一种基于多实例学习的肠上皮化生区域图像分割系统 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本公开涉及医学图像分析技术领域，具体涉及一种基于多实例学习的肠上皮化生区域图像分割系统。背景技术：[0002][0003]近年来，利用有监督学习进行医疗图像的自动识别应用越来越广泛，但是在该领域中无法忽视的问题是专业医疗图像的精细标注的获取成本非常巨大。同时因为胃部病理图像中病灶区域复杂多变，且存在着噪声干扰，使得高精度的图像分割成为一项具有挑战性的任务。此外，目前有像素级标签的图像数据集中病理图像数量较少且病理图像的尺寸都比较大，受计算资源的限制，模型往往不能充分利用图像特征和多尺度信息。技术实现要素：[0004]本公开为了解决上述问题，提出了一种基于多实例学习的肠上皮化生区域图像分割系统，基于多实例学习，充分利用图像特征和多尺度信息，使用图像级标签分割出数字病理图像的目标区域，提高了图像分割的准确度。[0005]根据一些实施例，本公开采用如下技术方案：一种基于多实例学习的肠上皮化生区域图像分割系统，包括：获取模块，用于获取胃部病理切片，并将其转为数字病理切片，并进行正常标签和异常肠化标签的图像级标注，获得标注信息及图片；预处理模块，用于对标注后的数字病理切片进行归一化并将每张图像切分为网格实例；输出模块，用于将数字病理切片输入至训练后的肠上皮化生区域分割模型，得到肠上皮化生区域分割结果；其中，所述深度分割模型的训练方法为使用基于vit分类器的max-max（机会最大化）模型和max-min（最大最小化）模型，用实例数据集进行分类，得到全监督的实例图像级标签数据集；使用独立的vit分类器，对全监督的实例图像级标签数据集进行学习，得到可重新标记所有图像各实例的分类器，并使用该分类器对所有实例进行分类，得到可用于分割的胃黏膜肠上皮化生数据集；利用重新标记的实例数据集，使用深度分割模型进行学习，得到训练后的肠上皮化生区域分割模型。[0006]与现有技术相比，本公开的有益效果为：本公开可以基于图像级标签分割出数字病理切片中肠化区域，从而得到肠上皮化生的严重程度，减少人工像素级标注所消耗的人力、物力，缩短了评估的总体时间，并提高了分割的准确度；本公开基于多实例学习，从而摆脱了受像素级标签的计算资源限制，可充分利用图像特这个和多尺度信息，实现端到端的肠化区域分割。附图说明[0007]构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。[0008]图1为本公开实施例的基于多实例学习的模型训练总体流程图；图2为本公开实施例的基于多实例学习的肠化区域标签丰富示意图；图3为本公开实施例的基于多实例学习的肠化区域分割流程示意图；图4为本公开实施例的vit网络结构流程示意图；图5为本公开实施例的max-max模型结构；图6为本公开实施例的max-min模型结构。具体实施方式[0009]下面结合附图与实施例对本公开作进一步说明。[0010]应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。[0011]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。[0012]术语解释vit：visiontransformer，vit本质为transformer encoder网络，编码器网络。[0013]实施例1本公开的一种实施例中提供了一种基于多实例的一种基于多实例学习的肠上皮化生区域图像分割系统，包括：获取模块，用于获取胃部病理切片，并将其转为数字病理切片，并进行正常标签和异常肠化标签的图像级标注，获得标注信息及图片；预处理模块，用于对标注后的数字病理切片进行归一化并将每张图像切分为网格实例；输出模块，用于将数字病理切片输入至训练后的深度分割模型，得到肠上皮化生区域分割结果；其中，所述深度分割模型的训练方法为使用基于vit分类器的max-max模型和max-min模型，用实例数据集进行分类，得到全监督的实例图像级标签数据集；使用独立的vit分类器，对全监督的实例图像级标签数据集进行学习，得到可重新标记所有图像各实例的分类器，并使用该分类器对所有实例进行分类，得到可用于分割的胃黏膜肠上皮化生数据集；利用重新标记的实例数据集，使用深度分割模型进行学习，得到训练后的肠上皮化生区域分割模型。[0014]作为一种实施例，一种基于多实例学习的肠化区域图像分深度分割模型的训练步骤为：s1：获取数据集，包括：获取胃部病理切片，并对非肿瘤区域的胃部病理切片进行图像级标注，包括正常阴性标签和肠化阳性标签。对标注后的胃部病理切片resize（调整）成m×m大小，并使用macenko（麦氏）染色归一化方法对实例图像数据集进行标准化处理，将特征值大小调整到相近的范围，得到胃黏膜肠上皮化生实例数据集。[0015]s2：用于标签丰富的基于vit分类器的搭建，包括：基于vit网络搭建分类模型，具体结构如图4所示，通过将图片patch（图像片）转换成token（图像片序列），把图片分类问题转为序列问题。并保留vit网络的patch embeeding（图片嵌入）层对输入图像进行分块操作并重新构建张量。再通过位置编码层和多头自注意力层对输入的张量进行位置编码和维度变换，最终设置通过分类预测层对输入图像进行打分和分类。[0016]s3：构建标签丰富模型，得到实例级的胃黏膜肠上皮化生数据集，包括：首先将每张图像切分成n×n大小的网格实例，同一张图像所得到的若干实例成为一个包。每一个肠化图像包中，至少包含一个实例属于肠化区域。而每一个正常图像包中，所有实例均为正常区域。[0017]构建两个基于vit分类器的max-max模型和max-min模型，分别如图5和图6所示，构建有标签的实例数据集。[0018]max-max模型会让图像的所有实例通过vit分类模型，使每一个实例得到一个分数，并对正常图像和肠化图像都是选择当前包中分数最大的实例。[0019]max-min模型会让图像的所有实例通过vit分类模型，使每一个实例得到一个分数，并从肠化图像中选择当前包中分数最大的实例, 从正常图像中选择当前包中分数最小的实例。[0020]使用相同的数据集对两个分类器进行独立训练，通过实例得到的分数与其图像级标签计算交叉熵损失函数，以此更新分类器参数。最终训练完成后，再使用相同的数据集通过两个训练完成的分类器，计算各实例的分数。将两个分类器选择出的实例相结合，在标签丰富的步骤中自动生成它们的实例级标签，最终得到全监督的实例图像级标签数据集。[0021]使用一个独立的vit分类器，利用所生成的全监督的实例图像级标签数据集进行训练，得到一个可分类肠化实例和正常实例的分类器。[0022]最后，将最原始的图像重新切分成n×n大小的网格实例，利用实例分类器对所有图像的所有实例进行重新分类。因此，对于每一个图像，可以获得 n×n个高质量的实例集标签，最终得到可用于分割的胃黏膜肠上皮化生数据集。[0023]s4：将重新标注的含实例级标签的胃黏膜肠上皮化生数据集输入肠上皮化生区域分割模型，得到肠化区域的分割结果。[0024]如图1所示，深度分割模型的获取步骤包括：步骤一：获取胃部数字病理切片，并对其图像级标注，将标注后的图像resize（调整）成m×m大小，并使用macenko染色归一化方法对实例图像数据集进行标准化处理，得到胃黏膜肠上皮化生实例数据集；步骤二：将每张图像切分成n×n大小的网格实例，并通过两个基于vit分类器的max-max模型和max-min模型；步骤三：将两个分类器选择出的实例相结合，得到全监督的实例图像级标签数据集，用于训练实例分类器；步骤四：将原始图像重新切片分成n×n大小的网格实例，利用实例分类器对所有图像的所有实例进行重新分类；步骤五：将重新分类的实例级标签数据集输入深度分割模型训练，得到肠上皮化生区域分割模型。[0025]作为一种实施例，多实例学习的肠化区域标签丰富过程为：将单张图像为m×m大小的数据集切分成若干个n×n大小的网格实例，并将每张图像的若干网格实例分别通过max-max模型和max-min模型，得到一组包含阳性实例和阴性实例的实例数据集。使用vit分类器对该实例数据集进行训练，最终得到一个可分类阳性实例和阴性实例的实例分类器。[0026]重新将m×m大小的数据集切分成n×n大小的网格实例，使用训练后的实例分类器，对阳性图像所包含的各实例进行再次分类。[0027]本公开是参照根据本公开实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。[0028]这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。[0029]上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!