基于深度可分离卷积的组织病理图像分类

万亚利，彭仁华

（广州商学院信息技术与工程学院，广东 广州 510000）

0 引言

据癌症协会2018年全球数据统计，全球范围内预计约有1810万人次的新增癌症病例，约有960万人因癌症而死亡[1]。目前最可靠的检测技术是病理医生根据人工病理切片进行诊断，统计出组织病理中各项生物学指标，从而完成基于人工的组织病理图像分类，不仅费时且费力，同时还易于出现人为主观影响，造成误诊。依靠计算机辅助诊断技术，不仅能够提高医生的诊断效率，而且还能提取出客观且有效的诊断信息，具备非常重要的临床应用价值。

1 目前在组织病理图像分类研究方面，大体分两个方向

（1）基于传统图像算法和机器学习算法的组织病理图像分类。Qu[2]等从病理图像中人工提取特征，提出一种基于像素支持向量机（SVM）分类器的肿瘤巢（TNs）和基质分割方法，该方法能够区分TNs和间质，准确率为87.1%。Abderrahmane[3]等采用关联规则和支持向量机对特征集进行约简的乳腺癌分类，该模型对8个及4个属性的分类正确率分别为98.00%和96.14%。Swain等[4]采用采用盒计数法提取特征，将得到的分形维数（FD）在支持向量机分类器下进行处理，对良恶性肿瘤细胞进行分类，从而使得正确率达到98.13%。然而，上述算法都需要人工提取特征，当样本量不断增大，就会极大的影响模型的适应能力，模型训练的复杂度也随之增加。

（2）基于深度学习的组织病理图像分类。Hou[5]用一种改进的深度卷积神经网络（DCNN）模型完成病理图像自动分类，通过数据增强和迁移学习的方法使准确率均达到91%。……