【技术实现步骤摘要】
多任务组织病理图像病灶分割方法
[0001]本专利技术设计多任务组织病理图像病灶分割方法
技术介绍
[0002]在世界范围内,胃癌是最常见的癌症之一,每年新增患者超过100万,占所有癌症诊断的5.7%,胃癌的发病率有着很大的地域差异,在东亚、东欧、中美洲和南美洲尤为高发。胃癌是一种由异常细胞群引起的癌症,异常细胞群在胃中无休止地增殖,最终形成肿瘤。病理图像诊断是确诊胃癌的金标准,病理图像诊断一般依赖解剖病理学家对病患的全扫描组织病理学图像进行观察后得出诊断。而在全世界范围内,具备丰富经验的解剖病理学家十分稀缺。这不仅导致大量胃癌患者得不到早期干预,病理学家的超负荷工作也容易导致误诊。引入计算机辅助诊断系统,医师通过全数字切片获得机器的辅助诊断结果,在提高诊断效率的同时有效降低漏诊。
[0003]胃癌计算机辅助诊断方法有两项重要任务:病灶分割和肿瘤分类。肿瘤分类任务旨在识别肿瘤组织学亚型,可以提供图像级的预测结果,即可以给出被预测图像中所包含的疾病类别,只需要图像级的标注数据进行训练。病灶分割任务旨在检测肿瘤位置和边界,会给出像素级的预测结果,即被预测图像中每一个像素都会给出一个预测分类结果,通过最终的预测掩码可以得出病灶的位置和详细边界信息。本文研究深度学习算法并结合胃癌组织病理图像的特点和实际临床诊断需求,基于胃癌的2D病理组织图像建立了一个同时分割和分类模型。不同类型的肿瘤细胞具有不同的组织学特征。因此,肿瘤分割和组织学亚型分类在医学诊断中具有很好的相关性。该模型由一个共享的特征提取通道组成,以获得多尺度 ...
【技术保护点】
【技术特征摘要】
1.多任务组织病理图像病灶分割方法,其特征在于,包括以下步骤:步骤1,对输入图像进行尺寸调整及归一化预处理;步骤2,编码路径分别采用Residual block和Tokenized MLP Block获得高级语义特征;步骤3,解码路径利用四次上采样操作将特征映射恢复到原始输入大小,并拼接从步骤2提取的特征以预测目标的分割掩码;步骤4,在编码
‑
解码交接处,采用分类器,预测输入病理学类型;步骤5,将步骤3和步骤4中输出的结果输入多任务联合优化损失函数中,输出loss值,反向传播loss值更新网络模型参数;步骤6,将胃癌组织病理图像输入到网络模型,输出病变区域分割和组织亚型分类。2.如权利要求1所述的一种基于多任务学习的组织图像病灶分割方法,其特征在于:所述步骤1的实现方式如下,对原始输入图像x进行尺寸调整,生成样本集{x},对每一个样本逐波段归一化,通其中b
i
,mean
i
,std
i
分别代表原始组织图像的第i个单波段栅格数据、第i个单波段栅格均值以及第i个单波段栅格方差,代表归一化后第i个单波段栅格数据,对样本集所有影像对归一化,输出为归一化后样本集{x
′
}。3.根据权利要求1所述的方法,其特征在于,所述步骤2的实现方式如下,步骤3.1,将样本集{x
′
}放入卷积层得到特征图x1,公式如下:x1=Convblock(x
′
)上式中,Convblock代表3
×
3卷积模块,由卷积
‑
批归一化
‑
最大池化操作
‑
激活模块组成;步骤3.2,将特征图x1放入Residual block,依次得到特征图x2,x3公式如下:f=W2σ(W1x
i
),i=1或2x2=f(x1)+W
s
x1x3=f(x2)+W
s
x2在上式中,函数f表示要学习的残差映射,W1,W2表示权重参数,σ表示激活模块,W
s
用来匹配维度;步骤3.3,首先将x3在宽度上进行移位(Shift),然后进行映射编码标记化(token),再将特征传递给多层感知机(MLP),接下来,特征通过深度可分离卷积(DWConv)传递,再通过GELU激活层,获得特征图y。将y在高度上进行移位
‑
标记化
‑
多层感知机
‑
规范化(LN)
‑
GELU激活模块,得到特征图x4,将特征图x4重复两次上述过程,依次得到特征图x5,x6,公式如下:x
shift
=shift
w
(x
i
),i=3,4,5t
w
=Tokenize(x
shift
)y=f(DWConv((MLP(t
w
))))y
shift
=shift
h
(y)t
h
=Tokenize(y
shift
)x
i+1
=f(LN(T+MLP(GELU(t
h
))))在上式...
【专利技术属性】
技术研发人员:谢怡宁,朱银平,赵晶,张宇明,陈晓凯,
申请(专利权)人:东北林业大学,
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。