【技术实现步骤摘要】
本专利技术涉及图像处理，特别涉及一种组织病理学图像的分割方法、装置、设备、介质及产品。
技术介绍
1、组织病理学图像是通过显微镜观察经过特殊处理的组织切片而获得的图像，用于研究细胞的微观结构、组织的构造以及可能存在的病理变化。在组织病理学图像分析中，精确的图像分割对于疾病的诊断、研究和治疗具有重要意义。这些图像通常包含复杂的细胞结构和多样的组织类型，使得自动分割成为一项挑战性任务。尽管深度学习方法，已经在图像分割方面取得了显著进展，但这些方法大多依赖大量精确标注的数据来训练模型，而在组织病理学领域，获取这样的数据既昂贵又耗时。
2、半监督分割方法是一种在医学图像处理、计算机视觉等领域广泛使用的机器学习技术，它旨在通过结合少量标注数据和大量未标注数据来训练模型，从而达到对图像进行精确分割的目的。这类方法特别适用于标注数据获取成本高昂或者难以获得大量标注样本的情况。半监督分割通过利用未标注数据中的潜在信息来增强模型的泛化能力，减少对大量手动标注数据的依赖。它通常包括自训练、生成对抗网络、图模型、对比学习等技术。对比学习方法通过比较数据点之间的相似性或差异性，使模型能够学习到更加丰富和鲁棒的特征表示。
3、然而，传统的半监督学习方法，例如伪标签和一致性正则化，虽然可以利用未标记数据，但它们通常依赖于模型初始输出的质量。如果初始预测误差较大，这些方法容易积累误差，导致模型性能下降。
技术实现思路
1、本专利技术提供一种组织病理学图像的分割方法、装置、设备、介质及产品
2、本专利技术第一方面实施例提供一种组织病理学图像的分割方法，包括以下步骤：根据组织病理图像数据集生成有标签数据和无标签数据，其中，有标签数据包括多个有标签样本，无标签数据包括多个无标签样本，且有标签数据的样本数量小于无标签数据的样本数量；根据有标签数据和无标签数据对半监督分割模型进行训练，半监督分割模型使用mean teacher架构，包括学生模型和教师模型，获取学生模型训练过程的监督损失、学生模型和教师模型共同训练过程的一致性损失、以及有标签样本的特征空间中的特征向量；根据特征向量确定每个类的原型语义，根据原型语义对比学习类间的不同特征表示，根据类间的不同特征表示计算对比损失，利用标记样本和未标记样本之间的原型语义相似度获取原型伪标签，根据原型伪标签和学生模型预测的伪标签计算原型损失；根据监督损失、一致性损失、对比损失和原型损失计算学生模型的总损失，根据总损失更新学生模型的权重参数，将学生模型的权重参数传递给教师模型，在训练结束后，利用半监督分割模型对组织病理学图像进行分割得到分割结果。
3、可选地，获取学生模型训练过程的监督损失、学生模型和教师模型共同训练过程的一致性损失、以及有标签样本的特征空间中的特征向量，包括：将多个有标签样本输入学生模型，学生模型输出每个有标签样本的第一预测图，根据每个有标签样本的第一预测图和标签图计算监督损失；将多个无标签样本分别输入学生模型和教师模型，学生模型输出每个无标签样本的第二预测图，教师模型输出每个无标签样本的第三预测图，根据第二预测图和第三预测图计算一致性损失；通过学生模型后设置的投影头获取有标签样本的特征空间中的特征向量。
4、可选地，投影头包括第一线性层的多层感知器、第二线性层的多层感知器、第一线性层后的激活函数和批量归一化层。
5、可选地，类间的不同特征表示包括与锚点类别相同的正样本和与锚点类别不相同的正样本，根据类间的不同特征表示计算对比损失，包括：根据正样本和负样本生成正负样本对；根据正负样本对计算对比损失。
6、可选地，对比损失的计算公式为：
7、，
8、其中， u和ν是正样本对，表示包含在负样本集合中的像素，表示温度参数，表示包含负样本的特征图，n表示采样的负体素的数量， i表示小于n-1的自然数。
9、可选地，利用标记样本和未标记样本之间的原型语义相似度获取原型伪标签，包括：获取每个类原型的质心；计算每个无标签样本的任意一点与每个类原型的质心之间的相似度；选择相似度最高的原型语义作为原型语义原型伪标签。
10、本专利技术第二方面实施例提供一种组织病理学图像的分割装置，包括：生成模块，用于根据组织病理图像数据集生成有标签数据和无标签数据，其中，有标签数据包括多个有标签样本，无标签数据包括多个无标签样本，且有标签数据的样本数量小于无标签数据的样本数量；训练模块，用于根据有标签数据和无标签数据对半监督分割模型进行训练，半监督分割模型使用mean teacher架构，包括学生模型和教师模型，获取学生模型训练过程的监督损失、学生模型和教师模型共同训练过程的一致性损失、以及有标签样本的特征空间中的特征向量；对比学习模块，用于根据特征向量确定每个类的原型语义，根据原型语义对比学习类间的不同特征表示，根据类间的不同特征表示计算对比损失，利用标记样本和未标记样本之间的原型语义相似度获取原型伪标签，根据原型伪标签和学生模型预测的伪标签计算原型损失；传参模块，用于根据监督损失、一致性损失、对比损失和原型损失计算学生模型的总损失，根据总损失更新学生模型的权重参数，将学生模型的权重参数传递给教师模型，在训练结束后，利用半监督分割模型对组织病理学图像进行分割得到分割结果。
11、本专利技术第三方面实施例提供一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序，以实现如上述实施例的组织病理学图像的分割方法。
12、本专利技术第四方面实施例提供一种计算机可读存储介质，其上存储有计算机程序或指令，计算机程序或指令被处理器执行，以用于实现如上述实施例的组织病理学图像的分割方法。
13、本专利技术第五方面实施例提供一种计算机程序，包括计算机程序或指令，计算机程序或指令被执行时，以用于实现如上述实施例的组织病理学图像的分割方法。
14、由此，本专利技术包括如下有益效果：
15、本专利技术实施例可以利用每个类别的特征向量来定义该类别的原型语义；通过计算标记样本和未标记样本之间的原型相似性，为未标记样本生成高质量的原型伪标签；通过原型损失比较原型伪标签与模型预测的标签，进一步提高了伪标签的可靠性和整体模型的分割精度，从而通过引入一个原型对比学习模块，促进模型学习到每个类别的独特特征表示，增强类内的紧致性和类间的分离性，进而可以为半监督学习提供了一种有效的策略，尤其适用于在标注数据有限的情况下，提高组织病理学图像的分割性能。
16、本专利技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
本文档来自技高网...【技术保护点】
1.一种组织病理学图像的分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的组织病理学图像的分割方法，其特征在于，所述获取学生模型训练过程的监督损失、所述学生模型和教师模型共同训练过程的一致性损失、以及所述有标签样本的特征空间中的特征向量，包括：
3.根据权利要求2所述的组织病理学图像的分割方法，其特征在于，所述投影头包括第一线性层的多层感知器、第二线性层的多层感知器、所述第一线性层后的激活函数和批量归一化层。
4.根据权利要求1所述的组织病理学图像的分割方法，其特征在于，所述类间的不同特征表示包括与锚点类别相同的正样本和与锚点类别不相同的正样本，所述根据所述类间的不同特征表示计算对比损失，包括：
5.根据权利要求4所述的组织病理学图像的分割方法，其特征在于，所述对比损失的计算公式为：
6.根据权利要求1所述的组织病理学图像的分割方法，其特征在于，所述利用标记样本和未标记样本之间的原型语义相似度获取原型伪标签，包括：
7.一种组织病理学图像的分割装置，其特征在于，包括：
8.一种电子设备
9.一种计算机可读存储介质，其上存储有计算机程序或指令，其特征在于，所述计算机程序或指令被执行时，以实现权利要求1-6任一项所述的组织病理学图像的分割方法。
10.一种计算机程序产品，包括计算机程序或指令，其特征在于，所述计算机程序或指令被执行时，以实现权利要求1-6任一项所述的组织病理学图像的分割方法。
...【技术特征摘要】
1.一种组织病理学图像的分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的组织病理学图像的分割方法，其特征在于，所述获取学生模型训练过程的监督损失、所述学生模型和教师模型共同训练过程的一致性损失、以及所述有标签样本的特征空间中的特征向量，包括：
3.根据权利要求2所述的组织病理学图像的分割方法，其特征在于，所述投影头包括第一线性层的多层感知器、第二线性层的多层感知器、所述第一线性层后的激活函数和批量归一化层。
4.根据权利要求1所述的组织病理学图像的分割方法，其特征在于，所述类间的不同特征表示包括与锚点类别相同的正样本和与锚点类别不相同的正样本，所述根据所述类间的不同特征表示计算对比损失，包括：
5.根据权利要求4所述的组织病理学图像的分割方法，其特征在于，所述对比损失的计算公式为...
【专利技术属性】
技术研发人员：曾新华，魏亚玲，蒋林华，龙伟，方润，廖乘胜，胡灵犀，
申请(专利权)人：复旦大学义乌研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。