学习（Deep Learning， DL）算法快速发展，常用来识别特征维数高、背景复杂的医学图像[2-6]。在胃肿瘤细胞图像的应用上，杜剑等[7]使用CNN，结合高光谱成像与显微系统，实现了癌变和正常组织的精确分类;但是该方法的数据获取较为困难，需要一定的硬件条件才可实现。张泽中等[8]将AlexNet与GoogLeNet结合，使用专业标签过滤后的胃癌病理图像进行训练取得了良好效果，但现实中难以对胃肿瘤细胞图像进行实时过滤。可见，CNN是实现胃肿瘤图像识别的一个有效方法。
由于DL是数据驱动技术，所以当数据不足时，即使是更深的网络也难以取得更好的效果[9]。胃肿瘤细胞图像是典型的小样本数据集，不适合直接输入CNN进行训练。Perez等[10]证明通过剪裁、旋转、翻转等方法可以达到数据增强（Data Augmentation， DA）的目的，将这些传统DA方法组合起来可以进一步提高数据集的多样性，但并不能满足胃肿瘤细胞图像的数据集要求。Salehinejad等[11]针对超小型多模态医学数据集，提出使用径向变换（Radial Transform， RT）进行数据扩增，表明RT在多模态医学数据集上的可行性，由于胃肿瘤细胞图像具有旋转不变性，因此将传统DA方法与RT结合实现其数据扩展不失为一种好方法。
推荐访问： 肿瘤 变换 识别 细胞 图像
