基于互信息的多通道联合稀疏模型及其组织病理图像分类

针对传统联合稀疏模型中共有分量与独有分量都采用相同的字典进行特征表示,导致编码系数判别性低的问题,提出一种基于互信息的多通道联合稀疏模型,并将其应用于组织病理图像的分类.该模型通过K均值对样本特征进行聚类,分别得到R,G与B通道的字典;其次利用样本特征与3个字典之间的互信息,剔除弱相关原子且构造了1个共有字典与3个独有字典,以此为基础建立了多通道联合稀疏模型;同时引入图像的空间信息,结合空间金字塔匹配模型对不同层次的图像特征进行联合稀疏编码,利用编码系数训练SVM分类器.实验结果表明,该模型具有更好的特征表示能力,大大提高了编码系数的判别性,获得了较好的分类性能与较强的鲁棒性.

用于组织病理图像分类的端到端注意力池化方法

近年来,有很多基于深度学习的分类模型被提出。由于组织病理图像的尺寸极大,现有方法一般先将其切割为很多等尺寸的小图像块(切块),再构建分类模型。分类模型首先提取各切块的特征,然后采用池化等方法将各切块特征融合为整个病理组织图像的特征表示,并对图像进行分类。其中切块特征的提取与后续的特征融合与分类过程互相独立,导致模型无法根据后续的分类结果反馈自适应学习切块特征,因此无法确保得到最有利于图像分类的特征。为解决上述问题,提出了一种基于切块打分模型的端到端注意力池化的病理图像分类方法。首先,基于多示例学习方法构造一个切块打分模型对每个切块进行打分,根据得分选择部分切块;然后,再采用注意力池化机制融合被选的部分切块的特征构建分类模型。同时,根据病理图像特点,提出在注意力池化机制中采用自定义的平方平均函数进行权重归一化,使阳性病理图像中得分高的切块获得更多关注,让分类结果具有更好的可解释性。在公开的CAMELYON16和BACH数据集上分类的F1分数分别达到了0.644和0.593,结果表明,深度学习模型中采用所提出的端到端注意力池化方法比采用其他池化方法可达到更优的分类性能,这证明了所提方法在病理图像分类应用中的有效性。

面向乳腺病理图像分类的非相干字典学习及稀疏表示算法

针对乳腺病理图像分类,提出一种非相干字典学习及其稀疏表示算法.首先针对不同类别的图像,基于在线字典学习算法分别学习各类特定的子字典;其次利用紧框架建立一种非相干字典学习模型,通过交替投影优化字典的相干性、秩与紧框架性,从而有效地约束字典的格拉姆矩阵与参考格拉姆矩阵的距离,获得判别性更强的非相干字典;最后采用子空间旋转方法优化非相干字典的稀疏表示性能.利用乳腺癌数据集BreaKHis进行实验的结果证明,该算法所学习的非相干字典能平衡字典的判别性与稀疏表示性能,在良性肿瘤与恶性肿瘤图像分类上获得了86.0%的分类精度;在良性肿瘤图像中的腺病与纤维腺瘤的分类上获得92.5%的分类精度.

基于生成对抗网络的低分化宫颈癌病理图像分类

使用生成对抗网络(GAN)扩充宫颈癌病理图像的数据集以提高计算机辅助诊断的准确率.首先,使用GAN进行细胞质部分图像生成;其次,使用两次k-means聚类对生成图像进行筛选;最后,使用Inception-V3模型对数据集进行分类训练.结果表明,在测试集相同的情况下,该方法可以将总体分类准确率提升约2. 5%,尤其对低分化宫颈癌病理图像有显著效果.通过GAN解决了组织病理学图像无方向性、内容复杂、前景目标规则性差等问题,证明了该方法的有效性及发展潜力.