238 计算机应用与软件 208 年高过程复杂结果主观性强且变异较大等不足随着数字病理的发展, 病理实验室采集了大量的数字化 H&E 组织病理图像, 迫切需要开发基于计算机图像分析方法实现准确高效客观定量分析组织学图像, 为临床的综合治疗提供依据和参考计算机辅助诊断治疗 CAD(C

Size: px

Start display at page:

Download "238 计算机应用与软件 208 年高过程复杂结果主观性强且变异较大等不足随着数字病理的发展, 病理实验室采集了大量的数字化 H&E 组织病理图像, 迫切需要开发基于计算机图像分析方法实现准确高效客观定量分析组织学图像, 为临床的综合治疗提供依据和参考计算机辅助诊断治疗 CAD(C"

罄貌慕
5 years ago
Views:

1 第 35 卷第 7 期计算机应用与软件 Vol 35 No 年 7 月 ComputerApplicationsandSoftware Jul.208 基于卷积神经网络和迁移学习的乳腺癌病理图像分类郑群花段慧芳沈尧刘娟 ( 武汉大学计算机学院湖北武汉 ) 2 ( 武汉大学人民医院病理科湖北武汉 ) 2 袁静萍摘要乳腺癌已经成为导致女性死亡最常见的和发病率最高的恶性肿瘤对 HE 染色的乳腺癌病理图像的自动分类具有重要的临床意义针对目前存在的深度卷积神经网络只将图像分为良性和恶性两类, 同时对于高分辨率图像处理具有局限性的不足, 采用了以 AlexNet 为架构的卷积神经网络模型将图像分为乳腺导管原位癌乳腺浸润性导管癌乳腺纤维腺瘤和乳腺增生四类对于高分辨率图像, 采用图像分块的思想, 将每块的分类结果利用多数投票算法进行整合, 整合结果作为该图像的分类结果同时, 为了避免因乳腺癌病理图像标记样本过少带来的过拟合问题, 采用了迁移学习和数据增强的方法实验结果表明, 该模型识别率达到了 99.74% 关键词乳腺癌病理图像卷积神经网络图像分块多数投票算法迁移学习中图分类号 TP30 文献标识码 A DOI:0.3969/j.isn x BREASTCANCERHISTOLOGICALIMAGECLASSIFICATION BASEDONCONVOLUTIONALNEURALNETWORK ANDTRANSFERLEARNING ZhengQunhua DuanHuifang ShenYao LiuJuan YuanJingping 2 (SchoolofComputerScience,WuhanUniversity,Wuhan430072,Hubei,China) 2 (DepartmentofPathology,RenminHospitalofWuhanUniversity,Wuhan430060,Hubei,China) Abstract Breastcancerhasbeenthemostcommonandmorbidmalignanttumorthatcausesfemaledeath.Theauto clasificationofhe stainedbreastcancerhistologicalimagehasasignificantclinicalvalue.inviewoftheexisting convolutionalneuralnetworks(cnn),imagesareonlydividedintotwoclases,benignandmalignant.atthesame time,theyhavelimitationsforhigh resolutionimageprocesing.thispaperproposedacnnmodelbasedonalexnetto clasifytheimagesintofourclases,ductalcarcinomainsitu,invasiveductalcarcinoma,breastfibroadenomaandbreast hyperplasia.forhigh resolutionimages,thispaperdividedthem intopatches.theclasificationresultsofeachpatch wereintegratedbymajorityvotingalgorithm,andtheintegrationresultwasinvokedastheclasificationresultofthe image.besides,transferlearninganddataaugmentationwereadoptedinordertoavoidtheoverfitingcausedbythe limitationoflabeledtrainingsamples.theexperimentalresultsdemonstratethatthemodelrecognitionratereaches 99.74%. Keywords Breastcancerhistologicalimage CNN Imagepatch Majorityvotingalgorithm Transferlearning 0 引言乳腺癌已成为导致女性死亡最常见发病率最高的恶性肿瘤, 严重威胁着女性的身心健康 203 年卫生部统计年鉴最新数据显示 : 乳腺癌是中国女性发病率最高的癌症, 癌症死亡原因位居第六 [] 诊断乳腺癌的最可靠的依据是病理诊断苏木素 - 伊红 H&E (Hematoxylin Eosin) 染色组织病理图像分析是乳腺癌的常规诊断方法传统乳腺癌病理分析主要是通过病理医生在显微镜下对病变组织和细胞学特征人工分析, 确定其病理类型等这种诊断过程存在经验要求收稿日期 : 国家自然科学基金项目 ( ) 郑群花, 硕士生, 主研领域 : 医学图像处理, 深度学习段慧芳, 硕士生沈尧, 硕士生刘娟, 教授袁静萍, 博士

2 238 计算机应用与软件 208 年高过程复杂结果主观性强且变异较大等不足随着数字病理的发展, 病理实验室采集了大量的数字化 H&E 组织病理图像, 迫切需要开发基于计算机图像分析方法实现准确高效客观定量分析组织学图像, 为临床的综合治疗提供依据和参考计算机辅助诊断治疗 CAD(ComputerAidedDiag nosis) 早已成为国际上医学影像研究中的热点课题之一, 同时也是一个具有重要意义的课题但是由于良性肿瘤图像特征与乳腺癌图像差异较大, 因此要求计算机辅助诊断具有很高的敏感性除此之外, 目前病理实验室虽然均采集了大量的乳腺癌患者图像, 但是缺乏大量的公开的已标记的数据集, 进一步加大了计算机辅助诊断的难度目前基于计算机辅助诊断的乳腺癌组织病理图像分类主要有两类方法一是基于人工特征提取和传统机器学习算法的乳腺癌病理图像分类 [2-3] 这类方法采用人工提取特征, 基于这些特征使用支持向量机随机森林等分类器完成分类该方法存在专业知识要求高提取特征耗费时间和提取高质量的特征比较困难等缺点二是基于深度学习的乳腺癌病理图像分类随着深度学习的发展, 卷积神经网络 CNN 在计算机视觉如人脸识别手写字体识别等方面都取得了领先的成绩 [4-5] 该网络可以直接输入原始图像, 避免了对图像进行复杂的前期预处理同时由网络自主学习相应的特征, 克服了传统分类方法需要专业人士手工提取特征的缺点近年来, 卷积神经网络也逐渐运用在乳腺癌组织 [6] 病理图像的分类上 Araújo 等在以色列理工学院提供的数据集上, 利用卷积神经网络将 H&E 染色的乳腺癌组织病理图像分成正常组织癌原位癌和浸润性癌四类同时还将图像整体分成了癌和非癌两大类, 分别达到了 77.8% 和 88.3% 的识别率 206 年 7 月, [7] Spanhol 等公布了一个乳腺癌组织病理图像数据集 [8] BreaKHis 基于这个数据集,Bayramoglu 等采用放大倍数独立的深度学习方法分类, 达到了 83% 的识别 [9] 率 Wei 等在同样的数据集上, 利用 GoogLeNet 作为深度卷积神经网络模型的基本框架, 同时采用了数据增强和迁移学习的方法将图像分为良性肿瘤和恶性肿瘤, 达到了 97% 的识别率目前存在的分类方法只将乳腺癌组织病理图像分成了正常和癌变两大类, 同时对于高分辨率图像分类具有局限性针对这些问题, 本文使用深度卷积神经网络将乳腺癌病理图像分为乳腺导管原位癌乳腺浸润性导管癌乳腺纤维腺瘤和乳腺增生四类对于高分辨率图像, 提出了图像分块的思想, 对于每块的分类结果利用多数投票算法进行整合, 整合结果作为该图像的分类结果同时, 为了避免因乳腺癌病理图像标记样本过少带来的过拟合问题, 采用了迁移学习和数据增强的方法来提高模型的准确率, 以更好地满足临床需要模型与方法. 模型近年来, 卷积神经网络在图像识别领域取得较高的准确率, 而且避免了人工提取特征, 是研究领域中的研究热点, 这也是我们选择 CNN 的原因目前的卷积神经网络模型主要有 LeNet [0] VGG [] GoogLeNet [2] 和 ResNet [3] 等本文选用 Krizhevsky [4] 等提出的 AlexNet 模型该模型在大型图像数据库 ImageNet 的图像分类竞赛中获得冠军本文图像处理流程如图所示将原始图像先进行染色归一化预处理, 利用数据增强技术扩大数据集, 然后将图像分块, 输入 CNN 进行训练 ( 分类 ), 最后对每块的分类结果用多数投票算法进行整合, 整合之后的类别即为原始图像的类别图模型流程图.2 染色归一化和数据增强图像质量显著影响后续的图像分类和特征提取图像质量是由多种因素造成的, 包括固有的乳腺癌异质性组织切片制备或图像采集过程中的不一致来自

第 7 期郑群花等 : 基于卷积神经网络和迁移学习的乳腺癌病理图像分类 239 不同实验室的数据等因素采用适当的预处理方法可以在一定程度上减少这种变化目前已经提出了各种方法将组织病理图像染色归 [5] 一化 Reinhard 等利用 lαβ 色彩空间, 通过进一步对 lαβ 分量进行统计对比, 提出一个利用颜色统计均 [6] 值和方差进行色彩迁移的方法 Magee 等和 [7]

3 第 7 期郑群花等 : 基于卷积神经网络和迁移学习的乳腺癌病理图像分类 239 不同实验室的数据等因素采用适当的预处理方法可以在一定程度上减少这种变化目前已经提出了各种方法将组织病理图像染色归 [5] 一化 Reinhard 等利用 lαβ 色彩空间, 通过进一步对 lαβ 分量进行统计对比, 提出一个利用颜色统计均 [6] 值和方差进行色彩迁移的方法 Magee 等和 [7] Macenko 等同时提出了基于 CD 衍生表示的染色标 [5] 准化方法本文采用 Reinhard 等使用的方法进行预处理, 将数据进行归一化深度学习需要大量的有标注的数据集进行训练学习, 但是在现实中, 尤其是在医学领域, 往往难以获取大量有标注的数据由此, 本文采用了数据增强技术, 如仿射变换方法颜色和对比度扰动方法来增强数据集主要通过将图像旋转 90 /80 /270, 颜色和对比度扰动组合操作, 将数据扩充 0 倍.3 图像分块用高分辨率图像作为原始输入的深度卷积神经网络, 必然会导致更复杂的具有较多参数的体系结构, 用于微调和训练该复杂网络需要的时间代价也会随之变 [8] 得非常高因此利用图像分块的策略, 在不改变适用于低分辨率的 CNN 结构的前提下, 将图像分成较小的块 (patch), 以适应 AlexNet 的输入层本文数据集图像分辨率较高, 因此将图像进行了分块处理训练时, 为了增强训练数据规模, 采用有重叠的 (overlapping) 分块处理策略, 重叠率为 50%; 测试时, 为了保证分类结果的客观性, 采用不重叠的 (non overlapping) 分块策略 AlexNet 网络输入图像大小是 , 因此将数据集的原始图像分成了的块.4 AlexNet 架构典型的卷积神经网络主要由输入层卷积层下采样层 ( 池化层 ) 全连接层和输出层组成本文采用的 AlexNet 模型包括 5 个卷积层和 3 个全连接层在每一个卷积层中包含了激励函数 ReLU 以及局部响应归一化 LRN(LocalResponseNormalization) 处理模型结构如图 2 所示, 图片摘自文献 [4] 图 2 AlexNet 模型结构.4. 输入层输入层负责载入图像, 产生一个输出向量作为卷积层的输入本文模型输入为的块, 三个通道图像信息均作为输入.4.2 卷积层卷积层负责特征的学习输出图像中的每个像素都是由输入图像的对应位置的小区域的像素通过加权平均所得, 把这个小区域叫做卷积核假设输入图像为 Y i, 本文用 Y i 表示卷积神经网络第 i 层的特征图 (Y 0 =X), 假设 Y i 是卷积层,Y i 的产生过程可以描述为 : Y i =f(y i- W i +b i ) () 式中 :W i 表示第 i 层卷积核的权值向量 ; 表示卷积核和第 i- 层图像或者特征图进行卷积操作, 卷积的输出与第 i 层的偏移向量 b i 相加, 最终通过非线性的激励函数 f(x) 得到第 i 层的特征图 Y i AlexNet [4] 在每一个卷积层中包含了激励函数 ReLU 以及局部响应归一化 LRN 处理 AlexNet 模型共有 5 个卷积层,3 个全连接层, 前两个卷积层和第五个卷积层有 pool 池化层, 其他两个卷积层没有池化在第一个卷积层, 采用了 96 个大小为 3, 步长为 4 的卷积核在第二个卷积层, 采用了 256 个大小为 5 5 3, 步长为的卷积核第三第四和第五卷积层, 均采用了 384 个大小为 3 3 3, 步长为的卷积核.4.3 池化层池化层即下采样层, 通常跟在卷积层之后, 依据一定的下采样规则对特征图进行下采样下采样的功能主要有两点 :) 对特征图进行降维 ;2) 在一定的程度上保持特征的尺度不变特性, 提高算法的性能和鲁棒性常用的下采样规则有两种 : 求平均值 (mean poo ling) 和取最大值 (max pooling) 本文采用 Max pooling 方式, 第一第二和第五池化层的池化尺度均为 3 3, 步长为全连接层和输出层全连接是每个神经元和前面的所有的神经元都相连 AlexNet 模型共 3 个全连接层第一全连接层将经过卷积和下采样得到的 256 个 6 6 的特征图使用 4096 个神经元, 进行一个全连接, 输出特征图单元数为 4096 第二全连接层, 输入特征图单元数为 4096, 输出特征图单元数也为 4096 第三全连接层即输出层, 输入特征单元数为 4096, 输出特征图单元数为 000 输出层采用逻辑回归即 Softmax 回归对输入图像进行分类

6 迁移学习 CNN 的参数训练需要大规模的已标记样本, 然而对于乳腺癌病理诊断来说, 缺少大规模的已标记样本 [20] 因此, 本文采用了迁移学习的方法来解决这一问题通过在一个现有的大型数据集上预训练一个 CNN, 然后使用该预训练好的 CNN 的权重作为初始化权值, 迁移到目标数据集上进行训练和微调, 这是迁移学习的基本思想迁移学习可行是因为 CNN 的前面几层学习的是样本的泛型特征,

4 240 计算机应用与软件 208 年 Softmax 回归模型是 Logistic 回归模型在多分类问题上的推广, 在多分类问题上, 类标签可以取两个以上的值本文类标签为 4.5 多数投票算法整合由于采用了图像分块的思想, 一张图片被分割成很多不同的块, 每个块在模型分类后可能会得到不同的分类结果, 因此需要一种融合算法将分类结果进行整合, 整合结果作为该图片的分类结果 [9] 常用的融合算法有, 最大规则最小规则中值规则和多数投票规则本文采用多数投票规则 [9] 多数投票规则制定如下 : 某一类得到的票数最多, 则判定该图片属于这一类.6 迁移学习 CNN 的参数训练需要大规模的已标记样本, 然而对于乳腺癌病理诊断来说, 缺少大规模的已标记样本 [20] 因此, 本文采用了迁移学习的方法来解决这一问题通过在一个现有的大型数据集上预训练一个 CNN, 然后使用该预训练好的 CNN 的权重作为初始化权值, 迁移到目标数据集上进行训练和微调, 这是迁移学习的基本思想迁移学习可行是因为 CNN 的前面几层学习的是样本的泛型特征, 例如点线颜色等底层特征, 后几层学习的是数据集的特定特征本文在 ImageNet 数据集 [2] ( 包括 20 万余张自然图像和 000 个不同的类 ) 上预训练, 得到的模型参数作为网络的初始化参数, 然后迁移到目标数据集上进行训练本文参加训练的 patch 块数有 20 余万, 采用全局微调的策略对模型进行优化 2 实验结果及分析 2. 实验数据本文采用的实验数据来自合作医院武汉大学人民医院病理科提供的 549 张病理图像, 包括 50 张乳腺浸润性导管癌 ( 见图 3(a)) 50 张乳腺导管原位癌 ( 见图 3(b)) 50 张乳腺纤维腺瘤 ( 见图 3(c)) 和 99 张乳腺增生 ( 见图 3(d)) 其中: 乳腺浸润性导管癌和导管原位癌是乳腺癌的一种常见类型, 乳腺纤维腺瘤和乳腺增生不属于乳腺癌, 是乳腺组织的一种良性病变在此数据集中, 浸润性导管癌图像大小为 , 乳腺导管原位癌和乳腺纤维腺瘤图像大小均为 , 乳腺增生图像大小为和两个尺寸, 放大倍数均为 20 倍模式为 RGB 三个通道 (a) 乳腺浸润性导管癌 (b) 乳腺导管原位癌 (c) 乳腺纤维腺瘤 (d) 乳腺增生图 3 乳腺病理图像样例采用图像分块方法和数据增强方法之后, 用于训练的 patch 数量达 20 余万 2.2 训练策略增强前和增强后的数据被分为训练集 (60%) 验证集 (20%) 和测试集 (20%) 训练集用于训练模型和调节参数, 验证集主要用于选择模型, 测试集用于测试模型的识别和泛化能力实验结果为五次随机分配数据集实验的平均值采用的训练策略为迁移 - 微调训练 2.3 评价标准由于本文采用了图像分块的思想, 因此将实验结果评价标准分为块识别率和图像识别率对于块识别率,N p 表示测试集中所有的块数,N rp 表示正确分类的块数, 则块的识别率简记为 P: P= N rp N p (2) 对于图像识别率,N al 表示测试集所有的图像数, N r 表示测试集中正确分类的图像数图像识别率简记为 I: 2.4 实验环境及消耗 I= N r N al (3) 本文使用 Cafe 框架 [22], 在 CentOS GPUTeslaK0 上训练, 训练时间约为 3h 在 CPU 环境下, 识别一张图片需要 2s 左右, 在 GPU 下, 需要 0.7s 左右的时间 2.5 实验结果及分析实验结果如表所示, 是五次随机分配数据集得到的测试结果表中的图像类别 /2/3/4 分别代表乳腺浸润性导管癌乳腺导管原位癌乳腺纤维腺瘤和乳腺增生

第 7 期郑群花等 : 基于卷积神经网络和迁移学习的乳腺癌病理图像分类 24 表测试集的识别率图像类别 patch 识别率图像识别率 99.80% 00% 2 99.84% 00% 3 99.24% 00% 4 98.39% 98.95% AVG 99.32% 99.74% 训练时, 本文将 batch size 设置为 04, 学习率为 0.

结果显示, 在测试集上,patch 平均识别率为 99.32%, 图像平均识别率达到了 99.74% 对表中 patch 识别率为 99.32%, 而图像识别率为 99.

5 第 7 期郑群花等 : 基于卷积神经网络和迁移学习的乳腺癌病理图像分类 24 表测试集的识别率图像类别 patch 识别率图像识别率 99.80% 00% % 00% % 00% % 98.95% AVG 99.32% 99.74% 训练时, 本文将 batch size 设置为 04, 学习率为 0.00, 最大迭代次数为 0epoch, 在验证集上 patch 准确率达到 95% ~98% 然后根据 patch 分类情况和投票策略, 得到图像的分类准确率对于测试集的图像, 采用 non overlapping 分块策略每张图片分为 30 块或者 48 块, 块的大小是 , 输入已训练好的网络模型, 获得该图片每一个块的分类概率, 再根据多数投票规则判定该图片的类别结果显示, 在测试集上,patch 平均识别率为 99.32%, 图像平均识别率达到了 99.74% 对表中 patch 识别率为 99.32%, 而图像识别率为 99.74% 的原因做出如下解释 : 由于一张图像被分成 30 或 48 块之后, 每块的分类结果可能并不相同, 因而对于块的分类结果采用多数投票规则进行整合图 4 所示的两个块 (patch)a 和 B 原本是乳腺纤维腺瘤 ( 见图 5) 的 patch, 这两个 patch 都被错分成了乳腺浸润性导管癌对于图 5, 其被分成 30 个 patch, 其中 26 个 patch 分类结果正确,4 个 patch 分类结果错误根据多数投票规则, 判定该图像属于乳腺纤维腺瘤, 分类正确 2.6 与其他方法的比较由于本文使用数据集为非公开数据集, 为了对比 CNN 其他训练模型, 还尝试了文献 [23] 中采用的模型该模型类似 cifar0 网络结构, 将图像分块后, 训练总块数达到 50 万左右, 训练数据量足以从头随机初始化训练模型, 此模型的分块大小为为便于统计, 将该模型命名为 cifar0_64 为了对比 SVM 的分类效果, 本文尝试了基于词袋模型的乳腺组织病理图像分类算法 [24] 首先通过中值滤波局部对比增强变换和颜色标准化等对图像进行预处理然后采用颜色卷积运算提取图像的苏木素和伊红通道, 分别提取各通道的稠密尺度不变 (SIFT) 特征转换特征组合多通道特征后采用局部受限线性编码方式对提取的底层特征进行编码, 生成最大池空间金字塔匹配表达最后采用线性支持向量机分类模型分类三种方法的识别率对比如图 6 所示从图中可以看出,AlexNet 和 Cifar0_64 两个 CNN 模型的结果都优于 SVM AlexNet 和 cifar0_64 是 CNN 模型的两种网络结构, 对比这两个模型可以看出 : 在图像识别准确率方面,AlexNet 在乳腺纤维腺瘤该类的识别率优于 cifar0_64; 在训练时间代价方面,AlexNet 基于预训练进行微调, 只需迭代 0 轮次就达到理想的效果, 而 cifar0_64 初始化随机训练, 迭代 20 轮次才达到 97.4% 的效果由此可见, 预训的 AlexNet 模型效率更高, 其在准确率和训练代价上优于 cifar0_64 在乳腺癌的四分类图像识别方面, 两种结构的卷积神经网络的方法均优于传统 SIFT+SVM 方法 (a) (b) 图 4 乳腺纤维腺瘤切成的两块图 6 三种方法图像识别率比较对比结果表明, 本文提出的方法在时间消耗和识别率上都优于其他方法, 同时具有较好的鲁棒性和泛化能力 3 结语图 5 完整的乳腺纤维腺瘤图像本文使用以 AlexNet 为架构的卷积神经网络, 将

6 242 计算机应用与软件 208 年高分辨率乳腺癌病理图像分成乳腺导管原位癌乳腺浸润性导管癌乳腺纤维腺瘤和乳腺增生四类通过图像分块的方法, 将每块的分类结果使用多数投票算法整合, 使模型能够高效准确地处理高分辨率的乳腺癌病理图像采用迁移学习的方法解决了乳腺癌病理图像标记样本过少带来的过拟合问题实验证明, 本文提出的方法具有较高的识别率, 为临床诊断提供了更好的辅助作用本文存在的不足是实验数据仍然不是很大, 今后的工作方向是使用更多的数据测试模型的识别率参考文献 [] ZhengS,BaiJQ,LiJ,etal.Thepathologiccharacteristics ofbreastcancerinchinaanditsshiftduring :a national widemulticentercros sectionalimageover0years [J].InternationalJournalofCancer,202,3(): [2] ZhangY,ZhangB,LuW.Breastcancerhistologicalimage clasificationwithmultiplefeaturesandrandom subspace clasifierensemble[j].studiesincomputationalinteli gence,203,450: [3] 龚磊, 徐军, 王冠皓, 等. 基于多特征描述的乳腺癌肿瘤病理自动分级 [J]. 计算机应用,205,35(2): [4] WangW,YangJ,XiaoJ,etal.FaceRecognitionBasedon DeepLearning[M]//HumanCenteredComputing.Springer InternationalPublishing,204: [5]DahlJV,KochKC,KleinhansE,etal.Convolutionalnet worksandapplicationsinvision[c]//ieee International Symposium on Circuits and Systems.IEEE, 200: [6] AraújoT,ArestaG,CastroE,etal.Clasificationofbreast cancerhistologyimagesusingconvolutionalneuralnetworks [J].PlosOne,207,2(6):e [7] SpanholFA,OliveiraLS,PetitjeanC,etal.ADatasetfor BreastCancerHistopathologicalImageClasification.[J]. IEEE TransactionsonBiomedicalEngineering,206,63 (7): [8]BayramogluN,KannalaJ,Heikkil J.Deeplearningfor magnificationindependentbreastcancerhistopathologyimage clasification[c]//internationalconferenceonpaternrec ognition.ieee,207: [9] WeiB,HanZ,HeX,etal.Deeplearningmodelbased breastcancerhistopathologicalimageclasification[c]// IEEE,InternationalConferenceonCloudComputingandBig DataAnalysis.IEEE,207: [0]LécunY,BotouL,BengioY,etal.Gradient basedlearn ingappliedtodocumentrecognition[j].proceedingsofthe IEEE,998,86(): []SimonyanK,ZisermanA.VeryDeepConvolutionalNet worksforlarge ScaleImageRecognition[DB].eprintarX iv: ,204. [2]SzegedyC,LiuW,JiaY,etal.Goingdeeperwithconvolu tions[c]//205ieeeconferenceoncomputervisionand PaternRecognition(CVPR),205: 9. [3] HeK,ZhangX,RenS,etal.DeepResidualLearningfor ImageRecognition[C]//206IEEEConferenceonComput ervisionandpaternrecognition(cvpr),206: [4]KrizhevskyA,SutskeverI,HintonGE.ImageNetclasifi cationwithdeepconvolutionalneuralnetworks[c]//interna tionalconferenceonneuralinformationprocesingsystems. CuranAsociatesInc.202: [5] ReinhardE,AshikhminM,GoochB,etal.ColorTransfer betweenimages[j].ieeecomputergraphics& Applica tions,200,2(5):34 4. [6]MageeD,TreanorD,CrelinD,etal.ColourNormalisation indigitalhistopathologyimages[z].200. [7] MacenkoM,NiethammerM,MaronJS,etal.Amethod fornormalizing histology slides forquantitative analysis [C]//IEEEInternationalConferenceonSymposiumonBio medicalimaging:fromnanotomacro.ieeepres,2009: [8] SpanholFA,OliveiraLS,PetitjeanC,etal.Breastcancer histopathologicalimage clasification using Convolutional NeuralNetworks[C]//InternationalJointConference on NeuralNetworks.IEEE,206. [9]KitlerJ,HatefM,DuinRPW,etal.OnCombiningClas sifiers[j].ieeetransactionsonpaternanalysis& Ma chineinteligence,998,20(3): [20] PanSJ,YangQ.ASurveyonTransferLearning[J].IEEE TransactionsonKnowledge& DataEngineering,200,22 (0): [2]htp:// net.org/about stats. [22]JiaY,ShelhamerE,DonahueJ,etal.Cafe:Convolutional ArchitectureforFastFeatureEmbedding[C]//ACM Inter nationalconferenceonmultimedia.acm,204: [23] HafemannLG,OliveiraLS,CavalinP.ForestSpecies Recognition Using Deep ConvolutionalNeuralNetworks [C]//InternationalConference on Patern Recognition. IEEE,204: [24]LoweD G.ObjectRecognitionfrom LocalScale Invariant Features[C]//TheProceedingsoftheSeventhIEEEInterna tionalconferenceoncomputervision.ieee,2002:50.

自然科学版预处理视盘粗定位视盘垂直坐标的粗定位视盘水平坐标的粗定位

自然科学版预处理视盘粗定位视盘垂直坐标的粗定位视盘水平坐标的粗定位自然科学版文章编号视网膜图像中视盘的快速自动定位方法赵晓芳林土胜李碧摘要基于眼底视网膜血管的分布结构及视盘本身的特点提出一种快速自动定位视盘的方法首先根据视网膜血管的网络分布结构大致定位视盘的垂直坐标然后根据视盘的亮度信息及视盘与血管的关系来定位视盘的水平坐标最后把视盘限定在以粗定位的视盘为中心的一个小窗口内用变换精确定位视盘中心该方法不需要事先分割视网膜血管也不需要对算法进行训练