申请/专利权人：华南理工大学

申请日：2024-03-29

公开（公告）日：2024-07-02

公开（公告）号：CN118279260A

主分类号：G06T7/00

分类号：G06T7/00;G06T7/11;G06V10/764;G06V10/774;G06V10/82;G06N3/0464

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.07.19#实质审查的生效;2024.07.02#公开

摘要：本发明公开了一种基于单阳标签的弱监督病理组织图像分割方法；包括如下步骤：步骤S1单阳标签学习步骤；步骤S2深度聚类步骤；步骤S3样本选择步骤；步骤S4数据合成步骤；步骤S5伪掩膜生成步骤是利用合成后的增强数据集Daug～{xaug,yaug}作为多标签分类训练集，基于GradCAM方法训练多标签分类模型fml，为数据样本生成像素级伪掩膜，用于最后的伪监督分割模型：步骤S6早期学习伪监督分割步骤。本发明使用了单阳标签代替全分类标签用于初始模型训练，保持了其他类别在初期训练中的不确定性，加强对单阳标签的学习。同时在后续阶段的自适应混合数据增强阶段，利用深度聚类，样本选择等方法合成强特征表达的新数据样本，扩充数据样本空间和丰富数据多样性。

主权项：1.一种基于单阳标签的弱监督病理组织图像分割方法，其特征在于包括如下步骤：步骤S1，单阳标签学习步骤本发明采用单阳标签学习从主导类别标签中学习深度模型的初步分类能力；1-1.加载预训练后的深度卷积模型记为fsingleθ,x，其中θ是基于ImageNet预训练得到的参数，x为常规卷积网络输入的图片数据；1-2.记训练集为Ds～{x,ysingle}，其中X为训练样本而Ysingle为对应的单阳标签；把训练样本x输入预训练中，得到输出逻辑值并通过sigmoid归一化函数映射为预测概率值psingle； 然后计算损失指导模型训练；对于已标注单阳标签，其损失L+为： 其中表示与标注的单阳标签类别一致的概率，而对于未标注的类别，损失函数保持其不确定性概率： 训练结束之后，使用训练好的模型生成伪多标签数据集Ds～{x,yspml}，yspml＝pspml表示输入样本x对应的伪多标签；步骤S2，深度聚类步骤：通过预训练模型提取全部训练样本的深度特征F＝{Fi|i＝1,2,...,n}，n是训练样本数量；接着使用k-means聚类方法对所有样本特征聚类： 其中，表示样本xi属于的类簇； 表示第j个类簇中心在特征空间的坐标；步骤S3；样本选择步骤：对于训练集中每个样本xi，通过计算其特征点与聚类中心的欧氏距离得分di进行样本选择，得分计算公式如下： 其中，Euclidean*表示两点之间欧氏距离函数；根据得分对所有样本从大到小排名，选择得分排名前λ的特征表达更强的样本作为数据增强的备选样本；步骤S4，数据合成步骤：对于备选样本集中的任意两个样本图片x1和x2，从各自的中心点开始切割，按照相同的随机角度，将它们切割成两个互补的部分，然后交换混合生成两个新的样本x′1和x′2，所有新合成的样本组成合成数据样本集；对于备选样本集中的任意两个样本图片，利用步骤S1中训练好的分类模型预测合成样本的伪标签ysyn，合成数据集被表示为Dsyn～{xsyn,ysyn}，与原始数据集Ds合并形成新的增强数据集Daug＝Dsyn∪Ds；对于备选样本集中的任意两个样本图片x1和x2，从各自的中心点开始切割，按照相同的随机角度，将它们切割成两个互补的部分，然后交换混合生成两个新的样本x′1和x′2，所有新合成的样本组成合成数据样本集；步骤S5，伪掩膜生成步骤：利用合成后的增强数据集Daug～{xaug,yaug}作为多标签分类训练集，基于GradCAM方法训练多标签分类模型fml，为数据样本生成像素级伪掩膜，用于最后的伪监督分割模型：yseg＝fmlx；伪监督分割数据集为Dseg～{x,yseg}；步骤S6，早期学习伪监督分割步骤：基于伪监督分割数据集，训练分割模型fseg完成最终的组织语义分割，训练过程第t个迭代循环epoch前向传播表示为： 由于伪掩膜由模型生成，存在不正确的噪声标签，深度学习模型在早期学习过程中趋向于学习正确标签，后期拟合噪声标签，因此在早期学习阶段先利用伪掩膜计算损失，之后利用模型早期学习的预测结果修正伪掩膜计算损失；损失函数表示为： 其中，表示第t个epoch的预测掩膜，T是开始使用标签纠正训练模型的开始时间点；为了检测开始时间点T，构造初始伪掩膜和预测结果之间的拟合函数fIoU： 其中，α，β，γ是拟合参数；基于之前训练阶段每个epoch的交并比IoU，拟合参数使用最小二乘法更新；当t＝T满足以下条件时，表示模型结束早期学习开始标签纠正： 其中，f′IoUt表示第t个epoch拟合函数的求导值，r表示设定的阈值。

全文数据：

权利要求：

百度查询： 华南理工大学 一种基于单阳标签的弱监督病理组织图像分割方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD