[發(fā)明專利]甲狀腺切片圖像分類模型訓(xùn)練方法、裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 202110285736.8
• 申請(qǐng)日: 2021-03-17
• 公開（公告）號(hào): CN113139931B
• 公開（公告）日: 2022-06-03
• 發(fā)明（設(shè)計(jì)）人: 武卓越;田雪葉;楊林;崔磊
• 申請(qǐng)（專利權(quán)）人: 杭州迪英加科技有限公司
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06V10/44;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08;G06N20/10
• 代理公司: 杭州華知專利事務(wù)所(普通合伙) 33235
• 代理人: 張德寶

1.一種甲狀腺切片圖像分類模型訓(xùn)練方法，其特征在于，所述方法包括：

獲取預(yù)設(shè)放大倍數(shù)下甲狀腺切片圖像；

對(duì)所述甲狀腺切片圖像劃分成多個(gè)互不重疊的預(yù)設(shè)大小的圖像塊；

對(duì)所述圖像塊，通過圖像塊分類模型進(jìn)行分類，獲得所述圖像塊為惡性腫瘤的概率；所述圖像塊分類模型訓(xùn)練過程中，采用優(yōu)化損失函數(shù)，通過反向傳播算法調(diào)整模型參數(shù)；

將所述概率映射到，與其對(duì)應(yīng)的所述圖像塊在所述甲狀腺切片圖像的位置，獲得所述甲狀腺切片圖像的概率熱圖；

從所述概率熱圖中提取腫瘤的特征值，輸入SVM分類器進(jìn)行訓(xùn)練，獲得甲狀腺切片圖像分類模型；

其中，所述優(yōu)化損失函數(shù)為：

其中，n為圖像塊數(shù)量，為傳統(tǒng)的交叉熵?fù)p失函數(shù)，為圖像塊X_i的懲罰項(xiàng)，k為類別總數(shù)，j表示某一類別，y_i為獨(dú)熱編碼，并且y_i＝[y_i0,y_i1]，p_i為網(wǎng)絡(luò)預(yù)測(cè)出的概率向量并且p_i＝[p_i0,p_i1]，其中p_i0為圖像塊X_i為非惡性的概率，p_i1為圖像塊X_i為惡性的概率，為圖像塊X_i的標(biāo)簽，若圖像塊為惡性則標(biāo)簽為1，否則標(biāo)簽為0，為網(wǎng)絡(luò)預(yù)測(cè)出的圖像塊標(biāo)簽。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述對(duì)所述甲狀腺切片圖像劃分成多個(gè)互不重疊的預(yù)設(shè)大小的圖像塊，包括：

使用滑動(dòng)窗口法將所述甲狀腺切片圖像從左到右、從上到下劃成互不重疊的1024×1024圖像塊。

3.根據(jù)權(quán)利要求1或2所述的方法，其特征在于，在對(duì)所述甲狀腺切片圖像劃分成多個(gè)互不重疊的預(yù)設(shè)大小的圖像塊之后，包括：

過濾背景占比超過50％的圖像塊。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，在對(duì)所述圖像塊，通過圖像塊分類模型進(jìn)行分類，獲得所述圖像塊為惡性腫瘤的概率之前，包括：

獲取預(yù)設(shè)放大倍數(shù)下，帶有標(biāo)注的甲狀腺切片圖像；

所述甲狀腺切片圖像劃分成多個(gè)互不重疊的預(yù)設(shè)大小的圖像塊，根據(jù)標(biāo)注給予所述圖像塊惡性或非惡性的標(biāo)簽；

根據(jù)所述圖像塊和標(biāo)簽，對(duì)Inception-v3模型進(jìn)行訓(xùn)練，獲得圖像塊分類模型；其中，所述圖像塊分類模型訓(xùn)練過程中，采用優(yōu)化損失函數(shù)，通過反向傳播算法調(diào)整模型參數(shù)。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，從所述概率熱圖中提取腫瘤的特征值輸入SVM分類器進(jìn)行訓(xùn)練，獲得甲狀腺切片圖像分類模型，包括：

根據(jù)所述概率熱圖，獲取腫瘤概率的最大值特征值、腫瘤概率的平均概率特征值、腫瘤區(qū)域的面積特征值、腫瘤區(qū)域的長(zhǎng)軸長(zhǎng)度特征值、腫瘤區(qū)域的短軸長(zhǎng)度特征值和腫瘤區(qū)域的周長(zhǎng)特征值；

根據(jù)所述腫瘤概率的最大值特征值、腫瘤概率的平均概率特征值、腫瘤區(qū)域的面積特征值、腫瘤區(qū)域的長(zhǎng)軸長(zhǎng)度特征值、腫瘤區(qū)域的短軸長(zhǎng)度特征值和腫瘤區(qū)域的周長(zhǎng)特征值，構(gòu)建特征向量；

將所述特征向量輸入SVM分類器進(jìn)行訓(xùn)練，獲得甲狀腺切片圖像分類模型。

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述預(yù)設(shè)放大倍數(shù)為20×放大倍數(shù)。