申请/专利权人：华南理工大学

申请日：2022-04-13

公开（公告）日：2024-04-23

公开（公告）号：CN114897782B

主分类号：G06T7/10

分类号：G06T7/10;G06T5/40;G06N3/0464;G06N3/0475;G06N3/045;G06N3/094

优先权：

专利状态码：有效-授权

法律状态：2024.04.23#授权;2022.08.30#实质审查的生效;2022.08.12#公开

摘要：本发明公开了一种基于生成式对抗网络的胃癌病理切片图像分割预测方法，该方法包括下述步骤：基于图像增强技术提取图像的形态特征和感兴趣的区域；基于多尺度全卷积网络的分割模型M‑FCN对图像进行分割，在单个全卷积网络设置卷积层、池化层和反卷积层，池化层操作和卷积层操作交替组合进行，通过卷积池化操作，提取不同尺度细胞组织特征，通过反卷积层恢复图像大小；基于空洞卷积原理得到优化的分割模型M‑DFCN；基于生成式对抗网络的博弈思想，通过对抗训练对分割模型M‑DFCN做更高阶的约束与判断，进行对抗训练；基于动态交替训练的对抗训练进行结果预测，区分分割图和分割标签图。本发明提高分割模型的性能，使得分割图更真实。

主权项：1.一种基于生成式对抗网络的胃癌病理切片图像分割预测方法，其特征在于，包括下述步骤：基于图像增强技术提取图像的形态特征和感兴趣的区域；基于多尺度全卷积网络的分割模型M-FCN对图像进行分割，采用具有不同尺寸的卷积核的全卷积网络模型，对胃癌病理切片图像同时进行卷积，在单个全卷积网络上设置卷积层、池化层和反卷积层，池化层操作和卷积层操作交替组合进行，通过卷积池化操作，提取不同尺度的细胞组织特征，通过反卷积层恢复图像大小；基于空洞卷积原理得到优化的分割模型M-DFCN；基于生成式对抗网络的博弈思想，通过对抗训练对分割模型M-DFCN做更高阶的约束与判断，进行对抗训练；所述基于生成式对抗网络的博弈思想，通过对抗训练对分割模型M-DFCN做更高阶的约束与判断，进行对抗训练，具体步骤包括：采用交替训练的方式，分别训练分割模型M-DFCN和判别网络；训练判别网络，定义损失函数为： 设置参数使得第一项DXn,Yn与1接近，第二项1-DXn,SXn与1接近，最小化损失函数，在固定次数达到收敛后固定判别网络参数，训练分割模型M-DFCN；训练分割模型M-DFCN，定义损失函数为： 调整参数使得损失函数最小化；基于动态交替训练的对抗训练进行结果预测，区分分割图和分割标签图。

全文数据：

权利要求：

百度查询： 华南理工大学 基于生成式对抗网络的胃癌病理切片图像分割预测方法

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