基于深度学习的结肠组织病理学图像的细粒度分类研究.pdf

中文摘要

结肠组织病理学图像的细粒度分类对癌症治疗和预后评估都具有重要意义。然

而，结肠组织病理学图像尤其是组织学亚型图像形态特征表现极为相似，通过人工

实现高精度识别面临着巨大挑战。而现有的基于单个模型的计算机辅助诊断方法容

易产生预测偏差，基于此，通过多角度的特征提取以提高组织病理学细粒度图像分

类准确率，对结肠癌的治疗与研究尤为重要。

针对上述问题，本文提出一种基于多距离测度异质集成学习的细粒度分类方法，

对结肠组织病理学图像微卫星状态进行分型预测。该方法综合考虑两个方面来提升

模型性能：一是借助于InceptionV3、DenseNet169和InceptionResNetV2在特征提取

过程中的偏好差异特性，通过多个异质模型集成提取更为全面的特征信息，改善单

一模型特征提取方面的不足；二是充分挖掘预测节点输出的置信分数蕴含的丰富特

征信息，通过多距离测度对潜在空间中的高级语义信息进行表征，基于余弦距离、

曼哈顿距离与欧氏距离分别度量每个基学习器所输出的置信分数与理想解的差异，

融合各距离值以提高模型的整体预测性能。实验表明，在结肠组织病理学图像的细

粒度分类任务当中，该方法的准确率、精确率、召回率与F-1分值都达到94%以上，

为病理学图像的亚型分类提供了补充视角。

然而在结肠不同微卫星状态的病理学图像中，表现出类间差异小而类内差异大

的特点，仅以距离测度衡量分类节点处的语义会导致部分细节特征信息丢失，为进

一步提升模型对于结肠组织病理学图像细粒度分类的精度，本文基于深度度量学习

理论，提出一种改进的三元组模型完成结肠组织病理学图像亚型分类，该模型通过

混合距离算法衡量分类节点之前的嵌入特征向量信息，结合自适应三元组损失函数

并利用成对样本之间的相对关系来训练网络模型，使得同类样本间距离更近而异类

样本间距离更远，实现对细粒度图像识别精度的提升。实验表明，所提网络模型在

结肠组织病理学图像亚型分类任务中的分类准确率、精确率、召回率与F-1分值各

指标均达到95.8%以上，其AUC值达到0.9922，该框架的优越性能为组织病理学细

粒度图像块的高精度预测奠定理论基础。

关键词：集成学习；细粒度分类；距离测度；病理图像；深度度量学习

I

ABSTRACT

Thefine-grainedclassificationofcolonhistopathologicalimagesisofgreat

significanceforcancertreatmentandprognosisassessment.However,thesubtyping

imagesofcolonhistopathologicalareextremelysimilarinmorphology,and

high-precisionidentificationthroughmanualmethodsisachallengingtask.Atpresent,the

existingcomputer-aideddiagnosismethodsbasedonasinglemodelareproneto

predictionbias.Therefore,itisparticularlyimportantforthetreatmentandresearchof

coloncancertoimprovetheaccuracyofthefine-grainedclassificationofcolon

histopathologicalimagesthroughmulti-anglesfeatureextraction.

Inresponsetotheaboveissue