使用生成對抗網絡（GAN）擴充宮頸癌病理圖像的數(shù)據集以提高計算機輔助診斷的準確率.首先,使用GAN進行細胞質部分圖像生成;其次,使用兩次k-means聚類對生成圖像進行篩選;最后,使用Inception-V3模型對數(shù)據集進行分類訓練.結果表明,在測試集相同的情況下,該方法可以將總體分類準確率提升約2. 5%,尤其對低分化宮頸癌病理圖像有顯著效果.通過GAN解決了組織病理學圖像無方向性、內容復雜、前景目標規(guī)則性差等問題,證明了該方法的有效性及發(fā)展?jié)摿? 

【文章來源】：東北大學學報(自然科學版). 2020,41(07)北大核心EICSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

宮頸癌組織病理學圖像實例

步驟5在訓練與分類過程中，對比使用原始宮頸癌組織病理學圖像訓練的分類結果和加入生成圖像后訓練的分類結果并進行分析，以調整生成圖像加入的比例，進一步優(yōu)化分類結果．2.2 數(shù)據擴充

由于宮頸癌組織病理學圖像在深度學習分類中主要使用細胞核的特征，而細胞核沒有固定形狀，難以使用GAN進行生成，因此本研究使用GAN進行圖像中次要特征的生成(細胞質與細胞間質部分)．經過合理預處理的宮頸癌組織病理學圖像數(shù)據有低分化64 000張圖像與高分化64 000張圖像．實驗使用GAN進行圖像生成，訓練中將batch size設定為100，一共訓練100 000迭代次數(shù)[19-20]．實驗對生成過程中的結果參數(shù)進行分析，迭代次數(shù)在50 000以上時，判別模塊對生成圖像的識別正確率為90%左右，準確率不再明顯上升，生成結果如圖3所示．2.4 生成圖像的篩選

【參考文獻】：
期刊論文
[1]基于圖論的分裂型人格障礙多加權腦結構網絡研究[J]. 齊守良,張波,李萌,伍建林.  東北大學學報(自然科學版). 2019(08)
[2]計算機自動識別宮頸細胞涂片技術[J]. 丁海艷,孫允高,葉大田.  國外醫(yī)學.生物醫(yī)學工程分冊. 2000(02)
[3]食管癌計算機輔助診斷中醫(yī)學圖像的量化與數(shù)據處理[J]. 李連捷,宋金英,許朝英,焦榮.  河北醫(yī)科大學學報. 1996(01)



本文編號：3401473