基于融合多网络深层卷积特征和稀疏双关系正则化方法的乳腺癌图像分类研究

作     者：王永军 黄芳琳 黄珊 姜峰 雷柏英 汪天富 Wang Yongjun;Huang Fanglin;Huang Shan;Jiang Feng;Lei Baiying;Wang Tianfu

作者机构：深圳大学生物医学工程学院广东省生物医学信息检测和超声成像重点实验室广东深圳518060 

基　　金：国家重点研究计划(2016YFC0104700) 

出 版 物：《中国生物医学工程学报》 (Chinese Journal of Biomedical Engineering)

年 卷 期：2020年第39卷第5期

页      码：532-540页

摘      要：乳腺癌是全球女性癌症死亡的主要原因之一。现有诊断方法主要是医生通过乳腺癌观察组织病理学图像进行判断,不仅费时费力,而且依赖医生的专业知识和经验,使得诊断效率无法令人满意。针对以上问题,设计基于组织学图像的深度学习框架,以提高乳腺癌诊断准确性,同时减少医生的工作量。开发一个基于多网络特征融合和稀疏双关系正则化学习的分类模型:首先,通过子图像裁剪和颜色增强进行乳腺癌图像预处理;其次,使用深度学习模型中典型的3种深度卷积神经网络(Inception V3、Res Net-50和VGG-16),提取乳腺癌病理图像的多网络深层卷积特征并进行特征融合;最后,通过利用两种关系("样本-样本"和"特征-特征"关系)和lF正则化,提出一种有监督的双关系正则化学习方法进行特征降维,并使用支持向量机将乳腺癌病理图像区分为4类—正常、良性、原位癌和浸润性癌。实验中,通过使用ICIAR 2018公共数据集中的400张乳腺癌病理图像进行验证,获得93%的分类准确性。融合多网络深层卷积特征可以有效地捕捉丰富的图像信息,而稀疏双关系正则化学习可以有效降低特征冗余并减少噪声干扰,有效地提高模型的分类性能。

主 题 词：乳腺癌病理图像分类 深度卷积特征融合 有监督特征选择 支持向量机 

学科分类：0831[工学-公安技术类] 08[工学] 0836[0836] 

核心收录：

D　O　I：10.3969/j.issn.0258-8021.2020.05.003

馆 藏 号：203989236...