基于SpringBoot框架和CNN-SVM算法的浸潤性肺腺癌細胞的初步診斷篩選系統

李 冉,楊 軍,寧玉富,葛 潤

(山東青年政治學院,山東 濟南 250000)

0 引言

隨著醫學影像和人工智能識別技術的不斷發展,基于肺腺癌病理HE圖像診斷系統應運而生。對比效率不高、受主觀因素影響較大、精確度不高的人工篩查方式,該技術有望取代傳統的人工篩查方式[1]。但該技術目前正處在發展階段,技術尚不成熟且價格十分昂貴。浸潤性肺腺癌是一種比較常見的癌癥,而病理檢查時診斷癌細胞是重要手段之一,早期的診斷和治療可以有效提高患者的存活率。因此,希望通過計算機識別技術檢測病灶,提高癌細胞早期臨床檢測效率、篩查準確率,以此來間接降低肺腺癌細胞患者的死亡率。本文提出了一種SpringBoot框架和CNN-SVM算法的浸潤性肺腺癌細胞的初步診斷篩選系統,以輔助病理科醫生高效地工作。

1 擬解決的問題

隨著現代科技和醫療的不斷發展,肺腺癌診斷篩查技術不斷進步,但仍存在很多問題。一是效率低下。傳統的手工檢查和診斷病理HE圖像非常耗時且費力,需要大量人力資源;二是主觀因素影響較大。對肺腺癌圖像的診斷與篩選嚴重依賴于病理科醫師,需要醫師通過檢查結果憑借經驗直接對HE圖像進行觀察,且不同醫師經驗不同、能力不同,所得診斷結果也有可能不同;三是分子生物學診斷技術不足,分子生物學診斷技術雖然可以提高浸潤性肺腺癌的診斷準確性,但也存在需要特定的操作步驟、高昂的成本等問題。

基于以上問題,可以通過以下方式來解決:一是使用計算機視覺技術和機器學習算法對病理HE圖像進行分析和處理,實現對肺腺癌細胞的初步診斷。通過自動化和智能化的方法,輔助醫生準確地識別和定位肺腺癌細胞。二是采用基于SpringBoot與Vue框架相結合的篩選系統,能夠從大量的病理HE圖像中篩選出有潛在肺腺癌細胞的圖像,以減輕醫生的工作負擔。該系統可以通過學習大量的標記圖像來建立模型,自動識別浸潤性肺腺癌細胞,提高診斷的準確性和效率。三是優化分子生物學診斷技術的操作步驟和流程,開展機構間聯合研究和共享,建立分布式的診斷平臺,提高診斷水平,降低醫療成本。

2 方法與原理

2.1 卷積神經網絡

卷積神經網絡(Convolutional Neural Networks,CNN)是一種具有深度結構的前饋神經網絡,CNN結構包括輸入層、卷積層、池化層、全連接層和輸出層[2]。CNN通過卷積層對圖像局部特征進行提取,將得到的特征圖作為下一層的輸入,通過滑動一個小的卷積核在輸入圖像中乘積和累加,提取不同位置的特征,進行多個卷積核的并行運算[3]。池化層對特征圖進行采樣,減少數據的維度,使卷積后的特征更加具有魯棒性和不變性。全連接層對池化層的輸出特征進一步提取,并輸入分類器中進行分類[4]。

2.2 支持向量機

支持向量機(Support Vector Machines,SVM)是一種對數據進行二元分類的廣義線性分類器,它嘗試尋找一種最優的決策超平面,使其距離2個類別最近的樣本最遠[5]。本系統中,利用CNN最后一個卷積層傳遞的特征使用非線性映射,構造出來進行分離病理HE圖像的超平面進行不同的特征分類,從而達到最大的泛化能力,輔助病理科醫生進行識別與分類。使用處理后的特征向量作為訓練數據,訓練SVM分類器。SVM會對自身參數和超平面進行調整,最大限度地將正負樣本分離出來,利用測試數據集來驗證和評估經過良好訓練的SVM模型,使能力和魯棒性得到不斷的泛化。

2.3 SpringBoot框架

SpringBoot是一個開源的Java框架,提供了一種快速、輕量級的方法來構造Java應用程序,并集成了許多常用的開發工具和第三方庫,以此來提高開發效率和簡化配置,SpringBoot具有快速啟動、簡化配置和開箱即用等特點。在該系統中,當用戶上傳病理圖像時,系統就會在SpringBoot連接池中使用dataSoure對象獲取圖像連接,若連接池中有圖像連接,則直接呈現給用戶。

2.4 Vue框架

Vue框架是一個簡單、靈活、高效的前端框架,適用于構建交互性強、用戶體驗良好的單頁應用和響應式網頁,具有漸進式開發、響應式數據綁定、組件化開發、虛擬DOM和豐富的生態系統等特點。系統充分利用Vue實例和Watcher實例的特性,在系統中每個醫學圖像都會有一個Vue實例,同時使用Watcher實例來監測數據的變化。

3 基于SpringBoot框架和CNN-SVM算法的浸潤性肺腺癌細胞的初步診斷篩選系統

3.1 系統工作原理

該系統基于SpringBoot框架和CNN-SVM算法相結合的方式。首先,采用CNN結構,即輸入層-卷積層-池化層-卷積層-池化層-全連接層,輸入層為肺腺癌細胞病理HE圖像,通過CNN訓練一種從病理HE影像中提取有關浸潤性肺腺癌細胞特征的深度學習模型,再通過全連接層對全局特征進行整合,在SVM分類器中輸入這些特征,以便對細胞進行分類并做出初步的診斷。在此基礎上基于SpringBoot框架,采用前后端分離的方式進行系統搭建。CNN-SVM算法流程如圖1所示。

3.2 系統的部署過程

病理圖像的導入和預處理:將收集的數據分為驗證集、測試集和訓練集,對數據進行預處理,包括圖像去噪、顏色標準化和大小調整等。

CNN模型的訓練和優化:收集具有肺腺癌細胞的病理圖像數據集。確保數據集包含多樣性的肺腺癌細胞樣本,涵蓋不同的分布、形狀和結構。為了保證輸入模型的一致性和可比性,對數據進行調整尺寸、裁剪和標準化等預處理。

SVM分類器的訓練和優化:使用SVM算法將CNN模型提取到的特征向量投影到高維特征空間中,使相似的細胞聚集在同一區域,不同區域的細胞被分類為正常或不正常細胞。在本研究中,先對特征數據進行訓練,以選擇更好的特征屬性和相應的權重,并使用Ramp損失函數調整優化參數。然后,通過SVM模型對特征向量進行分類,達到對肺腺癌細胞初步診斷篩選的目的。

數據增強:使用數據增強技術擴充訓練數據集,以增加樣本的多樣性和數量。例如:可以應用隨機旋轉、翻轉、縮放和平移等變換操作,以模擬不同的細胞分布和形狀。

權重訓練:利用事先準備好的數據集和構建好的AI模型來訓練。選擇適當的損失函數(如交叉熵損失)和優化算法(如隨機梯度下降),進行適當的超參數調優。改進模型的預測性能可以將損失函數最小化,通過反向傳播算法對模型的權重和偏差進行優化。

權重評估和調優:評估訓練模型的性能可以使用驗證集或交叉驗證方法。模型的分類性能可以通過計算精確度、召回率、F1積分指標來了解。根據評估結果,對模型進行調優,如調整網絡結構、改變超參數或增加正則化技術,以提高模型的泛化能力和準確性。

測試和部署:使用獨立測試集對優化模型進行最終評估。評估在未見過的數據上的模型性能,確保其在真實場景中的有效性。

系統集成和界面設計:前端通過Vue框架實現用戶登錄、瀏覽和查看診斷結果等功能。后端主要通過SpringBoot進行架構,采用CNN-SVM算法相結合,主要包括用戶信息管理、圖像處理、分割與特征提取、模型訓練等功能。前端主要做用戶接口的搭建,后端負責業務邏輯和資料的處理。同時,后端采用與前端Ajax異步交互,將前端請求進行處理并返回結果。系統架構設計如圖2所示。

圖2 架構設計

3.3 系統功能實現

3.3.1 圖像識別

圖像識別主要是基于SpringBoot框架和CNN-SVM算法的浸潤性肺腺癌細胞的初步診斷篩選,實采用前后端分離[6]的方式,圖像識別是該系統最主要的功能之一。

在前端Vue模塊中,采用開源框架,對前端頁面進行搭建和美化,同時,從后臺獲取JSON數據導入前端,實現圖像結果的展示和交互,采用Axios等實現前后端數據的交互與傳輸。

在后端SpringBoot模塊中,系統接收輸入的病理圖像,并對圖像進行分析和處理。使用訓練好的CNN模型,從病理HE圖像中提取有關浸潤性肺腺癌細胞的特征。這些特征包括細胞形態、結構和染色等信息。提取出來的特征會被輸入細胞分類的SVM分類器。系統可以根據特征的差異性和模型的學習能力,將細胞分為不同的類別,如浸潤性肺腺癌細胞和非浸潤性肺腺癌細胞。根據細胞的分類結果,為浸潤性肺腺癌細胞的初步診斷提供依據。同時,SpringBoot的業務邏輯層將圖像識別的結果輸出為JSON格式,發送到前端部分進行顯示和利用。

3.3.2 用戶信息管理

病人基本信息、病人病理信息、病人診斷結果信息三大類是該系統的用戶信息。其主要功能是輔助病理科醫生進行患者的信息管理、查看診斷結果等。Camunda具有流程引擎,提供工作流、決策引擎、業務流程管理(Business Process Management,BPM)和工作流建模等功能,系統利用Camunda進行流程控制。作為一個開源項目,Camunda可以進行流程建模,通過BPMN規范定義流程的各個節點、任務、路由等信息。流程執行時,Camunda會根據流程定義中的條件判斷、事件監聽等進行任務分配和流程控制,自動進行驅動流程。另外,采用Vue-Flowchart以D3.js為底層圖形庫,使得Vue-Flowchart可以處理大規模的流程圖,展現出良好的性能。

4 結語

本文介紹了一種基于SpringBoot框架和CNN-SVM算法的浸潤性肺腺癌細胞的初步診斷篩選系統。系統以SpringBoot+Vue為架構,采用前后端分離的開發模式,前端以Vue進行架構,設計用戶界面,方便醫師查看病人資料及診斷結果;在圖像處理上,病理圖像的初步診斷是由卷積神經網絡結合支持向量機。系統進行特征提取、細胞分類和圖像分析,輔助病理科醫生制定病人的治療方案。后端采用SpringBoot進行框架搭建,與前端Ajax實現異步交互,處理前端請求并返回結果。實驗結果表明:通過大量的病理圖像的訓練與學習,系統能夠識別和定位出圖像中的病變位置,可以大大縮短傳統手動分析和識別的時間,提高診斷的一致性和效率。在后續系統開發建設中,需要關注最新的研究和算法發展,提高系統的準確性和處理效率,以輔助病理學工作者和醫生在浸潤性肺腺癌細胞的初步診斷。