CN115880277A - 基于Swin Transformer和弱监督的胃癌病理全切片T分期类别预测方法 - Google Patents

基于Swin Transformer和弱监督的胃癌病理全切片T分期类别预测方法 Download PDF

Info

Publication number
CN115880277A
CN115880277A CN202310026481.2A CN202310026481A CN115880277A CN 115880277 A CN115880277 A CN 115880277A CN 202310026481 A CN202310026481 A CN 202310026481A CN 115880277 A CN115880277 A CN 115880277A
Authority
CN
China
Prior art keywords
swin
image
layer
stage module
full
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310026481.2A
Other languages
English (en)
Inventor
史骏
祝新宇
郑钰山
周培铖
胡张弛
陈雨靖
葛诗文
姜志国
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202310026481.2A priority Critical patent/CN115880277A/zh
Publication of CN115880277A publication Critical patent/CN115880277A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Image Processing (AREA)

Abstract

本发明公开了一种基于SwinTransformer和弱监督的胃癌病理全切片T分期类别预测方法，包括：1、图像采集和预处理；2、建立能预测图像块阴阳性类别的第一SwinTransformer模型；3、离线训练第一SwinTransformer模型；4、利用训练好的第一SwinTransformer模型剔除阴性图像块，利用剩余阳性图像块生成T分期图像块数据集；5、建立能预测全切片T分期类别的第二SwinTransformer模型；6、离线训练第二SwinTransformer模型；7、利用两个训练好的SwinTransformer模型对胃癌组织病理全切片T分期类别进行预测。

Description

基于Swin Transformer和弱监督的胃癌病理全切片T分期类 别预测方法
技术领域
本发明涉及胃癌组织病理学T分期领域，具体涉及一种基于Swin Transformer和弱监督学习的胃癌组织病理全切片T分期类别预测方法。
背景技术
传统病理分析诊断需专业的病理医师在显微镜下观察数以万计的细胞和组织，但与疾病相关的目标组织区域及细胞仅占极小部分，大量冗余信息会加重病理医师的工作负担，以至于出现漏诊、误诊等多种严重情况。
发明内容
本发明为克服现有技术的不足之处，提出一种基于Swin Transformer和弱监督的胃癌病理全切片T分期类别预测方法，以期能精准高效地实现胃癌组织病理T分期类别的预测，从而有助于病理医师快速进行判断和筛选，以减轻工作负担。
本发明为达到上述发明目的，采用如下技术方案：
本发明一种基于Swin Transformer和弱监督的胃癌病理全切片T分期类别预测方法的特点是按照如下步骤进行：
步骤1、图像采集和预处理：
步骤1.1、获取具有类别标签的胃癌组织病理全切片图像数据集并进行预处理，得到预处理后的全切片图像数据集X＝{X1,X2,...,Xn,...,XN}与对应标签Y＝{Y1,Y2,...,Yn,...,YN}，其中，Xn表示第n张全切片图像，Yn表示第n张全切片图像Xn对应的类别标签；Ym∈{1,2,…,α}；α表示类别等级；当Ym＝1时，表示Xn为阴性全切片图像，当Ym≠1，表示Xn为阳性全切片图像；
步骤1.2、去除第n张全切片图像Xn的空白背景后进行分块处理，得到S个图像块，记为
Figure BDA0004045234490000011
其中，/>
Figure BDA0004045234490000012
表示第n张全切片图像Xn的第i个图像块，c表示图像块的通道数，p×p表示每个图像块的宽度和高度；/>
Figure BDA0004045234490000013
表示第i个图像块/>
Figure BDA0004045234490000014
对应的类别标签；
Figure BDA0004045234490000015
当/>
Figure BDA0004045234490000016
表示/>
Figure BDA0004045234490000017
为阴性图像块，即/>
Figure BDA0004045234490000018
当/>
Figure BDA0004045234490000019
时，表示/>
Figure BDA00040452344900000110
为阳性图像块，即
Figure BDA00040452344900000111
i＝1,2,…,S；S表示图像块的数量；
步骤2、建立能预测图像块阴阳性类别的第一Swin Transformer模型，并用于得到输入图像块
Figure BDA0004045234490000021
的分类结果/>
Figure BDA0004045234490000022
步骤3、离线训练第一Swin Transformer模型：
利用式(11)构建交叉熵损失函数L，并利用梯度下降算法训练第一SwinTransformer模型，使得交叉熵损失函数L达到收敛，从而得到训练好的第一SwinTransformer模型；
Figure BDA0004045234490000023
式(11)中，
Figure BDA0004045234490000024
为图像块对应的阴阳性伪标签，S为图像块总数；
步骤4、利用训练好的第一Swin Transformer模型剔除阴性图像块，利用剩余的阳性图像块生成T分期图像块数据集：
步骤4.1、从预处理后的全切片图像数据集X中提取类别标签不为“1”的全切片图像，从而得到筛选后的全切片图像数据集X′＝{X1′,X2′,...,X′m,...,X′M}及其对应标签Y′＝{Y1′,Y2′,...,Ym′,...,YM′}；其中，X′m表示第m张筛选后的全切片图像，Ym′表示X′m对应的类别标签；
步骤4.2、去除第m张筛选后的全切片图像X′m的空白背景后进行分块处理，得到Q个图像块及其类别标签，记为
Figure BDA0004045234490000025
其中，/>
Figure BDA0004045234490000026
表示第m张筛选后的全切片图像X′m的第q个图像块，/>
Figure BDA0004045234490000027
表示第q个图像块/>
Figure BDA0004045234490000028
对应的类别标签，/>
Figure BDA0004045234490000029
q＝1,2,…,Q；Q表示图像块的数量；
步骤4.3、第m张筛选后的全切片图像X′m的Q个图像块
Figure BDA00040452344900000210
输入能预测图像块阴阳性类别的训练好的Swin Transformer模型中进行处理，以剔除阴性图像块，从而得到由阳性图像块构成的T分期图像块数据集，记为/>
Figure BDA00040452344900000211
其中，/>
Figure BDA00040452344900000212
表示第m张筛选后的全切片图像X′m剔除阴性图像块后的第k个图像块，/>
Figure BDA00040452344900000213
表示第k个图像块/>
Figure BDA00040452344900000214
对应的类别标签，/>
Figure BDA00040452344900000215
k＝1,2,…,K；K表示图像块的数量；
步骤5、建立能预测全切片T分期类别的第二Swin Transformer模型，并用于得到第m张全切片X′m的输出结果pm∈{2,…,α}；
步骤6、离线训练第二Swin Transformer模型：
利用式(20)构建交叉熵损失函数L，并利用梯度下降算法训练第二SwinTransformer模型，使得交叉熵损失函数L达到收敛，从而得到训练好的第二SwinTransformer模型；
Figure BDA0004045234490000031
式(20)中，ym为第m张全切片X′m对应的T分期类别标签；
步骤7、利用两个训练好的Swin Transformer模型对胃癌组织病理全切片T分期类别进行预测：
步骤7.1、获取待预测的一张组织病理全切片图像并去除空白背景区域后分块处理，得到多个图像块序列(x1,x2,…,xj,…,xm)；其中，xj表示待预测的组织病理全切片图像中第j个图像块；
步骤7.2、将图像块序列(x1,x2,…,xj,…,xm)送入能预测图像块阴阳性类别的训练后的第一Swin Transformer模型中进行图像块类别的预测，并剔除阴性图像块，从而得到阳性图像块序列(x1′,x′2,…,x′j,…,x′n)，其中，x′j表示待预测的组织病理全切片图像剔除阴性图像块后的图像块序列中第j个图像块；计算阳性图像块的占比
Figure BDA0004045234490000032
并与所设定的分类阈值t进行比较，若tpos≥t，则表示待预测的组织病理全切片图像为阳性，并执行步骤7.3；否则，表示待预测的组织病理全切片图像为阴性，即全切片类别为“1”；
步骤7.3、将阳性图像块序列(x1′,x′2,…,x′j,…,x′n)输入所述能预测全切片T分期类别的训练后的第二Swin Transformer模型中进行处理，从而得到待预测的组织病理全切片图像的T分期类别。
本发明所述的基于Swin Transformer和弱监督的胃癌病理全切片T分期类别预测方法，的特点也在于，所述步骤2中的第一Swin Transformer模型由第一分块层、第一Stage模块、第二Stage模块、第三Stage模块、第四Stage模块、第一归一化层、第一池化层和第一分类层构成，其中，第一Stage模块包括一个线性嵌入层和一个Swin Transformer块，其余三个Stage模块均包括一个图像块融合层和一个Swin Transformer块；
步骤2.1、所述第一分块层对输入图像块
Figure BDA0004045234490000035
进行分块处理后在通道维度展平，得到变换后的特征图/>
Figure BDA0004045234490000033
步骤2.2、所述第一Stage模块中的线性嵌入层对特征图
Figure BDA0004045234490000034
进行线性特征嵌入，得到所述第一Stage模块的特征图/>
Figure BDA0004045234490000041
C表示特征图的尺寸；
步骤2.3、所述第一Stage模块中Swin Transformer块对
Figure BDA0004045234490000042
进行处理，得到输出特征图，记为/>
Figure BDA0004045234490000043
步骤2.4、第二Stage模块中的图像块融合层对特征图
Figure BDA0004045234490000044
进行切片融合处理，得到第二Stage模块的特征图/>
Figure BDA0004045234490000045
步骤2.5、第二Stage模块中Swin Transformer块按照步骤2.3的过程对
Figure BDA0004045234490000046
进行处理，得到第二Stage模块的输出特征图/>
Figure BDA0004045234490000047
步骤2.6、第三Stage模块中的图像块融合层对
Figure BDA0004045234490000048
进行切片融合，得到第三Stage模块的特征图/>
Figure BDA0004045234490000049
步骤2.7、第三Stage模块中的Swin Transformer块按照步骤2.3的过程对
Figure BDA00040452344900000410
进行处理，得到第三Stage模块的输出特征图/>
Figure BDA00040452344900000411
步骤2.8、第四Stage模块中的图像块融合层对
Figure BDA00040452344900000412
进行切片融合，得到第四Stage模块的特征图/>
Figure BDA00040452344900000413
步骤2.9、第四Stage模块中的Swin Transformer块按照步骤2.3的过程对
Figure BDA00040452344900000414
进行处理，得到第四Stage模块的输出特征图/>
Figure BDA00040452344900000415
/>
步骤2.10、所述归一化层对
Figure BDA00040452344900000416
进行归一化处理后得到归一化后的特征图/>
Figure BDA00040452344900000417
步骤2.11、所述池化层对特征
Figure BDA00040452344900000418
进行全局池化，得到池化后的向量/>
Figure BDA00040452344900000419
步骤2.12、所述分类层利用式(5)对
Figure BDA00040452344900000420
进行线性变换，得到输入图像块xi n的分类结果/>
Figure BDA00040452344900000421
Figure BDA00040452344900000422
式(10)中，Linear(·)代表线性分类函数；
Figure BDA00040452344900000423
所述步骤2.3是按照如下步骤进行：
步骤2.3.1、利用式(1)得到基于窗口的第l层多头自注意力层的输出zl′；
zl′＝W_MSA(LN(zl-1))+zl-1(1)
式(1)中，W_MSA(·)表示基于窗口的多头自注意力机制层的处理；LN(·)表示归一化层的处理；zl-1表示第l-1层多层感知器的输出特征图，当l＝1时，令
Figure BDA0004045234490000051
步骤2.3.2、利用式(2)得到第l层多层感知器的输出特征图zl；
zl＝MLP(LN(zl′))+zl′(2)
式(2)中，MLP(·)表示多层感知器的处理；
步骤2.3.3、利用式(3)得到基于移动窗口的第l层多头自注意力层的输出zl′+1；
zl′+1＝SW_MSA(LN(zl))+zl(3)
式(3)中，SW_MSA(·)表示基于移动窗口的多头自注意力层的处理；
步骤2.3.4、利用式(4)得到第l层多层感知器的输出特征图zl+1；
zl+1＝MLP(LN(zl′+1))+zl′+1(4)
式(4)中，MLP(·)表示多层感知器的处理；
步骤2.3.5、按照步骤2.3.1-步骤2.3.4的过程进行L层处理后，最终由第L层多层感知器的输出特征图，并作为第一Stage模块的输出特征图
Figure BDA0004045234490000052
所述步骤5中的第二Swin Transformer模型由第二分块层、第五Stage模块、第六Stage模块、第七Stage模块、第八Stage模块、第二归一化层、第二池化层、特征编码层、注意力机制层、特征聚合层和第二分类层构成，其中，第五Stage模块包括一个线性嵌入层和一个Swin Transformer块，其余三个Stage模块均包括一个图像块融合层和一个SwinTransformer块：
步骤5.1、所述第二分块层对输入图像块
Figure BDA0004045234490000053
进行分块处理后在通道维度展平，得到变换后的特征图/>
Figure BDA0004045234490000054
步骤5.2、所述第五Stage模块中的线性嵌入层对特征图
Figure BDA0004045234490000055
进行线性特征嵌入，得到所述第五Stage模块的特征图/>
Figure BDA0004045234490000056
步骤5.3、所述第五Stage模块中Swin Transformer块按照步骤2.3的过程对
Figure BDA0004045234490000061
进行处理，得到第五Stage模块的输出特征图，记为/>
Figure BDA0004045234490000062
/>
步骤5.4、第六Stage模块中的图像块融合层对特征图
Figure BDA0004045234490000063
进行切片融合处理，得到第六Stage模块的特征图/>
Figure BDA0004045234490000064
步骤5.5、第六Stage模块中Swin Transformer块按照步骤5.3的过程对
Figure BDA0004045234490000065
进行处理，得到第六Stage模块的输出特征图/>
Figure BDA0004045234490000066
步骤5.6、第七Stage模块中的图像块融合层对
Figure BDA0004045234490000067
进行切片融合，得到第七Stage模块的特征图/>
Figure BDA0004045234490000068
步骤5.7、第七Stage模块中的Swin Transformer块按照步骤5.3的过程对
Figure BDA0004045234490000069
进行处理，得到第七Stage模块的输出特征图/>
Figure BDA00040452344900000610
步骤5.8、第八Stage模块中的图像块融合层对
Figure BDA00040452344900000611
进行切片融合，得到第八Stage模块的特征图/>
Figure BDA00040452344900000612
步骤5.9、第八Stage模块中的Swin Transformer块按照步骤5.3的过程对
Figure BDA00040452344900000613
进行处理，得到第八Stage模块的输出特征图/>
Figure BDA00040452344900000614
步骤5.10、所述第二归一化层对
Figure BDA00040452344900000615
进行归一化处理后得到归一化后的特征图
Figure BDA00040452344900000616
步骤5.11、所述第二池化层对特征
Figure BDA00040452344900000617
进行全局池化，得到池化后的向量
Figure BDA00040452344900000618
步骤5.12、所述特征编码层利用式(16)对
Figure BDA00040452344900000619
进行线性变换，得到线性变换后的特征向量/>
Figure BDA00040452344900000620
Figure BDA00040452344900000621
式(16)中，
Figure BDA00040452344900000622
c代表特征向量的维度；
步骤5.13、所述注意力机制层利用式(17)计算第m张全切片X′m的第k个图像块
Figure BDA00040452344900000623
对应门控注意力权重/>
Figure BDA0004045234490000071
Figure BDA0004045234490000072
式(17)中，
Figure BDA0004045234490000073
和/>
Figure BDA0004045234490000074
均为线性变换的参数，tanh(·)和sigm(·)是线性激活函数；T表示转置；/>
Figure BDA0004045234490000075
表示第m张全切片X′m的第j个图像块的特征编码向量，其中j＝1,2,…,K；/>
步骤5.14、所述特征聚合层利用式(18)得到第m张全切片X′m聚合后的特征
Figure BDA0004045234490000076
Figure BDA0004045234490000077
步骤5.15、所述第二分类层对聚合后的特征Hm进行线性变换，得到第m张全切片X′m的输出结果pm∈{2,…,α}。
本发明一种电子设备，包括存储器以及处理器的特点在于，所述存储器用于存储支持处理器执行任一所述基于Swin Transformer和弱监督的胃癌病理全切片T分期类别预测方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
本发明一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序的特点在于，所述计算机程序被处理器运行时执行任一所述基于Swin Transformer和弱监督的胃癌病理全切片T分期类别预测方法的步骤。
与已有技术相比，本发明具有如下优点：
1.本发明使用Swin Transformer模型等人工智能技术，实现了胃癌组织病理全切片T分期的准确、高效预测，并且通过弱监督学习机制仅利用全切片级别标签进行分类建模，克服了病理全切片图像精细标注代价大的问题，能够减轻病理医师阅片负担，具有一定临床应用价值；
2.本发明利用使用Swin Transformer模型对胃癌组织病理全切片图像进行特征学习，不仅拥有全局动态自适应建模的能力，而且通过移位窗口机制实现了关注局部特征的能力，从而提高了全切片病变组织特征表示能力，改善了T分期预测效果；
3.本发明使用两阶段的Swin Transformer模型构成主干网络，第一个视觉转换器完成胃癌组织病理全切片图像阴阳性分类并提取出阳性图像块，第二个视觉转换器只对阳性图像块进行特征提取，并进行T分期预测，有效降低伪标签的错误率，提升了模型的鲁棒性，提高了预测的准确度。
附图说明
图1为本发明方法的模型结构图；
图2为本发明方法的总体流程框图。
具体实施方式
本实施例中，一种基于Swin Transformer和弱监督的胃癌病理全切片T分期类别预测方法，如图1所示，按照如下步骤进行，其总体训练预测流程如图2所示：
步骤1、图像采集和预处理：
步骤1.1、获取具有类别标签的胃癌组织病理全切片图像数据集并进行预处理，得到预处理后的全切片图像数据集X＝{X1,X2,...,Xn,...,XN}与对应标签Y＝{Y1,Y2,...,Yn,...,YN}，其中，Xn表示第n张全切片图像，Yn表示第n张全切片图像Xn对应的类别标签；Ym∈{1,2,…,α}；α表示类别等级；当Ym＝1时，表示Xn为阴性全切片图像，当Ym≠1，表示Xn为阳性全切片图像；本实施例中使用的数据标签包含T0、T1、T2、T3和Tis这5个类别，即1为T0，其余为T1～Tis。所有数据的70％作为训练集，30％数据用于测试。
步骤1.2、去除第n张全切片图像Xn的空白背景后进行分块处理，得到S个图像块，记为
Figure BDA0004045234490000081
其中，/>
Figure BDA0004045234490000082
表示第n张全切片图像Xn的第i个图像块，c表示图像块的通道数，p×p表示每个图像块的宽度和高度；/>
Figure BDA0004045234490000083
表示第i个图像块/>
Figure BDA0004045234490000084
对应的类别标签；/>
Figure BDA0004045234490000085
当/>
Figure BDA0004045234490000086
时，表示/>
Figure BDA0004045234490000087
为阴性图像块，即/>
Figure BDA0004045234490000088
当/>
Figure BDA0004045234490000089
时，表示/>
Figure BDA00040452344900000810
为阳性图像块，即
Figure BDA00040452344900000811
i＝1,2,…,S；S表示图像块的数量；本实施例中，输入图像块尺寸为224×224，因此p＝224，且c＝3。S＝500。
步骤2、建立能预测图像块阴阳性类别的第一Swin Transformer模型，第一SwinTransformer模型由第一分块层、第一Stage模块、第二Stage模块、第三Stage模块、第四Stage模块、第一归一化层、第一池化层和第一分类层构成，其中，第一Stage模块包括一个线性嵌入层和一个Swin Transformer块，其余三个Stage模块均包括一个图像块融合层和一个Swin Transformer块：
步骤2.1、第一分块层对输入图像块
Figure BDA0004045234490000091
进行分块处理后在通道维度展平，得到变换后的特征图/>
Figure BDA0004045234490000092
步骤2.2、第一Stage模块中的线性嵌入层对特征图
Figure BDA0004045234490000093
进行线性特征嵌入，得到第一Stage模块的特征图/>
Figure BDA0004045234490000094
C表示特征图的尺寸；本实施例中，P＝16，且C＝128。
步骤2.3、第一Stage模块中Swin Transformer块的处理：
步骤2.3.1、利用式(1)得到基于窗口的第l层多头自注意力层的输出zl′；
zl′＝W_MSA(LN(zl-1))+zl-1(1)
式(1)中，W_MSA(·)表示基于窗口的多头自注意力机制层的处理；LN(·)表示归一化层的处理；zl-1表示第l-1层多层感知器的输出特征图，当l＝1时，令
Figure BDA0004045234490000095
步骤2.3.2、利用式(2)得到第l层多层感知器的输出特征图zl；
zl＝MLP(LN(zl′))+zl′(2)
式(2)中，MLP(·)表示多层感知器的处理；
步骤2.3.3、利用式(3)得到基于移动窗口的第l层多头自注意力层的输出zl′+1；
zl′+1＝SW_MSA(LN(zl))+zl(3)
式(3)中，SW_MSA(·)表示基于移动窗口的多头自注意力层的处理；
步骤2.3.4、利用式(4)得到第l层多层感知器的输出特征图zl+1；
zl+1＝MLP(LN(zl′+1))+zl′+1(4)
式(4)中，MLP(·)表示多层感知器的处理；
步骤2.3.5、按照步骤2.3.1-2.3.4的过程进行L层处理后，最终由第L层多层感知器的输出特征图，并作为第一Stage模块的输出特征图，记为
Figure BDA0004045234490000096
本实施例中，第一Stage模块中Swin Transformer块中，L＝2。
步骤2.4、第二Stage模块中的图像块融合层对特征图
Figure BDA0004045234490000097
进行切片融合处理，得到第二Stage模块的特征图/>
Figure BDA0004045234490000098
/>
步骤2.5、第二Stage模块中Swin Transformer块按照步骤2.3的过程对
Figure BDA0004045234490000101
进行处理，得到第二Stage模块的输出特征图/>
Figure BDA0004045234490000102
本实施例中，第二Stage模块中SwinTransformer块中，L＝2。
步骤2.6、第三Stage模块中的图像块融合层对
Figure BDA0004045234490000103
进行切片融合，得到第三Stage模块的特征图/>
Figure BDA0004045234490000104
步骤2.7、第三Stage模块中的Swin Transformer块按照步骤2.3的过程对
Figure BDA0004045234490000105
进行处理，得到第三Stage模块的输出特征图/>
Figure BDA0004045234490000106
本实施例中，第三Stage模块中Swin Transformer块中，L＝6。
步骤2.8、第四Stage模块中的图像块融合层对
Figure BDA0004045234490000107
进行切片融合，得到第四Stage模块的特征图/>
Figure BDA0004045234490000108
步骤2.9、第四Stage模块中的Swin Transformer块按照步骤2.3的过程对
Figure BDA0004045234490000109
进行处理，得到第四Stage模块的输出特征图/>
Figure BDA00040452344900001010
本实施例中，第四Stage模块中Swin Transformer块中，L＝2。
步骤2.10、归一化层对
Figure BDA00040452344900001011
进行归一化处理后得到归一化后的特征图/>
Figure BDA00040452344900001012
步骤2.11、池化层对特征
Figure BDA00040452344900001013
进行全局池化，得到池化后的向量/>
Figure BDA00040452344900001014
步骤2.12、分类层利用式(5)对
Figure BDA00040452344900001015
进行线性变换，得到输入图像块/>
Figure BDA00040452344900001016
的分类结果/>
Figure BDA00040452344900001017
Figure BDA00040452344900001018
式(10)中，Linear(·)代表线性分类函数；
Figure BDA00040452344900001019
步骤3、离线训练第一Swin Transformer模型：
利用式(11)构建交叉熵损失函数L，并利用梯度下降算法训练第一SwinTransformer模型，使得交叉熵损失函数L达到收敛，从而得到训练好的第一SwinTransformer模型；
Figure BDA00040452344900001020
式(11)中，
Figure BDA00040452344900001021
为图像块对应的阴阳性伪标签，S为图像块总数。本实施例中采用Adam优化器对损失值L进行优化求解，从而调整能预测图像块阴阳性类别的第一SwinTransformer模型的所有参数，并得到能预测图像块阴阳性类别的第一Swin Transformer模型。
步骤4、利用训练好的第一Swin Transformer模型剔除阴性图像块，利用剩余阳性图像块生成T分期图像块数据集：
步骤4.1、从预处理后的全切片图像数据集X中提取类别标签不为“1”的全切片图像，从而得到筛选后的全切片图像数据集X′＝{X1′,X2′,...,X′m,...,X′M}及其对应标签Y′＝{Y1′,Y2′,...,Ym′,...,YM′}；其中，X′m表示第m张筛选后的全切片图像，Ym′表示X′m对应的类别标签；
步骤4.2、去除第m张筛选后的全切片图像X′m的空白背景后进行分块处理，得到Q个图像块及其类别标签，记为
Figure BDA0004045234490000111
其中，/>
Figure BDA0004045234490000112
表示第m张筛选后的全切片图像X′m的第q个图像块，/>
Figure BDA0004045234490000113
表示第q个图像块/>
Figure BDA0004045234490000114
对应的类别标签，/>
Figure BDA0004045234490000115
q＝1,2,…,Q；Q表示图像块的数量；
步骤4.3、第m张筛选后的全切片图像X′m的Q个图像块
Figure BDA0004045234490000116
输入能预测图像块阴阳性类别的训练好的Swin Transformer模型中进行处理，以剔除阴性图像块，从而得到由阳性图像块构成的T分期图像块数据集，记为/>
Figure BDA0004045234490000117
其中，/>
Figure BDA0004045234490000118
表示第m张筛选后的全切片图像X′m剔除阴性图像块后的第k个图像块，/>
Figure BDA0004045234490000119
表示第k个图像块/>
Figure BDA00040452344900001110
对应的类别标签，/>
Figure BDA00040452344900001111
k＝1,2,…,K；K表示图像块的数量；
步骤5、建立能预测全切片T分期类别的第二Swin Transformer模型，第二SwinTransformer模型由第二分块层、第五Stage模块、第六Stage模块、第七Stage模块、第八Stage模块、第二归一化层、第二池化层、特征编码层、注意力机制层、特征聚合层和第二分类层构成，其中，第五Stage模块包括一个线性嵌入层和一个Swin Transformer块，其余三个Stage模块均包括一个图像块融合层和一个Swin Transformer块：
步骤5.1、第二分块层对输入图像块
Figure BDA00040452344900001115
进行分块处理后在通道维度展平，得到变换后的特征图/>
Figure BDA00040452344900001112
步骤5.2、第五Stage模块中的线性嵌入层对特征图
Figure BDA00040452344900001113
进行线性特征嵌入，得到第五Stage模块的特征图/>
Figure BDA00040452344900001114
步骤5.3、第五Stage模块中Swin Transformer块按照步骤2.3的过程对
Figure BDA0004045234490000121
进行处理，得到第五Stage模块的输出特征图，记为/>
Figure BDA0004045234490000122
第五Stage模块中Swin Transformer块的处理：
步骤5.3.1、利用式(12)得到基于窗口的第l层多头自注意力层的输出sl′；
sl′＝W_MSA(LN(sl-1))+sl-1(12)
式(12)中，W_MSA(·)表示基于窗口的多头自注意力机制层的处理；LN(·)表示归一化层的处理；sl-1表示第l-1层多层感知器的输出特征图，当l＝1时，令
Figure BDA0004045234490000123
步骤5.3.2、利用式(13)得到第l层多层感知器的输出特征图sl；
sl＝MLP(LN(sl′))+sl′(13)
式(13)中，MLP(·)表示多层感知器的处理；
步骤5.3.3、利用式(14)得到基于移动窗口的第l层多头自注意力层的输出sl′+1；
sl′+1＝SW_MSA(LN(sl))+sl(14)
式(14)中，SW_MSA(·)表示基于移动窗口的多头自注意力层的处理；
步骤5.3.4、利用式(15)得到第l层多层感知器的输出特征图sl+1；
sl+1＝MLP(LN(sl′+1))+sl′+1(15)
式(15)中，MLP(·)表示多层感知器的处理；
步骤5.3.5、按照步骤5.3.1-5.3.4的过程进行L层处理后，最终由第L层多层感知器的输出特征图，并作为第五Stage模块的输出特征图，记为
Figure BDA0004045234490000124
本实施例中，第五Stage模块中Swin Transformer块中L＝2。
步骤5.4、第六Stage模块中的图像块融合层对特征图
Figure BDA0004045234490000125
进行切片融合处理，得到第六Stage模块的特征图/>
Figure BDA0004045234490000126
步骤5.5、第六Stage模块中Swin Transformer块按照步骤5.3的过程对
Figure BDA0004045234490000127
进行处理，得到第六Stage模块的输出特征图/>
Figure BDA0004045234490000128
本实施例中，第六Stage模块中Swin Transformer块中，L＝2。
步骤5.6、第七Stage模块中的图像块融合层对
Figure BDA0004045234490000131
进行切片融合，得到第七Stage模块的特征图/>
Figure BDA0004045234490000132
步骤5.7、第七Stage模块中的Swin Transformer块按照步骤5.3的过程对
Figure BDA0004045234490000133
进行处理，得到第七Stage模块的输出特征图/>
Figure BDA0004045234490000134
本实施例中，第七Stage模块中Swin Transformer块中，L＝6。
步骤5.8、第八Stage模块中的图像块融合层对
Figure BDA0004045234490000135
进行切片融合，得到第八Stage模块的特征图/>
Figure BDA0004045234490000136
步骤5.9、第八Stage模块中的Swin Transformer块按照步骤5.3的过程对
Figure BDA0004045234490000137
进行处理，得到第八Stage模块的输出特征图/>
Figure BDA0004045234490000138
本实施例中，第八Stage模块中Swin Transformer块中，L＝6。
步骤5.10、第二归一化层对
Figure BDA0004045234490000139
进行归一化处理后得到归一化后的特征图/>
Figure BDA00040452344900001310
步骤5.11、第二池化层对特征
Figure BDA00040452344900001311
进行全局池化，得到池化后的向量/>
Figure BDA00040452344900001312
步骤5.12、特征编码层利用式(16)对
Figure BDA00040452344900001313
进行线性变换，得到线性变换后的特征向量/>
Figure BDA00040452344900001314
Figure BDA00040452344900001315
式(16)中，
Figure BDA00040452344900001316
c代表特征向量的维度；
步骤5.13、所述注意力机制层利用式(17)计算第m张全切片X′m第k个图像块对应门控注意力权重
Figure BDA00040452344900001317
Figure BDA00040452344900001318
式(17)中，
Figure BDA00040452344900001319
和/>
Figure BDA00040452344900001320
均为线性变换的参数，tanh(·)和sigm(·)是线性激活函数；T表示转置；/>
Figure BDA00040452344900001321
表示第m张全切片X′m的第j个图像块的特征编码向量，其中j＝1,2,…,K；
步骤5.14、所述特征聚合层利用式(18)得到第m张全切片X′m聚合后的特征
Figure BDA0004045234490000141
Figure BDA0004045234490000142
步骤5.15、所述第二分类层对聚合后的特征Hm进行线性变换，得到第m张全切片X′m的输出结果pm∈{2,…,α}；
步骤6、离线训练第二Swin Transformer模型：
利用式(20)构建交叉熵损失函数L，并利用梯度下降算法训练第二SwinTransformer模型，使得交叉熵损失函数L达到收敛，从而得到训练好的第二SwinTransformer模型；
Figure BDA0004045234490000143
式(20)中，ym为第m张全切片X′m对应的T分期类别标签；本实施例中，采用Adam优化器对损失值L进行优化求解，从而调整能预测全切片T分期类别的第二Swin Transformer模型的所有参数，并得到能预测全切片T分期类别的第二Swin Transformer模型。
步骤7、利用两个训练好的Swin Transformer模型对胃癌组织病理全切片T分期类别进行预测：
步骤7.1、获取待预测的一张组织病理全切片图像并去除空白背景区域后分块处理，得到多个图像块序列(x1,x2,…,xj,…,xm)；其中，xj表示待预测的组织病理全切片图像中第j个图像块；
步骤7.2、将图像块序列(x1,x2,…,xj,…,xm)送入能预测图像块阴阳性类别的训练后的第一Swin Transformer模型中进行图像块类别的预测，并剔除阴性图像块，从而得到阳性图像块序列(x1′,x′2,…,x′j,…,x′n)，其中，x′j表示待预测的组织病理全切片图像剔除阴性图像块后的图像块序列中第j个图像块；计算阳性图像块的占比
Figure BDA0004045234490000144
并与所设定的分类阈值t进行比较，若tpos≥t，则表示待预测的组织病理全切片图像为阳性，执行步骤7.3；否则，表示待预测的组织病理全切片图像为阴性，即全切片类别为“1”；
步骤7.3、将阳性图像块序列(x1′,x′2,…,x′j,…,x′n)输入所述能预测全切片T分期类别的训练后的第二Swin Transformer模型中进行处理，从而得到待预测的组织病理全切片图像的T分期类别。
本实施例中，一种电子设备，包括存储器以及处理器，该存储器用于存储支持处理器执行上述胃癌组织病理全切片T分期类别预测方法的程序，该处理器被配置为用于执行该存储器中存储的程序。
本实施例中，一种计算机可读存储介质，是在计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述胃癌组织病理全切片T分期类别预测方法的步骤。

Claims (6)

1.一种基于Swin Transformer和弱监督的胃癌病理全切片T分期类别预测方法，其特征在于，是按照如下步骤进行：
步骤1、图像采集和预处理：
步骤1.1、获取具有类别标签的胃癌组织病理全切片图像数据集并进行预处理，得到预处理后的全切片图像数据集X＝{X1,X2,...,Xn,...,XN}与对应标签Y＝{Y1,Y2,...,Yn,...,YN}，其中，Xn表示第n张全切片图像，Yn表示第n张全切片图像Xn对应的类别标签；Ym∈{1,2,…,α}；α表示类别等级；当Ym＝1时，表示Xn为阴性全切片图像，当Ym≠1，表示Xn为阳性全切片图像；
步骤1.2、去除第n张全切片图像Xn的空白背景后进行分块处理，得到S个图像块，记为
Figure FDA0004045234480000011
其中，/>
Figure FDA0004045234480000012
表示第n张全切片图像Xn的第i个图像块，c表示图像块的通道数，p×p表示每个图像块的宽度和高度；/>
Figure FDA0004045234480000013
表示第i个图像块/>
Figure FDA0004045234480000014
对应的类别标签；/>
Figure FDA0004045234480000015
当
Figure FDA0004045234480000016
时，表示/>
Figure FDA0004045234480000017
为阴性图像块，即/>
Figure FDA0004045234480000018
当/>
Figure FDA0004045234480000019
时，表示/>
Figure FDA00040452344800000110
为阳性图像块，即
Figure FDA00040452344800000111
S表示图像块的数量；
步骤2、建立能预测图像块阴阳性类别的第一Swin Transformer模型，并用于得到输入图像块
Figure FDA00040452344800000112
的分类结果/>
Figure FDA00040452344800000113
步骤3、离线训练第一Swin Transformer模型：
利用式(11)构建交叉熵损失函数L，并利用梯度下降算法训练第一Swin Transformer模型，使得交叉熵损失函数L达到收敛，从而得到训练好的第一Swin Transformer模型；
Figure FDA00040452344800000114
式(11)中，
Figure FDA00040452344800000115
为图像块对应的阴阳性伪标签，S为图像块总数；
步骤4、利用训练好的第一Swin Transformer模型剔除阴性图像块，利用剩余的阳性图像块生成T分期图像块数据集：
步骤4.1、从预处理后的全切片图像数据集X中提取类别标签不为“1”的全切片图像，从而得到筛选后的全切片图像数据集X′＝{X′1,X′2,...,X′m,...,X′M}及其对应标签Y′＝{Y′1,Y′2,...,Y′m,...,Y′M}；其中，X′m表示第m张筛选后的全切片图像，Y′m表示X′m对应的类别标签；
步骤4.2、去除第m张筛选后的全切片图像X′m的空白背景后进行分块处理，得到Q个图像块及其类别标签，记为
Figure FDA0004045234480000021
其中，/>
Figure FDA0004045234480000022
表示第m张筛选后的全切片图像X′m的第q个图像块，/>
Figure FDA0004045234480000023
表示第q个图像块/>
Figure FDA0004045234480000024
对应的类别标签，/>
Figure FDA0004045234480000025
Figure FDA0004045234480000026
Q表示图像块的数量；
步骤4.3、第m张筛选后的全切片图像X′m的Q个图像块
Figure FDA0004045234480000027
输入能预测图像块阴阳性类别的训练好的Swin Transformer模型中进行处理，以剔除阴性图像块，从而得到由阳性图像块构成的T分期图像块数据集，记为/>
Figure FDA0004045234480000028
其中，/>
Figure FDA0004045234480000029
表示第m张筛选后的全切片图像X′m剔除阴性图像块后的第k个图像块，/>
Figure FDA00040452344800000210
表示第k个图像块/>
Figure FDA00040452344800000211
对应的类别标签，/>
Figure FDA00040452344800000212
K表示图像块的数量；
步骤5、建立能预测全切片T分期类别的第二Swin Transformer模型，并用于得到第m张全切片X′m的输出结果pm∈{2,…,α}；
步骤6、离线训练第二Swin Transformer模型：
利用式(20)构建交叉熵损失函数L，并利用梯度下降算法训练第二Swin Transformer模型，使得交叉熵损失函数L达到收敛，从而得到训练好的第二Swin Transformer模型；
Figure FDA00040452344800000213
式(20)中，ym为第m张全切片X′m对应的T分期类别标签；
步骤7、利用两个训练好的Swin Transformer模型对胃癌组织病理全切片T分期类别进行预测：
步骤7.1、获取待预测的一张组织病理全切片图像并去除空白背景区域后分块处理，得到多个图像块序列(x1,x2,…,xj,…,xm)；其中，xj表示待预测的组织病理全切片图像中第j个图像块；
步骤7.2、将图像块序列(x1,x2,…,xj,…,xm)送入能预测图像块阴阳性类别的训练后的第一Swin Transformer模型中进行图像块类别的预测，并剔除阴性图像块，从而得到阳性图像块序列(x′1,x′2,…,x′j,…,x′n)，其中，x′j表示待预测的组织病理全切片图像剔除阴性图像块后的图像块序列中第j个图像块；计算阳性图像块的占比
Figure FDA0004045234480000031
并与所设定的分类阈值t进行比较，若tpos≥t，则表示待预测的组织病理全切片图像为阳性，并执行步骤7.3；否则，表示待预测的组织病理全切片图像为阴性，即全切片类别为“1”；
步骤7.3、将阳性图像块序列(x′1,x′2,…,x′j,…,x′n)输入所述能预测全切片T分期类别的训练后的第二Swin Transformer模型中进行处理，从而得到待预测的组织病理全切片图像的T分期类别。
2.根据权利要求1所述的基于Swin Transformer和弱监督的胃癌病理全切片T分期类别预测方法，其特征在于，所述步骤2中的第一Swin Transformer模型由第一分块层、第一Stage模块、第二Stage模块、第三Stage模块、第四Stage模块、第一归一化层、第一池化层和第一分类层构成，其中，第一Stage模块包括一个线性嵌入层和一个Swin Transformer块，其余三个Stage模块均包括一个图像块融合层和一个Swin Transformer块；
步骤2.1、所述第一分块层对输入图像块
Figure FDA0004045234480000032
进行分块处理后在通道维度展平，得到变换后的特征图/>
Figure FDA0004045234480000033
步骤2.2、所述第一Stage模块中的线性嵌入层对特征图
Figure FDA0004045234480000034
进行线性特征嵌入，得到所述第一Stage模块的特征图/>
Figure FDA0004045234480000035
C表示特征图的尺寸；
步骤2.3、所述第一Stage模块中Swin Transformer块对
Figure FDA0004045234480000036
进行处理，得到输出特征图，记为/>
Figure FDA0004045234480000037
步骤2.4、第二Stage模块中的图像块融合层对特征图
Figure FDA0004045234480000038
进行切片融合处理，得到第二Stage模块的特征图/>
Figure FDA0004045234480000039
步骤2.5、第二Stage模块中Swin Transformer块按照步骤2.3的过程对
Figure FDA00040452344800000310
进行处理，得到第二Stage模块的输出特征图/>
Figure FDA00040452344800000311
步骤2.6、第三Stage模块中的图像块融合层对
Figure FDA00040452344800000312
进行切片融合，得到第三Stage模块的特征图/>
Figure FDA00040452344800000313
步骤2.7、第三Stage模块中的Swin Transformer块按照步骤2.3的过程对
Figure FDA00040452344800000314
进行处理，得到第三Stage模块的输出特征图/>
Figure FDA0004045234480000041
步骤2.8、第四Stage模块中的图像块融合层对
Figure FDA0004045234480000042
进行切片融合，得到第四Stage模块的特征图/>
Figure FDA0004045234480000043
步骤2.9、第四Stage模块中的Swin Transformer块按照步骤2.3的过程对
Figure FDA0004045234480000044
进行处理，得到第四Stage模块的输出特征图/>
Figure FDA0004045234480000045
步骤2.10、所述归一化层对
Figure FDA0004045234480000046
进行归一化处理后得到归一化后的特征图/>
Figure FDA0004045234480000047
步骤2.11、所述池化层对特征
Figure FDA0004045234480000048
进行全局池化，得到池化后的向量/>
Figure FDA0004045234480000049
步骤2.12、所述分类层利用式(5)对
Figure FDA00040452344800000410
进行线性变换，得到输入图像块/>
Figure FDA00040452344800000411
的分类结果/>
Figure FDA00040452344800000412
Figure FDA00040452344800000413
式(10)中，Linear(·)代表线性分类函数；
Figure FDA00040452344800000414
3.根据权利要求2所述的基于Swin Transformer和弱监督的胃癌病理全切片T分期类别预测方法，其特征在于，所述步骤2.3是按照如下步骤进行：
步骤2.3.1、利用式(1)得到基于窗口的第l层多头自注意力层的输出zl′；
zl′＝W_MSA(LN(zl-1))+zl-1 (1)
式(1)中，W_MSA(·)表示基于窗口的多头自注意力机制层的处理；LN(·)表示归一化层的处理；zl-1表示第l-1层多层感知器的输出特征图，当l＝1时，令
Figure FDA00040452344800000415
步骤2.3.2、利用式(2)得到第l层多层感知器的输出特征图zl；
zl＝MLP(LN(zl′))+zl′ (2)
式(2)中，MLP(·)表示多层感知器的处理；
步骤2.3.3、利用式(3)得到基于移动窗口的第l层多头自注意力层的输出zl′+1；
zl′+1＝SW_MSA(LN(zl))+zl (3)
式(3)中，SW_MSA(·)表示基于移动窗口的多头自注意力层的处理；
步骤2.3.4、利用式(4)得到第l层多层感知器的输出特征图zl+1；
zl+1＝MLP(LN(zl′+1))+zl′+1 (4)
式(4)中，MLP(·)表示多层感知器的处理；
步骤2.3.5、按照步骤2.3.1-步骤2.3.4的过程进行L层处理后，最终由第L层多层感知器的输出特征图，并作为第一Stage模块的输出特征图
Figure FDA0004045234480000051
4.根据权利要求3所述的基于Swin Transformer和弱监督的胃癌病理全切片T分期类别预测方法，其特征在于，所述步骤5中的第二Swin Transformer模型由第二分块层、第五Stage模块、第六Stage模块、第七Stage模块、第八Stage模块、第二归一化层、第二池化层、特征编码层、注意力机制层、特征聚合层和第二分类层构成，其中，第五Stage模块包括一个线性嵌入层和一个Swin Transformer块，其余三个Stage模块均包括一个图像块融合层和一个Swin Transformer块：
步骤5.1、所述第二分块层对输入图像块
Figure FDA0004045234480000052
进行分块处理后在通道维度展平，得到变换后的特征图/>
Figure FDA0004045234480000053
步骤5.2、所述第五Stage模块中的线性嵌入层对特征图
Figure FDA0004045234480000054
进行线性特征嵌入，得到所述第五Stage模块的特征图/>
Figure FDA0004045234480000055
步骤5.3、所述第五Stage模块中Swin Transformer块按照步骤2.3的过程对
Figure FDA0004045234480000056
进行处理，得到第五Stage模块的输出特征图，记为/>
Figure FDA0004045234480000057
步骤5.4、第六Stage模块中的图像块融合层对特征图
Figure FDA0004045234480000058
进行切片融合处理，得到第六Stage模块的特征图/>
Figure FDA0004045234480000059
步骤5.5、第六Stage模块中Swin Transformer块按照步骤5.3的过程对
Figure FDA00040452344800000510
进行处理，得到第六Stage模块的输出特征图/>
Figure FDA00040452344800000511
步骤5.6、第七Stage模块中的图像块融合层对
Figure FDA00040452344800000512
进行切片融合，得到第七Stage模块的特征图/>
Figure FDA00040452344800000513
步骤5.7、第七Stage模块中的Swin Transformer块按照步骤5.3的过程对
Figure FDA0004045234480000061
进行处理，得到第七Stage模块的输出特征图/>
Figure FDA0004045234480000062
步骤5.8、第八Stage模块中的图像块融合层对
Figure FDA0004045234480000063
进行切片融合，得到第八Stage模块的特征图/>
Figure FDA0004045234480000064
步骤5.9、第八Stage模块中的Swin Transformer块按照步骤5.3的过程对
Figure FDA0004045234480000065
进行处理，得到第八Stage模块的输出特征图/>
Figure FDA0004045234480000066
步骤5.10、所述第二归一化层对
Figure FDA0004045234480000067
进行归一化处理后得到归一化后的特征图/>
Figure FDA0004045234480000068
步骤5.11、所述第二池化层对特征
Figure FDA0004045234480000069
进行全局池化，得到池化后的向量/>
Figure FDA00040452344800000610
步骤5.12、所述特征编码层利用式(16)对
Figure FDA00040452344800000611
进行线性变换，得到线性变换后的特征向量/>
Figure FDA00040452344800000612
Figure FDA00040452344800000613
式(16)中，
Figure FDA00040452344800000614
c代表特征向量的维度；
步骤5.13、所述注意力机制层利用式(17)计算第m张全切片X′m的第k个图像块
Figure FDA00040452344800000615
对应门控注意力权重/>
Figure FDA00040452344800000616
Figure FDA00040452344800000617
式(17)中，
Figure FDA00040452344800000618
和/>
Figure FDA00040452344800000619
均为线性变换的参数，tanh(·)和sigm(·)是线性激活函数；T表示转置；/>
Figure FDA00040452344800000620
表示第m张全切片X′m的第j个图像块的特征编码向量，其中j＝1,2,…,K；
步骤5.14、所述特征聚合层利用式(18)得到第m张全切片X′m聚合后的特征
Figure FDA00040452344800000621
Figure FDA0004045234480000071
步骤5.15、所述第二分类层对聚合后的特征Hm进行线性变换，得到第m张全切片X′m的输出结果pm∈{2,…,α}。
5.一种电子设备，包括存储器以及处理器，其特征在于，所述存储器用于存储支持处理器执行权利要求1-4中任一所述基于Swin Transformer和弱监督的胃癌病理全切片T分期类别预测方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
6.一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1-4中任一所述基于Swin Transformer和弱监督的胃癌病理全切片T分期类别预测方法的步骤。
CN202310026481.2A 2023-01-09 2023-01-09 基于Swin Transformer和弱监督的胃癌病理全切片T分期类别预测方法 Pending CN115880277A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310026481.2A CN115880277A (zh) 2023-01-09 2023-01-09 基于Swin Transformer和弱监督的胃癌病理全切片T分期类别预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310026481.2A CN115880277A (zh) 2023-01-09 2023-01-09 基于Swin Transformer和弱监督的胃癌病理全切片T分期类别预测方法

Publications (1)

Publication Number Publication Date
CN115880277A true CN115880277A (zh) 2023-03-31

Family

ID=85758332

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310026481.2A Pending CN115880277A (zh) 2023-01-09 2023-01-09 基于Swin Transformer和弱监督的胃癌病理全切片T分期类别预测方法

Country Status (1)

Country Link
CN (1) CN115880277A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117541844A (zh) * 2023-09-27 2024-02-09 合肥工业大学 一种基于超图学习的弱监督组织病理学全切片图像分析方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117541844A (zh) * 2023-09-27 2024-02-09 合肥工业大学 一种基于超图学习的弱监督组织病理学全切片图像分析方法

Similar Documents

Publication Publication Date Title
CN109961089B (zh) 基于度量学习和元学习的小样本和零样本图像分类方法
CN108062753B (zh) 基于深度对抗学习的无监督域自适应脑肿瘤语义分割方法
CN114926746B (zh) 基于多尺度差分特征注意力机制的sar图像变化检测方法
CN110930378B (zh) 基于低数据需求的肺气肿影像处理方法及系统
CN110610210B (zh) 一种多目标检测方法
CN114549470B (zh) 基于卷积神经网络和多粒度注意力的手骨关键性区域获取方法
CN113610118B (zh) 一种基于多任务课程式学习的青光眼诊断方法、装置、设备及方法
He et al. SAR target recognition and unsupervised detection based on convolutional neural network
CN109472733A (zh) 基于卷积神经网络的图像隐写分析方法
CN113469958A (zh) 一种胚胎发育潜能预测方法、系统、设备及存储介质
CN115880277A (zh) 基于Swin Transformer和弱监督的胃癌病理全切片T分期类别预测方法
Fadli et al. Steel surface defect detection using deep learning
CN114692732A (zh) 一种在线标签更新的方法、系统、装置及存储介质
CN113592008B (zh) 小样本图像分类的系统、方法、设备及存储介质
CN114820481A (zh) 基于转换器的肺癌组织病理全切片egfr状态预测方法
CN114445356A (zh) 基于多分辨率的全视野病理切片图像肿瘤快速定位方法
CN117350979A (zh) 一种基于医疗超声影像的任意病灶分割和追踪系统
CN116842996A (zh) 一种基于深度压缩感知的空间转录组方法及装置
CN116759076A (zh) 一种基于医疗影像的无监督疾病诊断方法及系统
CN115631526A (zh) 基于自监督学习技术的被遮挡的人脸表情识别方法及应用
Zhao et al. Recognition and Classification of Concrete Cracks under Strong Interference Based on Convolutional Neural Network.
CN114067156A (zh) 一种基于高分辨率医学影像的卒中分类系统和分类方法
CN113822252A (zh) 显微镜下病理图像细胞鲁棒检测方法
CN112926619B (zh) 一种高精度水下激光目标识别系统
CN116824146B (zh) 一种小样本ct图像分割方法、系统、终端及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination