[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

本發明涉及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，采用全新邏輯設計，以包含標注數據的各幅宮頸癌病理樣本圖像與未包含標注數據的各幅宮頸癌病理樣本圖像，構建樣本數據；針對相同基準檢測器的student模型與teacher模型，通過彼此之間相互促進下的模型訓練，獲得滿足預設溢出條件的teacher模型，即構成宮頸癌病理圖像檢測模型；并進一步基于宮頸癌病理圖像檢測模型對宮頸癌病理圖像的檢測，設計反事實可解釋，準確分析宮頸癌病理圖像中的重要解釋區域，如此不僅能針對宮頸癌病理圖像給出高效分析，同時產生相應解釋，為醫生決策提供了參考價值。

技術領域

本發明涉及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，屬于目標檢測識別技術領域。

背景技術

隨著醫學成像技術的進步，特別是醫學成像系統性能的不斷升級和數據存儲能力的增強，宮頸癌病理圖像數據呈爆發式增長。相比于小樣本數據，大量的病理圖像能夠挖掘出更多的潛在信息和規律。由于宮頸癌病理診斷需要對細胞層面醫學影像進行觀察診斷，一個樣本往往制成多個切片，制片、染色、診斷、報告等各個環節耗時較長，具有自動化程度低、診斷時間長的特點。

近年來，深度學習方法被廣泛應用于宮頸癌輔助篩查，從而緩解病理醫生的診斷壓力。例如，利用深度神經網絡對宮頸癌病理圖像進行分類、分割、目標檢測等輔助醫療診斷。通常訓練這些深度神經網絡都依賴于大量的已標注實例，然而由于對勞動力和專業知識的高要求，要獲得宮頸癌病理圖像的大規模標注非常困難。

發明內容

本發明所要解決的技術問題是提供一種宮頸癌病理圖像的半監督目標檢測模型構建方法，采用全新邏輯設計，應用模型間相互促進的訓練方式，能夠準確獲得宮頸癌病理圖像檢測模型，高效實現對宮頸癌病理圖像的分析檢測。

本發明為了解決上述技術問題采用以下技術方案：本發明設計了一種宮頸癌病理圖像的半監督目標檢測模型構建方法，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detectionloss，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detectionloss結果，判斷該損失函數detectionloss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。