基于深度学习的细胞癌恶化程度预测方法研究.docxVIP

基于深度学习的细胞癌恶化程度预测方法研究 　　摘要：细胞癌是当今致死率最高的癌症之一，细胞癌恶化程度预测方法对治疗该病症具有重大意义。对细胞图像病理识别数据集中的癌症细胞切片进行检测，首先利用数据增加技术，增加模型训练集和测试集，然后设计卷积神经网络训练和测试网络结构，再结合经验设置优化参数进行预测模型训练，从而为细胞癌恶化程度预测提供一个深度模型的检测手段。随着深度学习的发展和医学图像在临床上的应用，以及医学影像数据集的不断完善，该方法有望为医生诊断细胞癌恶化程度提供一种有效工具。　　关键词关键词：深度学习；细胞癌；检测；卷积神经网络　　DOIDOI：/　　中图分类号：TP301　　文献标识码：A文章编号文章编号：　　英文摘要Abstract：Cell carcinoma is one of the highest mortality rates in today’s society. The prediction of cell cancer progression have a great significance for the treatment of this disease. In this paper， the cell image provided in the pathological identification data set by JuShuLi are detected. First， data augmentation is used to add the model training set and test set， and then， the convolution neural network training network structure and testing network is designed， the predictor model is trained by setting the optimization parameters combined with experience. Thus providing a depth detection method for the prediction of cell cancer progression. With the development of deep learning and the clinical application of medical images， the medical image data sets are constantly improved. This method is expected to provide an effective tool for doctors diagnose the deterioration of cell carcinoma.　　英文关键词Key Words：deep learning； cell carcinoma； detection； convolution neural network　　0引言　　细胞是组成人体的最基本单位，其规则的生长衰变对人体健康至关重要。当出现不规则的生长情况时，病理学家可以对恶化细胞进行检测，以确定细胞是否恶化癌变。由于空间和时间上的基因异质性以及纹理和形状上的不确定性，尽管病理学家经验丰富，但诊断误差率仍有30%～40%。病理学家通过活体检测或医学影像主观地分析细胞的形态是否由正常的扁平梭状变成了恶化的球形、细胞核是否分叶、颜色是否淡化等特征，往往只能作出初步诊断，必须结合个人病史，甚至家族病史才能给出最终诊断结果。此类主观诊断方法周期很长，而且临床数据显示误诊率较高。因此，找到一种高效、准确的细胞癌恶化程度预测方法尤为重要。　　癌症恶化程度预测方法备受关注，特别是随着特征提取、分类器、机器学习算法的产生以及深度学习思想的提出，这一领域研究很多。如张利文团队[1]提出了基于定量影像组学的肺肿瘤良恶性预测方法。该方法先通过雪橇自动生长对病灶区域进行分割，然后进行特征提取和特征选择，最后通过SVM训练预测模型，预测准确度在80%左右，但工作量较大。Rejintal 团队[2]提出的基于图像处理的白血病癌细胞检测方法，主要采用k均值分割、灰度共生矩阵和SVM分类器，但此方法提取特征?^少，文章中没有给出识别精度。在相关研究基础上，本文提出一种基于深度学习的细胞癌恶化程度预测方法。　　深度学习是机器学习研究的一个新领域，其目标在于建立能模拟人脑进行学习的神经网络来解释数据，通过组合低层特征形成更加抽象的高层特征，从而发现分布式特征。卷积神经网络是模拟人脑网络的一种，它不但具有尺度不变性，而且具有权值共享等