技术摘要：
本发明涉及人工智能中的智能决策技术领域，揭露一种切片缺陷检测方法，包括：将待检测切片集输入切片缺陷检测模型的特征提取分支，得到每张切片的特征集，将特征集输入切片缺陷检测模型的上采样分支，得到每张切片的缺陷区域及缺陷区域对应的预测缺陷类别，将特征集输  全部
背景技术：
医学图像切片对三维定位、三维可视化、手术规划和计算机辅助诊断等具有重要 的意义，切片的质量直接影响到诊断效率和诊断质量，高质量的切片是正确的病理诊断至 关重要的基础和保证，为提升切片质量，通常需要对缺陷类切片进行缺陷区域检测、分类， 用以针对性的进行改善。 目前通常使用u-net网络对缺陷类切片进行缺陷检测，然而由于u-net网络只用到 了卷积层、池化层，随着网络的加深，信息会逐渐损失，容易出现梯度消失或梯度爆炸的情 况，导致无法精确的识别到缺陷区域；并且u-net网络主要是针对单个像素进行分类，缺少 对全图的类别检测，而使得缺陷分类准确度不高。因此，亟需一种切片缺陷检测方法，以提 高缺陷区域、缺陷类别检测准确度。
技术实现要素：
鉴于以上内容，有必要提供一种切片缺陷检测方法，旨在提高切片缺陷区域、缺陷 类别检测准确度。 本发明提供的切片缺陷检测方法，包括： 特征提取步骤：接收用户提交的待检测切片，对所述待检测切片进行切分处理，得 到待检测切片集，将所述待检测切片集输入训练好的切片缺陷检测模型的特征提取分支， 得到所述待检测切片集中每张切片的特征集； 第一检测步骤：将所述特征集输入所述切片缺陷检测模型的上采样分支，得到所 述待检测切片集中每张切片的各个缺陷区域及各个缺陷区域对应的第一缺陷类别分布表， 将所述各个缺陷区域对应的第一缺陷类别分布表中第一概率值最大的缺陷类别作为所述 各个缺陷区域对应的预测缺陷类别； 第二检测步骤：将所述特征集输入所述切片缺陷检测模型的分类分支，得到所述 待检测切片集中每张切片对应的第二缺陷类别分布表； 缺陷确定步骤：获取所述待检测切片集中每张切片的各个缺陷区域对应的预测缺 陷类别在所述第二缺陷类别分布表中的第二概率值，当所述第二概率值大于预设阈值时， 将所述各个缺陷区域对应的预测缺陷类别作为所述各个缺陷区域对应的目标缺陷类别，对 所述待检测切片集中每张切片的各个缺陷区域及各个缺陷区域对应的目标缺陷类别进行 汇总，得到所述待检测切片的各个缺陷区域及各个缺陷区域对应的目标缺陷类别。 可选的，所述切片缺陷检测模型的构建过程包括： 用残差模块替换u-net模型的特征提取分支及上采样分支中的卷积层，所述残差 模块包括两个卷积层、一个激活层及一个跳跃式连线； 5 CN 111595850 A 说　明　书 2/13 页 在u-net模型的特征提取分支的输出处增加分类分支，使得所述切片缺陷检测模 型为Y型结构，所述分类分支包括一个残差模块和两个全连接层。 可选的，所述切片缺陷检测模型的训练过程包括： 将第一训练集中的切片样本输入所述切片缺陷检测模型，训练所述切片缺陷检测 模型的特征提取分支和上采样分支，通过最小化第一损失函数确定所述切片缺陷检测模型 的特征分支和上采样分支对应的权重参数，得到初级切片缺陷检测模型； 将第二训练集中的切片样本输入所述初级切片缺陷检测模型，训练所述初级切片 缺陷检测模型的分类分支，通过最小化第二损失函数确定所述切片缺陷检测模型的分类分 支对应的权重参数，得到训练好的切片缺陷检测模型。 可选的，所述第一损失函数的公式为： 其中，IOUt-i为第一训练集中第t张切片样本的第i类缺陷的交并比值，At-i为第一 训练集中第t张切片样本的第i类缺陷对应的预测缺陷区域，Bt-i为第一训练集中第t张切片 样本的第i类缺陷对应的真实缺陷区域； 所述第二损失函数的公式为： FL(qr-i)＝-αi(1-q γr-i) log(qr-i) 其中，FL(qr-i)为第二训练集中第r张切片样本的第i类缺陷的平衡交叉熵损失值， αi为第i类缺陷的类别权重参数，γ为聚焦因子，pr-i为第二训练集中第r张切片样本的第i 类缺陷的预测概率值，yr-i为第二训练集中第r张切片样本的第i类缺陷的真实概率值，qr-i 为第二训练集中第r张切片样本的第i类缺陷的概率调整参数。 可选的，所述方法还包括： 若所述第二概率值小于预设阈值，则从对应的切片中删除所述预测缺陷类别对应 的缺陷区域。 可选的，所述方法还包括： 将所述待检测切片存储于区块链节点中。 此外，为实现上述目的，本发明还提供一种电子装置，该电子装置包括：存储器、处 理器，所述存储器中存储有可在所述处理器上运行的切片缺陷检测程序，所述切片缺陷检 测程序被所述处理器执行时实现如下步骤： 特征提取步骤：接收用户提交的待检测切片，对所述待检测切片进行切分处理，得 到待检测切片集，将所述待检测切片集输入训练好的切片缺陷检测模型的特征提取分支， 得到所述待检测切片集中每张切片的特征集； 第一检测步骤：将所述特征集输入所述切片缺陷检测模型的上采样分支，得到所 述待检测切片集中每张切片的各个缺陷区域及各个缺陷区域对应的第一缺陷类别分布表， 将所述各个缺陷区域对应的第一缺陷类别分布表中第一概率值最大的缺陷类别作为所述 各个缺陷区域对应的预测缺陷类别； 6 CN 111595850 A 说　明　书 3/13 页 第二检测步骤：将所述特征集输入所述切片缺陷检测模型的分类分支，得到所述 待检测切片集中每张切片对应的第二缺陷类别分布表； 缺陷确定步骤：获取所述待检测切片集中每张切片的各个缺陷区域对应的预测缺 陷类别在所述第二缺陷类别分布表中的第二概率值，当所述第二概率值大于预设阈值时， 将所述各个缺陷区域对应的预测缺陷类别作为所述各个缺陷区域对应的目标缺陷类别，对 所述待检测切片集中每张切片的各个缺陷区域及各个缺陷区域对应的目标缺陷类别进行 汇总，得到所述待检测切片的各个缺陷区域及各个缺陷区域对应的目标缺陷类别。 可选的，所述切片缺陷检测模型的构建过程包括： 用残差模块替换u-net模型的特征提取分支及上采样分支中的卷积层，所述残差 模块包括两个卷积层、一个激活层及一个跳跃式连线； 在u-net模型的特征提取分支的输出处增加分类分支，使得所述切片缺陷检测模 型为Y型结构，所述分类分支包括一个残差模块和两个全连接层。 可选的，所述切片缺陷检测模型的训练过程包括： 将第一训练集中的切片样本输入所述切片缺陷检测模型，训练所述切片缺陷检测 模型的特征提取分支和上采样分支，通过最小化第一损失函数确定所述切片缺陷检测模型 的特征分支和上采样分支对应的权重参数，得到初级切片缺陷检测模型； 将第二训练集中的切片样本输入所述初级切片缺陷检测模型，训练所述初级切片 缺陷检测模型的分类分支，通过最小化第二损失函数确定所述切片缺陷检测模型的分类分 支对应的权重参数，得到训练好的切片缺陷检测模型。 可选的，所述第一损失函数的公式为： 其中，IOUt-i为第一训练集中第t张切片样本的第i类缺陷的交并比值，At-i为第一 训练集中第t张切片样本的第i类缺陷对应的预测缺陷区域，Bt-i为第一训练集中第t张切片 样本的第i类缺陷对应的真实缺陷区域； 所述第二损失函数的公式为： FL(qr-i)＝-αi(1-qr-i)γlog(qr-i) 其中，FL(qr-i)为第二训练集中第r张切片样本的第i类缺陷的平衡交叉熵损失值， αi为第i类缺陷的类别权重参数，γ为聚焦因子，pr-i为第二训练集中第r张切片样本的第i 类缺陷的预测概率值，yr-i为第二训练集中第r张切片样本的第i类缺陷的真实概率值，qr-i 为第二训练集中第r张切片样本的第i类缺陷的概率调整参数。 此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读 存储介质上存储有切片缺陷检测程序，所述切片缺陷检测程序可被一个或者多个处理器执 行，以实现上述切片缺陷检测方法的步骤。 相较现有技术，本发明首先通过将待检测切片集输入训练好的切片缺陷检测模型 的特征提取分支，得到待检测切片集中每张切片的特征集；接着，将特征集输入切片缺陷检 7 CN 111595850 A 说　明　书 4/13 页 测模型的上采样分支，得到每张切片的各个缺陷区域及各个缺陷区域对应的预测缺陷类 别；然后，将特征集输入切片缺陷检测模型的分类分支，得到每张切片对应的第二缺陷类别 分布表；最后，获取每张切片的各个缺陷区域对应的预测缺陷类别在第二缺陷类别分布表 中的第二概率值，当第二概率值大于预设阈值时，将各个缺陷区域对应的预测缺陷类别作 为各个缺陷区域对应的目标缺陷类别，本发明中的切片缺陷检测模型是通过对u-net模型 改进而生成的，通过将残差模块替换u-net模型的特征提取分支及上采样分支中的卷积层， 保证了信息的完整性，使得特征提取分支提取的特征更加完整，上采样分支还原的缺陷区 域更加精准，同时在u-net模型的特征提取分支的输出处增加分类分支，减少了上采样分支 输出假阳性的可能性，使得分类准确度更高，因此，本发明提高了切片缺陷区域、缺陷类别 检测的准确度。 附图说明 图1为本发明电子装置一实施例的示意图； 图2为本发明切片缺陷检测模型一实施例的结构示意图； 图3为本发明残差模块一实施例的结构示意图； 图4为图1中的切片缺陷检测程序一实施例的程序模块图； 图5为本发明切片缺陷检测方法一实施例的流程图。