CN111583210A - 基于卷积神经网络模型集成的乳腺癌图像自动识别方法 - Google Patents

基于卷积神经网络模型集成的乳腺癌图像自动识别方法 Download PDF

Info

Publication number
CN111583210A
CN111583210A CN202010356378.0A CN202010356378A CN111583210A CN 111583210 A CN111583210 A CN 111583210A CN 202010356378 A CN202010356378 A CN 202010356378A CN 111583210 A CN111583210 A CN 111583210A
Authority
CN
China
Prior art keywords
image
breast cancer
network
convolutional neural
neural network
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
CN202010356378.0A
Other languages
English (en)
Other versions
CN111583210B (zh
Inventor
杜强
黄丹
郭雨晨
聂方兴
张兴
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.)
Beijing Xbentury Network Technology Co ltd
Original Assignee
Beijing Xbentury Network Technology Co ltd
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 Beijing Xbentury Network Technology Co ltd filed Critical Beijing Xbentury Network Technology Co ltd
Priority to CN202010356378.0A priority Critical patent/CN111583210B/zh
Publication of CN111583210A publication Critical patent/CN111583210A/zh
Application granted granted Critical
Publication of CN111583210B publication Critical patent/CN111583210B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • 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
    • 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
    • G06T2207/30068—Mammography; Breast
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于卷积神经网络模型集成的乳腺癌图像自动识别方法。该方法包括：步骤1：对原始乳腺癌病理图像进行降噪处理以排除该原始乳腺癌病理图像中的无用信息，以获得降噪处理后的图像；步骤2：使用SinGAN处理降噪处理后的图像以生成数据，对该数据进行数据增强；步骤3：基于ResNet网络、DenseNet网络和SENet网络进行训练，构建自动识别模型；步骤4：对于所识别的结果进行集成。本发明解决了在乳腺癌自动识别中仅利用单张图像识别病理类别，而丢失多张图像带有的信息的问题，应用深度学习图像自动识别技术，自动从多张乳腺癌影像中学习图像特征，以一种端对端的模型集成方法完成乳腺癌自动识别任务。

Description

基于卷积神经网络模型集成的乳腺癌图像自动识别方法
技术领域
本发明涉及医疗图像处理技术领域，尤其是涉及一种基于卷积神经网络模型集成的乳腺癌图像自动识别方法。
背景技术
目前，癌症是世界各地面临的巨大健康问题，根据世界卫生组织国际癌症研究机构(IARC)统计，2012年有820万人死于癌症。在癌症之中，乳腺癌是女性常见的第二大癌症疾病，仅次于皮肤癌。在众多分子生物学进展中，组织病理学分析仍然是乳腺癌诊断应用最为广泛的方法。但是尽管成像技术取得了重大进展，但乳腺癌的分级分期仍然需要经验丰富的病理学家在显微镜下进行检测，工作量十分巨大。而图像领域的重大突破及机器学习的发展，使得可以构建计算机自动辅助检查系统，帮助医生提高诊断效率及准确率。在组织病理学上，需将图像分为不同的类，即对应组织是否有癌症，而对于自动辅助诊断系统最大的挑战是自动识别复杂的组织病理性学图像。
乳腺癌诊断的自动成像处理已经探索多年，但是由于图像的复杂性，仍具有挑战性。传统的机器学习方法往往先使用特征提取方法从图像中抽取特征，而后使用分类器(例如支持向量机、神经网络等)进行图像识别，在小数据集识别的准确率在76％～94％之间。这种传统的机器学习手动提取特征的方法依赖于专家的经验及图像本身的复杂性，在处理向病理图像这样复杂的数据上，效果不佳。随着图像处理单元(GPU)的出现，及深度学习的复兴，使得自动抽取特征成为可能。
LeCun在1997年发明了卷积神经网络，用其进行手写数字的识别；2012年，深度卷积神经网络(CNN)Alexnet在ImageNet数据集上获得了第一名，领先传统机器学习方法第二名14.9％，从而引起巨大关注，拉开深度学习在图像识别统治地位的序幕；随着VGG、Inception、ResNet、DenseNet、SENet等新的网络不断提出，CNN在图像识别、定位、分割、追踪等任务上不断取得优异效果。因此，卷积神经网络用于乳腺癌的自动识别的成果自然也不断出现，例如Fabio et.al使用深度卷积神经网络对乳腺癌病理图像进行自动识别、Hanet.al使用结构化的卷积神经网络抽出不同病理类别的图像特征识别癌症等等。CNN的应用提高了乳腺癌病理的识别，但是目前的方法仅限于单张的图像。多张图像在一组不同状态下拍摄的图像可能含有更多的图像信息，相关研究缺失，需进一步研究。
从目前的研究现状来看，传统的机器学习方法在乳腺癌自动识别取得了一定的效果，但效果不佳；深度学习方法的引用提高了识别效果，带来了质的飞跃，不过对于乳腺癌的研究缺仅限于单张图像，多张图像的信息利用不足，需进一步研究。
发明内容
本发明所要解决的技术问题是提供一种基于卷积神经网络模型集成的乳腺癌图像自动识别方法。本发明解决了在乳腺癌自动识别中仅利用单张图像识别病理类别，而丢失多张图像带有的信息的问题，应用深度学习图像自动识别技术，自动从多张乳腺癌影像中学习图像特征，以一种端对端的模型集成方法完成乳腺癌自动识别任务。
通过本发明可以实现的技术目的不限于上文已经特别描述的内容，并且本领域技术人员将从下面的详细描述中更加清楚地理解本文中未描述的其他技术目的。
本发明解决上述技术问题的技术方案如下：
根据本公开的一方面，本发明提供一种基于卷积神经网络模型集成的乳腺癌图像自动识别方法，其特征在于，所述方法包括：
步骤1：对原始乳腺癌病理图像进行降噪处理以排除该原始乳腺癌病理图像中的无用信息，以获得降噪处理后的图像；
步骤2：使用SinGAN处理降噪处理后的图像以生成数据，对该数据进行数据增强；
步骤3：基于ResNet网络、DenseNet网络和SENet网络进行训练，构建自动识别模型；
步骤4：对于所识别的结果进行集成。
可选地，在步骤1中，将所述原始乳腺癌病理图像转成灰度图像，然后对所述灰度图像进行二值化处理，获取所述灰度图像的不同区域的轮廓信息，对所述灰度图像进行操作，该操作包含对所述灰度图像先进行腐蚀和然后进行膨胀，迭代4次，消除所述灰度图像上的细小区域及细小连接处。
可选地，在步骤2中，所述数据包括所述降噪处理后的图像的纹理和轮廓信息。
可选地，在步骤3中，所述ResNet网络使用残差学习单元通过恒等映射的引入在输入、输出之间建立了一条直接的关联通道，使底层网络信息直接传到高层。
可选地，在步骤3中，所述DenseNet网络在ResNet网络的基础上，进行特征复用、减少计算参数、缓解梯度消失，每个层从前面的所有层获得额外的输入，并将自己的特征映射传递到后续的所有层。
可选地，在步骤3中，所述SENet网络使用注意力机制。
根据本公开的一方面，本发明提供一种基于卷积神经网络模型集成的乳腺癌图像自动识别设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上任一项所述的一种基于卷积神经网络模型集成的乳腺癌图像自动识别方法的步骤。
根据本公开的一方面，本发明提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现如上任一项所述的基于卷积神经网络模型集成的乳腺癌图像自动识别方法的步骤。
上述技术方案仅为本发明实施例的一些部分，本领域技术人员从以下本发明的详细描述中可以导出和理解包含了本发明的技术特征的各种实施例。
本发明的技术方案提出用多张图像进行乳腺癌病理图像识别，较单张图像可以获得更多有用信息。本发明的技术方案提出一种基于SinGan病理数据生成方法，扩大样本容量。本发明的技术方案提出一种图像降噪方法，去掉病理图像上噪音数据但不减少病理图像信息。本发明的技术方案提出使用ResNet、DenseNet、SENet三种网络融合进行病理数据自动识别。
本领域技术人员将会理解，通过本发明可以实现的效果不限于上文已经具体描述的内容，并且从以下详细说明中将更清楚地理解本发明的其他优点。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了本发明实施例提供的基于卷积神经网络模型集成的乳腺癌图像自动识别方法的流程图。
图2示出了根据本发明实施例提供的SinGAN的示意图。
具体实施方式
现在将详细参考本发明的示例性实施例，其示例在附图中示出。下面将参考附图给出的详细描述旨在解释本发明的示例性实施例，而不是示出可以根据本发明实现的唯一实施例。以下详细描述包括具体细节以便提供对本发明的透彻理解。然而，对于本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下实践本发明。
在一些情况下，已知的结构和设备被省略或以框图形式示出，集中于结构和设备的重要特征，以免模糊本发明的概念。在整个说明书中将使用相同的附图标记来表示相同或相似的部分。
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
在本发明的描述中，需要理解的是，术语“上”、“下”、“中心”、“内”、“外”、“顶”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
图1示出了本发明实施例提供的基于卷积神经网络模型集成的乳腺癌图像自动识别方法的示意图。本发明实施例提供一种基于卷积神经网络模型集成的乳腺癌图像自动识别方法，其特征在于，所述方法包括：步骤1：对原始乳腺癌病理图像进行降噪处理以排除该原始乳腺癌病理图像中的无用信息，以获得降噪处理后的图像；步骤2：使用SinGAN处理降噪处理后的图像以生成数据，对该数据进行数据增强；步骤3：基于ResNet网络、DenseNet网络和SENet网络进行训练，构建自动识别模型；步骤4：对于所识别的结果进行集成。可选地，在步骤1中，将所述原始乳腺癌病理图像转成灰度图像，然后对所述灰度图像进行二值化处理，获取所述灰度图像的不同区域的轮廓信息，对所述灰度图像进行操作，该操作包含对所述灰度图像先进行腐蚀和然后进行膨胀，迭代4次，消除所述灰度图像上的细小区域及细小连接处。可选地，在步骤2中，所述数据包括所述降噪处理后的图像的纹理和轮廓信息。可选地，在步骤3中，所述ResNet网络使用残差学习单元通过恒等映射的引入在输入、输出之间建立了一条直接的关联通道，使底层网络信息直接传到高层。可选地，在步骤3中，所述DenseNet网络在ResNet网络的基础上，进行特征复用、减少计算参数、缓解梯度消失，每个层从前面的所有层获得额外的输入，并将自己的特征映射传递到后续的所有层。可选地，在步骤3中，所述SENet网络使用注意力机制。
根据本发明的具体实施例，本发明提出一种能够在乳腺癌自动识别任务中，其使用卷积神经网络以一种端对端的模型集成方法对多张乳腺病理图像进行特征抽取，完成自动识别任务，提高识别的准确率，辅助医生完成对乳腺病理图像筛查。本发明提出基于卷积神经网络的乳腺癌病理图像自动识别方法，其中首先，图像本身含有一些噪音，例如日期、勾画图、拍摄角度等等，这些信息对识别没有帮助，反而会可能导致模型过拟合，因此在送入模型之前，需要对图像进行降噪处理；而后需要对乳腺图像数据进行数据增强，数据增强有助于增加模型鲁棒性，提高泛化能力，有提升识别能力简单有效的方式，常用的数据增强方式有随机剪切、翻转、旋转，除此之外，还使用了SinGAN生成数据，扩大数据量。生成对抗网络(GAN)，采用对抗的思想，学习到从噪音到图像的映射，SinGAN在原始GAN的基础，只利用一张图像即可学习到其风格的网络结构，从而能生成许多该图像的纹理、轮廓等信息。识别模型采用经典的ResNet、DenseNet、SENet三种网络进行训练，这些网络广泛用于图像识别、定位、分割等各个领域。模型集成是提升识别效果又一有效手段，本发明采用网格搜索方法，对ResNet、DenseNet、SENet网络输出的分类结果进行融合。
更具体地，本发明提出了基于卷积神经网络的乳腺癌自动识别方法，其具体实施方式如下包括：
1数据降噪
原始的乳腺癌图像含有较多噪音信息，其会影响模型的识别效果，因此需要去掉这些噪音数据。首先将原始的乳腺癌图像转成灰度图像，降低处理复杂度；而后对其进行二值化处理，阈值为0，将灰度图像的图像信息和噪音信息分布为大小不同的区域，继而使用Canny算子获取图像不同区域的轮廓信息。然后对该图像进行操作，该操作包含对图像先进行腐蚀和然后进行膨胀，迭代4次，消除图像上细小区域及细小连接处。经过上述操作，查找图像最大连通区域，去掉残余未曾去掉的信息，保留病理图像信息。
2数据增强及生成
数据增强的使用有助于模型提升识别效果，本发明使用的数据增强方式有传统的旋转、翻转、随机剪切外等，本发明还使用SinGAN进行数据生成。为便于阐述，现将真实病理图像记为xN，SinGAN生成的图像记为
Figure BDA0002473606340000081
SinGAN结构如图2所示，SinGAN结构具有一系列级联的生成器(G)和判别器(D)组成，训练和生成都是由粗到细的，在每个尺度上GN学习生成图像，而判别器DN则识别所有重叠的图像块和下采样的真实图像的真假。GN为高斯噪音zN和上一尺度生成的
Figure BDA0002473606340000082
在模型训练好后，输出不同的高斯噪音zN即可得到一系列乳腺癌病理图像。
3模型构建
本发明的技术方案用ResNet、DenseNet、SENet三种网络结构进行乳腺癌自动识别。ResNet网络使用残差学习单元通过恒等映射的引入在输入、输出之间建立了一条直接的关联通道，使底层网络信息直接传到高层，解决模型深度增加准确度不升反降的问题。DenseNet网络在ResNet网络基础上，鼓励特征复用、减少计算参数、缓解梯度消失，每个层从前面的所有层获得额外的输入，并将自己的特征映射传递到后续的所有层，使用级联方式，每一层都接受来自前几层的特征，广泛用于医疗自动识别模型中。SENet网络借鉴机器翻译中注意力机制思想。注意力机制通常可以用Query(查询)、Key-Value(键值对)描述，过程为给定一个Query，通过计算Query和Key的相似度，得到这个Query和每个Key-Value的相关性权重并进行归一化，权重越大越位重要。注意力机制计算过程如下：
Figure BDA0002473606340000091
Figure BDA0002473606340000092
其中Q、K、V分别为Query、Key、Value向量或矩阵，f为相似度，具有以下计算方式：
点乘：f(Q，Ki)＝QTKi
带权重的点乘：f(Q，Ki)＝QTWKi
带权重的拼接：f(Q，Ki)＝W[QT；Ki]
神经网络：f(Q，Ki)＝sigmoid(WQ+UKi)
相加：f(Q，Ki)＝Q+Ki
其中W、U为参数，其通过学习得到。
SENet网络采用空间自注意力机制，使每层特征图作为Key、Value，每层的特征值最大值作为Query，这样在训练的时候使得有效的特征图权重大，无效或效果小的特征图权重小的方式训练模型达到更好的结果。
4模型集成
在训练好网络之后，得到ResNet、DenseNet、SENet三个网络的输乳腺癌分类结果，对该结果进行集成处理，提升准确率，将ResNet、DenseNet、SENet网络的输出结果分别设为Prediction_ResNet、Prediction_DenseNet、Prediction_SENet，集成处理的过程如下：
Prediction＝a×PredictionResNet+b×PredictionDenseNet+c×Prediction_SENet
其中：
Prediction为最终预测结果，a、b、c为超参有a+b+c＝1.0，且a＞0，b＞0，c＞0。
a、b、c的值由网格搜索确定。
实施例2
根据本发明的实施例，本发明提供一种基于卷积神经网络模型集成的乳腺癌图像自动识别设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上实施例1中所述的基于卷积神经网络模型集成的乳腺癌图像自动识别方法的步骤。
实施例3
根据本发明的实施例，本发明提供一种计算机可读存储介质，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现如上实施例1中所述的基于卷积神经网络模型集成的乳腺癌图像自动识别方法的步骤。
根据本发明的实施例使用了Breast Cancer Histopathological Database数据集进行识别。Breast Cancer Histopathological Database数据集含有40X、100X、200X、400X四种不同分辨率病理图像，共7909例数据。本发明在该数据集获得优异效果，Auc90.56％。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本申请可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现。基于这样的理解，本申请的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。
如上所述，已经给出了本发明的优选实施例的详细描述，以使本领域技术人员能够实施和实践本发明。虽然已经参照示例性实施例描述了本发明，但是本领域技术人员将会理解，在不脱离所附权利要求书中描述的本发明的精神或范围的情况下，可以在本发明中进行各种修改和改变。因此，本发明不应限于在此描述的特定实施例，而应被赋予与本文公开的原理和新颖特征一致的最宽范围。

Claims (8)

1.一种基于卷积神经网络模型集成的乳腺癌图像自动识别方法，其特征在于，所述方法包括：
步骤1：对原始乳腺癌病理图像进行降噪处理以排除该原始乳腺癌病理图像中的无用信息，以获得降噪处理后的图像；
步骤2：使用SinGAN处理降噪处理后的图像以生成数据，对该数据进行数据增强；
步骤3：基于ResNet网络、DenseNet网络和SENet网络进行训练，构建自动识别模型；
步骤4：对于所识别的结果进行集成。
2.根据权利要求1所述的方法，
其特征在于，在步骤1中，将所述原始乳腺癌病理图像转成灰度图像，然后对所述灰度图像进行二值化处理，获取所述灰度图像的不同区域的轮廓信息，对所述灰度图像进行操作，该操作包含对所述灰度图像先进行腐蚀和然后进行膨胀，迭代4次，消除所述灰度图像上的细小区域及细小连接处。
3.根据权利要求1所述的方法，
其特征在于，在步骤2中，所述数据包括所述降噪处理后的图像的纹理和轮廓信息。
4.根据权利要求1所述的方法，
其特征在于，在步骤3中，所述ResNet网络使用残差学习单元通过恒等映射的引入在输入、输出之间建立了一条直接的关联通道，使底层网络信息直接传到高层。
5.根据权利要求1所述的方法，
其特征在于，在步骤3中，所述DenseNet网络在ResNet网络的基础上，进行特征复用、减少计算参数、缓解梯度消失，每个层从前面的所有层获得额外的输入，并将自己的特征映射传递到后续的所有层。
6.根据权利要求1所述的方法，
其特征在于，在步骤3中，所述SENet网络使用注意力机制。
7.一种用于基于卷积神经网络模型集成的乳腺癌图像自动识别设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至6中任一项所述的基于卷积神经网络模型集成的乳腺癌图像自动识别方法的步骤。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现如权利要求1至6中任一项所述的基于卷积神经网络模型集成的乳腺癌图像自动识别方法的步骤。
CN202010356378.0A 2020-04-29 2020-04-29 基于卷积神经网络模型集成的乳腺癌图像自动识别方法 Active CN111583210B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010356378.0A CN111583210B (zh) 2020-04-29 2020-04-29 基于卷积神经网络模型集成的乳腺癌图像自动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010356378.0A CN111583210B (zh) 2020-04-29 2020-04-29 基于卷积神经网络模型集成的乳腺癌图像自动识别方法

Publications (2)

Publication Number Publication Date
CN111583210A true CN111583210A (zh) 2020-08-25
CN111583210B CN111583210B (zh) 2022-03-15

Family

ID=72111830

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010356378.0A Active CN111583210B (zh) 2020-04-29 2020-04-29 基于卷积神经网络模型集成的乳腺癌图像自动识别方法

Country Status (1)

Country Link
CN (1) CN111583210B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112101451A (zh) * 2020-09-14 2020-12-18 北京联合大学 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法
CN112329664A (zh) * 2020-11-11 2021-02-05 赛芒(北京)信息技术有限公司 一种原核期胚胎原核数量的评估方法
CN112465750A (zh) * 2020-11-13 2021-03-09 北京小白世纪网络科技有限公司 一种基于乳腺癌分子分型超声多模态自动识别方法和装置
CN112819032A (zh) * 2021-01-11 2021-05-18 平安科技（深圳）有限公司 基于多模型的切片特征分类方法、装置、设备及介质
CN113065586A (zh) * 2021-03-23 2021-07-02 四川翼飞视科技有限公司 一种非局域的图像分类装置、方法和存储介质
CN113379655A (zh) * 2021-05-18 2021-09-10 电子科技大学 一种基于动态自注意力生成对抗网络的图像合成方法
CN114820591A (zh) * 2022-06-06 2022-07-29 北京医准智能科技有限公司 图像处理方法、装置、电子设备及介质
CN115035098A (zh) * 2022-07-06 2022-09-09 山东云旗信息科技有限公司 一种基于深度学习的乳腺癌病理图片处理方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108629761A (zh) * 2018-03-12 2018-10-09 中山大学 一种乳腺癌图像识别方法、装置和用户终端
CN109325516A (zh) * 2018-08-13 2019-02-12 众安信息技术服务有限公司 一种面向图像分类的集成学习方法及装置
CN109658399A (zh) * 2018-12-13 2019-04-19 深圳先进技术研究院 一种头颈斑块图像识别方法及装置
CN109685077A (zh) * 2018-12-13 2019-04-26 深圳先进技术研究院 一种乳腺肿块图像识别方法及装置
CN110111313A (zh) * 2019-04-22 2019-08-09 腾讯科技（深圳）有限公司 基于深度学习的医学图像检测方法及相关设备
US20200117894A1 (en) * 2018-10-10 2020-04-16 Drvision Technologies Llc Automated parameterization image pattern recognition method
CN111027368A (zh) * 2019-05-31 2020-04-17 梁斌 基于人脸特征的癌症筛查方法及筛查系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108629761A (zh) * 2018-03-12 2018-10-09 中山大学 一种乳腺癌图像识别方法、装置和用户终端
CN109325516A (zh) * 2018-08-13 2019-02-12 众安信息技术服务有限公司 一种面向图像分类的集成学习方法及装置
US20200117894A1 (en) * 2018-10-10 2020-04-16 Drvision Technologies Llc Automated parameterization image pattern recognition method
CN109658399A (zh) * 2018-12-13 2019-04-19 深圳先进技术研究院 一种头颈斑块图像识别方法及装置
CN109685077A (zh) * 2018-12-13 2019-04-26 深圳先进技术研究院 一种乳腺肿块图像识别方法及装置
CN110111313A (zh) * 2019-04-22 2019-08-09 腾讯科技（深圳）有限公司 基于深度学习的医学图像检测方法及相关设备
CN111027368A (zh) * 2019-05-31 2020-04-17 梁斌 基于人脸特征的癌症筛查方法及筛查系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
TAMAR ROTT SHAHAM 等: "SinGAN: Learning a Generative Model From a Single Natural Image", 《2019 IEEE/CVF INTERNATIONAL CONFERENCE ON COMPUTER VISION (ICCV)》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112101451A (zh) * 2020-09-14 2020-12-18 北京联合大学 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法
CN112101451B (zh) * 2020-09-14 2024-01-05 北京联合大学 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法
CN112329664A (zh) * 2020-11-11 2021-02-05 赛芒(北京)信息技术有限公司 一种原核期胚胎原核数量的评估方法
CN112465750A (zh) * 2020-11-13 2021-03-09 北京小白世纪网络科技有限公司 一种基于乳腺癌分子分型超声多模态自动识别方法和装置
CN112819032A (zh) * 2021-01-11 2021-05-18 平安科技（深圳）有限公司 基于多模型的切片特征分类方法、装置、设备及介质
CN112819032B (zh) * 2021-01-11 2023-10-27 平安科技（深圳）有限公司 基于多模型的切片特征分类方法、装置、设备及介质
CN113065586A (zh) * 2021-03-23 2021-07-02 四川翼飞视科技有限公司 一种非局域的图像分类装置、方法和存储介质
CN113379655A (zh) * 2021-05-18 2021-09-10 电子科技大学 一种基于动态自注意力生成对抗网络的图像合成方法
CN113379655B (zh) * 2021-05-18 2022-07-29 电子科技大学 一种基于动态自注意力生成对抗网络的图像合成方法
CN114820591A (zh) * 2022-06-06 2022-07-29 北京医准智能科技有限公司 图像处理方法、装置、电子设备及介质
CN114820591B (zh) * 2022-06-06 2023-02-21 北京医准智能科技有限公司 图像处理方法、装置、电子设备及介质
CN115035098A (zh) * 2022-07-06 2022-09-09 山东云旗信息科技有限公司 一种基于深度学习的乳腺癌病理图片处理方法及系统

Also Published As

Publication number Publication date
CN111583210B (zh) 2022-03-15

Similar Documents

Publication Publication Date Title
CN111583210B (zh) 基于卷积神经网络模型集成的乳腺癌图像自动识别方法
Lahiri et al. Generative adversarial learning for reducing manual annotation in semantic segmentation on large scale miscroscopy images: Automated vessel segmentation in retinal fundus image as test case
CN110689025B (zh) 图像识别方法、装置、系统及内窥镜图像识别方法、装置
Kadam et al. Detection and localization of multiple image splicing using MobileNet V1
CN110472676A (zh) 基于深度神经网络的胃早癌组织学图像分类系统
WO2023045231A1 (zh) 一种解耦分治的面神经分割方法和装置
CN111598876B (zh) 甲状腺结节自动识别模型构建方法、系统及设备
Rahman et al. A new method for lung nodule detection using deep neural networks for CT images
CN114693624B (zh) 一种图像检测方法、装置、设备及可读存储介质
CN112132827A (zh) 病理图像的处理方法、装置、电子设备及可读存储介质
CN114821052A (zh) 基于自调节策略的三维脑肿瘤核磁共振图像分割方法
CN117437423A (zh) 基于sam协同学习和跨层特征聚合增强的弱监督医学图像分割方法及装置
Mondal et al. Improved skin disease classification using generative adversarial network
CN113706562B (zh) 图像分割方法、装置、系统及细胞分割方法
Xiao et al. Siamese few-shot network: a novel and efficient network for medical image segmentation
Prasad et al. Medical image segmentation using an optimized three-tier quantum convolutional neural network trained with hybrid optimization approach
CN114492581A (zh) 基于迁移学习和注意力机制元学习应用在小样本图片分类的方法
CN111127407B (zh) 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法
WO2024099026A1 (zh) 图像处理方法、装置、设备、存储介质及程序产品
CN112819755A (zh) 一种甲状腺的结节ti-rads分级系统及方法
Arefin et al. Deep learning approach for detecting and localizing brain tumor from magnetic resonance imaging images
CN117649657A (zh) 基于改进Mask R-CNN的骨髓细胞检测系统
Zhang et al. Anchor-Wise Fuzziness Modeling in Convolution-Transformer Neural Network for Left Atrium Image Segmentation
CN116894943A (zh) 一种双约束的伪装目标检测方法及系统
CN116188428A (zh) 一种桥接多源域自适应的跨域组织病理学图像识别方法

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