公开(公告)号：CN115482232A

公开(公告)日：2022-12-16

申请号：CN202211192738.3

申请日：2022-09-28

Applicant: 复旦大学

Inventor： 骆潇原 ,  宋志坚 ,  王满宁

IPC: G06T7/00 ,  G06V10/764

Abstract: 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。

公开(公告)号：CN115879021A

公开(公告)日：2023-03-31

申请号：CN202211191757.4

申请日：2022-09-28

Applicant: 复旦大学

Inventor： 骆潇原 ,  宋志坚 ,  王满宁

IPC: G06F18/24 ,  G06F18/214 ,  G06N3/0895 ,  G06N3/084 ,  G06N3/045

Abstract: 本发明公开了基于弱监督自训练的实例级别分类器构造方法,包括以下步骤：步骤1、构建实例级别分类器，获取不同类型的实例数据集，将所述实例数据集划分为阳性包实例数据集和阴性包实例数据集，对所述阳性包实例数据集进行标记获得伪标签，对所述阴性包实例数据集进行标记获得真阴性标签；步骤2、将所述实例数据集输入所述实例级别分类器获取预测结果，基于所述预测结果、所述伪标签以及所述真阴性标签训练所述实例级别分类器；步骤3、对步骤1和步骤2进行迭代，直到所述伪标签和所述实例级别分类器的参数的收敛，获得训练好的实例级别分类器。本发明能够对包进行分类，还能够对包内的实例进行分类。

公开(公告)号：CN119380338A

公开(公告)日：2025-01-28

申请号：CN202411959357.2

申请日：2024-12-30

Applicant: 山东省计算中心(国家超级计算济南中心) ,  齐鲁工业大学(山东省科学院) ,  复旦大学

Inventor： 傅科学 ,  李雪婧 ,  崔磊 ,  高龙翔 ,  曲悠扬 ,  顾树俊 ,  庞为光 ,  王常维 ,  王满宁 ,  骆潇原 ,  曲麟昊

IPC: G06V20/69 ,  G06V10/764 ,  G06V10/82 ,  G06V10/774 ,  G06V10/762

Abstract: 本发明属于图像分析的技术领域，更具体地，涉及基于多模态大模型的小样本全切片病理图像分类方法、系统及计算机可读存储介质。所述方法包括获取多实例数据集，划分为训练集和测试集；给定由M个全切片病理图像构成的完整病理多实例数据集，每个全切片病理图像包含U个图像块，全切片病理图像具有包级别标签，图像块具有实例级标签；从数据集中选取K个全切片病理图像，并从所选取的每个全切片病理图像中再选取L个图像块，构建为训练数据集；构建双重小样本学习新范式网络模型，并进行学习；最后进行两级别的分类。本发明解决了现有技术需要大量的标注数据，且标注成本高昂，难以在临床应用中推广，难以解决数据稀缺等问题。