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基于图像局部增广的病理图像半监督自动分类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：CN116563592B 。

龙图腾网通过国家知识产权局官网在2025-12-05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：202310071136.0，技术领域涉及：G06V10/764；该发明授权基于图像局部增广的病理图像半监督自动分类方法是由王明会;苏蕾;李骜设计研发完成，并于2023-02-07向国家知识产权局提交的专利申请。

本基于图像局部增广的病理图像半监督自动分类方法在说明书摘要公布了：本发明公开了一种基于图像局部增广的病理图像半监督自动分类方法，包括：1获取病理图像数据集；2利用局部增广法对无标签的病理图像进行数据增广；3构建局部表征网络和表征聚合网络并使用有标签的病理图像及交叉熵损失函数进行监督性学习；4使用无标签的病理图像及指向一致性损失函数对局部表征网络与表征聚合网络进行无监督性学习；5构造总体损失函数，使用交替迭代优化的方式进行半监督病理图像分类训练以实现病理图像的分类。本发明能在有效增加增广图像多样性的同时，利用指向预测一致性和指向局部特征一致性损失函数，促进神经网络从病理图像中学习更具表达力的特征，从而能有效提高病理图像半监督分类的准确性。

本发明授权基于图像局部增广的病理图像半监督自动分类方法在权利要求书中公布了：1.一种基于图像局部增广的病理图像半监督自动分类方法，其特征在于，包括如下步骤： 步骤1、获取L张有标签的病理图像及其对应的类别标签构成有标签数据集，令其中的第l张有标签的病理图像记为xl，且xl所对应的类别标签记为yl，l＝1,2,…,L； 获取U张无标签的病理图像构成无标签数据集，令其中的第u张无标签的病理图像记为zu，u＝1,2,…,U； 步骤2、利用局部增广法对无标签的病理图像进行数据增广； 步骤2.1、将所述第u张无标签的病理图像zu复制出R张相同的图像，其中，任意第r张图像记作 步骤2.2、定义一组包含Kt种基于几何变换的数据增广方法的集合T，并计算使用任意第t种基于几何变换的数据增广方法对图像进行局部区域增广的增广概率θt＝tKt+1，t＝1,2,…,Kt； 步骤2.3、使用一个尺寸为d×d，步幅为s的滑动窗口对所述第r张图像依次进行滑窗处理，得到所述第r张图像的若干个局部区域，选取图像中的一个局部区域记为其中，M表示滑动窗口的横向移动次数，N表示滑动窗口的纵向移动次数，且M＝W-d-ss，N＝H-d-ss，W和H分别表示病理图像的长和宽，m＝1,2,…,M，n＝1,2,…,N； 随机生成一个介于0和1之间的数αm*n，当0≤αm*n≤θ1时，不对局部区域进行增广；当θt≤αm*n≤θt+1时，选择第t种基于几何变换的数据增广方法对局部区域进行增广，得到增广后的局部区域从而由增广后的所有局部区域构成第r张增广图像进而得到所有无标签的病理图像的增广图像其中，θ1表示使用任意第1种基于几何变换的数据增广方法对图像进行局部区域增广的增广概率； 步骤3、构建局部表征网络和表征聚合网络； 步骤3.1、所述局部表征网络依次由Q1个卷积模块、W1个级联Inception模块以及L1个全连接层堆叠而成，其中，每个卷积模块依次由C1个卷积层和D1个池化层组成；每个级联Inception模块依次由I1个InceptionB模块和D2个池化层组成； 设置所有卷积层的步长为c，设置所有卷积层和前L1-1个全连接层的激活函数均采用Relu函数；第L1个全连接层的激活函数采用Softmax函数； 步骤3.2、所述表征聚合网络依次由Q2个卷积模块、W2个级联Inception模块以及L2个全连接层堆叠而成； 设置所有卷积层的步长为c，设置所有卷积层和前L2-1个全连接层的激活函数均采用Relu函数；第L2个全连接层的激活函数采用Softmax函数； 步骤4、使用有标签的病理图像及交叉熵损失函数对局部表征网络与表征聚合网络进行监督性学习； 步骤4.1、将所述第l张有标签的病理图像xl划分为M×N个具有相同大小的有标签病理图像块和分别表示第l张有标签的病理图像xl中第i张有标签图像块及其对应的类别标签，且与yl相同，i＝1,2,…,M×N； 步骤4.2、将所述有标签病理图像块输入局部表征网络中进行处理，得到有标签病理图像块的分类预测打分其中，表示第i张有标签图像块的分类预测打分； 将所述局部表征网络中W1个级联Inception模块输出的特征作为有标签病理图像块的高维特征其中，fil表示第i张有标签图像块经过Q1个卷积模块和W1个级联Inception模块后输出的特征； 步骤4.3、利用式1建立图像块分类损失LP_cls，用于对局部表征网络进行监督性学习； 式1中，H·表示交叉熵损失； 步骤4.4、将所述有标签病理图像块的高维特征按照各自有标签病理图像块在病理图像xl中的空间位置进行排列，得到有标签的病理图像xl的特征矩阵Fl； 步骤4.5、将所述有标签的病理图像xl的特征矩阵Fl输入表征聚合网络中进行处理，生成所述有标签的病理图像xl的预测打分pl，并利用式2建立图像分类损失LI_cls，用于对局部表征网络和局部表征网络进行联合进行监督性学习； 步骤5、使用无标签的病理图像及指向一致性损失函数对局部表征网络与表征聚合网络进行无监督性学习； 步骤5.1、将所述第u张无标签的病理图像zu及其第r张增广图像分别划分为M×N个具有相同大小的无标签病理图像块和增广病理图像块其中，表示第u张无标签的病理图像zu所划分出的第i张无标签图像块，表示第r张增广图像所划分出的第i张增广图像块； 步骤5.2、将和分别输入局部表征网络中进行处理，并提取出局部表征网络中W1个级联Inception模块输出的特征，并相应作为的高维特征及的高维特征其中，表示第i张无标签图像块经过Q1个卷积模块和W1个级联Inception模块后输出的特征；表示经过Q1个卷积模块和W1个级联Inception模块后输出的特征； 步骤5.3、将按照各自无标签图像块在第u张无标签的病理图像zu中的空间位置进行排列，得到第u张无标签的病理图像zu的特征矩阵Gu；将按照各自增广图像块在第r张增广图像中的空间位置进行排列，得到第r张增广图像的特征矩阵 步骤5.4、利用式3建立局部特征指向一致性损失LDFC，用于对局部表征网络进行无监督学习； 式3中，JDFC·,·表示对图像的高维间进行KL损失计算，并有： 式4和5中，Ig为指示函数，SDFC表示特征指向性矩阵，并有： 式6中，Eg表示熵计算； 步骤5.5、将特征矩阵Gu和输入表征聚合网络中进行处理，并生成所述第u张无标签的病理图像zu的预测打分eu和第r张增广图像的预测打分并利用式7建立预测指向一致性损失LDPC，用于对局部表征网络和局部表征网络进行联合进行无监督学习； 式7中，JDPC·,·表示对图像的预测打分间进行KL损失计算，并有： 式8和9中，SDPC表示预测打分指向性矩阵，并有： 步骤5.6、利用式11建立最终指向一致性损失LDCA： LDCA＝LDPC+LDFC11 步骤6、构造总体损失函数，使用交替迭代优化的方式进行半监督病理图像分类训练，并对病理图像进行分类，从而得到相应的分类结果。

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。