【技术实现步骤摘要】
训练数据为缺失标注的病理图像检测模型建立、检测方法
本专利技术属于医学图像分析
,涉及一种训练数据为缺失标注病理图像的检测模型建立、检测方法。
技术介绍
随着卷积神经网络的发展,近年来,目标检测网络的准确率和效率不断得到提高,其中基于区域的全监督目标检测方法一直表现出最佳的性能,与此同时,这些方法也被广泛应用于病理图像分析中,比如异常细胞检测或者红细胞检测等。另一方面,基于区域的全监督检测方法的快速发展得益于可用的具有精确实例级标注框的大型数据,但是,收集这样的数据需要花费大量的时间和劳动力,尤其是病理数据,需要经验丰富的病理科医生来完成数据标注的任务。更重要的是,目标检测网络的性能高度依赖训练集的标注质量。比如,训练集中存在的缺失标注(没有被标注框标注出的待检测目标)会对全监督目标检测网络的性能造成极大的影响,而且这种问题会随着数据集的增大变得更加严重。挖掘伪标签通常作为解决缺失标注问题的方法,人们通常使用检测器生成的高得分预测边界回归框作为伪标签。通过挖掘数据中的伪标签,可以有效的提升检测器的性能。Diba和Tang通过级联网络的方式挖掘伪标签并用于训练Faster-RCNN,取得了不错的性能。为了挖掘到更准确的伪标签,Xu提出一种混合监督的方式,在训练过程中结合了图像级标注和实例级标注共同监督训练伪标签的生成器。但是,病理图像中往往包含更多的细粒度特征,结合图像级的标注并不是最优的。并且伪标签挖掘方法往往需要采用多阶段的训练方式或者利用额外标注的一批精确数据训练伪标注生成器,整个训练过程无法实现端 ...
【技术保护点】
1.训练数据为缺失标注病理图像的检测模型建立方法,其特征在于,包括以下步骤:/n步骤1,图像预处理/n步骤1.1,对图像数据进行扩充,得到扩充后的图像;/n步骤1.2,对扩充后的图像中的实例级标注框进行填充生成掩模图像,并对掩模图像进行重编码,得到重编码后的掩模图像;/n步骤2,构建检测网络;所述的检测网络包括特征图提取模块、建议框生成模块、建议框标签分配模块、分割模块、建议框标签更新模块和建议框分类模块,其中,/n特征图提取模块用于提取步骤1.1中扩充后的图像的特征图;/n建议框生成模块用于生成特征图提取模块得到的特征图上的建议框;/n建议框标签分配模块用于计算建议框生成模块得到的每个建议框与步骤1.2中所有实例级标注框的第一交并比,将第一交并比最大值大于第一阈值的建议框标记阳性标签,将第一交并比最大值小于第二阈值的建议框标记阴性标签;/n其中,第一阈值大于第二阈值;第一交并比=S
【技术特征摘要】
1.训练数据为缺失标注病理图像的检测模型建立方法,其特征在于,包括以下步骤:
步骤1,图像预处理
步骤1.1,对图像数据进行扩充,得到扩充后的图像;
步骤1.2,对扩充后的图像中的实例级标注框进行填充生成掩模图像,并对掩模图像进行重编码,得到重编码后的掩模图像;
步骤2,构建检测网络;所述的检测网络包括特征图提取模块、建议框生成模块、建议框标签分配模块、分割模块、建议框标签更新模块和建议框分类模块,其中,
特征图提取模块用于提取步骤1.1中扩充后的图像的特征图;
建议框生成模块用于生成特征图提取模块得到的特征图上的建议框;
建议框标签分配模块用于计算建议框生成模块得到的每个建议框与步骤1.2中所有实例级标注框的第一交并比,将第一交并比最大值大于第一阈值的建议框标记阳性标签,将第一交并比最大值小于第二阈值的建议框标记阴性标签;
其中,第一阈值大于第二阈值;第一交并比=S交/(S建+S实-S交),S建为建议框的面积,S实为实例级标注框的面积,S交为建议框与实例级标注框相交的面积;
分割模块用于对特征提取模块的特征图进行解码,得到分割结果;
建议框标签更新模块用于计算建议框标签分配模块中每个标记阴性标签的建议框与分割模块中所有分割结果的第二交并比,将第二交并比的最大值大于第一阈值的标记阴性标签的建议框更新为标记阳性标签的建议框,得到最终的建议框标签;
其中,第二交并比=S′交/(S建+S分-S′交),S分为分割结果的面积,S′交为阴性建议框与分割结果相交的面积;
建议框分类模块用于对最终的建议框标签进行分类,得到建议框的类别;
步骤3,步骤1.1的扩充后的图像和步骤1.2重编码后的掩模图像作为输入,训练步骤2的检测网络,得到检测模型。
2.如权利要求1所述的训练数据为缺失标注病理图像的检测模型建立方法,其特征在于,所述的特征图提取模块为FPN网络结构;所述的分割模块包括两个3×3的卷积层。
3.如权利要求1所述的训练数据为缺失标注病理图像的检测模型建立方法,其特征在于,所述的建议框生成模块为RPN网络结构;所述的建议框分类模块网络结构包括一个3×3的卷积和两个全连接层。
4.如权利要求1所述的训练数据为缺失标注病理图像的检测模型建立方法,其特征在于,所述的第一阈值为0.7~0.9;所述的第二阈值为0.1~0.3。
5.训练数据为缺失标注病理图像的检测模型建立系统,其特征在于,包括:
图像预处理模块,包括图像扩充模块和重编码模块,其中,图像扩充模块用于对图像数据进行扩充,得到扩充后的图像;重编码模块用于对扩充后的图像中的实例级标注框进行填充生成掩模图像,并对掩模图像进行重编...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。