[发明专利]基于病理图像标注工具的深度学习模型训练方法及装置

说明书

本发明公开了一种基于病理图像标注工具的深度学习模型训练方法及装置，包括：步骤1，获取通过病理图像标注工具进行人工标注的病理图像，对病理图像进行预处理，将预处理后的标注病理图像输入到深度学习模型进行训练；步骤2，将一批新的未标注的病理图像输入到训练后的深度学习模型，得到相应的检测结果，将检测结果输出到病理图像标注工具向用户展示；步骤3，获取通过病理图像标注工具对检测结果进行人工质量审核并修改后的校正标注的病理图像，将所有带有标注的病理图像继续输入到深度学习模型进行训练；步骤4，重复执行步骤2‑3，直到深度学习模型输出的检测结果符合要求，完成深度学习模型的训练。

本发明涉及计算机技术领域，尤其是涉及一种基于病理图像标注工具的深度学习模型训练方法及装置。

背景技术

乳腺癌是一种有害疾病，在过去几年中，在乳腺癌病理领域进行了大量的形态学表型研究，旨在发现临床表型和影像学表型之间隐藏的规律。这些研究很大程度上是通过基于深度学习的图像分析来提取高分辨率病理图像上大小不一的目标对象（例如癌变区域）的。但是，采用深度学习算法的一个主要挑战是需要大量带有人工标注的高质量训练数据，此外，对病理图像的标注需要广泛的专业知识和资源，这对于标注人员而言是资源密集的且繁琐的，最好由病理学家来标记。有团队开发了EasierPath，这是一种开放源代码工具，可将人类医生和深度学习算法集成在一起，以有效地进行大规模病理图像标注，但是该工具是以离线的方式展示标注结果的，标注量大是标注速度很慢，并且采用客户端进行展示，无法实时展示模型预测结果，因此使用体验上可能有一定差距。

发明内容

本发明的目的在于提供一种基于病理图像标注工具的深度学习模型训练方法及装置，旨在解决病理图像标注问题中，标注量大时标注速度慢的问题，提高标注速度，加快模型迭代训练。

本发明提供一种基于病理图像标注工具的深度学习模型训练方法，包括如下步骤：

步骤1，获取通过病理图像标注工具进行人工标注的病理图像，对所述病理图像进行预处理，将预处理后的标注病理图像输入到深度学习模型进行训练；

步骤2，将一批新的未标注的病理图像输入到训练后的深度学习模型，得到相应的检测结果，并将所述检测结果输出到病理图像标注工具向用户展示；

步骤3，获取通过所述病理图像标注工具对所述检测结果进行人工质量审核并修改后的校正标注的病理图像，将所有带有标注的病理图像继续输入到所述深度学习模型进行训练；

步骤4，重复执行步骤2-3，直到所述深度学习模型输出的检测结果符合要求，完成所述深度学习模型的训练。

进一步地，对所述病理图像进行预处理具体包括：

将病理图像裁剪成预定大小的小图片，并将人工标注的标签也按照对应坐标进行裁剪；

将裁剪好的病理图像的小图片进行数据增强。

进一步地，所述深度学习模型为：centermask2模型，所述病理图像为乳腺癌病理图像。

进一步地，将一批新的未标注的病理图像输入到训练后的深度学习模型，得到相应的检测结果具体包括：

将一批新的未标注的病理图像输入到训练后的深度学习模型，通过所述深度学习模型对未标注的病理图像的小图片进行预测，将小图片的检测结果合并到一起组成病理图像大图的检测结果，其中，检测结果包含每个检测到对象的轮廓坐标、类别和检测分数，所述检测分数为0到1之间的值。

进一步地，所述方法进一步包括：

在将检测结果输出到病理图像标注工具之后，设置检测分数阈值对所述检测结果进行过滤，将符合要求的检测结果向用户展示。

本发明提供一种基于病理图像标注工具的深度学习模型训练装置，包括：预处理模块，用于获取通过病理图像标注工具进行人工标注的病理图像，对所述病理图像进行预处理，将预处理后的标注病理图像输入到深度学习模型进行训练；