论文部分内容阅读
乳腺癌是女性致死率最高的恶性肿瘤。为提高诊断效率，提供给医生更加客观和准确的诊断结果，本文以BreaKHis数据集为基础进行了深入研究。主要内容如下:(1)本文借助影像组学(Radiomics)的方法，分割出乳腺肿瘤病理图像的细胞核，提取了细胞核的形态特征和强度特征以及整张图像的纹理特征和颜色特征，共585维特征向量，采用ReliefF进行特征选择，然后利用随机森林(Random Forest,RF)、极限学习机（Extreme Learning Machine,ELM）、支持向量机（Support Vector Machine,SVM）等3种不同的分类器构建乳腺肿瘤的分类模型，结果表明，基于SVM的分类效果最好，在二分类上患者水平准确率能达到95.96%，图像水平准确率达到95.82%；在八分类上患者水平准确率能达到86.15%，图像水平准确率达到86.68%。(2)本文提出了一个基于ResNet50的深度级联卷积神经网络（CNN），用于乳腺肿瘤的良恶性分类以及子类型的八分类。首先采用图像分块的思想，借助迁移学习和数据增强的方法，将预处理的乳腺肿瘤病理图像输入到第一级网络进行良恶性分类。然后将前一级网络的输出作为后一级网络的输入，实现乳腺肿瘤各子类型的八分类。最后将每块的分类结果进行整合，整合结果作为该图像的分类结果。在二分类上患者水平准确率能达到99.26%，图像水平准确率达到99.18%；在八分类上患者水平准确率能达到98.39%，图像水平准确率达到98.63%。证明了该框架在乳腺肿瘤分类上的有效性。