[发明专利]基于对抗生成网络和弱监督学习的数字切片图像分类方法

权利要求书

1.一种基于对抗生成网络和弱监督学习的数字切片图像分类方法，其特征在于，该方法包括如下步骤：

S1：获取有掩码标注和无掩码标注的数字切片图像并将其切分成补丁图像作为源数据，形成真实正样本图像Xp和未标注图像Xu；

S2：构建对抗生成网络，包括生成器网络和判别器网络，所述的生成器网络用于生成正样本图像Xgp和负样本图像Xgn，所述的判别器网络用于区分Xp、Xu、Xgp、Xgn，获取对抗生成网络的损失函数；

S3：循环迭代，利用优化器获取对抗生成网络的最优参数；

S4：构建图像分类网络，将训练的生成器网络产生的Xgp、Xgn以及真实正样本图像Xp输入至所述的图像分类网络中；

S5：循环迭代训练，获取图像分类网络的最优参数；

S6：应用时，将目标切片图像切分成补丁图像输入至图像分类网络，输出分类结果；

所述的生成器网络包括：

第一生成器Gp：用于生成正样本图像Xgp；

第二生成器Gn：用于生成负样本图像Xgn；

所述的判别器网络包括：

第一判别器Dp：用于区分Xp和Xgp；

第二判别器Dn：用于区分Xp和Xgn；

第三判别器Du：用于区分Xu、Xgp和Xgn。

2.根据权利要求1所述的一种基于对抗生成网络和弱监督学习的数字切片图像分类方法，其特征在于，所述的生成器网络和判别器网络采用卷积神经网络。

3.根据权利要求2所述的一种基于对抗生成网络和弱监督学习的数字切片图像分类方法，其特征在于，所述的生成器网络和判别器网络中的各生成器和判别器均包括多个卷积层，还包括自注意力模块，所述的自注意力模块设置一个或多个，单个自注意力模块串联在相邻的卷积层之间，所述的自注意力模块的输出和上一层卷积层的输出相加后作为下一层卷积层的输入。

4.根据权利要求3所述的一种基于对抗生成网络和弱监督学习的数字切片图像分类方法，其特征在于，所述的自注意力模块表示为：

h(x_i)＝W_hx_i

s_ij＝f(x_i)^Tg(x_j)

f(X)＝W_fX，g(X)＝W_gX，v(X)＝W_vX

其中，x_i、x_j分别表示上一层卷积层的输出x的第i和j列数据，x∈R^C×N，R^C×N表示C×N维矩阵，C为通道数，N为空间维度，o_j表示自注意力模块的第j列输出，β_j，i表示自注意力分值，f(X)、g(X)、v(X)分别表示以自变量X为输入的函数，W_g、W_f、W_h、W_v为待学习的参数矩阵，W_g，W_f，表示维矩阵，表示维矩阵，为降维后的通道数，i＝1，2……，N，j＝1，2……，N。

5.根据权利要求1所述的一种基于对抗生成网络和弱监督学习的数字切片图像分类方法，其特征在于，步骤S2中对抗生成网络的目标函数为：

其中，为对抗生成网络的目标函数，为更新第一生成器Gp、第一判别器Dp和第三判别器Du时的目标函数，为更新第二生成器Gn、第二判别器Dn和第三判别器Du时的目标函数，π_p和π_n为先验参数。