基于生成对抗网络的低分化宫颈癌病理图像分类

发布时间：2021-09-19 10:47

　　使用生成对抗网络（GAN）扩充宫颈癌病理图像的数据集以提高计算机辅助诊断的准确率.首先,使用GAN进行细胞质部分图像生成;其次,使用两次k-means聚类对生成图像进行筛选;最后,使用Inception-V3模型对数据集进行分类训练.结果表明,在测试集相同的情况下,该方法可以将总体分类准确率提升约2. 5%,尤其对低分化宫颈癌病理图像有显著效果.通过GAN解决了组织病理学图像无方向性、内容复杂、前景目标规则性差等问题,证明了该方法的有效性及发展潜力. 

【文章来源】：东北大学学报(自然科学版). 2020,41(07)北大核心EICSCD

【文章页数】：8 页

【部分图文】：

宫颈癌组织病理学图像实例

步骤5在训练与分类过程中，对比使用原始宫颈癌组织病理学图像训练的分类结果和加入生成图像后训练的分类结果并进行分析，以调整生成图像加入的比例，进一步优化分类结果．2.2 数据扩充

由于宫颈癌组织病理学图像在深度学习分类中主要使用细胞核的特征，而细胞核没有固定形状，难以使用GAN进行生成，因此本研究使用GAN进行图像中次要特征的生成(细胞质与细胞间质部分)．经过合理预处理的宫颈癌组织病理学图像数据有低分化64 000张图像与高分化64 000张图像．实验使用GAN进行图像生成，训练中将batch size设定为100，一共训练100 000迭代次数[19-20]．实验对生成过程中的结果参数进行分析，迭代次数在50 000以上时，判别模块对生成图像的识别正确率为90%左右，准确率不再明显上升，生成结果如图3所示．2.4 生成图像的筛选

【参考文献】：
期刊论文
[1]基于图论的分裂型人格障碍多加权脑结构网络研究[J]. 齐守良,张波,李萌,伍建林.  东北大学学报(自然科学版). 2019(08)
[2]计算机自动识别宫颈细胞涂片技术[J]. 丁海艳,孙允高,叶大田.  国外医学.生物医学工程分册. 2000(02)
[3]食管癌计算机辅助诊断中医学图像的量化与数据处理[J]. 李连捷,宋金英,许朝英,焦荣.  河北医科大学学报. 1996(01)



本文编号：3401473