[发明专利]一种基于自监督元学习的多染色肾脏病理图像分割方法

权利要求书

1.一种基于自监督元学习的多染色肾脏病理图像分割方法，其特征在于，包括以下步骤：

S1、获取肾脏病理切片的全视野病理照片，同时每种染色随机挑选2～5张数字病理切片，对其中的肾小球、硬化肾小球、肾小管、血管的形状进行像素级的人工标注，得到不同染色下的标注样本；

S2、获取无标注样本，训练自监督预训练模型；

S3、以训练完成的自监督预训练模型为一级模型，以U-Net结构作为骨干网络构建二级模型；随机挑选其中一种染色下标注样本，将其随机分为元训练集和元测试集，将一级模型的权重赋予二级模型，通过元训练集对二级模型进行训练并反向传播更新二级模型的权重参数，通过对应染色下的元测试集对二级模型进行测试并根据测试结果利用反向传播规则更新一级模型的权重参数；再次随机选取一种染色下的数据，将其随机分为元训练集和元测试集后，重复上述训练和测试过程，直至一级模型的损失收敛，将得到的一级模型作为元学习分割模型；

S4、通过元学习分割模型对待测病理切片进行分割，得到最终分割结果。

2.根据权利要求1所述的一种基于自监督元学习的多染色肾脏病理图像分割方法，其特征在于，所述步骤S2中，自监督预训练模型的训练方法为：

S201、将无标注样本像剪裁为固定尺寸的若干个子图；

S202、随机挑选2张染色相同的子图，将其中一张子图作为支持图片，另外一张子图作为查询图片；利用卷积神经网络对挑选两张图片的提取特征，计算对比损失；

S203、根据计算得到的对比损失更新自监督预训练模型的参数；

S204、重复S202～S203，直至对比收敛，完成自监督预训练模型的训练。

3.根据权利要求2所述的一种基于自监督元学习的多染色肾脏病理图像分割方法，其特征在于，所述S201中，将无标注的病理图像剪裁为固定尺寸256*256大小的若干个子图。

4.根据权利要求2所述的一种基于自监督元学习的多染色肾脏病理图像分割方法，其特征在于，所述S202中，对比损失的计算公式为：

其中τ是一个可设定的温度超参数，v_i是支持图片的特征向量，是与支持图片来自于同一染色的查询图片的特征，是与支持图片来自于不同染色的子图的特征，N_k表示与支持图片不同染色的子图的集合。

5.根据权利要求1所述的一种基于自监督元学习的多染色肾脏病理图像分割方法，其特征在于，所述自监督预训练模型的网络结构为ResNet-50网络。

6.根据权利要求1所述的一种基于自监督元学习的多染色肾脏病理图像分割方法，其特征在于，所述步骤S3中，元学习分割模型的训练方法为：

S301、将标注样本切割为多张确定大小的子图；将自监督预训练模型作为一级模型，以Unet结构作为骨干网络搭建二级模型；

S302、随机挑选来自于其中一种染色的多张子图，将其分为元训练集和元测试集；

S303、将一级模型的权重赋予二级模型，通过元训练集数据对二级模型进行模型训练；

S304、训练一次后通过元测试集中数据对二级模型进行测试，并根据测试结果利用反向传播规则更新一级模型的权重参数；

S305、返回步骤S302继续随机选取一种染色数据，重复S302～S305，直至一级模型的损失收敛，完成元学习分割模型的训练。

7.根据权利要求1所述的一种基于自监督元学习的多染色肾脏病理图像分割方法，其特征在于，所述步骤S302中，随机挑选其中一种染色的8张子图，其中6张作为元训练集，2张作为元测试集。

8.根据权利要求1所述的一种基于自监督元学习的多染色肾脏病理图像分割方法，其特征在于，所述步骤S301中，将标注样本剪裁为固定尺寸256*256大小的若干个子图；

所述步骤S2中，将步骤S1中剩余的未标注样本作为无标注样本。

9.根据权利要求1所述的一种基于自监督元学习的多染色肾脏病理图像分割方法，其特征在于，所述步骤S301中，以基于ResNet-50的U-Net结构作为骨干网络构建二级模型。