申请/专利权人：华南理工大学

申请日：2022-07-28

公开（公告）日：2022-12-16

公开（公告）号：CN114972341B

主分类号：G06F30/20

分类号：G06F30/20;G06T7/00;G06N7/00;G06T7/136;G06V10/26;G06V10/44;G06V10/764

优先权：

专利状态码：有效-授权

法律状态：2022.12.16#授权;2022.09.16#实质审查的生效;2022.08.30#公开

摘要：本发明公开了一种基于贝叶斯辅助学习的WSI图像分类方法、系统及介质，方法为：获取WSI图像并进行阈值分割，得到病理图像块集；基于贝叶斯决策理论构建WSI分类模型，所述WSI分类模型包括图像块特征提取器、图像块分类器和特征融合及分类模块；初始化WSI分类模型，在病理图像块集上使用EM法迭代训练WSI分类模型，得到训练好的WSI分类模型；将待诊断WSI图像输入训练好的WSI分类模型，输出待诊断WSI图像的类别标签。本发明基于贝叶斯决策理论构建WSI分类模型，通过引入图像块分类器进行辅助学习任务，充分提取WSI图像中的信息，同时使用EM法在迭代训练过程中进行动态学习，提高WSI分类性能及模型鲁棒性。

主权项：1.基于贝叶斯辅助学习的WSI图像分类方法，其特征在于，包括下述步骤：获取WSI图像和对应的类别标签，将WSI图像转换到HSV空间，根据饱和度提取前景区域并分割成多个图像块得到病理图像块集；基于贝叶斯决策理论构建WSI分类模型，所述WSI分类模型包括图像块特征提取器、图像块分类器和特征融合及分类模块；所述特征融合及分类模块包括注意力融合模块及WSI分类器；所述图像块特征提取器用于提取病理图像块集中图像块的特征；所述图像块分类器为图像块赋伪标签；所述注意力融合模块用于获取图像块特征对应的注意力权重；所述WSI分类器用于对WSI图像进行分类；所述WSI分类模型基于贝叶斯决策理论进行搭建，通过在病理图像块集上，训练学习参数为θ=θ1,θ2,θ3的WSI分类模型Fθ，其中表示第i张WSI图像，表示第i张WSI图像中第n张图像块，Ni表示第i张WSI图像块的图像块数量，yi表示第i张WSI图像对应的类别标签，θ1为图像块特征提取器的参数，θ2为特征融合及分类模块的参数，θ3为图像块分类器的参数，根据输入的WSI图像X预测出类别标签y=FθX，具体为：将训练学习参数为θ=θ1,θ2,θ3的WSI分类模型Fθ定义为极大似然估计问题，表示为： 其中，θ*表示WSI分类模型的理论参数，|D|表示病理图像块集中的WSI图像数量；引入隐变量表示图像块的类别标签集合，得到WSI分类模型的目标函数： 其中，表示每个图像块隐含的真实类别标签，C表示WSI图像所包含类别标签的集合；初始化WSI分类模型，在病理图像块集上使用EM法迭代训练WSI分类模型，优化模型参数，直至模型收敛，得到训练好的WSI分类模型；将癌症患者的待诊断WSI图像输入训练好的WSI分类模型，输出待诊断WSI图像的分类结果并绘制概率热力图。

全文数据：

权利要求：

百度查询： 华南理工大学 基于贝叶斯辅助学习的WSI图像分类方法、系统及介质

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