使用生成對(duì)抗網(wǎng)絡(luò)（GAN）擴(kuò)充宮頸癌病理圖像的數(shù)據(jù)集以提高計(jì)算機(jī)輔助診斷的準(zhǔn)確率.首先,使用GAN進(jìn)行細(xì)胞質(zhì)部分圖像生成;其次,使用兩次k-means聚類對(duì)生成圖像進(jìn)行篩選;最后,使用Inception-V3模型對(duì)數(shù)據(jù)集進(jìn)行分類訓(xùn)練.結(jié)果表明,在測(cè)試集相同的情況下,該方法可以將總體分類準(zhǔn)確率提升約2. 5%,尤其對(duì)低分化宮頸癌病理圖像有顯著效果.通過(guò)GAN解決了組織病理學(xué)圖像無(wú)方向性、內(nèi)容復(fù)雜、前景目標(biāo)規(guī)則性差等問(wèn)題,證明了該方法的有效性及發(fā)展?jié)摿? 

【文章來(lái)源】：東北大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020,41(07)北大核心EICSCD

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

宮頸癌組織病理學(xué)圖像實(shí)例

步驟5在訓(xùn)練與分類過(guò)程中，對(duì)比使用原始宮頸癌組織病理學(xué)圖像訓(xùn)練的分類結(jié)果和加入生成圖像后訓(xùn)練的分類結(jié)果并進(jìn)行分析，以調(diào)整生成圖像加入的比例，進(jìn)一步優(yōu)化分類結(jié)果．2.2 數(shù)據(jù)擴(kuò)充

由于宮頸癌組織病理學(xué)圖像在深度學(xué)習(xí)分類中主要使用細(xì)胞核的特征，而細(xì)胞核沒(méi)有固定形狀，難以使用GAN進(jìn)行生成，因此本研究使用GAN進(jìn)行圖像中次要特征的生成(細(xì)胞質(zhì)與細(xì)胞間質(zhì)部分)．經(jīng)過(guò)合理預(yù)處理的宮頸癌組織病理學(xué)圖像數(shù)據(jù)有低分化64 000張圖像與高分化64 000張圖像．實(shí)驗(yàn)使用GAN進(jìn)行圖像生成，訓(xùn)練中將batch size設(shè)定為100，一共訓(xùn)練100 000迭代次數(shù)[19-20]．實(shí)驗(yàn)對(duì)生成過(guò)程中的結(jié)果參數(shù)進(jìn)行分析，迭代次數(shù)在50 000以上時(shí)，判別模塊對(duì)生成圖像的識(shí)別正確率為90%左右，準(zhǔn)確率不再明顯上升，生成結(jié)果如圖3所示．2.4 生成圖像的篩選

【參考文獻(xiàn)】：
期刊論文
[1]基于圖論的分裂型人格障礙多加權(quán)腦結(jié)構(gòu)網(wǎng)絡(luò)研究[J]. 齊守良,張波,李萌,伍建林.  東北大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(08)
[2]計(jì)算機(jī)自動(dòng)識(shí)別宮頸細(xì)胞涂片技術(shù)[J]. 丁海艷,孫允高,葉大田.  國(guó)外醫(yī)學(xué).生物醫(yī)學(xué)工程分冊(cè). 2000(02)
[3]食管癌計(jì)算機(jī)輔助診斷中醫(yī)學(xué)圖像的量化與數(shù)據(jù)處理[J]. 李連捷,宋金英,許朝英,焦榮.  河北醫(yī)科大學(xué)學(xué)報(bào). 1996(01)



本文編號(hào)：3401473