[發明專利]基于對抗生成網絡和弱監督學習的數字切片圖像分類方法

有效

• 申請號: 202110391347.3
• 申請日: 2021-04-13
• 公開（公告）號: CN113221948B
• 公開（公告）日: 2022-08-05
• 發明（設計）人: 高哲堯;莊嚇海
• 申請（專利權）人: 復旦大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上?？剖⒅R產權代理有限公司 31225
• 代理人: 丁云

1.一種基于對抗生成網絡和弱監督學習的數字切片圖像分類方法，其特征在于，該方法包括如下步驟：

S1：獲取有掩碼標注和無掩碼標注的數字切片圖像并將其切分成補丁圖像作為源數據，形成真實正樣本圖像Xp和未標注圖像Xu；

S2：構建對抗生成網絡，包括生成器網絡和判別器網絡，所述的生成器網絡用于生成正樣本圖像Xgp和負樣本圖像Xgn，所述的判別器網絡用于區分Xp、Xu、Xgp、Xgn，獲取對抗生成網絡的損失函數；

S3：循環迭代，利用優化器獲取對抗生成網絡的最優參數；

S4：構建圖像分類網絡，將訓練的生成器網絡產生的Xgp、Xgn以及真實正樣本圖像Xp輸入至所述的圖像分類網絡中；

S5：循環迭代訓練，獲取圖像分類網絡的最優參數；

S6：應用時，將目標切片圖像切分成補丁圖像輸入至圖像分類網絡，輸出分類結果；

所述的生成器網絡包括：

第一生成器Gp：用于生成正樣本圖像Xgp；

第二生成器Gn：用于生成負樣本圖像Xgn；

所述的判別器網絡包括：

第一判別器Dp：用于區分Xp和Xgp；

第二判別器Dn：用于區分Xp和Xgn；

第三判別器Du：用于區分Xu、Xgp和Xgn。

2.根據權利要求1所述的一種基于對抗生成網絡和弱監督學習的數字切片圖像分類方法，其特征在于，所述的生成器網絡和判別器網絡采用卷積神經網絡。

3.根據權利要求2所述的一種基于對抗生成網絡和弱監督學習的數字切片圖像分類方法，其特征在于，所述的生成器網絡和判別器網絡中的各生成器和判別器均包括多個卷積層，還包括自注意力模塊，所述的自注意力模塊設置一個或多個，單個自注意力模塊串聯在相鄰的卷積層之間，所述的自注意力模塊的輸出和上一層卷積層的輸出相加后作為下一層卷積層的輸入。

4.根據權利要求3所述的一種基于對抗生成網絡和弱監督學習的數字切片圖像分類方法，其特征在于，所述的自注意力模塊表示為：

h(x_i)＝W_hx_i

s_ij＝f(x_i)^Tg(x_j)

f(X)＝W_fX，g(X)＝W_gX，v(X)＝W_vX

其中，x_i、x_j分別表示上一層卷積層的輸出x的第i和j列數據，x∈R^C×N，R^C×N表示C×N維矩陣，C為通道數，N為空間維度，o_j表示自注意力模塊的第j列輸出，β_j，i表示自注意力分值，f(X)、g(X)、v(X)分別表示以自變量X為輸入的函數，W_g、W_f、W_h、W_v為待學習的參數矩陣，W_g，W_f，表示維矩陣，表示維矩陣，為降維后的通道數，i＝1，2……，N，j＝1，2……，N。

5.根據權利要求1所述的一種基于對抗生成網絡和弱監督學習的數字切片圖像分類方法，其特征在于，步驟S2中對抗生成網絡的目標函數為：

其中，為對抗生成網絡的目標函數，為更新第一生成器Gp、第一判別器Dp和第三判別器Du時的目標函數，為更新第二生成器Gn、第二判別器Dn和第三判別器Du時的目標函數，π_p和π_n為先驗參數。