一种用于肿瘤病理辅助诊断的多视图表示学习方法技术

本发明专利技术公开了一种用于肿瘤病理辅助诊断的多视图表示学习方法，其特点是该方法采用深度高斯过程对病理图像的多视图特征信息进行表示建模，然后在给定充足量训练集的情况下，训练得到多视图深度高斯病理诊断模型，由此获得肿瘤病理图像诊断能力，具体包括：建立肿瘤病理图像的数据集、提取病理图像不同视图的特征信息、确定用以病理诊断的模型及优化和训练等步骤。本发明专利技术与现有技术相比具有自动综合使用病理图像中的信息来避免颜色正则化后造成的信息缺失，提升病理图像诊断的准确性，提高病理诊断的效率和精度。病理诊断的效率和精度。病理诊断的效率和精度。

【技术实现步骤摘要】
一种用于肿瘤病理辅助诊断的多视图表示学习方法


[0001]本专利技术涉及多视图表示学习
，尤其是一种基于变分推理和深度高斯过程的肿瘤病理辅助诊断的多视图表示学习方法。

技术介绍

[0002]近年来，随着数字化技术的快速发展，数字病理学已经成为一种潜在的新的诊断标准，即使用数字玻片扫描仪将载玻片数字化为全玻片图像。随着扫描仪技术变得越来越可靠，全玻片图像也越来越多。病理图像诊断的出现促进了计算机辅助诊断，为病理学家提供了数字化的工作流程，病理图像诊断的结果可以用来提高病理学家的效率和准确性，最终提供更好的患者诊断。然而，在分析病理图像时，由于颜色不一致，就有可能显著影响图像分析，颜色不一致是有不同的原因造成的，例如使用不同的化学物质染色，颜色浓度的变化，或者不同供应商的扫描仪存在差异。因此，需要对颜色进行归一化来应对这些变化。然而，这又会忽略大量的图像信息，这些信息可能对于计算机自动识别病理图像是有利的。在图像处理中，可以根据图像的外观提取不同的图像特征表示，如颜色、纹理和形状等特征。不同的特征表示从不同的角度清楚的描述了图像信息，这些图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于肿瘤病理辅助诊断的多视图表示学习方法，其特征在于采用深度高斯过程对病理图像的多视图特征信息进行表示建模，使用无监督训练得到多视图深度高斯病理诊断模型，由此获得肿瘤病理图像的诊断能力，该多视图表示学习方法方法具体包括如下步骤：步骤一：建立肿瘤病理图像的数据集使用数字切片扫描仪扫描病理载玻片得到的病理全切片数字图像，建立肿瘤病理图像的数据集；步骤二：提取病理图像不同视图的特征信息提取病理图像的纹理、灰度和形状特征作为不同视图特征进行多视图学习；步骤三：确定用以病理诊断的模型对提取的病理图像不同视图特征采用高斯过程的深度扩展，将病理图像的不同视图特征转化为同一空间的嵌入表示，根据不同视图数据的多样性和差异性构建不同深度的网络结构，为多视图深度高斯病理诊断模型；步骤四：确定多视图深度高斯病理诊断模型的优化目标使用变分推理的方法近似求解模型，将后验推断转化为优化问题进行求解，实现病理诊断模型优化目标的具体步骤如下：4
‑
1：根据下述(1)式建立潜在变量和观测变量的联合概率分布：其中，为潜在变量的集合；H
v
为视图v的特征建模深度；H为公共特征的建模深度；X
<v>
为视图v的数据；V为视图的数量；4
‑
2：根据下述(2)式建立潜在变量的后验分布：步骤五：训练多视图深度高斯病理诊断模型采用梯度下降算法优化多视图深度高斯病理诊断模型的目标函数，具体训练包括如下步骤：步骤a1：随机初始化模型参数；步骤a2：设置网络的层数H，H
v
等超参数，潜空间的维度Q
H
、batch size和最大迭代次数；步骤a3：使用梯度下降算法更新模型的参数；步骤a4：当训练达到最大迭代次数后，终止模型的训练，得到病理图像的多视图表示；步骤六：模型的医学病理诊断将表示向量输入支持向量机分类器中进行医学病理的辅助诊断，具体包括如下步骤：步骤b1：将完毕训练的模型根节点的表示向量为学习到的多视图表示；
步骤b2：将学习到的多视图表示输入预训练的支持向量机分类器进行病理辅助诊断；步骤b3：通过分类器的输出结果，完成病理诊断。2.根据权利要求1所述的用于肿瘤病理辅助诊断的多视图表示学习方法，其特征在于所述步骤三中的多视图深度高斯病理诊断模型具有如下结构：1)病理图像经图像处理技术提取纹理特征和灰度特征的不同图像特征；2)以不同图像特征作为不同的视图，采用多视图深度高斯过程提取不同视图的公共表示特征；3)将公共表示特征输入支持向量机中实现病理诊断；所述不同视图特征的建模以及不同视图的公共特征的建模采用下述(3)～(6)式描述为：为：X
<v,h
‑
1>
＝f
<v,h>
(X
<v,h>
)+ε
&lt;v,h&gt;<...

【专利技术属性】
技术研发人员：董文波，孙仕亮，赵静，殷敏智，
申请(专利权)人：华东师范大学，
类型：发明
国别省市：