基于自适应正则深度聚类的组织病理图像分类方法技术

本发明专利技术公开了一种基于自适应正则深度聚类的组织病理图像分类方法。首先进行预训练，直到由病理图像特征提取网络和聚类组成的无监督模型稳定即完成预训练，得到预训练的模型参数权重。然后以得到的模型参数权重作为病理图片分类模型的初始化权重，并采用有标签的病理图像进行训练以完成调参，得到训练完成的病理图片分类模型。最后将待分类的病理图像输入至训练完成的病理图片分类模型中进行分类，得到分类结果。相比于随机初始化权重的网络，使用本发明专利技术训练出来的预训练权重的模型，只需使用10％的标记数据就可以和随机初始化权重的网络使用100％的标记数据达到相同效果。且使用本发明专利技术预训练权重的网络收敛速度更快。用本发明专利技术预训练权重的网络收敛速度更快。用本发明专利技术预训练权重的网络收敛速度更快。

【技术实现步骤摘要】
基于自适应正则深度聚类的组织病理图像分类方法


[0001]本专利技术涉及计算机视觉领域，特别涉及一种基于自适应正则深度聚类的组织病理图像分类方法。

技术介绍

[0002]组织病理学已成为癌症诊断的重要手段，癌症的诊断仍依赖于组织病理学活检，尤其是用于诊断良恶性肿瘤的时候，由训练有素的病理学家进行组织病理学评估仍然是癌症诊断的金标准。有经验的医生在诊断癌症的时候通常需要反复检查浏览并分析癌症的组织病理学图像，这是一项艰巨的任务.因此，对客观分类的需求筛查更为迫切，这有助于及时有效的治疗和诊断。这种困境推动了深度学习在组织病理学图像分析的发展。近年来，深度学习已经在很多计算机视觉任务(如自然图像分类)得到了发展，并且它也应用到组织病理图像分类并取得了好的结果，然后，由于组织病理图像存在很大的差异，数据的标注需要有经验的病理学家反复并且仔细的勾画感兴趣区域。目前存在足够的无标注的病理图像，然后，深度学习的性能受限于数据标注的质量，所以，如何有效的利用这些无标注数据去提高组织病理分析的性能依旧是一个开放的问题。
[0003]自监督学习提供了一个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自适应正则深度聚类的组织病理图像分类方法，其特征在于，包括以下步骤：步骤1，预训练：通过病理图像特征提取网络对无标签的病理图像进行表征提取；通过分类器处理表征得到预测标签；对表征进行聚类并获得聚类损失，同时将聚类产生的簇作为伪标签，然后根据预测标签和伪标签得到网络损失；引入自适应的正则项因子来动态调节聚类损失的权重，并结合网络损失和聚类损失得到总的无监督损失；通过无监督损失对病理图像特征提取网络进行参数调整；迭代地执行上述步骤，直到由病理图像特征提取网络和聚类组成的无监督模型稳定即完成预训练，得到预训练的模型参数权重；步骤2，基于步骤1中得到的模型参数权重作为病理图片分类模型的初始化权重，并采用有标签的病理图像进行训练以完成调参，得到训练完成的病理图片分类模型；步骤3，将待分类的病理图像输入至训练完成的病理图片分类模型中进行分类，得到分类结果。2.根据权利要求1所述的一种基于自适应正则深度聚类的组织病理图像分类方法，其特征在于，所述步骤1中，所述的病理图像特征提取网络为VGG
‑
19卷积神经网络，表征提取是将无标签的病理图像输入到病理图像特征提取网络中，并将输出f
θ
(x
n
)作为图像的表征。3.根据权利要求1所述的基于自适应正则深度聚类的组织病理图像分类方法，其特征在于，所述步骤1中，通过分类器处理表征得到预测标签包括以下步骤：将提取到的图像的表征f
θ
(x
n
)通过分类器处理来获得预测标签)通过分类器处理来获得预测标签其中C
W
是一个参数化的分类器。4.根据权利要求3所述的基于自适应正则深度聚类的组织病理图像分类方法，其特征在于，所述的分类器C
W
是由一个Linear全连接层连接softmax函数而成。5.根据权利要求3所述的基于自适应正则深度聚类的组织病理图像分类方法，其特征在于，所述步骤1中，对表征进行聚类并获得聚类损失，同时将聚类产生的簇作为伪标签，然后根据预测标签和伪标签得到网络损失包括以下步骤：1)将提取到的图像的表征f
θ
(x
n
)进行聚类；在聚类的过程中，通过最小化作为样本点的表征f
θ
(x
n
)和聚类中心之间的距离来优化聚类过程从而得到聚类损失；聚类损失L
c
为：其中，N是...

【专利技术属性】
技术研发人员：王建新，李君健，刘锦，匡湖林，
申请(专利权)人：中南大学，
类型：发明
国别省市：