不同片源的域适应的处理方法及装置制造方法及图纸

本发明专利技术实施例提供了一种不同片源的域适应的处理方法及装置，所述方法包括：获取不同源的病理图像；将不同源的病理图像输入到预先训练好的检测模型，确定病理图像中的异常细胞；其中，检测模型至少包括特征提取模块、压缩与激励网络模块、格拉姆矩阵、对抗网络模块和分类器，且采用样本病理图像对深度神经网络进行训练得到的，样本病理图像至少包括片源、染色方式、制片方式以及扫描方式中的一种或多种。这样，若获取到的病理图像是多片源，输入到检测模型中，保证与使用单一片源的模型有着同等级别的表现水平，并且可以减轻在从未参与过训练的片源上的域适应问题。训练的片源上的域适应问题。训练的片源上的域适应问题。

Processing method and device for domain adaptation of different film sources

【技术实现步骤摘要】
不同片源的域适应的处理方法及装置


[0001]本专利技术涉及计算机
，特别是涉及一种不同片源的域适应的处理方法、装置、终端设备及可读存储介质。

技术介绍

[0002]在世界范围内，子宫颈癌是女性第四常见癌症死因，在病症早期及时发现，及时治疗可以很大程度上提高治愈率。因此，子宫颈癌的早期诊断对女性健康有重要的意义，现代最常用的诊断方式是子宫颈液基细胞学检查(TCT)。
[0003]子宫颈液基细胞学检查是一种子宫颈细胞学诊断方法，常用于检查子宫颈癌等疾病。随着医疗数字化的发展，现代医院逐渐推进在计算机上通过检查液基涂片图像进行诊断，以取代在显微镜下直接对液基涂片进行观察和诊断的传统方法。检查步骤是：
[0004]首先，取得少量子宫颈细胞样品，通过染色和制片机制作细胞涂片；
[0005]然后，通过高分辨率扫描仪扫描细胞涂片，生成子宫颈细胞涂片图像；
[0006]最后，医生及病理专家通过计算机人工智能辅助诊断工具观察细胞有无异常并做出诊断。
[0007]由于存在域适应问题，当片源、染色方式、制片方式以及扫描方式等任意一项不同源时，深度学习模型都会出现不同程度的表现下滑，因此可能对诊断造成不利影响。当使用电子扫描宫颈病理图像数据和深度卷积神经网络算法训练生产模型时，会出现对非医学特征的过拟合现象，即域适应问题。因此当模型处理非训练同源的图像时，结果表现会有不同程度的下降。

技术实现思路

[0008]鉴于上述问题，提出了本专利技术实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种不同片源的域适应的处理方法及装置。
[0009]第一个方面，本专利技术实施例提供一种不同片源的域适应的处理方法，所述方法包括：
[0010]可选地，获取不同源的病理图像；
[0011]将所述病理图像输入到预先训练好的检测模型，确定所述病理图像中的异常细胞；其中，所述检测模型至少包括特征提取模块、压缩与激励网络模块、格拉姆矩阵、对抗网络模块和分类器，且采用样本病理图像对深度神经网络进行训练得到的，所述样本病理图像至少包括片源、染色方式、制片方式以及扫描方式中的一种或多种。
[0012]可选地，所述压缩与激励网络模块至少包括降采样层结构和全连层结构；所述压缩与激励网络模块连接到所述特征提取模块的输出端，所述特征提取模块的输出端输出的特征图为训练张量，所述训练张量至少包括当前训练中的样本数量、输出的通道数、每个通道的高度和每个通道的宽度。
[0013]可选地，所述压缩与激励网络模块通过如下方式获得：
[0014]对每个通道的高度和宽度个中间量进行全局平均池化，得到所述通道对应的压缩标量；
[0015]通过两个全连接层，确定权重值；
[0016]根据所述中间量和所述权重值，确定激励重构特征图。
[0017]可选地，所述格拉姆矩阵用于控制各个压缩标量与激励重构特征图所占的权重。
[0018]可选地，所述格拉姆矩阵通过如下方式获得：
[0019]根据当前训练中的样本数量、输出的通道数和压缩与激励网络的数量，确定输入张量；
[0020]根据当前训练中的样本数量和压缩与激励网络的数量，得到转置矩阵；
[0021]根据所述转置矩阵和原矩阵，得到所述格拉姆矩阵；
[0022]根据所述格拉姆矩阵和单位矩阵的均方误差计算损失函数，所述损失函数用于约束所述格拉姆矩。
[0023]可选地，所述对抗网络模块至少包括梯度反转层；所述对抗网络模块用于学习所述样本病理图像的来源，并输出所述样本病理图像的不同来源。
[0024]第二个方面，本专利技术实施例提供一种不同片源的域适应的处理装置，所述装置包括：
[0025]获取单元，用于获取不同源的病理图像；
[0026]处理单元，用于将所述病理图像输入到预先训练好的检测模型，确定所述病理图像中的异常细胞；其中，所述检测模型至少包括特征提取模块、压缩与激励网络模块、格拉姆矩阵、对抗网络模块和分类器，且采用样本病理图像对深度神经网络进行训练得到的，所述样本病理图像至少包括片源、染色方式、制片方式以及扫描方式中的一种或多种。
[0027]可选地，所述压缩与激励网络模块至少包括降采样层结构和全连层结构；所述压缩与激励网络模块连接到所述特征提取模块的输出端，所述特征提取模块的输出端输出的特征图为训练张量，所述训练张量至少包括当前训练中的样本数量、输出的通道数、每个通道的高度和每个通道的宽度。
[0028]可选地，所述装置还包括训练单元，所述训练单元用于：
[0029]对每个通道的高度和宽度个中间量进行全局平均池化，得到所述通道对应的压缩标量；
[0030]通过两个全连接层，确定权重值；
[0031]根据所述中间量和所述权重值，确定激励重构特征图。
[0032]可选地，所述格拉姆矩阵用于控制各个压缩标量与激励重构特征图所占的权重。
[0033]可选地，所述训练单元用于：
[0034]根据当前训练中的样本数量、输出的通道数和压缩与激励网络的数量，确定输入张量；
[0035]根据当前训练中的样本数量和压缩与激励网络的数量，得到转置矩阵；
[0036]根据所述转置矩阵和原矩阵，得到所述格拉姆矩阵；
[0037]根据所述格拉姆矩阵和单位矩阵的均方误差计算损失函数，所述损失函数用于约束所述格拉姆矩。
[0038]可选地，所述对抗网络模块至少包括梯度反转层；所述对抗网络模块用于学习所
述样本病理图像的来源，并输出所述样本病理图像的不同来源。
[0039]第三个方面，本专利技术实施例提供一种终端设备，包括：至少一个处理器和存储器；
[0040]所述存储器存储计算机程序；所述至少一个处理器执行所述存储器存储的计算机程序，以实现第一个方面提供的不同片源的域适应的处理方法。
[0041]第四个方面，本专利技术实施例提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，所述计算机程序被执行时实现第一个方面提供的不同片源的域适应的处理方法。
[0042]本专利技术实施例包括以下优点：
[0043]本专利技术实施例提供的不同片源的域适应的处理方法、装置、终端设备及可读存储介质，通过获取不同源的病理图像；将不同源的病理图像输入到预先训练好的检测模型，确定病理图像中的异常细胞；其中，检测模型至少包括特征提取模块、压缩与激励网络模块、格拉姆矩阵、对抗网络模块和分类器，且采用样本病理图像对深度神经网络进行训练得到的，样本病理图像至少包括片源、染色方式、制片方式以及扫描方式中的一种或多种。这样，若获取到的病理图像是多片源，输入到检测模型中，保证与使用单一片源的模型有着同等级别的表现水平，并且可以减轻在从未参与过训练的片源上的域适应问题。
附图说明
[0044]图1是本专利技术的一种不同片源的域适应的处理方法实施例的步骤流程图；
[0045]图2是本专利技术的压缩与激励网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种不同片源的域适应的处理方法，其特征在于，所述方法包括：获取不同源的病理图像；将所述病理图像输入到预先训练好的检测模型，确定所述病理图像中的异常细胞；其中，所述检测模型至少包括特征提取模块、压缩与激励网络模块、格拉姆矩阵、对抗网络模块和分类器，且采用样本病理图像对深度神经网络进行训练得到的，所述样本病理图像至少包括片源、染色方式、制片方式以及扫描方式中的一种或多种。2.根据权利要求1所述的方法，其特征在于，所述压缩与激励网络模块至少包括降采样层结构和全连层结构；所述压缩与激励网络模块连接到所述特征提取模块的输出端，所述特征提取模块的输出端输出的特征图为训练张量，所述训练张量至少包括当前训练中的样本数量、输出的通道数、每个通道的高度和每个通道的宽度。3.根据权利要求2所述的方法，其特征在于，所述压缩与激励网络模块通过如下方式获得：对每个通道的高度和宽度个中间量进行全局平均池化，得到所述通道对应的压缩标量；通过两个全连接层，确定权重值；根据所述中间量和所述权重值，确定激励重构特征图。4.根据权利要求3所述的方法，其特征在于，所述格拉姆矩阵用于控制各个压缩标量与激励重构特征图所占的权重。5.根据权利要求1所述的方法，其特征在于，所述格拉姆矩阵通过如下方式获得：根据当前训练中的样本数量、输出的通道数和压缩与激励网络的数量，确定输入张量；根据当前训练中的样本数量和压缩与激励网络的数量，得到转置矩阵；根据所述转置矩阵和原矩阵，得到所述格拉姆矩阵；根据所述格拉姆矩阵和单位矩阵的均方误差计算损失函数，所述损失...

【专利技术属性】
技术研发人员：林黄靖，胡羽，张宏伟，
申请(专利权)人：深圳视见医疗科技有限公司，
类型：发明
国别省市：