基于深度学习的乳腺癌组织病理图像多分类方法

1.本发明属于人工智能下的图像处理领域，涉及一种基于深度学习的乳腺癌组织病理图像多分类方法。


背景技术：

2.乳腺癌(breast cancer)是乳腺上皮细胞在多种致癌因子的作用下，发生增殖失控的现象。疾病早期常表现为乳房肿块、乳头溢液、腋窝淋巴结肿大症状，根据2023年1月12日，全球医学顶刊《临床医师癌症杂志》在线发表《2023年度癌症报告》的介绍，对女性而言，前十大患病率最高的肿瘤依次是乳腺癌、肺癌、结直肠癌、宫颈癌、皮肤黑色素瘤、非霍金奇淋巴瘤、甲状腺肿瘤、胰腺癌、肾癌和白血病。其中乳腺癌最多，约占比31％。
3.据美国癌症协会(american cancer society)研究表明，早预防、早发现、早治疗，是乳腺癌防治的关键，也是被数据验证可行降低癌症死亡风险的方式；然而现有乳腺癌组织病理分类技术，在组织病理特征信息的提取方面，实际提取时一般都需要依靠专业医师在数百张乃至数千张图片中进行人工筛选和手动操作，对专业性要求极高，同时对医生的体力、精力都是一种严峻的挑战，即便如此，仍然会有漏检、误检的情况发生，除此之外，这些人工提取特征的方法易导致部分特征信息的丢失，对乳腺癌组织病理无法进行全面细致的识别，容易发生假阳性占比偏高、准确率低的情况。
4.为解决现有技术中的缺点和不足，本发明提出一种基于深度学习的乳腺癌组织病理图像多分类方法，将深度学习与乳腺癌组织病理图像相结合，有效提高现有分类技术的准确率，同时，针对现有开源乳腺癌数据集进行数据增广，解决数据量不足的问题。


技术实现要素：

5.针对传统图像处理特征提取方法中存在的提取不充分、识别准确率低、图像数据分布不均衡和数据量不足问题，本发明以乳腺癌组织病理图像为分类目标，提出了一种基于深度学习的乳腺癌组织病理图像多分类方法，来实现对乳腺癌组织病理图像的计算机辅助判别。
6.本发明采用的技术手段如下。
7.一种基于深度学习的乳腺癌组织病理图像多分类方法，包括如下步骤。
8.步骤1、获取开源数据集breakhis，并对其进行数据预处理。
9.步骤2、采用四种改进神经网络模型进行组织病理癌症区域精分类，分别给出分类概率。
10.步骤3、根据d-s证据理论进行冲突解决和证据融合。
11.进一步地，所述步骤1中的预处理过程具体为以下内容。
12.步骤1.1、针对数据集中的有些类别样本数量少的问题，使用简单线性迭代聚类和单数据变形方式来解决，单数据变形方式包括旋转和翻转图像。
13.步骤1.2、按照四种模型需要的输入尺寸对原图尺寸重新划分，即resize操作。
14.步骤1.3、将resize操作后的数据集按8:1:1的比例划分为训练样本、验证样本和测试样本。
15.步骤1.4、将训练样本、验证样本和测试样本分别放在分类的数据文件中，在训练过程中，针对数据集中样本不均衡问题，使用上采样方法来解决。
16.进一步地，所述步骤2中的四种模型，具体为以下内容。
17.步骤2.1、添加resnet-i-34网络作为训练集要通过的模块，模型引入cbam-i注意力模块，该cbam-i模块与原始cbam模块的不同在于有两种池化方式，即平均池化和最大池化；平均池化操作保留特征图的整体情况，最大池化操作保留特征图中较为突出的特征，将两种池化方式的结果合并输入到cbam模块中可以更加全面地保留特征图的有效信息；原始resnet-34初始层为普通卷积结构，layer 1、layer 2、layer 3、layer 4，分别表示第1、2、3、4层，residual表示在resnet中的残差结构，layer 1含有3个residual，layer 2含有4个residual，layer 3含有6个residual，layer 4含有3个residual，最后训练集通过平均池化层、全连接层以及softmax层，输出预测概率p1。
18.步骤2.2、引入inception网络作为训练集要通过的模块，得出预测概率p2；该网络使用三个不同大小的滤波器(1
×
1,3
×
3,5
×
5)，对输入执行卷积操作，此外还会执行最大池化操作；所有子层的输出最后被级联起来，并传送至下一个inception模块；inception模块通过卷积核的并行连接在卷积层的同一层提取不同的特征从而降低模型复杂度，另外该模型引入1
×
1的卷积核，降低卷积神经网络的参数量和计算量；inception网络采用迁移学习中的微调技术来进行特征提取，先在camelyon-16数据集上训练cnn模型的参数，然后将训练好的参数作为在目标数据集上训练的初始化权值，利用微调技术，在每轮训练之后对模型的参数进行更新。
19.步骤2.3、引入alexnet-s网络作为训练集要通过的模块，得出预测概率p3；相较于传统的alexnet网络，本发明采用的alexnet网络添加了空间变换网络(stn)；该网络成功解决了sigmoid在网络较深时的梯度弥散问题；alexnet-s全部使用最大池化，避免平均池化的模糊化效果；并且alexnet-s网络中步长比池化核的尺寸小，使得池化层的输出之间会有重叠和覆盖，提升特征的丰富性。
20.步骤2.4、引入densenet网络作为训练集要通过的模块，得出预测概率p4；在该网络中dense block模块采用的是一个归一化层、一个relu激活函数层、3
×
3的卷积层、dropout层，而传输层模块采用的是一个归一化层、relu激活函数、1
×
1的卷积层、dropout层、2
×
2的池化层。
21.步骤2.5、进行四个改进网络的并联操作，四类改进网络输出四类概率p1、p2、p3、p4，并以此为基础，建立基于d-s证据理论的决策融合框架。
22.进一步地，所述步骤3中的d-s证据理论，具体为以下内容。
23.步骤3、利用d-s证据理论进行冲突解决和证据融合提升四种网络中输出数据的融合精度和决策可信度，该过程先后经过以下四个步骤：确定辨识框架、确定d-s融合规则、确定归一化参数预测结果融合并给出最终决策结果。
24.较现有发明相比，本发明的有益效果如下。
25.1、本发明提出的基于深度学习的乳腺癌组织病理图像多分类方法可以进行乳腺癌种类的判别，减轻医生压力，减小人工误差，由于传统人工特征提取技术存在不足，且不
同种类癌变的区分需要更多关于组织的信息，因此并联四种改进的神经网络模型，充分整合组织病理图像的信息，提高分类准确性，同时充分发挥深度学习的自我学习和迁移学习的优势，利用深层网络提取高级特征，使得学习到的特征具有更高的区分性。
26.2、针对数据集中各个类别数据不均衡和数据量少的问题，系统地使用双线性插值法、简单线性迭代聚类及单数据变形的方法解决。
27.3、利用d-s证据理论进行冲突解决和证据融合能够有效提升四种网络中输出数据的融合精度和决策可信度，同时降低决策风险；将上述模型得出四种预测概率p1、p2、p3、p4，根据d-s证据理论，给出最终概率；根据d-s证据理论，可在任意抽象层次上进行不精确推理；在医学领域，需要综合考虑来自多源的不确定信息以完成问题的求解，而证据理论的组合规则在此方面的求解发挥了重要作用。
28.综上，应用本发明的技术方案解决了传统图像处理特征提取技术中提取不充分、识别准确率低、图像数据分布不均衡和数据量不足问题。
29.基于上述理由本发明可在图像处理领域广泛推广。
附图说明
30.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图；
31.图1是本发明的算法框架图；
32.图2是双线性插值法示意图；
33.图3是resnet-i-34网络中的resdiual block框架图，即残差块框架图。
具体实施方式
34.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
35.本发明提供了一种基于深度学习的乳腺癌组织病理图像多分类方法，包括如下步骤。
36.步骤1、获取开源数据集breakhis，并对其进行预处理；在图1所示的算法框架图中，先对原始图像进行数据预处理，其中包括使用简单线性迭代聚类和单数据变形法进行数据增广，使用双线性插值法进行上采样操作。所用原始图像来自开源数据集breakhis，其来自巴西的p&d实验室，该数据集中的图片采用苏木精-伊红染色剂进行染色，并由p&d实验室的病理学家标记制成；一共包含82名乳腺肿瘤患者的7909张乳腺组织切片，分为良性肿瘤(24名)和恶性肿瘤(58名)两大类，和不同放大倍数(40倍，100倍，200倍，400倍)的图片，图像原始的大小为700
×
460像素，从具体类别角度可以分为腺病、管状腺癌、纤维瘤癌、叶状肿瘤、导管癌、小叶癌、粘液癌、乳头状癌8类；数据集中每个放大倍数下的恶性肿瘤图像
数量均远多于良性肿瘤图像，可见数据集中的图像数据分布不均衡，因此本次训练采用带标签的数据进行有监督的学习。
37.步骤1中的预处理过程具体为以下内容。
38.步骤1.1、利用单数据变形的方式，即通过旋转、翻转操作对原始数据集进行数据增广。
39.步骤1.2、利用简单线性迭代聚类的方式，进行数据增强。
40.进一步的，图1所示的算法框架图中简单线性迭代聚类的方式，具体为以下内容。
41.简单线性迭代聚类(slic)算法有两个参数k和m；其中k为聚类中心的个数，m表示分割后图像块的紧凑程度；slic算法将颜色向量和位置向量结合到一起，构成5维空间向量[l,a,b,x,y]，其中l表示亮度(luminosity)，a表示从洋红色至绿色的范围(a为负值指示绿色而正值指示品红)，b表示从黄色至蓝色的范围(b为负值指示蓝色而正值指示黄色)，x，y代表两个空间坐标；对于由n个像素点组成的图像，完成分割后的每个图像块的网格宽度为再由s来选定k个初始聚类中心，然后计算每个聚类中心和它2s
×
2s范围内的像素之间的距离，并把每个像素对应的最小距离的聚类中心作为该像素的标签，也就是标签表明该像素属于哪个聚类中心；其中，距离的测量公式为：
[0042][0043][0044][0045]
其中，j表示聚类中心，i表示像素点，d
lab
表示是当前聚类中心点与当前遍历像素的色彩距离，d
xy
表示当前聚类中心点与当前遍历像素空间距离，而ds是颜色距离和归一化的空间距离加权和，lj，aj，bj表示在l，a，b三个颜色分量上第j个聚类中心，li，ai，bi表示在l，a，b三个颜色分量上第i个像素点，xj，yj表示在x和y方向上第j个聚类中心，xi，yi表示在x和y方向上第i个像素点；公式(3)中的变量m用来权衡颜色相似度和空间临近性的影响；m越大空间影响越大，超像素更紧凑；m越小颜色影响越大，超像素更贴合图像边缘；首先在s
×
s的邻域内采样像素点来初始化聚类中心，为了避免聚类中心在边缘点或噪声点上，在3
×
3的邻域内移动聚类中心到最低梯度点；对于每一个像素点都要寻找与其最相似的聚类中心，并将此聚类中心的标签作为自己的所属类别；对于每一个聚类中心，遍历其2s
×
2s区域内的所有像素点，计算像素点与聚类中心之间的相似度；若相似度在阈值范围内，则该聚类中心为此像素点的聚类中心，反之重新聚类；再次更新聚类中心，计算残留率是否在允许范围内，直至算法收敛。
[0046]
步骤1.3、将数据增广后的数据集按8:1:1的比例划分为训练样本、验证样本和测试样本。
[0047]
步骤1.4、将训练样本、验证样本和测试样本分别放在分类的数据文件中，在训练过程中，针对数据集中的正负样本不均衡问题，使用上采样方法来解决。
[0048]
进一步地，所述上采样方法具体为双线性插值法，关于双线性插值法的原理图如
图2所示，双线性插值法目标是得到未知函数f在点p＝(x,y)的像素值，由图2已知q
11
＝(x1,y1)、q
12
＝(x1,y2)、q
21
＝(x2,y1)、q
22
＝(x2,y2)的坐标以及对应的像素值。首先在x方向进行插值，得到r1和r2，然后在y方向进行插值，得到p＝(x,y)。想得到未知函数f在点p＝(x,y)的值，其中p＝(x,y)存在于坐标系内，假设已知函数f在q
11
＝(x1,y1)、q
12
＝(x1,y2)、q
21
＝(x2,y1)以及q
22
＝(x2,y2)四个点的值，最常见的情况是，f就是一个像素点的像素值，首先，在x方向进行线性插值，得到
[0049][0050]
此处，r1＝(x,y1)，
[0051][0052]
此处，r2＝(x,y2)；
[0053]
然后在y方向上进行线性插值，得到
[0054][0055]
综合起来就是双线性插值的最后结果：
[0056][0057]
由于图像双线性插值只会用相邻的四个点，因此上述公式的分母都是1。
[0058]
步骤2中的四种改进网络，也即图1算法框架图中并联四种分类模型，四种分类模型包括resnet-i-34网络、inception残差网络、alexnet-s网络以及densenet网络，具体为以下内容。
[0059]
步骤2.1、将加入了cbam-i注意力机制的resnet-i-34网络作为训练样本要通过的模块，输出预测概率p1；该cbam-i模块与原始cbam模块的不同在于采用了平均池化和最大池化操作；既可以保留特征图的整体情况又可以保留特征图中较为突出的特征，将两种池化方式的结果合并输入到cbam模块中可以更加全面地保留特征图的有效信息。原始resnet-34初始层为普通卷积结构，其残差块结构如图3所示，残差块结构分别由两个卷积层、两个归一化层、两个relu激活函数层以及一个相加层组成，若使用下采样，则经过下采样后进入相加层，若不使用下采样，则直接进入相加层。layer 1含有3个residual，layer2含有4个residual，layer 3含有6个residual，layer 4含有3个residual，最后训练集通过平均池化层、全连接层以及softmax层，输出预测概率p1。
[0060]
步骤2.2、训练样本进入inception残差网络，输出预测概率p2。
[0061]
进一步地，在inception网络中单张图像分类的具体操作步骤为：1)将图片通过缩放操作使尺寸大小固定为299
×
299；2)将缩放后的图片送入inception残差网络进行计算，取inception模型最后一层池化层的输出参数作为图片的特征向量，尺寸为1
×
2048；3)将特征向量送入全连接层神经网络进行计算，第2层每个节点的数值经过softmax函数计算之后的输出结果即为输入图像属于某一类的概率；4)将图像分类到输出概率最大的类别。
[0062]
进一步地，inception模型采用微调的迁移学习方式的具体步骤为：1)在camelyon-16上训练一个神经网络模型，此为源模型；2)创建一个新的神经网络模型，即目
标模型。目标模型复制了源模型上除输出层外的所有模型设计和参数；3)为目标模型添加一个输出大小为目标数据集类别个数的输出层，并随机初始化该层的模型参数；4)在目标数据集breakhis上训练目标模型，重新训练输出层，其余层的参数则是通过微调获得。
[0063]
步骤2.3、训练样本进入alexnet-s网络,输出预测概率p3；alexnet网络引入空间变换网络(stn)，该网络成功解决了sigmoid在网络较深时的梯度弥散问题；下载合适的预训练权重，且全部使用最大池化，避免平均池化的模糊化效果；并且提出让步长比池化核的尺寸小，这样池化层的输出之间会有重叠和覆盖，提升了特征的丰富性；其具体步骤为：1)从原始图像随机截取224
×
224大小的区域；2)对图像的rgb数据进行pca处理，并对主成分做一个标准差为0.1的高斯扰动，增加一些噪声，此做法可使错误率下降1％；3)将批处理大小(batchsize)设置为32，权重衰减动量(weight decay)设置为0.0005，学习率(learning rate)设为0.01，训练轮次(epoch)设为320，卷积核初始化方式为均值为0，方差为1的高斯分布，偏置初始化方式为：第2、4卷积层及全连接层初始化为1，剩余初始化为0；4)进行预测时，取图片正中心和四个角的位置，并进行翻转，共获得10张图片，对其进行预测并对10次结果求均值。
[0064]
步骤2.4、训练样本进入densenet网络，输出预测概率p4；在该网络中dense block采用的是一个归一化层、一个relu激活函数层、3
×
3的卷积层、dropout层，而transition layer模块采用的是一个归一化层、relu激活函数层、1
×
1的卷积层、dropout层、2
×
2的池化层。
[0065]
进一步地，在densenet模型训练时需要做到以下步骤：1)导入相关依赖；2)定义训练函数；3)定义验证函数，函数将验证集所有数据送入模型，并返回与模型评价有关的数据预测结果和平均损失；4)数据读取，根据相对路径读入图像；5)数据预处理；6)定义训练过程；7)可视化查看训练过程；8)模型保存。
[0066]
进一步地，densenet模型训练超参数的设置：batchsize设为32，epoch设为320，初始学习率为0.1，在120轮和240轮时，学习率变为原来的0.1，权重衰减动量设置为0.9，采用sgd的优化器。
[0067]
步骤2.5、训练样本进入以上四个网络，因四种网络数据处理和数据读取速度的不同，率先完成训练的网络先等待其他网络，待所有网络都完成训练后，再进行拼接操作，实现并联效果，即输出图1算法框架图中四类改进网络输出四类概率p1、p2、p3、p4，并以此为基础，建立基于d-s证据理论的决策融合框架。
[0068]
在d-s证据理论中，将本发明所有命题组成的样本空间定义为辨识框架，记为θ，它是由一组相互排斥且构成完备集的命题所组成的集合，表示对某一问题的所有可能答案；假设辨识框架定义为θ＝{θ1,θ2,θ3…
θn}，其中θ1,θ2,θ3…
θn就表示一组相互排斥且可以构成完备集的基本假设，且i≠j，i，j＝1,2,3
…
n，θ的所有子集构成的集合称其为幂集，记为2
θ
。
[0069]
进一步地，所述步骤3，d-s证据理论的推导过程如下所示。
[0070]
步骤3.1、确定辨识框架；由d-s证据理论可知，本发明所对应的辨识框架为
[0071]
θ＝{a1,a2,a3,a4,a5,a6,a7,a8}，式中，a1为腺病，a2为管状腺癌，a3为纤维瘤癌，a4为叶状肿瘤，a5为导管癌，a6为小叶癌，a7为粘液癌，a8为乳头状癌。
[0072]
步骤3.2、确定d-s融合规则；对于辨识框架θ上的有限个mass函数m1，m2，
m3…mn
的dempster融合规则为：
[0073][0074]
其中，为归一化参数，
[0075][0076]
归一化参数如上式(9)所示。
[0077]
步骤3.3、确定归一化参数根据(9)式，得出本次训练的归一化参数为：
[0078][0079]
本次训练的归一化参数如上所示。
[0080]
步骤3.4、根据d-s证据理论对步骤2中resnet-i-34模型、inception模型、alexnet-s模型、densenet模型在预测时刻的预测结果进行融合，获取最终预测结果，具体如下。
[0081]
步骤3.4.1、本发明识别框架θ＝{a1,a2,a3,a4,a5,a6,a7,a8}，证据集m＝
[0082]
{m1,m2,m3,m4}，其中m1,m2,m3,m4分别表示四种神经网络resnet-i-34网络，inception网络，alexnet-s网络和densenet网络对于分类结果判定的证据体。
[0083]
步骤3.4.2、为进行d-s证据理论的推导，建立初始信任分配，给出如下所示证据融合公式。
[0084]
m1⊕
m2⊕
m3⊕
m4({a1})
[0085]
m1⊕
m2⊕
m3⊕
m4({a2})
[0086]
m1⊕
m2⊕
m3⊕
m4({a3})
[0087]
m1⊕
m2⊕
m3⊕
m4({a4})
[0088]
m1⊕
m2⊕
m3⊕
m4({a5})
[0089]
m1⊕
m2⊕
m3⊕
m4({a6})
[0090]
m1⊕
m2⊕
m3⊕
m4({a7}
[0091]
m1⊕
m2⊕
m3⊕
m4({a8})
[0092]
步骤3.4.3、为进行d-s证据理论的推导，建立初始信任分配，给出基本概率分配(bpa)。
[0093]
步骤3.4.4、根据基本概率分配和式(9)，可得归一化参数
[0094]
步骤3.4.5、证据合成，根据因果关系，计算八个种类的信任度；根据式(8)，(9)直接将四种改进模型证据的基本信任度进行合并，计算{a1}
…
{a8}的组合mass函数。
[0095][0096][0097][0098][0099][0100][0101][0102][0103]
步骤3.4.6、根据合成后的信任度决策出证据数据属于哪一种类，通过最大值准则获得最后的判决结果；这种方式有效地降低了证据之间的不确定度，有利于做出快速决策。

技术特征：
1.基于深度学习的乳腺癌组织病理图像多分类方法，其特征在于，该方法具体包括以下步骤：步骤1、获取开源数据集breakhis，并对其进行数据预处理；步骤2、进行候选癌症区域精分类，采用四种改进网络预测数据集癌症种类，并输出4类概率；步骤3、根据d-s证据理论进行冲突解决和证据融合；所述步骤1，具体为以下步骤：步骤1.1、针对数据集中个别种类样本数量少、数据不均衡的问题，使用基于简单线性迭代聚类和单数据变形的数据增广方式来解决，单数据变形方式包括旋转和翻转；步骤1.2、按照四类网络需要的输入尺寸对原图大小重新设定，即resize操作；步骤1.3、将resize操作后的数据集按8:1:1的比例划分为训练样本、验证样本和测试样本；步骤1.4、将训练样本、验证样本和测试样本分别放在分类的数据文件中，在训练过程中，针对数据集中样本不均衡问题，使用上采样方法中的双线性插值法来解决。2.基于深度学习的乳腺癌组织病理图像多分类方法，其特征在于所述步骤2中的改进网络，具体包括以下步骤：步骤2.1、引入resnet-i-34网络作为训练样本要通过的模块，输出预测概率p1；resnet-i-34网络，在原始resnet网络的基础上加入改进后的轻量级卷积注意力模块cbam-i模块使用平均池化和最大池化两种池化方式，更全面的保留特征图的有效信息；步骤2.2、引入inception网络作为训练样本要通过的模块，输出预测概率p2；inception网络，对于特征提取阶段inception模型的参数，在camelyon-16数据集上进行预训练，随后采用迁移学习的方法来获得本次训练所需参数；步骤2.3、引入alexnet-s网络作为训练样本要通过的模块，输出预测概率p3；alexnet-s网络，在原始alexnet模型的基础上引入空间变换网络(stn)；步骤2.4、引入densenet网络作为训练样本要通过的模块，输出预测概率p4；步骤2.5、训练样本进入以上四个网络，因四种网络数据处理和数据读取速度的不同，率先完成训练的网络先等待其他网络，待所有网络都完成训练后，再进行拼接操作，实现并联效果。3.基于深度学习的乳腺癌组织病理图像多分类方法，其特征在于所述步骤3中的d-s证据理论，具体包括以下步骤：步骤3.1、辨识框架的确定：将本发明所有命题组成的样本空间定义为辨识框架，记为θ，它是由一组相互排斥且构成完备集的命题所组成的集合，表示对某一问题的所有可能答案；假设辨识框架定义为θ＝{θ1,θ2,θ3…
θ
n
}，其中θ1,θ2,θ3…
θ
n
就表示一组相互排斥且可以构成完备集的基本假设，且i≠j，i,j＝1,2,3....n，θ的所有子集构成的集合称其为幂集，记为2
θ
；由d-s证据理论可知，对步骤2中resnet-i-34网络、inception网络、alexnet-s网络、densenet网络的预测结果进行融合，获取最终预测结果，本发明所对应的辨识框架为：θ＝{a1,a2,a3,a4,a5,a6,a7,a8}，式中，a1为腺病，a2为管状腺癌，a3为纤维瘤癌，a4为叶状肿瘤，a5为导管癌，a6为小叶癌，a7为粘液癌，a8为乳头状癌；
步骤3.2、确定d-s融合规则：；步骤3.3、确定归一化参数步骤3.3、确定归一化参数，由上式可得本发明的归一化参数为：；步骤3.4、根据d-s证据理论对步骤2中resnet-i-34模型、inception模型、alexnet-s模型、densenet模型的预测结果进行融合，辨识框架θ＝{a1,a2,a3,a4,a5,a6,a7,a8}，证据集m＝{m1,m2,m3,m4}，其中m1,m2,m3,m4分别表示四种神经网络resnet-i-34网络，inception网络，alexnet-s网络和densenet网络对于分类结果判定的证据体，获取最终预测结果；进一步地，所述步骤3.4具体包括如下步骤：3.4.1、为进行d-s证据理论的推导，建立初始信任分配，给出证据融合公式；3.4.2、给出基本概率分配(bpa)；3.4.3、根据基本概率分配和归一化公式，得归一化参数3.4.4、证据合成，根据因果关系，计算所有命题的信任度；3.4.5、根据合成后的信任度决策出证据数据属于哪一种类；3.4.6、通过最大值准则获得最后的判决结果。

技术总结
本发明公开了一种基于深度学习的乳腺癌组织病理图像多分类方法；本发明针对乳腺癌组织病理图像在分类过程中准确率低且数量少的特点，首先利用简单线性迭代聚类和单数据变形法进行数据增广，随后并联ResNet-I-34、Inception、AlexNet-S和DenseNet四类神经网络，结合空间变换网络、注意力机制、迁移学习进行分类，最后利用D-S证据理论进行证据融合，提升决策可信度，降低决策风险；本发明解决了传统乳腺癌组织病理图像多分类技术中特征提取不充分、出错率高、数据集数据不均衡和数据量少的问题。少的问题。少的问题。


技术研发人员：陈金令 陈百合 陆浩 陈杰 陈宇 刘蓉 苏妍琳 王一桥
受保护的技术使用者：西南石油大学
技术研发日：2023.06.07
技术公布日：2023/8/13