[發(fā)明專利]不同片源的域適應(yīng)的處理方法及裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202210192962.6
• 申請(qǐng)日: 2022-03-01
• 公開(kāi)（公告）號(hào): CN114757874A
• 公開(kāi)（公告）日: 2022-07-15
• 發(fā)明（設(shè)計(jì)）人: 林黃靖;胡羽;張宏偉
• 申請(qǐng)（專利權(quán)）人: 深圳視見(jiàn)醫(yī)療科技有限公司
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06N3/04;G06N3/08
• 代理公司: 深圳市徽正知識(shí)產(chǎn)權(quán)代理有限公司 44405
• 代理人: 汪棟

本發(fā)明實(shí)施例提供了一種不同片源的域適應(yīng)的處理方法及裝置，所述方法包括：獲取不同源的病理圖像；將不同源的病理圖像輸入到預(yù)先訓(xùn)練好的檢測(cè)模型，確定病理圖像中的異常細(xì)胞；其中，檢測(cè)模型至少包括特征提取模塊、壓縮與激勵(lì)網(wǎng)絡(luò)模塊、格拉姆矩陣、對(duì)抗網(wǎng)絡(luò)模塊和分類器，且采用樣本病理圖像對(duì)深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練得到的，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。這樣，若獲取到的病理圖像是多片源，輸入到檢測(cè)模型中，保證與使用單一片源的模型有著同等級(jí)別的表現(xiàn)水平，并且可以減輕在從未參與過(guò)訓(xùn)練的片源上的域適應(yīng)問(wèn)題。

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)技術(shù)領(lǐng)域，特別是涉及一種不同片源的域適應(yīng)的處理方法、裝置、終端設(shè)備及可讀存儲(chǔ)介質(zhì)。

背景技術(shù)

在世界范圍內(nèi)，子宮頸癌是女性第四常見(jiàn)癌癥死因，在病癥早期及時(shí)發(fā)現(xiàn)，及時(shí)治療可以很大程度上提高治愈率。因此，子宮頸癌的早期診斷對(duì)女性健康有重要的意義，現(xiàn)代最常用的診斷方式是子宮頸液基細(xì)胞學(xué)檢查(TCT)。

子宮頸液基細(xì)胞學(xué)檢查是一種子宮頸細(xì)胞學(xué)診斷方法，常用于檢查子宮頸癌等疾病。隨著醫(yī)療數(shù)字化的發(fā)展，現(xiàn)代醫(yī)院逐漸推進(jìn)在計(jì)算機(jī)上通過(guò)檢查液基涂片圖像進(jìn)行診斷，以取代在顯微鏡下直接對(duì)液基涂片進(jìn)行觀察和診斷的傳統(tǒng)方法。檢查步驟是：

首先，取得少量子宮頸細(xì)胞樣品，通過(guò)染色和制片機(jī)制作細(xì)胞涂片；

然后，通過(guò)高分辨率掃描儀掃描細(xì)胞涂片，生成子宮頸細(xì)胞涂片圖像；

最后，醫(yī)生及病理專家通過(guò)計(jì)算機(jī)人工智能輔助診斷工具觀察細(xì)胞有無(wú)異常并做出診斷。

由于存在域適應(yīng)問(wèn)題，當(dāng)片源、染色方式、制片方式以及掃描方式等任意一項(xiàng)不同源時(shí)，深度學(xué)習(xí)模型都會(huì)出現(xiàn)不同程度的表現(xiàn)下滑，因此可能對(duì)診斷造成不利影響。當(dāng)使用電子掃描宮頸病理圖像數(shù)據(jù)和深度卷積神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練生產(chǎn)模型時(shí)，會(huì)出現(xiàn)對(duì)非醫(yī)學(xué)特征的過(guò)擬合現(xiàn)象，即域適應(yīng)問(wèn)題。因此當(dāng)模型處理非訓(xùn)練同源的圖像時(shí)，結(jié)果表現(xiàn)會(huì)有不同程度的下降。

發(fā)明內(nèi)容

鑒于上述問(wèn)題，提出了本發(fā)明實(shí)施例以便提供一種克服上述問(wèn)題或者至少部分地解決上述問(wèn)題的一種不同片源的域適應(yīng)的處理方法及裝置。

第一個(gè)方面，本發(fā)明實(shí)施例提供一種不同片源的域適應(yīng)的處理方法，所述方法包括：

可選地，獲取不同源的病理圖像；

將所述病理圖像輸入到預(yù)先訓(xùn)練好的檢測(cè)模型，確定所述病理圖像中的異常細(xì)胞；其中，所述檢測(cè)模型至少包括特征提取模塊、壓縮與激勵(lì)網(wǎng)絡(luò)模塊、格拉姆矩陣、對(duì)抗網(wǎng)絡(luò)模塊和分類器，且采用樣本病理圖像對(duì)深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)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。

可選地，所述壓縮與激勵(lì)網(wǎng)絡(luò)模塊至少包括降采樣層結(jié)構(gòu)和全連層結(jié)構(gòu)；所述壓縮與激勵(lì)網(wǎng)絡(luò)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(xùn)練張量，所述訓(xùn)練張量至少包括當(dāng)前訓(xùn)練中的樣本數(shù)量、輸出的通道數(shù)、每個(gè)通道的高度和每個(gè)通道的寬度。

可選地，所述壓縮與激勵(lì)網(wǎng)絡(luò)模塊通過(guò)如下方式獲得：

對(duì)每個(gè)通道的高度和寬度個(gè)中間量進(jìn)行全局平均池化，得到所述通道對(duì)應(yīng)的壓縮標(biāo)量；

通過(guò)兩個(gè)全連接層，確定權(quán)重值；

根據(jù)所述中間量和所述權(quán)重值，確定激勵(lì)重構(gòu)特征圖。

可選地，所述格拉姆矩陣用于控制各個(gè)壓縮標(biāo)量與激勵(lì)重構(gòu)特征圖所占的權(quán)重。

可選地，所述格拉姆矩陣通過(guò)如下方式獲得：

根據(jù)當(dāng)前訓(xùn)練中的樣本數(shù)量、輸出的通道數(shù)和壓縮與激勵(lì)網(wǎng)絡(luò)的數(shù)量，確定輸入張量；

根據(jù)當(dāng)前訓(xùn)練中的樣本數(shù)量和壓縮與激勵(lì)網(wǎng)絡(luò)的數(shù)量，得到轉(zhuǎn)置矩陣；