【技术实现步骤摘要】
本专利技术涉及医学图像处理，具体来说是一种基于领域自适应学习技术的wsi图像组织分类方法。
技术介绍
1、病理学诊断是指通过病理学检查，包括组织活检、细胞学检查等手段，对疾病进行准确的诊断和分类。病理学诊断能够为临床医生提供确切的疾病信息，有助于治疗方案的制定和预后评估。传统的病理学诊断需要医生通过显微镜手动观察组织切片，容易受到主观因素和人为误差的影响。数字病理学是医学领域中利用数字图像处理技术对组织切片进行诊断和研究的学科。
2、其中，wsi(whole slide imaging，全玻片成像)技术是数字病理学中的重要技术，它通过高分辨率扫描整个组织切片，生成大量的数字图像数据，结合图像处理和机器学习算法，能够实现对组织切片图像的高精度分类和诊断，减少了人为误差，加速了诊断速度，并支持远程会诊和医学研究。这一技术的应用不仅提高了医学诊断的准确性和效率，也促进了医学科学的发展和病理学档案的数字化管理，为医生和研究人员提供了丰富的信息来诊断疾病和进行科学研究，对医学诊断、疾病研究以及临床实践有积极的影响。
3、随着深度学习的发展，神经网络被广泛应用于wsi组织分类中来，通过自动学习图像中的抽象特征表示，学习不同人体组织丰富的细微结构和纹理信息，从而实现对不同类型组织的准确识别。
4、金字塔结构在wsi(whole slide imaging，全幻灯片成像)图像分类中的应用具有重要意义。该结构将图像分层处理，包括低分辨率和高分辨率层，通过逐层处理可以有效地提取图像特征，并实现对大尺寸wsi图像的
5、实际应用中发现，由于不同实验室的扫描仪、染色方式以及制片技术存在差异，同一种组织在不同数据集中的图像表现可能会有所不同。这种差异导致了模型在跨数据集应用时的性能下降，限制了其实际应用的广泛性和通用性。
6、因此，如何设计出一种能够克服样本差异性，提升wsi图像组织分类效果已经成为急需解决的技术问题。
技术实现思路
1、本专利技术的目的是为了解决现有技术中病理样本工艺差异导致wsi图像组织分类效果差的缺陷，提供一种基于领域自适应学习技术的wsi图像组织分类方法来解决上述问题。
2、为了实现上述目的，本专利技术的技术方案如下：
3、一种基于领域自适应学习技术的wsi图像组织分类方法，包括以下步骤：
4、获取wsi图像及预处理：获取wsi图像进行预处理，生成wsi组织分类源域图像；
5、构建wsi图像组织分类模型：基于领域自适应学习技术构建wsi图像组织分类模型；
6、wsi图像组织分类模型的训练：利用wsi组织分类源域图像对wsi图像组织分类模型进行训练；
7、wsi图像组织分类模型的减益校正：利用无标签的目标域图像基于领域自适应方法对wsi图像组织分类模型进行减益校正；
8、待分类wsi图像的获得：获取待分类wsi图像并进行预处理，生成待分类wsi图像；
9、wsi图像组织分类结果的获得：将待分类wsi图像输入训练后的wsi图像组织分类模型，得到wsi图像组织分类结果。
10、所述获取wsi图像及预处理包括以下步骤：
11、获取wsi图像，对标注的wsi组织分类标签图像进行缩放，标签图像大小从[w,h]缩放为[w/(r/r1),h/(r/r1)]，其中，r为图像获取原始比例，w为图像原始宽度，h为图像原始高度，r1为第一目标倍率；
12、使用正方形搜索框遍历wsi组织分类标签图像；
13、计算搜索框中标签组织所占比例，如果组织所占比例大于r1，r1为组织所占面积/搜索框面积，则截取wsi图像中的组织图像块；
14、使用背景检测算法检测所截取的组织图像块背景并计算背景比例；如果所得背景比例小于r2，r2为背景所占面积/搜索框面积，则保存该图像块并保存所属标签信息，作为r1倍率下的图像i1；
15、以r1x图像的中心坐标点为中心，截取第二目标倍率r2下和第三目标倍率r3下大小为256×256的图像，作为r2倍率下的图像i2和r3倍率下的图像i3；
16、将r1倍率下的图像i1、r2倍率下的图像i2和r3倍率下的图像i3作为有标签的源域图像。
17、所述构建wsi图像组织分类模型包括以下步骤：
18、基于领域自适应学习技术设定wsi图像组织分类模型包括生成器g、分类器c和判别器d，生成器g包括金字塔特征提取网络和动态特征融合网络，输出网络作为分类器c，分类器c和额外添加的核范数算子作为判别器d，核范数算子采用核范数一阶wasserstein距离w1(μ,v)，其表达式为：
19、
20、其中，γ(μ,v)是μ和v两个分布的所有可能的概率测度的集合，x和y分别是从μ和v中抽取的样本，|x-y|是样本x和样本y之间的距离，γ是联合分布，inf是下确界；
21、设定金字塔特征提取网络包括结构相同的三个尺度的特征编码器f1、f2、f3，其中，f1为r1倍率特征编码器、f2为r2倍率特征编码器、f3为r3倍率特征编码器，其输入分别为r1倍率下的图像i1、r2倍率下的图像i2和r3倍率下的图像i3；
22、设定特征编码器采用resnext部分网络，特征编码器将最后一层全连接层输出维度从默认的1000改为768，将最后的激活函数由默认的softmax改为gelu；特征编码的网络结构如下：
23、特征编码器输入层：输入为尺度大小为(3,256,256)的特征矩阵；
24、rn1-resnet前序网络：resnet前序网络rn1将输入的特征矩阵通过特征提取得到尺度大小为(2048,)的特征向量；
25、fc2-全连接层：全连接层fc2将rn1的输出特征向量通过全连接层得到尺度大小为(768,)的特征向量；
26、a3-激活层：激活层a3将fc2输出的特征向量通过非线性变换gelu得到尺度大小为(768,)的特征向量；
27、特征编码器输出层：输出由激活层a3得到三个尺度大小为(768,)的特征向量，分别为第一特征矩阵、第二特征矩阵和第三特征矩阵；
28、设定动态特征融合网络，动态特征融合网络包括动态特征融合网络输入层、concat1-拼接层、msa2-多头自注意力模块、r3-残差层、fc4-全连接层、a5-激活层、fc6-全连接层、r7-残差层和动态特征融合网络输出层；
29、其中，动态特本文档来自技高网...
【技术保护点】
1.一种基于领域自适应学习技术的WSI图像组织分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于领域自适应学习技术的WSI图像组织分类方法，其特征在于，所述获取WSI图像及预处理包括以下步骤：
3.根据权利要求1所述的一种基于领域自适应学习技术的WSI图像组织分类方法，其特征在于，所述构建WSI图像组织分类模型包括以下步骤：
4.根据权利要求1所述的一种基于领域自适应学习技术的WSI图像组织分类方法，其特征在于，所述WSI图像组织分类模型的训练包括以下步骤：
5.根据权利要求1所述的一种基于领域自适应学习技术的WSI图像组织分类方法，其特征在于，所述WSI图像组织分类模型的减益校正包括以下步骤：
【技术特征摘要】
1.一种基于领域自适应学习技术的wsi图像组织分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于领域自适应学习技术的wsi图像组织分类方法，其特征在于，所述获取wsi图像及预处理包括以下步骤：
3.根据权利要求1所述的一种基于领域自适应学习技术的wsi图像组织分类方法，其特征在于，所述构建w...
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。