基于EfficientNet-B0的肺癌病理圖像分類

【關(guān)鍵詞】肺癌;細(xì)胞病理圖像;圖像分類;分組卷積;

【中圖分類號(hào)】R734.2 【文獻(xiàn)標(biāo)識(shí)碼】A 【文章編號(hào)】2026-5328（2022）03--01

1引言

根據(jù)國(guó)際癌癥研究機(jī)構(gòu)在2020年全球癌癥數(shù)據(jù)報(bào)告中顯示[1]，全球有1930萬(wàn)個(gè)新的癌癥病例產(chǎn)生，約有1000萬(wàn)癌癥患者死亡，其中肺癌發(fā)病率居世界第二位，占全球癌癥發(fā)病量的11.4%;其死亡率居世界首位，占總體癌癥死亡數(shù)的18.0%。為了提高肺癌患者的生存率，早期確診和治療是必要的。2018年，Khosravi等人[2]利用微調(diào)的與訓(xùn)練模型InceptionV1和InceptionV3在兩個(gè)肺癌公共數(shù)據(jù)庫(kù)TMAD和TCGA中比較區(qū)分肺鱗癌和肺腺癌，其分類準(zhǔn)確度在75%-90%之間波動(dòng)。2019年，Teramoto等人[3]提出基于DCNN的顯微圖像肺惡性細(xì)胞自動(dòng)分類方案，其分類準(zhǔn)確率達(dá)到81.0%。2021年，葉紫璇等[4]提出了一種基于EfficientNet模型的非小細(xì)胞肺癌病理圖像分類方法。其將灰度共生矩陣提取的紋理特征和網(wǎng)絡(luò)提取的多維度特征進(jìn)行融合，最終該模型ROC曲線的AUC值為86%，分類準(zhǔn)確率達(dá)到了84.29%。本文以EfficientNet-B0為基礎(chǔ)，提出一種改進(jìn)模型用于肺癌識(shí)別。

2分類模型

EfficientNet-B0[5]的主體結(jié)構(gòu)是由16個(gè)MBConv模塊、2個(gè)Conv模塊、1個(gè)全局平均池化層和1個(gè)FC分類層構(gòu)成。詳情見(jiàn)表1所示。

如表2.1，EfficientNet-B0網(wǎng)絡(luò)的主要結(jié)構(gòu)為MBConv模塊，該模塊中的壓縮與激發(fā)操作，簡(jiǎn)稱SE[50]模塊，是一種基于注意力的特征圖操作。其根據(jù)每個(gè)通道重要程度的不同，使其進(jìn)行對(duì)應(yīng)的通道處理，從而實(shí)現(xiàn)了對(duì)通道重要特征的關(guān)注。為了提取通道和空間2個(gè)維度上的特征信息，本文將SE模塊替換成CBAM模塊[6]。CBAM模塊主要包含通道注意力模塊（CAM）和空間注意力模塊（SAM）2個(gè)獨(dú)立的子模塊。改進(jìn)后的MBConv模塊如圖1所示。

3.1 實(shí)驗(yàn)環(huán)境與評(píng)價(jià)指標(biāo)

本文設(shè)計(jì)的肺癌病理圖像識(shí)別算法在Windows10系統(tǒng)下搭建，硬件平臺(tái)配置如下：CPU為Intel（R）Core（TM） i7-10750H，主頻為2.60GHz，內(nèi)存為16GB;GPU為NVIDIA GTX1660Ti。

由于本實(shí)驗(yàn)是為了對(duì)肺癌細(xì)胞病理學(xué)圖像進(jìn)行分類，使用的評(píng)價(jià)指標(biāo)有準(zhǔn)確率（Acc）、平均精確度（Pavg）、平均召回率（Ravg）、平均特異度（Spavg）、平均調(diào)和平均數(shù)（F1-Scoreavg）為評(píng)價(jià)標(biāo)準(zhǔn)。

3.2 算法對(duì)比與分析

本文選取的ResNet34、ResNet50和MobileNet V2模型與本文提出的肺癌病理圖像分類模型實(shí)驗(yàn)結(jié)果做對(duì)比，各個(gè)模型采用相同的數(shù)據(jù)處理方式和硬件條件進(jìn)行訓(xùn)練。本文實(shí)驗(yàn)數(shù)據(jù)集包含肺鱗癌253張、肺腺癌161張以及小細(xì)胞癌134張，實(shí)驗(yàn)結(jié)果如表2所示。

各個(gè)模型在本文數(shù)據(jù)集上的評(píng)價(jià)指標(biāo)均值如表2所示，準(zhǔn)確率從低到高依次是ResNet34、ResNet50、MobileNet V2、EfficientNet-B0以及本文模型。從表中評(píng)價(jià)指標(biāo)均值可以看出，本文所提模型在肺癌細(xì)胞病理圖像分類中取得較好的分類性能，相比于基礎(chǔ)網(wǎng)絡(luò)EfficientNet-B0，其分類準(zhǔn)確率提升了3.24%，F(xiàn)1-scoreavgfalse提升了3.37%。說(shuō)明了CBAM模塊相較于原始模型中的SE模塊能更好地提取到圖像特征，從而提升了該模型的分類性能

本文以肺癌細(xì)胞病理圖像為研究對(duì)象，對(duì)EfficientNet-B0模型進(jìn)行改進(jìn)，將其應(yīng)用于肺癌病理圖像分類任務(wù)中。實(shí)驗(yàn)結(jié)果表明，這種網(wǎng)絡(luò)模型的性能優(yōu)于其他網(wǎng)絡(luò)。由于數(shù)據(jù)集樣本數(shù)量的限制，本文提出的模型參數(shù)量較原網(wǎng)絡(luò)分類性能雖然有所提升，但后期可以在加大數(shù)據(jù)量的情形下，進(jìn)一步實(shí)驗(yàn)以提升模型的魯棒性。

參考文獻(xiàn)：

Sung H， Ferlay J， Siegel R L， et al. Global cancer statistics 2020： GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries[J]. CA： a Cancer Journal for Clinicians， 2021， 71（3）：209-249.

Khosravi P， Kazemi E， Imielinski M， et al. Deep convolutional neural networks enable discrimination of heterogeneous digital ?pathology images[J]. EBioMedicine， 2018， 27：317-328.

Teramoto A， Yamada A， Kiriyama Y， et al. Automated classification of benign and malignant cells from lung cytological images using deep convolutional neural network[J]. Informatics in Medicine Unlocked， 2019， 16：100205.

葉紫璇，肖滿生，肖哲.基于EfficientNet 模型的多特征融合肺癌病理圖像分型[J].湖南工業(yè)大學(xué)學(xué)報(bào)，2021，35（02）：51-57.

Tan M， Le Q. Efficientnet： Rethinking model scaling for convolutional neural networks[C]//International conference on machine learning. PMLR， 2019：6105-6114.

Woo S， Park J， Lee J Y， et al. Cbam： Convolutional block attention module[C]//Proceedings of the European conference on computer vision （ECCV）. 2018：3-19.

作者簡(jiǎn)介：朱滋陵（1996-），女，漢族，沈陽(yáng)工業(yè)大學(xué)信息科學(xué)與工程學(xué)院碩士，主要研究方向?yàn)橹悄苄畔⑻幚怼?/p>