CN110136113B - 一种基于卷积神经网络的***病理图像分类方法 - Google Patents
一种基于卷积神经网络的***病理图像分类方法 Download PDFInfo
- Publication number
- CN110136113B CN110136113B CN201910399732.5A CN201910399732A CN110136113B CN 110136113 B CN110136113 B CN 110136113B CN 201910399732 A CN201910399732 A CN 201910399732A CN 110136113 B CN110136113 B CN 110136113B
- Authority
- CN
- China
- Prior art keywords
- vaginal
- neural network
- image
- convolutional neural
- samples
- 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.)
- Active
Links
Images
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***衡的***病理图像数据集;利用数据增强方法扩增***病理图像数据集;利用扩增的***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***病理图像的高精度分类。
Description
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***病理图像分类方法,特别涉及一种基于卷积神经网络的***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***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***病理图像分类方法,将***病理图像自动分为三类,分别为:细菌性***病阴型、细菌性***病中间型、细菌性***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***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***病理图像数量,提高标注***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***病理图像数据集D=[D1,D2,D3],其中,D表示***病理图像集,D1,D2,D3分别表示类别为细菌性***病阴型、细菌性***病中间型、细菌性***病阳型的***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***病阴型、细菌性***病中间型、细菌性***病阳型的***病理图像样本个数;
1.3.利用最大样本类样本数Cmax对每类***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***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***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***病理图像的随机列表;
1.5.将各类***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***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***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***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***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***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***病理图像的特征,完成***病理图像的自动分类工作。
附图说明:
图1为本发明的***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***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***病理图像数量,提高标注***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***病理图像数据集D=[D1,D2,D3],其中,D表示***病理图像集,D1,D2,D3分别表示类别为细菌性***病阴型、细菌性***病中间型、细菌性***病阳型的***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***病阴型、细菌性***病中间型、细菌性***病阳型的***病理图像样本个数;
1.3.利用最大样本类样本数Cmax对每类***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***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***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***病理图像的随机列表;
1.5.将各类***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***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***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***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***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***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***病理图像数量,提高标注***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***病理图像数据集D=[D1,D2,D3],其中,D表示***病理图像集,D1,D2,D3分别表示类别为细菌性***病阴型、细菌性***病中间型、细菌性***病阳型的***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***病阴型、细菌性***病中间型、细菌性***病阳型的***病理图像样本个数;
1.3.利用最大样本类样本数Cmax对每类***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***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***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***病理图像的随机列表;
1.5.将各类***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***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***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***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***病理图像的正确标签;
步骤五:利用步骤四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。
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***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***病理图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110136113A CN110136113A (zh) | 2019-08-16 |
CN110136113B true 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***病理图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110136113B (zh) |
Families Citing this family (3)
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 |
CN111681718B (zh) * | 2020-06-11 | 2022-08-23 | 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 (5)
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 |
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 |
CN108510482A (zh) * | 2018-03-22 | 2018-09-07 | 姚书忠 | 基于***镜图像的***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***组织病理图像诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10255693B2 (en) * | 2017-05-02 | 2019-04-09 | Techcyte, Inc. | Machine learning classification and training for digital microscopy images |
-
2019
- 2019-05-14 CN CN201910399732.5A patent/CN110136113B/zh active Active
Patent Citations (5)
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 |
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***镜图像的***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***组织病理图像诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110136113A (zh) | 2019-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112308158B (zh) | 一种基于部分特征对齐的多源领域自适应模型及方法 | |
El Achi et al. | Automated diagnosis of lymphoma with digital pathology images using deep learning | |
CN111126386B (zh) | 场景文本识别中基于对抗学习的序列领域适应方法 | |
CN108898160B (zh) | 基于cnn和影像组学特征融合的乳腺癌组织病理学分级方法 | |
CN110136113B (zh) | 一种基于卷积神经网络的***病理图像分类方法 | |
CN111863237A (zh) | 一种基于深度学习的移动端疾病智能辅助诊断*** | |
CN114038037B (zh) | 基于可分离残差注意力网络的表情标签修正和识别方法 | |
CN111401156B (zh) | 基于Gabor卷积神经网络的图像识别方法 | |
CN113743353B (zh) | 空间、通道和尺度注意力融合学习的宫颈细胞分类方法 | |
CN113239954A (zh) | 基于注意力机制的图像语义分割特征融合方法 | |
CN113610859B (zh) | 一种基于超声图像的甲状腺结节自动分割方法 | |
Codella et al. | Lymphoma diagnosis in histopathology using a multi-stage visual learning approach | |
Sajedi et al. | Image-processing based taxonomy analysis of bacterial macromorphology using machine-learning models | |
CN112364705A (zh) | 基于多层次特征融合的轻量型cnn的表情识别方法 | |
Akhlaghi et al. | Farsi handwritten phone number recognition using deep learning | |
Jiang et al. | MTFFNet: a multi-task feature fusion framework for Chinese painting classification | |
CN113011436A (zh) | 一种基于卷积神经网络的中医舌色苔色协同分类方法 | |
CN112434145A (zh) | 一种基于图像识别和自然语言处理的看图作诗方法 | |
Dwivedi et al. | EMViT-Net: A novel transformer-based network utilizing CNN and multilayer perceptron for the classification of environmental microorganisms using microscopic images | |
Dsouza et al. | Real Time Facial Emotion Recognition Using CNN | |
CN113177602B (zh) | 图像分类方法、装置、电子设备和存储介质 | |
CN114529911A (zh) | 基于改进yolo9000算法的验证码识别方法及*** | |
CN114822734A (zh) | 基于循环卷积神经网络的中医病案分析方法 | |
CN113658151B (zh) | 一种乳腺病变磁共振图像分类方法、设备及可读存储介质 | |
Anggoro et al. | Classification of Solo Batik patterns using deep learning convolutional neural networks algorithm |
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 |