CN114037720B 基于半监督学习的病理图像分割与分类的方法及装置 （北京理工大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN114037720B(45)授权公告日2025.07.04

(21)申请号202111211187.6

(22)申请日2021.10.18

(65)同一申请的已公布的文献号申请公布号CN114037720A

(43)申请公布日2022.02.11

(73)专利权人北京理工大学

地址100081北京市海淀区中关村南大街5

号北京理工大学

(72)发明人宋红朱翊铭杨健付天宇

肖德强

(74)专利代理机构北京市中闻律师事务所

11388

专利代理师冯梦洪

(51)Int.CI.

GO6T7/12(2017.01)

GO6V10/764(2022.01)

GO6V10/774(2022.01)

G16H30/20(2018.01)

G16H70/60(2018.01)

(56)对比文件

CN113379764A,2021.09.10

CN111986150A,2020.11.24

审查员吕淼

权利要求书3页说明书5页附图4页

(54)发明名称

基于半监督学习的病理图像分割与分类的方法及装置

(57)摘要

CN114037720B基于半监督学习的病理图像分割与分类的方法及装置，有效解决图像的尺度变化问题，更改网络的结构，使其同时执行分割和分类，解决全视野切片中样本的类不平衡问题，提高分类与分割的性能。方法包括：(1)使用基于Swin-TransformerBlocks的U形网络结构，从图像数据中提取多尺度信息；(2)在上采样中，采用密集连接；(3)利用细胞图像的点注释进行弱监督分割，采用注释点和几何约束的负边界稀疏监督，结合点到区域的空间拓展的Voronoi划分策略来执行粗分割；在精细分割阶段，通过轮廓敏感约束函数，进一步利用未修饰图像中的边缘先验知

CN114037720B

基于

基于Swin-TransformerBlocks的U形网络结构从图像数据中提取多尺度信息

在上采样的密集连接减少

精细度损失与网络梯度消

失和过拟合的问题。

利用了细胞的点注释，分

为粗分割与精分割两个阶

段进行弱监督分割

修改最后的线性映射层，

使网络能同时输入分割和

分类的结果。

CN114037720B权利要求书1/3页

2

1.基于半监督学习的病理图像分割与分类的方法，其特征在于：其包括以下步骤：

(1)使用基于Swin-TransformerBlocks的U形网络结构自适应地从图像数据中提取多尺度信息；

(2)在上采样的过程使用双线性插值密集连接，减少解码器的精细度损失的同时缓解梯度消失和过拟合的问题；

(3)利用细胞图像的点注释进行弱监督分割，粗分割阶段采用注释点和几何约束的负边界稀疏监督，结合点到区域的空间拓展的Voronoi划分策略；在精细分割阶段，通过轮廓敏感约束函数，进一步利用未修饰图像中的边缘先验知识来调整核轮廓；

(4)在网络中，通过修改最后的线性映射层来同时输出分割和分类的结果；

所述步骤(3)中首先对细胞图像进行点注释，分别生成两个距离图分别聚焦到正像素与负像素，包括点注释的距离图D与边缘图0:

点注释的距离图D用来专注于高置信度的正像素，假设每个核的注释点靠近核的中心，之后通过距离滤波器将点标注扩大到可靠的核监督区域，D中的每一个元素通过(5)式计算，如下所示：

(5)

其中：m,t分别为点标注的距离注释图的标记点的坐标，a为控制分布比例的缩放参数；

以Voronoi图来聚焦于高置信度的负像素，记为U;通过Voronoi图来获得每一个细胞的在图像中的分区边缘，并通过距离滤波器(5)式的计算方法进一步扩大其与边缘的距离；0用于描述置信度高的负像素。

2.根据权要利求1所述的基于半监督学习的病理图像分割与分类的方法，其特征在于：所述步骤(1)中，Swin-TransformerBolcks基于移动窗口的多头注意力模块、残差连接与多层感知机进行自适应特征提取，第1层的Swin-TransformerBolcks进行特征提取时的计算方式，为公式(1)

(1)

其中：WMSA代表了窗口自注意力机制，SWMSA代表了滑动窗口自注意力机制，会和z1分别代表了经过跨窗口注意力层和全连接层的输出；

在WMSA,SW