CN112950614A - 一种基于多尺度空洞卷积的乳腺癌检测方法 - Google Patents
一种基于多尺度空洞卷积的乳腺癌检测方法 Download PDFInfo
- Publication number
- CN112950614A CN112950614A CN202110301564.9A CN202110301564A CN112950614A CN 112950614 A CN112950614 A CN 112950614A CN 202110301564 A CN202110301564 A CN 202110301564A CN 112950614 A CN112950614 A CN 112950614A
- Authority
- CN
- China
- Prior art keywords
- data
- convolution
- scale
- model
- training
- 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
Links
- 206010006187 Breast cancer Diseases 0.000 title claims abstract description 30
- 208000026310 Breast neoplasm Diseases 0.000 title claims abstract description 30
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000010276 construction Methods 0.000 claims abstract description 16
- 230000001575 pathological effect Effects 0.000 claims abstract description 14
- 230000000694 effects Effects 0.000 claims abstract description 13
- 238000010606 normalization Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims abstract description 8
- 238000013480 data collection Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012795 verification Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims abstract description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013499 data model Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 210000000481 breast Anatomy 0.000 claims description 2
- 230000008034 disappearance Effects 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 4
- 239000011800 void material Substances 0.000 abstract description 4
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 230000011218 segmentation Effects 0.000 abstract 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 208000024891 symptom Diseases 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
- 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明属于病理图像识别技术领域，更具体而言，涉及一种基于多尺度空洞卷积的乳腺癌检测方法。包括：数据收集、数据预处理、数据集构建、数据集划分、模型构建、模型训练、模型评价，数据收集采集各期乳腺癌病理X光图片并标注标签；数据预处理对数据进行缩放，增强以及归一化处理；数据集构建混合数据并随机打乱；数据集划分分割数据训练集、测试集与验证集；模型构建以空洞卷积为基础构建多尺度卷积神经网络；模型训练采用训练参数对模型进行迭代训练；模型评价采用准确率与召回率对模型识别效果进行评估。本发明将空洞卷积思想融入Inception多尺度卷积网络中，并对网络进行改进，实现对数据进行更好地分析，达到优秀的识别效果。
Description
技术领域
本发明属于病理图像识别技术领域，更具体而言，涉及一种基于多尺度空洞卷积的乳腺癌检测方法。
背景技术
乳腺癌的病理特征在早期较为微弱，容易漏检，延误最佳治疗时机，现有的监测依赖医师进行人工识别，效率低下，并且对医师专业水平要求极高，无法完成高效快速的检测。而现有的智能识别算法依赖人工选择特征的一些机器学习算法，此类算法容易受到人为主观因素影响，对病理的判断会有一定消极影响。
因此，有必要对现有技术进行改进。
发明内容
为了克服现有技术中存在的不足，提供一种识别效率高的基于多尺度空洞卷积的乳腺癌检测方法。
为了解决上述技术问题，本发明采用的技术方案为：
一种基于多尺度空洞卷积的乳腺癌检测方法，包括下列步骤：
S100、数据收集：采集各期乳腺癌病理X光图片并标注对应标签；
S200、数据预处理：对数据进行缩放，增强以及归一化处理；
S300、数据集构建：混合数据并随机打乱，构建标准化深度学习数据集；
S400、数据集划分：构建数据训练集、测试集与验证集；
S500、模型构建：构建以空洞卷积为基础的多尺度卷积神经网络，网络由CNN层、多尺度空洞卷积层、全连接层构成；
S600、模型训练：采用训练参数对模型进行迭代训练；
S700、模型评价：采用准确率与召回率对模型识别效果进行评估。
进一步的，所述S100数据收集中，收集各期乳腺癌患者相关X光病理图像数据与无患病者乳腺X光图像数据，由专业医师分别诊断，保证数据标签的正确性。
进一步的，所述S200数据预处理中，将所有数据图像进行缩放，缩放后每张图像的大小为800*800px；使用数据增强的方式对数据集进行扩增，数据增强方式为数据旋转，对病理图像分别进行90度，180度，270度旋转，并保留数据标签；对所有数据除以255以进行归一化，公式为：
x′＝x/255，
x为处理前像素点的像素值，x′为归一化后该像素点的像素值。
进一步的，所述S300数据集构建中，将收集到的乳腺癌图像数据、未患病图像数据与扩增所得图像数据混合并随机打乱，完成标准化数据集构建。
进一步的，所述S400数据集划分中，以7：1：2的比例将数据集划分为训练集、验证集与测试集。
进一步的，所述S500模型构建中，以空洞卷积机制为基础，构建多尺度卷积神经网络，多尺度卷积神经网络分为3部分，第一部分为普通CNN层，对数据进行较为粗略的特征提取，筛选重要特征，过滤无用特征；第二层为多尺度空洞卷积层，采用多尺度的空洞卷积，对数据特征进行进一步的不同感受野的提取，对数据特征进行更加深入全面的分析；第三层为全连接分类层，对提取到的特征进行最终分类，得到分类结果。
进一步的，所述普通CNN层由3层CNN网络构成，每层包含卷积层、池化层与BN层，3层CNN网络最后进行一次批量归一化，使得非线性变换函数的输入值落入对输入比较敏感的区域，避免梯度消失，该部分的卷积核大小为5*5，步长为2，采用valid方式进行卷积，池化层采用大小为2*2的最大值池化，步长为1，采用ReLU作为激活函数对数据特征进行非线性处理，帮助网络更好地进行特征拟合，ReLU公式为：
f(x)＝max(0,x)，
其中x为输入的特征值，f(x)为经过ReLU激活后的特征值；
所述多尺度空洞卷积层采用5个不同尺度的卷积核，其中3个进行空洞卷积，2个进行普通卷积，3个空洞卷积的卷积核大小分别为5*5、5*5、3*3，空洞间隔分别为2、1、1，2个普通卷积的卷积核大小分别为3*3与1*1，卷积步长全部为1，采用same方式进行卷积，将5个卷积获得的特征进行concate，得到高维度多尺度特征；
所述全连接层将前两层模型提取得到的特征进行全连接分类，使用softmax将结果输出，得到对数据的分类结果。
进一步的，所述S600模型训练中，网络搭建完毕后使用训练集数据对网络参数进行训练，采用Adam作为优化器，初始学习率为0.01，每100个epoch学习率衰减80％，batchsize大小为32，损失函数使用softmax_cross_entropy，设定训练500个epoch，连续20个epoch模型损失值无下降则停止训练，保存模型，使用验证集数据对训练的到的数据模型进行200个epoch的二次训练，若模型损失无下降，保存模型，若模型损失降低，使用训练集数据继续对模型进行训练，直到模型损失稳定。
进一步的，还包括：S700、模型评价：采用准确率与召回率对模型识别效果进行评估，使用训练完成的模型对测试集数据进行测试，根据模型识别结果与数据标签，对模型识别效果进行评估，评估方式为对每一个类别的数据进行准确率与召回率的计算，公式如下：
准确率：Acc＝(TP+TN)/(TP+TN+FN+FP)；
召回率：R＝TP/(TP+FN)；
其中TP为正类判定为正类数量，FP为负类判定为正类数量，FN为正类判定为负类数量，TN为负类判定为负类数量。
本发明与现有技术相比所具有的有益效果为：
本发明将空洞卷积思想融入Inception多尺度卷积网络中，并对网络进行改进，先使用CNN层对数据特征进行初步提取，减少网络计算量，网络以不同大小的感受野对数据特征进行全方位的特征提取，得到数据的隐藏特征，对数据进行更好地分析，达到优秀的识别效果。
附图说明
下面将通过附图对本发明的具体实施方式做进一步的详细说明。
图1本发明的主要步骤流程图；
图2本发明的网络模型构架图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例：
如图1所示，一种基于多尺度空洞卷积的乳腺癌检测方法，包括下列步骤：
S100、数据收集：采集各期乳腺癌病理X光图片并标注对应标签。
收集各期乳腺癌患者相关X光病理图像数据与无患病者乳腺X光图像数据，由专业医师分别诊断，保证数据标签的正确性，共收集Ⅰ期患者图像500张，Ⅱ期患者图像400张，Ⅲ期患者图像300张，Ⅳ期患者图像300张，无患病图像500张，收集到的数据包括乳腺癌病症图像与正常图像共计2000张。
S200、数据预处理：对数据进行缩放，增强以及归一化处理。
由于数据量有限，深度学习模型可能会出现欠拟合情况，无法达到最佳的识别效果，充分发挥网络性能，因此将所有数据图像缩放，每张图像的大小缩放为800*800px；再使用数据增强的方式对数据集进行扩增，数据增强方式为数据旋转，方式为对病理图像分别进行90度，180度，270度旋转，并保留数据标签；对所有数据除以255以进行归一化，公式为x′＝x/255，x即处理前像素点的像素值，x′为归一化后该像素点的像素值。
S300、数据集构建：混合数据并随机打乱，构建标准化深度学习数据集。
将收集到的乳腺癌图像数据、未患病数据与扩增所得图像数据混合并随机打乱，完成标准化数据集构建，训练集用于模型进行参数迭代训练，构建乳腺癌识别参数模型，验证集用于检验模型训练是否完成，测试集用于模型效果的评价。
S400、数据集划分：以7：1：2的比例将数据集划分为训练集、验证集与测试集。
S500、模型构建：以空洞卷积机制为基础，构建多尺度卷积神经网络，对特征进行更加全面细致的提取，以达到更好的识别效果。
多尺度卷积神经网络共分为3部分，第一部分为普通CNN层，对数据进行较为粗略的特征提取，筛选重要特征，过滤无用特征，由3层CNN网络构成，每层包含卷积层、池化层与BN层，3层CNN网络的最后进行一次批量归一化，使得非线性变换函数的输入值落入对输入比较敏感的区域，避免梯度消失，该部分的卷积核大小为5*5，步长为2，采用valid方式进行卷积，池化层采用大小为2*2的最大值池化，步长为1，采用ReLU作为激活函数对数据特征进行非线性处理，帮助网络更好地进行特征拟合，ReLU公式为f(x)＝max(0,x)，其中x为输入的特征值，f(x)为经过ReLU激活后的特征值；
第二层为多尺度空洞卷积层，采用多尺度的空洞卷积，对数据特征进行进一步的不同感受野的提取，对数据特征进行更加深入全面的分析；
空洞卷积是一种在相同卷积核尺度下获取更大感受野的卷积方式，采用间隔的方式对数据特征进行卷积运算，若卷积核大小为2，空洞间隔为1，则其每次卷积可对感受野为3的特征进行运算，及卷积核运算时在两个特征之间保留了尺度为1的间隔，多尺度卷积即采用多个不同大小的卷积核，获得相同大小的feature map，之后将这些feature map进行组合，这样得到的特征包含不同尺度卷积核下所获取的不同特征，可以对数据特征进行更深更全面的提取，采用5个不同尺度的卷积核，其中3个进行空洞卷积，2个进行普通卷积。3个空洞卷积的卷积核大小分别为5*5、5*5、3*3，空洞间隔分别为2、1、1，2个普通卷积的卷积核大小分别为3*3与1*1.卷积步长全部为1，采用same方式进行卷积，将5个卷积获得的特征进行concate，得到高维度多尺度特征；
第三层为全连接分类层，将前两层模型提取得到的特征进行全连接分类，使用softmax将结果输出，得到对数据的分类结果。
S600、模型训练：采用训练参数对模型进行迭代训练；
网络搭建完毕后使用训练集数据对网络参数进行训练，采用Adam作为优化器，初始学习率为0.01，每100个epoch学习率衰减80％，batch size大小为32，损失函数使用softmax_cross_entropy，设定训练500个epoch，连续20个epoch模型损失值无下降则停止训练，保存模型，使用验证集数据对训练的到的数据模型进行200个epoch的二次训练，若模型损失无下降，保存模型，若模型损失降低，使用训练集数据继续对模型进行训练，直到模型损失稳定。
S700、模型评价：采用准确率与召回率对模型识别效果进行评估。
使用训练完成的模型对测试集数据进行测试，根据模型识别结果与数据标签，对模型识别效果进行评估，评估方式为对每一个类别的数据进行准确率与召回率的计算，公式如下：
准确率：Acc＝(TP+TN)/(TP+TN+FN+FP)，
召回率：R＝TP/(TP+FN)。
其中TP为正类判定为正类数量，FP为负类判定为正类数量，FN为正类判定为负类数量，TN为负类判定为负类数量。
上面仅对本发明的较佳实施例作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化，各种变化均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于多尺度空洞卷积的乳腺癌检测方法，其特征在于：包括下列步骤：
S100、数据收集：采集各期乳腺癌病理X光图片并标注对应标签；
S200、数据预处理：对数据进行缩放，增强以及归一化处理；
S300、数据集构建：混合数据并随机打乱，构建标准化深度学习数据集；
S400、数据集划分：构建数据训练集、测试集与验证集；
S500、模型构建：构建以空洞卷积为基础的多尺度卷积神经网络，网络由CNN层、多尺度空洞卷积层、全连接层构成；
S600、模型训练：采用训练参数对模型进行迭代训练。
2.根据权利要求1所述的一种基于多尺度空洞卷积的乳腺癌检测方法，其特征在于：所述S100数据收集中，收集各期乳腺癌患者相关X光病理图像数据与无患病者乳腺X光图像数据，由专业医师分别诊断，保证数据标签的正确性。
3.根据权利要求1所述的一种基于多尺度空洞卷积的乳腺癌检测方法，其特征在于：所述S200数据预处理中，将所有数据图像进行缩放，缩放后每张图像的大小为800*800px；使用数据增强的方式对数据集进行扩增，数据增强方式为数据旋转，对病理图像分别进行90度，180度，270度旋转，并保留数据标签；对所有数据除以255以进行归一化，公式为：
x′＝x/255，
x为处理前像素点的像素值，x′为归一化后该像素点的像素值。
4.根据权利要求1所述的一种基于多尺度空洞卷积的乳腺癌检测方法，其特征在于：所述S300数据集构建中，将收集到的乳腺癌图像数据、未患病图像数据与扩增所得图像数据混合并随机打乱，完成标准化数据集构建。
5.根据权利要求1所述的一种基于多尺度空洞卷积的乳腺癌检测方法，其特征在于：所述S400数据集划分中，以7：1：2的比例将数据集划分为训练集、验证集与测试集。
6.根据权利要求1所述的一种基于多尺度空洞卷积的乳腺癌检测方法，其特征在于：所述S500模型构建中，以空洞卷积机制为基础，构建多尺度卷积神经网络，多尺度卷积神经网络分为3部分，第一部分为普通CNN层，对数据进行较为粗略的特征提取，筛选重要特征，过滤无用特征；第二层为多尺度空洞卷积层，采用多尺度的空洞卷积，对数据特征进行进一步的不同感受野的提取，对数据特征进行更加深入全面的分析；第三层为全连接分类层，对提取到的特征进行最终分类，得到分类结果。
7.根据权利要求6所述的一种基于多尺度空洞卷积的乳腺癌检测方法，其特征在于：所述普通CNN层由3层CNN网络构成，每层包含卷积层、池化层与BN层，3层CNN网络最后进行一次批量归一化，使得非线性变换函数的输入值落入对输入比较敏感的区域，避免梯度消失，该部分的卷积核大小为5*5，步长为2，采用valid方式进行卷积，池化层采用大小为2*2的最大值池化，步长为1，采用ReLU作为激活函数对数据特征进行非线性处理，帮助网络更好地进行特征拟合，ReLU公式为：
f(x)＝max(0,x)，
其中x为输入的特征值，f(x)为经过ReLU激活后的特征值；
所述多尺度空洞卷积层采用5个不同尺度的卷积核，其中3个进行空洞卷积，2个进行普通卷积，3个空洞卷积的卷积核大小分别为5*5、5*5、3*3，空洞间隔分别为2、1、1，2个普通卷积的卷积核大小分别为3*3与1*1，卷积步长全部为1，采用same方式进行卷积，将5个卷积获得的特征进行concate，得到高维度多尺度特征；
所述全连接层将前两层模型提取得到的特征进行全连接分类，使用softmax将结果输出，得到对数据的分类结果。
8.根据权利要求1所述的一种基于多尺度空洞卷积的乳腺癌检测方法，其特征在于：所述S600模型训练中，网络搭建完毕后使用训练集数据对网络参数进行训练，采用Adam作为优化器，初始学习率为0.01，每100个epoch学习率衰减80％，batch size大小为32，损失函数使用softmax_cross_entropy，设定训练500个epoch，连续20个epoch模型损失值无下降则停止训练，保存模型，使用验证集数据对训练的到的数据模型进行200个epoch的二次训练，若模型损失无下降，保存模型，若模型损失降低，使用训练集数据继续对模型进行训练，直到模型损失稳定。
9.根据权利要求1所述的一种基于多尺度空洞卷积的乳腺癌检测方法，其特征在于：还包括：S700、模型评价：采用准确率与召回率对模型识别效果进行评估，使用训练完成的模型对测试集数据进行测试，根据模型识别结果与数据标签，对模型识别效果进行评估，评估方式为对每一个类别的数据进行准确率与召回率的计算，计算公式为：
准确率：Acc＝(TP+TN)/(TP+TN+FN+FP)；
召回率：R＝TP/(TP+FN)；
其中TP为正类判定为正类数量，FP为负类判定为正类数量，FN为正类判定为负类数量，TN为负类判定为负类数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110301564.9A CN112950614B (zh) | 2021-03-22 | 2021-03-22 | 一种基于多尺度空洞卷积的乳腺癌病理图片分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110301564.9A CN112950614B (zh) | 2021-03-22 | 2021-03-22 | 一种基于多尺度空洞卷积的乳腺癌病理图片分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112950614A true CN112950614A (zh) | 2021-06-11 |
| CN112950614B CN112950614B (zh) | 2023-01-10 |
Family
ID=76227541
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110301564.9A Active CN112950614B (zh) | 2021-03-22 | 2021-03-22 | 一种基于多尺度空洞卷积的乳腺癌病理图片分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112950614B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113962930A (zh) * | 2021-09-07 | 2022-01-21 | 北京邮电大学 | 阿尔茨海默病风险评估模型建立方法和电子设备 |
| CN113988223A (zh) * | 2021-11-29 | 2022-01-28 | 平安科技（深圳）有限公司 | 证件图像识别方法、装置、计算机设备及存储介质 |
| CN113989498A (zh) * | 2021-12-27 | 2022-01-28 | 北京文安智能技术股份有限公司 | 一种用于多类别垃圾场景识别的目标检测模型的训练方法 |
| CN114283153A (zh) * | 2021-11-15 | 2022-04-05 | 天津大学 | 基于神经网络的肺部病理切片癌细胞分割算法 |
| CN114494891A (zh) * | 2022-04-15 | 2022-05-13 | 中国科学院微电子研究所 | 一种基于多尺度并行检测的危险品识别装置和方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180000461A1 (en) * | 2016-06-29 | 2018-01-04 | Niramai Health Analytix Pvt. Ltd. | Thermography-based breast cancer screening using a measure of symmetry |
| CN108765408A (zh) * | 2018-05-31 | 2018-11-06 | 杭州同绘科技有限公司 | 构建癌症病理图像虚拟病例库的方法以及基于卷积神经网络的多尺度癌症检测系统 |
| CN109637633A (zh) * | 2018-11-17 | 2019-04-16 | 广州航海学院 | 一种基于大数据与机器学习的诊断乳腺癌病情的方法 |
| CN109740626A (zh) * | 2018-11-23 | 2019-05-10 | 杭州电子科技大学 | 基于深度学习的乳腺癌病理切片中癌症区域的检测方法 |
| CN110674866A (zh) * | 2019-09-23 | 2020-01-10 | 兰州理工大学 | 迁移学习特征金字塔网络对X-ray乳腺病灶图像检测方法 |
| CN111062909A (zh) * | 2019-11-08 | 2020-04-24 | 哈尔滨工业大学（深圳） | 乳腺肿块良恶性判断方法及设备 |
| KR20200129616A (ko) * | 2019-05-09 | 2020-11-18 | 연세대학교 산학협력단 | 혼합 콘볼루션 신경망을 이용하여 디지털 유방 단층촬영합성 영상을 보정하는 방법 및 장치 |
-
2021
- 2021-03-22 CN CN202110301564.9A patent/CN112950614B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180000461A1 (en) * | 2016-06-29 | 2018-01-04 | Niramai Health Analytix Pvt. Ltd. | Thermography-based breast cancer screening using a measure of symmetry |
| CN108765408A (zh) * | 2018-05-31 | 2018-11-06 | 杭州同绘科技有限公司 | 构建癌症病理图像虚拟病例库的方法以及基于卷积神经网络的多尺度癌症检测系统 |
| CN109637633A (zh) * | 2018-11-17 | 2019-04-16 | 广州航海学院 | 一种基于大数据与机器学习的诊断乳腺癌病情的方法 |
| CN109740626A (zh) * | 2018-11-23 | 2019-05-10 | 杭州电子科技大学 | 基于深度学习的乳腺癌病理切片中癌症区域的检测方法 |
| KR20200129616A (ko) * | 2019-05-09 | 2020-11-18 | 연세대학교 산학협력단 | 혼합 콘볼루션 신경망을 이용하여 디지털 유방 단층촬영합성 영상을 보정하는 방법 및 장치 |
| CN110674866A (zh) * | 2019-09-23 | 2020-01-10 | 兰州理工大学 | 迁移学习特征金字塔网络对X-ray乳腺病灶图像检测方法 |
| CN111062909A (zh) * | 2019-11-08 | 2020-04-24 | 哈尔滨工业大学（深圳） | 乳腺肿块良恶性判断方法及设备 |
Non-Patent Citations (2)
| Title |
|---|
| KADAM, V. J 等: "Breast cancer diagnosis using feature ensemble learning based on stacked sparse autoencoders and softmax regression", 《JOURNAL OF MEDICAL SYSTEMS》 * |
| 何雪英 等: "基于深度学习的乳腺癌病理图像自动分类", 《计算机工程与应用》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113962930A (zh) * | 2021-09-07 | 2022-01-21 | 北京邮电大学 | 阿尔茨海默病风险评估模型建立方法和电子设备 |
| CN113962930B (zh) * | 2021-09-07 | 2022-09-09 | 北京邮电大学 | 阿尔茨海默病风险评估模型建立方法和电子设备 |
| CN114283153A (zh) * | 2021-11-15 | 2022-04-05 | 天津大学 | 基于神经网络的肺部病理切片癌细胞分割算法 |
| CN113988223A (zh) * | 2021-11-29 | 2022-01-28 | 平安科技（深圳）有限公司 | 证件图像识别方法、装置、计算机设备及存储介质 |
| CN113988223B (zh) * | 2021-11-29 | 2024-05-10 | 平安科技（深圳）有限公司 | 证件图像识别方法、装置、计算机设备及存储介质 |
| CN113989498A (zh) * | 2021-12-27 | 2022-01-28 | 北京文安智能技术股份有限公司 | 一种用于多类别垃圾场景识别的目标检测模型的训练方法 |
| CN114494891A (zh) * | 2022-04-15 | 2022-05-13 | 中国科学院微电子研究所 | 一种基于多尺度并行检测的危险品识别装置和方法 |
| CN114494891B (zh) * | 2022-04-15 | 2022-07-22 | 中国科学院微电子研究所 | 一种基于多尺度并行检测的危险品识别装置和方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112950614B (zh) | 2023-01-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112950614B (zh) | 一种基于多尺度空洞卷积的乳腺癌病理图片分类方法 | |
| CN108389201B (zh) | 基于3d卷积神经网络与深度学习的肺结节良恶性分类方法 | |
| CN113257413B (zh) | 基于深度学习的癌症预后生存预测方法、设备及存储介质 | |
| CN108573490B (zh) | 一种针对肿瘤影像数据的智能读片系统 | |
| CN113011485A (zh) | 多模态多病种长尾分布眼科疾病分类模型训练方法和装置 | |
| US20220198661A1 (en) | Artificial intelligence based medical image automatic diagnosis system and method | |
| CN107368671A (zh) | 基于大数据深度学习的良性胃炎病理诊断支持系统和方法 | |
| CN112101451A (zh) | 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 | |
| CN112784856A (zh) | 胸部x射线图像的通道注意力特征提取方法和识别方法 | |
| CN110910377B (zh) | 一种基于神经网络的脑梗死mri图像识别方法 | |
| CN114693961B (zh) | 眼底照片分类方法、眼底图像处理方法和系统 | |
| CN111784704B (zh) | Mri髋关节炎症分割与分类自动定量分级序贯方法 | |
| CN113610859B (zh) | 一种基于超声图像的甲状腺结节自动分割方法 | |
| CN113284136A (zh) | 一种双损失函数训练的残差网络和XGBoost的医学图像分类方法 | |
| CN115410046A (zh) | 基于深度学习的皮肤病舌象分类模型、建立方法及应用 | |
| CN113269799A (zh) | 一种基于深度学习的宫颈细胞分割方法 | |
| CN112598086A (zh) | 基于深度神经网络的常见结肠部疾病分类方法及辅助系统 | |
| Nagadeepa et al. | Artificial Intelligence based Cervical Cancer Risk Prediction Using M1 Algorithms | |
| CN112784924A (zh) | 基于分组聚合深度学习模型的肋骨骨折ct图像分类方法 | |
| Miao et al. | Classification of diabetic retinopathy based on multiscale hybrid attention mechanism and residual algorithm | |
| CN117352164A (zh) | 基于人工智能的多模态肿瘤检测诊断平台及其处理方法 | |
| CN112017772A (zh) | 一种基于妇女白带的疾病认知模型构建方法及系统 | |
| CN114418999B (zh) | 基于病变关注金字塔卷积神经网络的视网膜病变检测系统 | |
| CN112562851B (zh) | 一种口腔癌颈部淋巴转移诊断算法的构建方法及系统 | |
| Sari et al. | Best performance comparative analysis of architecture deep learning on ct images for lung nodules classification |
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 |