(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211139740.4 (22)申请日 2022.09.19 (71)申请人 新乡医学院第一附属医院 地址 453100 河南省新乡市卫辉健康路8 8 号 (72)发明人 张景航　王现伟　张燕飞　刘冬玲　 朱彦艳　秦宇　王来　庞婷　 (74)专利代理 机构 郑州芝麻知识产权代理事务 所(普通合伙) 41173 专利代理师 张丹丹 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 基于深度学习和迁移学习的肺腺癌组织学 亚型分类方法 (57)摘要 本发明涉及医学影像 分类技术领域， 具体涉 及基于深度学习和迁移学习的肺腺癌组织学亚 型分类方法， 该方法包括： 获取待检测肺腺癌图 像； 利用肺腺癌组织学亚型分类网络， 确定待检 测肺腺癌图像对应的目标肺腺癌组织学亚型， 并 输出目标肺腺癌组织学亚型。 本发 明通过迁移学 习解决可用训练数据较少的问题， 以提高分类性 能， 与传统方法相比， 该方法可 以为肺腺癌组织 学类型的病理诊断提供必然的支持并提高分类 性能。 与其他先进的方法相比， 本方案取得了更 好的分类 结果， 准确度为0.91， 灵 敏度为0.89， 特 异性为0.88。 优越的性能及其较高的准确度和灵 敏度都表明所提出的影像组学模型具有应用于 肺腺癌病理分型诊断的潜力。 权利要求书1页 说明书8页 附图4页 CN 115471701 A 2022.12.13 CN 115471701 A 1.一种基于深度学习和迁移学习的肺腺癌组织学亚型分类方法， 其特征在于， 包括以 下步骤： 获取待检测肺腺癌图像； 利用训练完成的肺腺癌组织学亚型分类网络， 对待检测肺腺癌图像进行分类， 确定待 检测肺腺癌图像对应的目标肺腺癌组织学亚型； 通过肺腺癌组织学亚型分类网络， 输出目标肺腺癌组织学亚型。 2.根据权利要求1所述的一种基于深度学习和迁移学习的肺腺癌组织学亚型分类方 法， 其特征在于， 所述肺腺癌组织学亚型分类网络的训练过程， 包括： 构建肺腺癌组织学亚型分类网络， 其中， 训练前的肺腺癌组织学亚型分类网络包括的 卷积层的权 重与训练完成的预 先训练网络包括的卷积层的权 重相同； 获取肺腺癌原始病理图像集合， 其中， 肺腺癌原始病理图像集合中的肺腺癌原始病理 图像对应的肺腺癌组织学亚型已知； 通过基于特征方法， 对肺腺癌原始病理图像集合中的肺腺癌原始病理图像进行预处 理， 得到目标 数据集； 利用目标数据集， 对肺腺癌组织学亚型分类网络进行训练， 得到训练完成的肺腺癌组 织学亚型分类网络 。 3.根据权利要求2所述的一种基于深度学习和迁移学习的肺腺癌组织学亚型分类方 法， 其特征在于， 所述通过基于特征方法， 对肺腺癌原始病理图像集合中的肺腺癌原始病理 图像进行 预处理， 得到目标 数据集， 包括： 对于肺腺癌原始病理图像集合中的每个肺腺癌原始病理图像， 对所述肺腺癌原始病理 图像进行分割， 得到所述肺腺癌原 始病理图像对应的感兴趣图像； 对于肺腺癌原始病理图像集合中的每个肺腺癌原始病理图像， 对所述肺腺癌原始病理 图像对应的感兴趣图像进 行水平和垂直翻转， 得到所述肺腺癌原始病理图像对应的水平图 像和垂直图像； 将肺腺癌原始病理图像集合中的各个肺腺癌原始病理图像对应的感兴趣图像、 水平图 像和垂直图像， 分别确定为目标 数据， 得到目标 数据集。 4.根据权利要求2所述的一种基于深度学习和迁移学习的肺腺癌组织学亚型分类方 法， 其特征在于， 肺腺癌组织学亚型分类网络是密集卷积网络 。 5.根据权利要求2所述的一种基于深度学习和迁移学习的肺腺癌组织学亚型分类方 法， 其特征在于， 所述预 先训练网络的训练过程， 包括： 构建预先训练网络； 获取原始图像集 合， 其中， 原 始图像集 合中的原 始图像对应的标签为类别； 利用原始图像集合和原始图像集合中的各个原始图像对应的标签， 对预先训练网络进 行训练， 得到训练完成的预 先训练网络 。权　利　要　求　书 1/1 页 2 CN 115471701 A 2基于深度学习和迁移 学习的肺腺癌组织学亚型分类方 法 技术领域 [0001]本发明涉及医学影像分类技术领域， 具体涉及基于深度学习和迁移学习的肺腺癌 组织学亚型分类方法。 背景技术 [0002]肺腺癌是肺癌最常见的组织学类型， 是全球癌症死亡的主要原因。 尽管基于肿瘤 的组织学和遗传特征的靶向诊断和治疗取得了显著进展， 但肺腺癌平均每年导致全球超过 500000人死亡。 随着病理学家对肺腺癌形态学分型的研究进展， 目前更多地关注于肺腺癌 组织学亚型分类的治疗 决策。 肺腺癌的组织学分类具有重要意义， 因为它不仅是可靠的预 后标志， 还可以预测生存率。 2015年， WHO(World  Health Organization， 世界卫生组织)确 定了肺腺癌的五种组织学亚型， 包括腺泡型、 实体型、 贴壁型、 微乳头型和乳头型， 每型都具 有较独特 的生长方式。 如腺泡性腺癌： 癌组织呈腺泡状或小管状； 乳头状腺癌： 突出的组织 形态特征是含有纤维血管轴心的乳头， 乳头表面被覆的癌细胞异型性显著， 有明显核 仁； 伴 微乳头结构的肺腺癌： 无纤维血管轴心的微乳头簇(微乳头)， 漂浮在肺泡腔或小乳头密集 在纤细的纤维间隙中； 实体性腺癌： 癌组织形成较大的实性团块或癌巢， 几乎不形成腺管； 贴壁性腺癌： 癌组织沿着原有肺泡 壁结构生长， 预后较好。 [0003]病理学家在肺癌组织学类型的诊疗决策中发挥着重要作用。 然而， 肺腺癌组织学 亚型的分类具有挑战性。 除了可变的形状、 质地和大小外， 腺癌的形态学模式大多混合出 现。 此外， 由于缺乏有资质的病理学家长时间观察病理切片， 可能会导致诊断效率下降。 因 此， 对于病理学家来说， 准确识别肺腺癌是一项既费时又费力的工作。 幸运的是， 现在借助 CAD(Computer  Aided Diagnosis， 计算机辅助诊断)系统， 可以提高生物医学影像诊断的效 率， 为患者提供精准治疗。 从医学图像中提取大量定量特征 的影像组学对于更好地进行癌 症CAD具有重要意义。 CNN(Convolutional  Neural Networks， 卷积神经网络)的多个神经网 络层组成的深度学习的出现使其成为医学影像研究领域的广泛解决方案。 可以为癌症区域 提取深度特征的DLR(Deep  Learning ‑based Radiomics， 基于深度学习的影像组学)是一个 新兴领域。 [0004]目前， 已有许多学者探索在肺腺癌中实施深度学习。 2016年， 应用预训练的CNN从 40张非小细胞肺癌的计算机断层扫描图像中提取深度特征， 并结合传统图像特征和训练有 素的分类器来预测短期和长期幸存者。 与传统方法相比， 该架构在接收器操作特性的AUC (Area Under Curve， 曲线下面积)方面有所增加。 随着深度学习的广泛普及， 2018年， 使用 稀疏深度自动编码器， 从更广泛的区域评估表型特征以及细胞分布， 以便从病理图像中对 肺腺癌的转录组亚型进行分类， 它为深度学习在以病理特征预测肿瘤分子亚型中的应用铺 平了道路。 2019 年， 开发了一种深度学习方法， 用于自动分类肺腺癌手术切除切片上的组织 学亚型。 然而， 这些方法只关注深度学习的实现， 忽略了为深度学习收集少量可用的训练医 学图像是一个巨大的挑战。 通常在DL R中， 通过在大型自然 数据集上使用预训练的深度学习 模型进行迁移学习和 微调， 以缓解较小数据集的情况。 但目前没有研究强调用迁移学习来说　明　书 1/8 页 3 CN 115471701 A 3