CN115880262B 基于在线噪声抑制策略的弱监督病理图像组织分割方法 (桂林电子科技大学)_第1页
CN115880262B 基于在线噪声抑制策略的弱监督病理图像组织分割方法 (桂林电子科技大学)_第2页
CN115880262B 基于在线噪声抑制策略的弱监督病理图像组织分割方法 (桂林电子科技大学)_第3页
CN115880262B 基于在线噪声抑制策略的弱监督病理图像组织分割方法 (桂林电子科技大学)_第4页
CN115880262B 基于在线噪声抑制策略的弱监督病理图像组织分割方法 (桂林电子科技大学)_第5页
已阅读5页,还剩18页未读 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

WO2021184817A1,2021.09WO2022100034A1,2022.05.EP3611654A1,2020.02.19基于在线噪声抑制策略的弱监督病理图像本发明涉及基于在线噪声抑制策略的弱监督病理图像组织分割方法,包括:获取H&E染色声后的所述伪标签以及所述伪标签对应的训练类算法及分割算法,可实现仅使用patch级标签2基于在线噪声抑制策略抑制所述伪标签中存在的噪声,通过所述伪标签对应的训练集训练语义分割网络,获得训练后的所述语义分割网络的预测结收集肺癌/乳腺癌患者癌变区域组织的病理切片图像,对所述病理切片图像进行染色划定所述H&E染色图的感兴趣区域,将所述感兴趣区域无重叠地切分成相同系列的子根据所述数据集划分出训练集、验证集和测试集验证分类网络的分类性能,获得训练好的分类网络,基于所述训练好的分类网络,使用2.根据权利要求1所述的基于在线噪声抑制策略的弱监督病理图像组织分割方法,其基于大型公共图像数据库对所述分类网络进行预训3.根据权利要求1所述的基于在线噪声抑制策略的弱监督病理图像组织分割方法,其基于标准的交叉熵对所述伪标签与预测置信度4.根据权利要求3所述的基于在线噪声抑制策略的弱监督病理图像组织分割方法,其35.根据权利要求3所述的基于在线噪声抑制策略的弱监督病理图像组织分割方法,其mean(sm(-L))为将高损失值赋予一个较低的值的平均值,sm为softmax函数,6.根据权利要求1所述的基于在线噪声抑制策略的弱监督病理图像组织分割方法,其对所述伪标签对应的训练集进行数据增强处理,并设置所参数,通过抑制噪声后的所述伪标签以及数据增强处理后的所述训练集训练语义分割网7.根据权利要求1所述的基于在线噪声抑制策略的弱监督病理图像组织分割方法,其在所述H&E染色图的预设倍率下使用重叠滑动窗口预测操作,截取相同像素大小的图在对背景区域进行分割时,对缝合为WSI级的所述若干通道的概率图使用阈值分割方4和肿瘤浸润性淋巴细胞(tumor_infiltratinglymphocytes,TILs)等。肿瘤上皮与肿瘤相[0003]近年来,随着数字扫描仪技术的发展,大量的病理玻片生成全幅扫描病理图像[0005]本发明的目的是提供了基于在线噪声抑制策略的弱监督病理图[0011]收集肺癌/乳腺癌患者癌变区域组织的病理切片图像,对所述病理切片图像进行5[0013]划定所述H&E染色图的感兴趣区域,将所述感兴趣区域无重叠地切分成相同系列[0017]基于大型公共图像数据库对所述分类网络进行预训练,获得分数,mean(sm(-L))为将高损失值赋予一个较低的值的平均值,sm为softmax函数,6[0030]在所述H&E染色图的预设倍率下使用重叠滑动窗口预测操作,截取相同像素大小[0031]在对背景区域进行分割时,对缝合为WSI级的所述若干通道的概率图使用阈值分[0036]图1为本发明实施例的基于在线噪声抑制策略的弱监督病理图像组织分割方法流7[0046]收集肺癌/乳腺癌患者癌变区域组织的病理切片图像,对所述病理切片图像进行[0048]划定所述H&E染色图的感兴趣区域,将所述感兴趣区域无重叠地切分成相同系列[0052]基于大型公共图像数据库对所述分类网络进行预训练,获得分数,mean(sm(-L))为将高损失值赋予一个较低的值的平均值,sm为softmax函数,8[0065]在所述H&E染色图的预设倍率下使用重叠滑动窗口预测操作,截取相同像素大小[0066]在对背景区域进行分割时,对缝合为WSI级的所述概率图使用阈值分割方法进行实施例采用的染色处理是使用苏木精染液对细胞核内的染色质与细胞质内的核酸着紫蓝[0071]如图2所示,在所述H&E染色图中划定感兴趣区域,并将所述感兴趣区域切分成肿瘤相关间质(TAS)、坏死(NEC)和淋巴细胞(LYM);在乳腺癌病理图像中包含四个组织类述子图像块的大小设定为10x倍率下的相应像素;在乳腺癌数据集中,所述标签有肿瘤数据集来自151张H&E染色的WSIs,切分patch后的数据划分为:训练集为23422张patch9[0078]在分类阶段,使用机器学习技术领域的深度学习模型构建卷积采用在大型公共图像数据库ILSVRC2012上进行过预训练的卷积神级网络ResNet38作为初[0086]为了产生更加精确的伪标签,缓解传统CAM存在的区域收缩问题——即随着卷积非判别性但属于对象的其它区域(即分类网络是根据对象的聚焦区域来判定具有判别性的标,H与W分别表示维度和权重,C用于表示类别。为了获取损失权重,我们挑选损失图[0104]1)在所述肺癌H&E染色图中的10x倍率下使用重叠滑动窗口预测操作,每次截取网络中,为每个patch得到通道数为n的概率图,对应于每个类别,然后本实施例将每个[0105]2)在对背景区域进行分割时(即非组织区域或不属于对象的区域),对WSI原图使[

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论