检索历史 清除

摘要乳腺癌作为全球女性发病率第一的恶性肿瘤，其早期的检测和诊断对于及时提供治疗、遏制病情发展有着重要意义，然而基于人工识别的病理图像分析需耗费大量的人力,并且病理学家主观意识的偏差和图像的复杂程度都会对诊断结果造成一定的影响，甚至会出现误诊、漏诊，因此使用计算机辅助医生进行病理图像诊断是非常必要的。目前大多数研究人员所使用的针对乳腺癌组织病理图像分类任务的计算机辅助诊断方法存在分类准确率较低、分类不够细致、模型参数量过大、缺少面向临床的应用系统等问题。最近，部分研究人员为解决卷积运算存在的感受野小这一局限性，将自注意力机制引入图像分类任务中，并获得了较好的效果。受此启发，本文将自注意力机制与卷积神经网络相结合，一方面解决了卷积运算的局限性，另一方面弥补了仅使用自注意力网络对数据集体量要求较大的限制。与此同时提出了一种模型压缩算法，将训练好的模型进行剪枝操作，从而减少了计算时间，降低了参数量，在上述研究的基础上，设计了一套完整的分类系统，以达到临床应用的目的。本文的主要工作如下:<br>　　(1)提出了融合卷积神经网络和双尺度自注意力机制的乳腺癌组织病理图像分类网络，在带残差结构的卷积神经网络的基础上加入先进的通道自注意力方法和空间自注意力方法，针对复杂的病理图像，从多个尺度、使用多种网络对其进行特征提取，克服了单独使用卷积神经网络时，由于卷积核感受野的局部性特点，仅能处理图像中相邻区域的特征，在处理较远区域时往往难以建立有效的关联这一缺点;与此同时，还克服了单独使用自注意力网络时过度依赖大量训练图像这一缺点。在训练阶段，针对乳腺癌病理图像特点，提出了一种适应性测试时图像增强策略(Test-Time Augmentation,TTA)。使用公开数据集BreakHis训练上述网络，通过大量实验验证了该分类网络的有效性，得到了精度较高的分类模型。<br>　　(2)为了提高实际应用时模型的计算速度，本文提出了基于SE机制和上四分位截断的剪枝方法来压缩模型，使用SE机制可评估模型通道重要性的特点，并选择上四分位点作为截断因子，将不重要的滤波器通道删掉，对已训练完成的最优模型进行剪枝，在保证准确率的同时，实现了模型参数量减少，同时提高了模型的泛化能力，便于更好的应用于临床中的计算机辅助诊断。<br>　　(3)基于前文中提出的乳腺癌组织病理图像分类模型，本文将压缩后的模型作为分类依据，根据功能需求分析，设计了乳腺外科信息管理与图像分类系统，主要分为四个模块:新建病例、查看历史病例、快速诊断、系统管理。该系统实现了将病人基本信息和诊断记录存入数据库，以便信息的管理和查询，还实现了输入病理图像后的分类结果实时输出，同时向医生展示分类模型输出的各个病症的概率。经过压缩后的模型体积缩小、运算量减少，使系统在配置不高的设备上也可以正常运行，具有较强的临床可应用性。