[发明专利]病理图像中细胞计数模型训练方法及装置

权利要求书

1.一种基于深度学习的病理图像中细胞计数模型训练方法，其特征在于，所述方法包括：

数据获取步骤：从已经被化学标记染色细胞的病理图像中获取训练模型所需要的图片块，构成训练数据集；

数据处理步骤：对所述训练数据集进行图像归一化和图像增强处理；

模型预训练步骤：在ImageNet数据集上进行预训练得到ResNeSt模型；

模型训练步骤：使用梯度中心化GC的方式对预训练后的ResNeSt模型进行模型训练：基于预先设置的训练参数，重复执行以下模型训练处理：通过所述ResNeSt模型使用注意力分散Split-Attention的机制对所述训练数据集中染色图像进行特征提取，得到细胞计数结果，并通过GC的方式对参数更新的过程进行优化。

2.根据权利要求1所述的一种基于深度学习的病理图像中细胞计数模型训练方法，其特征在于，所述预先设置的训练参数具体包括初始的学习率和表示模型进行训练迭代次数的训练代数epoch；

所述方法进一步包括：

进行模型训练之前，预先设置一个初始的学习率和一个训练代数，并根据公式1计算学习率更新方式对当前的学习率进行更新：

其中n为训练的epoch总数，e为当前的epoch数，lr为学习率。

3.根据权利要求1所述的一种基于深度学习的病理图像中细胞计数模型训练方法，对所述训练数据集进行图像归一化具体包括：通过ImageNet数据集的均值和方差对图像进行归一化：

其中，x_c,i,j表示一张图片第c个通道中第i行第j列的像素值，c＝{1,2,3}。

所述图像增强使用了自动增强Auto Augmentation的训练方式，即通过遗传算法，自动选择图像增强的过程，最后得到训练结果。

4.根据权利要求1所述的一种基于深度学习的病理图像中细胞计数模型训练方法，其特征在于，通过所述ResNeSt模型使用注意力分散Split-Attention的机制对所述训练数据集中染色图像进行特征提取，得到细胞计数结果具体包括：将ResNeSt模型作为计数的基础模型，通过所述ResNeSt模型使用Split-Attention的机制进行病理图像的特征提取：将提取的特征分为r个组输入，对r个分组的特征进行加和后使用全局池化global pooling得到通道上的特征，所述分组经过全连接层后得到r个dense c特征，利用归一化指数函数Softmax进行注意力的计算，最后乘回到每个通道上，相加后得到输出结果；

进一步地，相同的Split-Attention Block堆叠若干层，将结果进行合并即可得到最终使用上的深度学习神经网络，即最终实际应用的ResNeSt模型；

在所述ResNeSt模型进行特征提取后，使用全连接层对提取的特征进行降维处理，处理完成后通过ReLu函数进行特征激活，最后得到细胞计数结果。

5.根据权利要求1所述的一种基于深度学习的病理图像中细胞计数模型训练方法，其特征在于，所述通过GC的方式对参数更新的过程进行优化具体包括：

采用Adam优化器，将均方方差MSE作为损失函数，通过GC的方式对参数更新的过程进行优化：

假设有一组模型的权重，为W_i，其梯度为：

那么梯度中心化的过程为：

在公式3中：

其中，公式2、3、4中为损失对权重求偏导得到的梯度，M为梯度矩阵的列数，为对梯度矩阵按列求得的均值。

6.根据权利要求1所述的一种基于深度学习的病理图像中细胞计数模型训练方法，其特征在于，在所述模型训练步骤之后，所述方法进一步包括：在实际的细胞计数应用时，首先要对一张染色后的病理图像进行裁剪，裁剪成一定大小的图片块，裁剪后的图像使用所述ResNeSt模型得到每个图片块的细胞计数结果，最后加和所有图片块的结果，即可得到所述病理图像总的细胞计数结果。