[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

说明书

本发明涉及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，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和未标注图像；S2：构建对抗生成网络，包括生成器网络和判别器网络，获取损失函数；S3：循环迭代，优化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生成图像以及真实正样本图像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。与现有技术相比，本发明泛化能力强，所需训练数据少，分类结果准确可靠。

技术领域

本发明涉及图像处理技术领域，尤其是涉及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。

背景技术

在医学影像领域，医学图像的精确对于许多临床应用有着十分重要的辅助作用，在临床上，全视野数字切片图像已被广泛使用。然而，手动标注切片图像上的病理区域十分耗时耗力，而且不同医师的诊断结果之间也存在着差异。为了减轻工作量，帮助医师快速诊断疾病，计算机自动化的标注就显得尤为重要。

目前，基于对抗生成网络的弱监督分类的方法中，均使用有标注的数据作为网络的训练数据。该策略通过引入标签映射模块，使得生成器能够根据输入的标签生成特定类别的图像。然而这种方法需要大量的有标注数据，通常情况下，有标签的数据量较少，难以训练出优质的分类器，且该方法的泛化能力较差。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供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。

本发明的目的可以通过以下技术方案来实现：

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，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。

优选地，

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。

优选地，所述的生成器网络和判别器网络采用卷积神经网络。

优选地，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。

优选地，所述的自注意力模块表示为：