【技术实现步骤摘要】
本专利技术属于病理诊断，具体地说是一种基于深度学习与病理he切片的结直肠癌术前淋巴结转移预测方法。
技术介绍
1、结直肠癌在所有癌症中发病率排名第三，死亡率排名第二且发病人群呈现年轻化趋势；结直肠癌主要治疗手段是手术完全切除病灶，如果存在微小转移灶可能需要辅助化疗，淋巴结转移是结直肠癌重要的转移方式，因此淋巴结转移情况与患者诊疗方案选择密切相关；目前临床上主要由医生通过增强ct，mri等影像学数据并结合临床经验在术前判断患者是否发生淋巴结转移，这种方法只有在淋巴结显著肿大时才能准确诊断，即使是经验丰富的医生也可能忽略微小的转移灶；由于无法及时地精准治疗，淋巴结转移患者五年生存率不到20％。
2、深度学习技术是由机器学习领域的前沿技术，通过多层次的非线性变换，从大数据中自动提取特征并进行学习，从而实现任务的智能化处理；深度学习技术的核心是通过多层神经网络自动提取特征；在这一过程中，输入的数据经过多个隐层的非线性变换，使模型能够逐层抽象出复杂的特征；深度学习技术构建的模型能够处理大量医学图像数据，自动识别图像中的边缘、形状和纹理等基础特征，提取关键的指标；这种自动化特征提取能力能够大幅度提高诊断效率，降低漏诊和误诊的风险；深度学习技术的实时反馈和辅助诊断功能能够为医生提供决策支持，提升医疗效率，促进个性化医疗方案的制定。
3、然而，目前，针对结直肠癌患者术前淋巴结转移的预测，主要采用的方法是临床医生根据影像学数据对患者进行评估；然而，这种方法在淋巴结未显著肿大时难以准确诊断，且受医生个人经验与主观因素影响大，
4、为此，本领域技术人员提出了一种基于深度学习与病理he切片的结直肠癌术前淋巴结转移预测方法来解决
技术介绍
提出的问题。
技术实现思路
1、为了解决上述技术问题，本专利技术提供一种基于深度学习与病理he切片的结直肠癌术前淋巴结转移预测方法，以解决现有技术中针对结直肠癌患者术前淋巴结转移的预测，主要采用的方法是临床医生根据影像学数据对患者进行评估；然而，这种方法在淋巴结未显著肿大时难以准确诊断，且受医生个人经验与主观因素影响大，容易忽略微小的转移灶，造成误诊漏诊的情形等问题。
2、一种基于深度学习与病理he切片的结直肠癌术前淋巴结转移预测方法，包括以下步骤：
3、s1、获取结直肠癌患者术前肠道内镜活检的he切片wsi图像；
4、s2、使用基于多实例学习的transformer网络对所述wsi图像进行特征提取；
5、s3、引入染色归一化技术，对所述wsi图像进行颜色标准化处理，以平衡不同图像之间的颜色差异；
6、s4、将所述wsi图像的rgb颜色空间转换为hed颜色空间，分别提取蓝色(hematoxylin)、红色(eosin)和棕色(dab)通道的图像；
7、s5、对各通道图像进行特征提取，并基于提取的特征对淋巴结转移进行预测；
8、s6、输出预测结果。
9、优选的，所述步骤s1，该步骤是整个预测方法的起点，涉及从结直肠癌患者术前通过肠道内镜活检获取的病理组织样本中，采集高倍率(whole slide imaging,wsi)的he(hematoxylin and eosin，苏木精-伊红)切片图像；he切片是病理诊断中常用的染色方法，能够清晰地展示组织结构和细胞的形态，对于病理特征的识别和分析至关重要；在获取该wsi图像后，它们将被用于后续的深度学习模型处理与分析，以预测患者是否存在淋巴结转移的情况。
10、优选的，在步骤s2中，所述多实例学习的transformer网络通过自注意力机制对图像中的长距离特征关联进行建模，结合数据增强和自适应学习策略提高模型的鲁棒性,其具体的描述如下：模型首先将经过多实例学习切分的小块输入到transformer中；自注意力机制允许模型自适应地分配不同实例的权重，使其能够对重要的病理区域进行重点分析；该模型还结合了数据增强和自适应学习策略，通过在训练过程中引入不同的图像变换(包括随机反转，随机对比度、明暗度增强，颜色抖动)，模型能够在不同的临床场景下保持稳健的表现；同时，模型的自注意力机制能够提供更好的可解释性，医生可以通过关注机制的输出结果，理解模型如何作出预测，从而增强医生对模型结果的信任。
11、本专利技术的核心创新之一是使用了基于多实例学习(multiple instancelearning,mil)的方法构建深度学习模型，并结合transformer网络进行淋巴结转移的预测；在传统的病理图像分析中，图像尺寸巨大且信息量庞大，一般来说，一张病理切片的大小在，直接处理全图往往会导致计算资源的浪费，并且不利于模型从复杂图像中提取关键病灶区域；因此，本专利技术采用了多实例学习的框架，将病理图像划分为多个小块(patch)；每个小块被视为一个实例，整张图像则视为一个样本；模型不需要对每个小块单独进行标注，只需通过全局的标注即可识别出哪些小块对疾病的判定具有重要作用。
12、优选的，在步骤s3中，所述染色归一化技术采用vahadane方法，vahadane方法的核心思想是将he染色图像分解为染料基底矩阵(代表染色剂的光谱特征)和稀疏矩阵(代表每种染色剂在图像中的浓度分布)；这种分解形式允许将图像的颜色信息与结构信息分离，进而在保持结构信息不变的前提下进行颜色的标准化，该vahadane方法基于非负矩阵分解对he染色图像的颜色进行标准化处理。
13、染色归一化：不同的病理实验室和医院由于设备、操作方法以及染色流程的差异，导致生成的he切片图像在颜色上可能存在较大的不一致性；这种颜色的差异会对模型的泛化能力产生负面影响，模型可能只能在某一特定来源的数据上表现较好，而在其他来源的数据上表现不佳；为了解决这个问题，本专利技术引入了染色归一化技术，旨在对不同来源的he切片进行颜色标准化处理，以确保输入数据的一致性。
14、优选的，在步骤s4中，所述rgb到hed颜色空间的转换通过颜色去卷积技术实现，将rgb图像中的蓝色和红色成分分别映射到hed空间中的蓝色和红色通道，以分析细胞核和胞质的病理特征，其核心是找到一个合适的去卷积矩阵，使得rgb颜色成分能够准确映射到hematoxylin、eosin和hed染料的光谱吸收值；
15、颜色去卷积是一种基于光吸收特性的图像处理技术，用于将不同的染料在rgb颜色空间中的混合贡献分离出来；该方法的基本原理是基于不同染料对光谱的吸收特性，假设每种染料的光吸收特性是已知的，可以通过矩阵变换来分离不同染料的贡献；对于he染色切片，hematoxylin和eosin的光谱吸收特性可以通过实验测量得到，该吸收特性决定了去卷积过程中使用的矩阵。
16、优选的，去卷积矩阵的构造：在`scikit-image`等图像处理库中，通常使用预先定义的去卷积矩阵；该矩阵基于大量实验数据测定了hematoxylin、eosin和dab的光谱吸收本文档来自技高网...
【技术保护点】
1.一种基于深度学习与病理HE切片的结直肠癌术前淋巴结转移预测方法，其特征在于：包括以下步骤：
2.如权利要求1所述一种基于深度学习与病理HE切片的结直肠癌术前淋巴结转移预测方法，其特征在于：在步骤S2中，所述多实例学习的Transformer网络通过自注意力机制对图像中的长距离特征关联进行建模，结合数据增强和自适应学习策略提高模型的鲁棒性,其具体的描述如下：模型首先将经过多实例学习切分的小块输入到Transformer中；自注意力机制允许模型自适应地分配不同实例的权重，使其能够对重要的病理区域进行重点分析；该模型还结合了数据增强和自适应学习策略，通过在训练过程中引入图像变换，模型能够在临床场景下保持稳健的表现；同时，模型的自注意力机制能够提供更好的可解释性，医生可通过关注机制的输出结果，理解模型如何作出预测。
3.如权利要求1所述一种基于深度学习与病理HE切片的结直肠癌术前淋巴结转移预测方法，其特征在于：在步骤S3中，所述染色归一化技术采用vahadane方法，该vahadane方法基于非负矩阵分解对HE染色图像的颜色进行标准化处理。
4.如
...【技术特征摘要】
1.一种基于深度学习与病理he切片的结直肠癌术前淋巴结转移预测方法，其特征在于：包括以下步骤：
2.如权利要求1所述一种基于深度学习与病理he切片的结直肠癌术前淋巴结转移预测方法，其特征在于：在步骤s2中，所述多实例学习的transformer网络通过自注意力机制对图像中的长距离特征关联进行建模，结合数据增强和自适应学习策略提高模型的鲁棒性,其具体的描述如下：模型首先将经过多实例学习切分的小块输入到transformer中；自注意力机制允许模型自适应地分配不同实例的权重，使其能够对重要的病理区域进行重点分析；该模型还结合了数据增强和自适应学习策略，通过在训练过程中引入图像变换，模型能够在临床场景下保持稳健的表现；同时，模型的自注意力机制能够提供更好的可解释性，医生可...
【专利技术属性】
技术研发人员：钱伊卉，龙信，彭心悦，刘帅，王小中，廖凯莉，赵燕，
申请(专利权)人：南昌大学，
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。