关键词:
医学图像
迁移学习
元学习
图像分类
双分支网络
摘要:
乳腺癌发病率在世界范围内逐年增加,对乳腺癌亚型进行准确的分类是精准治疗的关键。乳腺癌的诊断费时费力,虽然计算机辅助诊断(Computer Aided Diagnosis,CAD)系统的引入可以帮助医生更好的诊断乳腺癌,但当前形势是很难建立高质量的医学图像数据集,这种数据稀缺严重阻碍了CAD系统的发展。虽然迁移学习和元学习的出现可以缓解数据稀缺方面的不足,但由于自然图像数据集与医学图像数据集特征相差较大,迁移学习很难取得进展,而元学习虽然泛化能力强,但对数据量要求较高,需要充足的数据进行元训练,同时由于元学习本身特点的限制,导致其无法部署更深的网络以提高其特征提取能力,虽然已有研究者将元学习与迁移学习进行结合,但这些研究大多是为了处理自然图像处理领域中的少样本分类问题,并没有针对医学图像特殊性分类的算法。基于此考虑,本文提出了两个基于元迁移学习的乳腺组织病理学图像多分类模型,具体贡献如下。
(1)提出了分组残差元迁移学习病理学图像分类模型。该模型先在自然图像中进行预训练,再通过参数级的缩放和移位微调方式将预训练权重迁移到医学图像数据集中,通过元学习双层优化的方式进行模型优化,最终进行医学图像分类。该模型结合了元学习与迁移学习的优势,同时在元训练阶段加入了适用于医学图像数据特征的动态困难样本挖掘策略,保证模型能够持续进行失败任务学习,除此之外本研究提出了一个分组卷积网络,从一定程度上弥补了元学习浅层网络的劣势。
(2)提出了双分支协同元迁移学习病理学图像分类模型。该模型设计了另一个辅助分支,通过双网络的方式解决了元学习无法部署更深网络的不足,主干网络负责提取主要特征,辅助网络负责提取图像的细微特征,最终辅助网络提取到的特征通过特征拼接的方式融入到主干网络中协助对预训练模型进行优化,最终实验表明双分支协同模型的分类能力基本高于当前最新的研究成果。
(3)设计并实现了乳腺组织病理学图像分类系统,该系统图形交互界面简洁,功能完整,可以帮助医生对输入的病理学图像进行分类。
除此之外,本研究还通过四个公开可用的医学图像数据集的分类实验,其中两个乳腺组织病理学图像数据集以验证模型分类能力,两个其他部位组织病理学图像数据集以验证模型泛化能力,经过大量实验表明,本研究所提出的方法均优于现有的分类方法。