基于胶囊网络的口腔鳞癌组织病理图像分析

沙特国王大学学报基于胶囊网络的口腔鳞癌组织病理图像分析Sudha Panigrahia，Jayshankar Dasb，Tripti Swarnkarca计算机科学与工程系，SOA被认为是Bhubaneswar大学，751030 Odisha，印度b基因组学和生物医学信息学中心，医学科学研究所和SUM医院，SOA被视为布巴内斯瓦尔大学，751030 Odisha，印度c印度奥里萨邦布巴内斯瓦尔大学计算机应用系，邮编：751030阿提奇莱因福奥文章历史记录：收到2020年2020年10月23日修订2020年11月4日接受2020年11月12日网上发售关键词：历史学深度学习卷积神经网络口腔癌A B S T R A C T口腔癌是口腔最常见的恶性肿瘤之一在早期阶段确定口腔癌的正确类型一个主要的挑战在于从组织病理学图像中检测口腔癌。在口腔恶性肿瘤的诊断中，主要的视觉特征通常是从上皮层的结构差异和角蛋白珠的外观中提取的本文提出了一种使用称为胶囊网络的深度学习技术对口腔癌进行分类的新方法胶囊网络的动态路由和协议路由使其对增强口腔数据集的旋转和仿射变换具有更强的鲁棒性。该网络的处理姿态，视图和方向的能力，使其适合在早期阶段的口腔癌组织病理学图像的分析。交叉验证的结果表明，该方法可以有效地分类口腔鳞状细胞癌（OSCC）的组织病理学图像与97.78%的灵敏度，96.92%的特异性和97.35%的准确率。©2020作者由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍口腔癌在世界范围内被认为是癌症相关发病率和死亡率中最明显的恶性肿瘤，并且在头颈部（Kumar et al.， 2016年）。各种图像处理技术被广泛用于口腔癌的早期检测，从而提高治疗效率和癌症存活率。在早期阶段确定口腔癌的正确类型因此，计算机辅助应用程序将是非常有益的，因为它有助于医生制定更详细的治疗策略，并增强了对患者对接受治疗的反应的预测。此外，通过人类评估对口腔癌进行分类是非常耗时的过程，*通讯作者。电子邮件地址：santisudha. gmail.com（S. Panigrahi）。沙特国王大学负责同行审查容易出错，这主要取决于病理学家的知识和熟练程度（Bui等人， 2019年）。随着新技术的出现，需要使用先进的图像处理技术的口腔癌精确的自动诊断系统在各种类型的成像模式中，组织病理学成像更适合口腔癌预测，因为其具有处理时间快、设备要求少和实验室通气需求少的优势（Brian，2017）。因此，在本文中，我们专注于口腔癌分类的组织病理学成像。深度学习技术，特别是卷积神经网络（CNN），在过去几年中已经成为分析图像的许多任务的最先进技术（Krizhevsky等人， 2012年）。深度学习的CNN通过同时进行特征提取和分类工作，在考古发掘的情况下，完整对象的一些碎片被分类以了解定义它的某些特征，然后对完整对象进行分类。软集决策树方法由Woz'niak和Poznap（2020）提出，它根据特定类别可用的信息对碎片图像进行分类。对于细菌形状分类，通过区域协方差模型对输入显微镜图像进行分割（Poplap和Woz'niak，2019）。然后将片段提供给CNN以识别https://doi.org/10.1016/j.jksuci.2020.11.0031319-1578/©2020作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comS. Panigrahi，J. Das和T. 斯旺卡尔沙特国王大学学报4547×可见的细菌菌株。CNNLeNet（LeCun等人， 1989）、AlexNet（Krizhevsky等人，2012）、ZFNet（Zeiler和Fergus，2014）、VGGNet （ Simonyan 和 Zisserman ， 2014 ） 、 GoogleNet（Szegedy等人，2015年）是医学图像分析的无数任务的理想模型。医学成像领域的最新挑战是使用这些方法来解决分类问题。由于深度学习的效率主要取决于找到一个满足挑战的架构，因此目前许多研究正在设计新的、更复杂的深度网络，以增加可预测的结果。这导致了大量超参数的实现，使得整个网络过于复杂，无法进行优化（Feurer和Hutter，2019）尽管CNN在计算机视觉的各种任务中表现出相当大的通用性和效率，但它们也有自己的局限性。在CNN中，神经元是标量和加性的，并且在前一层的内核内的特定网络层的神经元之间没有空间关系。CNN的maxpooling丢失了有价值的信息，也没有对特征之间的相对空间关系进行编码（Bae和Kim，2018）。最近，Sabour等人（2017）提出了“胶囊网络”的概念，其中神经元级别的信息不是用标量而是用矢量表示。这样的载体包含如下信息。空间关系提取要素的其他属性胶囊网络是一种新的机器学习架构，用于更好地对分层姿态关系进行建模。这包括作为神经元集合的胶囊，所述神经元集合表示对象的实例化参数，诸如姿态和方向（Hinton等人，2011年）。因此，通过使用动态路由算法，这些胶囊被它建立了一种在常规CNN中不会发生的部分到整体的关系。本文的工作旨在利用这些基于动态路由算法的胶囊网络来完成分类任务。这些胶囊可以有效地用于非常精确和有效的分类（Patrick等人，2019年）。为了显示胶囊的有效性，我们拍摄了口腔癌的组织病理学2. 相关工作深度学习技术的进步以及计算能力已经提供了自动图像分类系统。已经尝试将深度学习方法应用于口腔癌的组织病理学图像。被称为卷积神经网络（CNN）的深度学习模型被发现在任务中有重要用途（Dev Kumar et al.，2018），能够通过分割实现口腔粘膜不同层（上皮、上皮下、角蛋白和角蛋白珠）的96.88%准确度卷积神经网络在各种图像分析任务中获得的准确率相当高，因为它在训练分类器之前不需要显式的特征提取方法这就是深度学习算法所具备的优势口腔癌组织学图像分析Krishnan等人（2012 a）使用SVM和高斯混合模型进行分割口腔粘膜的手工特征和分类。Krishnan等人（2012 b）使用不同的分类器，如模糊，决策树，高斯混合模型，KNN进行分类任务，并发现模糊提供了有前途的性能，因为它可以管理不精确的非线性参数时，提供了纹理特征的混合物。Krishnan等人（2011年）再次使用SVM分类器组合小波族的不同特征，与单个特征相比，其具有更好的准确性。Belvin等人（2013）提出了一种模型，用于使用基于ANN的口腔癌多类分类进行更具说明性和患者特异性的方法。所有这些模型都基于机器学习算法，需要提取手工制作的特征，无法处理复杂的查询。所以CNN深度学习方法被用来克服这些问题。 但是这些CNN不能捕获输入图像的姿势、视图和方向。我们选择了胶囊网络，它可以克服CNN的局限性，并提供更好的预测精度。该文献研究提供了机器学习/深度学习在口腔癌中可以实现的重要例子。在医学领域，几个capsnet模型用于各种癌症分类任务。对于脑肿瘤分类（Afshar等人，2018年），作者拍摄了磁共振成像（MRI）图像，并证明了capsnet模型与CNN模型相比的效率，通过一个卷积层和64个特征图实现了86.56%的准确率。Iesmantas和Alzbutas（2018）将卷积capsnet架构应用于乳腺癌，共使用400张图像对四个类别进行分类，准确率为87%。对于肺癌筛查（Mobiny和Van Nguyen，2018），作者提出了一种一致的动态路由机制，将速度提高了3倍。Wang等人（2019）提出了一种capsnet模型，即文献揭示了Capsnet模型用于各种疾病预测任务的重要性在这项研究中，被认为是一个分类的二元问题：良性和恶性的口腔组织病理学图像。在材料和方法部分，我们讨论了数据集，预处理步骤和胶囊网络（CapsNet）的综合演示3. 材料和方法目前的研究已经进行了口腔活检图像的分类为良性或恶性。 图1表示所建议的方法分五个阶段进行的示意图。第一阶段包括图像的预处理以减少噪音。阶段II和阶段III包括图像分割和图像增强。在阶段4中进行数据划分以进行k折交叉验证。阶段5是最后阶段，其涉及通过胶囊网络将样本图像分类为良性和恶性。从GDC门户1收集了82个恶性和68个良性的全载玻片图像，这些图像来自各种口腔癌部位，如食道、喉、下唇和上唇、声带、口底和舌底等。对于胶囊网络模型的训练和测试，从每个全载玻片图像中提取大小为256 - 256像素的感兴趣区域（ROI）用于精确分割。考虑非重叠图像块对图像进行了预测在各种图像处理比赛中获胜。主要使用机器学习技术的研究也在1https://portal.gdc.cancer.gov/repository。S. Panigrahi，J. Das和T. 斯旺卡尔沙特国王大学学报4548Fig. 1. 拟议方法的工作流程。即仅对整个图像而不是对单个块进行准确度分析（Wei等人，2019年）。图像的标签由多数投票决定。3.1. 图像预处理对图像进行了降噪预处理。所收集的图像在质量和尺寸上各不相同。有些图像有一个完美的，不变的背景，而另一些则有杂乱的背景。需要对图像进行预处理，以去除其中存在的杂质，并使其适合于进一步的处理，如分割，特征提取等。对于本研究，图像预处理包括应用高斯模糊来过滤图像中存在的噪声，并平滑边缘，然后转换为灰度图像。因此，高斯模糊有效地消除了低SNR（信噪比）图像中存在的噪声（Gedraite和Hadad，2011）。3.2. 图像分割精确的分割携带了组织病理学图像的实际信息，从而在自动诊断系统中实现对组织病理学图像的准确分类。所提出的研究的自动分割包括分离相对均匀的伪影，例如细胞核和角蛋白珠区域、上皮作为前基特征以及其他细胞结构，例如细胞质和其他结缔组织作为背景。在这样的问题中，需要一个二进制分割任务，它可以使用一个单一的阈值来区分图中所示的两个类。 2（c）. 对于我们的分析，我们实现了大津这种方法由于简单有效而被广泛使用（Qu和Zhang，2010）。Otsu阈值化的目标 图图2（d）示出了Otsu的方法通过减少类内方差（在蓝色和任何强度的蓝色像素之间）和优化类间方差（在任何强度的红色和蓝色像素之间）来实现分割（Das等人， 2020年）3.3. 数据增强应该有足够的训练数据来训练深度学习模型。如果使用少量的训练数据，则可能存在过拟合。为了防止由于数据量小和类别不平等而导致的过拟合问题，我们应用了数据增强。通常，深度学习模型可以很好地适应平衡和大型数据集。这项研究是针对相对较小的数据集进行的。公开可用的口腔癌数据集很小，并且对于恶性和良性类别，样本不平衡。因此，在有限扩增的情况下，本研究生成了一个小型平衡数据集显微镜获得的图像是方向不变的，并且基于显微镜焦平面的位置，每个图像的细胞结构的清晰度不同。这种增强是通过翻转、反转和旋转原始图像来完成的图像操作技术。因此，我们的Capsnet模型需要两种类型（良性和恶性）的1000个口腔癌图像。表1列出了每个类的图像数量3.4. 数据划分在这项研究中，使用10倍交叉验证方法来估计预测模型的性能。这种方法涉及将训练数据分成大约相等大小的k个组或折叠。此后，在k-1个折叠上进行算法的训练，并将剩余的一个折叠作为用于评估算法的验证折叠对所有k个折叠重复该方法，直到算法得到验证。实验研究表明，10往往是一个最佳的折叠数，它减少了与验证过程相关的偏差和方差（Kohavi，1995）。在10折交叉验证中，整个数据集被分成10个互斥的子集或折叠。每个折叠使用一次来评估模型的预测性能，从剩余9个折叠的组合数据生成，从而产生10个独立的性能估计。这种方法将所有患者分配到验证折叠中，仅一次，因此可以用于交叉验证预测。S. Panigrahi，J. Das和T. 斯旺卡尔沙特国王大学学报4549^jBBBB. 吉吉B子节点bj/i可以发送更多的信息j的par-图二. (a)原始图像;（b）过滤后的灰度图像;（c）阈值图像;（d）Otsu表1研究考虑的口腔癌数据集最后，使用非线性挤压函数通过防止胶囊的输出向量超过1来对胶囊的输出向量进行归一化。因此，其长度可以表示为胶囊将检测到给定特征的概率。每个胶囊（四）、23.5. 按胶囊网络vksjksj1张图片sjk2张图片sjkð4Þ胶囊由一组神经元组成，其输出被推断为同一实体的不同特征，并形成激活向量。每个胶囊由表示位于给定像素处的特定对象的存在的姿态矩阵和表示向量的长度的激活概率组成。激活向量其中sj是到胶囊j的总输入，vj是输出。基于vj和uj/i之间的一致性。必须在路由期间更新对数概率。因此，更新的对数概率计算公式如下：（五）、bij<$bijuj=i：vj5动态布线可以提高布线效率激活矢量长度或幅度测量感兴趣对象存在的近似可能性例如，在旋转图1显示了CapsNet跨层的数据可以有许多胶囊层。在我们提出的架构中，我们使用了初级胶囊层（最后一个卷积层的整形和压缩输出）和CancerCaps层（即，胶囊表示2类组织学图像：癌性/非癌性）。每个胶囊预测父胶囊的输出，并且如果该预测与父胶囊的实际输出一致，则这两个胶囊之间的耦合如果ui是输出胶囊i，则如等式（1）中那样确定其对父胶囊j的机制J-母胶囊与一个因素的u. v.因此，胶囊其性能vj进一步与其预测uj/i3.5.1. Capsnet架构下面的图3：显示了用于对口腔癌进行分类的所提出的Capsnet模型。在初级胶囊层之前，如果需要，可以使用许多卷积层。在Capsnet中，省略了最大池层，这是CNN架构的主要缺点。由于最大池层，CNN丢失了一些有价值的信息和图像的空间关系。所以Capsnet使用步长大于1的卷积来最小化dimen，uj=i ¼Wij ujð1ÞSionality（如果步幅为2，则维度减少因子2，等等）（Szegedy等人，2015年）。CancerCaps的输出是其中uj/i是第j个胶囊的输出预测向量，Wij是应该在反向传递中学习的权重矩阵。softmax函数用于计算耦合系数cij，其取决于下面的层中的胶囊和父胶囊之间的构象程度，称为“迭代动态路由过程”，如等式（1）（二）、用于决定输入图像的类别。在图3中示出了用于此的整个网络架构。可训练参数的总数为14788864。Adam优化器使用随机梯度下降算法来训练参数为0.0001的整个网络（Kingma和Ba，2014）梯度下降的自适应方法普遍用于var。有很多理由。首先，它们为每个参数国际新闻报实验bPkexpð2Þ并且能够学习稀疏和更密集的信息。第二，它们允许从数据中学习学习率，Bij表示对数概率，并且如果在路由开始时通过协商过程最初应当将胶囊i与胶囊j耦合，则Bij被设置为0。因此，父胶囊输入矢量j如等式（1）中所示计算。（三）、sj¼Xcijubj=i3学习率的调整第三，它们趋于趋同对于相同的数据和方法，在训练方案中比非自适应方法早得多。主胶囊层中的每个胶囊都链接到CancerCaps层中的每个其他胶囊。然而，代替最大池化，使用称为协议路由的算法，其促进更好的学习（Sabour等人，（2017年）我类别全切片补丁增强恶性824141000良性683721000S. Panigrahi，J. Das和T. 斯旺卡尔沙特国王大学学报4550××图三. Capsnet架构用于口腔癌组织病理学图像分类。用于诊断口腔癌的体系结构涉及输入和初始卷积层，其作为主要胶囊的一部分，随后是癌症胶囊。输入层：该层接受口腔癌的组织病理学图像，用于训练网络。主胶囊层：输入层首先连接到卷积层。它由256个核大小为9的包含标量的过滤器组成ReLU，整流线性单元被用作非线性激活函数。输出是整形从主胶囊得到32 6 6特征图包含8维向量。使用一个新的压缩函数，输出向量必须被压缩，以确保这些向量的长度在0和1之间（以表示概率）。这给出了主胶囊的输出在训练过程中 ， 挤 压 函 数 补 充 了 一 个 小 值 ， 以 避 免 梯 度 消 失 的 问 题（Faizan，2017）。癌症胶囊层：为了确定癌症胶囊的预测输出向量，对每个主要和癌症胶囊对实施协议路由算法。3.5.2. 重建解码器网络包括完全连接的层，其被添加到通过调谐cancercapsnet输出以重建输入图像而提供的cancer capsnet网络。这种机制将允许网络保留重建整个网络中的癌症图像这起到了正则化的作用，防止数据过度拟合，并有助于更好地概括癌症图像。该解码器部分包含分别具有神经元512、1024和4096的三个完全连接的层。在最后一个全连接层中，神经元的数量与输入图像中的像素计数相同，因为目标是减少输入图像和重建图像之间的平方差之和。通过独热函数应用重建掩模。在训练过程中，我们屏蔽了除了正确的癌症胶囊的活动向量之外的所有内容目标类的值为1，另一个类的值为0。解码器由ReLU组成，一个非线性激活层，后面是一个sigmoid激活层。3.5.3. 损失1) 保证金损失：实例化输出向量的长度表示相应上限的实体存在或不存在的可能性每个癌症胶囊的损失为k，如下所示：Lk=Tk max（0，m-kvkk）2+（1-Tk）max（0，kvkk-m-）2<$6其中T k= 1，当且仅当存在k类图像且m+=0.9和m-=0.1。k= 0.5，用于数值稳定性。这种损失确保了当检测到类别时，数字胶囊的输出向量至少为m+长，最多为m-长S. Panigrahi，J. Das和T. 斯旺卡尔沙特国王大学学报4551¼¼联系我们如果没有检测到该类。k= 0.5用于防止初始学习状态中的损失收缩所有向量。重建损失：它被计算为输入图像和重建图像的平方差（平方欧几里德距离）。重建损失=（输入图像）2-（重建图像）22) 总损失：总损失仅仅是所有癌症细胞损失的总和 重构损失被因子k按比例缩小，以防止其支配边缘损失（Sabour等人，2017年）。总损失=边际损失+k（重建损失）其中= 0.0005。3.6. 性能分析模型验证过程的定量评估通过五个统计指标进行评估，即精确度、灵敏度或召回率、特异性、准确性和F分数。分类器但特异性或真阴性率（TNR）表示为正确识别的阴性图像与阴性图像总数的比率。阳性预测值（PPV）或精度反映了阳性预测图像总数中正确分类的阳性图像部分。F-measure也被称为F-score，它表示精确率和召回率的调和平均值。高的F-测度表明分类效率高。回忆或灵敏度= TPR=TPTPFFN特异性= TNR =TN公司简介精密度= PPV =TP公司简介F测量=2×精密度×回收率精确度和召回率准确度（Acc）是最广泛使用的性能指标，并且被定义为正确分类的图像与图像总数的比率。准确度加速度TPTPTNFPFN错误率（ERR）或误分类率是对准确性度量的补充。该度量是按正类和负类错误分类的图像的数量。ERR 1 AcccFPFUNFNTPTNFPFN4. 结果分析所提出的模型遵循标准方案（Spanhol等人， 2016年）将数据集分为训练（70%）和测试（30%）。所采用的协议是适用于口腔癌的数据集与10倍交叉验证。很难从网络的各个层中获得有意义的信息，因此无法清楚地理解网络是如何区分类别的。然而，第一卷积层试图识别组织病理学图像的各个部分。从图4中，第一卷积层的可视化输出显示它识别细胞核、细胞质和其他单元。进一步进入网络，由于网络的复杂性和由其执行的计算，互操作性丢失从以下三个方面对结果进行了讨论a) 使用混淆矩阵的b) 性能测量图c) 与其他最先进型号的a) 使用混淆矩阵的表2中讨论了作为混淆矩阵的交叉验证结果。该系统达到了97.35%的准确率。混淆矩阵显示了此分类问题的预测结果摘要。正确的良性和恶性预测的数量分别为978和969（对角线）。不正确的预测是误分类值，例如当图像是良性时被预测为恶性的图像是22，而当实际上具有恶性时被预测为良性的图像是32。它给出了分类器所犯错误的信息和错误的类型。在产生二分结果（阳性或阴性）的口腔诊断测试中，根据灵敏度和特异性评估准确度。所以这些值然后与金标准相比评估诊断测试的潜力。表3显示了模型的不同性能度量（以%为单位）。为了进一步可视化所提出的二元分类器的性能，它由受试者工作特征（ROC）曲线表示（Fawcett，2006）。通过沿X轴绘制假阳性率和沿Y轴绘制真阳性率来获得ROC曲线。图五.表示我们提出的模型的ROC曲线。报告的敏感性为97.78%，特异性为96.92%。灵敏度和特异性值都很高，这确实适合于筛选试验。这种出色的性能很大程度上是由于capsnet模型相对独特的特征提取性质，反映了早期检测方法的效率。灵敏度和特异性值都很高，这表明所提出的模型b) 性能测量图对于Capsule网络，我们计算了总的损失，它包括两部分：解码器损失和Capsnet损失。CapsNet损失测量了误分类误差，并使用等式计算。（六）、解码器损失通过使用输入和被重建的图像之间的均方误差来确定。我们提出的模型使用100个epoch进行训练，具有10交叉折叠验证，并在“Ubuntu 16.04”上捆绑在Tensorflow中的专用软件包中进行了6小时的训练，模型精度和损失曲线如图6所示。这些学习曲线可以用来可视化增量评估分类器的学习性能与时代。将这种CapsNet架构与CNN模型（Panigrahi和Swarnkar，2019）在相同的口腔癌分类数据集1上进行比较。对于相同的数据集 1，Capsnet的性能优于CNN，这意味着Capsnet分类器的学习能力更强。因此，该学习曲线有助于评估和选择合适的分类器。由于CapsNet可以处理空间数据，与CNN（Panigrahi和Swarnkar ， 2019 ） 相比 ，它 提供 了 更好 的分 类结 果 （准 确率97.35%），准确率为96.77%。在测试数据集上评估的capsnet的总损失为0.08312，而CNN的验证损失为0.13211。实验结果表明，在相同的数据集、训练时间和训练次数下，CAPSNET具有更高的准确率和更低的损失值的时代。这表明所提出的模型更适合于分类任务。c) 与其他尖端型号的表4显示了最先进方法的比较结果。我们提出的模型处理胶囊网络S. Panigrahi，J. Das和T. 斯旺卡尔沙特国王大学学报4552见图4。capsnet的第一个卷积层的特征可视化表2使用混淆矩阵的交叉验证表4各种分类方法与拟议系统的比较真实vs预测良性恶性文学分类方法精度良性97831%恶性22969Krishnan等人（2011年）SVM88.38Krishnan等人（2012年b）模糊95.7Krishnan等人（2012年a）SVM99.66Belvin等人（二零一三年）基于反向传播97.92表3阿努拉陀和桑卡拉纳拉亚南ANNSVM92.5所提出的模型的不同性能测量（二零一三年）Dev Kumar等. （2018）随机森林96.88Panigrahi and Swarnkar（2019）CNN 96.77CapsuleNetwork 97.35模型图五. ROC曲线。基于分类器的良性和恶性OSCC的分类本研究考虑的数据集在性质上是平衡的，即对于恶性和良性类别，我们所提出的方法的性能与现有的工程精度措施。提出的模型和CNN是深度学习架构，而其他文献使用机器学习方法。在传统的机器学习算法中使用少量的数据集（在10到100的范围内），这需要依赖于专家的手工特征提取技术。在深度学习方法中，它自己提取粗糙的特征，效率会随着数据量的增加而提 高 。 Krishnan 等 人 （ 2012 a ） 的 SVM 方 法 和 Belvin 等 人（2013）的基于反向传播的ANN分类已经超过了我们结果的性能2.31%和0.57%，因为用于分析的特征是定义良好的手工特征，并且与所提出的模型相比，考虑的数据集非常少。虽然在不同的数据集上验证了现有文献的使用，但研究的目的是相同的，并且都是针对口腔癌的组织病理学图像。在这方面，我们应该推断，在分析表4之后，见图6。 精度和损耗曲线。分类器灵敏度特异性精度精度F-measure（%）（%）（%）（%）（%）Capsnet97.7896.9297.3596.997.33S. Panigrahi，J. Das和T. 斯旺卡尔沙特国王大学学报4553我们的技术与最近根据我们在OSCC领域的最佳知识所做的工作具有很强的可比性，表明所建议的解决方案的可行性。这表明，所提出的用于检测癌性和非癌性组织的技术由于其高通量而在使用组织病理学图像的口腔鳞状细胞癌的计算机辅助诊断5. 结论口腔组织病理学图像的精确筛查对于口腔疾病的诊断和治疗计划的制定以及为医生提供可靠的第二意见是必不可少的。在目前的工作中，我们提出了使用胶囊网络进行口腔癌分类，这是一种自动化的计算机辅助方法。交叉验证准确率为97.35%，敏感性为97.78%，特异性为96.92%。由于交叉验证的结果非常令人满意，这表明胶囊网络在捕获姿态信息和空间关系方面具有更好的能力，并且与CNN模型相比可以更好地区分癌性和非癌性图像。因此，该模型可以作为一种诊断工具，以帮助医生在他们的日常临床筛选。建议的系统可以扩展到口腔癌的不同阶段的分类在未来。竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。引用Afshar，P.，穆罕默迪，A.，Plataniotis，K.N.，2018.通过胶囊网络进行脑肿瘤类型分类。在：2018年第25届IEEE图像处理国际会议（ICIP），IEEE，pp。3129-3133。克里热夫斯基，A.，萨茨克弗岛，巴西-地辛顿，通用电气，2012.使用深度卷积神经网络进行图像网分类。Adv. 神经信息过程系统25 ，1106-1114。Anuradha，K.，Sankaranarayanan，K.，2013.使用图像处理的口腔癌分类特征提取技术的比较。 Int. J. Appl. Innov. 工程管理。（IJAIEM）2（6），456-462。Bae，Jaesung，Kim，Dae-Shik，2018.基于胶囊网络的端到端语音命令识别。In：Interspeech，pp. 776-780。Brian，K.，2017.活检检索自https://www.healthline.com/health/biopsy。塞格迪角，澳-地刘伟，Jia，Y.，塞尔马内，P.，2015年。更深的回旋。于：IEEE计算机视觉与模式识别会议论文集，pp。 一比九Dev Kumar，D.，Surajit，B.，Ashok Kumar，M.，Bhaskar，M.，Gopeswar，M.，Pranab Kumar，D.，2018年，从口腔组织组织学图像中自动识别临床相关区域，用于口腔鳞状细胞癌诊断。组织细胞53，111Fawcett，Tom，2006. 介绍ROC分析。模式n。Lett. 27（8），861-874。Spanhol，F.A.，Oliveira，L.S.，Petitjean，C.，休特湖，2016.使用卷积神经网络的乳腺癌组织病理学图像分类。在：在：2016年国际神经网络联合会议（IJCNN），pp。2560- 2567Feurer，Matthias，Hutter，Frank，2019年。超参数优化上一篇：自动化机器学习Springer，Cham，pp. 3- 33Gedraite，Estevão S.，Hadad，Murielle，2011.研究了高斯模糊在图像滤波和分割中的作用。In：Proceedings ELMAR-2011，IEEE，pp. 393-396.Hinton，Geoffrey E.，Krizhevsky，Alex，Wang，Sida D.，2011.改造自动编码器。在：人工神经网络国际会议，施普林格，柏林，海德堡，pp. 44比51Iesmantas，Tomas，Alzbutas，Robertas，2018.用于乳腺癌组织学图像分类的卷积胶囊网络。在：国际会议图像分析和识别。Springer，Cham，pp. 853- 860Kingma，Diederik P.，Ba，Jimmy，2014. Adam：随机最佳化的方法。arXiv预印本arXiv：1412.6980。Krishnan ，M.Muthu Rama.，沙赫，P.，Choudhary，A. ，查克拉博蒂角，保罗，R.R.2009年10月15日，2011.组织病理学图像的纹理特征用于口腔粘膜下纤维性变检测。组织细胞43，318Krishnan，M.Muthu Rama.，查克拉博蒂角，保罗，R. R.，雷，A.K.，2012年a。正常口腔粘膜和粘膜下纤维性变组织病理学图像基底细胞核的混合分割、表征和分类。专家系统应用39，1062-1077。Krishnan，M.Muthu Rama，Venkatraghavan，V.，Acharya，U.R.，帕尔，M.，保罗，R. R.，Min，L.C.，雷，A.K.，Chatterjee，J.，查克拉博蒂角，2012年b。使用组织病理学图像的口腔癌自动识别：混合特征提取范例。Micron 73（1），352西蒙尼扬，K.，齐瑟曼，A.，2014年。用于大规模图像识别的非常深的卷积网络，arXiv预印本arXiv：1409.1556。Kumar，Malay，Nanavati，Ronak，Modi，Tapan G.，Dobariya，Chintan，2016. 口腔癌：病因和危险因素：综述。J. Cancer Res. Ther. 12（2），458。Bui ， Marilyn M. ， Asa ， Sylvia L. ， Pantanowitz ， Liron ， Parwani ， Anil ， van derLaak，Jeroen，Ung，Christopher，Balis，Isaacs，Mike，Glassy，Eric，Manning，Lisa，2019年。数字和计算病理学：聚焦未来。 J.病理学INF. 10个。Zeiler，医学博士，弗格斯河，巴西-地2014.可视化和理解卷积网络。在：欧洲计算机视觉会议，苏黎世，页。818-833Mobiny，A.，Van Nguyen，H.，2018年上一篇：肺癌筛查的快速CapsnetSpringer，Cham，pp. 741- 749Das，Navarun，Hussain，Elima，Mahanta，Lipi B.，2020年。使用迁移学习和卷积神经网络将口腔鳞状细胞癌上皮组织中的细胞自动分类Neural Networks，inpress.Otsu，Nobuyuki，1979年。一种基于灰度直方图的阈值选取方法。IEEE Trans. Syst. Man Cybernet. 9（1），62-66。Patrick ， Mensah Kwabena ， Adekoya ， Adebayo Felix ， Mighty ， Ayidzoe Abra ，Edward，Baagyire Y.，2019. 胶囊网络-一项调查。J.沙特国王大学- Comput. INF.科学，出版中。Popuhap，D.， Woz'niak，M.，2019年。In：July. 利用区域协方差和卷积神经网络进行细菌形状分类。IEEE，pp. 1-7号。Qu，Zhong，Zhang，Li，2010.基于改进Otsu算法的图像分割研究在：2010年第二届智能人机系统和控制论国际会议上，第2卷，IEEE，pp。228-231。科哈维河，一九九五年交叉验证与自助法于精确度估计与模型选择之研究在：第14届人工智能国际会议（IJCAI）的会议记录，摩根考夫曼，圣马特奥，加利福尼亚州，pp。1137-1145.Faizan，S.，2017年，检索自https://www.analyticsvidya.com/blog/2017/03/FIntroduction-to-gradient-descent-algorithm-along-its's-variants/Sabour，S.，Frosst，F.，辛顿，通用电气，2017.胶囊之间的动态路由。在：神经信息处理系统的进展，pp。3859-3869.Panigrahi，Sudha，Swarnkar，Tripti，2019.使用卷积神经网络对口腔癌组织学图像进行自动分类。IEEE，pp. 1232-1234.Belvin，T.，Vinod，K.，Sunil，S.，2013.在：基于纹理分析的分割和分类的口腔癌病变的彩色图像使用人工神经网络。IEEE，pp。1比5。王多林，梁艳春，董旭，2019年。蛋白质后的胶囊网络翻译修饰位点预测生物信息学35（14），2386-2394. Wei，Jason W.，Tafe，LauraJ.，Linnik，Yevgeniy A.，Vaickus，Louis J.，富田直史Hassanpour，Saeed，2019年。用深层神经网络对切除的肺腺癌切片进行病理学家水平的组织学模式分类。Sci.众议员9（1），1-8.Woz'niak，M.，Popuhap，D.，2020年。 基于神经元的软树图像处理技术在考古发掘中的应用。Ubiquit.计算：1- 13Y.莱昆，Boser，B.，Denker，J.S.，亨德森，D.，霍华德，R.E.，哈伯德，W.，雅克尔湖D、1989.后向传播算法在手写体邮政编码识别中的应用。神经元计算1，541-551。