[發明專利]不同片源的域適應的處理方法及裝置

在審

• 申請號: 202210192962.6
• 申請日: 2022-03-01
• 公開（公告）號: CN114757874A
• 公開（公告）日: 2022-07-15
• 發明（設計）人: 林黃靖;胡羽;張宏偉
• 申請（專利權）人: 深圳視見醫療科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;G06N3/08
• 代理公司: 深圳市徽正知識產權代理有限公司 44405
• 代理人: 汪棟

1.一種不同片源的域適應的處理方法，其特征在于，所述方法包括：

獲取不同源的病理圖像；

將所述病理圖像輸入到預先訓練好的檢測模型，確定所述病理圖像中的異常細胞；其中，所述檢測模型至少包括特征提取模塊、壓縮與激勵網絡模塊、格拉姆矩陣、對抗網絡模塊和分類器，且采用樣本病理圖像對深度神經網絡進行訓練得到的，所述樣本病理圖像至少包括片源、染色方式、制片方式以及掃描方式中的一種或多種。

2.根據權利要求1所述的方法，其特征在于，所述壓縮與激勵網絡模塊至少包括降采樣層結構和全連層結構；所述壓縮與激勵網絡模塊連接到所述特征提取模塊的輸出端，所述特征提取模塊的輸出端輸出的特征圖為訓練張量，所述訓練張量至少包括當前訓練中的樣本數量、輸出的通道數、每個通道的高度和每個通道的寬度。

3.根據權利要求2所述的方法，其特征在于，所述壓縮與激勵網絡模塊通過如下方式獲得：

對每個通道的高度和寬度個中間量進行全局平均池化，得到所述通道對應的壓縮標量；

通過兩個全連接層，確定權重值；

根據所述中間量和所述權重值，確定激勵重構特征圖。

4.根據權利要求3所述的方法，其特征在于，所述格拉姆矩陣用于控制各個壓縮標量與激勵重構特征圖所占的權重。

5.根據權利要求1所述的方法，其特征在于，所述格拉姆矩陣通過如下方式獲得：

根據當前訓練中的樣本數量、輸出的通道數和壓縮與激勵網絡的數量，確定輸入張量；

根據當前訓練中的樣本數量和壓縮與激勵網絡的數量，得到轉置矩陣；

根據所述轉置矩陣和原矩陣，得到所述格拉姆矩陣；

根據所述格拉姆矩陣和單位矩陣的均方誤差計算損失函數，所述損失函數用于約束所述格拉姆矩。

6.根據權利要求1所述的方法，其特征在于，所述對抗網絡模塊至少包括梯度反轉層；所述對抗網絡模塊用于學習所述樣本病理圖像的來源，并輸出所述樣本病理圖像的不同來源。

7.一種不同片源的域適應的處理裝置，其特征在于，所述裝置包括：

獲取單元，用于獲取不同源的病理圖像；

處理單元，用于將所述病理圖像輸入到預先訓練好的檢測模型，確定所述病理圖像中的異常細胞；其中，所述檢測模型至少包括特征提取模塊、壓縮與激勵網絡模塊、格拉姆矩陣、對抗網絡模塊和分類器，且采用樣本病理圖像對深度神經網絡進行訓練得到的，所述樣本病理圖像至少包括片源、染色方式、制片方式以及掃描方式中的一種或多種。

8.根據權利要求7所述的裝置，其特征在于，所述壓縮與激勵網絡模塊至少包括降采樣層結構和全連層結構；所述壓縮與激勵網絡模塊連接到所述特征提取模塊的輸出端，所述特征提取模塊的輸出端輸出的特征圖為訓練張量，所述訓練張量至少包括當前訓練中的樣本數量、輸出的通道數、每個通道的高度和每個通道的寬度。

9.一種終端設備，其特征在于，包括：至少一個處理器和存儲器；

所述存儲器存儲計算機程序；所述至少一個處理器執行所述存儲器存儲的計算機程序，以實現權利要求1-6中任一項所述的不同片源的域適應的處理方法。

10.一種計算機可讀存儲介質，其特征在于，該計算機可讀存儲介質中存儲有計算機程序，所述計算機程序被執行時實現權利要求1-6中任一項所述的不同片源的域適應的處理方法。