1.一种基于全切片组织病理学图像的癌症亚型识别方法,其特征在于,所述方法包括:针对全切片组织病理学图像进行切割,以构建出多个包含组织区域的图像块集合;
针对每一个图像块集合,提取出该图像块集合中每个图像块的特征向量,并按照各图像块的相对位置将提取出的特征向量进行排列,以得到该图像块集合的特征图像;
通过在该图像块集合的特征图像上筛选出与癌症亚型类别强相关的采样点,得到该图像块集合的融合特征向量;
基于各图像块集合的融合特征向量预测出所述全切片组织病理学图像的癌症亚型类别;
所述针对全切片组织病理学图像进行切割,以构建出多个包含组织区域的图像块集合,包括:将所述全切片组织病理学图像切割为若干个图像块,并利用9×9网格以从左至右、从上至下的顺序划分出多个图像块集合,以保留相邻图像块的上下文关系和空间位置信息;其中,所述图像块的尺寸为224×224;
统计每个图像块集合中属于组织区域的图像块的占比;
将属于组织区域的图像块的占比不低于百分之30的图像块集合保留,以得到多个包含组织区域的图像块集合;
所述通过在该图像块集合的特征图像上筛选出与癌症亚型类别强相关的采样点,得到该图像块集合的融合特征向量,包括:通过1×1卷积操作将该图像块集合的特征图像的通道数进行降维处理;
根据降维后的特征图像的大小和预先设定的采样点个数,在降维后的特征图像上生成多个采样点以及相对应的坐标;
基于各采样点的特征向量和位置嵌入特征,采用渐进式更新方法筛选出与癌症亚型类别强相关的采样点,同时生成该图像块集合的融合特征向量。
2.如权利要求1所述的方法,其特征在于,通过以下方式获取所述各采样点的特征向量和位置嵌入特征:针对每一个采样点,将最接近该采样点的四个整数点的特征向量进行加权平均计算,以得到该采样点的特征向量,以及对该采样点的坐标进行可学习的线性变换处理,以得到该采样点的位置嵌入特征。
3.如权利要求1所述的方法,其特征在于,所述基于各采样点的特征向量和位置嵌入特征,采用渐进式更新方法筛选出与癌症亚型类别强相关的采样点,同时生成该图像块集合的融合特征向量,包括:将各采样点的特征向量、位置嵌入特征、上一迭代输出的融合特征向量按元素相加后,输入至Transformer编码器,以得到当前迭代输出的融合特征向量;其中,所述Transformer编码器包含多头自注意力机制和一个多层感知机;
针对当前迭代输出的融合特征向量进行可学习的线性变换处理,得到采样点偏移量,以更新采样点的坐标,直至达到迭代次数,将最后迭代输出的融合特征向量作为该图像块集合的融合特征向量。
4.如权利要求1所述的方法,其特征在于,所述基于各图像块集合的融合特征向量预测出所述全切片组织病理学图像的癌症亚型类别,包括:针对每一个图像块集合,基于该图像块集合的融合特征向量,利用多层感知机预测出图像块感知集合属于各癌症亚型类别的预测概率向量;
将各图像块集合属于各癌症亚型类别的预测概率向量进行按位平均处理,以得到最大预测概率所对应的癌症亚型类别。
5.一种基于全切片组织病理学图像的癌症亚型识别装置,其特征在于,所述装置包括:图像块集合生成模块,用于针对全切片组织病理学图像进行切割,以构建出多个包含组织区域的图像块集合;
特征提取模块,用于针对每一个图像块集合,提取出该图像块集合中每个图像块的特征向量,并按照各图像块的相对位置将提取出的特征向量进行排列,以得到该图像块集合的特征图像;
特征选择与融合模块,用于通过在该图像块集合的特征图像上筛选出与癌症亚型类别强相关的采样点,得到该图像块集合的融合特征向量;
分类模块,用于基于各图像块集合的融合特征向量预测出所述全切片组织病理学图像的癌症亚型类别;
所述图像块集合生成模块,在针对全切片组织病理学图像进行切割,以构建出多个包含组织区域的图像块集合时,具体用于:将所述全切片组织病理学图像切割为若干个图像块,并利用9×9网格以从左至右、从上至下的顺序划分出多个图像块集合,以保留相邻图像块的上下文关系和空间位置信息;其中,所述图像块的尺寸为224×224;
统计每个图像块集合中属于组织区域的图像块的占比;
将属于组织区域的图像块的占比不低于百分之30的图像块集合保留,以得到多个包含组织区域的图像块集合;
所述特征选择与融合模块,在通过在该图像块集合的特征图像上筛选出与癌症亚型类别强相关的采样点,得到该图像块集合的融合特征向量时,具体用于:通过1×1卷积操作将该图像块集合的特征图像的通道数进行降维处理;
根据降维后的特征图像的大小和预先设定的采样点个数,在降维后的特征图像上生成多个采样点以及相对应的坐标;
基于各采样点的特征向量和位置嵌入特征,采用渐进式更新方法筛选出与癌症亚型类别强相关的采样点,同时生成该图像块集合的融合特征向量。