【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及醫(yī)學(xué)圖像處理，具體來說是一種基于領(lǐng)域自適應(yīng)學(xué)習(xí)技術(shù)的wsi圖像組織分類方法。
技術(shù)介紹
1、病理學(xué)診斷是指通過病理學(xué)檢查，包括組織活檢、細胞學(xué)檢查等手段，對疾病進行準(zhǔn)確的診斷和分類。病理學(xué)診斷能夠為臨床醫(yī)生提供確切的疾病信息，有助于治療方案的制定和預(yù)后評估。傳統(tǒng)的病理學(xué)診斷需要醫(yī)生通過顯微鏡手動觀察組織切片，容易受到主觀因素和人為誤差的影響。數(shù)字病理學(xué)是醫(yī)學(xué)領(lǐng)域中利用數(shù)字圖像處理技術(shù)對組織切片進行診斷和研究的學(xué)科。
2、其中，wsi(whole?slide?imaging，全玻片成像)技術(shù)是數(shù)字病理學(xué)中的重要技術(shù)，它通過高分辨率掃描整個組織切片，生成大量的數(shù)字圖像數(shù)據(jù)，結(jié)合圖像處理和機器學(xué)習(xí)算法，能夠?qū)崿F(xiàn)對組織切片圖像的高精度分類和診斷，減少了人為誤差，加速了診斷速度，并支持遠程會診和醫(yī)學(xué)研究。這一技術(shù)的應(yīng)用不僅提高了醫(yī)學(xué)診斷的準(zhǔn)確性和效率，也促進了醫(yī)學(xué)科學(xué)的發(fā)展和病理學(xué)檔案的數(shù)字化管理，為醫(yī)生和研究人員提供了豐富的信息來診斷疾病和進行科學(xué)研究，對醫(yī)學(xué)診斷、疾病研究以及臨床實踐有積極的影響。
3、隨著深度學(xué)習(xí)的發(fā)展，神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用于wsi組織分類中來，通過自動學(xué)習(xí)圖像中的抽象特征表示，學(xué)習(xí)不同人體組織豐富的細微結(jié)構(gòu)和紋理信息，從而實現(xiàn)對不同類型組織的準(zhǔn)確識別。
4、金字塔結(jié)構(gòu)在wsi(whole?slide?imaging，全幻燈片成像)圖像分類中的應(yīng)用具有重要意義。該結(jié)構(gòu)將圖像分層處理，包括低分辨率和高分辨率層，通過逐層處理可以有效地提取圖像特征，并實現(xiàn)對大尺寸wsi圖像的
5、實際應(yīng)用中發(fā)現(xiàn)，由于不同實驗室的掃描儀、染色方式以及制片技術(shù)存在差異，同一種組織在不同數(shù)據(jù)集中的圖像表現(xiàn)可能會有所不同。這種差異導(dǎo)致了模型在跨數(shù)據(jù)集應(yīng)用時的性能下降，限制了其實際應(yīng)用的廣泛性和通用性。
6、因此，如何設(shè)計出一種能夠克服樣本差異性，提升wsi圖像組織分類效果已經(jīng)成為急需解決的技術(shù)問題。
技術(shù)實現(xiàn)思路
1、本專利技術(shù)的目的是為了解決現(xiàn)有技術(shù)中病理樣本工藝差異導(dǎo)致wsi圖像組織分類效果差的缺陷，提供一種基于領(lǐng)域自適應(yīng)學(xué)習(xí)技術(shù)的wsi圖像組織分類方法來解決上述問題。
2、為了實現(xiàn)上述目的，本專利技術(shù)的技術(shù)方案如下：
3、一種基于領(lǐng)域自適應(yīng)學(xué)習(xí)技術(shù)的wsi圖像組織分類方法，包括以下步驟：
4、獲取wsi圖像及預(yù)處理：獲取wsi圖像進行預(yù)處理，生成wsi組織分類源域圖像；
5、構(gòu)建wsi圖像組織分類模型：基于領(lǐng)域自適應(yīng)學(xué)習(xí)技術(shù)構(gòu)建wsi圖像組織分類模型；
6、wsi圖像組織分類模型的訓(xùn)練：利用wsi組織分類源域圖像對wsi圖像組織分類模型進行訓(xùn)練；
7、wsi圖像組織分類模型的減益校正：利用無標(biāo)簽的目標(biāo)域圖像基于領(lǐng)域自適應(yīng)方法對wsi圖像組織分類模型進行減益校正；
8、待分類wsi圖像的獲得：獲取待分類wsi圖像并進行預(yù)處理，生成待分類wsi圖像；
9、wsi圖像組織分類結(jié)果的獲得：將待分類wsi圖像輸入訓(xùn)練后的wsi圖像組織分類模型，得到wsi圖像組織分類結(jié)果。
10、所述獲取wsi圖像及預(yù)處理包括以下步驟：
11、獲取wsi圖像，對標(biāo)注的wsi組織分類標(biāo)簽圖像進行縮放，標(biāo)簽圖像大小從[w,h]縮放為[w/(r/r1),h/(r/r1)]，其中，r為圖像獲取原始比例，w為圖像原始寬度，h為圖像原始高度，r1為第一目標(biāo)倍率；
12、使用正方形搜索框遍歷wsi組織分類標(biāo)簽圖像；
13、計算搜索框中標(biāo)簽組織所占比例，如果組織所占比例大于r1，r1為組織所占面積/搜索框面積，則截取wsi圖像中的組織圖像塊；
14、使用背景檢測算法檢測所截取的組織圖像塊背景并計算背景比例；如果所得背景比例小于r2，r2為背景所占面積/搜索框面積，則保存該圖像塊并保存所屬標(biāo)簽信息，作為r1倍率下的圖像i1；
15、以r1x圖像的中心坐標(biāo)點為中心，截取第二目標(biāo)倍率r2下和第三目標(biāo)倍率r3下大小為256×256的圖像，作為r2倍率下的圖像i2和r3倍率下的圖像i3；
16、將r1倍率下的圖像i1、r2倍率下的圖像i2和r3倍率下的圖像i3作為有標(biāo)簽的源域圖像。
17、所述構(gòu)建wsi圖像組織分類模型包括以下步驟：
18、基于領(lǐng)域自適應(yīng)學(xué)習(xí)技術(shù)設(shè)定wsi圖像組織分類模型包括生成器g、分類器c和判別器d，生成器g包括金字塔特征提取網(wǎng)絡(luò)和動態(tài)特征融合網(wǎng)絡(luò)，輸出網(wǎng)絡(luò)作為分類器c，分類器c和額外添加的核范數(shù)算子作為判別器d，核范數(shù)算子采用核范數(shù)一階wasserstein距離w1(μ,v)，其表達式為：
19、
20、其中，γ(μ,v)是μ和v兩個分布的所有可能的概率測度的集合，x和y分別是從μ和v中抽取的樣本，|x-y|是樣本x和樣本y之間的距離，γ是聯(lián)合分布，inf是下確界；
21、設(shè)定金字塔特征提取網(wǎng)絡(luò)包括結(jié)構(gòu)相同的三個尺度的特征編碼器f1、f2、f3，其中，f1為r1倍率特征編碼器、f2為r2倍率特征編碼器、f3為r3倍率特征編碼器，其輸入分別為r1倍率下的圖像i1、r2倍率下的圖像i2和r3倍率下的圖像i3；
22、設(shè)定特征編碼器采用resnext部分網(wǎng)絡(luò)，特征編碼器將最后一層全連接層輸出維度從默認的1000改為768，將最后的激活函數(shù)由默認的softmax改為gelu；特征編碼的網(wǎng)絡(luò)結(jié)構(gòu)如下：
23、特征編碼器輸入層：輸入為尺度大小為(3,256,256)的特征矩陣；
24、rn1-resnet前序網(wǎng)絡(luò)：resnet前序網(wǎng)絡(luò)rn1將輸入的特征矩陣通過特征提取得到尺度大小為(2048,)的特征向量；
25、fc2-全連接層：全連接層fc2將rn1的輸出特征向量通過全連接層得到尺度大小為(768,)的特征向量；
26、a3-激活層：激活層a3將fc2輸出的特征向量通過非線性變換gelu得到尺度大小為(768,)的特征向量；
27、特征編碼器輸出層：輸出由激活層a3得到三個尺度大小為(768,)的特征向量，分別為第一特征矩陣、第二特征矩陣和第三特征矩陣；
28、設(shè)定動態(tài)特征融合網(wǎng)絡(luò)，動態(tài)特征融合網(wǎng)絡(luò)包括動態(tài)特征融合網(wǎng)絡(luò)輸入層、concat1-拼接層、msa2-多頭自注意力模塊、r3-殘差層、fc4-全連接層、a5-激活層、fc6-全連接層、r7-殘差層和動態(tài)特征融合網(wǎng)絡(luò)輸出層；
29、其中，動態(tài)特本文檔來自技高網(wǎng)...
【技術(shù)保護點】
1.一種基于領(lǐng)域自適應(yīng)學(xué)習(xí)技術(shù)的WSI圖像組織分類方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于領(lǐng)域自適應(yīng)學(xué)習(xí)技術(shù)的WSI圖像組織分類方法，其特征在于，所述獲取WSI圖像及預(yù)處理包括以下步驟：
3.根據(jù)權(quán)利要求1所述的一種基于領(lǐng)域自適應(yīng)學(xué)習(xí)技術(shù)的WSI圖像組織分類方法，其特征在于，所述構(gòu)建WSI圖像組織分類模型包括以下步驟：
4.根據(jù)權(quán)利要求1所述的一種基于領(lǐng)域自適應(yīng)學(xué)習(xí)技術(shù)的WSI圖像組織分類方法，其特征在于，所述WSI圖像組織分類模型的訓(xùn)練包括以下步驟：
5.根據(jù)權(quán)利要求1所述的一種基于領(lǐng)域自適應(yīng)學(xué)習(xí)技術(shù)的WSI圖像組織分類方法，其特征在于，所述WSI圖像組織分類模型的減益校正包括以下步驟：
【技術(shù)特征摘要】
1.一種基于領(lǐng)域自適應(yīng)學(xué)習(xí)技術(shù)的wsi圖像組織分類方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于領(lǐng)域自適應(yīng)學(xué)習(xí)技術(shù)的wsi圖像組織分類方法，其特征在于，所述獲取wsi圖像及預(yù)處理包括以下步驟：
3.根據(jù)權(quán)利要求1所述的一種基于領(lǐng)域自適應(yīng)學(xué)習(xí)技術(shù)的wsi圖像組織分類方法，其特征在于，所述構(gòu)建w...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：邵立智，陳鵬，楊永新，
申請(專利權(quán))人：安徽大學(xué)，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。