一种用于肺癌组织病理图像的智能分类方法技术

本发明专利技术属于病理图像分析技术领域，公开了一种用于肺癌组织病理图像的智能分类方法，包括：用符合预设要求的肺癌组织病理图像训练本地服务器；获取所述本地服务器的本地参数，并通过本地服务器的训练正确率计算所述本地参数的聚合权重；向所述中心服务器发送所述本地参数及与之对应的聚合权重；接收由所述中心服务器聚合反馈的全局参数，且所述全局参数由多个本地参数聚合而成；利用所述全局参数更新覆盖所述本地服务器的本地参数；将待分类的肺癌组织病理图像输入至更新后的本地服务器，得到智能分类结果。综上，通过多个本地数据共同地聚合形成全局参数，且利用全局参数更新覆盖本地参数，以此更进一步的实现图像准确分类。以此更进一步的实现图像准确分类。以此更进一步的实现图像准确分类。

【技术实现步骤摘要】
一种用于肺癌组织病理图像的智能分类方法


[0001]本专利技术属于病理图像分析
，具体涉及一种用于肺癌组织病理图像的智能分类方法。

技术介绍

[0002]肺癌是全世界最常见的恶性肿瘤之一，其大部分患者确诊时已处于肿瘤中晚期，5年生存率只有18％左右。对于中晚期肺癌患者，主要的治疗手段为全身综合治疗，即通过联合放化疗、靶向治疗及免疫治疗改善患者生活质量以及延长生存期。
[0003]最新国内外肺癌指南均建议，对于EGFR敏感突变患者优先选用EGFR
‑
TKIs作为标准一线治疗方案。然而，EGFR敏感突变患者中仍有20
‑
30％对EGFR
‑
TKIs具有原发性耐药(无疾病进展生存时间＜3个月)，不能从EGFR
‑
TKIs治疗中获益，因此临床迫切需要可早期预测EGFR
‑
TKIs疗效的其他指标，以尽早甄别可能从治疗中获益的患者，及时调整、优化个体化治疗方案，但是目前中晚期非小细胞肺癌EGFR突变和耐药难以精准量化分层存在临床挑战。
[0004]近年来，深度学习方法具有较强学习特征的能力，能从影像数据中挖掘出与诊断任务相关的深度特征，从而获得更高的疾病诊断准确率。然而，再临床数据分析中，因医疗数据隐私规定，各机构之间不能收集和共享患者数据，同时多中心机构数据之间存在采集设备、跨地域、图像质量等差异，从而导致单一机构训练出的模型在多中心数据上分类性能不佳。

技术实现思路

[0005]鉴于此，为解决上述背景技术中所提出的问题，本专利技术的目的在于提供一种用于肺癌组织病理图像的智能分类方法。
[0006]为实现上述目的，本专利技术提供如下技术方案：
[0007]一种用于肺癌组织病理图像的智能分类方法，包括：
[0008]用符合预设要求的肺癌组织病理图像训练本地服务器；
[0009]获取所述本地服务器的本地参数，并通过本地服务器的训练正确率计算所述本地参数的聚合权重；
[0010]向所述中心服务器发送所述本地参数及与之对应的聚合权重；
[0011]接收由所述中心服务器聚合反馈的全局参数，且所述全局参数由多个本地参数聚合而成；
[0012]利用所述全局参数更新覆盖所述本地服务器的本地参数；
[0013]将待分类的肺癌组织病理图像输入至更新后的本地服务器，得到智能分类结果。
[0014]优选的，符合预设要求的肺癌组织病理图像包括ImageNet图像、WSI图像、CT图像。
[0015]优选的，训练本地服务器包括：
[0016]通过ImageNet图像训练ResNet网络得到源网络1，通过WSI图像训练ResNet网络得
到源网络2；
[0017]通过所述源网络1与所述源网络2获得源特征空间1和源特征空间2，且所述源网络1与所述源网络2中每一个卷积核的输出分别为源特征空间1与源特征空间2中的一特征图；
[0018]构建基于CNN结构和Transformer结构的特征提取网络，并建立关于特征提取网络与源特征空间1、源特征空间2之间的损失函数；
[0019]通过所述特征提取网络提取关于ImageNet图像和WSI图像的深度学习特征，并以所述深度学习特征和CT图像为训练集训练所述本地服务器。
[0020]优选的，所述Transformer结构包括横向拼接的多个单头自注意力矩阵：
[0021]MHSA(X)＝Concat(head1,head2,...,head
h
)；
[0022][0023]式中，R
h
和R
w
分别为特征图的二维相对位置编码，将两位置编码进行叠加融合得到图像的位置空间先验且r∈R
H
×
W
×
d
，为矩阵的相加，为特征图q、k、v的空间敏感相似性特征。
[0024]优选的，建立关于特征提取网络与源特征空间1、源特征空间2之间的损失函数包括：
[0025](1)设x为两个源网络1与源网络2的输入，和分别对应源特征空间1和源特征空间2的第m1；层的特征图，表示参数为θ的特征提取网络第n层的特征图；特征提取网络是利用S1和S2中的有效特征来约束T
θ
的训练，且与之间的约束为l2范数距离；所述l2范数距离表达式为：式中，r
θ
()为逐点卷积，保证与具有相同的通道数；
[0026](2)定义源网络1与源网络2中的每个特征图的加权特征匹配损失为：
[0027][0028][0029]式中，H
×
W是与的特征图大小，为第c1个通道中与之间的匹配权重,为第c2个通道中与之间的匹配权重,且
[0030](3)定义为和的取值，且以和中每个特征图的全局均值池化为输入，以softmax形式作为特征提取网络的输出：式中，φ为的参数；
[0031](4)分别以和中的每个卷积块的输出为一个单位，分别为每
对卷积块(m,n)引入一个可学习参数λ
m,n
＞0，该可学习参数λ
m,n
表示对的迁移程度；
[0032](5)定义为可学习参数λ
m,n
的取值，以和的全局均值池化为输入，且
[0033](6)在得到每个特征图的匹配权重后，定义迁移的损失为：
[0034]式中，P1和P2分别为对的候选卷积块对的集合；
[0035]特征提取网络的最终损失函数为：
[0036]L
total
(θ|x,y,φ)＝L
org
(θ|x,y)+βL
wfm
(θ|x,φ)；式中，L
org
(θ|x,y)为特征提取网络原始的损失函数，β是一个超参数。
[0037]优选的，利用CT图像训练所述特征提取网络包括：
[0038]初始化参数；
[0039]以所述深度学习特征和CT图像为训练集训练所述本地服务器，获得最小参数，且所述最小参数为所述本地服务器的本地参数。
[0040]优选的，所述聚合权重的计算公式如下：式中，和分别为第i个本地服务器在第t轮训练中的训练正确率和聚合权重，s为本地服务器的总数。
[0041]优选的，所述全局参数的聚合公式如下：式中，ω
t
和ω
t
‑1分别为第t轮训练及第t
‑
1轮训练中的全局参数，为第t轮训练中第i个本地服务器的本地参数。
[0042]优选的，通过所述本地服务器智能分类肺癌组织病理图像包括：以L1范数的极限学习机为分类器，通过所述分类器对提取的图像特征进行分类，得到分类结果。
[0043]优选的，通过所述本地服务器智能分类肺癌组织病理图像包括：
[0044]在ELM优化求解引入L1范数，得到优化求解公式如下：
[0045]式中，t表示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于肺癌组织病理图像的智能分类方法，其特征在于，包括：采用符合预设要求的肺癌组织病理图像训练本地服务器；获取所述本地服务器的本地参数，并通过本地服务器的训练正确率计算所述本地参数的聚合权重；向所述中心服务器发送所述本地参数及与之对应的聚合权重；接收由所述中心服务器聚合反馈的全局参数，且所述全局参数由多个本地参数聚合而成；利用所述全局参数更新覆盖所述本地服务器的本地参数；将待分类的肺癌组织病理图像输入至更新后的本地服务器，得到智能分类结果。2.根据权利要求1所述的用于肺癌组织病理图像的智能分类方法，其特征在于：符合预设要求的肺癌组织病理图像包括ImageNet图像、WSI图像、CT图像。3.根据权利要求2所述的用于肺癌组织病理图像的智能分类方法，其特征在于，训练本地服务器包括：通过ImageNet图像训练ResNet网络得到源网络1，通过WSI图像训练ResNet网络得到源网络2；通过所述源网络1与所述源网络2获得源特征空间1和源特征空间2，且所述源网络1与所述源网络2中每一个卷积核的输出分别为源特征空间1与源特征空间2中的一特征图；构建基于CNN结构和Transformer结构的特征提取网络，并建立关于特征提取网络与源特征空间1、源特征空间2之间的损失函数；通过所述特征提取网络提取关于ImageNet图像和WSI图像的深度学习特征，并以所述深度学习特征和CT图像为训练集训练所述本地服务器。4.根据权利要求3所述的用于肺癌组织病理图像的智能分类方法，其特征在于，所述Transformer结构包括横向拼接的多个单头自注意力矩阵：MHSA(X)＝Concat(head1,head2,...,head
h
)；式中，R
h
和R
w
分别为特征图的二维相对位置编码，将两位置编码进行叠加融合得到图像的位置空间先验且r∈R
H
×
W
×
d
，为矩阵的相加，为特征图q、k、v的空间敏感相似性特征。5.根据权利要求3所述的用于肺癌组织病理图像的智能分类方法，其特征在于，建立关于特征提取网络与源特征空间1、源特征空间2之间的损失函数包括：(1)设x为两个源网络1与源网络2的输入，和分别对应源特征空间1和源特征空间2的第m1；层的特征图，表示参数为θ的特征提取网络第n层的特征图；特征提取网络是利用S1和S2中的有效特征来约束T
θ
的训练，且与之间的约束为l2范数距离；所述l2范数距离表达式为：式中，r
θ
()为逐点卷积，保证与具有相同的通道数；(2)定义源网络1与源网络2中的每个特征图的加权特征匹配损失...

【专利技术属性】
技术研发人员：陈相猛，潘贤，段晓蓓，冯宝，侍江峰，陈业航，邝琼莲，陆森良，李荣岗，崔恩铭，龙晚生，
申请(专利权)人：桂林航天工业学院，
类型：发明
国别省市：