一种基于超图学习的弱监督组织病理学全切片图像分析方法
申请人信息
- 申请人:合肥工业大学
- 申请人地址:230000 安徽省合肥市屯溪路193号
- 发明人: 合肥工业大学
专利详细信息
| 项目 | 内容 |
|---|---|
| 专利名称 | 一种基于超图学习的弱监督组织病理学全切片图像分析方法 |
| 专利类型 | 发明申请 |
| 申请号 | CN202311255102.3 |
| 申请日 | 2023/9/27 |
| 公告号 | CN117541844A |
| 公开日 | 2024/2/9 |
| IPC主分类号 | G06V10/764 |
| 权利人 | 合肥工业大学 |
| 发明人 | 史骏; 束童; 孙东东; 丁须扬; 徐子豪; 夏思敏 |
| 地址 | 安徽省合肥市包河区屯溪路193号 |
摘要文本
本发明属于组织病理学全切片图像分析技术领域，具体涉及一种基于超图学习的弱监督组织病理学全切片图像分析方法，其步骤包括：获取具有图像级别标签的组织病理学全切片图像数据集并进行分块预处理；训练基于自监督学习的分块图像编码器；建立全切片图像样本的超图模型；建立基于超图学习的深度网络模型；使用带弱标签的超图模型样本数据集离线训练网络模型；利用训练好的模型对组织病理学全切片图像进行预测，完成全切片图像的分类以及切片各区域的病变概率可视化。本发明能克服组织病理学全切片图像数据详细标注难以获取的不足，并使用弱监督方法有效完成切片图像级的分类以及局部组织区域的病变概率可视化。
专利主权项内容
1.一种基于超图学习的弱监督组织病理学全切片图像分析方法，其特征在于，包括如下步骤：步骤1、获取带有图像类别标签的组织病理学全切片图像数据集D并进行预处理得到分块后的全切片图像B，其中/>表示第i张全切片图像中的第j个分块图像，/>表示对应的第i张全切片图像中第j个分块图像所在位置的中心坐标，n表示第i张全切片图像中划分出的分块图像的总数；i步骤2、训练基于自监督学习的分块图像编码器f，并将所述全切片图像B输入分块图像编码器f中，为每个分块图像生成d维的特征向量并输出编码后的全切片图像/>i步骤3、根据所述编码后的全切片图像B建立超边并以此构建其对应的超图模型其中，/>M表示超边的数量；i步骤4、建立深度网络模型，将所述超图模型作为样本输入深度网络模型中进行训练，最终生成切片级别的预测P和分块图像的预测p，根据网络模块启用程度的不同，生成掩码重建后的超图/>ii步骤5、将所述所述P和所述p代入预先构建的损失函数中，分别计算节点重建的损失值、整体分类损失值和局部分类损失值，将所述损失值加权后反向传播训练所述深度网络模型，得到优化后基于超图学习的深度网络模型，将待分析全切片图像输入到基于超图学习的深度网络模型中，以输出全切片图像的分类以及局部组织区域的病变概率可视化。ii。微信公众号马克 数据网