针对病理图像的病变区域确定方法、模型训练方法及装置制造方法及图纸

本申请公开了一种针对病理图像的病变区域确定方法、模型训练方法及装置，涉及计算机视觉技术领域。所述方法包括：采用第一采样方式从病理图像中采样得到至少两个第一实例图像；基于从至少两个第一实例图像中提取的特征信息，确定病理图像中的候选病变区域；采用第二采样方式从候选病变区域中采样得到至少两个第二实例图像，第二实例图像之间的重叠度大于第一实例图像之间的重叠度；基于从至少两个第二实例图像中提取的特征信息，确定病理图像的病变指示信息，病变指示信息用于指示病理图像中的病变区域。本申请中，减少了人力资源的消耗，节省了确定病变区域所需的成本。节省了确定病变区域所需的成本。节省了确定病变区域所需的成本。

【技术实现步骤摘要】
针对病理图像的病变区域确定方法、模型训练方法及装置


[0001]本申请涉及计算机视觉领域，特别涉及一种针对病理图像的病变区域确定方法、模型训练方法及装置。

技术介绍

[0002]目前，通过病理图像可以确定具体的病变位置。
[0003]在相关技术中，组织病理学检查从活检开始，医生从用户体内获取组织切片，通过包埋、染色等步骤制作成玻片。之后，病理学家将玻片放置在显微镜下进行观察，以在病理图像中找到具体的病变位置。
[0004]然而，在上述相关技术中，病变位置的确定流程依赖于人工进行诊断，人力资源消耗大。

技术实现思路

[0005]本申请实施例提供了一种针对病理图像的病变区域确定方法、模型训练方法及装置，能够减少人力资源的消耗，节省确定病变区域所需的成本。所述技术方案如下。
[0006]根据本申请实施例的一个方面，提供了一种针对病理图像的病变区域确定方法，所述方法包括以下步骤：
[0007]采用第一采样方式从病理图像中采样得到至少两个第一实例图像；
[0008]基于从所述至少两个第一实例图像中提取的特征信息，确定所述病理图像中的候选病变区域；
[0009]采用第二采样方式从所述候选病变区域中采样得到至少两个第二实例图像，所述第二实例图像之间的重叠度大于所述第一实例图像之间的重叠度；
[0010]基于从所述至少两个第二实例图像中提取的特征信息，确定所述病理图像的病变指示信息，所述病变指示信息用于指示所述病理图像中的病变区域。
[0011]根据本申请实施例的一个方面，提供了一种病变区域确定模型的训练方法，所述方法包括以下步骤：
[0012]获取训练样本集合，所述训练样本集合中包括至少一个样本病理图像；
[0013]分别采用第一采样方式和第二采样方式对所述样本病理图像进行采样，得到所述样本病理图像对应的至少两个第一样本实例和至少两个第二样本实例，所述第二样本实例之间的重叠度大于所述第一样本实例之间的重叠度；
[0014]基于从所述至少两个第一样本实例中提取的特征信息，以及从所述至少两个第二样本实例中提取的特征信息，确定所述样本病理图像的病变概率分布信息；其中，所述病变概率分布信息用于指示所述样本病理图像中病变区域的概率分布；
[0015]根据所述病变概率分布信息对所述病变区域确定模型进行训练。
[0016]根据本申请实施例的一个方面，提供了一种针对病理图像的病变区域确定装置，所述装置包括以下模块：
[0017]第一图像获取模块，用于采用第一采样方式从病理图像中采样得到至少两个第一实例图像；
[0018]病变区域确定模块，用于基于从所述至少两个第一实例图像中提取的特征信息，确定所述病理图像中的候选病变区域；
[0019]第二图像获取模块，用于采用第二采样方式从所述候选病变区域中采样得到至少两个第二实例图像，所述第二实例图像之间的重叠度大于所述第一实例图像之间的重叠度；
[0020]病变信息确定模块，用于基于从所述至少两个第二实例图像中提取的特征信息，确定所述病理图像的病变指示信息，所述病变指示信息用于指示所述病理图像中的病变区域。
[0021]根据本申请实施例的一个方面，提供了一种病变区域确定模型的训练装置，所述装置包括以下模块：
[0022]样本获取模块，用于获取训练样本集合，所述训练样本集合中包括至少一个样本病理图像；
[0023]实例获取模块，用于分别采用第一采样方式和第二采样方式对所述样本病理图像进行采样，得到所述样本病理图像对应的至少两个第一样本实例和至少两个第二样本实例，所述第二样本实例之间的重叠度大于所述第一样本实例之间的重叠度；
[0024]信息获取模块，用于基于从所述至少两个第一样本实例中提取的特征信息，以及从所述至少两个第二样本实例中提取的特征信息，确定所述样本病理图像的病变概率分布信息；其中，所述病变概率分布信息用于指示所述样本病理图像中病变区域的概率分布；
[0025]模型训练模块，用于根据所述病变概率分布信息对所述病变区域确定模型进行训练。
[0026]根据本申请实施例的一个方面，本申请实施例提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一段程序，所述至少一段程序由所述处理器加载并执行以实现上述针对病理图像的病变区域确定方法，或上述病变区域确定模型的训练方法。
[0027]根据本申请实施例的一个方面，本申请实施例提供了一种计算机可读存储介质，所述存储介质中存储有至少一段程序，所述至少一段程序由处理器加载并执行以实现上述针对病理图像的病变区域确定方法，或上述病变区域确定模型的训练方法。
[0028]根据本申请实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述针对病理图像的病变区域确定方法，或上述病变区域确定模型的训练方法。
[0029]本申请实施例提供的技术方案可以带来如下有益效果：
[0030]通过对病理图像进行采样得到实例图像，并从实例图像中提取特征信息，并基于实例图像的特征信息自动确定出该病理图像的病变区域，从而减少了人力资源的消耗，节省了确定病变区域所需的成本。
[0031]另外，本申请实施例中，先基于第一采样方式确定出病理图像中的候选病变区域，
的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR(Optical Character Recognition，光学字符识别)、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D(3Dimensions，三维)技术、虚拟现实、增强现实、地图构建等技术。
[0052]机器学习(Machine Learning，ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
[0053]随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种针对病理图像的病变区域确定方法，其特征在于，所述方法包括：采用第一采样方式从病理图像中采样得到至少两个第一实例图像；基于从所述至少两个第一实例图像中提取的特征信息，确定所述病理图像中的候选病变区域；采用第二采样方式从所述候选病变区域中采样得到至少两个第二实例图像，所述第二实例图像之间的重叠度大于所述第一实例图像之间的重叠度；基于从所述至少两个第二实例图像中提取的特征信息，确定所述病理图像的病变指示信息，所述病变指示信息用于指示所述病理图像中的病变区域。2.根据权利要求1所述的方法，其特征在于，所述基于从所述至少两个第一实例图像中提取的特征信息，确定所述病理图像中的候选病变区域，包括：对各个所述第一实例图像分别进行特征编码，得到各个所述第一实例图像分别对应的第一特征信息；对各个所述第一实例图像分别对应的第一特征信息进行特征融合，得到所述病理图像的全局特征信息；根据所述全局特征信息以及各个所述第一实例图像分别对应的第一特征信息，确定各个所述第一实例图像分别对应的第一预测概率，所述第一预测概率是指所述第一实例图像中包含病变区域的概率；基于满足第一条件的第一预测概率对应的第一实例图像在所述病理图像中的位置，确定所述候选病变区域。3.根据权利要求2所述的方法，其特征在于，所述对各个所述第一实例图像分别对应的第一特征信息进行特征融合，得到所述病理图像的全局特征信息，包括：采用注意力机制对各个所述第一实例图像分别对应的第一特征信息进行处理，得到各个所述第一特征信息分别对应的权重；根据各个所述第一特征信息分别对应的权重，对各个所述第一特征信息进行加权求和处理，得到所述病理图像的全局特征信息。4.根据权利要求2所述的方法，其特征在于，所述根据所述全局特征信息以及各个所述第一实例图像分别对应的第一特征信息，确定各个所述第一实例图像分别对应的第一预测概率，包括：根据所述全局特征信息映射生成第一概率系数，所述第一概率系数是指所述病理图像中包含病变区域的概率；对于每一个所述第一实例图像，根据所述第一实例图像对应的第一特征信息映射生成第二概率系数，所述第二概率系数是指所述第一实例图像中包含病变区域的初始概率；根据所述第一概率系数和所述第二概率系数，确定所述第一实例图像对应的第一预测概率。5.根据权利要求1所述的方法，其特征在于，所述基于从所述至少两个第二实例图像中提取的特征信息，确定所述病理图像的病变指示信息，包括：对各个所述第二实例图像分别进行特征编码，得到各个所述第二实例图像分别对应的第二特征信息；对各个所述第二实例图像分别对应的第二特征信息进行特征融合，得到所述病理图像
针对所述候选病变区域的局部特征信息；基于所述局部特征信息和所述病理图像的全局特征信息，确定所述病理图像中的病变概率分布信息，所述病变概率分布信息用于指示所述病理图像中病变区域的概率分布；其中，所述病变指示信息中包括所述病变概率分布信息。6.根据权利要求5所述的方法，其特征在于，所述对各个所述第二实例图像分别对应的第二特征信息进行特征融合，得到所述病理图像针对所述候选病变区域的局部特征信息，包括：采用注意力机制对各个所述第二实例图像分别对应的第二特征信息进行处理，得到各个所述第二特征信息分别对应的权重；根据各个所述第二特征信息分别对应的权重，对各个所述第二特征信息进行加权求和处理，得到所述局部特征信息。7.根据权利要求1所述的方法，其特征在于，所述基于从所述至少两个第二实例图像中提取的特征信息，确定所述病理图像的病变指示信息，包括：对各个所述第二实例图像分别进行特征编码，得到各个所述第二实例图像分别对应的第二特征信息；对各个所述第二实例图像分别对应的第二特征信息进行特征融合，得到所述病理图像针对所述候选病变区域的局部特征信息；根据所述局部特征信息以及各个所述第二实例图像分别对应的第二特征信息，确定各个所述第二实例图像分别对应的第二预测概率，所述第二预测概率是指所述第二实例图像中包含所述病变区域的概率；基于满足第二条件的第二预测概率对应的第二实例图像在所述病理图像中的位置，确定所述病理图像的病变指示信息。8.根据权利要求7所述的方法，其特征在于，所述根据所述局部特征信息以及各个所述第二实例图像分别对应的第二特征信息，确定各个所述第二实例图像分别对应的第二预测概率，包括：根据所述局部特征信息映射生成第三概率系数，所述第三概率系数是指所述候选病变区域中包含病变区域的概率；对于每一个所述第二实例图像，根据所述第二实例图像对应的第二特征信息映射生成第四概率系数，所述第四概率系数是指所述第二实例图像中包含病变区域的初始概率；根据所述第三概率系数和所述第四概率系数，确定所述第二实例图像对应的第二预测概率。9.根据权利要求1至8任一项所述的方法，其特征在于，所述采用第一采样方式从病理图像中采样得到至少两个第一实例图像，包括：对所述病理图像进行背景划分，确定所述病理图像中的背景图像和前景图像；采用所述第一采样方式对所述病理图像进行分割，得到至少两个第一候选实例图像；从所述至少两个第一候选实例图像中，将包含所述前景图像的第一候选实例图像确定为所述第一实例图像。10.根据权利要求1至8任一项所述的方法，其特征在于，所述采用第二采样方式从所述候选病变区域中采样得到至少两个第二实例图像，包括：
根据所述候选病变区域，从所述病理图像中提取得到候选病变图像；基于所述病理图像的尺寸，对所述候选病变图像进行缩放处理，得到目标病变图像，所述目标病变图像的尺寸与所述病理图像的尺寸一致；采用所述第二采样方式从所述目标病变图像中采样得到所述至少两个第二实例图像。11.根据权利要求1至8任一项所述的方法，其特征在于，所述病变指示信息由病变区域确定模型得到，所述病变区域确定模型包括编码网络、第一分类网络、第二分类网络和第三分类网络；其中，所述编码网络，用于对所述第一实例图像和所述第二实例图像进行特征编码，得到所述第一实例图像对...

【专利技术属性】
技术研发人员：杨仲毅，杨森，项进喜，张军，韩骁，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：