[发明专利]一种宫颈癌病理图像的半监督目标检测模型构建方法及系统

说明书

本发明涉及一种宫颈癌病理图像的半监督目标检测模型构建方法及系统，采用全新逻辑设计，以包含标注数据的各幅宫颈癌病理样本图像与未包含标注数据的各幅宫颈癌病理样本图像，构建样本数据；针对相同基准检测器的student模型与teacher模型，通过彼此之间相互促进下的模型训练，获得满足预设溢出条件的teacher模型，即构成宫颈癌病理图像检测模型；并进一步基于宫颈癌病理图像检测模型对宫颈癌病理图像的检测，设计反事实可解释，准确分析宫颈癌病理图像中的重要解释区域，如此不仅能针对宫颈癌病理图像给出高效分析，同时产生相应解释，为医生决策提供了参考价值。

技术领域

本发明涉及一种宫颈癌病理图像的半监督目标检测模型构建方法及系统，属于目标检测识别技术领域。

背景技术

随着医学成像技术的进步，特别是医学成像系统性能的不断升级和数据存储能力的增强，宫颈癌病理图像数据呈爆发式增长。相比于小样本数据，大量的病理图像能够挖掘出更多的潜在信息和规律。由于宫颈癌病理诊断需要对细胞层面医学影像进行观察诊断，一个样本往往制成多个切片，制片、染色、诊断、报告等各个环节耗时较长，具有自动化程度低、诊断时间长的特点。

近年来，深度学习方法被广泛应用于宫颈癌辅助筛查，从而缓解病理医生的诊断压力。例如，利用深度神经网络对宫颈癌病理图像进行分类、分割、目标检测等辅助医疗诊断。通常训练这些深度神经网络都依赖于大量的已标注实例，然而由于对劳动力和专业知识的高要求，要获得宫颈癌病理图像的大规模标注非常困难。

发明内容

本发明所要解决的技术问题是提供一种宫颈癌病理图像的半监督目标检测模型构建方法，采用全新逻辑设计，应用模型间相互促进的训练方式，能够准确获得宫颈癌病理图像检测模型，高效实现对宫颈癌病理图像的分析检测。

本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种宫颈癌病理图像的半监督目标检测模型构建方法，按如下步骤A至步骤G执行，获得宫颈癌病理图像检测模型；

步骤A.获得预设数量分别包含标注数据的各幅宫颈癌病理样本图像、以及预设数量未包含标注数据的各幅宫颈癌病理样本图像，其中，标注数据包括宫颈癌病理样本图像上所标记的异常细胞区域框的位置、以及其所对应预设分类划分下的类别、置信度，然后进入步骤B；

步骤B.基于包含标注数据的各幅宫颈癌病理样本图像，以为宫颈癌病理样本图像输入，宫颈癌病理样本图像上标注数据为输出，结合损失函数detectionloss，针对预设student模型进行训练，获得训练后student模型，然后进入步骤C；

步骤C.基于训练后student模型中各参数的值，应用指数移动平均EMA方式，针对与student模型采用相同基准检测器的teacher模型中各参数进行更新，进而更新该teacher模型，然后进入步骤D；

步骤D.针对未包含标注数据的各幅宫颈癌病理样本图像，应用训练后student模型进行处理，获得该各幅宫颈癌病理样本图像上的标注数据，构成训练后student模型所对应预设结果，然后进入步骤E；

步骤E.针对未包含标注数据的各幅宫颈癌病理样本图像，应用teacher模型进行处理，获得该各幅宫颈癌病理样本图像上的标注数据，并滤除其中置信度低于预设置信度阈值的各异常细胞区域框，以剩余各异常细胞区域框的类别、置信度构成teacher模型所对应预设结果，然后进入步骤F；

步骤F.计算获得训练后student模型所对应预设结果与teacher模型所对应预设结果之间的损失函数detectionloss结果，判断该损失函数detectionloss结果是否满足预设溢出条件，是则由teacher模型构成宫颈癌病理图像检测模型；否则进入步骤G；

步骤G.应用指数移动平均EMA方式，针对teacher模型中各参数进一步更新，进而更新该teacher模型，然后返回步骤E。