1.基于在线噪声抑制策略的弱监督病理图像组织分割方法,其特征在于,包括:
获取H&E染色图,对所述H&E染色图进行处理,获得数据集,对所述数据集进行划分,基于划分后的所述数据集训练分类网络,生成伪标签;
基于在线噪声抑制策略抑制所述伪标签中存在的噪声,通过抑制噪声后的伪标签以及所述伪标签对应的训练集训练语义分割网络,获得训练后的所述语义分割网络的预测结果,将所述预测结果作为最终分割结果。
2.根据权利要求1所述的基于在线噪声抑制策略的弱监督病理图像组织分割方法,其特征在于,获取H&E染色图包括:收集肺癌/乳腺癌患者癌变区域组织的病理切片图像,对所述病理切片图像进行染色处理,得到肺癌/乳腺癌H&E染色病理切片,再对所述肺癌/乳腺癌H&E染色病理切片进行数字化处理,得到所述H&E染色图。
3.根据权利要求2所述的基于在线噪声抑制策略的弱监督病理图像组织分割方法,其特征在于,对所述H&E染色图进行处理包括:划定所述H&E染色图的感兴趣区域,将所述感兴趣区域无重叠地切分成相同系列的子图像块,为每个所述子图像块添加patch级标签,并指定所述patch级标签中存在的组织类别。
4.根据权利要求1所述的基于在线噪声抑制策略的弱监督病理图像组织分割方法,其特征在于,对所述数据集进行划分,基于划分后的所述数据集训练分类网络,生成伪标签包括:根据所述数据集划分出训练集、验证集和测试集,使用深度学习模型构建所述分类网络,对所述训练集进行数据增强处理,基于数据增强处理后的所述训练集训练所述分类网络,通过所述验证集进行内部验证所述分类网络的分类性能,并通过所述测试集进行外部验证分类网络的分类性能,获得训练好的分类网络,基于所述训练好的分类网络,使用Grad‑CAM++生成所述伪标签。
5.根据权利要求4所述的基于在线噪声抑制策略的弱监督病理图像组织分割方法,其特征在于,基于数据增强处理后的所述训练集训练所述分类网络包括:基于大型公共图像数据库对所述分类网络进行预训练,获得分类网络初始模型,并设置所述分类网络初始模型的训练方案和超参数,基于数据增强处理后的所述训练集训练所述分类网络初始模型,引入渐进式丢弃注意力机制,迭代地擦除最具有判别性区域,迫使所述分类网络初始模型学习非判别性区域;
其中,所述分类网络初始模型的每一层权重均设置为可更新模式。
6.根据权利要求1所述的基于在线噪声抑制策略的弱监督病理图像组织分割方法,其特征在于,基于在线噪声抑制策略抑制所述伪标签中存在的噪声包括:基于标准的交叉熵对所述伪标签与预测置信度进行逐像素计算,获得损失图,通过改进加权交叉熵损失挑选所述损失图的损失,根据所述损失图的损失为不同的像素点赋予不同的权重,抑制所述伪标签中存在的噪声。
7.根据权利要求6所述的基于在线噪声抑制策略的弱监督病理图像组织分割方法,其特征在于,改进所述加权交叉熵损失的方法为:其中, 为分割网络的损失, 为损失权重,H和W分别表示维度,i和j分
别表示坐标,P为可分割网络的预测, 为伪标签, 为,C为类别。
8.根据权利要求6所述的基于在线噪声抑制策略的弱监督病理图像组织分割方法,其特征在于,为所述不同的像素点赋予不同的权重的方法为:其中, 为将高损失值赋予一个较低的值,sm为在HW维度上使用softmax函数,为将高损失值赋予一个较低的值的平均值,sm为softmax函数,上的损失来作为表示学习困难程度的指标,W为权重。
9.根据权利要求1所述的基于在线噪声抑制策略的弱监督病理图像组织分割方法,其特征在于,通过抑制噪声后的所述伪标签以及所述伪标签对应的训练集,训练所述语义分割网络包括:对所述伪标签对应的训练集进行数据增强处理,并设置所述分类网络的训练方案和超参数,通过抑制噪声后的所述伪标签以及数据增强处理后的所述训练集训练语义分割网络。
10.根据权利要求1所述的基于在线噪声抑制策略的弱监督病理图像组织分割方法,其特征在于,将训练后的所述语义分割网络的预测结果作为最终分割结果包括:在所述H&E染色图的预设倍率下使用重叠滑动窗口预测操作,截取相同像素大小的图像块,并获取所述图像块的重叠率,将所述图像块送入训练好的所述语义分割网络中,获得若干通道的概率图,将所述若干通道的概率图缝合为WSI级,对于重叠区域,计算每个像素位置的各个类别预测概率的平均值,并通过argmax操作来获取WSI分割结果;
在对背景区域进行分割时,对缝合为WSI级的所述若干通道的概率图使用阈值分割方法进行分割,将灰度像素值大于预设值的点设置为固定数值,得到灰度图;
将所述灰度图加入到所述WSI分割结果,得到所述最终分割结果。