摘要
肺癌是全球范围内新增癌症确诊患者中最多的癌症种类，病理图像分析是目前确诊肺癌最权威的诊断方式。人工智能高速发展，在医学图像分析方面具有巨大前景，人工智能中深度学习成为病理学专家的重要辅助诊断工具。因此相当多学者致力于使用深度学习的方法研究医学图像处理，在提高诊断准确率的同时提高诊断效率。 本论文研究使用深度学习中的卷积神经网络，应用于肺癌病理图像的自动分类。研究对象为非小细胞肺癌中的肺腺癌、肺鳞状细胞癌病理图像和肺良性病理图像，使用LC25000数据集进行研究，取得较好的效果。本论文开展的研究工作如下： （1）以ResNet残差网络作为基础网络模型，使用RedNet新型网络中的Involution新型卷积，解决了通道之间信息比较冗余、传统卷积核的感受野小的问题，同时增强了网络模型的获取和表达全局信息的能力。该网络模型在肺良性图像、肺腺癌图像和肺鳞状细胞癌图像准确率分别达到100.00%、99.47%、99.47%，整个数据集准确率达到99.47%。最终实验表明改进的模型在非小细胞肺癌病理图像分类任务中有效，分类准确率有所提高。 （2）使用ResNeXt网络作为基础网络模型，ResNeXt网络是在ResNet网络基础上改进得来的，在ResNeXt网络模型中嵌入卷积块注意力模块，给有用的特征分配更多的权重，提高网络提取有用特征信息的能力；使用DY-ReLU模块替换初始层中的静态ReLU，可以根据不同特征图自动调整参数，提高模型性能。该网络模型在肺良性图像、肺腺癌图像和肺鳞状细胞癌图像准确率分别达到100.00%、99.96%、99.96%，整个数据集准确率达到99.96%。最终实验表明改进的模型在非小细胞肺癌病理图像分类任务中具有优越性。 综上所述，本论文的两部分研究工作在非小细胞肺癌病理图像分类任务上都能取得较好的效果，所使用的算法具有一定创新性，实验结果表明，本文研究的两部分算法有效，具有一定的临床参考意义。
NETL