程年 俞晨 寧?kù)o艷

摘 要：利用深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)組織病理圖片進(jìn)行分類，以減少病理學(xué)家工作量，達(dá)到利用計(jì)算機(jī)輔助治療的效果。提出利用在兩種預(yù)訓(xùn)練好的框架下提取的特征進(jìn)行訓(xùn)練，并研究了多級(jí)分類，該成果有利于癌癥后期治療，更加方便臨床醫(yī)學(xué)應(yīng)用;利用遷移學(xué)習(xí)能夠減少訓(xùn)練時(shí)間，并解決數(shù)據(jù)集不足的問(wèn)題;通過(guò)數(shù)據(jù)增強(qiáng)的方法，可有效提高分類準(zhǔn)確度。

關(guān)鍵詞：深度學(xué)習(xí);乳腺癌病理圖片;數(shù)據(jù)增強(qiáng);遷移學(xué)習(xí)

DOI：10. 11907/rjdk. 182847 開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

中圖分類號(hào)：TP301文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-7800（2019）008-0026-03

Classification of Breast Couldcer Images Based on Deep Learning Network

CHENG Nian1，YU Cheng2，NING Jing-yang1

（1. School of Automated，Southeast University;2. Jiangsu couldcer Hospital，Southeast University，Nangjing 210096，China）

Abstract：The purpose was that the method of deep learning was used to classify histopathological images， reducing the heavy work of pathologists and achieving the effect of using computer-assisted medical care. The way that the training of features extracted under two pre-trained frameworks was proposed. At the same time， multiple classes were also studied. Classification could be beneficial to the later treatment of couldcer， which was more convenient for clinical medicine applications. The use of migration learning could preferentially reduce the training time and data set; and the data enhancement method could improve the classification accuracy.

Key Words：deep learning; breast couldcer histopathological image; data augmentation; transfer learning

作者簡(jiǎn)介：程年（1993-），女，東南大學(xué)自動(dòng)化學(xué)院碩士研究生，研究方向?yàn)槟Ｊ阶R(shí)別與人工智能;俞晨（1980-），女，江蘇省腫瘤醫(yī)院副主任醫(yī)師，研究方向?yàn)橹形麽t(yī)結(jié)合治療惡性腫瘤;寧?kù)o艷（1994-），女，東南大學(xué)自動(dòng)化學(xué)院碩士研究生，研究方向?yàn)槟Ｊ阶R(shí)別、圖像處理。

0 引言

癌癥是困擾人類的一大難題，而乳腺癌在女性中為死亡率僅次于肺癌的第二大癌癥[1]，約占各種腫瘤疾病的7%-10%，也有少數(shù)男性患者[2]。針對(duì)乳腺癌的診斷有多種方式，最初是使用臨床篩查進(jìn)行組織病理學(xué)分析，以精確監(jiān)測(cè)腫瘤亞類型，或使用乳腺癌組織病理圖片進(jìn)行自動(dòng)分類[3]。由于乳腺癌發(fā)病率不斷提高，所以醫(yī)學(xué)上對(duì)乳腺癌的診斷與治療越來(lái)越關(guān)注，同時(shí)也是各大實(shí)驗(yàn)室的研究熱點(diǎn)[4]。雖然傳統(tǒng)乳腺癌診斷方法為臨床檢查，但病理學(xué)檢查才是判斷患者是否患有癌癥，以及癌癥為良性還是惡性最重要的標(biāo)準(zhǔn)，如圖1所示[5]。

因此，病理學(xué)圖片分析對(duì)癌癥的準(zhǔn)確診斷與后續(xù)治療起著至關(guān)重要的作用。然而，組織病理學(xué)分析需要病理學(xué)家經(jīng)過(guò)長(zhǎng)期培訓(xùn)后才能完成，而且人工分析存在許多不確定性，不同病理學(xué)家的診斷也存在很大誤差，因此將在很大程度上影響后期治療。如何提升病理學(xué)圖片分析的準(zhǔn)確性，成為目前一個(gè)亟待解決的問(wèn)題。

[體格檢查][影像學(xué)檢查][臨床檢查][初步診斷][金標(biāo)準(zhǔn)][是否為癌癥][病理學(xué)檢查][癌癥性質(zhì)]

圖1 癌癥診斷方式

將深度學(xué)習(xí)應(yīng)用于數(shù)據(jù)分析領(lǐng)域已取得非常好的效果，因而受到了人們的廣泛關(guān)注。深度學(xué)習(xí)由人工神經(jīng)網(wǎng)絡(luò)演變而來(lái)，但在人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上大量增加了神經(jīng)元層數(shù)，因此在提取圖片特征作用域時(shí)，能夠提取到更高層次的特征[6]。將深度學(xué)習(xí)與病理學(xué)圖片分析相結(jié)合，是數(shù)字醫(yī)學(xué)界的一大創(chuàng)新，同時(shí)推動(dòng)了醫(yī)學(xué)發(fā)展[7]。2005年，Xu等[8]提出一種堆疊式稀疏自動(dòng)編碼器（Stacked Sparse Autoencoder，SSAE） 框架對(duì)乳腺癌組織病理圖片進(jìn)行自動(dòng)細(xì)胞核監(jiān)測(cè)，該方法監(jiān)測(cè)效果優(yōu)于其它9種細(xì)胞核監(jiān)測(cè)方法;Bayramoglu等[9]對(duì)數(shù)據(jù)集BreaKHis進(jìn)行訓(xùn)練，其采用基于放大倍數(shù)獨(dú)立的深度學(xué)習(xí)分類方法，識(shí)別率達(dá)到 83%;韓泓澤與魏賓等[10]將Ronneberger等[11]提出的U-Net應(yīng)用于乳腺癌細(xì)胞檢測(cè)，首先利用U-Net卷積網(wǎng)絡(luò)獲取乳腺癌病理切片圖像中的特征信息，然后將提取的不同層次特征信息通過(guò)4次上采樣操作進(jìn)行融合，輸出與原圖像具有相同分辨率的圖像，并得到每個(gè)像素點(diǎn)被分類為癌細(xì)胞的概率，該方法對(duì)乳腺癌細(xì)胞的檢測(cè)準(zhǔn)確率超過(guò)99%;Deniz等[12]于2018年提出采用遷移學(xué)習(xí)方式對(duì)乳腺癌的組織病理學(xué)圖片進(jìn)行分類，并使用預(yù)訓(xùn)練好的AlexNet網(wǎng)絡(luò)進(jìn)行微調(diào)，證明了遷移學(xué)習(xí)比支持向量機(jī)（Support Vector Machines，SVM）[13]能夠達(dá)到更好的效果。但醫(yī)學(xué)圖片是非常珍貴且稀缺的資源，因此很難得到深度學(xué)習(xí)網(wǎng)絡(luò)所需的數(shù)據(jù)集。組織病理學(xué)圖片不同于自然圖片，其像素?cái)?shù)量有的可達(dá)到上億級(jí)別。本文研究的基于深度學(xué)習(xí)對(duì)乳腺圖片的分類，通過(guò)遷移學(xué)習(xí)[14]與數(shù)據(jù)增強(qiáng)方式解決了數(shù)據(jù)稀少的問(wèn)題。本文研究的數(shù)據(jù)集來(lái)自公開數(shù)據(jù)集Breast Couldcer Histopathological Image Classification（BreakHis）（網(wǎng)址：https：//web.inf.ufpr.br/vri/databases/breast-couldcer-histopathological-database-breakhis/），同時(shí)利用在不同倍數(shù)下預(yù)先提取的特征進(jìn)行訓(xùn)練，從而提高了分類準(zhǔn)確率。

[9] BAYRAMOGLU N，KANNALA J，HEIKKIL？ J.Deep learning for magnification independent breast cancer histopathology image classification[C]. International Conference on Pattern Recognition（ICPR），2016：2441-2446.

[10] 韓泓澤，魏賓，隋棟，等. 基于U-Net的乳腺癌病理切片中癌細(xì)胞檢測(cè)方法[J]. 精準(zhǔn)醫(yī)學(xué)雜志，2018，33（6）：471-473，477.

[11] RONNEBERGER O， FISCHER P， BROX T. U-Net： convolutional networks for biomedical image segmentation[C]. International Conference on Medical Image Computing & Computer-assisted Intervention， 2015.

[12] DENIZ E，ABDULKADIR ？，ZEHRA K，et al. Transfer learning based histopathologic image classification for breast cancer detection[J].? Health Information Science and Systems， 2018， 6（1）：18.

[13] 劉銘，吳朝霞. 支持向量機(jī)理論與應(yīng)用[J]. 科技視界，2018（23）：68-69.

[14] PAN S J， YANG Q. A survey on transfer learning[J].? IEEE Transactions on Knowledge & Data Engineering，2010， 22（10）：1345-1359.

[15] SIMONYAN K， ZISSERMAN A. Very deep convolutional networks for large-scale image recognition[DB/OL]. https：//arxiv.org/abs/1409.1556.

[16] SZEGEDY C， VANHOUCKE V， IOFFE S， et al. Rethinking the inception architecture for computer vision[C]. 2016 IEEE Conference on Computer Vision and Pattern Recognition（CVPR）， 2016：2818-2826.

[17] 田娟，李英祥，李彤巖. 激活函數(shù)在卷積神經(jīng)網(wǎng)絡(luò)中的對(duì)比研究[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用，2018，27（7）：43-49.

[18] 李瓊，柏正堯，劉瑩芳. 糖尿病性視網(wǎng)膜圖像的深度學(xué)習(xí)分類方法[J]. 中國(guó)圖象圖形學(xué)報(bào)，2018，23（10）：1594-1603.

[19] 劉鑫鵬，欒悉道，謝毓湘，等. 遷移學(xué)習(xí)研究和算法綜述[J]. 長(zhǎng)沙大學(xué)學(xué)報(bào)，2018，32（5）：28-31，36.

[20] 高友文，周本君，胡曉飛. 基于數(shù)據(jù)增強(qiáng)的卷積神經(jīng)網(wǎng)絡(luò)圖像識(shí)別研究[J]. 計(jì)算機(jī)技術(shù)與發(fā)展，2018，28（8）：62-65.

（責(zé)任編輯：黃 健）