(19)中华 人民共和国 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 202111678928.1 (22)申请日 2021.12.31 (71)申请人 广东工业大 学 地址 510090 广东省广州市越秀区东 风东 路729号 (72)发明人 熊文艳　王勇　 (74)专利代理 机构 广州粤高专利商标代理有限 公司 44102 代理人 禹小明 (51)Int.Cl. G06T 7/00(2017.01) G06N 3/08(2006.01) G06N 3/04(2006.01) G06K 9/62(2022.01) G06V 10/764(2022.01) (54)发明名称 基于改进的初始残差网络的病理学图像分 类方法及系统 (57)摘要 本发明提出一种基于改进的初始残差网络 的病理学图像 分类方法及系统， 涉及图像分类的 技术领域， 首先采集原始的病理学图像样本， 对 原始的病理学图像样本进行预处理操作以扩充 增强样本数据， 数据初步准备完成后， 将初始网 络和残差网络相结合并改进， 搭建改进的初始残 差网络模型， 重点对初始残差网络中的输入模块 改进， 引入并行非对称输入模块作为替代， 增加 原始图像特征的使用次数， 实现了特征复用， 然 后进入模型的常规训练和测试阶段， 最后评估分 类结果， 本方案能提高模型对于病理学图像分类 的分类性能， 减 小网络参数和计算 量。 权利要求书3页 说明书9页 附图2页 CN 114266765 A 2022.04.01 CN 114266765 A 1.一种基于改进的初始 残差网络的病理学图像分类方法， 其特 征在于， 包括以下步骤： S1.采集原始的病理学图像样本， 对原始的病理学图像样本进行预处理操作,并将预处 理后的病理学图像样本随机划分为训练样本集和 测试样本集； S2.搭建改进的初始残差网络模型， 改进的初始残差网络模型包括依次相连的并行非 对称输入模块、 第一初始模块、 第一缩减模块、 第二初始模块、 第二缩减模块、 第三初始模块 及输出模块； S3.利用训练样本集的病理学图像样本训练改进的初始残差网络模型， 得到训练好的 改进的初始 残差网络模型； S4.将测试样本集的病理学图像样本输入到已训练好的改进的初始残差网络模型进行 测试， 输出分类结果； S5.对分类结果进行评估。 2.根据权利要求1所述的基于改进的初始残差网络的病理学图像分类方法， 其特征在 于， 步骤S1所述的对原始的病理学图像样本进行的预处理操作包括： 缩放、 翻转、 剪切及旋 转。 3.根据权利要求1所述的基于改进的初始残差网络的病理学图像分类方法， 其特征在 于， 步骤S2所述的并行非对称输入模块包括： 3*(3 ×3)卷积层、 最大池化层分支结构、 不对 称卷积核结构及2*(3 ×3)卷积层， 3*(3 ×3)卷积层的输出端分别与第一最大池化层分支结 构的输入端、 第一不对称卷积核 结构的输入端连接， 第一最大池化层分支结构的输出端、 第 一不对称卷积核 结构的输出端融合后连接2*(3 ×3)卷积层； 所述最大池化层分支结构由一 个最大池化层组成， 不对称卷积核 结构包括依次相连的1 ×1卷积层、 7 ×1卷积层、 1 ×7卷积 层； 在训练样本集的病理学图像样本或测试样本集的病理学图像样本输入并行非对称输入 模块， 在并行非对称输入模块中基于最大池化层分支结构、 不对称卷积核结构实现特征复 用。 4.根据权利要求2所述的基于改进的初始残差网络的病理学图像分类方法， 其特征在 于， 所述第一初始模块包括第一ReLU层、 并行四通道层、 第一1 ×1卷积层、 第二ReLU层， 所述 的并行四通道层包括并行的降采样层、 第二1 ×1卷积层、 (1 ×1+3×3)卷积层、 [1 ×1+2*(3 ×3)]卷积层， 并行非对称 输入模块的输出端 连接第一 ReLU层的输入端， 第一ReLU层的输出 端分别连接降采样层、 第二1 ×1卷积层、 (1 ×1+3×3)卷积层、 [1 ×1+2*(3×3)]卷积层的输 入端及第二ReLU层的输入端， 并行四通道层的输出端 连接第一 1×1卷积层的输入端， 第一1 ×1卷积层的输出端与第一ReLU层的输出端融合后连接第二ReLU层； 从并行非对称输入模 块输出的病理学图像样本经第一ReLU层提取浅层特征， 并同时输入到并行四通道层， 再经 第一1×1卷积层卷积提取深层特 征， 深层特 征与浅层特 征融合后输入第二ReLU层。 5.根据权利要求2所述的基于改进的初始残差网络的病理学图像分类方法， 其特征在 于， 第一缩减模块包括： 降采样层、 一个(3 ×3)卷积层、 [2*(3 ×3)+1×1]卷积层及最大池化 层， 降采样层、 一个(3 ×3)卷积层、 [2*(3 ×3)+1×1]卷积层及最大池化层并行， 第一初始模 块的输出端分别连接降采样层的输入端、 (3 ×3)卷积层的输入端、 [2*(3 ×3)+1×1]卷积层 的输入端及最大池化层的输入端， 降采样层的输出端、 (3 ×3)卷积层的输出端、 [2*(3 ×3)+ 1×1]卷积层的输出端及最大池化层的输出端融合后连接第二初始模块的输入端。 6.根据权利要求2所述的基于改进的初始残差网络的病理学图像分类方法， 其特征在权　利　要　求　书 1/3 页 2 CN 114266765 A 2于， 第二初始模块包括： 拼接层、 ReLU层、 并行三通道层及一个1 ×1卷积层， 所述并行三通道 层包括并行1 ×1卷积层、 并行(1 ×1+1×7+7×1)卷积层及第一并行降采样层， 第一缩减模 块的输出端连接拼接层的输入端， 拼接层的输出端连接ReLU层的输入端， ReLU层的输出端 连接并行三通道层中并行1 ×1卷积层的输入端、 并行(1 ×1+1×7+7×1)卷积层的输入端及 第一并行降采样层的输入端， 并行1 ×1卷积层的输出端、 并行(1 ×1+1×7+7×1)卷积层的 输出端及第一并行 降采样层的输出端连接1 ×1卷积层的输入端， 1 ×1卷积层的输出端与 ReLU层的输出端融合后连接第二缩 减模块； 第二缩减模块包括： ReLU层及并行五通道层， 所述并行五通道层包括第二并行降采样 层、 并行最大池化层、 并行第一(1 ×1+3×3)卷积层、 并行第二(1 ×1+3×3)卷积层及[1 ×1+ 2*(3×3)]卷积层， 第二初始模块的输出端连接ReLU层的输入端， ReLU层的输出端分别连接 第二并行降采样层的输入端、 并行最大池化层的输入端、 并行第一(1 ×1+3×3)卷积层的输 入端、 并行第二(1 ×1+3×3)卷积层的输入端及[1 ×1+2*(3×3)]卷积层的输入端， 第二并 行降采样层的输出端、 并行最大池化层的输出端、 并行第一(1 ×1+3×3)卷积层的输出端、 并行第二(1 ×1+3×3)卷积层的输出端及[1 ×1+2*(3×3)]卷积层的输出端融合后连接第 三初始模块的输入端。 7.根据权利要求2基于改进的初始残差网络的病理学图像分类方法， 其特征在于， 第 三 初始模块包括： 拼接层、 ReLU层、 并行三通道层、 一个1 ×1卷积层， 并行三通道层 包括并行(1 ×1+1×3+3×1)卷积层、 并行1 ×1卷积层及并行降采样层， 第二缩减模块的输出端连接拼 接层的输入端， 拼接层的输出端 连接ReLU层的输入端， ReLU层的输出端分别连接并行(1 ×1 +1×3+3×1)卷积层的输入端、 并行1 ×1卷积层的输入端及并行降采样层的输入端， 并行(1 ×1+1×3+3×1)卷积层的输出端、 并行1 ×1卷积层的输出端及并行降采样层的输出端融合 后连接1×1卷积层的输入端， 1 ×1卷积层的输出端与ReLU层的输出端融合后连接输出模 块； 所述输出模块包括： 输出ReLU层、 平均池化层、 正则化层及softmax层， 输出ReLU层、 平均 池化层、 正则化层 及softmax层依次连接 。 8.根据权利要求1所述的基于改进的初始残差网络的病理学图像分类方法， 其特征在 于， 步骤S3所述的利用训练样本集的病理学图像样本训练改进的初始残差网络模型的过程 为： S31.设定改进 的初始残差网络模型的参数， 包括学习率、 训练轮次数M， 设置训练样本 集预输入改进的初始 残差网络模型时的图片输入格式、 数据批量大小； S32.设改进 的初始残差网络模型的损失函数为L， 将训练样本集输入到改进的初始残 差网络模型中， 以L为训练指导， 训练方式反向传播和梯度下降， 每训练一次改进的初始残 差网络模型 预测的病理图像分类结果， 然后更新损失函数L； S33.根据损失函数L的结果 来修正改进的初始 残差网络模型的参数； S34.重复执行S32～S33， 直至损失函数在M个训练轮次数中不再下降时， 改进的初始残 差网络模型训练完成， 保留改进的初始残差网络模型的参数作为训练好的改进的初始残差 网络模型的参数。 9.根据权利要求8所述的基于改进的初始残差网络的病理学图像分类方法， 其特征在 于， 步骤S5所述的对分类结果进行评估时， 采用的评估标准包括： 准确率、 召回率及F1值。 10.一种基于改进的初始 残差网络的病理学图像分类系统， 其特 征在于， 包括：权　利　要　求　书 2/3 页 3 CN 114266765 A 3