本發(fā)明涉及組織病理圖像處理，特別是涉及一種基于深度學(xué)習(xí)的h&e圖像卵巢癌多倍體瘤巨細胞的檢測方法。

背景技術(shù)：

1、卵巢癌是威脅婦女生命的最危險的婦科惡性腫瘤。病理診斷是確定腫瘤發(fā)生和發(fā)展?fàn)顩r的金標(biāo)準(zhǔn)，并且蘇木精-伊紅(hematoxylin?and?eosin,h&e)染色技術(shù)是一種廣泛應(yīng)用于組織病理診斷的基礎(chǔ)染色方法。該技術(shù)分別利用蘇木精染料的堿性特性和伊紅染料的酸性特性，將細胞的不同部位染成藍紫色或紅色。通過這種顏色對比，病理學(xué)家能夠清晰地觀察到細胞結(jié)構(gòu)的細微變化，為疾病診斷提供重要依據(jù)。通常情況，病理學(xué)家需要借助形態(tài)學(xué)的蘇木精-伊紅(h&e)病理圖像來識別各種類型的卵巢組織中的細胞，包括多倍體瘤巨細胞(polyploid?giant?cancer?cells,pgccs)。多倍體瘤巨細胞是一種特殊類型的癌細胞亞群，其特征為包括單個或多個巨大細胞核，且細胞核通常不規(guī)則，對腫瘤的診斷和分期具有重要意義。然而，在h&e染色圖像中，多倍體瘤巨細胞的檢測是一個復(fù)雜且耗時的過程。

2、作為病理診斷中常用的染色技術(shù)之一，h&e染色圖像能夠提供豐富的細胞形態(tài)和結(jié)構(gòu)信息。然而，由于pgccs在形態(tài)上與傳統(tǒng)細胞存在較大差異，其檢測和分析對病理學(xué)家來說是一項具有挑戰(zhàn)性的任務(wù)。

3、傳統(tǒng)的卵巢癌診斷過程雖然具有較高的準(zhǔn)確性，但存在主觀性強、操作復(fù)雜、耗時長等缺點。而隨著深度學(xué)習(xí)技術(shù)的快速發(fā)展，基于深度學(xué)習(xí)的計算機輔助系統(tǒng)為疾病的自動診斷提供了新的可能性。通過訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)模型，可以實現(xiàn)對醫(yī)學(xué)圖像中病變區(qū)域的自動檢測和分類，從而提高診斷的準(zhǔn)確性和效率。深度學(xué)習(xí)模型已經(jīng)被廣泛應(yīng)用于醫(yī)學(xué)圖像的檢測任務(wù)中，這使得在各類病理圖像中自動準(zhǔn)確地檢測目標(biāo)細胞成為可能。因此，將深度學(xué)習(xí)技術(shù)應(yīng)用于h&e染色圖像中多倍體瘤巨細胞的檢測，具有重要的研究價值和發(fā)展?jié)摿ΑＭㄟ^深度學(xué)習(xí)算法，可以自動學(xué)習(xí)和識別h&e染色圖像中多倍體瘤巨細胞的特征信息，實現(xiàn)對這些細胞的快速、準(zhǔn)確檢測，從而輔助病理學(xué)家進行更準(zhǔn)確的腫瘤診斷和分期。

4、然而，目前關(guān)于利用深度學(xué)習(xí)技術(shù)在h&e染色圖像中檢測多倍體瘤巨細胞的研究尚處于起步階段，存在許多挑戰(zhàn)和問題需要解決。其一，如何設(shè)計合適的深度學(xué)習(xí)模型和優(yōu)化模型參數(shù)以提高檢測多倍體瘤巨細胞的準(zhǔn)確性和穩(wěn)定性。其二，在卵巢癌的h&e病理圖像中，形態(tài)學(xué)蘊含的異質(zhì)性往往會導(dǎo)致檢測模型的語義歧義性。多倍體瘤巨細胞的形態(tài)的差異性和染色圖像的復(fù)雜性降低了檢測的信噪比，需要檢測模型構(gòu)造更加復(fù)雜的特征空間。其三，由于多倍體瘤巨細胞其細胞核的數(shù)量和形態(tài)的變動較大以及數(shù)量較少，模型需要基于較少的樣本學(xué)習(xí)異質(zhì)性較強的病理特征。

5、需要說明的是，在上述背景技術(shù)部分公開的信息僅用于對本申請的背景的理解，因此可以包括不構(gòu)成對本領(lǐng)域普通技術(shù)人員已知的現(xiàn)有技術(shù)的信息。

技術(shù)實現(xiàn)思路

1、本發(fā)明的主要目的在于解決上述背景技術(shù)中存在的問題，提供一種基于深度學(xué)習(xí)的h&e圖像卵巢癌多倍體瘤巨細胞的檢測方法。

2、為實現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案：

3、在本發(fā)明第一方面，一種基于深度學(xué)習(xí)的h&e圖像卵巢癌多倍體瘤巨細胞的檢測方法，包括如下步驟：

4、s1、構(gòu)建含有多倍體瘤巨細胞pgccs的h&e染色圖像數(shù)據(jù)集；

5、s2、對h&e染色圖像進行標(biāo)注，標(biāo)出多倍體瘤巨細胞的位置，并將標(biāo)注好的數(shù)據(jù)集劃分為訓(xùn)練集、驗證集和測試集；

6、s3、構(gòu)建基于深度特征的通道注意重編碼和融合的ocdet模型，所述ocdet模型以cspdarknet作為特征提取骨干，并結(jié)合注意力機制eca以實現(xiàn)對不同通道的病理語義特征的關(guān)系建模和重編碼；

7、s4、使用標(biāo)注的訓(xùn)練數(shù)據(jù)集對ocdet模型進行訓(xùn)練，通過反向傳播算法和梯度下降優(yōu)化器來更新模型的參數(shù)，使模型學(xué)習(xí)到pgccs的特征表示，訓(xùn)練過程中使用驗證集對模型進行調(diào)優(yōu)，訓(xùn)練完成后使用測試集對模型進行評估，訓(xùn)練好的模型用于h&e圖像卵巢癌多倍體瘤巨細胞的自動檢測。

8、在本發(fā)明第二方面，一種計算機可讀存儲介質(zhì)，存儲有計算機程序，其特征在于，所述計算機程序由處理器執(zhí)行時實現(xiàn)所述的基于深度學(xué)習(xí)的h&e圖像卵巢癌多倍體瘤巨細胞的檢測方法。

9、在本發(fā)明第三方面，一種計算機程序產(chǎn)品，包括計算機程序，其特征在于，所述計算機程序由處理器執(zhí)行時實現(xiàn)所述的基于深度學(xué)習(xí)的h&e圖像卵巢癌多倍體瘤巨細胞的檢測方法。

10、本發(fā)明具有如下有益效果：

11、本發(fā)明提出一種利用深度學(xué)習(xí)技術(shù)在蘇木精-伊紅h&e染色圖像中檢測卵巢癌的多倍體瘤巨細胞pgccs的新方法，實現(xiàn)高效、準(zhǔn)確的自動化檢測，具有重要的臨床意義和應(yīng)用價值。通過構(gòu)建和訓(xùn)練目標(biāo)檢測模型，本發(fā)明實現(xiàn)對h&e染色圖像中pgccs的自動檢測和識別，具體來說，本發(fā)明利用提出的檢測模型ocdet，學(xué)習(xí)h&e染色圖像中的細胞形態(tài)和結(jié)構(gòu)特征，特別是針對pgccs的特殊形態(tài)和結(jié)構(gòu)進行建模和優(yōu)化。通過訓(xùn)練和優(yōu)化該檢測模型，使其能夠準(zhǔn)確地區(qū)分pgccs與其他細胞，并在圖像中自動標(biāo)注出pgccs的位置和數(shù)量。通過自動化檢測，不僅可以提高診斷效率，減少人為誤差，還可以為后續(xù)的臨床治療和預(yù)后評估提供更有價值的參考信息。此外，本發(fā)明的方法還具有可擴展性和可定制性，可以適應(yīng)不同疾病類型和不同染色條件下的其他目標(biāo)細胞的檢測需求。

12、與現(xiàn)有的多倍體瘤巨細胞檢測方法相比，本發(fā)明的主要優(yōu)點有：

13、1.在不需要耗費大量的人力和物力去構(gòu)造大數(shù)據(jù)量的數(shù)據(jù)集的情況下，針對多倍體瘤巨細胞的特殊形態(tài)和結(jié)構(gòu)進行精準(zhǔn)建模和優(yōu)化，實現(xiàn)了在h&e染色圖像中準(zhǔn)確和高效地檢測多倍體瘤巨細胞。

14、2.ocdet模型一旦訓(xùn)練完成和優(yōu)化完成，就能夠快速地處理大量的h&e圖像數(shù)據(jù)，實現(xiàn)多倍體瘤巨細胞的自動化檢測。這極大地提高了病理診斷的效率，減少了醫(yī)生的工作負擔(dān)，使得更多的病例能夠在更短的時間內(nèi)得到診斷。

15、3.所設(shè)計的深度學(xué)習(xí)模型具有良好的可擴展性。隨著新的h&e圖像數(shù)據(jù)的不斷積累，可以對模型進行持續(xù)的訓(xùn)練和優(yōu)化，進一步提高其識別多倍體瘤巨細胞的能力。此外，該模型還可以應(yīng)用于其他類型的細胞或組織的檢測，為病理診斷提供更多的可能性和價值。

16、本發(fā)明實施例中的其他有益效果將在下文中進一步述及。

技術(shù)特征：

1.一種基于深度學(xué)習(xí)的h&e圖像卵巢癌多倍體瘤巨細胞的檢測方法，其特征在于，包括如下步驟：

2.如權(quán)利要求1所述的基于深度學(xué)習(xí)的h&e圖像卵巢癌多倍體瘤巨細胞的檢測方法，其特征在于，步驟s1中，從全玻片圖像中隨機切取圖塊，并進行人工篩選和修正；對圖塊進行數(shù)據(jù)預(yù)處理，包括圖像增強、噪聲去除、顏色標(biāo)準(zhǔn)化。

3.如權(quán)利要求1或2所述的基于深度學(xué)習(xí)的h&e圖像卵巢癌多倍體瘤巨細胞的檢測方法，其特征在于，所述ocdet模型包括依次連接的以下部分：

4.如權(quán)利要求3所述的基于深度學(xué)習(xí)的h&e圖像卵巢癌多倍體瘤巨細胞的檢測方法，其特征在于，所述ocdet模型的主干網(wǎng)絡(luò)backbone的處理包括：

5.如權(quán)利要求3或4所述的基于深度學(xué)習(xí)的h&e圖像卵巢癌多倍體瘤巨細胞的檢測方法，其特征在于，所述ocdet模型的連接部分neck的處理包括：

6.如權(quán)利要求3或4所述的基于深度學(xué)習(xí)的h&e圖像卵巢癌多倍體瘤巨細胞的檢測方法，其特征在于，所述ocdet模型的檢測頭head的處理包括：

7.如權(quán)利要求1至6任一項所述的基于深度學(xué)習(xí)的h&e圖像卵巢癌多倍體瘤巨細胞的檢測方法，其特征在于，步驟s4中，所述ocdet模型的訓(xùn)練過程包括兩個階段：

8.如權(quán)利要求7所述的基于深度學(xué)習(xí)的h&e圖像卵巢癌多倍體瘤巨細胞的檢測方法，其特征在于，在所述凍結(jié)階段和所述解凍階段中，模型使用統(tǒng)一的批量大小進行訓(xùn)練，通過反向傳播算法和梯度下降優(yōu)化器對模型參數(shù)進行更新。

9.一種計算機可讀存儲介質(zhì)，存儲有計算機程序，其特征在于，所述計算機程序由處理器執(zhí)行時實現(xiàn)如權(quán)利要求1-8任一項所述的基于深度學(xué)習(xí)的h&e圖像卵巢癌多倍體瘤巨細胞的檢測方法。

10.一種計算機程序產(chǎn)品，包括計算機程序，其特征在于，所述計算機程序由處理器執(zhí)行時實現(xiàn)如權(quán)利要求1-8任一項所述的基于深度學(xué)習(xí)的h&e圖像卵巢癌多倍體瘤巨細胞的檢測方法。

技術(shù)總結(jié)
一種基于深度學(xué)習(xí)的H&E圖像卵巢癌多倍體瘤巨細胞(PGCCs)檢測方法，包括構(gòu)建特定數(shù)據(jù)集、圖像標(biāo)注與數(shù)據(jù)劃分、利用OCDet模型進行特征學(xué)習(xí)與優(yōu)化、以及模型訓(xùn)練與評估。該方法首先建立含有PGCCs的H&E染色圖像數(shù)據(jù)集，隨后對圖像進行精確標(biāo)注并劃分為訓(xùn)練、驗證和測試集。OCDet模型以CSPDarkNet為核心，結(jié)合ECA機制，專注于病理語義特征的深度學(xué)習(xí)和重編碼。通過訓(xùn)練數(shù)據(jù)集，模型通過反向傳播和梯度下降進行參數(shù)更新，優(yōu)化以識別PGCCs特征。驗證集用于模型調(diào)優(yōu)，測試集用于評估模型性能。本發(fā)明的自動化檢測技術(shù)，能夠幫助醫(yī)生提升診斷效率，降低誤差，為臨床治療和預(yù)后評估提供重要參考，展現(xiàn)了顯著的臨床應(yīng)用價值。

技術(shù)研發(fā)人員：何永紅,彭靖,劉從容,王丹丹,何奇洺,王子駿
受保護的技術(shù)使用者：清華大學(xué)深圳國際研究生院
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19