[發明專利]一種基于超像素分割與圖卷積的數字病理圖像分類方法及系統

在審

• 申請號: 202110585365.5
• 申請日: 2021-05-27
• 公開（公告）號: CN113313164A
• 公開（公告）日: 2021-08-27
• 發明（設計）人: 王奕;張敬誼;丁偕;張伯強;崔浩陽;黃宗浩;李淵;張暉;朱敏俊;厲勵;張逸魯;高宇;戴梅;黃麒瑋;蔡云飛;曹斌;石強;王正源;王駿杰;于鏌铘;崔敏杰
• 申請（專利權）人: 復旦大學附屬腫瘤醫院
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06T7/00;G06T7/11;G16H30/20
• 代理公司: 上海容慧專利代理事務所(普通合伙) 31287
• 代理人: 于曉菁

1.一種基于超像素分割與圖卷積的數字病理圖像分類方法，其特征在于，所述方法包括以下步驟：

S1：使用簡單線性迭代聚類算法SLIC對數字病理圖像進行超像素分割，獲得超像素的分割區域；

S2：將每個超像素區域作為圖結構中的節點，以超像素區域是否共邊作為節點之間分配邊的依據，構建基于數字病理圖像的圖結構；

S3：將構建的所述圖結構的數據按照預設的比例隨機分為訓練集、驗證集和測試集，通過訓練、驗證和測試圖卷積神經網絡，獲得最佳的預測模型；

S4：基于所述預測模型，對所述數字病理圖像進行分類。

2.根據權利要求1所述的方法，其特征在于，所述步驟S1包括：

S11：初始化種子點，即初始化聚類中心，設定需要分割的超像素數量；

S12：在種子點n×n鄰域內根據像素點梯度值重新選擇種子點，以避免種子點落在梯度較大的邊緣上；

S13：在每個種子點周圍的鄰域內為每個像素點分配類標簽，確定像素點所屬的聚類中心；

S14：進行距離度量，對于每個檢索到的像素點分別計算它到該種子點之間的距離。

3.根據權利要求1所述的方法，其特征在于，所述步驟S2包括：

S21：利用SLIC算法對數字病理圖像進行超像素分割，獲得超像素分割區域；

S22：將每個超像素分割區域作為圖結構中的節點，節點數量為n；

S23：利用CNN網絡對每個分割區域進行低維度編碼，作為每個節點的特征信息，節點的特征維度為d；

S24：在超像素分割后的數字病理圖像上，將每個分割區域是否共邊作為節點之間分配邊的依據，從而建立圖結構的鄰接矩陣A；所述的圖結構定義為圖G(A,F)，其中A∈{0，1}^n×n為鄰接矩陣，是節點特征矩陣，每個節點有d維特征。

4.根據權利要求3所述的方法，其特征在于，所述步驟S3包括：

利用圖池化構建一個多尺度的圖卷積神經網絡，在每個尺度上通過圖卷積提取特征信息，在各個網絡層的兩個連續尺度之間使用特征交叉層，在中間層進行融合多尺度特征；對每個尺度上輸出的圖結構進行節點特征合并，從而獲得在對應尺度上整圖的特征信息；所述圖卷積神經網絡的具體公式如下：

其中σ為激活函數，為可訓練的權重矩陣，I為對角矩陣，在每一層中，使用圖卷積神經網絡進行迭代多次輸出節點信息。

5.根據權利要求4所述的方法，其特征在于，所述步驟S4包括：通過MLP層和軟投票機制獲得最終的分類結果。

6.根據權利要求4所述的方法，其特征在于，所述利用圖池化構建一個多尺度的圖卷積神經網絡，包括：

通過計算圖結構中相鄰節點的特征之間的相似度值進行節點合并，從而獲得不同尺度的圖結構，所述相似度值是根據特征之間的歐式距離確定的，經過圖池化后獲得一組新的鄰接矩陣A′和節點特征矩陣F′。

所述在各個網絡層的兩個連續尺度之間使用特征交叉層，包括：

記錄圖池化之后的節點在原始節點矩陣F中的位置索引，從而根據位置索引將不同尺度下對應的節點特征進行特征值相加，實現相鄰尺度的信息交互。

7.根據權利要求5所述的方法，其特征在于，所述通過MLP層和軟投票機制獲得最終的分類結果，包括：

對每個尺度上輸出的節點特征矩陣分別進行全局最大值池化和全局平均值池化，然后將兩組池化結果進行拼接，作為MLP層的輸入數據；所述MLP層由全連接層和Softmax函數組成,通過Softmax函數獲得各個尺度下的類別預測概率；

對不同尺度下的類別預測概率進行加權平均，從而輸出概率值最大的分類類別。