[发明专利]一种基于双标签损失的胃癌病理切片图像分割方法及系统

权利要求书

1.一种基于双标签损失的胃癌病理切片图像分割方法，其特征在于，包括：

1)扫描胃癌病理切片得到数字病理全切片图像；

2)通过医生标注的少量切片样本的预训练得到预训练模型，并通过预训练模型预测得到未标注切片的预标注；

3)将未标注切片及其预标注交于医生，让医生在预标注的基础上进行修改，从而获得真实标注的切片样本；

4)基于切片、切片预标注和切片真实标注，对全切片进行patch切割，读取patch图像和分割标注，并划分训练集和验证集；

5)对训练集进行数据扩充，对训练集和验证集进行数据归一化处理；

6)构建深度卷积神经网络的图像分割模型，并构造双标签损失函数进行训练微调，依次迭代训练集的所有样本更新模型参数直至收敛，得到训练好的分割模型；所述双标签损失函数为基于双标签的交叉熵损失函数，设真实标注为L_t，预标注为L_p，均为0、1向量，该损失函数的具体公式为：

W＝q₀((L_p＝＝0)(L_t＝＝1))+q₁((L_p＝＝1)(L_t＝＝0))

W＝W+(W＝＝0)

loss＝-W_i*[L_ti*logp_i+(1-L_ti)*log(1-p_i)]

其中q₀是预测为正常、实际为病变的损失重要性权重，q₁是预测为病变、实际为正常的损失重要性权重，L_ti是真实标注的第i像素点的值，p_i是预测的第i像素点的值，W_i是第i像素点的权重值，q₀需要大于q₁，对于预测正确的点，权重赋值为1；

7)将待预测的病理全切片图像实时裁剪出的patch输入训练好的分割模型进行切片病变区域预测，将所有patch的预测结果拼接，最终得到全切片的病变分割结果。

2.根据权利要求1所述的基于双标签损失的胃癌病理切片图像分割方法，其特征在于，步骤4)中，同时对切片、切片预标注和切片真实标注进行同种尺度、相同位置切割产生同名的patch数据，经过数据划分之后，每一条数据包含了输入图像、切片真实标注转换而来的输出图像和切片预标注转换而来的辅助输出图像。

3.根据权利要求1所述的基于双标签损失的胃癌病理切片图像分割方法，其特征在于，步骤2)中获得的预训练模型参数将保存下来，并作为步骤6)中图像分割模型的初始化参数，步骤6)将在该初始化参数下进行网络训练，并进行反向传播，从而微调图像分割模型参数。

4.根据权利要求1所述的基于双标签损失的胃癌病理切片图像分割方法，其特征在于，所述验证集在步骤6)图像分割模型训练迭代完一次所有训练集样本后，将对模型进行效果预测，当验证集效果持续优化时，模型继续训练，反之，当模型多次效果持续下降时，则停止模型训练，并保存当前模型。