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！

申请/专利权人：哈尔滨工业大学

摘要：本发明公开了一种基于自我激励多示例学习的病理图像分类方法，所述方法通过探索实例之间的潜在关系，以及特征表达与标签预测之间的互惠关系促进更好和更可靠的决策。本发明通过引入伪包预测所提供的标签相关类别先验，捕获并聚合肿瘤特征表达，以实现高准确率的病理图像标签预测。反过来，基于预测结果优化网络，进一步提升特征表达，以改善伪包标签预测，形成了自我激励的学习。本发明引入多级特征融合策略去探索当前实例和全局历史实例知识，同时构造时间对比模块提高特征表达的鲁棒性缓解表征偏差和过拟合问题。此外，引入自我激励的特征融合模块利用伪包预测和特征表达的相互细化机制，增强了病理图像分类的准确性和可靠性。

主权项：1.一种基于自我激励多示例学习的病理图像分类方法，其特征在于所述方法包括如下步骤：步骤一、给定一个病理图像全切片数据集其中包含N个WSIXi及其对应的标签Yi，在基于多示例学习的WSI分类任务中，Xi视为第i个“包”，包含Bi个采样实例其中H和W表示一个实例的高度和宽度，b∈[1,Bi]，除了“包”标签Yi∈{0,1,…,C}之外，所有实例对应标签未知，其中C表示数据集X中疾病类型数量；步骤二、以病理WSI图像Xi作为实例采样策略的输入，无重叠遍历裁剪WSI的非背景组织区域为大量的图像块，称作为实例并且使用预训练后的深度神经网络作为编码器，将实例嵌入为特征向量在t时刻，采样的实例对应的特征向量集合M表示采样伪包中包含M个实例特征向量，T表示输入图像Xi动态交互采样M大小的伪包执行次数；步骤三、引入多层注意力选择融合模块，所述多层注意力选择融合模块包含基于Transformer模块和基于注意力的特征融合模块，以和一个随机初始化的Token作为输入，利用Transformer模块融合伪包实例特征向量进入基于注意力的特征融合模块实现跨伪包交叉聚合当前Token和历史Token之间的信息获得Token表示步骤四、被传递到一个多层感知机搭建的伪包水平决策模块以推断伪包标签概率步骤五、利用线性层和归一化层设计一个时间对比模块，探索所有历史之间稳定和有效的信息，以增强模型特征表达的泛化性和鲁棒性；步骤六、引入自适应增强特征模块，利用伪包标签预测作为类别相关的先验指导模型捕获最具信息量的Token表征，计算自适应权重，从中选择和聚合疾病依赖信息，生成更具判别性的增强特征步骤七、基于自适应增强特征模块输出的Token，使用一个类标记结合Transformer模块中的多头注意力机制融合采样伪包和增强特征进入一个全局水平的包特征表达自适应增强特征模块和Transformer模块构成自我激励融合特征模块；步骤八、自我激励融合特征模块输出的全局水平的包特征表达被传递进入一个多层感知机搭建的包决策模块推断包Xi的标签概率

全文数据：

权利要求：

百度查询： 哈尔滨工业大学 一种基于自我激励多示例学习的病理图像分类方法