ICIAR 2018——乳腺癌组织学图像四分类

今天将分享乳腺癌组织学图像四分类完整实现版本，为了方便大家学习理解整个流程，将整个流程步骤进行了整理，并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。

一、ICIAR 2018介绍

乳腺癌是全球主要的癌症相关死亡原因之一，尤其是女性。然而，早期诊断可显着提高治疗成功率。为了早期诊断，正确分析组织学图像至关重要。具体来说，在诊断过程中，专家通过全玻片和显微镜图像评估整体和局部组织组织。然而，大量的数据和图像的复杂性使得这项任务既耗时又不简单。因此，自动检测和诊断工具的开发具有挑战性，但对该领域来说也是至关重要的。

二、ICIAR 2018任务

任务A：自动将H&E染色的乳腺组织学显微镜图像分为四类：正常、良性、原位癌和浸润性癌。

任务B：在相同的四个类别中对整个切片图像执行像素级标记。

三、ICIAR 2018数据

数据集由苏木精和伊红 (H&E) 染色的乳腺组织学显微镜和全玻片图像组成。

1、显微镜图像

根据每幅图像中的主要癌症类型，显微镜图像被标记为正常、良性、原位癌或浸润性癌。注释由两名医学专家进行，有分歧的图像被丢弃。

该数据集总共包含 400 张显微镜图像，分布如下：正常：100，良性：100，原位癌：100，浸润性癌：100。

显微镜图像采用 .tiff 格式，并具有以下规格：颜色模式：R(ed)G(reen)B(lue)，尺寸：2048 x 1536 像素，像素尺寸：0.42 µm x 0.42 µm，内存空间：10-20 MB（大约），标签类型：图像方式。

2、整张切片图像

全切片图像是包含整个采样组织的高分辨率图像。从这个意义上说，显微镜图像只是整个全切片图像的细节。因此，每个全切片图像可以具有多个正常、良性、原位癌和浸润性癌区域。全切片图像的注释由两名医学专家进行，存在分歧的图像被丢弃。每个图像都有一个相应的标记坐标列表，其中包含良性、原位癌和浸润性癌区域（剩余组织被认为是正常的，因此与性能评估无关）。

全切片图像采用 .svs 格式，并具有以下规格：颜色模式：R(ed)G(reen)B(lue)，尺寸：可变（例如：42113 x 62625 像素），像素比例：0,467 µ/像素，内存空间：在 numpy 数组 (pyhton) 中为 8 GB（大约），在 .svs 中为 200-250 MB（大约），采集系统：Leica SCN400，标签类型：逐像素。

每个区域的轮廓点的坐标注释可作为 .xml 文件中。

四、技术路线

任务一、乳腺癌四类分类

1、将图像缩放到固定大小1024x1024，然后采用均值为0，方差为1的方式进行归一化处理，再将数据分成训练集和验证集。

2、搭建ResNet2d网络，使用AdamW优化器，学习率是0.001，batchsize是32，epoch是300，损失函数采用交叉熵。

3、训练结果和验证结果

4、验证集分类结果

precision recall f1-score support

0.0 0.64 0.88 0.74 8

1.0 0.00 0.00 0.00 5

2.0 0.82 1.00 0.90 14

3.0 0.91 0.77 0.83 13

accuracy 0.78 40

macro avg 0.59 0.66 0.62 40

weighted avg 0.71 0.78 0.73 40

5、测试集分类结果

任务二、乳腺癌四类分割

1、图像预处理，缩放到固定大小1024x1024，然后采用均值为0，方差为1的方式进行归一化处理。然后将数据分成训练集和验证集。

2、搭建VNet2d网络，使用AdamW优化器，学习率是0.001，batchsize是32，epoch是300，损失函数采用多分类的dice和交叉熵。

3、训练结果和验证结果

4、测试分割结果