[發明專利]病理圖像中細胞計數模型訓練方法及裝置

在審

• 申請號: 202110223661.0
• 申請日: 2021-03-01
• 公開（公告）號: CN112950583A
• 公開（公告）日: 2021-06-11
• 發明（設計）人: 杜強;陳相儒;郭雨晨;聶方興;唐超;張興
• 申請（專利權）人: 北京小白世紀網絡科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/10;G06N3/08
• 代理公司: 北京八月瓜知識產權代理有限公司 11543
• 代理人: 秦瑩

1.一種基于深度學習的病理圖像中細胞計數模型訓練方法，其特征在于，所述方法包括：

數據獲取步驟：從已經被化學標記染色細胞的病理圖像中獲取訓練模型所需要的圖片塊，構成訓練數據集；

數據處理步驟：對所述訓練數據集進行圖像歸一化和圖像增強處理；

模型預訓練步驟：在ImageNet數據集上進行預訓練得到ResNeSt模型；

模型訓練步驟：使用梯度中心化GC的方式對預訓練后的ResNeSt模型進行模型訓練：基于預先設置的訓練參數，重復執行以下模型訓練處理：通過所述ResNeSt模型使用注意力分散Split-Attention的機制對所述訓練數據集中染色圖像進行特征提取，得到細胞計數結果，并通過GC的方式對參數更新的過程進行優化。

2.根據權利要求1所述的一種基于深度學習的病理圖像中細胞計數模型訓練方法，其特征在于，所述預先設置的訓練參數具體包括初始的學習率和表示模型進行訓練迭代次數的訓練代數epoch；

所述方法進一步包括：

進行模型訓練之前，預先設置一個初始的學習率和一個訓練代數，并根據公式1計算學習率更新方式對當前的學習率進行更新：

其中n為訓練的epoch總數，e為當前的epoch數，lr為學習率。

3.根據權利要求1所述的一種基于深度學習的病理圖像中細胞計數模型訓練方法，對所述訓練數據集進行圖像歸一化具體包括：通過ImageNet數據集的均值和方差對圖像進行歸一化：

其中，x_c,i,j表示一張圖片第c個通道中第i行第j列的像素值，c＝{1,2,3}。

所述圖像增強使用了自動增強Auto Augmentation的訓練方式，即通過遺傳算法，自動選擇圖像增強的過程，最后得到訓練結果。

4.根據權利要求1所述的一種基于深度學習的病理圖像中細胞計數模型訓練方法，其特征在于，通過所述ResNeSt模型使用注意力分散Split-Attention的機制對所述訓練數據集中染色圖像進行特征提取，得到細胞計數結果具體包括：將ResNeSt模型作為計數的基礎模型，通過所述ResNeSt模型使用Split-Attention的機制進行病理圖像的特征提取：將提取的特征分為r個組輸入，對r個分組的特征進行加和后使用全局池化global pooling得到通道上的特征，所述分組經過全連接層后得到r個dense c特征，利用歸一化指數函數Softmax進行注意力的計算，最后乘回到每個通道上，相加后得到輸出結果；

進一步地，相同的Split-Attention Block堆疊若干層，將結果進行合并即可得到最終使用上的深度學習神經網絡，即最終實際應用的ResNeSt模型；

在所述ResNeSt模型進行特征提取后，使用全連接層對提取的特征進行降維處理，處理完成后通過ReLu函數進行特征激活，最后得到細胞計數結果。

5.根據權利要求1所述的一種基于深度學習的病理圖像中細胞計數模型訓練方法，其特征在于，所述通過GC的方式對參數更新的過程進行優化具體包括：

采用Adam優化器，將均方方差MSE作為損失函數，通過GC的方式對參數更新的過程進行優化：

假設有一組模型的權重，為W_i，其梯度為：

那么梯度中心化的過程為：

在公式3中：

其中，公式2、3、4中為損失對權重求偏導得到的梯度，M為梯度矩陣的列數，為對梯度矩陣按列求得的均值。

6.根據權利要求1所述的一種基于深度學習的病理圖像中細胞計數模型訓練方法，其特征在于，在所述模型訓練步驟之后，所述方法進一步包括：在實際的細胞計數應用時，首先要對一張染色后的病理圖像進行裁剪，裁剪成一定大小的圖片塊，裁剪后的圖像使用所述ResNeSt模型得到每個圖片塊的細胞計數結果，最后加和所有圖片塊的結果，即可得到所述病理圖像總的細胞計數結果。