[发明专利]针对缺失标注的病理图像的高精度检测网络训练方法

权利要求书

1.针对缺失标注的病理图像的高精度检测网络训练方法，其特征在于，包括：

获取带有部分手工标注信息的病理图像作为训练样本；

将所述训练样本输入目标检测模型，通过所述目标检测模型检测出所述训练样本上可能存在检测目标的位置，用回归框标示出所述可能存在检测目标的位置；

计算每个回归框的原始损失；

计算每个回归框的回归框能量；

根据所述回归框能量对对应回归框的原始损失进行校准；

计算校准后所述目标检测模型的损失函数，采用梯度下降法更新所述目标检测模型中的参数，采用更新后的参数对所述目标检测模型继续进行训练;

其中，所述回归框能量通过回归框密度转换而来，计算每个回归框与其他回归框之间的平均距离，利用所述平均距离来衡量对应回归框周围的回归框密度，得到回归框密度函数；

所述回归框密度函数为

其中N是回归框的数量，D是曼哈顿街区距离，

和表示由i索引的框的中心点的x坐标和y坐标；

所述回归框能量为

其中表示所有回归框之间的最大距离，所述回归框能量值域为0到1；

所述原始损失包括定位损失和分类损失：

其中，是分类损失，是定位损失；是所述训练样本的类别标注，是训练样本中的手工标注框，是网络的预测类别概率分布，而为网络预测的回归框位置；

所述根据所述回归框能量对对应回归框的原始损失进行校准，包括分类损失校准和定位损失校准，分类损失通过

进行校准，其中表示由k索引的回归框的标签为背景，定位损失通过进行校准，

总的损失函数为

2.根据权利要求1所述的针对缺失标注的病理图像的高精度检测网络训练方法，其特征在于，

在将所述训练样本输入目标检测模型前，先对所述训练样本进行数据预处理：对所述训练样本采用色彩迁移的方法进行数据扩充，再采用主成分分析标准化，使得所述训练样本每个像素的像素值服从标准正态分布。