【技术实现步骤摘要】
本申请涉及人工智能，特别是涉及一种肿瘤辅助诊断模型的训练方法、肿瘤辅助诊断方法、肿瘤辅助诊断模型的训练装置、肿瘤辅助诊断装置、肿瘤辅助诊断设备、计算机设备和计算机可读存储介质。
技术介绍
1、人工智能(ai)技术已被开发用于部分替代现实中病理医生的工作，且已取得了一定的效果，此领域的ai分值被称为计算病理学(cpath)，与传统病理医生于显微镜下直接读片有所不同。
2、在目前的肿瘤辅助诊断当中，主要依靠对染色后的肿瘤组织样本切片先进行数字化扫描，再将所生产的全切片图像(wsi)经人工智能模型获得肿瘤组织辅助诊断结果。然而，目前的肿瘤辅助诊断方式中所使用的人工智能模型存在泛化性差、判别准确率及判别效率低的技术问题。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种肿瘤辅助诊断模型的训练方法、肿瘤辅助诊断方法、肿瘤辅助诊断模型的训练装置、肿瘤辅助诊断装置、肿瘤辅助诊断设备、计算机设备和计算机可读存储介质。
2、第一方面，本申请提供了一种肿瘤辅助诊断模型的训练方法，由计算机设备执行，所述方法包括：
3、通过多个多光子通道同时采集而获得包含肿瘤组织样本的细胞形态信息的第一类训练图像、包含所述肿瘤组织样本的胞外基质信息的第二类训练图像以及包含所述肿瘤组织样本的化学分子信息的第三类训练图像；
4、获取所述肿瘤组织样本的判别标签信息；
5、将所述第一类训练图像、第二类训练图像和第三类训练图像以及所述判别标签信息输入至待训练的肿
6、在其中一个实施例中，所述通过多个多光子通道同时采集而获得包含肿瘤组织样本的细胞形态信息的第一类训练图像、包含所述肿瘤组织样本的胞外基质信息的第二类训练图像以及包含所述肿瘤组织样本的化学分子信息的第三类训练图像，包括：
7、通过三次谐波通道采集包含所述肿瘤组织样本的细胞形态信息的第一类训练图像；通过二次谐波通道采集包含所述肿瘤组织样本的胞外基质信息的第二类训练图像；通过三光子通道和/或双光子通道采集包含所述肿瘤组织样本的化学分子信息的第三类训练图像。
8、在其中一个实施例中，所述将所述第一类训练图像、第二类训练图像和第三类训练图像以及所述判别标签信息输入至待训练的肿瘤辅助诊断模型，当满足训练完成条件时得到肿瘤辅助诊断模型，包括：
9、基于多任务学习，利用所述第一类训练图像、第二类训练图像和第三类训练图像以及所述判别标签信息对所述待训练的肿瘤辅助诊断模型进行训练，当满足训练完成条件时得到肿瘤辅助诊断模型；其中，所述多任务学习包括组织类型的判别以及肿瘤良恶性的判别；所述判别标签信息包括组织类型的判别标签以及肿瘤良恶性的判别标签。
10、在其中一个实施例中，所述基于多任务学习，利用所述第一类训练图像、第二类训练图像和第三类训练图像以及所述判别标签信息对所述待训练的肿瘤辅助诊断模型进行训练，当满足训练完成条件时得到肿瘤辅助诊断模型，包括：
11、将所述第一类训练图像、第二类训练图像和第三类训练图像以及所述判别标签信息输入所述待训练的肿瘤辅助诊断模型，由所述肿瘤辅助诊断模型中共享特征提取层获取所述第一类训练图像、第二类训练图像和第三类训练图像的训练图像共享特征信息并分别传递至所述肿瘤辅助诊断模型中组织类型判别层以及所述肿瘤辅助诊断模型中肿瘤良恶性判别层，以供所述组织类型判别层根据所述训练图像共享特征信息得到组织类型判别结果，及所述肿瘤良恶性判别层根据所述训练图像共享特征信息得到肿瘤良恶性判别结果；若所述组织类型判别结果、组织类型的判别标签以及肿瘤良恶性判别结果、肿瘤良恶性的判别标签表征未满足训练完成条件，则调整所述肿瘤辅助诊断模型的模型参数后继续训练，直至满足训练完成条件时得到肿瘤辅助诊断模型。
12、在其中一个实施例中，所述肿瘤良恶性的判别标签包括第一级的良性标签和第一级的恶性标签，还包括归属于所述恶性标签的第二级的分子分型标签。
13、第二方面，本申请提供了一种肿瘤辅助诊断方法，由计算机设备执行，所述方法包括：
14、获取根据如上任一实施例所述的方法训练得到的肿瘤辅助诊断模型；
15、获取目标肿瘤组织的肿瘤组织图像；所述肿瘤组织图像包含通过多个多光子通道同时采集而获得的包含所述目标肿瘤组织的细胞形态信息的第一类图像、包含所述目标肿瘤组织的胞外基质信息的第二类图像以及包含所述目标肿瘤组织的化学分子信息的第三类图像；
16、将所述目标肿瘤组织的肿瘤组织图像输入至所述肿瘤辅助诊断模型，得到所述肿瘤辅助诊断模型输出的所述目标肿瘤组织的辅助诊断结果。
17、第三方面，本申请提供了一种肿瘤辅助诊断模型的训练装置，所述装置包括：
18、图像获得模块，用于通过多个多光子通道同时采集而获得包含肿瘤组织样本的细胞形态信息的第一类训练图像、包含所述肿瘤组织样本的胞外基质信息的第二类训练图像以及包含所述肿瘤组织样本的化学分子信息的第三类训练图像；
19、标签获取模块，用于获取所述肿瘤组织样本的判别标签信息；
20、模型训练模块，用于将所述第一类训练图像、第二类训练图像和第三类训练图像以及所述判别标签信息输入至待训练的肿瘤辅助诊断模型，当满足训练完成条件时得到肿瘤辅助诊断模型。
21、第四方面，本申请提供了一种肿瘤辅助诊断装置，所述装置包括：
22、模型建立模块，用于获取根据如上任一实施例所述的方法训练得到的肿瘤辅助诊断模型；
23、图像获取模块，用于获取目标肿瘤组织的肿瘤组织图像；所述肿瘤组织图像包含通过多个多光子通道同时采集而获得的包含所述目标肿瘤组织的细胞形态信息的第一类图像、包含所述目标肿瘤组织的胞外基质信息的第二类图像以及包含所述目标肿瘤组织的化学分子信息的第三类图像；
24、结果输出模块，用于将所述目标肿瘤组织的肿瘤组织图像输入至所述肿瘤辅助诊断模型，得到所述肿瘤辅助诊断模型输出的所述目标肿瘤组织的辅助诊断结果。
25、第五方面，本申请提供了一种肿瘤辅助诊断设备，所述设备包括：样品台组件、多模态光学成像组件、处理器和显示器；其中，所述样品台组件，用于放置肿瘤组织；所述处理器，用于通过所述多模态光学成像组件中多个多光子通道同时采集而获得的包含所述肿瘤组织的细胞形态信息的第一类图像、包含所述肿瘤组织的胞外基质信息的第二类图像以及包含所述肿瘤组织的化学分子信息的第三类图像，汇总得到所述肿瘤组织的肿瘤组织图像，并根据如上所述的肿瘤辅助诊断方法，将所述肿瘤组织的辅助诊断结果输出至所述显示器进行显示。
26、第六方面，本申请提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
27、通过多个多光子通道同时采集而获得包含肿瘤组织样本的细胞形态信息的第一类训练图像、包含所述本文档来自技高网...
【技术保护点】
1.一种肿瘤辅助诊断模型的训练方法，其特征在于，由计算机设备执行，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述通过多个多光子通道同时采集而获得包含肿瘤组织样本的细胞形态信息的第一类训练图像、包含所述肿瘤组织样本的胞外基质信息的第二类训练图像以及包含所述肿瘤组织样本的化学分子信息的第三类训练图像，包括：
3.根据权利要求1所述的方法，其特征在于，所述将所述第一类训练图像、第二类训练图像和第三类训练图像以及所述判别标签信息输入至待训练的肿瘤辅助诊断模型，当满足训练完成条件时得到肿瘤辅助诊断模型，包括：
4.根据权利要求3所述的方法，其特征在于，所述基于多任务学习，利用所述第一类训练图像、第二类训练图像和第三类训练图像以及所述判别标签信息对所述待训练的肿瘤辅助诊断模型进行训练，当满足训练完成条件时得到肿瘤辅助诊断模型，包括：
5.根据权利要求4所述的方法，其特征在于，所述肿瘤良恶性的判别标签包括第一级的良性标签和第一级的恶性标签，还包括归属于所述恶性标签的第二级的分子分型标签。
6.一种肿瘤辅助诊断方法，其特
7.一种肿瘤辅助诊断模型的训练装置，其特征在于，所述装置包括：
8.一种肿瘤辅助诊断装置，其特征在于，所述装置包括：
9.一种肿瘤辅助诊断设备，其特征在于，所述设备包括：样品台组件、多模态光学成像组件、处理器和显示器；其中，
10.一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，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种肿瘤辅助诊断模型的训练方法，其特征在于，由计算机设备执行，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述通过多个多光子通道同时采集而获得包含肿瘤组织样本的细胞形态信息的第一类训练图像、包含所述肿瘤组织样本的胞外基质信息的第二类训练图像以及包含所述肿瘤组织样本的化学分子信息的第三类训练图像，包括：
3.根据权利要求1所述的方法，其特征在于，所述将所述第一类训练图像、第二类训练图像和第三类训练图像以及所述判别标签信息输入至待训练的肿瘤辅助诊断模型，当满足训练完成条件时得到肿瘤辅助诊断模型，包括：
4.根据权利要求3所述的方法，其特征在于，所述基于多任务学习，利用所述第一类训练图像、第二类训练图像和第三类训练图像以及所述判别标签信息对所述待训练的肿瘤辅助诊断模型...
【专利技术属性】
技术研发人员：朱欣，徐炳蔚，
申请(专利权)人：飞秒激光研究中心广州有限公司，
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。