申请/专利权人：华南理工大学

申请日：2022-04-13

公开（公告）日：2024-06-21

公开（公告）号：CN114862763B

主分类号：G06T7/00

分类号：G06T7/00;G06N3/0464;G06N3/0455;G06N3/08;G06V10/764;G06V10/26;G06V10/82

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2022.08.23#实质审查的生效;2022.08.05#公开

摘要：本发明公开了一种基于EfficientNet的胃癌病理切片图像分割预测方法，包括下述步骤：基于贝叶斯概率方法加强CNN模型提取特征能力，采取重参化完成训练参数的重构，使用蒙特卡洛采样完成梯度求解，获得CNN模型的不确定性；基于EfficientNet搭建UNet++的编码器，把EfficientNet网络输出的特征映射作为输入，放入卷积层并加入激活函数Relu和Sigmoid；利用最大池化层去除冗余的信息，通过长跳跃连接的方式实现UNet++的解码器搭建；基于重复学习策略训练UNet++神经网络，基于区域重叠预测算法将预测结果进行整合与优化。本发明可以对胃癌全视野病理切片图像实现精准分割。

主权项：1.一种基于EfficientNet的胃癌病理切片图像分割预测方法，其特征在于，包括下述步骤：基于贝叶斯概率方法加强CNN模型提取特征能力，采取重参化完成训练参数的重构，使用蒙特卡洛采样完成梯度求解，获得CNN模型的不确定性；基于EfficientNet搭建UNet++的编码器，把EfficientNet网络输出的特征映射作为输入，放入卷积层并加入激活函数Relu和Sigmoid；所述基于EfficientNet搭建UNet++的编码器，具体步骤包括：在输入层将图像输入模型，把EfficientNet网络输出的特征映射作为输入，然后将其放入到含有三个1×1的卷积层中并且加入激活函数Relu和Sigmoid，将其输入转换成非线性特征；通过长跳跃连接的方式实现UNet++的解码器搭建，具体步骤包括：搭建每次级联两层深度可分离卷积层、批归一化层和PRelu激活函数的解码器模块；使用全连接层在CNN的尾部进行重新拟合，并使用Sigmoid分类器进行分类识别；利用搭建的解码器，将UNet++编码器和已搭建解码器的特征图调整到相同的分辨率完成拼接；利用最大池化层去除冗余的信息，通过长跳跃连接的方式实现UNet++的解码器搭建；基于重复学习策略训练UNet++神经网络，所述重复学习策略在训练起始阶段筛选一批样本并获得该批样本所属的标签，利用得到的新信息进行重复训练并获取信息量多的样本；基于区域重叠预测算法将预测结果进行整合与优化，具体步骤包括：将待预测的图片按顺序以设定步长切割为多个统一尺寸固定的图块，用训练好的基于图块的全卷积神经网络进行预测，随即将预测生成图块的概率热度图进行叠加，在叠加过程中，每个图块中位于原图同一位置的像素点之间互相叠加，获得与WSI同尺寸的概率热图，最后的语义分割结果通过设定概率阈值得到。

全文数据：

权利要求：

百度查询： 华南理工大学 一种基于EfficientNet的胃癌病理切片图像分割预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD