[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

说明书

本发明公开了一种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，通过构建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的模型对结肠病变的智能识别，无需带标注的结肠显微图像样本，且对错误标注的鲁棒性高，克服了现有的结肠病变智能识别技术中，非常依赖难以取得的结肠显微图像的数量和标注的质量，使得成本非常高的缺陷。同时，本发明提出的结肠病变智能识别方法基于无监督迁移学习，成本低，鲁棒性强，灵活性高。

技术领域

本发明属于无监督迁移学习、智能医疗图片分类的技术领域，具体涉及一种基于无监督 迁移图片分类的结肠病变智能识别方法、系统及介质。

背景技术

近年来，人工智能及相关产业正迅速发展壮大，成为学术界、工业界关注的焦点。在结 肠病变智能识别领域，结肠显微图像样本不容易获得，而且标注这些样本难度非常大，需要 专业和资深的医生人工标注，且不可避免地存在标注错误。现有的方法非常依赖高质量的带 标注的结肠显微图像样本，导致成本巨大且难以应用到现实医疗领域。因此，如何减小对带 标注的结肠显微图像的依赖是结肠病变智能识别亟待解决的难题。

发明内容

本发明的主要目的在于克服现有技术存在的不足，提供一种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。

为了达到上述目的，本发明采用以下技术方案：

本发明提供了一种基于无监督迁移图片分类的结肠病变智能识别方法，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。

作为一种优选的技术方案，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。

作为一种优选的技术方案，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

作为一种优选的技术方案，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。

作为一种优选的技术方案，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：