一种基于多实例学习的肠上皮化生区域图像分割系统技术方案

本公开提供了一种基于多实例学习的肠上皮化生区域图像分割系统，涉及医学图像分析技术领域，包括获取模块，用于获取胃部病理切片，并将其转为数字病理切片，并进行正常标签和异常肠化标签的图像级标注，获得标注信息及图片；预处理模块，用于对标注后的数字病理切片进行归一化并将每张图像切分为网格实例；输出模块，用于将数字病理切片输入至训练后的肠上皮化生区域分割模型，得到肠上皮化生区域分割结果；本公开基于多实例学习，从而摆脱了受像素级标签的计算资源限制，可充分利用图像特征和多尺度信息，实现端到端的肠化区域分割。实现端到端的肠化区域分割。实现端到端的肠化区域分割。

【技术实现步骤摘要】
一种基于多实例学习的肠上皮化生区域图像分割系统


[0001]本公开涉及医学图像分析
，具体涉及一种基于多实例学习的肠上皮化生区域图像分割系统。

技术介绍

[0002][0003]近年来，利用有监督学习进行医疗图像的自动识别应用越来越广泛，但是在该领域中无法忽视的问题是专业医疗图像的精细标注的获取成本非常巨大。同时因为胃部病理图像中病灶区域复杂多变，且存在着噪声干扰，使得高精度的图像分割成为一项具有挑战性的任务。此外，目前有像素级标签的图像数据集中病理图像数量较少且病理图像的尺寸都比较大，受计算资源的限制，模型往往不能充分利用图像特征和多尺度信息。

技术实现思路

[0004]本公开为了解决上述问题，提出了一种基于多实例学习的肠上皮化生区域图像分割系统，基于多实例学习，充分利用图像特征和多尺度信息，使用图像级标签分割出数字病理图像的目标区域，提高了图像分割的准确度。
[0005]根据一些实施例，本公开采用如下技术方案：一种基于多实例学习的肠上皮化生区域图像分割系统，包括：获取模块，用于获取胃部病理切片，并将其转为数字病理切片，并进行正常标签和异常肠化标签的图像级标注，获得标注信息及图片；预处理模块，用于对标注后的数字病理切片进行归一化并将每张图像切分为网格实例；输出模块，用于将数字病理切片输入至训练后的肠上皮化生区域分割模型，得到肠上皮化生区域分割结果；其中，所述深度分割模型的训练方法为使用基于ViT分类器的Max
‑
Max（机会最大化）模型和Max
‑
Min（最大最小化）模型，用实例数据集进行分类，得到全监督的实例图像级标签数据集；使用独立的ViT分类器，对全监督的实例图像级标签数据集进行学习，得到可重新标记所有图像各实例的分类器，并使用该分类器对所有实例进行分类，得到可用于分割的胃黏膜肠上皮化生数据集；利用重新标记的实例数据集，使用深度分割模型进行学习，得到训练后的肠上皮化生区域分割模型。
[0006]与现有技术相比，本公开的有益效果为：本公开可以基于图像级标签分割出数字病理切片中肠化区域，从而得到肠上皮化生的严重程度，减少人工像素级标注所消耗的人力、物力，缩短了评估的总体时间，并提高了分割的准确度；本公开基于多实例学习，从而摆脱了受像素级标签的计算资源限制，可充分利用图像特这个和多尺度信息，实现端到端的肠化区域分割。
附图说明
[0007]构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
[0008]图1为本公开实施例的基于多实例学习的模型训练总体流程图；图2为本公开实施例的基于多实例学习的肠化区域标签丰富示意图；图3为本公开实施例的基于多实例学习的肠化区域分割流程示意图；图4为本公开实施例的ViT网络结构流程示意图；图5为本公开实施例的Max
‑
Max模型结构；图6为本公开实施例的Max
‑
Min模型结构。
具体实施方式
[0009]下面结合附图与实施例对本公开作进一步说明。
[0010]应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属
的普通技术人员通常理解的相同含义。
[0011]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0012]术语解释ViT：VisionTransformer，ViT本质为transformer encoder网络，编码器网络。
[0013]实施例1本公开的一种实施例中提供了一种基于多实例的一种基于多实例学习的肠上皮化生区域图像分割系统，包括：获取模块，用于获取胃部病理切片，并将其转为数字病理切片，并进行正常标签和异常肠化标签的图像级标注，获得标注信息及图片；预处理模块，用于对标注后的数字病理切片进行归一化并将每张图像切分为网格实例；输出模块，用于将数字病理切片输入至训练后的深度分割模型，得到肠上皮化生区域分割结果；其中，所述深度分割模型的训练方法为使用基于ViT分类器的Max
‑
Max模型和Max
‑
Min模型，用实例数据集进行分类，得到全监督的实例图像级标签数据集；使用独立的ViT分类器，对全监督的实例图像级标签数据集进行学习，得到可重新标记所有图像各实例的分类器，并使用该分类器对所有实例进行分类，得到可用于分割的胃黏膜肠上皮化生数据集；利用重新标记的实例数据集，使用深度分割模型进行学习，得到训练后的肠上皮化生区域分割模型。
[0014]作为一种实施例，一种基于多实例学习的肠化区域图像分深度分割模型的训练步骤为：S1：获取数据集，包括：获取胃部病理切片，并对非肿瘤区域的胃部病理切片进行
图像级标注，包括正常阴性标签和肠化阳性标签。对标注后的胃部病理切片resize（调整）成M
×
M大小，并使用Macenko（麦氏）染色归一化方法对实例图像数据集进行标准化处理，将特征值大小调整到相近的范围，得到胃黏膜肠上皮化生实例数据集。
[0015]S2：用于标签丰富的基于ViT分类器的搭建，包括：基于ViT网络搭建分类模型，具体结构如图4所示，通过将图片patch（图像片）转换成token（图像片序列），把图片分类问题转为序列问题。并保留ViT网络的Patch Embeeding（图片嵌入）层对输入图像进行分块操作并重新构建张量。再通过位置编码层和多头自注意力层对输入的张量进行位置编码和维度变换，最终设置通过分类预测层对输入图像进行打分和分类。
[0016]S3：构建标签丰富模型，得到实例级的胃黏膜肠上皮化生数据集，包括：首先将每张图像切分成N
×
N大小的网格实例，同一张图像所得到的若干实例成为一个包。每一个肠化图像包中，至少包含一个实例属于肠化区域。而每一个正常图像包中，所有实例均为正常区域。
[0017]构建两个基于ViT分类器的Max
‑
Max模型和Max
‑
Min模型，分别如图5和图6所示，构建有标签的实例数据集。
[0018]Max
‑
Max模型会让图像的所有实例通过ViT分类模型，使每一个实例得到一个分数，并对正常图像和肠化图像都是选择当前包中分数最大的实例。
[0019]Max
‑
Min模型会让图像的所有实例通过ViT分类模型，使每一个实例得到一个分数，并从肠化图像中选择当前包中分数最大的实例, 从正常图像中选择当前包中分数最小的实例。
[0020]使用相同的数据集对两个分类器进行独立训练，通过实例得到的分数与其图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多实例学习的肠上皮化生区域图像分割系统，其特征在于，包括：获取模块，用于获取胃部病理切片，并将其转为数字病理切片，并进行正常标签和异常肠化标签的图像级标注，获得标注信息及图片；预处理模块，用于对标注后的数字病理切片进行归一化并将每张图像切分为网格实例；输出模块，用于将数字病理切片输入至训练后的肠上皮化生区域分割模型，得到肠上皮化生区域分割结果；其中，所述肠上皮化生区域分割模型的训练方法为使用基于ViT分类器的Max
‑
Max模型和Max
‑
Min模型，用实例数据集进行分类，得到全监督的实例图像级标签数据集；使用独立的ViT分类器，对全监督的实例图像级标签数据集进行学习，得到可重新标记所有图像各实例的分类器，并使用该分类器对所有实例进行分类，得到可用于分割的胃黏膜肠上皮化生数据集；利用重新标记的实例数据集，使用深度分割模型进行学习，得到训练后的肠上皮化生区域分割模型。2.如权利要求1所述的一种基于多实例学习的肠上皮化生区域图像分割系统，其特征在于，数据集的获取步骤为：获取胃部病理切片，并对非肿瘤区域的胃部病理切片进行图像及标注，包括正常标签和异常肠化标签，对标注后的胃部病理切片使用Macenko染色归一化方法对实例图像数据集进行标准化，将特征值大小调整到相近的范围，得到胃黏膜肠上皮化生数据集。3.如权利要求1所述的一种基于多实例学习的肠上皮化生区域图像分割系统，其特征在于，所述基于ViT分类器的搭建步骤为基于ViT网络搭建分类器，保留ViT网络的Patch Embeeding层对输入图像进行分块操作并重新构建张量，再通过位置编码层和多头自注意力层对输入的张量进行维度变换，最终设置分类预测层对输入图像进行打分和分类。4.如权利要求1所述的一种基于多实例学习的肠上皮化生区域图像分割系统，其特征在于，所述可用于分割的胃黏膜肠上皮化生数据集的构建方法为首先将每张图像切分成设置大小的网格实例，同一张图像所得到的若干实例成为包；构建两个基于ViT分类器的Max
‑
Max模型和Max
‑
Min模型，使用相同的数据集对两个模型进行独立训练，通过实例得到的分数与其图像级标签计算交叉熵损失函数，以此更新分类器参数；最终训练完成后，再使用相同的数据集通过两个训练完成的模型，计算各实例的分数；将两个模型选择出的实例相结合，在标签丰...

【专利技术属性】
技术研发人员：刘治，段冠华，崔笑笑，曹艳坤，
申请(专利权)人：山东大学，
类型：发明
国别省市：