基于多层感知机的肺部组织病理图像类型辅助分类方法

本发明涉及病理数据图像处理，具体涉及一种基于多层感知机的肺部组织病理图像类型辅助分类方法。

背景技术：

1、肺癌已经成为世界上主要的癌症疾病之一。肺癌分别是男性和女性恶性肿瘤发病率得第一位和第二位。其中，肺鳞癌得发病率近年来呈下降趋势，约占肺癌得30％～40％；腺癌得发病率则呈上升趋势，约占肺癌的40％～55％，因此腺癌是肺癌的主要亚型。腺癌又可以分为浸润性肺腺癌和微浸润性肺腺癌。

2、医生诊断肺癌的最可靠的科学依据是通过病理学检查。通过观察病理图像中细胞的大小、形态、位置等来判断肺癌得具体亚型。精准的病理诊断对病人的治疗是至关重要的。但是，病理诊断对于病理医生也是一项复杂的工作，不仅费时费力，而且还难免会出现漏诊误诊得情况。

3、随着人工智能的快速发展，深度学习在不同领域得到了广泛的应用。越来越多的研究表明深度学习算法在医学图像分析中的可靠性，尤其是肺癌组织病理图像的识别任务中。

4、然而，上述研究在处理肺癌组织病理图像所用的算法大多是卷积神经网络(cnn)和vision transformer(vt)，cnn是针对图像中的局部信息，vt是捕捉图像中的全局信息。cnn中的卷积操作、vt中的自注意力机制都是很复杂的操作，这也导致了模型的复杂性，不利于部署在辅助诊断系统中。

5、多层感知机模型具有网络结构简洁，操作简单的优点,但是多层感知机只能捕获到全局信息，现有技术很少使用多层感知机算法。因此，亟需一种基于局部信息和全局信息的多层感知机算法来处理肺癌病理数据。

技术实现思路

1、本发明为解决目前主流算法卷积神经网络、vision transformer中的卷积操作和自注意力机制过于复杂，算法的训练时间较长导致诊断系统复杂等问题，提供一种基于多层感知机的肺部组织病理图像类型辅助分类方法。

2、基于多层感知机的肺部组织病理图像类型辅助分类方法，包括以下步骤：

3、步骤一：将获取肺部组织病理图像数据以及收集的公开的肺部组织病理数据并制作混合数据集，将所述混合数据集划分为训练集和测试集；

4、步骤二：对所述混合数据集进行数据处理，将图像大小调整到统一尺寸，对数据的背景颜色进行归一化处理，并进行数据增强处理；

5、步骤三：建立多层感知机模型，将步骤二处理后的混合数据集中训练集数据输入到多层感知机模型，在特征提取层中提取特征图，最终经过全局池化和全连接层获取图像的分类结果；

6、步骤四：采用测试集对所述步骤三中训练好的多层感知机模型的性能进行测试，完成对多层感知机模型的性能指标评估。

7、本发明的有益效果：

8、本发明所述的病理图像类型辅助分类方法，其中多层感知机模型不使用任何复杂的卷积操作和自注意力机制，模型结构简单，计算量小，处理速度快。设计了双数据流输入方式，使模型在可以捕捉全局信息的基础上还可以捕捉到局部信息，充分提取图像中的语义信息，提高模型对肺部组织病理图像的分类性能。

技术特征：

1.基于多层感知机的肺部组织病理图像类型辅助分类方法，其特征是：该方法由以下步骤实现：

2.根据权利要求1所述的基于多层感知机的肺部组织病理图像类型辅助分类方法，其特征在于：步骤二中，对病理图像数据进行增强处理，包括对数据进行水平翻转、旋转、缩放、高度移动和宽度移动操作，使数据集中的数据量扩充到原来的五倍。

3.根据权利要求1所述的基于多层感知机的肺部组织病理图像类型辅助分类方法，其特征在于：步骤三中，所述多层感知机模型包括输入层、特征提取层、分类层；

技术总结
基于多层感知机的肺部组织病理图像类型辅助分类方法，涉及病理数据图像处理技术领域，解决现有的卷积神经网络、VisionTransformer中的卷积操作和自注意力机制过于复杂，算法的训练时间较长导致分类方法复杂等问题，本发明通过获得混合数据集，建立多层感知机模型以及对模型进行性能评估等步骤实现病理图像类型的辅助分类。本发明中的多层感知机模型不使用任何复杂的卷积操作和自注意力机制，模型结构简单，计算量小，处理速度快。设计了双数据流输入方式，使模型在可以捕捉全局信息的基础上还可以捕捉到局部信息，充分提取图像中的语义信息，提高模型对肺部组织病理图像的分类性能。

技术研发人员：刘名扬,李立元,张天瑜,李玉光,梅智,栾岚
受保护的技术使用者：吉林大学
技术研发日：
技术公布日：2024/1/11