【技术实现步骤摘要】
用于免疫荧光图像ANA分型的方法和装置
[0001]本专利技术涉及免疫荧光图像处理技术,尤其涉及了用于免疫荧光图像
ANA
分型的方法和装置
。
技术介绍
[0002]自身免疫性疾病
(Auto Immune Diseases
,
AID)
是一类由机体对自身抗原失去耐受,而引起免疫系统攻击自身组织,最终导致各系统组织和器官损伤的一组疾病
。
当前,
AID
的诊断主要依赖实验室检查,其中通过
HEP
‑2细胞的间接免疫荧光试验
(IIFA)
鉴定抗核抗体
(ANA)
是支持
AID
诊断的一个标准程序
。
对
ANA
的阴阳性判断及具体核型类别判断的准确性,直接影响
AID
的诊断及治疗方案的确定
。
[0003]在实际临床实践中,
ANA
阳性核型的情形复杂,包含不典型核型
、
罕见核型
、
复合核型等情形,医生在
IIFA
阅片时,限于自身经验,有时会对部分
ANA
核型视而不见
、
见而不识
、
识而不辨;在诊断报告中,存在粗粒度的
ANA
诊断结论,如颗粒型
(AC
‑4,
5)
,并没有精确到细粒度的诊断,如细颗粒型
(ACr/>‑
4)
或粗颗粒型
(AC
‑
5)
,而有时又精确到细粒度的诊断
。
此外,医生对
ANA
复合核型的辨识度较低
。
[0004]当前对
ANA
分型的研究主要分为针对标本图像的
ANA
分类和针对单细胞的
ANA
分类
。
前者的研究多集中于单核型的
ANA
分类,且涉及的
ANA
核型只是一些常见的核型,无法应对复杂的真实临床场景
。
基于单细胞的
ANA
分类方法,首先要精准地分割出单个细胞,而细胞分割本身就具有很大的挑战性;更重要的是,有些核型是无法通过单个细胞确定的,需要结合多个细胞作诊断,并且如何基于多个细胞的分类结果得到样本级别的诊断也是个困难问题;将整个流程串联起来,更增加了正确预测
ANA
核型的不确定性
。
基于标本图像的
ANA
分类方法,许多是基于目标检测算法的,如
R
‑
CNN
系列
、SSD
系列及
YOLO
系列算法等,此类方法依赖医生标注出感兴趣区域
(RegionOfInterest
,
ROI)
,标注过程费时费力,难以规模化地实施,拓展性较低
。
技术实现思路
[0005]本专利技术针对现有技术中标注过程费时费力,难以规模化地实施,拓展性较低的问题,提供了用于免疫荧光图像
ANA
分型的方法和装置
。
[0006]为了解决上述技术问题,本专利技术通过下述技术方案得以解决:
[0007]用于免疫荧光图像
ANA
分型的方法,其方法包括:
[0008]S1
:构建
ANA
图谱库,通过对免疫荧光图像及
ANA
诊断信息进行处理从而构建
ANA
图谱库;
[0009]S2
:数据标签化,对
ANA
图谱库通过标签填充及
One
‑
Hot
编码进行数据的标签化;
[0010]S3
:特征提取,通过对手工特征和大语言模型的深度预训练特征进行特征提取;
[0011]S4
:
ANA
核型多标签分类模型,通过多标签分类算法获取
ANA
核型多标签分类模型;
[0012]S5
:数据驱动的多标签分类模型模型反馈及更新,用于对多标签分类模型进行反
馈更新
。
[0013]作为优选,多标签分类算法包括:
[0014]S4.1
,
ANA
核型分类模型多特征融合,对于
S3
特征提取的手工特征和深度预训练特征与分类模型
Backbone
的
CNN
特征图
F
c
×
h
×
w
进行融合得到第二特征图
F
″
m
×
h
×
w
;其中
c、h、w
分别为特征图的通道数
、
特征图的高和特征图的宽,且
m
=
c+2
;
[0015]S4.2
,预测结果的产生,对于融合后的多特征
ANA
核型分类模型第二特征图
F
″
m
×
h
×
w
产生预测结果;
[0016]S4.3
,
ANA
核型分类模型再训练,通过标签再填充生成新的训练集进行
ANA
核型分类模型再训练
。
[0017]作为优选,
ANA
核型分类模型多特征融合包括:
[0018]特征的转换得到转换后的手工特征
H
′
和转换后的深度预训练特征
D
′
,对于手工特征
H
通过全连接层
FC1
进行转换得到转换后的手工特征
H
′
;对于深度预训练特征
D
通过全连接层
FC2
进行转换得到转换后的深度预训练特征
D
′
;全连接层
FC1
和全连接层
FC2
的输出节点数均为
h
×
w
;
[0019]手工特征及深度预训练特征形状的拼接,将转换后的手工特征
H
′
和转换后的深度预训练特征
D
′
分别
Reshape
成可以与
F
c
×
h
×
w
在通道维度上进行拼接的形状,分别得到手工特征拼接形状
H
″1×
h
×
w
和深度预训练特征拼接形状
D
″1×
h
×
w
;
[0020]本文档来自技高网...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.
用于免疫荧光图像
ANA
分型的方法,其方法包括:
S1
:构建
ANA
图谱库,通过对免疫荧光图像及
ANA
诊断信息进行处理从而构建
ANA
图谱库;
S2
:数据标签化,对
ANA
图谱库通过标签填充及
One
‑
Hot
编码进行数据的标签化;
S3
:特征提取,通过对手工特征和大语言模型的深度预训练特征进行特征提取;
S4
:
ANA
核型多标签分类模型,通过多标签分类算法获取
ANA
核型多标签分类模型;
S5
:数据驱动的多标签分类模型模型反馈及更新,用于对多标签分类模型进行反馈更新
。2.
根据权利要求1所述的用于免疫荧光图像
ANA
分型的方法,其特征在于:多标签分类算法包括:
S4.1
,
ANA
核型分类模型多特征融合,对于
S3
特征提取的手工特征和深度预训练特征与分类模型
Backbone
的
CNN
特征图
F
c
×
h
×
w
进行融合得到第二特征图
F
″
m
×
h
×
w
;其中
c、h、w
分别为特征图的通道数
、
特征图的高和特征图的宽,且
m
=
c+2
;
S4.2
,预测结果的产生,对于融合后的多特征
ANA
核型分类模型第二特征图
F
″
m
×
h
×
w
产生预测结果;
S4.3
,
ANA
核型分类模型再训练,通过标签再填充生成新的训练集进行
ANA
核型分类模型再训练
。3.
根据权利要求2所述的用于免疫荧光图像
ANA
分型的方法,其特征在于:
ANA
核型分类模型多特征融合包括:特征的转换得到转换后的手工特征
H
′
和转换后的深度预训练特征
D
′
,对于手工特征
H
通过全连接层
FC1
进行转换得到转换后的手工特征
H
′
;对于深度预训练特征
D
通过全连接层
FC2
进行转换得到转换后的深度预训练特征
Dv
;全连接层
FC1
和全连接层
FC2
的输出节点数均为
h
×
w
;手工特征及深度预训练特征形状的拼接,将转换后的手工特征
H
′
和转换后的深度预训练特征
D
′
分别
Reshape
成可以与
F
c
×
h
×
w
在通道维度上进行拼接的形状,分别得到手工特征拼接形状
H
″1×
h
×
w
和深度预训练特征拼接形状
D
″1×
h
×
w
;第一特征图
F
′
m
×
h
×
w
的获取,将上述
F
c
×
h
×
w
、
手工特征拼接形状
H
″1×
h
×
w
和深度预训练特征拼接形状
D
″1×
h
×
w
三类特征图按照通道维度进行拼接,得到第一特征图
F
′
m
×
h
×
w
;其中
m
=
c+2
技术研发人员:王晓梅,张耀,
申请(专利权)人:杭州医策科技有限公司,
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。