一种基于半监督学习的全切片病理图像分类方法
申请人信息
- 申请人:汕头大学医学院; 湘潭大学
- 申请人地址:515041 广东省汕头市新陵路22号
- 发明人: 汕头大学医学院; 湘潭大学
专利详细信息
| 项目 | 内容 |
|---|---|
| 专利名称 | 一种基于半监督学习的全切片病理图像分类方法 |
| 专利类型 | 发明申请 |
| 申请号 | CN202410034940.6 |
| 申请日 | 2024/1/10 |
| 公告号 | CN117557558A |
| 公开日 | 2024/2/13 |
| IPC主分类号 | G06T7/00 |
| 权利人 | 汕头大学医学院; 湘潭大学 |
| 发明人 | 张伟锋; 汤红忠; 顾江; 谢明健; 洪良利; 易润坤; 耿义群; 张宏生 |
| 地址 | 广东省汕头市新陵路22号; 湖南省湘潭市雨湖区羊牯塘27号 |
摘要文本
专利查询网 。本发明涉及图像处理与医学技术领域，具体涉及一种基于半监督学习的全切片病理图像分类方法，首先，将病理切片扫描成WSI，对WSI内的癌症区域进行标注并对图像块进行预处理，构建病理分类数据集；将切割后的图像块划分为训练集和测试集，其中训练集分为有标记样本和未标记样本；其次，对未标记图像进行弱增强和强增强操作，依据多分辨率一致性计算强增强图像的预测概率与伪标签之间的交叉熵，作为无监督损失函数；最后，将训练好的分类模型对测试集进行预测，生成概率热力图并拼成整张病理切片的结果，用于切片分类效果可视化。本发明的全切片病理图像分类方法有利于减少模型对大量标签的依赖性，同时提供较好的分类结果。
专利主权项内容
1.一种基于半监督学习的全切片病理图像分类方法，其特征在于，所述图像分类方法包括如下步骤：S1：通过数字扫描仪将病理切片扫描成WSI，在ASAP软件内对WSI内的癌症区域进行标注；S2：在10x倍率下对WSI进行切图，将WSI切成若干256x256像素大小的图像块，对图像块进行预处理，构建病理图像分类数据集；S3：将切割后的图像块划分成独立的训练集和测试集，其中训练集划分为有标记样本和未标记样本；S4：利用ResNet-50模型作为骨干网络，建立病理图像分类模型；S5：将有标记集中的图像经过弱增强操作输入到分类模型/>中，所述分类模型/>输出其预测概率，计算有标记图像的预测概率与其标签/>之间的交叉熵，作为有监督的损失函数；S6：将未标记集中的图像进行弱增强操作后输入到分类模型/>中，所述分类模型/>输出其预测概率，若其最大的预测概率值超过置信度阈值，则模型对该图像赋予伪标签；S7：将未标记集中的图像进行强增强操作后缩放到/>个不同的分辨率形成/>张不同分辨率的图像，将所述/>张不同分辨率的图像输入到分类模型/>中，所述分类模型/>输出其预测概率，计算其预测概率与所述S6中所述伪标签之间的交叉熵，作为无监督的损失函数；S8：计算强增强的不同分辨率图像的预测概率之间的正则化，作为一致性损失函数；S9：将有监督损失、无监督损失以及正则化进行加权求和，作为模型的总损失函数，用于训练网络模型；S10：利用训练好的分类模型对测试集进行测试，生成每个小图的概率热力图并拼成整张切片的结果，用于切片分类效果可视化。。来自：马 克 团 队