CN112233061A - 一种基于深度学习的皮肤基底细胞癌和鲍温病识别方法 - Google Patents
一种基于深度学习的皮肤基底细胞癌和鲍温病识别方法 Download PDFInfo
- Publication number
- CN112233061A CN112233061A CN202010927141.3A CN202010927141A CN112233061A CN 112233061 A CN112233061 A CN 112233061A CN 202010927141 A CN202010927141 A CN 202010927141A CN 112233061 A CN112233061 A CN 112233061A
- Authority
- CN
- China
- Prior art keywords
- skin
- cell carcinoma
- image
- basal cell
- disease
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 208000020352 skin basal cell carcinoma Diseases 0.000 title claims abstract description 35
- 201000010099 disease Diseases 0.000 title claims abstract description 34
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 34
- 241000606434 Babylonia Species 0.000 title claims abstract description 19
- 238000013135 deep learning Methods 0.000 title claims abstract description 19
- 210000004027 cell Anatomy 0.000 claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 39
- 230000001575 pathological effect Effects 0.000 claims abstract description 27
- 206010004146 Basal cell carcinoma Diseases 0.000 claims abstract description 20
- 230000007170 pathology Effects 0.000 claims abstract description 7
- 210000003491 skin Anatomy 0.000 claims description 40
- 238000013145 classification model Methods 0.000 claims description 20
- 238000003745 diagnosis Methods 0.000 claims description 15
- 208000013165 Bowen disease Diseases 0.000 claims description 10
- 208000019337 Bowen disease of the skin Diseases 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 7
- 230000037311 normal skin Effects 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 5
- 238000007477 logistic regression Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 210000004927 skin cell Anatomy 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 210000001339 epidermal cell Anatomy 0.000 claims description 3
- 210000003701 histiocyte Anatomy 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 208000000453 Skin Neoplasms Diseases 0.000 description 3
- 210000000270 basal cell Anatomy 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 208000017520 skin disease Diseases 0.000 description 3
- 206010029098 Neoplasm skin Diseases 0.000 description 2
- 206010037660 Pyrexia Diseases 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 206010040882 skin lesion Diseases 0.000 description 2
- 231100000444 skin lesion Toxicity 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 206010027476 Metastases Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000120 cytopathologic effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 201000000849 skin cancer Diseases 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 208000022159 squamous carcinoma in situ Diseases 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06T2207/20—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
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
-
- 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
- G06T2207/30088—Skin; Dermal
Abstract
本发明提供了一种基于深度学习的皮肤基底细胞癌和鲍温病识别方法。所述识别系统使用了大量的带有标签的皮肤组织细胞病理图像训练卷积神经网络，并通过迭代训练，使得最终生成的分类器能够有效的正确识别基底细胞癌和鲍温病。本发明通过修改模型的全连接层和输出层，实现了快速而又高效的训练，并最终以软件应用的方式呈现。对于皮肤科及病理科医生来说，可以帮助他们有效地减轻识别大量病理图像并进行诊断的繁重工作量。
Description
技术领域
本发明涉及医疗图像人工智能识别领域，具体涉及一种基于深度学习的皮肤基底细胞癌和鲍温病识别方法。
背景技术
皮肤基底细胞癌和鲍温病(Bowen's disease，又称原位鳞状细胞癌)是两种常见的皮肤肿瘤。临床实践表明，这些疾病如能早期诊断出来，通常能够达到临床治愈的目的，延误诊断将加重局部组织破坏或者转移风险大大提高。传统的诊断方法主要依靠经验丰富的医生从大量显微镜下组织细胞图像中识别肿瘤组织细胞特征。识别大量病理图像并做出正确判断是一项繁重的工作，这很容易导致评估准确性降低，甚至导致误诊。
近年来，随着深度学习和计算机技术的发展，卷积神经网络已广泛应用于人工智能的许多领域。卷积神经网络提供了一种独特的体系结构，该体系结构允许使用合理的计算资源来训练诸如图像之类的高维数据。Andre Esteva等人在《Dermatologist-levelclassification of skin cancer with deep neural networks》文章中提出了使用单个卷积神经网络对皮肤病变的分类，使用129,450个临床图像的数据集对卷积神经网络进行了训练，卷积神经网络在这两项识别诊断任务上均达到了与测试专家相同的准确度，展示了一种能够对皮肤病进行分类的人工智能构架。但其主要针对临床皮肤病症图像进行识别，未进行组织病理细胞显微图像的识别，临床工作中组织病理显微图像是进行皮肤病诊断的主要依据，更是皮肤肿瘤诊断的“金标准”。因此，亟需一种新技术方案能对皮肤病组织病理细胞显微图像进行准确的特征提取及疾病的辅助诊断。
发明内容
本发明的目的在于提供一种基于深度学习的皮肤基底细胞癌和鲍温病识别方法，该方法对皮肤基底细胞癌和鲍温病病理图像进行快速的特征提取，再结合分类模型对待预测图片进行预测。本发明通过迁移学习和数据增强，在病理图像不充足的前提下完成卷积神经网络的训练，本发明能实现对皮肤基底细胞癌和鲍温病的准确识别，以辅助医生进行诊断。
本发明的目的是通过以下技术方案实现的：
一种基于深度学习的皮肤基底细胞癌和鲍温病识别方法，根据患者皮肤组织病理图像特征进而检测及分辨出表皮细胞是否正常，操作步骤如下：
1.1获取已知诊断结果的皮肤基底细胞癌和鲍温病的皮肤组织细胞病理图像样本，建立具有皮肤组织细胞诊断结果标签的皮肤组织细胞病理图像数据集；
1.2将步骤1.1中的皮肤组织细胞病理图像进行预处理，包括图像增强和数据增强；
1.3通过训练好的深度卷积神经网络提取皮肤组织细胞图像特征；
1.4使用Softmax模型对步骤1.3提取到的病理图像特征进行训练，对提取到的病理图像特征进行评估处理，得到用于皮肤基底细胞癌和鲍温病识别的分类模型；
1.5将步骤1.4训练好的皮肤基底细胞癌和鲍温病识别的分类模型和深度卷积神经网络模型封装成终端界面软件，直接使用此软件进行的皮肤基底细胞癌和鲍温病的识别检测。
在所述步骤1.1中，优选将临床获取的病理细胞图像进行添加种类标签，包括正常皮肤组织细胞图像、皮肤基底细胞癌细胞图像和鲍温病细胞图像。
在所述步骤1.2中，优选通过图像增强锐化或去噪等方式提高图像的质量，针对临床组织细胞病理图像数量局限问题，采用数据增强的方法来增加训练样本的数量，以提高卷积神经网络的训练精度。
优选地，所述步骤1.2具体包括：
1.2.1对于在采集、传播和存储过程中清晰度质量降低的图像，通过图像增强、锐化方式提高图像的质量；
1.2.2对数据集中的每张图片进行图片翻转、旋转和平移的数据增强方式增大数据集的容量；
1.2.3数据集中包括三类样本：正常皮肤组织细胞、基底细胞癌和鲍温病，由于各种类图片数量不一致，通过欠采样的方式保证最后每种类型细胞图片数量一致，以基底细胞癌这一样本的数量为标准。
部分皮肤基底细胞癌和鲍温病细胞组织病理图像在采集、转移和扫描的过程中，可能因为技术问题导致图片质量降低或有损坏，常见的问题包括不清晰、有噪点或者颜色变淡；本发明优选将通过图像增强锐化或去噪等方式提高图像的质量，以方便后期的训练处理使用。
临床上收集病患的组织病理细胞图像是需要极长时间积累的，而且收集到的图像数量是有限的，为了提高在有限数量临床组织样本图像情况下卷积神经网络深度学习的效果，本发明优选采用了数据增强的办法，该办法能增加临床组织图像样本的数量，以使卷积神经网络得到充分的学习训练；具体是对现有的皮肤基底细胞癌、鲍温病、正常皮肤组织细胞图像进行图像翻转、图像旋转和图像平移的方式进行数据增强，优选图像翻转包括水平翻转和垂直翻转，图像旋转包括旋转不同角度，扩大临床组织病理细胞图像的数量。
本发明的数据集中包括三类样本：正常组织细胞图像、皮肤基底细胞癌细胞图像和鲍温病细胞图像，但由于患者的不确定性而导致这三类图片数量不一致，优选将部分数量多的细胞种类通过欠采样的方式进行筛选，以保证最后三种类型细胞图像数量一致。
在所述步骤1.3中，优选将在大型数据库上进行预训练的模型迁移到皮肤基底细胞癌和鲍温病识别上，提取临床组织细胞病理图像特征，降低模型训练的时间成本。
优选地，所述步骤1.3采用基于ImageNet数据库训练的GoogLeNet模型预训练权重，将已训练好的模型参数迁移到步骤1.3建立的深度卷积神经网络中，即将低层的轮廓等模型特征迁移到该深度卷积神经网络上极大缩短训练周期，使用图形处理器(GPU)训练深度卷积神经网络，同时将数据集分成训练集、验证集和测试集三部分，提高模型的泛化能力。
本发明采用ImageNet数据库上训练好的GoogLeNet模型，将预训练好的模型迁移到本皮肤基底细胞癌和鲍温病识别上，保留卷积神经网络部分层及其训练好的参数不变，只改变少量的连接层，使得训练所需的临床细胞组织病理图像数据大大地减少而且使得模型训练的时间大大地缩短。本发明将数据集分成训练集、验证集和测试集三部分，提高训练完成模型的泛化能力和提取特征的能力。
优选地，所述步骤1.4通过Softmax逻辑回归模型训练所述步骤1.3中深度神经网络提取到的特征，得到用于皮肤基底细胞癌和鲍温病识别的分类模型。
优选地，本发明通过Softmax模型对正常细胞图像、皮肤基底细胞癌细胞图像和鲍温病细胞图像进行判定，获得细胞组织图像的类别概率，完成不同类别的识别。
优选地，所述步骤1.5通过QT将分类模型与深度卷积神经网络相关文件封装好，通过界面软件呈现，用户通过终端设备包括电脑、手机，输入皮肤细胞组织病理图像至终端，由所述步骤1.3的深度卷积神经网络自动提取组织细胞特征，所述步骤1.4分类模型进行皮肤组织细胞识别检测，系统将返回皮肤组织细胞检测分类结果至终端设备。
本发明通过使用QT图形用户界面应用程序开发框架将训练好的深度卷积神经网络和分类模型进行封装，通过界面软件呈现，用户能通过终端设备包括电脑和手机，将待识别的皮肤细胞组织病理图像输入软件，深度卷积神经网络将自动提取细胞特征进行识别检测，最终将将组织细胞病理图像检测分类结果返回终端设备，实现信息输出。
与现有技术相比，本发明具有如下显而易见的突出实质性特点和显著的技术进步：
1.本发明通过组织细胞图像特征提取和深度卷积神经网络学习的方法，提出了一种基于深度学习的皮肤基底细胞癌和鲍温病识别方法，该方法自动识别的准确度约为90％；
2.本发明通过卷积神经网络模型迁移训练的方法使得深度神经网络训练所需的临床细胞组织病理图像数据大大地减少，并且大大地缩短了模型训练的时间。
附图说明
图1是本发明方法的深度学习识别方法的流程示意图。
图2是本发明方法的输入到输出的流程结构，虚线框内是Inception模块结构示意图。
图3是本发明方法的基底细胞癌预测结果。
图4是本发明方法的鲍温病预测结果。
图5是本发明方法的正常皮肤预测结果。
图6是本发明方法的应用界面示意图。
图7是本发明方法的实际检测效果图。
具体实施方式
下面通过附图和优选实施例对本发明做进一步说明。
实施例一：
参见图1，一种基于深度学习的皮肤基底细胞癌和鲍温病识别方法，根据患者皮肤组织病理图像特征进而检测及分辨出表皮细胞是否正常，操作步骤如下：
1.1获取已知诊断结果的皮肤基底细胞癌和鲍温病的皮肤组织细胞病理图像样本，建立具有皮肤组织细胞诊断结果标签的皮肤组织细胞病理图像数据集；
1.2将步骤1.1中的皮肤组织细胞病理图像进行预处理，包括图像增强和数据增强；
1.3通过训练好的深度卷积神经网络，提取皮肤组织细胞图像特征；
1.4使用Softmax模型对步骤1.3提取到的病理图像特征进行训练，得到用于皮肤基底细胞癌和鲍温病识别的分类模型；
1.5将步骤1.4训练好的皮肤基底细胞癌和鲍温病识别的分类模型和深度卷积神经网络模型封装成终端界面软件，直接使用此软件进行的皮肤基底细胞癌和鲍温病的识别检测。
本实施例方法对皮肤基底细胞癌和鲍温病病理图像进行快速的特征提取，再结合分类模型对待预测图片进行预测。本发明通过迁移学习和数据增强，在病理图像不充足的前提下完成卷积神经网络的训练，本发明能实现对皮肤基底细胞癌和鲍温病的准确识别，以辅助医生进行诊断。
实施例二：
本实施例与实施例一基本相同，特别之处如下：
在本实施例，所述步骤1.1获取的皮肤组织细胞病理图像，和专业医师合作，并添加皮肤组织细胞病理图像的种类标签，保证所建立的数据库的标签全部正确。
在本实施例，所述步骤1.2具体包括如下步骤：
1.2.1对于在采集、传播和存储过程中清晰度质量降低的图像，通过图像增强、锐化方式提高图像的质量；
1.2.2对数据集中的每张图片进行图片翻转、旋转和平移的数据增强方式增大数据集的容量；
1.2.3数据集中包括三类样本：正常皮肤组织细胞、基底细胞癌和鲍温病，由于各种类图片数量不一致，通过欠采样的方式保证最后每种类型细胞图片数量一致，以基底细胞癌这一样本的数量为标准。
在本实施例，所述步骤1.3采用基于ImageNet数据库训练的GoogLeNet模型预训练权重，将已训练好的模型参数迁移到步骤1.3建立的深度卷积神经网络中，即将低层的轮廓等模型特征迁移到该深度卷积神经网络上极大缩短训练周期，使用图形处理器(GPU)训练深度卷积神经网络，同时将数据集分成训练集、验证集和测试集三部分，提高模型的泛化能力。
在本实施例，所述步骤1.4通过Softmax逻辑回归模型训练所述步骤1.3中深度神经网络提取到的特征，得到用于皮肤基底细胞癌和鲍温病识别的分类模型。
在本实施例，所述步骤1.5通过QT将分类模型与深度卷积神经网络相关文件封装好，通过界面软件呈现，用户通过终端设备包括电脑、手机，输入皮肤细胞组织病理图像至终端，由所述步骤1.3的深度卷积神经网络自动提取组织细胞特征，所述步骤1.4分类模型进行皮肤组织细胞识别检测，系统将返回皮肤组织细胞检测分类结果至终端设备。
本实施例通过修改模型的全连接层和输出层，实现了快速而又高效的训练，并最终以软件应用的方式呈现。对于皮肤科及病理科医生来说，帮助医生有效地减轻识别大量病理图像并进行诊断的繁重工作量。
实施例三：
本实施例与上述实施例基本相同，特别之处如下：
图1为本基于深度卷积神经网络的皮肤基底细胞癌和鲍温病识别系统的操作流程图，基于深度学习的皮肤基底细胞癌和鲍温病识别方法包括以下步骤：
获取已知诊断结果标签的皮肤基底细胞图像样本，建立具有皮肤基底细胞诊断结果标签的皮肤基底细胞数据库；
对获得的不够清晰的图像进行包括高斯滤波、图像平滑等在内的图像增强方式，使得输入图像均保持高质量可清晰分辨的水平；
根据图像数量采用翻转平移的数据增强方式，增加原始图像的数量，然后把带有标签的图像进行分类，本实施例将3000张图像按照标签分成三类按照7:2:1的比例进行训练、验证和测试；
利用卷积层、池化层、批归一化处理、激活函数和Inception结构建立深度卷积神经网络，用于训练图像提取特征；
由于图形处理器具有强大的图像处理功能和并行计算能力，所以本实施例过程将使用图形处理器进行深度卷积神经网络的训练与迭代；
卷积层：卷积神经网络中每层卷积层由若干卷积单元组成，利用不同的卷积核对图像进行卷积，得到相应的特征图，然后更高层次对局部进行综合操作，从而得到全局信息；卷积运算的目的是提取基底细胞癌的不同特征，第一层卷积层一般提取一些低级的特征如边缘、线条和角等层级，更多层的网络能从低级特征中迭代提取更复杂细胞组织特征；
池化层：池化层实际上是一种形式的降采样，用于卷积层之后，有多种不同形式的非线性池化函数，本实施例使用最大池化(Max pooling)来选择基底细胞癌中的图像特征；最大池化具有较强的抗干扰能力，它将卷积层提取到的组织细胞病理图像特征划分为若干个矩形区域，对每个子区域输出最大值，对于重要特征的提取不受相对位置的影响，同时池化层会不断地减小图像数据的空间大小，降低训练过程的参数量和计算量，加速基底细胞癌识别模型的训练过程；
Dropout：在前向传播的时候，让模型以0.8的概率随机抛弃网络不同部分的神经元，这样可以使得网络模型变得更加稀疏，使得训练的模型对数据的变动更加鲁棒，提高模型的泛化能力；
在卷积池化层之后，对提取到的组织细胞特征使用激活函数Leaky ReLu进行非线性激活，从而提高模型对于特征即非线性信息的表达能力激活函数采用的是Leaky ReLu，负值赋予斜率为0.5，正值斜率为1；
Inception结构，参阅图2：由不同尺寸的卷积层组成的并行结构，卷积层采用1×1，1×3，3×1，3×3，增加神经网络的宽度和神经网络的尺度适应性；
使用训练样本来训练卷积神经网络模型，得到网络模型参数，并通过验证集的验证精度来进一步调整实验的步长、批次和学习率，训练过程中采用有监督的训练方式和反向传播算法调整权值；
随着卷积核的权值不断迭代更新，卷积神经网络的输出误差不断地减小，最终趋于稳定；本实施例采用预训练的网络是GoogLeNet，然后使用对输出层的前一层进行微调用于训练，并将输出改为3类任务以实现此功能；
对于已经训练好的神经网络模型，我们得到了足够多的数据特征，通过Softmax逻辑回归模型对提取到的数据特征进行训练，得到分类模型；
通过得到的分类模型对测试集的图片进行测试，三类皮肤组织细胞的识别准确率均在90％以上，测试效果图参阅图3、图4和图5；
为了方便医护人员使用，将训练好的分类模型与相关文件通过QT图形用户界面应用程序开发框架封装打包好，封装好的界面参阅图6；
参阅图7，用户使用界面，通过右上角“…”按钮选取待测图片，图片会显示在界面上，通过点击“Recognize”会在界面下方显示识别结果。
综上所述，上述实施例基于深度学习的皮肤基底细胞癌和鲍温病识别方法。所述识别系统使用了大量的带有标签的皮肤组织细胞病理图像训练卷积神经网络，并通过迭代训练，使得最终生成的分类器能够有效的正确识别基底细胞癌和鲍温病。上述实施例通过修改模型的全连接层和输出层，实现了快速而又高效的训练，并最终以软件应用的方式呈现。对于皮肤科及病理科医生来说，可以帮助他们有效地减轻识别大量病理图像并进行诊断的繁重工作量。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效流程形式变换，或运用在其他相关的技术领域，均包括在本发明的专利保护范围内。
Claims (6)
1.一种基于深度学习的皮肤基底细胞癌和鲍温病识别方法，其特征在于，根据患者皮肤组织病理图像特征进而检测及分辨出表皮细胞是否正常，操作步骤如下：
1.1获取已知诊断结果的皮肤基底细胞癌和鲍温病的皮肤组织细胞病理图像样本，建立具有皮肤组织细胞诊断结果标签的皮肤组织细胞病理图像数据集；
1.2将步骤1.1中的皮肤组织细胞病理图像进行预处理，包括图像增强和数据增强；
1.3通过训练好的深度卷积神经网络，提取皮肤组织细胞图像特征；
1.4使用Softmax模型对步骤1.3提取到的病理图像特征进行训练，得到用于皮肤基底细胞癌和鲍温病识别的分类模型；
1.5将步骤1.4训练好的皮肤基底细胞癌和鲍温病识别的分类模型和深度卷积神经网络模型封装成终端界面软件，直接使用此软件进行的皮肤基底细胞癌和鲍温病的识别检测。
2.根据权利要求1所述基于深度学习的皮肤基底细胞癌和鲍温病识别方法，其特征在于，所述步骤1.1获取的皮肤组织细胞病理图像，和专业医师合作，并添加皮肤组织细胞病理图像的种类标签，保证所建立的数据库的标签全部正确。
3.根据权利要求1所述基于深度学习的皮肤基底细胞癌和鲍温病识别方法，其特征在于，所述步骤1.2具体包括如下步骤：
1.2.1对于在采集、传播和存储过程中清晰度质量降低的图像，通过图像增强、锐化方式提高图像的质量；
1.2.2对数据集中的每张图片进行图片翻转、旋转和平移的数据增强方式增大数据集的容量；
1.2.3数据集中包括三类样本：正常皮肤组织细胞、基底细胞癌和鲍温病，由于各种类图片数量不一致，通过欠采样的方式保证最后每种类型细胞图片数量一致，以基底细胞癌这一样本的数量为标准。
4.根据权利要求1所述基于深度学习的皮肤基底细胞癌和鲍温病识别方法，其特征在于：所述步骤1.3采用基于IamgeNet数据库训练的GoogLeNet模型预训练权重，将已训练好的模型参数迁移到步骤1.3建立的深度卷积神经网络中，即将低层的轮廓等模型特征迁移到该深度卷积神经网络上极大缩短训练周期，使用图形处理器(GPU)训练深度卷积神经网络，同时将数据集分成训练集、验证集和测试集三部分，提高模型的泛化能力。
5.根据权利要求1所述基于深度学习的皮肤基底细胞癌和鲍温病识别方法，其特征在于：所述步骤1.4通过Softmax逻辑回归模型训练所述步骤1.3中深度神经网络提取到的特征，得到用于皮肤基底细胞癌和鲍温病识别的分类模型。
6.根据权利要求1所述基于深度学习的皮肤基底细胞癌和鲍温病识别方法，其特征在于，所述步骤1.5通过QT将分类模型与深度卷积神经网络相关文件封装好，通过界面软件呈现，用户通过终端设备包括电脑、手机，输入皮肤细胞组织病理图像至终端，由所述步骤1.3的深度卷积神经网络自动提取组织细胞特征，所述步骤1.4分类模型进行皮肤组织细胞识别检测，系统将返回皮肤组织细胞检测分类结果至终端设备。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010927141.3A CN112233061A (zh) | 2020-09-07 | 2020-09-07 | 一种基于深度学习的皮肤基底细胞癌和鲍温病识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010927141.3A CN112233061A (zh) | 2020-09-07 | 2020-09-07 | 一种基于深度学习的皮肤基底细胞癌和鲍温病识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112233061A true CN112233061A (zh) | 2021-01-15 |
Family
ID=74116052
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010927141.3A Pending CN112233061A (zh) | 2020-09-07 | 2020-09-07 | 一种基于深度学习的皮肤基底细胞癌和鲍温病识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112233061A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113034448A (zh) * | 2021-03-11 | 2021-06-25 | 电子科技大学 | 一种基于多示例学习的病理图像细胞识别方法 |
| CN113222936A (zh) * | 2021-05-13 | 2021-08-06 | 北京百度网讯科技有限公司 | 皮肤图像处理方法、装置、设备以及存储介质 |
| CN113962995A (zh) * | 2021-12-21 | 2022-01-21 | 北京鹰瞳科技发展股份有限公司 | 一种白内障模型的训练方法及白内障识别方法 |
| CN115690785A (zh) * | 2022-12-08 | 2023-02-03 | 广东美赛尔细胞生物科技有限公司 | 一种应用于冻干细胞存储的温度控制方法及系统 |
| CN116842436A (zh) * | 2023-06-07 | 2023-10-03 | 中国医学科学院北京协和医院 | 一种多光谱组合的皮肤基底细胞癌识别方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110084794A (zh) * | 2019-04-22 | 2019-08-02 | 华南理工大学 | 一种基于注意力卷积神经网络的皮肤癌图片识别方法 |
| CN110337644A (zh) * | 2017-02-23 | 2019-10-15 | 谷歌有限责任公司 | 用于辅助病理学家标识放大的组织图像中的肿瘤细胞的方法和系统 |
| CN110399916A (zh) * | 2019-07-24 | 2019-11-01 | 淮阴工学院 | 一种基于图像增强和Inception网络的皮肤癌图像分类方法 |
-
2020
- 2020-09-07 CN CN202010927141.3A patent/CN112233061A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110337644A (zh) * | 2017-02-23 | 2019-10-15 | 谷歌有限责任公司 | 用于辅助病理学家标识放大的组织图像中的肿瘤细胞的方法和系统 |
| CN110084794A (zh) * | 2019-04-22 | 2019-08-02 | 华南理工大学 | 一种基于注意力卷积神经网络的皮肤癌图片识别方法 |
| CN110399916A (zh) * | 2019-07-24 | 2019-11-01 | 淮阴工学院 | 一种基于图像增强和Inception网络的皮肤癌图像分类方法 |
Non-Patent Citations (4)
| Title |
|---|
| PIERLUIGI CARCAGN 等: "A Dense CNN approach for skin lesion classification", 《ARXIV:1807.06416V2[CS.CV]》 * |
| 余婷 等: "数字图像分析在病理诊断中的应用综述", 《解放军医学院学报》 * |
| 刘玉良 等: "《深度学习》", 31 January 2020, 西安电子科技大学出版社 * |
| 陈琢 等: "人工智能领域基底细胞癌的诊治研究进展", 《第二军医大学报》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113034448A (zh) * | 2021-03-11 | 2021-06-25 | 电子科技大学 | 一种基于多示例学习的病理图像细胞识别方法 |
| CN113222936A (zh) * | 2021-05-13 | 2021-08-06 | 北京百度网讯科技有限公司 | 皮肤图像处理方法、装置、设备以及存储介质 |
| CN113222936B (zh) * | 2021-05-13 | 2023-11-17 | 北京百度网讯科技有限公司 | 皮肤图像处理方法、装置、设备以及存储介质 |
| CN113962995A (zh) * | 2021-12-21 | 2022-01-21 | 北京鹰瞳科技发展股份有限公司 | 一种白内障模型的训练方法及白内障识别方法 |
| CN113962995B (zh) * | 2021-12-21 | 2022-04-19 | 北京鹰瞳科技发展股份有限公司 | 一种白内障模型的训练方法及白内障识别方法 |
| CN115690785A (zh) * | 2022-12-08 | 2023-02-03 | 广东美赛尔细胞生物科技有限公司 | 一种应用于冻干细胞存储的温度控制方法及系统 |
| CN115690785B (zh) * | 2022-12-08 | 2023-06-06 | 广东美赛尔细胞生物科技有限公司 | 一种应用于冻干细胞存储的温度控制方法及系统 |
| CN116842436A (zh) * | 2023-06-07 | 2023-10-03 | 中国医学科学院北京协和医院 | 一种多光谱组合的皮肤基底细胞癌识别方法 |
| CN116842436B (zh) * | 2023-06-07 | 2024-01-16 | 中国医学科学院北京协和医院 | 一种多光谱组合的皮肤基底细胞癌识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Man et al. | Classification of breast cancer histopathological images using discriminative patches screened by generative adversarial networks | |
| CN112233061A (zh) | 一种基于深度学习的皮肤基底细胞癌和鲍温病识别方法 | |
| CN111223553B (zh) | 一种两阶段深度迁移学习中医舌诊模型 | |
| CN107886514B (zh) | 基于深度残差网络的乳腺钼靶图像肿块语义分割方法 | |
| CN110060774B (zh) | 一种基于生成式对抗网络的甲状腺结节识别方法 | |
| CN108464840B (zh) | 一种乳腺肿块自动检测方法及系统 | |
| CN109325942B (zh) | 基于全卷积神经网络的眼底图像结构分割方法 | |
| CN110490850B (zh) | 一种肿块区域检测方法、装置和医学图像处理设备 | |
| CN110211087B (zh) | 可分享的半自动糖尿病眼底病变标注方法 | |
| Haj-Hassan et al. | Classifications of multispectral colorectal cancer tissues using convolution neural network | |
| CN109389129A (zh) | 一种图像处理方法、电子设备及存储介质 | |
| US20220058839A1 (en) | Translation of images of stained biological material | |
| CN112380900A (zh) | 基于深度学习的子宫颈液基细胞数字图像分类方法及系统 | |
| CN113223005B (zh) | 一种甲状腺结节自动分割及分级的智能系统 | |
| CN111275686B (zh) | 用于人工神经网络训练的医学图像数据的生成方法及装置 | |
| CN112263217B (zh) | 一种基于改进卷积神经网络的非黑素瘤皮肤癌病理图像病变区域检测方法 | |
| Bozkurt et al. | Skin strata delineation in reflectance confocal microscopy images using recurrent convolutional networks with attention | |
| Wang et al. | Automatic measurement of fetal head circumference using a novel GCN-assisted deep convolutional network | |
| CN114140437A (zh) | 一种基于深度学习的眼底硬渗出物分割方法 | |
| Gulati et al. | Comparative analysis of deep learning approaches for the diagnosis of diabetic retinopathy | |
| Khattar et al. | Computer assisted diagnosis of skin cancer: a survey and future recommendations | |
| Thapa et al. | Deep learning for breast cancer classification: Enhanced tangent function | |
| Srivastava et al. | Optimizing CNN based model for thyroid nodule classification using data augmentation, segmentation and boundary detection techniques | |
| CN116129184A (zh) | 多期相病灶分类方法、装置、设备及可读存储介质 | |
| Wang et al. | An efficient hierarchical optic disc and cup segmentation network combined with multi-task learning and adversarial 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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210115 |