本发明属于医学图像处理领域，尤其涉及一种基于卷积神经网络的肝部病理图像分类领域。
背景技术：
卷积神经网络(convolutionalneuralnetwork)是近年发展起来，并引起广泛重视的一种人工神经网络结构。卷积神经网络具有良好的容错能力，并行处理能力以及自我学习能力，在语音识别，人脸识别方面有很好的成就。目前被应用最广泛的是在计算机的图像识别方面。
肝癌是一种发病率和死亡率都很高的恶性肿瘤，分为原发性和继发性两类，对人类的健康和生命有极大的危害。肝癌发生时，病变部分易转移，且转移速度较快，但在癌症初期，症状不明显。目前对肝癌的检测也有多种不同的方式，对于组织切片分类，传统的方法需要人工来进行，人为特征提取进行分类，此方法在很大程度上取决于特征的明显程度，效果较差，误差率较高。
技术实现要素：
为了解决上述问题，本发明提供了一种基于卷积神经网络的肝部病理图像分类方法，该发明不仅提高了识别率，且其分类实现了自动化，更省时省力。
为了达到上述目的，本发明采用的技术方案为：
一种基于卷积神经网络的肝部病理图像分类方法，包括以下步骤：s0：收集图像并将图像缩放至预设像素形成图像集；s1：对图像集中的图像预处理，以使图像集中的数据增广；s2：建立卷积神经网络模型；s3：训练卷积神经网络模型，并求解卷积神经网络的权重；s4：输入待分类的肝部病理图像，该待分类的肝部病理图像与卷积神经网络模型中图像对比后得到分类结果。
作为本发明的进一步优化，在步骤s1中，具体包括：对图像集中的图像设置放缩因子，并随机选取图像在[0，40]之间随意转动角度；水平方向和竖直方向均在原基础上偏移0到20％；逆时针方向剪切变换原图像的20％；随机缩放的幅度为原图像的80％到120％；随机对图片执行水平翻转操作，当对图片进行平移、放缩、错切操作时，图片中缺失的地方用nearest方式补全；设置epoch和batch大小；不断地生成数据，支持数据提升，直到达到预设epoch次数为止。
作为本发明的进一步优化，在步骤s2中，具体为：建立19层卷积神经网络模型，其中该模型中前三层为卷积层，之后分别为最大池化层、卷积层、卷积层、最大池化层、11层混合层和全连接层。
作为本发明的进一步优化，在步骤s2中，具体为：全连接层包括flatten层，dense层，dropout层和dense层，其中，dropout层参数设置为0.5。
作为本发明的进一步优化，在步骤s2中，具体为：前三层卷积核都为[3，3]；输入深度分别为3，32，32；输出深度分别为32，32，64；filter过滤数目是32，32，64；第一层的filter的参数是3x3x3＝27个，第二层为3x3x32＝288个，第三层为3x3x32＝288个；最大池化层的池化是将3x3的区域进行步长为2的max的下采样；中间两层卷积层的卷积核分别为[1，1][3，3]，输入深度为64，80，输出深度为80，192，filter数目分别为64个和720个；11层混合层是3个连续的inception模块组，每个模块组包括多个inception模块，分别是3个，5个和3个；卷积层与全连接层之间设置flatten层用以过渡，把多维的输入一维化，添加一个输出维度为256的dense层，并添加激活函数relu，为输入数据施加dropout层，dropout层将在训练过程中每次更新参数时随机闭合50％神经元，最后再添加一个输出维度为4的dense层，加入分类函数softmax。
作为本发明的进一步优化，在步骤s3中，具体为：利用sgd随机梯度下降法的优化器对模型进行训练，学习率为10-4，动量参数为0.9。
与现有技术相比，本发明的优点和积极效果在于：本发明基于卷积神经网络的肝部病理图像分类方法，其通过建立卷积神经网络模型，实现了对待分类肝部细胞的自动化匹配识别并分类，相较于现有技术，不仅提高了识别率，更省时省力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1a-图1d为本发明方法步骤s0图像集中的高分化肝细胞性肝癌图像；
图2a-图2d为本发明方法步骤s0图像集中的低分化肝细胞性肝癌图像；
图3a-图3d为本发明方法步骤s0图像集中的中分化肝细胞性肝癌图像；
图4a-图4d为本发明方法步骤s0图像集中的正常肝细胞性肝癌图像；
图5a为本发明方法步骤s4中高分化肝细胞性肝癌的验证图像；
图5b为本发明方法步骤s4中低分化肝细胞性肝癌的验证图像；
图5c为本发明方法步骤s4中中分化肝细胞性肝癌的验证图像；
图5d为本发明方法步骤s4中正常肝细胞性肝癌的验证图像。
具体实施方式
下面，通过示例性的实施方式对本发明进行具体描述。然而应当理解，在没有进一步叙述的情况下，一个实施方式中的元件、结构和特征也可以有益地结合到其他实施方式中。
本发明提供了一种基于卷积神经网络的肝部病理图像分类方法，该分类方法包括以下步骤：
s0：收集图像并将图像缩放至预设像素形成图像集；
如图1a-图4d中，该收集的图像可包括高分化肝细胞性肝癌图像、低分化肝细胞性肝癌图像、中分化肝细胞性肝癌图像以及正常肝细胞性肝癌图像，其中，图1a-图4d仅为举例性的示意，在此并不局限于该四种图示；
s1：对图像集中的图像预处理，以使图像集中的数据增广；
在该步骤中，具体包括：对图像集中的图像设置放缩因子，此处的放缩因子可选为1/255，把像素值放缩至0-1之间有利于后期建立模型的收敛；并随机选取图像在[0，40]之间随意转动角度；水平方向和竖直方向均在原基础上偏移0到20％；逆时针方向剪切变换原图像的20％；随机缩放的幅度为原图像的80％到120％；随机对图片执行水平翻转操作，当对图片进行平移、放缩、错切操作时，图片中缺失的地方用nearest方式补全；设置epoch和batch大小，如设置epoch大小为200，batch大小为16；不断地生成数据，支持数据提升，直到达到预设epoch次数为止。
s2：建立卷积神经网络模型；
在该步骤中，具体为：建立19层卷积神经网络模型，其中该模型中前三层为卷积层，之后分别为最大池化层、卷积层、卷积层、最大池化层、11层混合层和全连接层。其中，此处的全连接层包括flatten层，dense层，dropout层和dense层，其中，dropout层参数设置为0.5；在该19层卷积神经网络模型中，前三层卷积核都为[3，3]；输入深度分别为3，32，32；输出深度分别为32，32，64；filter过滤数目是32，32，64；第一层的filter的参数是3x3x3＝27个，第二层为3x3x32＝288个，第三层为3x3x32＝288个；最大池化层的池化是将3x3的区域进行步长为2的max的下采样；中间两层卷积层的卷积核分别为[1，1][3，3]，输入深度为64，80，输出深度为80，192，filter数目分别为64个和720个；11层混合层是3个连续的inception模块组，每个模块组包括多个inception模块，分别是3个，5个和3个；卷积层与全连接层之间设置flatten层用以过渡，把多维的输入一维化，添加一个输出维度为256的dense层，并添加激活函数relu，为输入数据施加dropout层，dropout层将在训练过程中每次更新参数时随机闭合50％神经元，最后再添加一个输出维度为4的dense层，加入分类函数softmax。
s3：训练卷积神经网络模型，并求解卷积神经网络的权重；
在该步骤中，具体为：利用sgd随机梯度下降法的优化器对模型进行训练，学习率为10-4，动量参数为0.9。
s4：输入待分类的肝部病理图像，该待分类的肝部病理图像与卷积神经网络模型中图像对比后得到分类结果。
如图5a-5d所示，在该四个图中，即是将待分类的肝部病理图像输入至模型中所得出的分类结果，通过验证可知，图5a的正确率为100.00％，图5b的正确率为99.99％，图5c的正确率为99.93％，图5d的正确率为100.00％。
通过本发明上述基于卷积神经网络的肝部病理图像分类方法，相较于现有技术，使用更方便，结果更精准，分辨率更高。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。