[發明專利]一種宮頸癌病理圖像的半監督目標檢測模型構建方法及系統

在審

• 申請號: 202211558843.4
• 申請日: 2022-12-06
• 公開（公告）號: CN115861238A
• 公開（公告）日: 2023-03-28
• 發明（設計）人: 陳德華;趙弘縉;王梅;潘喬
• 申請（專利權）人: 東華大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/764;G06V10/766;G06V10/774;G06V10/82;G06N3/045;G06N3/0895;G06N3/096
• 代理公司: 北京力量專利代理事務所(特殊普通合伙) 11504
• 代理人: 劉一霖

1.一種宮頸癌病理圖像的半監督目標檢測模型構建方法，其特征在于，按如下步驟A至步驟G執行，獲得宮頸癌病理圖像檢測模型；

步驟A.獲得預設數量分別包含標注數據的各幅宮頸癌病理樣本圖像、以及預設數量未包含標注數據的各幅宮頸癌病理樣本圖像，其中，標注數據包括宮頸癌病理樣本圖像上所標記的異常細胞區域框的位置、以及其所對應預設分類劃分下的類別、置信度，然后進入步驟B；

步驟B.基于包含標注數據的各幅宮頸癌病理樣本圖像，以為宮頸癌病理樣本圖像輸入，宮頸癌病理樣本圖像上標注數據為輸出，結合損失函數detection loss，針對預設student模型進行訓練，獲得訓練后student模型，然后進入步驟C；

步驟C.基于訓練后student模型中各參數的值，應用指數移動平均EMA方式，針對與student模型采用相同基準檢測器的teacher模型中各參數進行更新，進而更新該teacher模型，然后進入步驟D；

步驟D.針對未包含標注數據的各幅宮頸癌病理樣本圖像，應用訓練后student模型進行處理，獲得該各幅宮頸癌病理樣本圖像上的標注數據，構成訓練后student模型所對應預設結果，然后進入步驟E；

步驟E.針對未包含標注數據的各幅宮頸癌病理樣本圖像，應用teacher模型進行處理，獲得該各幅宮頸癌病理樣本圖像上的標注數據，并濾除其中置信度低于預設置信度閾值的各異常細胞區域框，以剩余各異常細胞區域框的類別、置信度構成teacher模型所對應預設結果，然后進入步驟F；

步驟F.計算獲得訓練后student模型所對應預設結果與teacher模型所對應預設結果之間的損失函數detection loss結果，判斷該損失函數detection loss結果是否滿足預設溢出條件，是則由teacher模型構成宮頸癌病理圖像檢測模型；否則進入步驟G；

步驟G.應用指數移動平均EMA方式，針對teacher模型中各參數進一步更新，進而更新該teacher模型，然后返回步驟E。

2.根據權利要求1所述一種宮頸癌病理圖像的半監督目標檢測模型構建方法，其特征在于：還包括預測結果反事實可解釋方法如下步驟i至步驟vi，用于獲得宮頸癌病理圖像中的重要解釋區域；

步驟i.針對宮頸癌病理圖像，應用宮頸癌病理圖像檢測模型進行處理，獲得該幅宮頸癌病理圖像上的標注數據，作為參照標注數據，然后針對宮頸癌病理圖像進行網格劃分，并進入步驟ii；

步驟ii.選擇其中未參與步驟iii至步驟iv處理的一個網格，作為此次循環的待分析網格，并進入步驟ii；

步驟iii.刪除宮頸癌病理圖像中此次循環的待分析網格，并針對處理后的宮頸癌病理圖像，應用宮頸癌病理圖像檢測模型進行處理，獲得該幅宮頸癌病理圖像上的標注數據，作為待分析標注數據，然后進入步驟iv；

步驟iv.比較參照標注數據與待分析標注數據，判斷彼此間是否存在彼此交并比大于預設交并比閾值、且分別對應預設分類劃分下不同類別的兩異常細胞區域框，是則判定此次循環的待分析網格為重要網格，然后進入步驟v，否則不做任何處理，并進入步驟v；

步驟v.判斷宮頸癌病理圖像中是否存在未參與步驟iii至步驟iv處理的網格，是則恢復宮頸癌病理圖像中所刪除的此次循環的待分析網格，并進入下一次循環，返回步驟ii；否則進入步驟vi；

步驟vi.由所獲各個重要網格，即組成宮頸癌病理圖像中的重要解釋區域。

3.根據權利要求1或2所述一種宮頸癌病理圖像的半監督目標檢測模型構建方法，其特征在于：所述student模型與所述teacher模型均采用單階段目標檢測模型RetinaNet作為基準檢測器，并且student模型所采用單階段目標檢測模型RetinaNet中的特征金字塔FPN提取模塊加入因果注意力機制，更新為CA-FPN。