基于迁移学习的肿瘤病理学数据分析研究

王晨，王一博，陶子勋，付昂扬，曹玥琦

摘要：为解决癌症的诊断问题，提高诊断的效率与准确率，增强诊断的可靠性，运用了TensorFlow搭建训练基于卷积神经网络的癌症分类模型，基于VGG16架构，采用深度单类分类算法，使用迁移学习，采集正常细胞病理学数据，来训练出可以识别癌变数据的模型，从而精准自动地将正常细胞与肿瘤病理学数据分类。结果表明建立的基于迁移学习的分类模型可以很好地帮助病理学家检测癌症，缩短诊断时间。

关键词：卷积神经网络;迁移学习;DOC算法;图像分类;VGG16模型

中图分类号：TP391      文献标识码：A

文章编号：1009-3044（2021）34-0099-03

伴随着人类社会高速发展的同时，环境的破坏大大提高了恶性肿瘤的发病率，癌症的防治形势仍然需要大众广泛的努力。癌症发现得越晚，治愈概率越小，同时，组织病理学图像在临床分析中会耗费医生大量的时间和精力，而且存在判断错误的现象，所以癌症的及时发现仍是全世界的难题。而利用计算机辅助设计（CAD）[1]自动处理病理学图像不仅可以提高诊断效率，还可以提供更为准确的诊断结果。深度学习自发展以来，已被运用于多个领域，也使得医学影像分析有了新的突破。1999年，Golub等人利用基因芯片技术和机器学习将急性白血病进行分类[2]，使得机器学习与医学影像紧密联系，在机器学习的范畴内，肿瘤数据分类也变为了研究热门课题之一。应用于病理学图像分析的深度学习网络结构有深度置信网络（DBN）、卷积神经网络（CNN）、降噪自动编码器（DAE）等[3]。……