[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

说明书

本发明公开了一种用于肿瘤病理辅助诊断的多视图表示学习方法，其特点是该方法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，然后在给定充足量训练集的情况下，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诊断能力，具体包括：建立肿瘤病理图像的数据集、提取病理图像不同视图的特征信息、确定用以病理诊断的模型及优化和训练等步骤。本发明与现有技术相比具有自动综合使用病理图像中的信息来避免颜色正则化后造成的信息缺失，提升病理图像诊断的准确性，提高病理诊断的效率和精度。

技术领域

本发明涉及多视图表示学习技术领域，尤其是一种基于变分推理和深度高斯过程的肿瘤病理辅助诊断的多视图表示学习方法。

背景技术

近年来，随着数字化技术的快速发展，数字病理学已经成为一种潜在的新的诊断标准，即使用数字玻片扫描仪将载玻片数字化为全玻片图像。随着扫描仪技术变得越来越可靠，全玻片图像也越来越多。病理图像诊断的出现促进了计算机辅助诊断，为病理学家提供了数字化的工作流程，病理图像诊断的结果可以用来提高病理学家的效率和准确性，最终提供更好的患者诊断。然而，在分析病理图像时，由于颜色不一致，就有可能显著影响图像分析，颜色不一致是有不同的原因造成的，例如使用不同的化学物质染色，颜色浓度的变化，或者不同供应商的扫描仪存在差异。因此，需要对颜色进行归一化来应对这些变化。然而，这又会忽略大量的图像信息，这些信息可能对于计算机自动识别病理图像是有利的。在图像处理中，可以根据图像的外观提取不同的图像特征表示，如颜色、纹理和形状等特征。不同的特征表示从不同的角度清楚的描述了图像信息，这些图像特征具有独特的识别信息和较强的鲁棒性。因此，考虑这些图像特征来避免信息的过度缺乏，综合各种图像表征提供的信息是提高病理图像识别精度的关键因素，而如何利用这些特征是一项具有挑战性的任务。

深度高斯过程是一种基于统计学习和贝叶斯理论的重要机器学习方法，该模型是高斯过程和深度学习的成功结合，不仅保留了高斯过程本身的出色特性，而且受益于深度学习的层次结构，克服了高斯过程的局限性，获得了更强大的数据映射能力。深度高斯过程是基于核方法的贝叶斯概率模型，它比深度模型更具鲁棒性和可解释性。

多视图学习是一种利用多源信息的重要技术，多源异构特性导致不同视图之间的关联复杂且难以预知，甚至领域专家在面对复杂多源信息时也难以有效利用。多视图学习的核心问题是如何利用不同视图之间的一致性和互补性，准确的发现数据的内在模式以提高数据分析的有效性。多视图表示学习旨在从不同的视图数据中学习到一个更综合性的特征表示。现有的研究结果显示了多视图表示学习对于下游任务的优势。虽然将不同的视图整合到一个更综合的表示中是重要的，但是由于不同视图背后的复杂关联性，联合探索多个视图仍然是一个挑战。

变分推理是概率模型求解中的一种常用技术，被广泛用于模型的后验密度估计。它一般通过定义一个由潜在变量上的自由参数索引的灵活分布簇，将复杂的推理问题转化为高维优化问题，然后通过求解优化问题来得到变分参数。

现有技术的病理图像分析，由于病理图像的颜色不一致，严重影响了病理图像的正确分析，大大制约了数字病理学科的发展。然而，基于变分推理和多视图学习的多视图深度高斯过程的数学模型，将其应用到病理图像诊断中尚未见有相关技术的公开报道。

发明内容

本发明的目的是针对现有技术的不足而提供一种用于肿瘤病理辅助诊断的多视图表示学习方法，采用一种与多视图学习相结合的深度高斯过程模型的方法，以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，基于变分推理和多视图学习的多视图深度高斯过程的数学模型，构建了一套病理图像多个视图信息的特征提取框架，将病理图像的多个视图的特征信息融入病理诊断模型，在给定充足量训练集的情况下，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诊断能力，不仅可以根据视图之间的差异性提取不同视图独有的特征，还可以提取视图之间的共同特征，从而满足多视图学习中的一致性和互补性原则学习到更综合的表示，最终提升病理图像诊断的准确性，能够自动综合使用病理图像中的信息来避免颜色正则化后造成的信息缺失，从而减轻病理医生的诊断负担，提高病理诊断的效率和精度。