(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 202211192738.3 (22)申请日 2022.09.28 (71)申请人 复旦大学 地址 200433 上海市杨 浦区邯郸路2 20号 (72)发明人 骆潇原　宋志坚　王满宁　 (74)专利代理 机构 北京盛询知识产权代理有限 公司 11901 专利代理师 相黎超 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/764(2022.01) (54)发明名称 一种负样本引导的自蒸馏病理图像分析方 法 (57)摘要 本发明涉及一种负样本引导的自蒸馏病理 图像分析方法， 包括： 对整张病理图像进行预处 理， 得到第一分类视图和第二分类视图； 构建第 一分类网络和第二分类网络， 基于第一分类视图 对第一分类网络进行自蒸馏学习训练， 得到第一 预测结果； 通过第一预测结果和第二分类视图训 练第二分类网络， 分别得到第一损失函数和第二 损失函数； 基于第一损失函数和第二损失函数优 化第二分类网络的参数， 并同时更新第一分类网 络的参数， 得到训练好的第一分类网络和第二分 类网络； 通过训练好的第二分类网络， 进行病理 图像分析， 得到分析结果。 本发明方法与 国际上 现有方法相比有更好的准确率和模 型可解释性， 具备提高临床诊断效率和准确率的潜在价 值。 权利要求书2页 说明书5页 附图2页 CN 115482232 A 2022.12.16 CN 115482232 A 1.一种负 样本引导的自蒸馏病理图像分析 方法， 其特 征在于， 包括： 对整张病理图像进行 预处理， 得到第一分类视图和第二分类视图； 构建第一分类网络和第 二分类网络， 基于所述第 一分类视图对所述第 一分类网络进行 自蒸馏学习训练， 得到第一预测结果； 通过所述第 一预测结果和所述第 二分类视图训练所述第 二分类网络， 分别得到第 一损 失函数和第二损失函数； 基于所述第 一损失函数和所述第 二损失函数优化所述第 二分类网络的参数， 并同时更 新所述第一分类网络的参数， 得到训练好的第一分类网络和第二分类网络； 通过所述训练好的第二分类网络， 进行病理图像分析， 得到分析 结果。 2.根据权利要求1所述的负样本引导的自蒸馏病理图像分析方法， 其特征在于， 对所述 整张病理图像进行 预处理， 包括： 将所述整 张病理图像不重叠的切分为大小相等的若干图像块， 计算所有所述图像块的 信息熵， 筛除掉所述信息熵小于预设阈值的背景图像块； 然后分别对来自阳性病理图像的 所有图像块和来自阴性病理图像的所有图像块进行混合。 3.根据权利要求2所述的负样本引导的自蒸馏病理图像分析方法， 其特征在于， 所述预 处理还包括： 将采样得到的图像块进行数据增强， 数据增强的方法包括， 对图像块进行上下左右不 同概率的翻转， 并对图像块进行灰度变换， 并对所述图像块独立地进行若干次随机数据增 强， 分别得到所述第一分类视图和所述第二分类视图。 4.根据权利要求1所述的负样本引导的自蒸馏病理图像分析方法， 其特征在于， 所述第 一分类网络和所述第二分类网络分别包括一个编码器和一个分类头部网络， 所述第一分类 网络的参数与所述第二分类网络的参数不同。 5.根据权利要求1所述的负样本引导的自蒸馏病理图像分析方法， 其特征在于， 基于所 述第一分类视图训练所述第一分类网络， 包括： 将所述第一分类视图中的局部切片 输入到所述第一分类网络中进行自蒸馏训练， 输出所述第一预测结果 将所述第一预测结果 作为所述局部切片 的伪标签： 其中， 代表数据增强操作， 代表第一分类网络 。 6.根据权利要求5所述的负样本引导的自蒸馏病理图像分析方法， 其特征在于， 所述第 一分类网络中还包括Prediction  Bank单元， 所述Prediction  Bank单元用于防止负样本引 导后的自蒸馏学习陷入退化， 得到所述第一预测结果后， 将所述第一预测结果输入到所述 Predicti on Bank单元中， 基于Si nkhorn‑Knopp方法进行求 解， 对所述伪标签进行 更新。 7.根据权利要求6所述的负样本引导的自蒸馏病理图像分析方法， 其特征在于， 基于所 述Sinkhorn‑Knopp方法进行求 解包括： 权　利　要　求　书 1/2 页 2 CN 115482232 A 2其中， 中|Xp|代表集合Xp的数量， K代表预估的阳性局部图像块在阳性整张图像中的占 比， CE(·)代表交叉熵损失函数。 8.根据权利要求1所述的负样本引导的自蒸馏病理图像分析方法， 其特征在于， 得到所 述第一损失函数， 包括： 将所述第一预测结果输入到所述第二分类网络中进行训练， 获得第一输出结果， 并计 算所述第一输出 结果与伪标签的交叉熵， 得到第一损失函数Lself‑distillation： 其中， 代表第二分类网络 。 9.根据权利要求8所述的负样本引导的自蒸馏病理图像分析方法， 其特征在于， 得到所 述第二损失函数， 包括： 将所述第二分类视 图输入到所述第二分类网络中进行训练， 获得第二输出结果， 计算 所述第二输出 结果和所述第二分类视图的交叉熵， 得到第二损失函数Lguidance： 其中， 代表阴性的局部切片。 10.根据权利要求1所述的负样本引 导的自蒸馏病理图像分析方法， 其特征在于， 基于 所述第一损失函数和所述第二损失函数优化所述第二分类网络的参数， 包括： 采用Adam优 化算法进行优化， 如下式： 其中， θs为第二分类网络的参数； 通过动量更新法更新所述第一分类网络的参数， 包括： θt←λ θt+(1‑λ )θs 其中， λ为更新的权 重， θt为第一分类网络的参数。权　利　要　求　书 2/2 页 3 CN 115482232 A 3