【技术实现步骤摘要】
本专利技术属于基因突变检测与评价，具体涉及一种甲状腺乳头状瘤braf基因突变检测装置。
技术介绍
1、甲状腺乳头状瘤（ptc）是甲状腺最常见的恶性肿瘤类型之一，其诊断和治疗中的分子标记物和基因突变检测方法在临床实践中变得愈发重要。其中，braf基因突变在甲状腺乳头状瘤中被广泛研究和关注。
2、braf基因编码了一种激酶蛋白，是ras/raf/mek/erk信号通路的关键成员，参与调控细胞生长、增殖和分化等生物学过程。braf基因突变与癌症的确诊密切相关，在临床中若检测到braf基因突变，则医生会考虑患者大概率发生了癌变。
3、针对braf基因突变的检测方法在临床诊断和预后评估中发挥着重要作用。目前，常用的生物学检测方法包括pcr（聚合酶链式反应）、sanger测序、下一代测序（ngs）等。生物学方法虽然具有较高的准确性和可靠性，但也不可避免地需要更高的时间与经济成本。
4、随着计算机技术的飞速发展，深度学习方法在医学图像领域展现出了巨大的潜力和优势。这一技术革新正在改变着医学影像分析的方式，为医疗保健领域带来了新的可能性和发展机遇。深度学习作为人工智能的一支重要分支，以其强大的自我学习和特征提取能力，成为医学图像处理中的关键利器。它通过大规模数据训练和复杂的神经网络结构，能够从医学影像中提取高级抽象特征，进而实现对图像的智能化分析和诊断。这种方法的优势在于可以高效地处理复杂的影像数据，发现隐藏在图像背后的规律和模式，从而辅助医生做出更准确的诊断和治疗决策。
5、对于甲状腺乳头状瘤中
技术实现思路
1、针对上述技术问题，本专利技术的目的的提出一种甲状腺乳头状瘤braf基因突变检测装置，能够通过对染色病理切片图像的自动化分析和特征提取来预测braf基因突变情况，为临床提供更多的辅助信息，有望成为未来甲状腺癌诊断和治疗的重要辅助手段。
2、为实现上述专利技术目的，本专利技术提供以下技术方案：
3、第一方面，本专利技术实施例提供的一种甲状腺乳头状瘤braf基因突变检测装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，实现以下braf基因突变检测步骤：
4、获取甲状腺乳头状瘤的染色病理切片图像并进行预处理得到预处理图像，利用医疗大模型从预处理图像中分割图像肿瘤区域作为分割掩码通道图；
5、构建包括教师模型和学生模型的学习系统，在教师模型中，预处理图像和分割掩码通道图依次经过通道注意力模块、第一特征提取模块以及第一特征预测模块得到braf基因是否突变的第一预测概率，在学生模型中，预处理图像依次经过第二特征提取模块和第二特征预测模块得到braf基因是否突变的第二预测概率；
6、基于学习系统对学生模型进行基于预训练后教师模型的蒸馏学习以优化学生模型参数，蒸馏学习时采用的总损失包括第一特征提取模块输出第一特征与第二特征提取模块输出第二特征之间的差异损失，第一预测概率与第二预测概率之间的kl散度损失，第二预测概率与真实标签之间的第二分类任务损失；
7、参数优化的学生模型作为braf基因突变检测模型用于检测甲状腺乳头状瘤braf基因突变情况。
8、优选地，对甲状腺乳头状瘤的染色病理切片图像进行预处理，包括图像去噪处理、颜色标准化处理、以及图像大小归一化处理。
9、优选地，所述通道注意力模块中，输入图像表示为预处理图像的rgb三通道图和分割掩码通道图，共计四个通道图分别通过平均池化层以及全连接层计算四个通道图的权重，四个通道图的权重与输入图像相乘得到加权的图像。
10、优选地，所述第一特征提取模块和第一特征预测模块采取resnet34网络结构，第一特征提取模块采用resnet34网络的卷积模块根据通道注意力模块输出的加权的图像进行特征提取并输出第一特征，第一特征预测模块采用resnet34网络的全连接层根据第一特征提取模块输出的第一特征进行预测输出braf基因是否突变的第一预测概率。
11、优选地，所述第二特征提取模块采用带有残差结构的卷积神经网络，第二特征预测模块采用卷积神经网络根据预处理图像提取第二特征；
12、所述第二特征预测模块采用全连接网络，第二特征预测模块采用全连接网络根据第二特征提取模块输出的第二特征进行预测输出braf基因是否突变的第二预测概率。
13、优选地，所述教师模型在参与蒸馏学习之前经过预训练，预训练时以第一特征预测模块输出的第一预测概率与braf基因突变的真实标签之间的交叉熵作为第一分类任务损失，通过第一分类任务损失更新教师模型参数。
14、优选地，差异损失采用l2损失，表示为：
15、；
16、其中，表示差异损失，、表示第一特征和第二特征分别在维空间中的第维坐标；
17、kl散度损失，表示为：
18、；
19、其中，为学生模型将第个样本图像预测为第类的预测概率值，为教师模型将第个样本图像预测为第类的预测概率值，为样本图像数量；
20、第二任务分类损失采用交叉熵损失，则对学生模型蒸馏学习的总损失为：
21、；
22、其中，、、为超参数，取值范围为(0,1)，且满足。
23、优选地，利用braf基因突变检测模型检测甲状腺乳头状瘤braf基因突变情况时，对采集的甲状腺乳头状瘤的染色病理切片图像进行预处理，并将得到的预处理图像输入至braf基因突变检测模型，依次经过第二特征提取模块和第二特征预测模块进行特征提取和特征预测得到第二预测概率，所述第二预测概率能够表示braf基因是否突变的结果。
24、第三方面，本专利技术实施例提供的一种甲状腺乳头状瘤braf基因突变检测装置，包括：
25、图像获取及预处理单元，用于获取甲状腺乳头状瘤的染色病理切片图像并进行预处理得到预处理图像，利用医疗大模型从预处理图像中分割图像肿瘤区域作为分割掩码通道图；
26、学习系统构建单元，用于构建包括教师模型和学生模型的学习系统，在教师模型中，预处理图像和分割掩码通道图依次经过通道注意力模块、第一特征提取模块以及第一特征预测模块得到braf基因是否突变的第一预测概率，在学生模型中，预处本文档来自技高网...
【技术保护点】
1.一种甲状腺乳头状瘤BRAF基因突变检测装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，其特征在于，所述一个或多个处理器执行所述可执行代码时，实现以下BRAF基因突变检测步骤：
2.根据权利要求1所述的甲状腺乳头状瘤BRAF基因突变检测装置，其特征在于，对甲状腺乳头状瘤的染色病理切片图像进行预处理，包括图像去噪处理、颜色标准化处理、以及图像大小归一化处理。
3.根据权利要求1所述的甲状腺乳头状瘤BRAF基因突变检测装置，其特征在于，所述通道注意力模块中，输入图像表示为预处理图像的RGB三通道图和分割掩码通道图，共计四个通道图分别通过平均池化层以及全连接层计算四个通道图的权重，四个通道图的权重与输入图像相乘得到加权的图像。
4.根据权利要求1所述的甲状腺乳头状瘤BRAF基因突变检测装置，其特征在于，所述第一特征提取模块和第一特征预测模块采取Resnet34网络结构，第一特征提取模块采用Resnet34网络的卷积模块根据通道注意力模块输出的加权的图像进行特征提取并输出第一特征，第一特征预测模块采用Resnet34网络的全连接层根
5.根据权利要求1所述的甲状腺乳头状瘤BRAF基因突变检测装置，其特征在于，所述第二特征提取模块采用带有残差结构的卷积神经网络，第二特征预测模块采用卷积神经网络根据预处理图像提取第二特征；
6.根据权利要求1所述的甲状腺乳头状瘤BRAF基因突变检测装置，其特征在于，所述教师模型在参与蒸馏学习之前经过预训练，预训练时以第一特征预测模块输出的第一预测概率与BRAF基因突变的真实标签之间的交叉熵作为第一分类任务损失，通过第一分类任务损失更新教师模型参数。
7.根据权利要求1所述的甲状腺乳头状瘤BRAF基因突变检测装置，其特征在于，差异损失采用L2损失，表示为：
8.根据权利要求1所述的甲状腺乳头状瘤BRAF基因突变检测装置，其特征在于，利用BRAF基因突变检测模型检测甲状腺乳头状瘤BRAF基因突变情况时，对采集的甲状腺乳头状瘤的染色病理切片图像进行预处理，并将得到的预处理图像输入至BRAF基因突变检测模型，依次经过第二特征提取模块和第二特征预测模块进行特征提取和特征预测得到第二预测概率，所述第二预测概率能够表示BRAF基因是否突变的结果。
9.一种甲状腺乳头状瘤BRAF基因突变检测装置，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1-8中任一项所述的甲状腺乳头状瘤BRAF基因突变检测装置中实现的BRAF基因突变检测步骤。
...【技术特征摘要】
1.一种甲状腺乳头状瘤braf基因突变检测装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，其特征在于，所述一个或多个处理器执行所述可执行代码时，实现以下braf基因突变检测步骤：
2.根据权利要求1所述的甲状腺乳头状瘤braf基因突变检测装置，其特征在于，对甲状腺乳头状瘤的染色病理切片图像进行预处理，包括图像去噪处理、颜色标准化处理、以及图像大小归一化处理。
3.根据权利要求1所述的甲状腺乳头状瘤braf基因突变检测装置，其特征在于，所述通道注意力模块中，输入图像表示为预处理图像的rgb三通道图和分割掩码通道图，共计四个通道图分别通过平均池化层以及全连接层计算四个通道图的权重，四个通道图的权重与输入图像相乘得到加权的图像。
4.根据权利要求1所述的甲状腺乳头状瘤braf基因突变检测装置，其特征在于，所述第一特征提取模块和第一特征预测模块采取resnet34网络结构，第一特征提取模块采用resnet34网络的卷积模块根据通道注意力模块输出的加权的图像进行特征提取并输出第一特征，第一特征预测模块采用resnet34网络的全连接层根据第一特征提取模块输出的第一特征进行预测输出braf基因是否突变的第一预测概率。
5.根据权利要求1所述的甲状腺乳头状瘤braf基因突变检测装置，其特征在于，所述第二特...
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。