基于卷积神经网络与显微高光谱的胃癌组织分类方法研究 
下载： 1071次
Gastric Carcinoma Classification Based on Convolutional Neural Network and Micro-Hyperspectral Imaging
1 中国科学院西安光学精密机械研究所光谱成像技术重点实验室, 陕西 西安 710119
2 中国科学院大学, 北京 100049
图 & 表
图 1. 局部连接理论示意图
Fig. 1. Illustration of local connection
下载图片 查看原文
图 2. 医学显微高光谱数据CNN建模流程图
Fig. 2. Flow chart of CNN modeling towards medical micro-hyperspectral data
下载图片 查看原文
图 3. 显微高光谱成像系统
Fig. 3. Micro-hyperspectral imaging system
下载图片 查看原文
图 4. (a)胃组织显微高光谱数据立方体;(b)像素点光谱曲线提取示意图
Fig. 4. (a) Micro-hyperspectral data cube of gastric tissue; (b) schematic of pixel point spectrum curve extraction
下载图片 查看原文
图 5. 胃癌组织与胃部正常组织的平均光谱
Fig. 5. Average spectra of gastric cancer tissue and normal tissue
下载图片 查看原文
图 6. 训练误差与分类准确率随迭代次数的变化趋势
Fig. 6. Variations of training loss and classification accuracy with the number of iterations
下载图片 查看原文
表 1样本训练集和测试集统计
Table1. Statistics of training and test sets of samples
| Sample | Training set | Test set | Sum |
|---|
| Gastric cancer tissue | 800 | 140 | 940 | | Normal tissue | 800 | 140 | 940 | | Sum | 1600 | 280 | 1880 |
|
查看原文
表 2胃癌切片组织CNN分类模型的结构参数
Table2. Specific parameters of CNN classification model of gastric carcinoma slices
| No. | I1 | C2 | P3 | C4 | P5 | F6 | O7 | Accuracy /% |
|---|
| N(×S) | CNN-1 | 200 | 8×5 | 1×2 | 16×5 | 1×2 | 100 | 2 | 92.50 | | CNN-2 | 200 | 10×7 | 1×4 | - | 100 | 2 | 93.75 | | CNN-3 | 200 | 22×17 | 1×4 | - | 100 | 2 | 96.53 |
|
查看原文
表 33类模型的分类结果
Table3. Classification results obtained by three kinds of models
| Model | Accuracy /% | Sensitivity /% | Specificity /% |
|---|
| NN | 89.14 | 91.43 | 88.57 | | RBF-SVM | 92.62 | 91.43 | 93.57 | | Our CNN | 96.53 | 94.29 | 97.14 |
|
查看原文
杜剑, 胡炳樑, 张周锋. 基于卷积神经网络与显微高光谱的胃癌组织分类方法研究[J]. 光学学报, 2018, 38(6): 0617001. Jian Du, Bingliang Hu, Zhoufeng Zhang. Gastric Carcinoma Classification Based on Convolutional Neural Network and Micro-Hyperspectral Imaging[J]. Acta Optica Sinica, 2018, 38(6): 0617001.
PDF全文
