基于深度主动学习的甲状腺癌病理图像分类方法

张 萌 ,韩 冰* ,王 哲 ,尤富生 ,李浩然

（1.西安电子科技大学电子工程学院,西安, 710071；2.空军军医大学基础医学院病理学教研室,西安, 710071；3.空军军医大学生物医学工程系,西安,710071）

甲状腺癌是内分泌系统最常见的恶性肿瘤，也是全球发病率增长最快的恶性肿瘤［1］.在众多的甲状腺癌检查方法中［2］，病理穿刺活检是当前敏感性和特异性最高的方法［3］.在甲状腺癌的四种主要病理类型中，甲状腺乳头状癌约占甲状腺癌的85%以上，虽然甲状腺乳头状癌预后非常好，十年的存活率高达90%左右，但此类癌症的淋巴转移率高达40%～50%［4］，因此甲状腺乳头状癌的早期确诊并制订合适的治疗方案对防止病情恶化、挽救病人的生命具有重要意义.

卷积神经网络（Convolutional Neural Networks，CNN）在生物医学图像分析中被广泛应用，然而大部分基于CNN 的图像分析方法是以大量带标注的数据集为基础的.对生物医学图像进行标注不仅繁琐、耗时，而且需要领域内的专业知识指导，这些专业知识需要系统学习，难以迅速掌握，所以很难获取大量带标签的数据.然而，目前已经有公开的其他类型疾病的病理图像数据集，我们可以充分利用现有带标签的其他数据集，辅助挑选有价值的样本进行标注，减少标注代价.

近年来，由于数字数据的爆炸性增长，存储和检索效率极高的哈希编码在各种计算机视觉任务中已被广泛应用.Venkateswara et al［5］使用深度神经网络学习样本的代表性哈希码来解决域适配问题，在无监督域自适应方……