【技术实现步骤摘要】
基于深度学习分割模型的病理图像处理方法、电子设备
[0001]本公开一般涉及计算机辅助病理分析诊断
,尤其涉及一种基于深度学习分割模型的病理图像处理方法、电子设备。
技术介绍
[0002]在病理图像分析中,由于不同观察者所处角度存在差异,标注数据中往往存在一定的噪声数据,所以缺乏具有高质量标注的训练数据集成为了有监督的深度学习在病理图像任务中应用的主要限制。
[0003]在传统半监督训练流程中,往往采用两阶段(two stage)的方式,即第一阶段采用真实标注数据分别训练两个不同初始化的模型,第二阶段采用半监督方法相互打伪标签进行进一步训练,最终选择较优的模型为最终结果。由于传统半监督流程采用two stage方式,整体训练时间较长,同时二阶段效果受一阶段模型影响较大,若一阶段模型精度较低,则伪标签中将存在大量的错误信息,导致半监督效果较差。
技术实现思路
[0004]鉴于现有技术中的上述缺陷或不足,期望提供一种基于深度学习分割模型的病理图像处理方法、电子设备。
[0005]第一方面,提供一种基于深度学习分割模型的病理图像处理方法,包括:
[0006]采集病理切片的图像数据,对所述病理切片的图像数据进行处理,得到训练数据集;
[0007]搭建深度学习分割模型,所述深度学习分割模型包括血管深度学习分割模型和节细胞深度学习分割模型;
[0008]结合所述训练数据集采用基于伪标签损失权重系数W
d
对所述深度学习分割模型进行训练,得到训练好的深度 ...
【技术保护点】
【技术特征摘要】
1.基于深度学习分割模型的病理图像处理方法,其特征在于,包括:采集病理切片的图像数据,对所述病理切片的图像数据进行处理,得到训练数据集;搭建深度学习分割模型,所述深度学习分割模型包括血管深度学习分割模型和节细胞深度学习分割模型;结合所述训练数据集采用基于伪标签损失权重系数W
d
的半监督技术对所述深度学习分割模型进行训练,得到训练好的深度学习分割模型;通过所述训练好的深度学习分割模型对待测图片进行血管和节细胞的识别。2.根据权利要求1所述的基于深度学习分割模型的病理图像处理方法,其特征在于,所述结合所述训练数据集采用基于伪标签损失权重系数W
d
的半监督技术对所述深度学习分割模型进行训练,得到训练好的深度学习分割模型包括:将真实标注的训练数据集分别输入到两个深度学习分割模型中进行并行训练,两个深度学习分割模型分别为结构相同、权重参数不同的第一深度学习分割模型和第二深度学习分割模型,得到训练后的第一深度学习分割模型和第二深度学习分割模型,以及第一深度学习分割模型对应的第一监督信号和第二深度学习分割模型对应的第二监督信号;利用所述第一监督信号更新所述第一深度学习分割模型的权重参数,重新训练第一深度学习分割模型;利用第二监督信号更新所述第二深度学习分割模型的权重参数,重新训练第二深度学习分割模型;利用所述训练后的第一深度学习分割模型标定未标注的训练数据集的第一伪标签,计算第一伪标签数据训练产生的损失Loss
F1
;利用所述训练后的第二深度学习分割模型标定未标注的训练数据集的第二伪标签,计算第二伪标签数据训练产生的损失Loss
F2
;为所述第二伪标签数据训练产生的损失Loss
F2
配置伪标签损失权重系数W
d
,将配置伪标签损失权重系数W
d
的第二伪标签作为第一深度学习分割模型的监督信号,更新所述第一深度学习分割模型的权重参数,重新训练所述第一深度学习分割模型;为所述第一伪标签数据训练产生的损失Loss
F1
配置伪标签损失权重系数W
d
,将配置伪标签损失权重系数W
d
的第一伪标签作为第二深度学习分割模型的监督信号,更新所述第二深度学习分割模型的权重参数,重新训练所述第二深度学习分割模型;从所述第一深度学习分割模型和第二深度学习分割模型中选择模型收敛较好的模型作为训练好的深度学习分割模型。3.根据权利要求2所述的基于深度学习分割模型的病理图像处理方法,其特征在于,所述第一监督信号的确定方法包括:根据第一深度学习分割模型对真实标注的训练数据集的第一真实预测结果与所述真实标注的训练数据集计算第一真实标签数据训练产生的损失Loss
T1
,将所述第一真实标签数据训练产生的损失Loss
T1
作为第一监督信号;所述第二监督信号的确定方法包括:根据第二深度学习分割模型对真实标注的训练数据集的第二真实预测结果与所述真实标注的训练数据集计算第二真实标签数据训练产生的损失Loss
T2
,将所述第二真实标签数据训练产生的损失Loss
T2
作为第二监督信号。4.根据权利要求2所述的基于深度学习分割模型的病理图像处理方法,其特征在于,所述利用所述训练后的第一深度学习分割模型标定未标注的训练数据集的第一伪标签,计算
第一伪标签数据训练产生的损失Loss
F1
包括:将所述训练后的第一深度学习分割模型对未标注的训练数据集的预测结果作为第一伪标签,根据所述第一伪标签与所述第二深度学习分割模型的预测结果计算第一伪标签数据训练产生的损失Loss
F1
;所述利用所述训练后的第二深度学习分割模型标定未标注的训练数据集的第二伪标签,计算第二伪标签数据训练产生的损失Loss
F2
包括:将所述训练后的第二深度学习分割模型对未标注的训练数据集的预测结果作为第二伪标签,根据所述第二伪标签与所述第一深度学习分割模型的预测结果计算第二伪标签数据训练产生的损失Loss
F2
...
【专利技术属性】
技术研发人员:周冯源,
申请(专利权)人:生仝智能科技北京有限公司,
类型:发明
国别省市:
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。