【关键词】肺癌;细胞病理图像;图像分类;分组卷积;

【中图分类号】R734.2 【文献标识码】A 【文章编号】2026-5328（2022）03--01

1引言

根据国际癌症研究机构在2020年全球癌症数据报告中显示[1]，全球有1930万个新的癌症病例产生，约有1000万癌症患者死亡，其中肺癌发病率居世界第二位，占全球癌症发病量的11.4%;其死亡率居世界首位，占总体癌症死亡数的18.0%。为了提高肺癌患者的生存率，早期确诊和治疗是必要的。2018年，Khosravi等人[2]利用微调的与训练模型InceptionV1和InceptionV3在两个肺癌公共数据库TMAD和TCGA中比较区分肺鳞癌和肺腺癌，其分类准确度在75%-90%之间波动。2019年，Teramoto等人[3]提出基于DCNN的显微图像肺恶性细胞自动分类方案，其分类准确率达到81.0%。2021年，叶紫璇等[4]提出了一种基于EfficientNet模型的非小细胞肺癌病理图像分类方法。其将灰度共生矩阵提取的纹理特征和网络提取的多维度特征进行融合，最终该模型ROC曲线的AUC值为86%，分类准确率达到了84.29%。本文以EfficientNet-B0为基础，提出一种改进模型用于肺癌识别。

2分类模型

EfficientNet-B0[5]的主体结构是由16个MBConv模块、2个Conv模块、1个全局平均池化层和1个FC分类层构成。详情见表1所示。

如表2.1，EfficientNet-B0网络的主要结构为MBConv模块，该模块中的压缩与激发操作，简称SE[50]模块，是一种基于注意力的特征图操作。其根据每个通道重要程度的不同，使其進行对应的通道处理，从而实现了对通道重要特征的关注。为了提取通道和空间2个维度上的特征信息，本文将SE模块替换成CBAM模块[6]。CBAM模块主要包含通道注意力模块（CAM）和空间注意力模块（SAM）2个独立的子模块。改进后的MBConv模块如图1所示。

3.1 实验环境与评价指标

本文设计的肺癌病理图像识别算法在Windows10系统下搭建，硬件平台配置如下：CPU为Intel（R）Core（TM） i7-10750H，主频为2.60GHz，内存为16GB;GPU为NVIDIA GTX1660Ti。

由于本实验是为了对肺癌细胞病理学图像进行分类，使用的评价指标有准确率（Acc）、平均精确度（Pavg）、平均召回率（Ravg）、平均特异度（Spavg）、平均调和平均数（F1-Scoreavg）为评价标准。

3.2 算法对比与分析

本文选取的ResNet34、ResNet50和MobileNet V2模型与本文提出的肺癌病理图像分类模型实验结果做对比，各个模型采用相同的数据处理方式和硬件条件进行训练。本文实验数据集包含肺鳞癌253张、肺腺癌161张以及小细胞癌134张，实验结果如表2所示。

各个模型在本文数据集上的评价指标均值如表2所示，准确率从低到高依次是ResNet34、ResNet50、MobileNet V2、EfficientNet-B0以及本文模型。从表中评价指标均值可以看出，本文所提模型在肺癌细胞病理图像分类中取得较好的分类性能，相比于基础网络EfficientNet-B0，其分类准确率提升了3.24%，F1-scoreavgfalse提升了3.37%。说明了CBAM模块相较于原始模型中的SE模块能更好地提取到图像特征，从而提升了该模型的分类性能

本文以肺癌细胞病理图像为研究对象，对EfficientNet-B0模型进行改进，将其应用于肺癌病理图像分类任务中。实验结果表明，这种网络模型的性能优于其他网络。由于数据集样本数量的限制，本文提出的模型参数量较原网络分类性能虽然有所提升，但后期可以在加大数据量的情形下，进一步实验以提升模型的鲁棒性。

参考文献：

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.

叶紫璇，肖满生，肖哲.基于EfficientNet 模型的多特征融合肺癌病理图像分型[J].湖南工业大学学报，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.

作者简介：朱滋陵（1996-），女，汉族，沈阳工业大学信息科学与工程学院硕士，主要研究方向为智能信息处理。