CN117173485A - 一种肺癌组织病理图像的智能分类系统方法及系统 - Google Patents
一种肺癌组织病理图像的智能分类系统方法及系统 Download PDFInfo
- Publication number
- CN117173485A CN117173485A CN202311202266.XA CN202311202266A CN117173485A CN 117173485 A CN117173485 A CN 117173485A CN 202311202266 A CN202311202266 A CN 202311202266A CN 117173485 A CN117173485 A CN 117173485A
- Authority
- CN
- China
- Prior art keywords
- classifier
- lung cancer
- sample data
- images
- 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
- 208000020816 lung neoplasm Diseases 0.000 title claims abstract description 95
- 206010058467 Lung neoplasm malignant Diseases 0.000 title claims abstract description 93
- 201000005202 lung cancer Diseases 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000001575 pathological effect Effects 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 55
- 230000007170 pathology Effects 0.000 claims abstract description 33
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000010191 image analysis Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000003066 decision tree Methods 0.000 claims abstract description 10
- 238000012706 support-vector machine Methods 0.000 claims abstract description 10
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 8
- 238000012795 verification Methods 0.000 claims description 25
- 238000001514 detection method Methods 0.000 claims description 24
- 230000009467 reduction Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 abstract description 8
- 238000003745 diagnosis Methods 0.000 description 6
- 230000002708 enhancing effect Effects 0.000 description 6
- 238000001914 filtration Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 6
- 238000009499 grossing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 210000004881 tumor cell Anatomy 0.000 description 3
- 206010041067 Small cell lung cancer Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 208000002154 non-small cell lung carcinoma Diseases 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 208000000587 small cell lung carcinoma Diseases 0.000 description 2
- 208000029729 tumor suppressor gene on chromosome 11 Diseases 0.000 description 2
- 206010007270 Carcinoid syndrome Diseases 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 208000009956 adenocarcinoma Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000002124 endocrine Effects 0.000 description 1
- 208000003849 large cell carcinoma Diseases 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 210000004882 non-tumor cell Anatomy 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 206010041823 squamous cell carcinoma Diseases 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请提供一种肺癌组织病理图像的智能分类方法，包括：对肺癌组织病理图像进行预处理；对预处理后的肺癌组织病理图像进行特征提取，根据所述特征将所述肺癌组织病理图像进行分组，形成多个样本数据集；根据提取的特征所形成的多个样本数据集，确定每个样本对应的分类器，包括：支持向量机、决策树、卷积神经网或者循环神经网络；利用标注好的所述多个样本数据集对所述分类器一一对应的进行训练；将训练好的多个模型集成到肺癌组织病理图像分析系统中，进行肺癌组织病理图像的智能分类。本申请基于图像特征对分类器进行选择，基于不同分类器的各自优点对图像进行处理，并在此基础上进行肺癌组织病理图像分类，提高了分类的准确性。
Description
技术领域
本申请涉及图像处理领域，尤其涉及一种肺癌组织病理图像的智能分类系统方法及系统。
背景技术
目前，针对肺癌组织病理图像进行分类是肺癌诊断治疗的趋势。肺癌有多种类型，例如小细胞肺癌(SCLC)，约占肺癌的30％，这种类型的肺癌细胞倍增时间短，进展快，常伴内分泌异常或类癌综合征。还有非小细胞肺癌(NSCLC)，约80％的肺癌患者属于这种类型，其包括鳞癌、腺癌、大细胞癌等。
对于各种各样的肺癌，以及通过不同方式获取的图像进行肺癌的分类，例如CT、核磁共振等，其特征表现形式和特点并不一致，单一的图像识别分类容易出现肺癌分类错误的情况。
发明内容
本申请的目的在于克服现有技术中存在的问题，提供一种肺癌组织病理图像的智能分类系统方法及系统。
本申请提供一种肺癌组织病理图像的智能分类方法，包括：
对肺癌组织病理图像进行预处理，包括图像增强、降噪、对比度调整；
利用卷积神经网络，对预处理后的肺癌组织病理图像进行特征提取，根据所述特征将所述肺癌组织病理图像进行分组，形成多个样本数据集；
根据提取的特征所形成的多个样本数据集，确定每个样本对应的分类器，包括：支持向量机、决策树、卷积神经网或者循环神经网络；
利用标注好的所述多个样本数据集对所述分类器一一对应的进行训练；
将训练好的多个模型集成到肺癌组织病理图像分析系统中，进行肺癌组织病理图像的智能分类。
所述利用标注好的所述多个样本数据集对所述分类器一一对应的进行训练，包括：
将标注好的样本数据集分成训练集和验证集，其中训练集用于训练分类器，验证集用于评估分类器的性能；
将每个样本数据集分别输入到每个所述分类器进行第一次训练，并获取验证结果；
根据每个分类器对应的多个样本数据集第一次训练的最优验证结果，选择所述样本数据集和所述分类器对应关系；
根据所述验证关系，将对应的样本数据集输入到所述分类器中进行训练。
将训练好的多个模型集成到肺癌组织病理图像分析系统中，进行肺癌组织病理图像的智能分类，包括：
输入患者的检测图像；
根据所述检测图像的特征类型选择分类器；
将所述检测图像输入到所述分类器中进行检测；
根据所述检测结果进行分类。
所述根据所述检测图像的特征类型选择分类器，包括：
根据所述检测图像的特征类型选择多个所述分类器，并进行人工选择所述分类器。
所述根据提取的特征所形成的多个样本数据集，确定每个样本对应的分类器，包括：
根据F1分数确定所述每个样本数据集和所述分类器的一一对应关系，公式如下：
精确率＝(真阳性)/(真阳性+假阳性)
召回率＝(真阳性)/(真阳性+假阴性)
F1分数＝2*(精确率*召回率)/(精确率+召回率)
其中，真阳性是指分类器正确预测为正类的样本数量，假阳性是指分类器错误预测为正类的样本数量，假阴性是指分类器错误预测为负类的样本数量。
本申请还提供一种肺癌组织病理图像的智能分类系统，包括：
预处理模块，用于对肺癌组织病理图像进行预处理，包括图像增强、降噪、对比度调整；
分组模块，用于利用卷积神经网络，对预处理后的肺癌组织病理图像进行特征提取，根据所述特征将所述肺癌组织病理图像进行分组，形成多个样本数据集；
划分模块，用于根据提取的特征所形成的多个样本数据集，确定每个样本对应的分类器，包括：支持向量机、决策树、卷积神经网或者循环神经网络；
训练模块，用于利用标注好的所述多个样本数据集对所述分类器一一对应的进行训练；
分类模块，用于将训练好的多个模型集成到肺癌组织病理图像分析系统中，进行肺癌组织病理图像的智能分类。
所述训练模块利用标注好的所述多个样本数据集对所述分类器一一对应的进行训练，包括：
将标注好的样本数据集分成训练集和验证集，其中训练集用于训练分类器，验证集用于评估分类器的性能；
将每个样本数据集分别输入到每个所述分类器进行第一次训练，并获取验证结果；
根据每个分类器对应的多个样本数据集第一次训练的最优验证结果，选择所述样本数据集和所述分类器对应关系；
根据所述验证关系，将对应的样本数据集输入到所述分类器中进行训练。
所述分类模块将训练好的多个模型集成到肺癌组织病理图像分析系统中，进行肺癌组织病理图像的智能分类，包括：
输入患者的检测图像；
根据所述检测图像的特征类型选择分类器；
将所述检测图像输入到所述分类器中进行检测；
根据所述检测结果进行分类。
所述分类模块根据所述检测图像的特征类型选择分类器，包括：
根据所述检测图像的特征类型选择多个所述分类器，并进行人工选择所述分类器。
所述分类模块根据提取的特征所形成的多个样本数据集，确定每个样本对应的分类器，包括：
根据F1分数确定所述每个样本数据集和所述分类器的一一对应关系，公式如下：
精确率＝(真阳性)/(真阳性+假阳性)
召回率＝(真阳性)/(真阳性+假阴性)
F1分数＝2*(精确率*召回率)/(精确率+召回率)
其中，真阳性是指分类器正确预测为正类的样本数量，假阳性是指分类器错误预测为正类的样本数量，假阴性是指分类器错误预测为负类的样本数量。
本申请的优点和有益效果：
发明点1：多种分类器结合。
发明点2：基于图像特征选择分类器。
发明点3：多种分类器分别训练。
本申请提供一种肺癌组织病理图像的智能分类方法，包括：对肺癌组织病理图像进行预处理，包括图像增强、降噪、对比度调整；利用卷积神经网络，对预处理后的肺癌组织病理图像进行特征提取，根据所述特征将所述肺癌组织病理图像进行分组，形成多个样本数据集；根据提取的特征所形成的多个样本数据集，确定每个样本对应的分类器，包括：支持向量机、决策树、卷积神经网或者循环神经网络；利用标注好的所述多个样本数据集对所述分类器一一对应的进行训练；将训练好的多个模型集成到肺癌组织病理图像分析系统中，进行肺癌组织病理图像的智能分类。本申请基于图像特征对分类器进行选择，基于不同分类器的各自优点对图像进行处理，并在此基础上进行肺癌组织病理图像分类，提高了分类的准确性。
附图说明
图1是本申请中肺癌组织病理图像的智能分类示意图。
图2是本申请中肺癌病理图像分类示意图。
图3是本申请中肺癌组织病理图像的智能分类装置示意图。
具体实施方式
下面结合附图和具体实施例对本申请作进一步说明，以使本领域的技术人员可以更好地理解本申请并能予以实施。
以下内容均是为了详细说明本申请要保护的技术方案所提供的具体实施过程的示例，但是本申请还可以采用不同于此的描述的其他方式实施，本领域技术人员可以在本申请构思的指引下，采用不同的技术手段实现本申请，因此本申请不受下面具体实施例的限制。
如图1所示的肺癌组织病理图像的智能分类步骤，包括：
S101对肺癌组织病理图像进行预处理，包括图像增强、降噪、对比度调整；
在实际诊断过程中，病理图像可能会存在质量差、分辨率低、噪声干扰等问题。因此，对肺癌组织病理图像进行预处理就显得尤为重要。
预处理是对原始数据进行一系列的处理，以便更好地满足后续分析和应用的需求。对肺癌组织病理图像进行预处理的目的是提高图像的质量和可分析性。本申请中所述的预处理包括图像增强、降噪、对比度调整等步骤，下面将对每个步骤进行详细的介绍。
图像增强：
图像增强是通过一定的算法和技术手段，对图像的对比度、亮度、色彩等进行调整，以提高图像的清晰度和可读性。对于肺癌组织病理图像，增强后的图像可以更好地显示出肿瘤细胞的形态和结构，从而有助于医生进行准确的诊断。常用的图像增强方法包括直方图均衡化、对比度拉伸、锐化等。
直方图均衡化是一种通过调整像素强度分布来增强图像对比度的方法。它将像素强度分布均匀化，从而使图像的对比度得到提高。直方图均衡化可以增强图像的细节和边缘信息，提高图像的清晰度。
对比度拉伸是一种通过拉伸像素强度范围来增强图像对比度的方法。它可以将像素强度范围拉伸到整个可用范围，从而提高图像的对比度和清晰度。对比度拉伸可以突出图像中的弱信号部分，从而提高医生的诊断准确性。
锐化是一种通过增强图像边缘和细节的方法。它可以通过提高图像中高频分量来增强图像的清晰度和对比度。锐化后的图像可以更好地显示出肿瘤细胞的形态和结构，从而提高医生的诊断准确性。
降噪：
降噪是为了去除图像中的噪声，从而提高图像的质量和清晰度。对于肺癌组织病理图像，噪声可能会干扰医生的准确诊断。常用的降噪方法包括平滑滤波、锐化滤波、小波变换等。
平滑滤波是一种通过将图像中每个像素点的值替换为其邻域中像素点的平均值或加权平均值来消除噪声的方法。常用的平滑滤波器包括均值滤波器、高斯滤波器等。平滑滤波可以有效地去除图像中的随机噪声和干扰，从而提高图像的质量和清晰度。
锐化滤波是一种通过增强图像边缘和细节的方法来去除噪声。它可以通过提高图像中高频分量来消除噪声，同时增强图像的边缘和细节。锐化滤波可以提高图像的清晰度和对比度，从而更好地反映出病理特征。
小波变换是一种将图像分解成多个子频带的方法，它可以有效地去除噪声并保留图像的重要信息。小波变换可以将图像分解成不同的频带，并对每个频带进行独立的降噪处理。这种方法可以更好地保留图像中的边缘和细节信息，从而提高图像的质量和清晰度。
对比度调整：
对比度调整是通过调整像素强度的相对大小来改变图像的对比度和亮度。对于肺癌组织病理图像，对比度调整可以帮助医生更好地识别出肿瘤细胞和非肿瘤细胞。常用的对比度调整方法包括线性拉伸、非线性拉伸等。
线性拉伸是一种将像素强度范围拉伸到整个可用范围的方法，从而提高图像的对比度和清晰度。线性拉伸可以简单地通过对所有像素点的强度进行线性变换来实现，但可能会损失一些高对比度的细节信息。
非线性拉伸是一种通过非线性变换来调整像素强度分布的方法，它可以更好地保留高对比度的细节信息。非线性拉伸可以通过对像素强度分布进行非线性变换来实现，例如对数变换、幂律变换等。这种方法可以更好地突出图像中的弱信号部分。
对肺癌组织病理图像进行预处理是提高诊断准确性和治疗效果的关键步骤。通过对图像进行增强、降噪和对比度调整，可以去除干扰和模糊，突出图像的特征。本领域技术人员可以根据实际需要选择不同的预处理方法。
S102利用卷积神经网络，对预处理后的肺癌组织病理图像进行特征提取，根据所述特征将所述肺癌组织病理图像进行分组，形成多个样本数据集；
卷积神经网络(Convolutional NeuralNetwork，CNN)是一种深度学习算法，广泛应用于图像识别和分类任务。在肺癌组织病理图像分析中，卷积神经网络(ConvolutionalNeuralNetwork，CNN)可以用于提取图像特征，并根据特征将图像分组，形成多个样本数据集。以下是对该过程的具体描述：
构建一个卷积神经网络模型。该模型通常包括多个卷积层、池化层和全连接层。卷积层通过卷积操作对图像进行特征提取，池化层对提取的特征进行降维，全连接层则用于将特征与标签进行匹配。
利用构建好的卷积神经网络模型对预处理后的肺癌组织病理图像进行特征提取。在卷积层中，每个卷积核会对输入图像进行卷积操作，提取出不同的特征。这些特征包括但不限于纹理、形状、颜色等。
通过多个卷积层的组合，可以逐步提取出更加抽象和复杂的特征。
根据提取的特征，将肺癌组织病理图像进行分组，形成多个样本数据集。这个过程可以通过聚类算法实现，例如K-means聚类算法。
在K-means聚类算法中，首先随机选择K个中心点，然后根据每个图像的特征与中心点的相似度将其分配到相应的组中。这个过程不断迭代，直到中心点的位置收敛为止。
S103根据提取的特征所形成的多个样本数据集，确定每个样本对应的分类器，包括：支持向量机、决策树、卷积神经网或者循环神经网络；
在机器学习中，分类器是一种用于分类任务的模型。根据提取的特征所形成的多个样本数据集，可以选择适合的分类器来确定每个样本的分类。以下是对几种常见的分类器的介绍：
支持向量机(SVM)：线性可分或近似线性可分的情况。数据集中的样本分布在一个超平面两侧。特征空间中的点聚集在超平面的不同侧面，形成明显的边界。
决策树(DecisionTree)：数据集中的样本具有清晰的决策规则。特征空间中的点可以被简单的规则划分成不同的类别。特征的取值范围不是离散的，而是在一定范围内连续变化。
卷积神经网络(CNN)：特征是图像数据，且图像中的特征可能是无序的、不相关的，或者是复杂的空间结构。特征是连续的数值，可以使用卷积核进行特征提取。图像数据具有平移不变性、旋转不变性和尺度不变性等特点。
循环神经网络(RNN)：特征是序列数据，如特征之间存在时间或语义上的依赖关系。需要考虑序列中每个特征对整个序列分类的影响。
基于上述分类器对应特征的特性，进行样本数据的分组，形成多组样本数据。
在进一步的实施例中，确定每个样本对应的分类器，还包括：
根据F1分数确定所述每个样本数据集和所述分类器的一一对应关系，公式如下：
精确率＝(真阳性)/(真阳性+假阳性)
召回率＝(真阳性)/(真阳性+假阴性)
F1分数＝2*(精确率*召回率)/(精确率+召回率)
其中，真阳性是指分类器正确预测为正类的样本数量，假阳性是指分类器错误预测为正类的样本数量，假阴性是指分类器错误预测为负类的样本数量。
根据所述F1分数，可以确定每个分类器对应的分类精确性，根据所述精确性，各组样本数据分配给对应的分类器进行所述分类器训练。具体的，将第一次训练结果进行测试，技术F1数值，用于判断每个样本数据集相对各个分类器的训练精确性，然后重新确定样本数据集与分类器的对应关系。
在另一种实施方式中，为了评估哪个分类器更偏向于某个数据集，可以使用以下公式：
P＝(E_1-E_2)/(E_1+E_2)
其中，P表示偏向程度，E_1表示分类器1的误差率，E_2表示分类器2的误差率。
该公式计算两个分类器误差率的差值与它们的和之比，可以用于衡量哪个分类器在给定数据集上表现更好。如果P为正数，则表示分类器1更偏向于该数据集；如果P为负数，则表示分类器2更偏向于该数据集。
通过两两相比，最后确定那个样本数据集对应那个分类器。
S104利用标注好的所述多个样本数据集对所述分类器一一对应的进行训练；
利用标注好的多个样本数据集对分类器进行训练是机器学习任务中的重要步骤。通过对样本数据进行学习和优化，分类器能够逐渐适应不同类型的数据和任务，并最终能够对新的未知数据进行分类预测。
在训练分类器之前，需要先准备好标注好的样本数据集。标注是指将样本数据集中的每个样本进行分类标签的标记，以便于分类器学习。通常，标注需要由专业领域人员进行，例如在医疗领域中，可能需要由专业的医生或病理学家对图像进行标注。
在准备好样本数据集之后，需要选择适合的分类器。
具体的，步骤S102已经提取了图像的特征，步骤S103已经根据特征的不同特点将图像进行了分类。
在步骤S104中，根据步骤S103提出的分类器对不同特点的特征的对应关系，根据不同任务的需求和数据特性，选择不同的分类器。
针对每个分类器，利用标注好的样本数据集进行训练。具体操作包括将样本数据集输入到分类器中，进行参数初始化、迭代优化等操作，以使得分类器能够学习到样本的特征和分类标签之间的映射关系。对于深度学习模型，训练过程通常需要使用优化算法，例如梯度下降算法等。
在训练过程中或训练完成后，使用测试集对分类器的性能进行评估。测试集是另外一组标注好的样本数据集，用于测试分类器的分类准确性和稳定性。
S105将训练好的多个模型集成到肺癌组织病理图像分析系统中，进行肺癌组织病理图像的智能分类。
进一步的，还可以根据所述检测图像的特征类型选择多个所述分类器，并进行人工选择所述分类器。
如图2所示，肺癌组织病理图像的智能分类，具体步骤包括：
S201输入患者的检测图像；
S202根据所述检测图像的特征类型选择分类器；
S203将所述检测图像输入到所述分类器中进行检测；
S204根据所述检测结果进行分类。
如图3所示，本申请还提供一种肺癌组织病理图像的智能分类系统，该系统应用上述方法进行肺癌病理图像分类，包括：
预处理模块，用于对肺癌组织病理图像进行预处理，包括图像增强、降噪、对比度调整；
分组模块，用于利用卷积神经网络，对预处理后的肺癌组织病理图像进行特征提取，根据所述特征将所述肺癌组织病理图像进行分组，形成多个样本数据集；
划分模块，用于根据提取的特征所形成的多个样本数据集，确定每个样本对应的分类器，包括：支持向量机、决策树、卷积神经网或者循环神经网络；
训练模块，用于利用标注好的所述多个样本数据集对所述分类器一一对应的进行训练；
分类模块，用于将训练好的多个模型集成到肺癌组织病理图像分析系统中，进行肺癌组织病理图像的智能分类。
进一步的，所述训练模块利用标注好的所述多个样本数据集对所述分类器一一对应的进行训练，包括：
将标注好的样本数据集分成训练集和验证集，其中训练集用于训练分类器，验证集用于评估分类器的性能；
将每个样本数据集分别输入到每个所述分类器进行第一次训练，并获取验证结果
根据每个分类器对应的多个样本数据集第一次训练的最优验证结果，选择所述样本数据集和所述分类器对应关系；
根据所述验证关系，将对应的样本数据集输入到所述分类器中进行训练。
进一步的，所述分类模块将训练好的多个模型集成到肺癌组织病理图像分析系统中，进行肺癌组织病理图像的智能分类，包括：
输入患者的检测图像；
根据所述检测图像的特征类型选择分类器；
将所述检测图像输入到所述分类器中进行检测；
根据所述检测结果进行分类。
进一步的，所述分类模块根据所述检测图像的特征类型选择分类器，包括：
根据所述检测图像的特征类型选择多个所述分类器，并进行人工选择所述分类器。
进一步的，所述分类模块根据提取的特征所形成的多个样本数据集，确定每个样本对应的分类器，包括：
根据F1分数确定所述每个样本数据集和所述分类器的一一对应关系，公式如下：
精确率＝(真阳性)/(真阳性+假阳性)
召回率＝(真阳性)/(真阳性+假阴性)
F1分数＝2*(精确率*召回率)/(精确率+召回率)
其中，真阳性是指分类器正确预测为正类的样本数量，假阳性是指分类器错误预测为正类的样本数量，假阴性是指分类器错误预测为负类的样本数量。
Claims (10)
1.一种肺癌组织病理图像的智能分类方法，其特征在于，包括：
对肺癌组织病理图像进行预处理，包括图像增强、降噪、对比度调整；
利用卷积神经网络，对预处理后的肺癌组织病理图像进行特征提取，根据所述特征将所述肺癌组织病理图像进行分组，形成多个样本数据集；
根据提取的特征所形成的多个样本数据集，确定每个样本对应的分类器，包括：支持向量机、决策树、卷积神经网或者循环神经网络；
利用标注好的所述多个样本数据集对所述分类器一一对应的进行训练；
将训练好的多个模型集成到肺癌组织病理图像分析系统中，进行肺癌组织病理图像的智能分类。
2.根据权利要求1所述肺癌组织病理图像的智能分类方法，其特征在于，所述利用标注好的所述多个样本数据集对所述分类器一一对应的进行训练，包括：
将标注好的样本数据集分成训练集和验证集，其中训练集用于训练分类器，验证集用于评估分类器的性能；
将每个样本数据集分别输入到每个所述分类器进行第一次训练，并获取验证结果；
根据每个分类器对应的多个样本数据集第一次训练的最优验证结果，选择所述样本数据集和所述分类器对应关系；
根据所述验证关系，将对应的样本数据集输入到所述分类器中进行训练。
3.根据权利要求1所述肺癌组织病理图像的智能分类方法，其特征在于，将训练好的多个模型集成到肺癌组织病理图像分析系统中，进行肺癌组织病理图像的智能分类，包括：
输入患者的检测图像；
根据所述检测图像的特征类型选择分类器；
将所述检测图像输入到所述分类器中进行检测；
根据所述检测结果进行分类。
4.根据权利要求3所述肺癌组织病理图像的智能分类方法，其特征在于，所述根据所述检测图像的特征类型选择分类器，包括：
根据所述检测图像的特征类型选择多个所述分类器，并进行人工选择所述分类器。
5.根据权利要求1所述肺癌组织病理图像的智能分类方法，其特征在于，所述根据提取的特征所形成的多个样本数据集，确定每个样本对应的分类器，包括：
根据F1分数确定所述每个样本数据集和所述分类器的一一对应关系，公式如下：
精确率＝(真阳性)/(真阳性+假阳性)，
召回率＝(真阳性)/(真阳性+假阴性)，
F1分数＝2*(精确率*召回率)/(精确率+召回率)，
其中，真阳性是指分类器正确预测为正类的样本数量，假阳性是指分类器错误预测为正类的样本数量，假阴性是指分类器错误预测为负类的样本数量。
6.一种肺癌组织病理图像的智能分类系统，其特征在于，包括：
预处理模块，用于对肺癌组织病理图像进行预处理，包括图像增强、降噪、对比度调整；
分组模块，用于利用卷积神经网络，对预处理后的肺癌组织病理图像进行特征提取，根据所述特征将所述肺癌组织病理图像进行分组，形成多个样本数据集；
划分模块，用于根据提取的特征所形成的多个样本数据集，确定每个样本对应的分类器，包括：支持向量机、决策树、卷积神经网或者循环神经网络；
训练模块，用于利用标注好的所述多个样本数据集对所述分类器一一对应的进行训练；
分类模块，用于将训练好的多个模型集成到肺癌组织病理图像分析系统中，进行肺癌组织病理图像的智能分类。
7.根据权利要求6所述肺癌组织病理图像的智能分类系统，其特征在于，所述训练模块利用标注好的所述多个样本数据集对所述分类器一一对应的进行训练，包括：
将标注好的样本数据集分成训练集和验证集，其中训练集用于训练分类器，验证集用于评估分类器的性能；
将每个样本数据集分别输入到每个所述分类器进行第一次训练，并获取验证结果；
根据每个分类器对应的多个样本数据集第一次训练的最优验证结果，选择所述样本数据集和所述分类器对应关系；
根据所述验证关系，将对应的样本数据集输入到所述分类器中进行训练。
8.根据权利要求6所述肺癌组织病理图像的智能分类系统，其特征在于，所述分类模块将训练好的多个模型集成到肺癌组织病理图像分析系统中，进行肺癌组织病理图像的智能分类，包括：
输入患者的检测图像；
根据所述检测图像的特征类型选择分类器；
将所述检测图像输入到所述分类器中进行检测；
根据所述检测结果进行分类。
9.根据权利要求8所述肺癌组织病理图像的智能分类系统，其特征在于，所述分类模块根据所述检测图像的特征类型选择分类器，包括：
根据所述检测图像的特征类型选择多个所述分类器，并进行人工选择所述分类器。
10.根据权利要求6所述肺癌组织病理图像的智能分类系统，其特征在于，所述分类模块根据提取的特征所形成的多个样本数据集，确定每个样本对应的分类器，包括：
根据F1分数确定所述每个样本数据集和所述分类器的一一对应关系，公式如下：
精确率＝(真阳性)/(真阳性+假阳性)，
召回率＝(真阳性)/(真阳性+假阴性)，
F1分数＝2*(精确率*召回率)/(精确率+召回率)，
其中，真阳性是指分类器正确预测为正类的样本数量，假阳性是指分类器错误预测为正类的样本数量，假阴性是指分类器错误预测为负类的样本数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311202266.XA CN117173485B (zh) | 2023-09-18 | 2023-09-18 | 一种肺癌组织病理图像的智能分类系统方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311202266.XA CN117173485B (zh) | 2023-09-18 | 2023-09-18 | 一种肺癌组织病理图像的智能分类系统方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117173485A true CN117173485A (zh) | 2023-12-05 |
| CN117173485B CN117173485B (zh) | 2024-02-13 |
Family
ID=88941058
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311202266.XA Active CN117173485B (zh) | 2023-09-18 | 2023-09-18 | 一种肺癌组织病理图像的智能分类系统方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117173485B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109376777A (zh) * | 2018-10-18 | 2019-02-22 | 四川木牛流马智能科技有限公司 | 基于深度学习的宫颈癌组织病理学图像分析方法及设备 |
| CN110472694A (zh) * | 2019-08-22 | 2019-11-19 | 广东工业大学 | 一种肺癌图像病理分类方法及装置 |
| CN110472676A (zh) * | 2019-08-05 | 2019-11-19 | 首都医科大学附属北京朝阳医院 | 基于深度神经网络的胃早癌组织学图像分类系统 |
| KR102108050B1 (ko) * | 2019-10-21 | 2020-05-07 | 가천대학교 산학협력단 | 증강 컨볼루션 네트워크를 통한 유방암 조직학 이미지 분류 방법 및 그 장치 |
| CN112884724A (zh) * | 2021-02-02 | 2021-06-01 | 广州智睿医疗科技有限公司 | 一种用于肺癌组织病理分型的智能判断方法及系统 |
-
2023
- 2023-09-18 CN CN202311202266.XA patent/CN117173485B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109376777A (zh) * | 2018-10-18 | 2019-02-22 | 四川木牛流马智能科技有限公司 | 基于深度学习的宫颈癌组织病理学图像分析方法及设备 |
| CN110472676A (zh) * | 2019-08-05 | 2019-11-19 | 首都医科大学附属北京朝阳医院 | 基于深度神经网络的胃早癌组织学图像分类系统 |
| CN110472694A (zh) * | 2019-08-22 | 2019-11-19 | 广东工业大学 | 一种肺癌图像病理分类方法及装置 |
| KR102108050B1 (ko) * | 2019-10-21 | 2020-05-07 | 가천대학교 산학협력단 | 증강 컨볼루션 네트워크를 통한 유방암 조직학 이미지 분류 방법 및 그 장치 |
| CN112884724A (zh) * | 2021-02-02 | 2021-06-01 | 广州智睿医疗科技有限公司 | 一种用于肺癌组织病理分型的智能判断方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 孟婷;刘宇航;张凯昱;: "一种基于增强卷积神经网络的病理图像诊断算法", 激光与光电子学进展, no. 08, 13 November 2018 (2018-11-13) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117173485B (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sari et al. | Unsupervised feature extraction via deep learning for histopathological classification of colon tissue images | |
| US10074006B2 (en) | Methods and systems for disease classification | |
| Moradi et al. | Kernel sparse representation based model for skin lesions segmentation and classification | |
| CN108109140A (zh) | 基于深度学习的低级别脑胶质瘤柠檬酸脱氢酶无损预测方法及系统 | |
| Keivani et al. | Automated analysis of leaf shape, texture, and color features for plant classification. | |
| Bandyopadhyay et al. | Segmentation of pap smear images for cervical cancer detection | |
| Jena et al. | Texture analysis based feature extraction and classification of lung cancer | |
| CN115115598B (zh) | 一种基于全局Gabor滤波和局部LBP特征喉癌细胞图像分类方法 | |
| Urdal et al. | Prognostic prediction of histopathological images by local binary patterns and RUSBoost | |
| Bose et al. | Detection of microcalcification in mammograms using soft computing techniques | |
| Jamil et al. | Melanocytic and nevus lesion detection from diseased dermoscopic images using fuzzy and wavelet techniques | |
| Salama et al. | Enhancing Medical Image Quality using Neutrosophic Fuzzy Domain and Multi-Level Enhancement Transforms: A Comparative Study for Leukemia Detection and Classification | |
| CN109523484B (zh) | 一种基于分形特征的手指静脉血管网络修复方法 | |
| Dharmawan et al. | Design of optimal adaptive filters for two-dimensional filamentary structures segmentation | |
| Putzu et al. | Investigation of different classification models to determine the presence of leukemia in peripheral blood image | |
| CN106295478A (zh) | 一种图像特征提取方法和装置 | |
| Thapa et al. | Deep learning for breast cancer classification: Enhanced tangent function | |
| CN117173485B (zh) | 一种肺癌组织病理图像的智能分类系统方法及系统 | |
| Di Ruberto et al. | On different colour spaces for medical colour image classification | |
| Zayed et al. | A New Refined-TLBO Aided Bi-Generative Adversarial Network for Finger Vein Recognition | |
| Kaur et al. | Deep Learning Model for Lung Cancer Detection On CT Scan Image | |
| Majib et al. | A framework to detect brain tumor cells using mri images | |
| Jinisha et al. | Brain tumor classification using SVM and bag of visual word classifier | |
| Shree et al. | Classification of leucocytes for leukaemia detection | |
| CN115601356B (zh) | 基于稀疏卷积自编码的多发性硬化病灶识别方法及系统 |
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 |