欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023110061265
申请人: 郑州大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种面向全切片病理图像的肿瘤亚型诊断方法,其特征在于,包括如下步骤:

1)构建肿瘤亚型诊断模型,所述肿瘤亚型诊断模型包括总体特征提取,所述总体特征提取用于提取输入WSI的嵌入特征表示;

2)利用已进行亚型分类的肿瘤WSI数据集作为训练样本对构建的肿瘤亚型诊断模型进行训练,训练过程中提高相同类别的WSI的嵌入特征表示之间的相似度,并降低不同类别的WSI的嵌入特征表示之间的相似度;训练后得到多个类簇,类簇个数即为亚型分类个数,一个类簇包含有属于该类簇的所有训练样本的嵌入特征表示;

3)对待分类WSI进行预处理,利用训练后的肿瘤亚型诊断模型对预处理后的待分类WSI进行亚型诊断,诊断过程包括:利用特征提取模块得到预处理后的待分类WSI的嵌入特征表示,根据待分类WSI的嵌入特征表示和每个类簇中每个训练样本的嵌入特征表示度量待分类WSI与各个类簇之间的相似度,根据相似度得到待分类WSI的亚型诊断结果。

2.根据权利要求1所述的面向全切片病理图像的肿瘤亚型诊断方法,其特征在于,采用如下方式中的任一种方式度量待分类WSI的嵌入特征表示与各个类簇之间的相似度:方式一:度量待分类WSI的嵌入特征表示与每一类簇中所有训练样本的嵌入特征表示之间的相似度,并将每个类簇的最大相似度作为待分类WSI与该类簇之间的相似度;

方式二:计算每个类簇中所有训练样本的平均嵌入特征表示并作为该类簇的簇心,度量待分类WSI的嵌入特征表示与每一类簇的簇心之间的相似度,作为待分类WSI与每一类簇之间的相似度;

方式三:求取方式一得到的结果和方式二得到的结果的平均值作为待分类WSI与每一类簇之间的相似度。

3.根据权利要求1所述的面向全切片病理图像的肿瘤亚型诊断方法,其特征在于,训练肿瘤亚型诊断模型的过程中,所使用的损失函数为:式中,Loss表示损失值;B表示参与一次迭代训练的批量大小;Ki和Li表示包Xi所存在的同类样本个数和异类样本个数,其之间的相似度分数分别为 和 γ表示缩放因子;

和 表示权重因子;Δpos和Δneg分别表示类内间距和类间间距。

4.根据权利要求1所述的面向全切片病理图像的肿瘤亚型诊断方法,其特征在于,所述预处理包括将WSI中的组织区域分割为多个图像块。

5.根据权利要求4所述的面向全切片病理图像的肿瘤亚型诊断方法,其特征在于,所述总体特征提取包括特征提取模块、投影模块和门控注意力模块;所述特征提取模块用于提取每个图像块的特征;所述投影模块用于将特征提取模块提取的特征投影到一个低维单位特征空间中得到多个单位向量,以使不同的特征向量在单位特征空间中只存在方向上的差异;所述门控注意力模块用于将投影模块的输出进行融合以生成嵌入特征表示。

6.根据权利要求5所述的面向全切片病理图像的肿瘤亚型诊断方法,其特征在于,所述特征提取模块采用ResNet101作为基干网络,用于将ResNet101中的Stage3和Stage4输出的特征分别经过一个自适应平均池化层,进而将经过自适应平均池化层的输出进行拼接处理以提取得到每个图像块对应的特征。

7.根据权利要求5所述的面向全切片病理图像的肿瘤亚型诊断方法,其特征在于,所述投影模块包括一个可训练的BatchNorm1d层、由权重参数化的微调层Proj‑Fc和L2 Norm层;

所述BatchNorm1d层用于沿着特征维度的方向将输入的特征矩阵标准化,所述微调层Proj‑Fc的计算过程为: 表示权重矩阵; 表示微调层Proj‑Fc的输出;ReLU表示激活函数;所述L2 Norm层用于将微调层Proj‑Fc的输出中的每个特征向量标准化为单位向量。

8.根据权利要求5所述的面向全切片病理图像的肿瘤亚型诊断方法,其特征在于,所述门控注意力模块包括Attn‑Fc1层、Attn‑Fc2层、Attn‑Fc3层和Dropout层;Attn‑Fc1层用于为输入的特征输出一个压缩特征,并通过Tanh激活函数将压缩特征中的特征值映射到正无穷到负无穷区间内;Attn‑Fc2层用于起门控作用,并通过Sigmoid激活函数通过将网络的输出值映射到0到1之间,以调控Attn‑Fc1层的输出结果;Attn‑Fc1层和Attn‑Fc2层的输出结果在逐位相乘运算之后传入Attn‑Fc3层;Attn‑Fc3层用于生成每个特征的注意力分数并经过Dropout层处理,进而利用经过Dropout层处理后的注意力分数对单位向量进行加权求和以得到所述嵌入特征表示。

9.根据权利要求4所述的面向全切片病理图像的肿瘤亚型诊断方法,其特征在于,所述预处理包括:先将WSI从RGB色彩空间转换为HSV色彩空间,之后针对HSV色彩空间中的饱和度通道,采用大津法计算背景区域和组织区域的分割阈值,并基于分割阈值,二值化饱和度通道提取组织掩码,以提取得到组织区域;然后采用滑动窗口的方式将组织区域分割为一系列大小相同的图像块。

10.根据权利要求9所述的面向全切片病理图像的肿瘤亚型诊断方法,其特征在于,提取组织掩码后,还需采用均值滤波和形态学闭操作,以提取得到组织区域。