欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025102211679
申请人: 华侨大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种两阶段生成对抗网络引导的宫颈癌病理图像分析方法,其特征在于,包括如下步骤:采集宫颈癌的真实病理图像并打上真实标签;

基于两阶段生成对抗网络构建宫颈癌病理数据生成网络,包括病理图像生成网络和病理图像标签生成网络;

宫颈癌病理数据生成网络接收宫颈癌的真实病理图像并打上真实标签,输出生成病理图像及对应的生成标签,用于联合训练下游分割网络;

使用训练好的下游分割网络对宫颈癌病理图像进行分割,识别其中的癌变组织、实性组织和背景部分;

其中,病理图像生成网络和病理图像标签生成网络均采用生成对抗网络;所述病理图像生成网络包括依次连接的全连接层、图像生成器、图像判别器;所述病理图像标签生成网络包括依次连接的病理先验特征引导损失块、标签生成器和标签判别器;

所述病理图像生成网络接收真实病理图像并输出生成病理图像,其过程包括以下步骤:从真实病理图像中获取随机隐藏变量z并进行正则化后,输入到全连接层中得到解耦的中间隐藏向量s,表示为:s=W×z+b;

其中,W是权重系数,b是偏置向量;

将中间隐藏向量s与真实病理图像一起输入到图像生成器中,生成不同尺度的特征,输入图像判别器进行判别;所述图像生成器在上采样阶段利用病理风格特征信息融合归一化模块加入随机噪声yz,丰富生成病理图像的细节信息;

图像判别器输出生成病理图像;

所述病理图像标签生成网络接收带真实标签的真实病理图像以及病理图像生成网络输出的生成病理图像,输出生成标签,其过程包括以下步骤:病理先验特征引导损失块接收带真实标签的真实病理图像以及病理图像生成网络输出的生成病理图像,生成病理先验特征引导损失,输入到标签生成器;

利用标签生成器和标签鉴别器之间的对抗,生成对应生成病理图像的标签;

所述病理先验特征引导损失LITL-A表示为:

LITL-A=λdLGC+λeLGB+λfLDFP;

其中,λd、λe和λf分别为交叉熵损失、边界损失和距离特征惩罚交叉熵损失的权重;LGC表示交叉熵损失,LGB表示边界损失,LDFP表示距离特征惩罚交叉熵损失。

2.根据权利要求1所述的两阶段生成对抗网络引导的宫颈癌病理图像分析方法,其特征在于,所述病理风格特征信息融合归一化模块以自引导的特征图yw和随机噪声yz为输入,输出病理风格特征信息融合归一化感知图yn,表示为:yn=conv5(AdaFLN(yw,yz));

AdaFLN=ρAdaIN+αAdaLN+(1-ρ-γ)AdaFN;

其中,conv5是5×5卷积操作;AdaFLN是自适应实例特征层归一化算子,γ和ρ是可学习的参数,用于约束不同归一化模块提取的特征向量;AdaIN是自适应实例归一化算子;AdaLN是自适应层归一化算子,lw表示自适应层归一化的输入特征图,lz表示自适应层归一化的输入特征向量;AdaFN是自适应特征归一化算子,fw表示自适应特征归一化的输入特征图,fz表示自适应特征归一化的输入特征向量;μ和σ分别表示求均值和方差操作。

3.根据权利要求1所述的两阶段生成对抗网络引导的宫颈癌病理图像分析方法,其特征在于,所述病理图像生成网络采用基于CycleGan的损失函数,表示为:LITI=λaLGAN(GITI,DITI,X,Y)+λbLCycle(GITI,F)+λcLIdentity(GITI,F);其中,DITI表示图像判别器的损失函数,GITI表示图像生成器的损失函数,X表示病理图像生成过程的预测标签,Y表示病理图像生成过程的真实标签,F表示病理图像的真实源域,LITI为病理图像生成网络的损失函数,LGAN为对抗损失,LCycle为循环一致性损失,LIdentity为身份损失,λa、λb和λc分别表示对抗损失、循环一致性损失和身份损失的权重。

4.根据权利要求1所述的两阶段生成对抗网络引导的宫颈癌病理图像分析方法,其特征在于,所述病理图像生成网络中,全连接层包括八个512×512的深度可分离卷积层;图像生成器采用8层ResNet50;图像判别器采用3层ResNet50。

5.根据权利要求1所述的两阶段生成对抗网络引导的宫颈癌病理图像分析方法,其特征在于,交叉熵损失、边界损失和距离特征惩罚交叉熵损失分别表示为:其中,xi表示真实标签的第i个元素,yi表示模型预测属于第i个类别的概率;φα是由真实分割标签的距离变换计算出的距离特征,是模型预测的像素级概率值,α表示图像中的每个像素指数,NGB是图像中用于归一化的像素总数;NDFP为像素点的总数,c为像素点的类别,为像素β属于c类的概率值,为像素β属于c类的真实值,Dc为c类的距离惩罚项。

6.根据权利要求5所述的两阶段生成对抗网络引导的宫颈癌病理图像分析方法,其特征在于,病理图像标签生成网络的总损失函数LITL表示为:LITL=gLITI+hLITL-A;

其中,LITI为病理图像生成网络的损失函数,g表示病理图像生成网络的损失函数的权重,h表示病理先验特征引导损失的权重值。

7.根据权利要求1所述的两阶段生成对抗网络引导的宫颈癌病理图像分析方法,其特征在于,所述病理图像标签生成网络中,标签生成器采用7层ResNet50;标签判别器采用3层ResNet50。

8.根据权利要求1所述的两阶段生成对抗网络引导的宫颈癌病理图像分析方法,其特征在于,所述下游分割网络联合宫颈癌病理数据生成网络进行合作训练,采用的损失函数表示为:其中,x*^表示下游分割网络的预测标签,wd表示下游分割网络中的可训练参数,用于约束分割网络预测结果的准确性,z表示病理图像的真实标签,y表示经过真实标签约束后生成病理图像的预测标签,we表示生成网络中的可训练参数,用于约束生成网络生成结果的准确性;θ表示分割网络归一化,Ф表示生成网络正则化,Ld是下游分割网络的正则化项,Le是病理数据生成网络的正则化项,λ3是平衡的超参数。