基于EfficientNet-B0的肺癌病理圖像分類

【關鍵詞】肺癌;細胞病理圖像;圖像分類;分組卷積;

【中圖分類號】R734.2 【文獻標識碼】A 【文章編號】2026-5328（2022）03--01

1引言

根據國際癌癥研究機構在2020年全球癌癥數據報告中顯示[1]，全球有1930萬個新的癌癥病例產生，約有1000萬癌癥患者死亡，其中肺癌發病率居世界第二位，占全球癌癥發病量的11.4%;其死亡率居世界首位，占總體癌癥死亡數的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]利用微調的與訓練模型InceptionV1和InceptionV3在兩個肺癌公共數據庫TMAD和TCGA中比較區分肺鱗癌和肺腺癌，其分類準確度在75%-90%之間波動。2019年，Teramoto等人[3]提出基于DCNN的顯微圖像肺惡性細胞自動分類方案，其分類準確率達到81.0%。2021年，葉紫璇等[4]提出了一種基于EfficientNet模型的非小細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絡提取的多維度特征進行融合，最終該模型ROC曲線的AUC值為86%，分類準確率達到了84.29%。本文以EfficientNet-B0為基礎，提出一種改進模型用于肺癌識別。

2分類模型

EfficientNet-B0[5]的主體結構是由16個MBConv模塊、2個Conv模塊、1個全局平均池化層和1個FC分類層構成。詳情見表1所示。

如表2.1，EfficientNet-B0網絡的主要結構為MBConv模塊，該模塊中的壓縮與激發操作，簡稱SE[50]模塊，是一種基于注意力的特征圖操作。其根據每個通道重要程度的不同，使其進行對應的通道處理，從而實現了對通道重要特征的關注。為了提取通道和空間2個維度上的特征信息，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個獨立的子模塊。改進后的MBConv模塊如圖1所示。

3.1 實驗環境與評價指標

本文設計的肺癌病理圖像識別算法在Windows10系統下搭建，硬件平臺配置如下：CPU為Intel（R）Core（TM） i7-10750H，主頻為2.60GHz，內存為16GB;GPU為NVIDIA GTX1660Ti。

由于本實驗是為了對肺癌細胞病理學圖像進行分類，使用的評價指標有準確率（Acc）、平均精確度（Pavg）、平均召回率（Ravg）、平均特異度（Spavg）、平均調和平均數（F1-Scoreavg）為評價標準。

3.2 算法對比與分析

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驗結果做對比，各個模型采用相同的數據處理方式和硬件條件進行訓練。本文實驗數據集包含肺鱗癌253張、肺腺癌161張以及小細胞癌134張，實驗結果如表2所示。

各個模型在本文數據集上的評價指標均值如表2所示，準確率從低到高依次是ResNet34、ResNet50、MobileNet V2、EfficientNet-B0以及本文模型。從表中評價指標均值可以看出，本文所提模型在肺癌細胞病理圖像分類中取得較好的分類性能，相比于基礎網絡EfficientNet-B0，其分類準確率提升了3.24%，F1-scoreavgfalse提升了3.37%。說明了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

本文以肺癌細胞病理圖像為研究對象，對EfficientNet-B0模型進行改進，將其應用于肺癌病理圖像分類任務中。實驗結果表明，這種網絡模型的性能優于其他網絡。由于數據集樣本數量的限制，本文提出的模型參數量較原網絡分類性能雖然有所提升，但后期可以在加大數據量的情形下，進一步實驗以提升模型的魯棒性。

參考文獻：

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].湖南工業大學學報，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.

作者簡介：朱滋陵（1996-），女，漢族，沈陽工業大學信息科學與工程學院碩士，主要研究方向為智能信息處理。