[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

说明书

本发明提出了一种基于弱监督学习的全扫描图像分析方法和系统，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。所述系统包括与所述方法步骤对应的模块。

技术领域

本发明提出了一种基于弱监督学习的全扫描图像分析方法和系统，属于图像预测技术领域。

背景技术

病理学是通过分析病人的组织、细胞或者体液样本来诊断疾病的过程，被称为医学的“金标准”，是所有肿瘤类疾病诊断最重要的依据。病理科的诊断水平是医院整体诊断和治疗水平的重要参考指标。随着远程诊断的不断发展，数字病理扫描仪开始进入病理科，越来越多的病理切片被数字化，存储为全扫描图像。伴随着人工智能病理的不断发展，医生通过全扫描图像能够获得机器的辅助诊断结果。

不同于CT、X光等放射影像，病理影像的体积通常都在500MB至2GB，像素级分辨率通常达到200,000×100,000，对训练数据的标注过程提出了很高的要求。

现有技术的缺点

1.图像级别的标签虽然能够节约一定的标注难度，但是依然需要大量的标注时间；

2.Gabriele Campanella等的方法需要大量的计算资源，是这个问题的一种“暴力”解法。该方法每次迭代均需要对整张全扫描图像中的所有图像块就行计算，单次迭代周期很长，为了缩短计算时间，只能通过增加计算资源的方式；

3.现有的方法只解决了图像级分类的问题，输出的是“棋盘”式的结果，无法精确给定像素级的预测结果。

发明内容

本发明提供了一种基于弱监督学习的全扫描图像分析方法和系统，用以解决迭代时周期长，计算资源量过大以及图像的像素级预测准确率低的问题：所采取的技术方案如下：

一种基于弱监督学习的全扫描图像分析方法，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。

进一步地，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，对每个所述图像块进行标注，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；

对所述热点区域进行等距切分为N×N个大小相等且尺寸比所述热点区域的热点区域图像块，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。