本发明属于深度学习和图像分类技术的，更具体地设计一种基于改进inception v4的乳腺组织病理图图像分类方法。
背景技术：
1、乳腺癌致死率在女性恶性肿瘤排名第一。计算机辅助诊断系统可以大幅度提升工作效率，但由于乳腺结构特殊，专业医师容易对乳腺特别是致密型乳腺的病灶区域位置信息做出错误判断。随着深度学习在解决图像处理上表现出的高效实用性，利用深度学习实现乳腺病理图像组织的分类可有效避免传统方法的缺陷。
2、目前，用于医学影像分类和预测的方法、技术有很多，可划分为统计学方法、机器学习方法、深度学习方法、基于关联规则分类和其他方法。其中基于机器学习和深度学习的方法有较高的准确性和鲁棒性，随着机器学习和深度学习的兴起，出现了基于机器学习和深度学习的乳腺组织病理图像分类方法。基于机器学习的方法主要分为：图像预处理、图像中感兴趣区域提取、图像分割、特征提取和分类。然而许多过程都需要专家进行严格把控，实际应用中不具备这样的条件。另一方面深度学习方法可以从输入的医学图像中学习到相应的特征，摆脱了人工提取特征的弊端；面对情况复杂的乳腺病理组织，深度网络模型凭借自身强大的学习能力和高效的特征表达这两大优势使其更适用于医学图像分类领域。
技术实现思路
1、(一)解决的技术问题
2、为解决背景技术中的问题，本发明的目的在于提供一种基于改进inception v4的乳腺组织病理图图像分类方法，其可在提高原有inception v4精度的前提下，改进inception v4主干网络架构，优化训练方法，实现快速、准确的乳腺组织病理图图像分类。
3、(二)技术方案
4、本发明为了实现上述目的具体采用以下技术方案：
5、一种基于改进inception v4的乳腺组织病理图图像分类方法，包括以下步骤：
6、为实现以上技术目的，本发明提供的技术方案如下：
7、s1.搜集乳腺组织病理图像构建数据集；
8、s2.改进inception v4网络结构；
9、s3.定义损失函数；
10、s4.训练乳腺组织病理图像数据集；
11、s5.运用改进inception v4网络模型对乳腺组织进行分类。
12、s6.利用准确率、精确率、召回率，f1得分四个参数进行评价。
13、进一步地，步骤s1中，建立乳腺组织病理图像数据集的步骤如下：
14、s1-1.搜集乳腺组织病理图像，同时对收集的图像做初步的预处理，删除图像重复，格式不符合要求的图像。最后，将图像命名，存放于文件夹中；
15、s1-2.利用random_split()函数将整个数据集划分为训练集和测试集；进一步地，步骤s2中，对inception v4网络结构进行改进的具体步骤如下：
16、s2-1.在每个起始块之前添加一层cbam注意力机制，并在最后一层的起始块之后添加一层cbam注意力机制；
17、s2-2.在inception-a模块和inception-b模块后添加frn层；
18、进一步地，步骤s3中，损失函数用来评估卷积神经网络中预测值与真实值的偏离程度，在训练过程中使用cross-entropy loss损失函数，其表达式为：
19、
20、进一步地，步骤s4中，对组织数据集进行的步骤如下：
21、s4-1.所述训练模型使用adam优化器对网络进行优化，对改进后的inception v4网络结构的特定参数进行设置，包括训练率(train_ratio)、训练批大小(batch_size)、训练世代(epoch)，初始学习率(learning rate)。将设置好参数后的改进inception v4网络结构放入配置好环境的计算机中，运用random_split()函数划分好的图像进行训练；
22、s4-2.训练若干个世代后，loss值基本收敛到稳定值，随后基本保持不变。随着网络模型训练迭代次数的不断增加，loss基本收敛到稳定值，表明网络模型已经达到了预期的训练效果。
23、(三)有益效果
24、与现有技术相比，本发明提供了一种基于改进inception v4的乳腺组织病理图图像分类方法，具备以下有益效果：
25、(1)本发明方法基于改进inception v4的乳腺组织病理图图像分类网络达到准确度、精度、召回率和f1分数。
26、(2)本发明显示了模型很好的特征提取能力，有效地减少了过拟合和欠拟合的情况。
27、(3)本发明方法能够较好的应对类别不均衡和巨大的类内差异的挑战，显示出更好的网络泛化能力，并且有效提高了乳腺组织病理图图像分类的精度和准确性。
1.一种基于改进inception v4的乳腺组织病理图图像分类方法，其特征在于：包括以下检测步骤：
2.根据权利要求1所述的基于改进inception v4的乳腺组织病理图图像分类方法，其特征在于：步骤s1中，搜集乳腺组织病理图像构建数据集的步骤如下：搜集乳腺组织病理图像，分成训练集、测试集。
3.根据权利要求2所述的基于改进inception v4的乳腺组织病理图图像分类方法，其特征在于：步骤s2中，改进inception v4网络结构的具体步骤如下：
4.根据权利要求3所述的基于改进inception v4的乳腺组织病理图图像分类方法，其特征在于：步骤s3中，损失函数用来评估卷积神经网络中预测值与真实值的偏离程度，训练过程中采用cross-entropy loss(交叉熵)损失函数，与图像真实标签比较计算损失；通过优化器来调整参数，使损失达到最小，交叉熵损失计算公式如下所示：
5.根据权利要求3所述的基于改进inception v4的乳腺组织病理图图像分类方法，其特征在于：所述训练模型使用adam优化器对网络结构进行优化，模型训练次数(epoch)设置为50，batch size设置为8，初始学习率(learning rate)设置为0.0001。
6.根据权利要求4所述的基于改进inception v4的乳腺组织病理图图像分类方法，其特征在于：将设置好参数后的改进inception v4网络结构放入配置好的计算机中，进行训练。
7.根据权利要求4所述的基于改进inception v4的乳腺组织病理图图像分类方法，其特征在于：将测试的图像输入到改进好的网络当中，得到对应图像的分类结果并进行对比分析。
8.根据权利要求5所述的基于改进inception v4的乳腺组织病理图图像分类方法，其特征在于：所述分类方法还包括评价步骤，所述评价步骤包括：准确率(acc)、精确率(precision)、召回率(recall)，f1得分(f1_score)。
