[发明专利]一种基于类激活映射的医学图像弱监督分割方法

权利要求书

1.一种基于类激活映射的医学图像弱监督分割方法，其特征在于：包括下述步骤，

步骤一，采集组织病理图像；

步骤二，对步骤一获取的组织病理图像进行缩放、调整和增强操作；

步骤三，使用中间层的特征图对步骤二处理的组织病理图像进行激活，并输出类激活映射；

步骤四，使用一致性损失对步骤三输出的类激活映射进行正则处理，完成病理图像的弱监督分割。

2.根据权利要求1所述的一种基于类激活映射的医学图像弱监督分割方法，其特征在于：步骤二的实现过程如下，

为便于训练，先将组织病理图像压缩成416×416像素，确保具有大小统一的尺寸；其次，将图像的亮度、对比度、饱和度和色调分别统一为0.5、0.5、0.5和0.05；对样本进行翻转和镜像数据增强操作。

3.根据权利要求1所述的一种基于类激活映射的医学图像弱监督分割方法，其特征在于，步骤三的实现过程如下：

定义获取的训练样本{{X₁，Y₁}，...，{X_i，Y_i}，...，{X_n，Y_n}}，其中n表示数据集总数，X_i表示第i个病理图像，大小为416×416，Y_i∈{0，1}为该病理图像对应的图像级标签；

将图像X作为输入，使用残差网络作为主干网络；定义M¹，M²，M³和M⁴为该主干网络后4个残差模块的特征图，其通道数目分别为64，128，256和512；

将M¹，M²，M³降采样到与M⁴同一尺寸后拼接成一个新的特征图M^d＝[down₈(M¹)，down₄(M²)，down₂(M³)]；down₂(*)表示将数据降采样2倍；定义为M^d第k通道上坐标为(x，y)的激活值；对特征图M^d进行最大池化，得到单通道的特征图

定义为坐标为(x，y)的激活值，使用对特征图M⁴进行掩码，从而约束分割边界，即

f_a＝ReLu(f_t-α)*f_t

其中α为阈值，是人工设定的超参；ReLu(*)为修正线性激活函数；f_a为激活值；为将M⁴激活后的结果；

定义为第k通道上的坐标为(x，y)的激活值，则第k通道全局平均池化的结果为以此得到病理图像X属于类别c的概率值p_c；

c∈{0，1}表示类别，表示F_k对于类别c的权重；p_c表示病理图像X属于类别c的概率值；这里对p_c使用交叉熵损失函数完成数据集的分类，并在梯度回传时更新模型参数：

其中，n表示样本的总个数，表示病理图像Xⁱ属于类别c的概率值，Lce₁为样本的总交叉熵损失值；

定义CAM_c为类别c的类激活映射图，则

CAM_c直接表示(x，y)的激活值对图像分类为c的重要性；其中c＝1表示为病变，k为通道数；将CAM_c＝1与原图X的相同位置点乘，只获取原病理图像X的病变区域，定义为X^pos，即

X^pos＝X*CAM_c＝1

同样获取X^pos属于类别c的概率值q_c，以及新的类激活映射图对q_c使用交叉熵损失函数完成数据集的分类，并在梯度回传时更新模型参数：

其中，n表示样本的总个数，表示病理图像Xⁱ属于类别c的概率值，Lce₂为样本的总交叉熵损失值；

最终的分类损失为两个交叉熵损失值得和：

Lce＝Lce₁+Lce₂。

4.根据权利要求1所述的一种基于类激活映射的医学图像弱监督分割方法，其特征在于，步骤四的实现过程如下：

将原病理图像X进行镜像、旋转、局部擦除等操作，得到X^t，即：

X^t＝transform(X)

其中transform(*)为镜像、旋转、局部擦除操作函数；使用步骤三同样方法，获取X^t的类激活映射图与此同时，步骤三已经获得原病理图像X的病变区域X^pos的类激活映射图则构建一致性损失对模型参数进行正则处理：

步骤三已构建分类损失Lce：

Lce＝Lce₁+Lce₂

结合步骤三和步骤四，最终的模型损失函数为：

Loss＝Lce+Lre

模型训练完成后，输出的原病理图像X的类激活映射图CAM_c作为X的伪标签，进一步训练分割模型，完成病理图像的弱监督分割任务。