[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

本發明涉及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，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和未標注圖像；S2：構建對抗生成網絡，包括生成器網絡和判別器網絡，獲取損失函數；S3：循環迭代，優化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生成圖像以及真實正樣本圖像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。與現有技術相比，本發明泛化能力強，所需訓練數據少，分類結果準確可靠。

技術領域

本發明涉及圖像處理技術領域，尤其是涉及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。

背景技術

在醫學影像領域，醫學圖像的精確對于許多臨床應用有著十分重要的輔助作用，在臨床上，全視野數字切片圖像已被廣泛使用。然而，手動標注切片圖像上的病理區域十分耗時耗力，而且不同醫師的診斷結果之間也存在著差異。為了減輕工作量，幫助醫師快速診斷疾病，計算機自動化的標注就顯得尤為重要。

目前，基于對抗生成網絡的弱監督分類的方法中，均使用有標注的數據作為網絡的訓練數據。該策略通過引入標簽映射模塊，使得生成器能夠根據輸入的標簽生成特定類別的圖像。然而這種方法需要大量的有標注數據，通常情況下，有標簽的數據量較少，難以訓練出優質的分類器，且該方法的泛化能力較差。

發明內容

本發明的目的就是為了克服上述現有技術存在的缺陷而提供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。

本發明的目的可以通過以下技術方案來實現：

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，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。

優選地，

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。

優選地，所述的生成器網絡和判別器網絡采用卷積神經網絡。

優選地，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。

優選地，所述的自注意力模塊表示為：