申请/专利权人:山东大学;山东大学深圳研究院
申请日:2023-12-11
公开(公告)日:2024-02-13
公开(公告)号:CN117392468B
主分类号:G06V10/764
分类号:G06V10/764;G06V10/20;G06V10/40;G06V10/80;G06V10/25;G06V10/82
优先权:
专利状态码:有效-授权
法律状态:2024.02.13#授权;2024.01.30#实质审查的生效;2024.01.12#公开
摘要:本发明属于图像处理技术领域,提供了基于多示例学习的癌症病理图像分类系统、介质及设备,技术方案为:图像预处理模块,用于对全视野切片切割patch,并对patch进行预处理,得到一组有包分类标签的多示例包组成的训练数据集;特征提取模块,用于通过特征提取网络结构学习训练数据集中patch的深度特征以及训练数据集中多示例包中示例和多示例包的标签之间的映射关系;特征融合模块,用于将每个包中所有patch的特征融合后结合多示例学习池化网络中得到包的预测标签;特征分类模块,用于通过预测信息和对应标签信息的损失值调整分类模型中的参数,得到病理图像分类结果。通过本发明,提高病理图像分类的准确率,减轻医生负担。
主权项:1.基于多示例学习的癌症病理图像分类系统,其特征在于,包括:图像预处理模块,用于对癌症病理图像全视野切片切割patch,并对patch进行预处理,得到一组有包分类标签的多示例包组成的训练数据集;特征提取模块,用于通过特征提取网络结构学习训练数据集中patch的深度特征以及训练数据集中多示例包中示例和多示例包的标签之间的映射关系;特征融合模块,用于将每个包中所有patch的特征融合后结合多示例学习池化网络中得到包的预测标签;特征融合中,将所得到的特征向量首先输入到多层感知机中,实现特征向量的降维,得到512维特征向量,多层感知机由3层全连接层组成;再将特征向量输入到基于注意力的多示例学习(AB-MIL)网络中实现特征向量的特征融合表示,假设包表示为:,其中,代表每个patch的特征向量,每个patch的注意力权重可以写成: ,其中,、代表每个patch的特征向量,K表示包中所含patch的数量,表示每个patch的注意力权重,反映了patch对最终的包预测贡献的大小,为可学习参数,表示双曲正切函数;然后基于注意力的多示例学习网络通过融合多个patch的特征,将上式求得的注意力分数和patch的特征向量代入到计算包表示z的式子中进而输出包的预测标签;特征分类模块,用于通过预测信息和对应标签信息的损失值调整分类模型中的参数,得到癌症病理图像分类结果。
全文数据:
权利要求:
百度查询: 山东大学;山东大学深圳研究院 基于多示例学习的癌症病理图像分类系统、介质及设备
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。