基于计算机视觉的病理图像识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113689376A(43)申请公布日2021.11.23(21)申请号202110615295.3(22)申请日2021.06.02(71)申请人北京信息职业技术学院地址100015北京市朝阳区芳园西路5号(72)发明人王艳霞(74)专利代理机构北京维知知识产权代理事务所(特殊普通合伙)11503代理人佛新瑜(51)Int.Cl.G06T7/00(2017.01)G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书6页附图4页(54)发明名称基于计算机视觉的病理图像识别方法(57)摘要本公开揭示了一种基于计算机视觉的病理图像识别方法，该方法包括：获取数字病理切片样本，构造训练集；构建卷积神经网络，并以所述训练集对所述卷积神经网络进行训练；从训练后的卷积神经网络的所述第一卷积层和所述第二卷积层中至少提取一个卷积层；确定所述卷积核矩阵中每个卷积核的权重，将所述卷积过滤器中每个卷积过滤器中的每个卷积核的权重求和以确定每个卷积过滤器的深度；将每个卷积过滤器的深度与一阈值比较，移除低于阈值的卷积过滤器；依据被移除的卷积过滤器，对所述卷积神经网络进行剪枝；对经过剪枝的卷积神经网络进行重新训练。该方法基于卷积神经网络，且相对于目前常规的病理切片识别算法来说可以较大程度提高识别效率。CN113689376ACN113689376A权利要求书1/2页1.基于计算机视觉的病理图像识别方法，该方法包括：获取数字病理切片样本，构造训练集；构建卷积神经网络，并以所述训练集对所述卷积神经网络进行训练；该卷积神经网络至少包括第一卷积神经网络、第二卷积神经网络和全连接层；且所述第一卷积神经网络至少包括第一卷积层，所述第二卷积神经网络至少包括第二卷积层；从训练后的卷积神经网络的所述第一卷积层和所述第二卷积层中至少提取一个卷积层，每个所述卷积层至少包括一卷积核矩阵，且在所述卷积核矩阵的输出通道中形成至少一卷积过滤器，该卷积过滤器表征肿瘤部位和/或恶化程度；确定所述卷积核矩阵中每个卷积核的权重，将所述卷积过滤器中每个卷积过滤器中的每个卷积核的权重求和以确定每个卷积过滤器的深度；将每个卷积过滤器的深度与一阈值比较，移除低于阈值的卷积过滤器；依据被移除的卷积过滤器，对所述卷积神经网络进行剪枝；对经过剪枝的卷积神经网络进行重新训练，并通过剪枝后的卷积神经网络对数字病理切片进行识别。2.如权利要求1所述的方法，所述第一卷积神经网络还包括第一池化层，所述第二卷积神经网络还包括第二池化层。3.如权利要求1所述的方法，对所述卷积神经网络进行训练，包括：将所述训练集分为第一样本集和第二样本集，所述第一样本集或第二样本集的样本数量之比介于7:1‑7:3，并将所述第二样本集由病理医生进行人工标定；通过所述第一样本集和所述第二样本集对所述卷积神经网络进行有监督的学习。4.如权利要求1所述的方法，所述第一卷积层的所述卷积核矩阵的输出通道中形成的所述卷积过滤器表征肿瘤部位；所述第二卷积层的所述卷积核矩阵的输出通道中形成的所述卷积过滤器表征恶化程度。5.如权利要求1所述的方法，对所述卷积神经网络进行剪枝，包括：针对所述第一卷积神经网络进行权重稀疏；针对所述第二卷积神经网络进行神经元稀疏。6.如权利要求5所述的方法，针对所述第一卷积神经网络进行权重稀疏，包括：针对第一卷积层的所述卷积核矩阵生成权重矩阵；从所述权重矩阵中移除卷积过滤器的深度低于阈值的卷积核，生成剪枝后的权重矩阵；依据剪枝后的权重矩阵，重新生成第一卷积神经网络。7.如权利要求5所述的方法，针对所述第二卷积神经网络进行神经元稀疏，包括依据第一相关系数rik对第二卷积神经网络的神经元进行消除，其中第一相关系数rik通过如下方式确定：其中，aim是第二卷积神经网络的第二卷积层的第i个特征图(featuremap)中的第m神2CN113689376A权利要求书2/2页经元，该特征图中共有M个神经元；k为第二卷积层的卷积过滤器大小；bmk第m个神经元的权重系数；μ和σ训练集上计算得到的均值与方差。8.如权利要求5所述的方法，对所述卷积神经网络进行剪枝，还包括对全连接层进行剪枝。9.如权利要求8所述的方法，对全连接层进行剪枝，包括依据第二相关系数Rik对全连接层进行剪枝，其中第二相关系数Rik通过如下方式确定：其中，ai是全连接层的一个神经元，k为第二卷积层的神经元的个数，μ和σ训练集上计算得到的均值与方差。10.如权利要求1所述的方法，通过剪枝后的卷积神经网络对数字病理切片进行识别，包括：将数字病理切片测试集输入剪枝后的卷积神经网络；将剪枝后的卷积神经网络的输出作为循环神经网络的输入；将循环神