【技術實現步驟摘要】
本專利技術涉及人工智能與生物醫學交叉，主要涉及深度學習和圖像處理相結合的，特別是關于一種基于深度學習的循環腫瘤細胞快速檢測方法。
技術介紹
1、循環腫瘤細胞(circulating?tumor?cells,?ctcs)是指從實體腫瘤病灶(原發灶或轉移灶)脫落并進入外周血液循環、在逃避免疫殺傷后存活的個數稀少的腫瘤細胞，與腫瘤的分期、復發與轉移以及耐藥密切相關。ctcs作為液體活檢中典型的生物標志物，在腫瘤早期診斷、預后判斷、療效監測等方面具有廣泛的應用前景。ctcs在病人血液中十分稀少，通常需要對患者血液中的ctcs進行分離和富集，再進行染色制片，最后在顯微圖像上進行檢測和分析。目前，病理醫生普遍采用人工閱片的方式對ctcs進行檢測，同時要對其準確計數，這種人工檢測方法不但效率低，同時還受到病理醫生技術水平、經驗等主觀因素的影響。近年來，隨著ctcs自動化檢測需求不斷擴大，研究人員將傳統的圖像處理算法引入到ctcs的圖像檢測中，如距離變換、形態學算法、最大穩定值區域檢測等，但這些方法特異性差，敏感度低，導致檢測精度較低。此外，研究人員將機器學習應用于ctcs的檢測與計數，機器學習因其快捷性、能克服噪聲等優點也被應用于ctcs檢測。絕大部分研究都是利用腫瘤細胞的大小、密度、變形性或者粘附性等物理特性進行特征提取，然后選擇不同的分類器進行訓練分類，最終得出檢測結果。但該方法需要手動提取特征，太依賴于專家的知識和經驗，導致在檢測中存在較大偏差。
2、深度學習已被廣泛應用于生物醫學圖像分析，在醫學圖像識別、分割和分類等方面取
3、ctcs被捕獲后，檢測和識別成為了重點和難點。傳統的人工閱片的ctcs檢測方法，雖然能檢測出ctcs，但自動化水平較低、耗時較長，精度較低，且受到主觀誤差的影響。將深度學習方法應用于ctcs檢測具有以下優勢：
4、(1)采用深度學習方法對ctc樣本圖片進行訓練和識別，效率更高，也更準確；
5、(2)與傳統的ctc檢測方法相比，不需要先驗的復雜機理知識，基于卷積神經網絡的ctc檢測模型有著更高的精確性和可靠性；
6、(3)采用深度學習網絡進行訓練、預測以及分類，能很大程度消除個人主觀誤差。
7、目前，應用于ctcs檢測的深度學習模型較為簡單，靈敏度和準確性較差，還不能達到臨床應用的要求。
8、前述
技術介紹
知識的記載旨在幫助本領域普通技術人員理解與本專利技術較為接近的現有技術，同時便于對本專利技術的專利技術構思及技術方案的理解，應當明確的是，在沒有明確的證據表明上述內容在本專利申請的申請日前已公開的情況下，上述
技術介紹
不應當用于評價本申請技術方案的新創性。
技術實現思路
1、技術問題
2、為了解決上述問題，本專利技術的目的在于提供一種基于深度學習的循環腫瘤細胞快速檢測方法，提出了一個新型的快速檢測模型用于ctcs的快速檢測，涉及一種基于深度學習與圖像處理的腫瘤細胞快速檢測方法，在熒光顯微圖像上進行細胞識別、檢測和分類，快速檢測模型兼顧細胞檢測效率、準確性等多個性能指標，具有較高的準確性和較強的魯棒性，在很大程度消除個人主觀誤差，解決現有技術中循環腫瘤細胞檢測速度慢、準確率低等問題。
3、技術方案
4、即，本專利技術包括下述技術方案。
5、方案一，循環腫瘤細胞快速檢測模型的構建方法，包括：
6、(1)以retinanet網絡結構為基礎，主干網絡backbone采用repvgg，訓練時采用多分支結構來增強特征提取，而推理時利用結構重參數化思想將其變為單路結構；減少顯存占用的同時，加快推理速度；
7、(2)在傳統特征圖金字塔網絡fpn的基礎上，增加一條自頂向下的路由，將底層與頂層的語義信息進行融合；從而補償和增強了定位信息；
8、(3)簡化檢測頭head，優化分類與回歸子網絡，在傳統retinanet檢測頭的基礎上，減少串行卷積的數量以及通道數，并采用大的可分離卷積；在減少模型參數和計算量的同時，增加特征圖的感受野，進而增強模型檢測性能；
9、(4)針對不同階段，合理優化損失函數：smooth?l1?loss、giou?loss與varifocalloss；獲得快速檢測模型。
10、進一步的，所述步驟(1)的多分支結構包括conv-bn結構、bn結構的至少一種。
11、進一步的，所述步驟(1)中設置權重調整機制，用以動態調整不同分支結構的權重；權重調整機制使得模型能夠根據輸入數據的不同特征自動調整各分支結構的權重，動態選擇哪些分支在特定時刻是活躍的，這種選擇可以基于數據的特性或者當前訓練階段的需要，有助于增強模型的泛化能力，從而提高模型的適應性和效率。多分支結構在訓練時需要處理更多的參數和計算，這將導致訓練過程更加復雜和耗時，而且多分支結構由于需要保存每個分支的中間結果，直到最后一步融合操作，這會增加推理時的內存訪問成本，進一步拖慢處理速度，進一步的驗證表明，針對同一批次的訓練集數據，設置權重調整機制之后，在保持模型精度不變的情況下有助于將訓練時長降低至少10%，以此得到循環腫瘤細胞快速檢測模型進行循環腫瘤細胞檢測時具有準確性高、推理速度快等優點，可以實現高效的細胞多分類識別和ctcs檢測。
12、進一步的，所述步驟(4)中，在訓練過程中采用可同時表示對象存在置信度和定位精度的iou感知類評分(iou-aware?clas?quartification?score,?iacs)，以在密集對象檢測器中產生更準確的檢測等級。
13、進一步的，所述步驟(4)中，合理優化損失函數具體為：對于邊界框回歸，早期訓練階段的損失函數由smooth?l1?loss主導；邊界框預測穩定后的損失函數由giou?loss主導；對于目標分類，采用varifocal?loss。
14、進一步的，所述循環腫瘤細胞快速檢測模型的構建方法還包括：
15、采用下述步驟獲得的voc格式的標注數據集對快速檢測模型進行訓練：從腫瘤患者血液中對ctcs進行分離與富集，免疫熒本文檔來自技高網...
【技術保護點】
1.循環腫瘤細胞快速檢測模型的構建方法，其特征在于包括：
2.根據權利要求1所述的循環腫瘤細胞快速檢測模型的構建方法，其特征在于：
3.根據權利要求1或2所述的循環腫瘤細胞快速檢測模型的構建方法，其特征在于：
4.根據權利要求1或2所述的循環腫瘤細胞快速檢測模型的構建方法，其特征在于：
5.根據權利要求4所述的循環腫瘤細胞快速檢測模型的構建方法，其特征在于：
6.由權利要求1-5任一項所述構建方法獲得的循環腫瘤細胞快速檢測模型。
7.由權利要求1-5任一項所述構建方法獲得的循環腫瘤細胞快速檢測模型在生物樣本檢測中的應用。
8.一種基于深度學習的非疾病的診斷與治療的循環腫瘤細胞快速檢測方法，其特征在于：包括應用前述權利要求6所述循環腫瘤細胞快速檢測模型處理從生物樣本中采集的新圖像，輸出CTCs檢測結果。
9.權利要求8所述基于深度學習的非疾病的診斷與治療的循環腫瘤細胞快速檢測方法在生物樣本檢測中的應用。
10.一種計算機設備，所述計算機設備包括存儲器、處理器、通信接口以及通信
...【技術特征摘要】
1.循環腫瘤細胞快速檢測模型的構建方法，其特征在于包括：
2.根據權利要求1所述的循環腫瘤細胞快速檢測模型的構建方法，其特征在于：
3.根據權利要求1或2所述的循環腫瘤細胞快速檢測模型的構建方法，其特征在于：
4.根據權利要求1或2所述的循環腫瘤細胞快速檢測模型的構建方法，其特征在于：
5.根據權利要求4所述的循環腫瘤細胞快速檢測模型的構建方法，其特征在于：
6.由權利要求1-5任一項所述構建方法獲得的循環腫瘤細胞快速檢測模型。
7.由權利要求1-5任一項所述構建方法獲得的循環腫瘤細胞快速檢測模型在生物樣本檢測中的應用。
8.一種基于深度學習的非疾病的診斷與治療的循環腫瘤細胞快速檢測...
【專利技術屬性】
技術研發人員：朱帥，趙明，陽劍波，劉明，周露萍，許良，葉武，黃子鳴，劉驊焱，李阿麗，
申請(專利權)人：浙江工業大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。