申请/专利权人：电子科技大学

申请日：2021-03-11

公开（公告）日：2022-06-21

公开（公告）号：CN113034448B

主分类号：G06T7/00

分类号：G06T7/00;G06N3/08

优先权：

专利状态码：失效-未缴年费专利权终止

法律状态：2024.03.19#未缴年费专利权终止;2022.06.21#授权;2021.07.13#实质审查的生效;2021.06.25#公开

摘要：本发明公开了一种基于多示例学习的病理图像细胞识别方法，包括以下步骤：S1：采集细胞组织图像，并进行预处理；S2：建立预测模型；S3：将待测细胞图像数据输入至预测模型，进行病理图像细胞识别。本发明利用整个组织图片的标签对单个细胞图片进行训练，从而网络拥有对单个细胞进行识别的能力，弥补了传统的以整图训练的神经网络无法对单个细胞进行预测的缺陷。本发明运用多示例学习的学习方法弥补了传统预测模型中无法对没有标签的细胞进行预测的缺陷。该模型可以在医学智能应用中，为构建自动辅助诊断和治疗系统提供重要技术手段。

主权项：1.一种基于多示例学习的病理图像细胞识别方法，其特征在于，包括以下步骤：S1：采集细胞组织图像，并进行预处理；S2：基于预处理后的图像建立预测模型；S3：将待测细胞图像数据输入至预测模型，进行病理图像细胞识别；所述步骤S1包括以下子步骤：S11：采集细胞组织图像，并将细胞组织图像中的细胞标注以CSV文件的形式存储；S12：将CSV文件的列作为细胞组织中心点的横坐标和纵坐标，并将其分为训练集和测试集；S13：随机选择其中一张细胞组织图像，利用staintools包训练均值器；S14：利用训练后的均值器对训练集和测试集进行归一化，并基于细胞组织中心点的横坐标和纵坐标，利用sci-image读取归一化后的细胞图像，完成预处理；所述步骤S2包括以下子步骤：S21：将ResNet网络作为特征提取器，输出单个细胞特征，并进行迁移学习；S22：将归一化后的整个细胞组织图像中每个进行迁移学习后的细胞特征作为图片阳性率特征，输入多示例学习层进行聚合；S23：将聚合后的输出作为整个细胞组织图像的预测概率，并利用优化函数进行训练，完成预测模型的建立。

全文数据：

权利要求：

百度查询： 电子科技大学 一种基于多示例学习的病理图像细胞识别方法

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