications (2)

Publication Number Publication Date
CN110136113A true CN110136113A (zh) 2019-08-16
CN110136113B CN110136113B (zh) 2022-06-07

Family

ID=67573954

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910399732.5A Active CN110136113B (zh) 2019-05-14 2019-05-14 一种基于卷积神经网络的阴道病理图像分类方法

Country Status (1)

Country Link
CN (1) CN110136113B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111414947A (zh) * 2020-03-12 2020-07-14 孟海秋 一种妇科外阴炎症护理装置及方法
CN111681718A (zh) * 2020-06-11 2020-09-18 湖南大学 一种基于深度学习多源异构网络的药物重定位方法
CN112801929A (zh) * 2021-04-09 2021-05-14 宝略科技(浙江)有限公司 一种用于建筑物变化检测的局部背景语义信息增强方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107729914A (zh) * 2017-09-06 2018-02-23 鲁小杰 一种病理数据的检测方法
CN107784319A (zh) * 2017-09-26 2018-03-09 天津大学 一种基于增强卷积神经网络的病理图像分类方法
CN108510482A (zh) * 2018-03-22 2018-09-07 姚书忠 基于阴道镜图像的宫颈癌检测方法、装置、设备及介质
WO2018157381A1 (zh) * 2017-03-03 2018-09-07 深圳大学 病理切片图像智能分类方法及装置
US20180322660A1 (en) * 2017-05-02 2018-11-08 Techcyte, Inc. Machine learning classification and training for digital microscopy images
CN109299679A (zh) * 2018-09-11 2019-02-01 东北大学 基于狭长型条件随机场的宫颈癌组织病理图像诊断方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018157381A1 (zh) * 2017-03-03 2018-09-07 深圳大学 病理切片图像智能分类方法及装置
US20180322660A1 (en) * 2017-05-02 2018-11-08 Techcyte, Inc. Machine learning classification and training for digital microscopy images
CN107729914A (zh) * 2017-09-06 2018-02-23 鲁小杰 一种病理数据的检测方法
CN107784319A (zh) * 2017-09-26 2018-03-09 天津大学 一种基于增强卷积神经网络的病理图像分类方法
CN108510482A (zh) * 2018-03-22 2018-09-07 姚书忠 基于阴道镜图像的宫颈癌检测方法、装置、设备及介质
CN109299679A (zh) * 2018-09-11 2019-02-01 东北大学 基于狭长型条件随机场的宫颈癌组织病理图像诊断方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111414947A (zh) * 2020-03-12 2020-07-14 孟海秋 一种妇科外阴炎症护理装置及方法
CN111681718A (zh) * 2020-06-11 2020-09-18 湖南大学 一种基于深度学习多源异构网络的药物重定位方法
CN112801929A (zh) * 2021-04-09 2021-05-14 宝略科技(浙江)有限公司 一种用于建筑物变化检测的局部背景语义信息增强方法

Also Published As

Publication number Publication date
CN110136113B (zh) 2022-06-07

Similar Documents

Publication Publication Date Title
Yang et al. EMS-Net: Ensemble of multiscale convolutional neural networks for classification of breast cancer histology images
CN111476292B (zh) 医学图像分类处理人工智能的小样本元学习训练方法
CN106056595B (zh) 基于深度卷积神经网络自动识别甲状腺结节良恶性的辅助诊断系统
CN108257135A (zh) 基于深度学习方法解读医学图像特征的辅助诊断系统
CN105469100B (zh) 基于深度学习的皮肤活检图像病理特性识别方法
CN111223553A (zh) 一种两阶段深度迁移学习中医舌诊模型
Zhang et al. Dense GAN and multi-layer attention based lesion segmentation method for COVID-19 CT images
CN109858540B (zh) 一种基于多模态融合的医学图像识别系统及方法
CN110503654A (zh) 一种基于生成对抗网络的医学图像分割方法、系统及电子设备
CN110853022B (zh) 病理切片图像的处理方法、装置、系统及存储介质
CN108428229A (zh) 一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法
CN106650789A (zh) 一种基于深度lstm网络的图像描述生成方法
CN107330263A (zh) 一种计算机辅助乳腺浸润性导管癌组织学分级的方法
CN110136113A (zh) 一种基于卷积神经网络的阴道病理图像分类方法
CN111767952B (zh) 一种可解释的肺结节良恶性分类方法
CN109102498A (zh) 一种宫颈涂片图像中簇型细胞核分割的方法
CN106611413A (zh) 图像分割方法及其系统
Xie et al. Deep segmentation-emendation model for gland instance segmentation
CN106096654A (zh) 一种基于深度学习和结合策略的细胞异型性自动分级方法
CN111430025B (zh) 一种基于医疗影像数据扩增的疾病诊断模型训练方法
CN110335668A (zh) 基于深度学习的甲状腺癌细胞病理图辅助分析方法及系统
CN110377659A (zh) 一种智能图表推荐系统及方法
CN109934804A (zh) 基于卷积神经网络的阿尔茨海默病变区域的检测方法
Li et al. FecalNet: Automated detection of visible components in human feces using deep learning
Huang et al. Enhancing representation in radiography-reports foundation model: A granular alignment algorithm using masked contrastive learning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant