一种基于显微成像的病理特征识别及阴性排除方法技术

本发明专利技术公开了一种基于显微成像的病理特征识别及阴性排除方法，包括如下步骤：S1、采集病理切片图像并数字化生成原始显微图像数据；S2、对原始显微图像进行预处理；S3、构建融合变换器编码与门控动态感受野机制的病理图像识别网络，输出病理特征向量；S4、通过注意力引导与类别感知解码器进行上下文建模，输出图像分类结果；S5、基于正负样本嵌入构建判别边界分离模型，进行阴性排除判断；S6、结合不确定性与边界距离进行置信度加权评估，设定动态阈值，筛除低可信样本；S7、将分类结果与阴性标签编码为结构化数据，发送至诊断辅助系统。本发明专利技术融合多尺度建模与阴性筛查机制，实现病理图像智能识别与可信诊断输出。

【技术实现步骤摘要】

本专利技术涉及医学图像分析与计算病理学，尤其涉及一种基于显微成像的病理特征识别及阴性排除方法。

技术介绍

1、在数字病理学的快速发展背景下，显微图像分析逐渐成为辅助病理诊断的重要手段，尤其在肿瘤筛查、组织分类及形态学特征识别等任务中发挥了重要作用。传统的病理诊断依赖人工观察显微切片，主观性强、效率低，且在面对大规模图像数据时极易受到医生疲劳、经验差异等因素影响，导致诊断结果的准确性与一致性难以保障。近年来，随着深度学习在医学图像领域的广泛应用，越来越多的研究尝试使用卷积神经网络(cnn)对显微图像进行自动特征提取和分类，但现有方法在处理病理图像多尺度结构、非均匀染色、复杂组织边界等问题时仍存在明显局限。

2、现有技术通常使用固定感受野的cnn结构对病理图像进行特征提取，难以同时捕获细胞层级的局部形态特征与组织层级的全局空间关系，导致模型在识别病灶边界或微小病变时表现不稳定。同时，现有方法在面对病理图像类别之间模糊分布或样本数量不均衡的问题时，分类结果往往出现可信度不足或阴性样本误判的现象，特别是对于正常组织与低风险病灶之间的判别，常常缺乏有效的本文档来自技高网...

【技术保护点】

1.一种基于显微成像的病理特征识别及阴性排除方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于显微成像的病理特征识别及阴性排除方法，其特征在于，所述S1具体包括：

3.根据权利要求1所述的一种基于显微成像的病理特征识别及阴性排除方法，其特征在于，所述S2具体包括：

4.根据权利要求1所述的一种基于显微成像的病理特征识别及阴性排除方法，其特征在于，所述S3具体包括：

5.根据权利要求1所述的一种基于显微成像的病理特征识别及阴性排除方法，其特征在于，所述S4具体包括：

6.根据权利要求1所述的一种基于显微成像的病理特...

【技术特征摘要】

1.一种基于显微成像的病理特征识别及阴性排除方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于显微成像的病理特征识别及阴性排除方法，其特征在于，所述s1具体包括：

3.根据权利要求1所述的一种基于显微成像的病理特征识别及阴性排除方法，其特征在于，所述s2具体包括：

4.根据权利要求1所述的一种基于显微成像的病理特征识别及阴性排除方法，其特征在于，所述s3具体包括：

5.根...

【专利技术属性】
技术研发人员：宋永江，吴昌亮，李现文，赵宇飞，
申请(专利权)人：鼎昌医学科技苏州有限公司，
类型：发明
国别省市：