基于改進EfficientNet-B4模型的病理圖像分類

【關(guān)鍵詞】皮膚腫瘤;組織病理圖像;遷移學習;EfficientNet-B4;Adam

【中圖分類號】R739.5 【文獻標識碼】A 【文章編號】2026-5328（2022）03--01

1 引言

在臨床上皮膚腫瘤主要分為黑素細胞性和非黑素細胞性兩大類，黑素細胞性主要包括惡性黑色素瘤、色素痣等，非黑素細胞性主要包括基底細胞癌、鱗狀細胞癌、角化棘皮瘤等[1]。隨著我國老齡化程度的不斷加深，皮膚腫瘤的發(fā)病率也呈現(xiàn)上升趨勢。

近年來，隨著深度學習[2]等人工智能算法在計算機視覺領(lǐng)域的不斷成功，以圖像分類為核心的計算機輔助診斷技術(shù)得到極大的發(fā)展，為深度學習在醫(yī)學圖像的處理領(lǐng)域打下了良好基礎(chǔ)。深度學習算法可以提取具有代表性的高層特征，避免了傳統(tǒng)的機器學習算法中復雜的特征提取等過程，因此在圖像識別和分類方面具有極大的優(yōu)勢和潛力。

本文提出一種殘差結(jié)構(gòu)與EfficientNet網(wǎng)絡(luò)相結(jié)合的模型來對四類皮膚腫瘤進行分類，包括基底細胞癌、黑色素瘤、毛發(fā)上皮瘤和毛母細胞瘤。其中引入的殘差結(jié)構(gòu)提高了網(wǎng)絡(luò)模型的精度，并將改進后的模型與不同的優(yōu)化器進行結(jié)合，最后再對比分析其他的網(wǎng)絡(luò)模型驗證改進后模型的性能效果。

2 研究方法

2.1 EfficientNet網(wǎng)絡(luò)

EfficientNet[3]系列網(wǎng)絡(luò)模型自2019年首次提出以來受到了廣泛的關(guān)注，它采用一種新的模型縮放方法對網(wǎng)絡(luò)深度、網(wǎng)絡(luò)寬度和模型輸入圖像的分辨率三個不同維度進行合理且高效的調(diào)整搭配，不僅提高了模型訓練速度，也提升了模型精度。

EfficientNet-B4網(wǎng)絡(luò)是在EfficientNet-B0的基礎(chǔ)上，放大網(wǎng)絡(luò)深度、網(wǎng)絡(luò)寬度的倍數(shù)分別為1.4、1.8，輸入分辨率調(diào)整為380x380。基準網(wǎng)絡(luò)主要是由16個倒置瓶頸卷積模塊、2個Conv卷積層、1個全局平均池化層和1個全連接層組成。其中倒置瓶頸卷積模塊中又包含深度可分離卷積、批處理歸一化、Swish激活函數(shù)以及通道注意力模塊。

2.2 基于殘差結(jié)構(gòu)的 EfficientNet 模型改進

神經(jīng)網(wǎng)絡(luò)在一般情況下呈現(xiàn)網(wǎng)絡(luò)越深，模型效果也會更好的現(xiàn)象，但是隨著網(wǎng)絡(luò)深度的不斷增加，梯度消失和梯度爆炸問題也隨之而來。He[4]等人提出的殘差結(jié)構(gòu)網(wǎng)絡(luò)有效的解決了上述兩個梯度問題以及網(wǎng)絡(luò)性能的退化問題。因此本文采用殘差結(jié)構(gòu)去優(yōu)化網(wǎng)絡(luò)，保證網(wǎng)絡(luò)深度的同時，又可以減少梯度帶來的問題，更好地提取特征信息，提升網(wǎng)絡(luò)性能。

本文采用3x3的卷積核來改進殘差結(jié)構(gòu)，更強的提取病灶區(qū)域在低層中的表征信息。改進后的EfficientNet-B4的整體網(wǎng)絡(luò)模型結(jié)構(gòu)如圖1所示，其中不同的顏色代表著不同的階段。

3.1 實驗環(huán)境與數(shù)據(jù)集

實驗所采取的數(shù)據(jù)為某醫(yī)院皮膚科提供，并出具相應診斷信息。數(shù)據(jù)集中使用 HE 染色制成病理切片，經(jīng)全切片數(shù)字掃描儀放大 40 倍后制成的無損數(shù)字病理圖像。

3.2 評價指標

在分類階段本文采用準確率（ACC）、靈敏度（sensitivity）和特異性（specificity）作為評價指標，三者計算公式如下所示。

但是由于測試集采取的方法是用整張病理圖像分塊去測，因而四種皮膚腫瘤的測試集數(shù)目并不一致，所以模型研究的準確率等于模型靈敏度。因此模型的評價指標增加一個F1分數(shù)，其公式如式（4）所示。

3.3 實驗結(jié)果及分析

分類模型的實驗結(jié)果如表1所示?？梢钥闯觯疚奶岢龅哪Ｐ头诸悳蚀_率最高，模型的特異性、靈敏度與F1分數(shù)也占據(jù)優(yōu)勢。

結(jié)束語

本文以四類皮膚腫瘤的組織病理圖像為研究對象，在分類階段分析了不同模型對于分類的影響，得到最優(yōu)的模型EfficientNet-B4網(wǎng)絡(luò)并進行改進，同時選擇不同的優(yōu)化器進行實驗對比分析，最終得出模型最優(yōu)的改進方式為EfficientNet-B4網(wǎng)絡(luò)與殘差結(jié)構(gòu)相結(jié)合并選用Adam作為優(yōu)化器。本文提出的研究方法與原始EfficientNet-B4模型相比，在速度相近的情況下其準確率與靈敏度提高了2.5%，特異性提高了0.6%。

實驗結(jié)果表明，所提出的模型是適合于多分類皮膚腫瘤組織病理圖像的，但該模型的大小以及速度并不具備優(yōu)勢。在之后的研究中將進一步對網(wǎng)絡(luò)進行優(yōu)化，增強網(wǎng)絡(luò)分類準確率的同時縮短訓練時間。

參考文獻：

唐志銘，傅宏陽，荊夢晴等.皮膚鏡在皮膚腫瘤診斷中的應用[J].皮膚病與性病，2021，43（03）：352-354+361.

LeCun Y， Bengio Y， Hinton G. Deep learning[J]. Nature， 2015， 521（7553）：436–444.

Tan M， Le Q. EfficientNet： Rethinking model scaling for convolutional neural networks[C]//Proceedings of the 36th International Conference on Machine Learning. New York：PMLR， 2019：6105-6114.

He K，Zhang X，Ren S，et al.Deep Residual Learning for Image Recognition[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. New York： IEEE， 2016： 770-778.

作者簡介：賈夢菊（1994—），女，漢族，沈陽工業(yè)大學信息科學與工程學院碩士，主要從事圖像處理、智能信息處理方面的研究。