CN114581434B 基于深度学习分割模型的病理图像处理方法、电子设备 （生仝智能科技(北京)有限公司）

US2019251694A1,2019.基于深度学习分割模型的病理图像处理方本申请公开了一种基于深度学习分割模型集采用基于伪标签损失权重系数Wd的半监督技2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结合所述训练数据集采用基于伪标签损失权重系数wa的半监督技术对所述深度学习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算第一伪标签数据训练产生的损失LossF1；利用所述训练后的第二深度学习分割模型标定为所述第二伪标签数据训练产生的损失LossF2配置伪标签损失权重系数wa，将配置伪为所述第一伪标签数据训练产生的损失LossF1配置伪标签损失权重系数wa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；loss1=lossr1+wa*losspzloss2=lossr2+wa*lossp1T1为第一真实标签数据训练产生的损失，LossF2为第二伪标签数据训练产生S。=s。+max[(a-6),0.5]*sy3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LossT1，将所述第一真实标签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LossT2，将所述第二真实标签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述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对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进行二值所述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对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进行二值述未标注的训练数据集为新获取的病理切片的图像数据或者为真实标注的训练数据集去4述血管深度学习分割模型采用标准U-Net模型；所述节细胞深度学习分割模型采用改进的采用图像分割优化单元对所述深度学习分割模型识别到的血管和节细胞进行精确度述采用图像分割优化单元对所述深度学习分割模型识别到的血管和节细胞进行精确度优根据所述图像分割优化单元优化后的目标计算相述图像分割优化单元对所述深度学习分割模型识别到的血管和节细胞进行精确度优化包执行如权利要求1-10中任一项所述的基于深度学习分割模型的5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twostage方[0008]结合所述训练数据集采用基于伪标签损失权重系数Wd对所述深度学习分割模型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6[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[0020]图2为本申请实施例提供的基于伪标签损失权重系数Wd的半监督技术对深度学习[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[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7[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[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[0044]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[0045]为所述第二伪标签数据训练产生的损失LossF2配置伪标签损失权重系数Wd，将配[0046]为所述第一伪标签数据训练产生的损失LossF1配置伪标签损失权重系数Wd，将配[0047]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练使其具有识别眼底RGC节细胞的能力。本发明并行训练两个深度学习分割模型以端到端8深度学习分割模型的第一伪标签数据训练产生的损失LossF1配置伪标签损失权重系数Wd，练产生的损失LossF2配置伪标签损失权重系数Wd，并作为第一深度学习分割模型的监督信模型在验证集上的损失降低时即触发模型更新保存，在模型训练完成120轮后得到的模型[0054]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P1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LossT1，将所述第一真实标签数据训练产生的损失LossT1作为第一监[0056]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P2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LossT2，将所述第二真实标签数据训练产生的损失LossT2作为第二监[0057]具体的，利用第一真实标签数据训练产生的损失LossT1更新第一型的权重参数，利用第二真实标签数据训练产生的损失LossT2更新第二深度学习分割模型9[0059]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[0060]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[0061]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伪标签数据训练产生的损失LossF2配置伪标签损失权重系数Wd，并作为第一深度学习分割数据集输入到第一深度学习分割模型时，P1为真实标注的训练数据集的第一真实预测结[0074]对所述训练后的第一深度学习分割模型对未标注训练数据集的预测结果进行二[0075]所述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[0076]对所述训练后的第二深度学习分割模型对未标注训练数据集的预测结果进行二第一伪标签Y1和第二深度学习分割模型的预测结果P2计算第一伪标签数据训练产生的损失LossF1；根据第二伪标签Y2与第一深度学习分割模型的预测结果P1计算第二伪标签数据练数据中已包含了多种情况的视网膜图片，足以训练深度学习分割模型完成细胞分割任模型包括标准U-Net模型和改进的U-Net模型；其中采用标准U-Net模型对视网膜图像中的Net模型中的编码模块，残差模块借鉴了高速网络的跨层连接思想，这种残差跳跃式的结细胞的精确定位；上采样使用反卷积放大特征图是指能够与浅层特征图大小一致并连接，管深度学习分割模型输出整合成一张血管区域掩膜，并与真实值做二值交叉熵计算损失。[0088]在一个实施例中，每个编码模块包含一个特征提取模块和一积层(2DTransposeConvolutionLayer)、一个特征融合层(ConcatenateLayer)和一个血管深度学习分割模型输出整合成一张血管区域掩膜，并与真实值做二值交叉熵计算损[0091]具体的，如图7所示，特征提取模块包括由外向内依次设置的二维卷积层(Conv掩膜的二值交叉熵损失后再加和作为最终的模型损失值。改进的U-Net模型可以大大降低[0093]改进的U-Net模型整体架构如图8所示。改进的U-Net模型由五级编码模块块由外向内依次设置的一个卷积残差模块(ConvolutionResidualBlock)和一个恒等残积层(2DTransposeConvolutionLayer)、一个特征融合层(ConcatenateLayer)和一个阶段，使用三层卷积和Sigmoid激活函数将模型输出整合成一张细胞轮廓掩膜和一张细胞激活函数层；将所述卷积残差模块输出的特征图分别输入残差支路和桥连接支路进行处和残差支路的输出图像进行相加并经过ReLU激活函数处理后作为下一个编码模块的输入本申请实施例提供的基于伪标签损失权重系数Wd的半监督技术同样适用于对这些深度学[0108]具体的，图像分割优化单元逐一检查深度学习分割模型[0110]依照视网膜节细胞在医学图像中的尺寸不小于50个像素点(预设细胞尺寸阈值)强度值，将高于所述像素强度自适应阈值的目标筛除；其中，像素强度自适应阈值为型的病理图像处理方法可以有效的对视网膜病理图像中所有节细胞进元优化后的目标可计算荧光染色的视网膜病理图像中所含感兴趣区域面积、血管的面积、208加载到随机访问存储器(RAM)203中的程序而执行各种适当的动作和处理。在RAM203的计算机程序根据需要被安装入存储部分2装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程些单元或模块的名称在某种情况下并不构成对该单元或模块