一种基于多实例学习的肠上皮化生区域图像分割系统

本公开涉及医学图像分析，具体涉及一种基于多实例学习的肠上皮化生区域图像分割系统。

背景技术：

1、

2、近年来，利用有监督学习进行医疗图像的自动识别应用越来越广泛，但是在该领域中无法忽视的问题是专业医疗图像的精细标注的获取成本非常巨大。同时因为胃部病理图像中病灶区域复杂多变，且存在着噪声干扰，使得高精度的图像分割成为一项具有挑战性的任务。此外，目前有像素级标签的图像数据集中病理图像数量较少且病理图像的尺寸都比较大，受计算资源的限制，模型往往不能充分利用图像特征和多尺度信息。

技术实现思路

1、本公开为了解决上述问题，提出了一种基于多实例学习的肠上皮化生区域图像分割系统，基于多实例学习，充分利用图像特征和多尺度信息，使用图像级标签分割出数字病理图像的目标区域，提高了图像分割的准确度。

2、根据一些实施例，本公开采用如下技术方案：

3、一种基于多实例学习的肠上皮化生区域图像分割系统，包括：

4、获取模块，用于获取胃部病理切片，并将其转为数字病理切片，并进行正常标签和异常肠化标签的图像级标注，获得标注信息及图片；

5、预处理模块，用于对标注后的数字病理切片进行归一化并将每张图像切分为网格实例；

6、输出模块，用于将数字病理切片输入至训练后的肠上皮化生区域分割模型，得到肠上皮化生区域分割结果；

7、其中，所述深度分割模型的训练方法为使用基于vit分类器的max-max（机会最大化）模型和max-min（最大最小化）模型，用实例数据集进行分类，得到全监督的实例图像级标签数据集；使用独立的vit分类器，对全监督的实例图像级标签数据集进行学习，得到可重新标记所有图像各实例的分类器，并使用该分类器对所有实例进行分类，得到可用于分割的胃黏膜肠上皮化生数据集；利用重新标记的实例数据集，使用深度分割模型进行学习，得到训练后的肠上皮化生区域分割模型。

8、与现有技术相比，本公开的有益效果为：

9、本公开可以基于图像级标签分割出数字病理切片中肠化区域，从而得到肠上皮化生的严重程度，减少人工像素级标注所消耗的人力、物力，缩短了评估的总体时间，并提高了分割的准确度；

10、本公开基于多实例学习，从而摆脱了受像素级标签的计算资源限制，可充分利用图像特这个和多尺度信息，实现端到端的肠化区域分割。

技术特征：

1.一种基于多实例学习的肠上皮化生区域图像分割系统，其特征在于，包括：获取模块，用于获取胃部病理切片，并将其转为数字病理切片，并进行正常标签和异常肠化标签的图像级标注，获得标注信息及图片；

2.如权利要求1所述的一种基于多实例学习的肠上皮化生区域图像分割系统，其特征在于，数据集的获取步骤为：获取胃部病理切片，并对非肿瘤区域的胃部病理切片进行图像及标注，包括正常标签和异常肠化标签，对标注后的胃部病理切片使用macenko染色归一化方法对实例图像数据集进行标准化，将特征值大小调整到相近的范围，得到胃黏膜肠上皮化生数据集。

3.如权利要求1所述的一种基于多实例学习的肠上皮化生区域图像分割系统，其特征在于，所述基于vit分类器的搭建步骤为基于vit网络搭建分类器，保留vit网络的patchembeeding层对输入图像进行分块操作并重新构建张量，再通过位置编码层和多头自注意力层对输入的张量进行维度变换，最终设置分类预测层对输入图像进行打分和分类。

4.如权利要求1所述的一种基于多实例学习的肠上皮化生区域图像分割系统，其特征在于，所述可用于分割的胃黏膜肠上皮化生数据集的构建方法为首先将每张图像切分成设置大小的网格实例，同一张图像所得到的若干实例成为包；构建两个基于vit分类器的max-max模型和max-min模型，使用相同的数据集对两个模型进行独立训练，通过实例得到的分数与其图像级标签计算交叉熵损失函数，以此更新分类器参数；最终训练完成后，再使用相同的数据集通过两个训练完成的模型，计算各实例的分数；将两个模型选择出的实例相结合，在标签丰富的步骤中自动生成它们的实例级标签，最终得到全监督的实例图像级标签数据集。

5.如权利要求4所述的一种基于多实例学习的肠上皮化生区域图像分割系统，其特征在于，再使用一个独立的vit分类器，利用所述全监督的实例图像级标签数据集进行训练，得到一个可分类肠化实例和正常实例的分类器；将最原始的图像分割成重新切分成网格实例，利用实例分类器对所有图像的所有实例进行重新分类，对于每一个图像，可以获得高质量的实例集标签，最终得到可用于分割的胃黏膜肠上皮化生数据集。

6.如权利要求1所述的一种基于多实例学习的肠上皮化生区域图像分割系统，其特征在于，将重新标注的含实例集标签的胃黏膜肠上皮化生数据集输入深度分割模型，训练可分割的肠上皮化生区域分割模型，训练完成后，未处理的数字病理切片不需经过标注直接输入至训练好的肠上皮化生区域分割模型，得到该数字病理切片的肠化区域分割结果。

7.如权利要求1所述的一种基于多实例学习的肠上皮化生区域图像分割系统，其特征在于，所述max-max模型是让图像的所有实例通过vit分类模型，使每一个实例得到一个分数，并对正常图像和肠化图像都是选择当前包中分数最大的实例。

8.如权利要求1所述的一种基于多实例学习的肠上皮化生区域图像分割系统，其特征在于，所述max-min模型是让图像的所有实例通过vit分类模型，使每一个实例得到一个分数，并从肠化图像中选择当前包中分数最大的实例, 从正常图像中选择当前包中分数最小的实例。

9.如权利要求4所述的一种基于多实例学习的肠上皮化生区域图像分割系统，其特征在于，标签丰富的过程为：将单张图像为m×m大小的数据集切分成若干个n×n大小的网格实例，并将每张图像的若干网格实例分别通过max-max模型和max-min模型，得到一组包含阳性实例和阴性实例的实例数据集；使用vit分类器对该实例数据集进行训练，最终得到一个可分类阳性实例和阴性实例的实例分类器。

10.如权利要求9所述的一种基于多实例学习的肠上皮化生区域图像分割系统，其特征在于，重新将m×m大小的数据集切分成n×n大小的网格实例，使用训练后的实例分类器，对阳性图像所包含的各实例进行再次分类。

技术总结
本公开提供了一种基于多实例学习的肠上皮化生区域图像分割系统，涉及医学图像分析技术领域，包括获取模块，用于获取胃部病理切片，并将其转为数字病理切片，并进行正常标签和异常肠化标签的图像级标注，获得标注信息及图片；预处理模块，用于对标注后的数字病理切片进行归一化并将每张图像切分为网格实例；输出模块，用于将数字病理切片输入至训练后的肠上皮化生区域分割模型，得到肠上皮化生区域分割结果；本公开基于多实例学习，从而摆脱了受像素级标签的计算资源限制，可充分利用图像特征和多尺度信息，实现端到端的肠化区域分割。

技术研发人员：刘治,段冠华,崔笑笑,曹艳坤
受保护的技术使用者：山东大学
技术研发日：
技术公布日：2024/1/13