【技术实现步骤摘要】
基于人工智能的胸腺瘤组织病理的分型方法及装置
[0001]本专利技术属于神经网络
,具体涉及一种基于人工智能的胸腺瘤组织病理的分型方法及装置。
技术介绍
[0002]随着近年来深度学习技术的飞速发展,目前对胸腺瘤组织病理学全玻片图像的分析不再完全依赖于医生费时费力的视觉观察和人工注释,也可以通过高效的计算机辅助诊断系统实现对全玻片图像的分析,帮助医生获得详细的胸腺瘤病理信息和准确的胸腺瘤分型结果。现有技术主要包括基于卷积神经网络的方法和基于视觉Transformer的方法,具体如下:
[0003]卷积神经网络:卷积神经网络一直是计算机视觉领域中的主流网络之一,在医学图像处理等大多数计算机视觉任务中都有出色的表现。然而,卷积神经网络本身存在一些固有的局限性,比如难以建模远程依赖关系和局部感受野。
[0004]视觉Transformer:针对上述卷积神经网络存在的问题,视觉Transformer应运而生,包括SwinTransformer、金字塔视觉Transformer、LeViT、TNT、T2T
‑
ViT、IPT和Uformer等。相比于卷积神经网络,视觉Transformer可以更好的建模全局特征关系,在各种高级和低级视觉任务上都表现出了优异的性能。然而,现有的视觉Transformer也难以有效地用于胸腺瘤组织病理学全玻片图像的分型,主要是存在以下两个问题。其一,由于多头自注意力机制的存在,视觉Transformer的计算成本通常较大,不适合直接处理百万级分辨率的全玻片图像
【技术保护点】
【技术特征摘要】
1.一种基于人工智能的胸腺瘤组织病理的分型方法,其特征在于,包括:获取待分型的胸腺瘤组织病理学全玻片图像;将所述待分型的胸腺瘤组织病理学全玻片图像输入至训练好的多路径跨尺度视觉Transformer模型中,得到分型结果;其中,所述多路径跨尺度视觉Transformer模型包括交叉尺度感知Transformer模型和全玻片图像Transformer模型;所述交叉尺度感知Transformer模型用于对胸腺瘤组织病理学全玻片图像进行病例信息分类,所述全玻片图像Transformer模型用于根据病例信息分类后的胸腺瘤组织病理学全玻片图像输出胸腺瘤分型。2.根据权利要求1所述的方法,其特征在于,所述多路径跨尺度视觉Transformer模型的训练方法,包括:通过高通量数字扫描仪扫描预获取的胸腺癌患者的苏木精
‑
伊红染色拨片,得到胸腺瘤组织病理学全玻片图像;将所述全玻片图像进行多种比例的放大处理,并将放大后的全玻片图像划分为预设个数的非重叠的补丁全玻片图像;对所述补丁全玻片图像进行胸腺瘤分型标记,标记后的补丁全玻片图像形成训练集;将所述训练集输入预构建的多路径跨尺度视觉Transformer模型中进行训练,得到训练好的多路径跨尺度视觉Transformer模型。3.根据权利要求2所述的方法,其特征在于,所述交叉尺度感知Transformer模型包括局部引导分支、特征聚合分支和全局引导分支三条输入路径,每个输入路径接收不同尺度的全玻片图像;所述局部引导分支、特征聚合分支和全局引导分支均包括依次连接的卷积单元、第一阶段、第二阶段、第三阶段、连接层、全局平均池化层和全连接层;所述全局平均池化层用于预测图像补丁的病理信息类别;所述卷积单元用于对输入的补丁全玻片图像进行卷积处理;所述第一阶段、第二阶段及第三阶段用于对卷积处理后的补丁全玻片图像进行多尺度特征提取;所述连接层用于融合三个分支经过三个阶段的特征提取输出的多尺度特征;所述全局平均池化层用于预测输出图像补丁的病理信息类别;所述全连接层用于输出预测的图像补丁的病理信息类别。4.根据权利要求3所述的方法,其特征在于,所述第一阶段包括:依次连接的补丁合并层、多个基本Transformer块、形状重塑层和补丁合并层;所述第二阶段包括:依次连接的多个基本Transformer块、形状重塑层和补丁合并层;所述第三阶段包括:多个基本Transformer块;所述补丁合并层用于将输入的补丁全玻片图像分割展开为非重叠的一维特征,将所述一维特征映射到预设维度大小的特征,所述补丁合并层还用于在每个阶段的最后一个基本Transformer块之后,补丁合并层对特征进行下采样,以生成层次特征表示。5.根据权利要求4所述的方法,其特征在于,所述特征聚合分支的第一阶段、第二阶段和第三阶段还包括子连接层,每个所述子连接层用于融合三个分支的补丁合并层输出的多尺度特征。
6.根据权利要求4所述的方法,其特征在于,所述局部引导分支的基本Transformer块为具有基于窗口的多头自注意...
【专利技术属性】
技术研发人员:陈皇,张花齐,秦晋,钟定荣,刘杰,
申请(专利权)人:北京交通大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。