买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国科学技术大学申请的专利联合全局正则化与局部对抗学习的病理图像细胞核检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116309310B 。

龙图腾网通过国家知识产权局官网在2025-12-02发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310052538.6，技术领域涉及：G06T7/00；该发明授权联合全局正则化与局部对抗学习的病理图像细胞核检测方法是由李骜;苏蕾;王明会设计研发完成，并于2023-02-02向国家知识产权局提交的专利申请。

本联合全局正则化与局部对抗学习的病理图像细胞核检测方法在说明书摘要公布了：本发明公开了一种联合全局正则化与局部对抗学习的病理图像细胞核检测方法，包括：1获取细胞核检测数据并进行预处理；2构建细胞核检测网络及局部病理图像的鉴别器网络构成的检测模型；3联合有监督细胞核检测和局部对抗学习对有标签病理图像样本进行监督性学习；4联合全局一致性正则化和局部对抗学习对无标签病理图像进行无监督性学习；5构造总体损失函数，并使用交替迭代优化的方式对检测模型进行半监督训练，从而得到训练后的细胞核检测模型。本发明能在充分利用病理图像层面细胞核上下文信息的同时，增强细胞核检测结果的局部高阶一致性，从而能提升半监督细胞核检测的准确性。

本发明授权联合全局正则化与局部对抗学习的病理图像细胞核检测方法在权利要求书中公布了：1.一种联合全局正则化与局部对抗学习的病理图像细胞核检测方法，其特征在于，包括如下步骤： 步骤1、获取细胞核检测数据并进行预处理； 获取若干个病理图像并进行归一化及数据增广处理，从而得到样本集；将所述样本集中的病理图像样本随机划分为标签样本集和无标签样本集其中，表示第n个有标签的病理图像样本，Gn表示图像所对应的真实细胞核位置分布图，表示第m个无标签的病理图像样本，n＝1,2,…,N，m＝1,2,…,M；N表示有标签样本数量，M表示无标签样本数量； 将所述病理图像样本中的任意一个细胞核的位置坐标记为其中，表示第i个细胞核在中的横坐标，表示第i个细胞核在中的横坐标，Kn表示病理图像样本中细胞核的总数； 步骤2、构建细胞核检测网络及局部病理图像的鉴别器网络构成的细胞核检测模型； 步骤2.1、构建由编码器和解码器所组成的细胞核检测网络； 所述编码器包含C1个卷积层和Q个残差编码模块，所述解码器包含C2个反卷积层；每个残差编码模块由W个残差块级联构成，每个残差块由C3个卷积层及其跳跃链接构成； 设置所有卷积层的步长为c、反卷积层的步长设为2c；设置前C1-1个卷积层与C2个反卷积层的激活函数为Relu函数；第C1个卷积层的激活函数为Softmax函数； 步骤2.2、构建局部病理图像的鉴别器网络； 所述鉴别器网络包含C4个卷积层、R个最大池化层和F个全连接层，所有卷积层的步长设置为c；所有卷积层与前F-1个全连接层的激活函数均采用Relu函数；第F个全连接层的激活函数采用Softmax函数； 步骤3、联合有监督细胞核检测和局部对抗学习对有标签病理图像样本进行监督性学习； 步骤3.1、将所述第n个有标签的病理图像样本输入细胞核检测网络中，先经过个卷积层的处理再依次经过Q个残差编码模块的处理后，输入剩余个卷积层中进行处理，其中，第2个残差编码模块输出的特征图经过一个卷积处理后与第C1个卷积层输出的特征图按维度进行拼接，从而输出最终的编码特征图 所述编码特征图再经过解码器中的C2个反卷积层的处理后，输出Inl对应的细胞核位置概率图 步骤3.2、利用式1建立检测损失函数Ldet，用于对细胞核检测网络进行监督性学习； 式1中，lbce·表示二值交叉熵损失函数； 步骤3.3、从所述有标签病理图像细胞核位置概率图以及真实细胞核位置分布图Gn中提取用于进行对抗训练的病理局部图像； 按照第i个细胞核的局部区域位置坐标分别从Gn中相应提取局部病理图像块局部位置概率图局部细胞核位置分布图其中，h和w分为局部区域的高度和宽度； 定义标签当时，表示由局部位置概率图及局部病理图像块拼接得到病理局部图像；当时，表示由局部细胞核位置分布图及局部病理图像块拼接得到病理局部图像； 步骤3.5、将所述局部病理图像块及局部位置概率图输入鉴别器网络中，先经过前三个卷积层的处理，再依次经过R个最大池化层的处理后，依次输入剩余C4-3个卷积层和F个全连接层中进行处理，从而由第F个全连接层输出细胞核局部预测概率 将所述局部病理图像块及局部细胞核位置分布图输入鉴别器网络中进行处理，从而由第F个全连接层输出真实细胞核局部预测概率 步骤3.6、利用式2建立有标签病理图像鉴别损失Lsl_D，用于对鉴别器网络进行对抗学习； 步骤3.7、利用式3建立有标签病理图像生成损失Lsl_G，用于对细胞核检测网络进行对抗学习； 步骤3.8、利用式4建立有标签病理图像的局部对抗损失Lsl_adv： Lsl_adv＝Lsl_D+Lsl_G4 步骤4、联合全局一致性正则化和局部对抗学习对无标签病理图像进行无监督性学习； 步骤4.1、将第m个无标签的病理图像样本进行翻转操作，产生对应的扰动图像将和分别输入细胞核检测网络中进行相应处理后，得到对应的细胞核位置概率图和对应的细胞核位置概率图 步骤4.2、利用式5建立全局正则化损失LG_cons，用于对检细胞核测网络进行无监督性学习； 式5中，lmse·表示均方误差损失函数；表示对细胞核位置概率图进行翻转操作； 步骤4.2、从所述无标签病理图像扰动图像细胞核位置概率图以及扰动图像生成的细胞核位置概率图中提取用于进行对抗训练的病理局部图像； 对所述细胞核位置概率图进行非极大值抑制操作，获得第m张无标签的病理图像样本图像及其扰动图像的细胞核伪位置坐标其中，表示第j个细胞核在图像中的横坐标，表示第j个细胞核在图像中的横坐标，Km表示图像中细胞核的总数； 按照第j个细胞核的局部区域位置坐标分别从以及中提取出相应的局部病理图像块和局部位置概率图和 定义标签当时，表示由局部位置概率图及扰动图像的局部病理图像块拼接得到病理局部图像；当时，表示由局部位置概率图及局部病理图像块拼接得到病理局部图像； 步骤4.3、将所述局部病理图像块和输入鉴别器网络中进行处理，从而由第F个全连接层输出原始图像细胞核局部预测概率 将局部位置概率图和输入鉴别器网络中进行相应处理，从而由第F个全连接层输出增广图像细胞核局部预测概率 步骤4.4、利用式6建立无标签病理图像鉴别损失Lul_D，用于对鉴别器网络进行对抗学习； 步骤4.5、利用式7建立无标签病理图像生成损失Lul_G，用于对细胞核检测网络进行对抗学习； 步骤4.6、利用式8建立最终无标签病理图像的局部对抗损失Lul_adv： Lul_adv＝Lul_D+Lul_G8 步骤5、构造总体损失函数，并使用交替迭代优化的方式对所述细胞核检测模型进行半监督训练，从而得到训练后的细胞核检测模型，用于对病理图像数据进行细胞核检测，从而得到相应的检测结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国科学技术大学，其通讯地址为：230026 安徽省合肥市包河区金寨路96号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。