基于深度学习的乳腺组织病理类型的多分类方法研究
乳腺癌是世界范围内发生率和死亡率居高不下的癌症类型之一，尤其严重危害女性群体的健康。组织病理学检查是癌症诊断的“黄金标准”，但乳腺组织病理图像内在的复杂性和多样性，使得病理学家的诊断工作繁琐且耗时。另外，经验阅历的不同和病理诊断标准使用的主观性常导致诊断结果的不一致性和不可复制性。而计算机辅助的乳腺癌组织病理图像的自动诊断可以协助病理学家提高诊断一致性和诊断效率，降低工作强度。随着深度学习的发展，卷积神经网络逐步取代了基于领域知识为特定问题设计的特征提取方法，自动提取图像的特征用于分类，被广泛应用在医学病理分析领域。综上，本文基于深度学习和苏木精-伊红染色的乳腺组织病理图像开展了对计算机辅助的组织病理学领域多分类方法的研究，主要内容如下: (1)本文提出了一个基于采样块处理的模型对高分辨率的乳腺组织病理图像进行四分类。首先基于恶性病变图像表现出的细胞核的异型性和排列极向紊乱等细胞核相关特征以及正常组织与病变组织在形态结构上的不同，从病理图像中采样两种不同尺寸的块用于包含细胞核特征和整体组织结构特征。然后，针对某些采样块可能存在的诊断信息不足或标签信息错误，提出一种基于卷积神经网络和聚类算法的批量筛选方法用于选择更具有判别力的块。最后，对采样的块进行特征提取和融合，得到图像级特征，使用SVM进行分类。该模型在2015生物成像乳腺组织病理图像分类比赛中发布的初始测试集上达到了95％的准确率，对比实验也验证了图像块采样策略和有判别力图像块的筛选两种方法的有效性。 (2)本文基于以患者为单位在四种放大倍率下获取的乳腺组织病理图像数据集提出了一个二阶段分类框架用于面向患者的良/恶性病变下乳腺病理子类型的多分类。第一阶段的模型进行良/恶性病变的划分，首先使用卷积神经网络作为分类器对每位患者在不同放大倍率条件下获取的乳腺组织病理图像进行分类，然后利用元决策树组合各个分类器的预测结果。第二阶段的模型专注于良/恶性类别下各子类型的分类，使用卷积神经网络作为特征提取器，然后基于每位患者在不同放大倍率条件下得到的图像特征组构建随机森林，根据类别信息，得到对应的相异性矩阵，均值化处理后得到联合相似性矩阵作为支持向量机的核。该模型在数据集BreaKHis上达到了92.5％的准确率，证明了该框架在乳腺组织病变类型多分类上的有效性。
乳腺组织;病理类型;图像处理;多分类方法;深度学习
中国科学技术大学
硕士
计算机系统结构
吴俊敏
2019
中文
TP391.41
2019-08-23（万方平台首次上网日期，不代表论文的发表时间）