[发明专利]基于无监督迁移图片分类的结肠病变智能识别方法、系统及介质

权利要求书

1.基于无监督迁移图片分类的结肠病变智能识别方法，其特征在于，包括下述步骤：

定义目标领域结肠显微图像的类别；收集并处理源领域结肠数字切片图像，使其标注与目标领域结肠显微图像的类别一致；

构建结肠病变智能识别模型，包括：结构相同的两个子网络模块、难度量化模块、领域对齐模块、噪声适应性模块和多样性模块；

利用处理后的源领域结肠数字切片图像作为样本训练结肠病变智能识别模型，具体为：

将样本输入所述两个子网络模块，得到样本的分类预测结果和特征向量；

将所述样本的分类预测结果输入难度量化模块，得到样本的难度系数；

所述领域对齐模块、噪声适应性模块和多样性模块用于构建结肠病变智能识别模型的最终损失函数；其中，所述领域对齐模块利用样本的特征向量和难度系数构建领域对齐损失；所述噪声适应性模块采用建模人工标注错误概率法对预测结果进行处理，并构造分类损失；所述多样性模块采用KL散度以度量两个子网络模块间的相似性，构造多样性损失；所述最终损失函数用于迭代优化结肠病变智能识别模型；

模型部署及预测，将目标领域结肠显微图像输入训练好的结肠病变智能识别模型，根据模型输出结果预测是否发生病变。

2.根据权利要求1所述的基于无监督迁移图片分类的结肠病变智能识别方法，其特征在于，所述定义目标领域结肠显微图像的类别包括：正常、腺瘤、腺癌和黏液性腺癌。

3.根据权利要求1所述的基于无监督迁移图片分类的结肠病变智能识别方法，其特征在于，训练过程中，设第i个训练样本为x_i；

所述样本经过两个子网络模块的特征提取器，得到特征向量P_τ(x_i)，其中τ＝{1,2}表示两个子网络；所述特征向量P_τ(x_i)经过两个子网络模块的分类器，得到分类预测结果

4.根据权利要求3所述的基于无监督迁移图片分类的结肠病变智能识别方法，其特征在于，所述难度量化模块采用量化公式得到训练样本x_i的难度系数λ(x_i)，具体如下式：

其中，为两个子网络模块的第i个分类预测结果。

5.根据权利要求4所述的基于无监督迁移图片分类的结肠病变智能识别方法，其特征在于，所述领域对齐模块采用重加权法对齐损失，得到领域对齐损失，具体如下式：

其中，d_τ(·)为领域对齐模块对样本来自源领域或目标领域的概率预测，S为源领域数据集，T为目标领域数据集，n_s为源领域样本数量，n_t为目标领域样本数量。

6.根据权利要求5所述的基于无监督迁移图片分类的结肠病变智能识别方法，其特征在于，所述采用建模人工标注错误概率法对预测结果进行处理具体为：当训练阶段模型预测正确而标注错误时，转化预测结果与标注一致，而预测阶段则使用未转化的预测结果，其中，人工标注错误概率法的模型如下式：

其中，{w_km,b_km}为建模的参数，f为模型对样本的预测结果；

所述分类损失具体如下式：

其中，为人工标注错误概率法的模型，γ为控制样本权重的一个超参数。

7.根据权利要求6所述的基于无监督迁移图片分类的结肠病变智能识别方法，其特征在于，所述多样性损失，具体如下式：

其中，D_KL为KL散度。