System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于图像处理,尤其涉及基于多示例学习的癌症病理图像分类系统、介质及设备。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息,不必然构成在先技术。
2、数字病理学是一个新兴的、快速发展的医学成像领域。例如淋巴结转移发生在大多数癌症类型(如乳腺癌、前列腺癌、结肠癌)。腋下的淋巴结是乳腺癌最容易扩散的部位,淋巴结转移是乳腺癌最重要的预后变量之一。然而,病理学家的诊断过程是冗长和耗时的。在过去的几年中,该领域一直朝着具有强大潜在诊断影响的宏伟目标前进:全切片图像(全自动)分析以检测或分级癌症,预测预后或识别转移。
3、专利技术人发现,目前的癌症病理图像分类存在如下技术问题:
4、目前,使用人工特征提取和传统的机器学习算法,基于人工设计特征的核主成分分析、颜色空间下形状特征和纹理特征、局部二值模式(local binary pattern,lbp)和灰度共生矩阵(gray-level co-occurrence matrix,glcm)特征等,并结合支持向量机(support vector machine,svm)和随机森林等分类算法实现癌症病理图像的分类。但是人工特征提取方法需要依赖专家经验,而该领域专家不仅需要工程人员具备丰富的专业领域知识,而且需要耗费大量的时间和精力进行培训,无法快速识别癌症病理组织的问题。
技术实现思路
1、为了解决上述
技术介绍
中存在的至少一项技术问题,本专利技术提供基于多示例学习的癌症病理图像分类系
2、为了实现上述目的,本专利技术采用如下技术方案:
3、本专利技术的第一方面提供基于多示例学习的癌症病理图像分类系统,包括:
4、图像预处理模块,其用于对癌症病理图像全视野切片切割patch,并对patch进行预处理,得到一组有包分类标签的多示例包组成的训练数据集;
5、特征提取模块,其用于通过特征提取网络结构学习训练数据集中patch的深度特征以及训练数据集中多示例包中示例和多示例包的标签之间的映射关系;
6、特征融合模块,其用于将每个包中所有patch的特征融合后结合多示例学习池化网络中得到包的预测标签;
7、特征分类模块,其用于通过预测信息和对应标签信息的损失值调整分类模型中的参数,得到癌症病理图像分类结果。
8、作为一种实施方式,所述图像预处理模块包括roi区域提取模块、切块处理模块、颜色标准化处理模块及图像增强模块;
9、所述roi区域提取模块用于产生可输入到分类模型的组织区域;
10、所述切块处理模块用于产生可直接输入到分类模型中的patch;
11、所述颜色标准化处理模块用于对切出的patch进行染色归一化;
12、所述图像增强模块用于对经过颜色标准化处理的patch通过旋转patch分别以预设的角度进行数据增强。
13、作为一种实施方式,所述系统还包括位置编码模块,所述位置编码模块用于对预处理之后的patch序列添加二维位置信息。
14、作为一种实施方式,所述系统还包括特征拼接模块和特征压缩模块,其用于将
15、特征提取得到的特征向量进行有序拼接得到m个特征向量;
16、所述特征压缩模块用于将得到的m个特征向量输入至多层感知机中,经过降维,得到降维后的特征向量。
17、作为一种实施方式,特征融合模块中,预测标签的计算公式为:
18、,,其中,、代表每个patch的特征向量,k表示包中所含patch的数量,表示每个patch的注意力权重,反映了patch对最终的包预测贡献的大小,其中,为可学习参数,表示双曲正切函数。
19、作为一种实施方式,特征提取模块中,所述特征提取网络结构包括多个卷积层、池化层和通道注意力层,每个通道注意力层分别连接一个卷积层和一个池化层;通过卷积层对patch进行局部感知,从高层次对局部进行综合操作,得到全局信息;通过通道注意力层建模各个特征通道的重要程度,针对性的增强或者抑制不同的特征通道,通过池化层用于对特征降维,压缩数据和参数的数量。
20、作为一种实施方式,特征分类模块中,采用focal loss作为网络模型的损失函数:,其中,为可调节因子,为权重因子,反映了与类别的接近程度。
21、作为一种实施方式,所述系统还包括可视化热图生成模块,所述可视化热图生成模块用于将每个包中patch的注意权重归一化在0到1之间,基于归一化后的注意权重生成热图,其中,注意力权重在阳性区域显示的值大于阴性区域在注意力权重图中显示的值。
22、本专利技术的第二方面提供一种计算机可读存储介质。
23、一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如下步骤:
24、对癌症病理图像全视野切片切割patch,并对patch进行预处理,得到一组有包分类标签的多示例包组成的训练数据集;
25、通过特征提取网络结构学习训练数据集中patch的深度特征以及训练数据集中多示例包中示例和多示例包的标签之间的映射关系;
26、将每个包中所有patch的特征融合后结合多示例学习池化网络中得到包的预测标签;
27、通过预测信息和对应标签信息的损失值调整分类模型中的参数,得到癌症病理图像分类结果。
28、本专利技术的第三方面提供一种计算机设备。
29、一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如下步骤:
30、对癌症病理图像全视野切片切割patch,并对patch进行预处理,得到一组有包分类标签的多示例包组成的训练数据集;
31、通过特征提取网络结构学习训练数据集中patch的深度特征以及训练数据集中多示例包中示例和多示例包的标签之间的映射关系;
32、将每个包中所有patch的特征融合后结合多示例学习池化网络中得到包的预测标签;
33、通过预测信息和对应标签信息的损失值调整分类模型中的参数,得到癌症病理图像分类结果。
34、与现有技术相比,本专利技术的有益效果是:
35、1、本专利技术通过特征提取网络结构学习训练数据集中patch的深度特征以及训练数据集中多示例包中示例和多示例包的标签之间的映射关系;将每个包中所有patch的特征融合后结合多示例学习池化网络中得到包的预测标签;通过预测信息和对应标签信息的损失值调整分类模型中的参数,得到病理图像分类结果。
36、2、本专利技术能够直接输入全视野切片进行癌症分类,无需进行多步操作,数据处理模块整合到网络模型中,促进了切片识别的便捷性和专利技术的可实用性;相较于其他的病理识别模型,多分支的特征提取模块还能够快速识别癌症病理组织,基于注意本文档来自技高网...
【技术保护点】
1.基于多示例学习的癌症病理图像分类系统,其特征在于,包括:
2.如权利要求1所述的基于多示例学习的癌症病理图像分类系统,其特征在于,所述图像预处理模块包括ROI区域提取模块、切块处理模块、颜色标准化处理模块及图像增强模块;
3.如权利要求1所述的基于多示例学习的癌症病理图像分类系统,其特征在于,所述系统还包括位置编码模块,所述位置编码模块用于对预处理之后的patch序列添加二维位置信息。
4.如权利要求1所述的基于多示例学习的癌症病理图像分类系统,其特征在于,所述系统还包括特征拼接模块和特征压缩模块,其用于将特征提取得到的特征向量进行有序拼接得到M个特征向量;
5.如权利要求1所述的基于多示例学习的癌症病理图像分类系统,其特征在于,特征融合模块中,预测标签的计算公式为:
6.如权利要求1所述的基于多示例学习的癌症病理图像分类系统,其特征在于,特征提取模块中,所述特征提取网络结构包括多个卷积层、池化层和通道注意力层,每个通道注意力层分别连接一个卷积层和一个池化层;
7.如权利要求1所述的基于多示例学习的癌症病
8.如权利要求1所述的基于多示例学习的癌症病理图像分类系统,其特征在于,所述系统还包括可视化热图生成模块,所述可视化热图生成模块用于将每个包中patch的注意权重归一化在0到1之间,基于归一化后的注意权重生成热图,其中,注意力权重在阳性区域显示的值大于阴性区域在注意力权重图中显示的值。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如下步骤:
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如下步骤:
...【技术特征摘要】
1.基于多示例学习的癌症病理图像分类系统,其特征在于,包括:
2.如权利要求1所述的基于多示例学习的癌症病理图像分类系统,其特征在于,所述图像预处理模块包括roi区域提取模块、切块处理模块、颜色标准化处理模块及图像增强模块;
3.如权利要求1所述的基于多示例学习的癌症病理图像分类系统,其特征在于,所述系统还包括位置编码模块,所述位置编码模块用于对预处理之后的patch序列添加二维位置信息。
4.如权利要求1所述的基于多示例学习的癌症病理图像分类系统,其特征在于,所述系统还包括特征拼接模块和特征压缩模块,其用于将特征提取得到的特征向量进行有序拼接得到m个特征向量;
5.如权利要求1所述的基于多示例学习的癌症病理图像分类系统,其特征在于,特征融合模块中,预测标签的计算公式为:
6.如权利要求1所述的基于多示例学习的癌症病理图像分类系统,其特征在于,特征提取模...
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。