[发明专利]一种用于肿瘤病理辅助诊断的多视图表示学习方法

权利要求书

1.一种用于肿瘤病理辅助诊断的多视图表示学习方法，其特征在于采用深度高斯过程对病理图像的多视图特征信息进行表示建模，使用无监督训练得到多视图深度高斯病理诊断模型，由此获得肿瘤病理图像的诊断能力，该多视图表示学习方法方法具体包括如下步骤：

步骤一：建立肿瘤病理图像的数据集

使用数字切片扫描仪扫描病理载玻片得到的病理全切片数字图像，建立肿瘤病理图像的数据集；

步骤二：提取病理图像不同视图的特征信息

提取病理图像的纹理、灰度和形状特征作为不同视图特征进行多视图学习；

步骤三：确定用以病理诊断的模型

对提取的病理图像不同视图特征采用高斯过程的深度扩展，将病理图像的不同视图特征转化为同一空间的嵌入表示，根据不同视图数据的多样性和差异性构建不同深度的网络结构，为多视图深度高斯病理诊断模型；

步骤四：确定多视图深度高斯病理诊断模型的优化目标

使用变分推理的方法近似求解模型，将后验推断转化为优化问题进行求解，实现病理诊断模型优化目标的具体步骤如下：

4-1：根据下述(1)式建立潜在变量和观测变量的联合概率分布：

其中，为潜在变量的集合；H_v为视图v的特征建模深度；H为公共特征的建模深度；X^v为视图v的数据；V为视图的数量；

4-2：根据下述(2)式建立潜在变量的后验分布：

步骤五：训练多视图深度高斯病理诊断模型

采用梯度下降算法优化多视图深度高斯病理诊断模型的目标函数，具体训练包括如下步骤：

步骤a1：随机初始化模型参数；

步骤a2：设置网络的层数H，H_v等超参数，潜空间的维度Q_H、batch size和最大迭代次数；

步骤a3：使用梯度下降算法更新模型的参数；

步骤a4：当训练达到最大迭代次数后，终止模型的训练，得到病理图像的多视图表示；

步骤六：模型的医学病理诊断

将表示向量输入支持向量机分类器中进行医学病理的辅助诊断，具体包括如下步骤：

步骤b1：将完毕训练的模型根节点的表示向量为学习到的多视图表示；

步骤b2：将学习到的多视图表示输入预训练的支持向量机分类器进行病理辅助诊断；

步骤b3：通过分类器的输出结果，完成病理诊断。

2.根据权利要求1所述的用于肿瘤病理辅助诊断的多视图表示学习方法，其特征在于所述步骤三中的多视图深度高斯病理诊断模型具有如下结构：

1)病理图像经图像处理技术提取纹理特征和灰度特征的不同图像特征；

2)以不同图像特征作为不同的视图，采用多视图深度高斯过程提取不同视图的公共表示特征；

3)将公共表示特征输入支持向量机中实现病理诊断；

所述不同视图特征的建模以及不同视图的公共特征的建模采用下述(3)～(6)式描述为：

X^v,h-1＝f^v,h(X^v,h)+ε^v,h,ε^v,h～N(0,(σ^v,h)²I),h＝2,…,H_v,v∈{1,…,V}, (5)；

X^v＝f^v,1(X^v,1)+ε^v,1,ε^v,1～N(0,(σ^v,1)²I),v∈{1,…,V}, (6)；

式中：为共享潜在变量；为含有不同层结构的深度高斯过程在不同视图上的输出；X^v,h-1为每个视图独有的潜在变量；X^v为原始视图数据的模型输入；为包含所有视图输入数据的公共特征表示的模型输出；f为均值函数为0、协方差函数为k的高斯过程，使用下述(7)式的自动相关判别平方指数核作为协方差核函数：

式中：α_q为超参数；Q为输入x的特征维度。