[发明专利]一种基于深度哈希的病理全切片检索方法

权利要求书

1.一种基于深度哈希的病理全切片检索方法，其特征在于，包括：

(1)哈希数据库的建立：

输入查询图像，得到带标签的图像块，将带标签的图像块输入至卷积神经网络中，通过切片级损失函数对CNN网络框架进行训练，将所有的训练图像转化为相应的二值编码，得到哈希数据库；

(2)检索结果的确定：

利用CNN网络框架提取测试图像的二值编码，通过哈希数据库检索得到与测试图像二值编码相近的编码，进而返回对应的图像，采用非极大值抑制的方法对返回的图像进行融合，得出检索结果；

切片级损失函数得出的方法为：

对于一个图像对I₁，I₂，基本损失函数如下：

其中当I₁，I₂具有相同的标签时x＝1，具有不同的标签时x＝0，m，β是超参数，c₁，c₂是对应的CNN特征，用来控制特征编码的绝对值接近1；为了加强检索结果的切片信息丰富度，加入一个切片信息约束项：

其中，m₂和ρ是超参数，y是图像对的切片标签，当图像对来自同一切片时y＝0，来自不同切片时y＝1；在训练过程中对于N个图像对，它的损失函数可以表示为：

其中c_i，1，c_i，2为第i对图像块的特征。

2.根据权利要求1所述的一种基于深度哈希的病理全切片检索方法，其特征在于，查询图像采用224×224像素的图像。

3.根据权利要求1所述的一种基于深度哈希的病理全切片检索方法，其特征在于，采用DenseNet-121的网络结构作为CNN网络网架，包含121个卷积层，由4个Dense Block构成，将224×224像素的训练图像{I₁，I₂，…，I_N}映射到d维特征空间，之后用符号函数把特征转化为二值编码：

其中，I_n指的是其中某一个图像，b_n是d维的二值编码，F_CNN表示CNN框架的特征提取函数，sgn(·)表示符号函数，当t＞0时，sgn(t)＝1，其他情况sgn(t)＝-1。

4.根据权利要求1所述的一种基于深度哈希的病理全切片检索方法，其特征在于，采用如下评价指标来表征检索结果的切片信息丰富度：

其中，N_i(K)表示第i张切片中包含的前K张返回图像块的数量；N_j(K)表示第j张切片中包含的前K张返回图像块的数量，M为切片总数。