[發明專利]基于貝葉斯輔助學習的WSI圖像分類方法、系統及介質

有效

• 申請號: 202210895166.9
• 申請日: 2022-07-28
• 公開（公告）號: CN114972341B
• 公開（公告）日: 2022-12-16
• 發明（設計）人: 余晉剛;吳梓浩;吳錦全
• 申請（專利權）人: 華南理工大學
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06T7/00;G06N7/00;G06T7/136;G06V10/26;G06V10/44;G06V10/764
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 李斌

1.基于貝葉斯輔助學習的WSI圖像分類方法，其特征在于，包括下述步驟：

獲取WSI圖像和對應的類別標簽，將WSI圖像轉換到HSV空間，根據飽和度提取前景區域并分割成多個圖像塊得到病理圖像塊集；

基于貝葉斯決策理論構建WSI分類模型，所述WSI分類模型包括圖像塊特征提取器、圖像塊分類器和特征融合及分類模塊；所述特征融合及分類模塊包括注意力融合模塊及WSI分類器；

所述圖像塊特征提取器用于提取病理圖像塊集中圖像塊的特征；所述圖像塊分類器為圖像塊賦偽標簽；所述注意力融合模塊用于獲取圖像塊特征對應的注意力權重；所述WSI分類器用于對WSI圖像進行分類；

所述WSI分類模型基于貝葉斯決策理論進行搭建，通過在病理圖像塊集上，訓練學習參數為θ=(θ₁,θ₂,θ₃)的WSI分類模型F_θ，其中表示第i張WSI圖像，表示第i張WSI圖像中第n張圖像塊，N_i表示第i張WSI圖像塊的圖像塊數量，y_i表示第i張WSI圖像對應的類別標簽，θ₁為圖像塊特征提取器的參數，θ₂為特征融合及分類模塊的參數，θ₃為圖像塊分類器的參數，根據輸入的WSI圖像X預測出類別標簽y= F_θ(X)，具體為：

將訓練學習參數為θ=(θ₁,θ₂,θ₃)的WSI分類模型F_θ定義為極大似然估計問題，表示為：

其中，θ^*表示WSI分類模型的理論參數，|D|表示病理圖像塊集中的WSI圖像數量；

引入隱變量表示圖像塊的類別標簽集合，得到WSI分類模型的目標函數：

其中，表示每個圖像塊隱含的真實類別標簽，C表示WSI圖像所包含類別標簽的集合；

初始化WSI分類模型，在病理圖像塊集上使用EM法迭代訓練WSI分類模型，優化模型參數，直至模型收斂，得到訓練好的WSI分類模型；

將癌癥患者的待診斷WSI圖像輸入訓練好的WSI分類模型，輸出待診斷WSI圖像的分類結果并繪制概率熱力圖。

2.根據權利要求1所述的基于貝葉斯輔助學習的WSI圖像分類方法，其特征在于，所述圖像塊特征提取器采用ResNet-50網絡作為骨干網絡；

所述初始化WSI分類模型，具體為：

在ImageNet數據集上對圖像塊特征提取器進行預訓練，初始化圖像塊特征提取器的參數；

初始化參數后的圖像塊特征提取器將輸入的圖像塊編碼為1024維的特征向量；

采用隨機初始化對圖像塊分類器、注意力融合模塊和WSI分類器的參數進行初始化。