[发明专利]一种基于弱监督学习的全扫描图像分析方法和系统

权利要求书

1.一种基于弱监督学习的全扫描图像分析方法，其特征在于，所述方法包括：

将全扫描图像等距切分为多个尺寸比所述全扫描图像小的图像块，同时获得全扫描图像级的标注；并利用基于注意力机制的抽样方法以及图像块判据将所述全扫描图像级的标注增强到图像块级的标注，获取N×N倍的有监督信息；

将所述图像块级的标注直接赋给所述全扫描图像的对应区域的每个像素点，并利用图像分割模型以有监督的方式训练像素级预测模型；

其中，所述将全扫描图像等距切分为多个尺寸比所述全扫描图像小的图像块，同时获得全扫描图像级的标注；并利用基于注意力机制的抽样方法以及图像块判据将所述全扫描图像级的标注增强到图像块级的标注，获取N×N倍的有监督信息，包括：

将全扫描图像等距切分为多个尺寸比所述全扫描图像小的图像块，同时获得全扫描图像级的标注，并利用注意力机制对所述全扫描图像进行图像块抽样；

利用图像块选择判据训练生成两种深度学习模型；将所述全扫描图像中的图像块分别送入所述深度学习模型中，获得每一个图像块的预测结果，并通过所述图像块选择判据选择出代表性图像块，同时排除所述两种深度学习模型预测结果不同的图像块；

利用所述代表性图像块训练新的图像分类器，使用训练后的图像分类器对训练集的所有全扫描图像中的图像块进行预测，获得每张全扫描图像的热点区域预测结果；

将所述热点区域等距切分为N×N个大小相等且尺寸比所述热点区域小的热点区域图像块，对所述热点区域图像块进行标注，获得图像块级的标注；所述图像块级的标注对应的图像块级数据即为N×N倍的有监督信息；

所述将全扫描图像等距切分为多个尺寸比所述全扫描图像小的图像块，同时获得全扫描图像级的标注，并利用注意力机制对所述全扫描图像进行图像块抽样，包括：

将每一张全扫描图像分成N×N个大小相等的图像块，并将每个所述图像块进行标注；其中，N＝M/m，M表示全扫描图像的边长尺寸；m表示所述图像块的边长尺寸；

针对每一张全扫描图像建立注意力矩阵，所述注意力矩阵中存储所述全扫描图像对应的所有图像块的注意力权重；并且所述注意力矩阵的初始值为N/A，其中，N/A表示None；

在每轮迭代中，针对每张全扫描图像以权重M(i,j)和概率p对全扫描图像中坐标为(i,j)的图像块进行抽样，共抽样p×n个图像块，其中，所述全扫描图像的权重M(i，j)满足M(i,j)≠N/A；然后，在权重M(i,j)＝N/A的图像块中以相同的概率p抽样(1-p)×n个图像块；其中，n表示每次迭代单张全扫描图像共抽样的图像块的个数；

在模型训练过程中，用每轮迭代更新模型的预测结果M’(i,j)覆盖原有的矩阵元素，即M(i,j)＝M’(i,j)。

2.根据权利要求1所述方法，其特征在于，所述图像块选择判据采用Max-Max判据或Max-Min判据；

所述Max-Max判据为：对有热点区域和无热点区域的全扫描图像，均采用预测概率最大的图像块作为代表图像块；

所述Max-Min判据为，对有热点区域的全扫描图像采用最大预测概率的图像块作为代表图像块，对无热点区域的全扫描图像采用最小预测概率的图像块作为代表图像块。