[發明專利]基于無監督遷移圖片分類的結腸病變智能識別方法、系統及介質

在審

• 申請號: 202110274834.1
• 申請日: 2021-03-15
• 公開（公告）號: CN113160135A
• 公開（公告）日: 2021-07-23
• 發明（設計）人: 吳慶耀;張一帆;賴呂龍;譚明奎
• 申請（專利權）人: 華南理工大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 李斌

1.基于無監督遷移圖片分類的結腸病變智能識別方法，其特征在于，包括下述步驟：

定義目標領域結腸顯微圖像的類別；收集并處理源領域結腸數字切片圖像，使其標注與目標領域結腸顯微圖像的類別一致；

構建結腸病變智能識別模型，包括：結構相同的兩個子網絡模塊、難度量化模塊、領域對齊模塊、噪聲適應性模塊和多樣性模塊；

利用處理后的源領域結腸數字切片圖像作為樣本訓練結腸病變智能識別模型，具體為：

將樣本輸入所述兩個子網絡模塊，得到樣本的分類預測結果和特征向量；

將所述樣本的分類預測結果輸入難度量化模塊，得到樣本的難度系數；

所述領域對齊模塊、噪聲適應性模塊和多樣性模塊用于構建結腸病變智能識別模型的最終損失函數；其中，所述領域對齊模塊利用樣本的特征向量和難度系數構建領域對齊損失；所述噪聲適應性模塊采用建模人工標注錯誤概率法對預測結果進行處理，并構造分類損失；所述多樣性模塊采用KL散度以度量兩個子網絡模塊間的相似性，構造多樣性損失；所述最終損失函數用于迭代優化結腸病變智能識別模型；

模型部署及預測，將目標領域結腸顯微圖像輸入訓練好的結腸病變智能識別模型，根據模型輸出結果預測是否發生病變。

2.根據權利要求1所述的基于無監督遷移圖片分類的結腸病變智能識別方法，其特征在于，所述定義目標領域結腸顯微圖像的類別包括：正常、腺瘤、腺癌和黏液性腺癌。

3.根據權利要求1所述的基于無監督遷移圖片分類的結腸病變智能識別方法，其特征在于，訓練過程中，設第i個訓練樣本為x_i；

所述樣本經過兩個子網絡模塊的特征提取器，得到特征向量P_τ(x_i)，其中τ＝{1,2}表示兩個子網絡；所述特征向量P_τ(x_i)經過兩個子網絡模塊的分類器，得到分類預測結果

4.根據權利要求3所述的基于無監督遷移圖片分類的結腸病變智能識別方法，其特征在于，所述難度量化模塊采用量化公式得到訓練樣本x_i的難度系數λ(x_i)，具體如下式：

其中，為兩個子網絡模塊的第i個分類預測結果。

5.根據權利要求4所述的基于無監督遷移圖片分類的結腸病變智能識別方法，其特征在于，所述領域對齊模塊采用重加權法對齊損失，得到領域對齊損失，具體如下式：

其中，d_τ(·)為領域對齊模塊對樣本來自源領域或目標領域的概率預測，S為源領域數據集，T為目標領域數據集，n_s為源領域樣本數量，n_t為目標領域樣本數量。

6.根據權利要求5所述的基于無監督遷移圖片分類的結腸病變智能識別方法，其特征在于，所述采用建模人工標注錯誤概率法對預測結果進行處理具體為：當訓練階段模型預測正確而標注錯誤時，轉化預測結果與標注一致，而預測階段則使用未轉化的預測結果，其中，人工標注錯誤概率法的模型如下式：

其中，{w_km,b_km}為建模的參數，f為模型對樣本的預測結果；

所述分類損失具體如下式：

其中，為人工標注錯誤概率法的模型，γ為控制樣本權重的一個超參數。

7.根據權利要求6所述的基于無監督遷移圖片分類的結腸病變智能識別方法，其特征在于，所述多樣性損失，具體如下式：

其中，D_KL為KL散度。