(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210980645.0 (22)申请日 2022.08.16 (71)申请人 北京航空航天大 学 地址 100000 北京市海淀区学院路37号 (72)发明人 郑钰山　李俊　姜志国　张浩鹏　 谢凤英　 (74)专利代理 机构 北京慕达星云知识产权代理 事务所 (特殊普通合伙) 11465 专利代理师 符继超 (51)Int.Cl. G06N 20/00(2019.01) G06V 10/40(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01)G06V 10/82(2022.01) G16H 30/20(2018.01) (54)发明名称 一种基于病变类别感知的数字病理图像的 表征学习方法 (57)摘要 本发明公开了一种基于病变类别感知的数 字病理图像的表征学习方法， 包括以下步骤： S1. 获取数据集； S2.基于弱监督的对比学习预训练； S3.队列更新后得到针对数字病理图像的特征提 取器； 本发明针对现有框架的不足， 提出一种数 字病理图像的表征学习方法， 该方法不依赖于专 家的精细标注， 仅需切片级的分类标签， 利用获 取代价最小的标注信息学习得到鲁棒的、 具有区 分度的图像表征， 并且在下游任务中标签优于 现 有的先进方法。 权利要求书2页 说明书6页 附图1页 CN 115526331 A 2022.12.27 CN 115526331 A 1.一种基于病变类别感知的数字病理图像的表征学习方法， 其特征在于， 包括以下步 骤： S1.获取数据集： 将输入 的数字病理图像进行裁剪得到剪裁后的图像x， 形成数据集D， 其中x∈D， 并为每个x分配伪样本标签； 分配规则为： 对于一张全切片S， 切片类别为 对于 从S中采样的任意样本， 标签 S2.基于弱监 督的对比学习预训练： S21.对x进行数据增强后得到 两个不同的增强视图vq和vk； S22.将vq和vk分别输入至对比学习网络的查询分支和关键分支中， 通过所述查询分支 和所述关键分支内的编码器， 分别对应生成表征zq＝fq(vq)和zk＝fk(vk)， 并分别 通过所述 查询分支和所述关键分支内的投影器将 表征映射到应用对比损失的空间， 得到q＝Pq(zq)和 k+＝Pk(zk)， 其中k+为正样本， q为负 样本； S23.将所述负样本的表征zq＝fq(vq)存储于病变存储队列M中， 分别更新所述查询分支 的权重θq和所述关键分支的权 重θk； S3.更新所述队列M中所述负样本的表征， 更新后得到针对数字病理图像的特征提取 器： 使用平均KL散度来确定要更新的样本集 合， 具体方式如下： 其中， B代表一个训练批次包含的表征集合， U代表一个训练批次中需要被更新的表征 集合， DKL(·)是KL散度函数， P(x)表示待更新的k+与队列中的表征之间的相似度分布， Q(x) 表示预期分布， i 为M中的各类样本的个数。 2.根据权利要求1所述的一种基于病变类别感知的数字病理图像的表征学习方法， 其 特征在于， 所述编码器包括卷积神经网络， 所述投影器包括多层感知器， 所述多层感知器依 次包括第一线性层、 ReLU层和第二线性层。 3.根据权利要求1所述的一种基于病变类别感知的数字病理图像的表征学习方法， 其 特征在于， 病变存 储队列M表示 为： M＝{ki0,ki1,...,kiN|i＝0,1,...,K} 其中， N为每一个切片类别的存 储容量， K代表切片类别总数。 4.根据权利要求1所述的一种基于病变类别感知的数字病理图像的表征学习方法， 其 特征在于， 更新所述 查询分支的权 重θq的方法为： 通过最小化 InfoNCE损失来更新 查询分支的权 重参数： 其中， 代表需要作为负样本对比的类别集合， 定义为 τ是温度系数， kyi 代表队列M中y类别的第i个表征。 5.根据权利要求1所述的一种基于病变类别感知的数字病理图像的表征学习方法， 其权　利　要　求　书 1/2 页 2 CN 115526331 A 2特征在于， 更新所述关键分支的权 重θk的方法为： 通过指数移动平均机制进行 更新： θk＝mθk+(1‑m)θq,m∈[0,1) 其中， m是动量更新 参数。 6.根据权利要求1所述的一种基于病变类别感知的数字病理图像的表征学习方法， 其 特征在于， P(x)和Q(x)表示 为： 其中， K是切片类别总数,1( ·)函数当 时取值为1,否则取值 为0。权　利　要　求　书 2/2 页 3 CN 115526331 A 3