【技术实现步骤摘要】
本专利技术涉及医学领域，特别涉及基于弱监督学习的卵巢癌同源重组缺陷分析系统。
技术介绍
1、卵巢癌(eoc)是妇科恶性肿瘤患者死亡的主要原因之一，且eoc的发病率一直在逐渐上升。大多数eoc为高级别浆液性癌(hgsc)，其余为低级别浆液性癌、透明细胞癌、子宫内膜样腺癌及黏液腺癌。通过对癌症基因组图谱(tcga)数据库中卵巢肿瘤的分子特征进行分析，发现不同卵巢肿瘤亚型之间存在不同的分子特征。
2、现在，病理医生可以通过分析不同卵巢肿瘤亚型之间的分子特征来预先判断患者的预后情况，但是该技术需要对患者的dna进行扩增测序，需要消耗大量的医疗资源和大量的人力投入，且传统的模型用于训练模型的数据需要大量精准的标注工作，现在亟需一种高效快捷的分析方式来代替旧有方式。
3、因此，本专利技术提供了基于弱监督学习的卵巢癌同源重组缺陷分析系统。
技术实现思路
1、本专利技术基于弱监督学习的卵巢癌同源重组缺陷分析系统，提高了hrd预测的准确性，可以帮助医学专业人员在短时间内预估患者预后情况，使医学专业人员能够更直观地解释结果，从而提高诊断的可靠性和临床决策的精确度。
2、本专利技术提供了基于弱监督学习的卵巢癌同源重组缺陷分析系统，包括：
3、切片增强模块，用于将病理切片图像切割为若干个规定规格的图像子块，分别对每一所述图像子块进行特征增强，生成增强图像子块；
4、特征训练模块，用于分别获取每一所述增强图像子块对应的wsi特征，调取训练方式分别对
5、缺陷分析模块，用于分别对每一所述局部信息进行hrd评分，根据评分结果分析所述病理切片图像中包含的若干种病变因素，结合所述全局信息建立病变缺陷分布热图；
6、标记处理模块，用于获取病理医生在所述病变缺陷分布热图中添加的医用标记，分别获取每一所述医用标记对应的语义信息，生成所述病理切片图像对应患者的缺陷分析报表并进行显示。
7、在一种可实施的方式中，
8、还包括：
9、根据患者知情协议调取对应患者的病理样本进行切片得到所述患者的病理切片；
10、将所述病理切片传输到预设拍摄区域进行拍摄，得到对应患者的病理切片图像。
11、在一种可实施的方式中，
12、所述切片增强模块，包括：
13、图像切割单元，用于根据所述病理切片图像的图像规格调整预设vit框架的图像输入参数，将所述病理切片图像输入到调整后的预设vit框架中进行切割，得到若干个图像子块；
14、图像编码单元，用于分别对每一所述图像子块进行编码，得到每一所述图像子块对应的压缩子块，根据所述图像子块与对应的压缩子块之间的像素差建立对应图像子块的冗余元素，将所述冗余元素映射到对应的所述图像子块中得到每一所述图像子块的冗余分布特征；
15、图像拟合单元，用于分别获取所述图像子块中每一像素点对应的实际灰度值，分别对每一所述图像子块进行灰度采样建立对应图像子块的灰度矩阵，在所述灰度矩阵中分别对每一矩阵元素进行拟合训练，得到每一所述图像子块对应的理想灰度矩阵，基于所述理想灰度矩阵分析对应图像子块中每一像素点对应的实际灰度值与理想灰度值之间的灰度差，建立每一所述图像子块的灰度不足特征；
16、图像增强单元，用于根据同一所述图像子块对应的冗余分布特征和灰度不足特征在所述预设vit框架建立对应图像子块对应的抗冗余图层和灰度补偿图层，将所述抗冗余图层和灰度补偿图层覆盖在对应的图像子块中生成增强图像子块。
17、在一种可实施的方式中，
18、所述图像拟合单元，包括：
19、灰度采样子单元，用于分别获取所述图像子块中每一像素点对应的实际灰度值，分别对每一所述图像子块中的四角像素点进行采样，以及对每一所述图像子块进行若干个随机采样得到若干个采样灰度值；
20、矩阵构建子单元，用于基于每一采样灰度值在所述图像子块中的像素位置建立框架雏形，将所述框架雏形进行矩形化得到矩阵框架，将对应图像子块的采样灰度值输入到所述矩阵框架中生成对应图像子块的灰度矩阵；
21、矩阵训练单元，用于根据所述灰度矩阵中相邻矩阵元素之间的元素差建立若干条横向拟合曲线和纵向拟合曲线，利用最小二乘法分别对每一所述横向拟合曲线和每一纵向拟合曲线中的曲线点进行深度训练得到每一矩阵元素对应的深度拟合参数，利用所述深度拟合参数对对应的矩阵元素进行训练，得到每一所述图像子块对应的理想灰度矩阵；
22、特征生成单元，用于基于所述理想灰度矩阵分析对应图像子块中每一像素点对应的实际灰度值与理想灰度值之间的灰度差，建立每一所述图像子块的灰度不足特征。
23、在一种可实施的方式中，
24、所述特征训练模块，包括：
25、特征分析单元，用于根据同源重组缺陷的呈现特征建立若干个同源重组缺陷呈现样本，利用所述同源重组缺陷呈现样本分别捕捉每一所述增强图像子块中包含的wsi信息，建立每一所述增强图像子块对应的wsi特征，建立所述病理切片图像的整体wsi特征；
26、特征训练单元，用于根据所述整体wsi特征分析所述病理切片图像的最大病变阈值，根据所述最大病变阈值分别对每一所述wsi特征对应的特征范围进行缩放训练，得到每一所述增强图像子块对应的病变面积范围；
27、局部分析单元，用于根据所述wsi特征分别为每一所述增强图像子块标注相应的弱标签，根据同一所述增强图像子块对应的弱标签和病变面积范围识别对应增强图像子块中每一像素点中的病变区域，并分别确定所述增强图像子块中每一像素点对应的病变概率，建立每一所述增强图像子块对应的局部信息；
28、全局构建单元，用于根据所述局部信息和所述增强图像子块在所述病理切片图像中的源位置构建所述病理切片的全局信息。
29、在一种可实施的方式中，
30、所述缺陷分析模块，包括：
31、评分执行单元，用于分别对每一所述局部信息进行hrd评分，当所述局部信息的hrd评分值大于等于30时，根据每一所述局部信息建立对应增强图像子块的病变区域轮廓；
32、病变确立单元，用于将不同的所述病变轮廓区域进行重组得到所述病理切片图像的全局病变轮廓，得到所述病理切片图像的病变图像，获取所述病变图像中的若干个图像关键点，根据所述图像关键点建立若干个病变因素；
33、热图建立单元，用于分别将每一所述病变因素标记在所述病理切片图像上，生成病变缺陷分布热图。
34、在一种可实施的方式中，
35、所述标记处理模块，包括：
36、语义处理单元，用于获取并病理医生在所述病变缺陷分布热图中添加的医用标记，得到每一所述医用标记对应的语义信息；
37、热图分析单元，用于根据所述病变缺陷分布热图中每一病变因素对应的病变量结合对应的语义信息建本文档来自技高网...
【技术保护点】
1.基于弱监督学习的卵巢癌同源重组缺陷分析系统，其特征在于，包括：
2.如权利要求1所述的基于弱监督学习的卵巢癌同源重组缺陷分析系统，其特征在于，还包括：
3.如权利要求1所述的基于弱监督学习的卵巢癌同源重组缺陷分析系统，其特征在于，所述切片增强模块，包括：
4.如权利要求3所述的基于弱监督学习的卵巢癌同源重组缺陷分析系统，其特征在于，所述图像拟合单元，包括：
5.如权利要求1所述的基于弱监督学习的卵巢癌同源重组缺陷分析系统，其特征在于，所述特征训练模块，包括：
6.如权利要求1所述的基于弱监督学习的卵巢癌同源重组缺陷分析系统，其特征在于，所述缺陷分析模块，包括：
7.如权利要求1所述的基于弱监督学习的卵巢癌同源重组缺陷分析系统，其特征在于，所述标记处理模块，包括：
8.如权利要求5所述的基于弱监督学习的卵巢癌同源重组缺陷分析系统，其特征在于，所述全局构建单元，包括：
9.如权利要求5所述的基于弱监督学习的卵巢癌同源重组缺陷分析系统，其特征在于，根据所述WSI特征分别为每一所述增强图像
10.如权利要求9所述的基于弱监督学习的卵巢癌同源重组缺陷分析系统，其特征在于，还包括：
...【技术特征摘要】
1.基于弱监督学习的卵巢癌同源重组缺陷分析系统，其特征在于，包括：
2.如权利要求1所述的基于弱监督学习的卵巢癌同源重组缺陷分析系统，其特征在于，还包括：
3.如权利要求1所述的基于弱监督学习的卵巢癌同源重组缺陷分析系统，其特征在于，所述切片增强模块，包括：
4.如权利要求3所述的基于弱监督学习的卵巢癌同源重组缺陷分析系统，其特征在于，所述图像拟合单元，包括：
5.如权利要求1所述的基于弱监督学习的卵巢癌同源重组缺陷分析系统，其特征在于，所述特征训练模块，包括：
6.如权利要求1所述的基于弱监督学习的...
【专利技术属性】
技术研发人员：董林，应建明，冯小龙，王书浩，王伟，
申请(专利权)人：中国医学科学院肿瘤医院，
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。