买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明的基于SENet通道注意力和迁移学习的乳腺癌病理图像分类方法，首先采用小波变换和迁移学习相结合的方式进行乳腺癌病理图像的特征提取，然后采用基于SENet通道注意力机制的方式对特征进行融合，最后训练出性能满足要求的分类器，从而利用训练出的分类器对乳腺癌病理图像进行有效分类。本发明的乳腺癌病理图像分类方法，提出了一种基于SENet通道注意力和迁移学习的乳腺癌病理图像分类方法，其解决了乳腺癌病理图像缺乏、传统深度卷积神经网络丢失病理图像特征以及模型的过拟合等问题造成的分类准确率不高的问题。

主权项：1.一种基于SENet通道注意力和迁移学习的乳腺癌病理图像分类方法，其特征在于，乳腺癌病理图像分类方法为：首先采用小波变换和迁移学习相结合的方式进行乳腺癌病理图像的特征提取，然后采用基于SENet通道注意力机制的方式对特征进行融合，最后训练出性能满足要求的分类器，从而利用训练出的分类器对乳腺癌病理图像进行有效分类；乳腺癌病理图像分类方法，具体通过以下步骤来实现：a.构建乳腺癌病理图像数据集，采用图像数据增强的方法，将对BreakHis公开的乳腺癌病理数据集进行旋转和缩放处理，来实现乳腺癌病理图像数据集的扩大；b.图像的小波变换，对数据集中的图像进行离散小波变换，得到低频细节分量、水平细节分量、对角线细节分量和垂直细节分量在内的四个细节分量；c.特征提取，特征提取包括低频部分和迁移学习部分，低频部分为：将步骤b中经离散小波变换得到的低频细节分量直接作为子特征，迁移学习部分为：使用迁移学习的方法对水平细节分量、对角线细节分量和垂直细节分量进行子特征提取；d.特征融合，采用SENet通道注意力机制将步骤c中低频部分和迁移学习部分提取的子特征进行特征融合，利用SENet通道注意力机制能学习重要特征的特点，来提高乳腺癌识别准确率；e.训练分量，将融合后的子特征输入到SVM分类器中进行训练分量，在训练分量过程中为了减小过拟合，对数据集采用K-折交叉验证方法；f.获取分类器，为了更好的评估分类器性能，使用正确率Accuracy、特异性Specificity和灵敏度Sensitivity三个标准来评估分类器的性能，分别如公式1、公式2和公式3所示： 其中，P为恶性标本数，N为良性标本数，TP为正确分类的恶性个数，TN为正确分类的良性个数，FP为良性标本被误分的个数，FN为恶性标本被误分的个数；通过训练，当分类器的正确率Accuracy、特异性Specificity和灵敏度Sensitivity三个标准均达到设定的阈值后，则认为获得了性能满足要求的分类器模型；利用训练好的分类器模型对待诊断的乳腺癌病理图像进行良性肿瘤和恶性肿瘤的分类，以辅助医生诊断。

全文数据：

权利要求：

百度查询： 山东省立第三医院 基于SENet通道注意力和迁移学习的乳腺癌病理图像分类方法