[发明专利]基于病理图像标注工具的深度学习模型训练方法及装置

权利要求书

1.一种基于病理图像标注工具的深度学习模型训练方法，其特征在于，包括：

步骤1，获取通过病理图像标注工具进行人工标注的病理图像，对所述病理图像进行预处理，将预处理后的标注病理图像输入到深度学习模型进行训练；

步骤2，将一批新的未标注的病理图像输入到训练后的深度学习模型，得到相应的检测结果，并将所述检测结果输出到病理图像标注工具向用户展示；

步骤3，获取通过所述病理图像标注工具对所述检测结果进行人工质量审核并修改后的校正标注的病理图像，将所有带有标注的病理图像继续输入到所述深度学习模型进行训练；

步骤4，重复执行步骤2-3，直到所述深度学习模型输出的检测结果符合要求，完成所述深度学习模型的训练。

2.根据权利要求1所述方法，其特征在于，对所述病理图像进行预处理具体包括：

将病理图像裁剪成预定大小的小图片，并将人工标注的标签也按照对应坐标进行裁剪；

将裁剪好的病理图像的小图片进行数据增强。

3.根据权利要求1所述方法，其特征在于，所述深度学习模型为：centermask2模型，所述病理图像为乳腺癌病理图像。

4.根据权利要求2所述方法，其特征在于，将一批新的未标注的病理图像输入到训练后的深度学习模型，得到相应的检测结果具体包括：

将一批新的未标注的病理图像输入到训练后的深度学习模型，通过所述深度学习模型对未标注的病理图像的小图片进行预测，将小图片的检测结果合并到一起组成病理图像大图的检测结果，其中，检测结果包含每个检测到对象的轮廓坐标、类别和检测分数，所述检测分数为0到1之间的值。

5.根据权利要求4所述方法，其特征在于，所述方法进一步包括：

在将检测结果输出到病理图像标注工具之后，设置检测分数阈值对所述检测结果进行过滤，将符合要求的检测结果向用户展示。

6.一种基于病理图像标注工具的深度学习模型训练装置，其特征在于，包括：

预处理模块，用于获取通过病理图像标注工具进行人工标注的病理图像，对所述病理图像进行预处理，将预处理后的标注病理图像输入到深度学习模型进行训练；

第一训练模块，用于将一批新的未标注的病理图像输入到训练后的深度学习模型，得到相应的检测结果，并将所述检测结果输出到病理图像标注工具向用户展示；

第二训练模块，用于获取通过所述病理图像标注工具对所述检测结果进行人工质量审核并修改后的校正标注的病理图像，将所有带有标注的病理图像继续输入到所述深度学习模型进行训练；

调用模块，用于重复调用所述第一训练模块和第二训练模块，直到所述深度学习模型输出的检测结果符合要求，完成所述深度学习模型的训练。

7.根据权利要求6所述装置，其特征在于，所述深度学习模型为：centermask2模型，所述病理图像为乳腺癌病理图像；

所述预处理模块具体用于：

将病理图像裁剪成预定大小的小图片，并将人工标注的标签也按照对应坐标进行裁剪；将裁剪好的病理图像的小图片进行数据增强；

所述第一训练模块具体用于：

将一批新的未标注的病理图像输入到训练后的深度学习模型，通过所述深度学习模型对未标注的病理图像的小图片进行预测，将小图片的检测结果合并到一起组成病理图像大图的检测结果，其中，检测结果包含每个检测到对象的轮廓坐标、类别和检测分数，所述检测分数为0到1之间的值。

8.根据权利要求6所述装置，其特征在于，所述装置进一步包括：

过滤模块，用于在将检测结果输出到病理图像标注工具之后，设置检测分数阈值对所述检测结果进行过滤，将符合要求的检测结果向用户展示。

9.一种基于病理图像标注工具的深度学习模型训练装置，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至5中任一项所述的基于病理图像标注工具的深度学习模型训练方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现如权利要求1至5中任一项所述的基于病理图像标注工具的深度学习模型训练方法的步骤。