通过自监督多类标记分层视觉TRANSFORMER来进行基于聚类的组织病理学表型表示学习制造技术

本公开涉及一种用于使用机器学习模型处理数字病理学图像的系统和方法，所述机器学习模型包括被配置为用多个分类标记进行无监督聚类的自监督分层视觉Transformer(ViT)。所述方法包括接收描绘用组织学染料染色的组织切片的数字病理学图像。所述数字病理学图像可被处理以生成包括所述数字病理学图像的单独的分块的多个经预测分类的结果。所述结果由机器学习模型使用自监督分层视觉Transformer(ViT)来生成，所述自监督分层视觉Transformer可进一步包括多头自注意力模块，所述多头自注意力模块被配置为针对所述数字病理学图像中的每个单独的分块，使用注意力机制来预测跨分块相关性度量，从而基于所述跨分块相关性度量来将所述单独的分块分配到簇。

【技术实现步骤摘要】
【国外来华专利技术】

技术介绍

1、访问大规模和高质量的数据集可能被证实是机器学习的主要驱动力。例如，imagenet是已经被用于训练计算机视觉模型的数据集，这些计算机视觉模型在处理自然图像时表现出色。同时，对于医学图像分析任务，经标记数据可能是稀缺的且昂贵的，因为通常可能需要来自多位专家的标注，而众包可能不是一种选项。此外，医学专家之间的观察者间差异性可能会影响数据集的质量。因此，为医学成像分析任务组装大型且高质量的数据集往往可能成本和时间都过高，这可能会限制该领域的研究和模型开发的进展。

2、无监督机器学习是使用未经标记数据来训练模型的方法。无监督学习可以为上述挑战提供解决方案，并且促进更准确的人工智能(ai)模型的开发。迁移学习是可以对模型进行预训练(例如，使用imagenet数据集)并且然后使用感兴趣的数据类型(例如，医学图像)对模型进行微调的技术。这种方法是有利的，因为imagenet数据集通常比医学数据集大得多，从而为理解基本图像特征提供了具有良好基础的模型。然而，由于来自imagenet的自然场景图像与医学图像之间的特征和模式的潜在差异阻碍模型的收敛本文档来自技高网...

【技术保护点】

1.一种计算机实现的方法，其包括：

2.根据权利要求1所述的计算机实现的方法，其中所述多个经预测分类包括组织类型。

3.根据权利要求1或2所述的计算机实现的方法，其中所述多个经预测分类包括放大级别。

4.根据权利要求1至3所述的计算机实现的方法，其中所述多个经预测分类包括表征组织学特征的诊断类别。

5.根据权利要求4所述的计算机实现的方法，其中所述诊断类别包括非诊断类别、恶性肿瘤阴性类别、非典型类别、肿瘤：良性类别、疑似类别或恶性肿瘤阳性类别。

6.根据权利要求1至5所述的计算机实现的方法，其中所述多个经预测分类包括对于以下进行...

【技术特征摘要】
【国外来华专利技术】

1.一种计算机实现的方法，其包括：

2.根据权利要求1所述的计算机实现的方法，其中所述多个经预测分类包括组织类型。

3.根据权利要求1或2所述的计算机实现的方法，其中所述多个经预测分类包括放大级别。

4.根据权利要求1至3所述的计算机实现的方法，其中所述多个经预测分类包括表征组织学特征的诊断类别。

5.根据权利要求4所述的计算机实现的方法，其中所述诊断类别包括非诊断类别、恶性肿瘤阴性类别、非典型类别、肿瘤：良性类别、疑似类别或恶性肿瘤阳性类别。

6.根据权利要求1至5所述的计算机实现的方法，其中所述多个经预测分类包括对于以下进行预测的类别：所述数字病理学图像是否描绘恶性肿瘤的特定组织学特征；或所述数字病理学图像描绘恶性肿瘤的所述特定组织学特征的程度。

7.根据权利要求6所述的计算机实现的方法，其中恶性肿瘤的所述特定组织学特征包括：高细胞密度、细胞扩大、细胞黏附力缺乏、高核质比...

【专利技术属性】
技术研发人员：M·S·米里，S·卡尔拉，叶家荣，
申请(专利权)人：文塔纳医疗系统公司，
类型：发明
国别省市：