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

本申请公开了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，该方法包括：采集病理切片的图像数据，对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，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；结合训练数据集采用基于伪标签损失权重系数W

【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，得到训练好的深度学习分割模型；
[0009]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。
[0010]第二方面，提供一种电子设备，包括：
[0011]一个或多个处理器；
[0012]存储器，用于存储一个或多个程序，
[0013]当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器执行如本申请各实施例提供的基于深度学习分割模型的病理图像处理方法。
[0014]第三方面，提供一种存储有计算机程序的计算机可读存储介质，该程序被处理器执行时实现如本申请各实施例提供的基于深度学习分割模型的病理图像处理方法。
[0015]根据本申请实施例提供的技术方案，针对传统半监督技术存在的问题，本申请提供了一种基于基于伪标签损失权重系数W
d
的半监督技术，通过模型一致性约束，初始化两个结构相同、但权重参数不同的深度学习分割模型，通过多项式增长的伪标签损失权重系数W
d
，把训练流程从two stage变为端到端，同时避免了由于标注数据质量较差导致伪标签
存在大量错误，使模型难以收敛到最优的问题。
[0016]进一步的，根据本申请实施例提供的技术方案，通过深度学习分割模型对需要计量的目标进行分割，提高病理指标计算的稳定性和计算效率。
[0017]进一步的，根据本申请的某些实施例，通过图像分割优化单元对深度学习分割模型定位的目标的精确度进行优化，最终对需要的指标进行计算及显示，对待计量目标进行全自动检测与指标计算，大大提高了指标计算效率，降低了指标计算复杂度，对计量指标进行了客观地量化，克服了目前人工病理计算产生的主观性和时移性，对有人工智能辅助诊断需求的病理项目提供高效的辅助体系。
附图说明
[0018]通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
[0019]图1为本申请实施例提供的基于深度学习分割模型的病理图像处理方法的一种示例性流程框图；
[0020]图2为本申请实施例提供的基于伪标签损失权重系数W
d
的半监督技术对深度学习分割模型进行训练的结构图；
[0021]图3为本申请实施例提供的伪标签损失权重系数W
d
的增长曲线图；
[0022]图4为本申请实施例提供的基于深度学习分割模型的病理图像处理方法的一种优选实施方式的示例性流程框图；
[0023]图5为本申请实施例提供的血管深度学习分割模型架构图；
[0024]图6为图5中血管深度学习分割模型中的编码模块、解码模块和输出模块的架构图；其中，图(a)为编码模块架构图；图(b)为解码模块架构图；图(c)输出模块架构图；
[0025]图7为图6中的编码模块和解码模块中的特征提取模块的架构图；
[0026]图8为本申请实施例提供的节细胞深度学习分割模型架构图；
[0027]图9为图8中节细胞深度学习分割模型中的编码模块、解码模块和输出模块的架构图；其中，图(a)为编码模块架构图；图(b)为解码模块架构图；图(c)输出模块架构图；
[0028]图10为本申请实施例提供的荧光污点筛除自适应阈值选取方式图；
[0029]图11为本申请实施例提供的使用图像分割优化单元处理前、后效果图；其中，图(a)为处理前的效果图；图(b)为处理后的效果图；
[0030]图12本申请实施例提供的指标计算单元计算各项计量指标的示意图；其中，图(a)为原图；图(b)感兴趣区域；
[0031]图13为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
[0032]下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关专利技术，而非对该专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与专利技术相关的部分。
[0033]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0034]请参考图1，示出了根据本申请实施例提供的基于深度学习分割模型的病理图像处理方法的示例性流程框图。
[0035]如图1所示，在本实施例中，本专利技术提供的基于深度学习分割模型的病理图像处理方法包括：
[0036]S110：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；
[0037]S120：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；
[0038]S130：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；
[0039]S140：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。
[0040]具体的，传统半监督技术往往采用two stage的方式，而本申请直接合并两个阶段的训练流程，提出了多项式增长的伪标签损失权重系数W
d
计算方法，避免了由于标注数据质量较差导致伪标签存在大量错误，通过伪标签损失权重系数W
d
，控制深度学习分割模型周期性收敛，使深度学习分割模型收敛到最优。
[0041]在一个实施例中，步骤本文档来自技高网...

【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：