基于分层深度学习的WSI图像分类系统技术方案

本发明专利技术公开一种基于分层深度学习的WSI图像分类系统，该系统包括：依次连接的输入单元、处理器及显示单元；样本库与处理器通讯连接，处理器上集成WSI图像分类模型；第一阶段：通过样本库中的样本对WSI图像分类模型进行训练，直至WSI图像分类模型的识别精度达到设定的标准，WSI图像分类模型训练完成；第二阶段：通过输入单元将待分类WSI图像输入训练好的WSI图像分类模型，输出待分类WSI图像的分类结果，并进行显示。通过设计分层的深度神经网络逐级学习WSI图像特征，使模型能够同时关注局部和全局特征，可以从图像中提取出丰富的高质量特征表示，从而只需要切片级别的标注，不需要更加精细化的标注，降低对数据集的要求，显著减少标注工作量和成本。

【技术实现步骤摘要】

本专利技术属于深度学习，更具体地，本专利技术涉及一种基于分层深度学习的wsi图像分类系统。

技术介绍

1、在传统方法的中，医生需要通过显微镜手动调整观察切片的不同位置，观察组织状态，流程复杂且主观性较强，容易漏看、错看，不同医生对于同一切片的观察结果可能不同。

2、随着医学影像技术的发展，全视野数字切片(wsi)的出现解决了部分问题，但仍然需要病理医生从头开始观看。随着计算机软硬件性能的提升与新技术的提出，使用计算机辅助诊断技术协助病理医生诊断wsi图像成为一种可能，但目前仍面临着一些挑战。

3、首先，wsi图像有着超高的分辨率，普遍能达到150000x150000像素，导致wsi图像无法直接用于当前深度学习方法；其次，大量的wsi图像缺乏标注，导致可用于监督学习的样本量少。

技术实现思路

1、本专利技术提供一种基于分层深度学习的wsi图像分类系统，旨在改善上述问题。

2、本专利技术是这样实现的，一种基于分层深度学习的wsi图像分类系统，所述系统包括：</p>

3、依次本文档来自技高网...

【技术保护点】

1.一种基于分层深度学习的WSI图像分类系统，其特征在于，所述系统包括：

2.如权利要求1所述基于分层深度学习的WSI图像分类系统，其特征在于，所述系统还包括：

3.如权利要求1所述基于分层深度学习的WSI图像分类系统，其特征在于，WSI图像分类模型包括：

4.如权利要求3所述基于分层深度学习的WSI图像分类系统，其特征在于，采用第一层DMAE框架、第二层DMAE框架分别对第一vision transformer模型及第二visiontransformer模型进行无监督式学习。

5.如权利要求4所述基于分层深度学习的WSI图像分类系统，其特...

【技术特征摘要】

1.一种基于分层深度学习的wsi图像分类系统，其特征在于，所述系统包括：

2.如权利要求1所述基于分层深度学习的wsi图像分类系统，其特征在于，所述系统还包括：

3.如权利要求1所述基于分层深度学习的wsi图像分类系统，其特征在于，wsi图像分类模型包括：

4.如权利要求3所述基于分层深度学习的wsi图像分类系统，其特征在于，采用第一层dmae框架、第二层dmae框架分别对第一vision transformer模型及第二visiontransformer模型进行无监督式学习。

5.如权利要求4所述基于分层深度学习的wsi图像分类系统，其特征在于，第一层dmae框架以第一vision transformer模型作为学生模型、教师模型，学生模块连接解码器，将子图像块加载至学生模块及教师模块；第二层dmae框架以第二vision transformer模型作为学生模型、教师模型，学生模块连接解码器，将...

【专利技术属性】
技术研发人员：方健平，陈付龙，丁阳，谢冬，童心悦，接标，杨杨，孙翰林，李宝玉，杨文炼，洪宸悦，郭家鑫，
申请(专利权)人：安徽师范大学，
类型：发明
国别省市：