[发明专利]样本集标注、病理图像分类、分类模型构建方法及装置

说明书

本发明提供一种样本集标注、病理图像分类、分类模型构建方法及装置，所述方法包括：基于各样本病理图像的标注不确定度、各样本病理图像的先验不确定度以及各样本病理图像的空间相关度，确定各样本病理图像的综合不确定度，基于各样本病理图像的综合不确定度选取满足预设标注条件的样本病理图像进行标注，直至满足预设收敛条件。本发明基于标注不确定度、先验不确定度以及空间相关度获取综合不确定度，进而根据综合不确定度选取部分样本病理图像进行标注，不仅能够准确且高质量标注样本，而且大幅度减少了样本的标注量，降低了模型的训练成本，提高了模型的训练效率和精度。

技术领域

本发明涉及计算机技术领域，尤其涉及一种样本集标注、病理图像分类、分类模型构建方法及装置。

背景技术

近年来依赖于卷积神经网络(Convolutional Neural Network，简称CNN)强大的分层特征提取能力，已经广泛应用于各个领域，如病理图像的分类。

然而，训练病理图像分类模型需要获取大规模的医学图像训练样本，且需要用手工方法为训练样本标注，既费时又容易出错，并且手工标注的方法也未考虑不同训练样本数据的不均衡性，容易降低病理图像标注的质量，进而影响分类模型的训练效果。

发明内容

本发明提供一种样本集标注、病理图像分类、分类模型构建方法及装置，实现减少训练样本标注量，降低训练成本。

本发明提供一种样本集标注方法，包括：

样本获取步骤：获取若干个待标注的样本病理图像；

不确定度计算步骤：基于各样本病理图像的标注不确定度、各样本病理图像的先验不确定度以及各样本病理图像的空间相关度，确定各样本病理图像的综合不确定度；

样本标注步骤：基于各样本病理图像的综合不确定度，选取满足预设标注条件的样本病理图像进行标注；

迭代步骤：基于执行样本标注步骤后的各样本病理图像，循环执行所述不确定度计算步骤和所述样本标注步骤，直至满足预设收敛条件；

其中，所述样本病理图像的标注不确定度是基于对应样本病理图像的预测损失函数值确定的，所述样本病理图像的先验不确定度是基于对应样本病理图像的标注先验值确定的，所述样本病理图像的空间相关度是基于对应样本病理图像邻域内已标注的图像比例确定的。

根据本发明提供的一种样本集标注方法，所述样本病理图像的标注不确定度的获取步骤包括：

将样本病理图像输入预测损失函数模型，输出所述样本病理图像的预测损失函数值；

其中，所述预测损失函数模型是基于预测病理图像和预测病理图像的损失函数值机器学习训练得到，所述预测病理图像的损失函数值的获取步骤包括：

将所述预测病理图像依次输入目标病理图像分类模型的全局池化层和全连接层，获取所述预测病理图像的损失函数值；

所述目标病理图像分类模型是基于目标病理图像样本和目标病理图像样本的分类结果训练得到的。

根据本发明提供的一种样本集标注方法，所述样本病理图像的先验不确定度是基于先验值模型确定的，所述先验值模型为：

其中，表示样本病理图像的先验不确定度，表示归一化常数，表示第k张样本病理图像中中心像素坐标为(i,j)的子图像，表示第k张样本病理图像中中心像素坐标为(i',j')的子图像，表示相邻与第l-1轮以及标注过的子图像全体集合的指标函数，g[(i,j),(i′,j′)]表示空间距离核函数，∫di′dj′表示对于全部可行的i′和j′进行累加。