论文总字数：31466字

摘 要

近年来，随着发病率的不断上升，乳腺癌已经逐渐成为威胁女性身心健康的常见疾病之一。在乳腺癌的临床诊断中，组织学病理诊断是癌症确诊的重要方法。但由于病理科医生的培养需要大量的时间，医生的短缺使得临床病理学诊断的大量需求无法得到满足。为提高组织学病理诊断的效率与自动化水平，并为病理科医生提供辅助诊断的有效信息，本文采用基于深度学习的方法对组织学病理切片扫描图像进行分类，对于Camelyon16竞赛数据集进行了实验，并针对算法流程进行了一系列优化。本文所做的主要工作总结如下：

首先，阐述了研究背景与该领域的研究现状，介绍了深度卷积神经网络的结构与深度学习模型架构；其次，本文提出了病理学全扫描图像的自动诊断算法流程，包括图像预处理，深度学习模型训练与验证，以及后处理分类决策等过程；最后，将算法进行实现并应用于数据集进行测试，并对多尺度下联合决策的算法进行实验，针对性地对区块分割与模型中的损失函数进行改进，最终算法分类准确率达到了95.38%，接近于病理科医生的诊断水平。

关键词：组织学病理诊断，乳腺癌，深度学习，卷积神经网络

Automatic Diagnosis of Breast Cancer Histopathology Slide Images Based on Deep Learning

04014011 Zhang Tianyi

Supervised by Associate Professor Zhang Yifeng

Abstract

In recent years, with the increasing of incidence rate, breast cancer has gradually become one of the common diseases that threatens the physical and mental health of women. In the clinical diagnosis of breast cancer, histopathological diagnosis is an important method for the definite diagnosis of cancer. However, due to the large amount of time required for cultivating a pathologist, the great shortage of doctors has made it unrealizable to meet the large demands in clinical pathology diagnosis. In order to improve the efficiency and automation of histopathological diagnosis, and to provide pathology doctors with impactful information for assisted diagnosis, a method based on deep learning is used in this paper to classify the histopathological slide images. Experiments are implemented on the Camelyon16 competition data set. And a series of optimizations are made for the algorithm architecture. The main work in this paper is summarized as follows:

First, the background and current research status in this field are illustrated. The structure of deep convolutional neural network and the architecture of deep learning model are introduced. Next, an automatic diagnosis algorithm, which includes image preprocessing, deep learning model training and validation, as well as classification decision in postprocess, is proposed for classifying pathological whole slide images. Last, the algorithm is implemented and applied to data set for testing. Then experiments are performed on multi-scale conditions for decision-making, and the method of patch segmentation and loss function are improved. The classification accuracy of improved algorithm reaches 95.38%, close to pathologists.

KEY WORDS: histopathological diagnosis, breast cancer, deep learning, convolutional neural network

目 录

摘要 I

Abstract II

第一章 绪论 1

1.1 研究背景与意义 1

1.2 国内外研究现状 2

1.3 论文主要内容与组织结构 3

1.3.1 论文主要内容与研究路线 3

1.3.2 论文组织结构 4

第二章 卷积神经网络与深度学习架构 5

2.1 卷积神经网络的基本结构 5

2.1.1 卷积层 5

2.1.2 池化层 6

2.1.3 全连接层 7

2.1.4 输出层 7

2.2 损失函数与反向传播 7

2.3 深度学习架构Inception 8

第三章 乳腺组织学病理切片自动诊断算法流程 11

3.1 图像预处理 11

3.1.1 数据集 11

3.1.2 颜色模型转换 12

3.1.3 前背景分离 14

3.1.4 区块分割、数据集的扩充与封装 16

3.2 深度学习模型训练与验证 17

3.2.1 迁移学习与模型训练过程 17

3.2.2 模型验证过程 18

3.3 后处理决策过程 19

3.3.1 概率热图的特征提取 19

3.3.2 随机森林算法与分类器 20

第四章 算法评价与优化 22

4.1 原始实验结果与算法评价 22

4.1.1 分类算法性能度量 22

4.1.2 原始实验结果与算法评价 23

4.2 多尺度分类算法 24

4.3 算法细节优化实验 26

4.3.1 区块分割优化 26

4.3.2 辅助损失函数优化 26

4.3.3 分类器对比实验 27

4.4 优化算法实验结果 29

第五章 研究总结与展望 31

5.1 研究总结 31

5.2 展望 31

致 谢 32

参考文献 33

附录A 带有辅助分类器的Inception-v3深度学习模型结构图 35

绪论

研究背景与意义

乳腺癌是当今世界女性所患最常见的癌症之一，其具有发病率高、难以预防的特点。虽然仅发生在乳腺的原位乳腺癌不足以致命，但由于癌细胞具有繁殖快、易于扩散的特点，加上乳腺与淋巴结位置相近，因此容易使得癌细胞通过淋巴转移到其他部位，从而危及生命。对于乳腺癌的检查，除了体检与常规临床筛查外，通常需要进行乳腺磁共振检查；而其最后确诊，则需要依据细胞病理学和组织病理学诊断，通过穿刺或外科手术进行活检。

剩余内容已隐藏，请支付后下载全文，论文总字数：31466字