一种用于肺癌组织病理图像的智能分类方法与流程

本发明属于病理图像分析，具体涉及一种用于肺癌组织病理图像的智能分类方法。

背景技术：

1、肺癌是全世界最常见的恶性肿瘤之一，其大部分患者确诊时已处于肿瘤中晚期，5年生存率只有18％左右。对于中晚期肺癌患者，主要的治疗手段为全身综合治疗，即通过联合放化疗、靶向治疗及免疫治疗改善患者生活质量以及延长生存期。

2、最新国内外肺癌指南均建议，对于egfr敏感突变患者优先选用egfr-tkis作为标准一线治疗方案。然而，egfr敏感突变患者中仍有20-30％对egfr-tkis具有原发性耐药(无疾病进展生存时间＜3个月)，不能从egfr-tkis治疗中获益，因此临床迫切需要可早期预测egfr-tkis疗效的其他指标，以尽早甄别可能从治疗中获益的患者，及时调整、优化个体化治疗方案，但是目前中晚期非小细胞肺癌egfr突变和耐药难以精准量化分层存在临床挑战。

3、近年来，深度学习方法具有较强学习特征的能力，能从影像数据中挖掘出与诊断任务相关的深度特征，从而获得更高的疾病诊断准确率。然而，再临床数据分析中，因医疗数据隐私规定，各机构之间不能收集和共享患者数据，同时多中心机构数据之间存在采集设备、跨地域、图像质量等差异，从而导致单一机构训练出的模型在多中心数据上分类性能不佳。

技术实现思路

1、鉴于此，为解决上述背景技术中所提出的问题，本发明的目的在于提供一种用于肺癌组织病理图像的智能分类方法。

2、为实现上述目的，本发明提供如下技术方案：

3、一种用于肺癌组织病理图像的智能分类方法，包括：

4、用符合预设要求的肺癌组织病理图像训练本地服务器；

5、获取所述本地服务器的本地参数，并通过本地服务器的训练正确率计算所述本地参数的聚合权重；

6、向所述中心服务器发送所述本地参数及与之对应的聚合权重；

7、接收由所述中心服务器聚合反馈的全局参数，且所述全局参数由多个本地参数聚合而成；

8、利用所述全局参数更新覆盖所述本地服务器的本地参数；

9、将待分类的肺癌组织病理图像输入至更新后的本地服务器，得到智能分类结果。

10、优选的，符合预设要求的肺癌组织病理图像包括imagenet图像、wsi图像、ct图像。

11、优选的，训练本地服务器包括：

12、通过imagenet图像训练resnet网络得到源网络1，通过wsi图像训练resnet网络得到源网络2；

13、通过所述源网络1与所述源网络2获得源特征空间1和源特征空间2，且所述源网络1与所述源网络2中每一个卷积核的输出分别为源特征空间1与源特征空间2中的一特征图；

14、构建基于cnn结构和transformer结构的特征提取网络，并建立关于特征提取网络与源特征空间1、源特征空间2之间的损失函数；

15、通过所述特征提取网络提取关于imagenet图像和wsi图像的深度学习特征，并以所述深度学习特征和ct图像为训练集训练所述本地服务器。

16、优选的，所述transformer结构包括横向拼接的多个单头自注意力矩阵：

17、mhsa(x)＝concat(head1,head2,...,headh)；

18、

19、式中，rh和rw分别为特征图的二维相对位置编码，将两位置编码进行叠加融合得到图像的位置空间先验且r∈rh×w×d，为矩阵的相加，为特征图q、k、v的空间敏感相似性特征。

20、优选的，建立关于特征提取网络与源特征空间1、源特征空间2之间的损失函数包括：

21、(1)设x为两个源网络1与源网络2的输入，和分别对应源特征空间1和源特征空间2的第m1；层的特征图，表示参数为θ的特征提取网络第n层的特征图；特征提取网络是利用s1和s2中的有效特征来约束tθ的训练，且与之间的约束为l2范数距离；所述l2范数距离表达式为：式中，rθ()为逐点卷积，保证与具有相同的通道数；

22、(2)定义源网络1与源网络2中的每个特征图的加权特征匹配损失为：

23、

24、

25、式中，h×w是与的特征图大小，为第c1个通道中与之间的匹配权重,为第c2个通道中与之间的匹配权重,且

26、(3)定义为和的取值，且以和中每个特征图的全局均值池化为输入，以softmax形式作为特征提取网络的输出：式中，φ为的参数；

27、(4)分别以和中的每个卷积块的输出为一个单位，分别为每对卷积块(m,n)引入一个可学习参数λm,n＞0，该可学习参数λm,n表示对的迁移程度；

28、(5)定义为可学习参数λm,n的取值，以和的全局均值池化为输入，且

29、(6)在得到每个特征图的匹配权重后，定义迁移的损失为：

30、式中，p1和p2分别为对的候选卷积块对的集合；

31、特征提取网络的最终损失函数为：

32、ltotal(θ|x,y,φ)＝lorg(θ|x,y)+βlwfm(θ|x,φ)；式中，lorg(θ|x,y)为特征提取网络原始的损失函数，β是一个超参数。

33、优选的，利用ct图像训练所述特征提取网络包括：

34、初始化参数；

35、以所述深度学习特征和ct图像为训练集训练所述本地服务器，获得最小参数，且所述最小参数为所述本地服务器的本地参数。

36、优选的，所述聚合权重的计算公式如下：式中，和分别为第i个本地服务器在第t轮训练中的训练正确率和聚合权重，s为本地服务器的总数。

37、优选的，所述全局参数的聚合公式如下：式中，ωt和ωt-1分别为第t轮训练及第t-1轮训练中的全局参数，为第t轮训练中第i个本地服务器的本地参数。

38、优选的，通过所述本地服务器智能分类肺癌组织病理图像包括：以l1范数的极限学习机为分类器，通过所述分类器对提取的图像特征进行分类，得到分类结果。

39、优选的，通过所述本地服务器智能分类肺癌组织病理图像包括：

40、在elm优化求解引入l1范数，得到优化求解公式如下：

41、式中，t表示样本的真实标签；w∈rd表示隐藏层和输出层之间的权重，l为隐藏层神经元的个数，λ＞0表示约束项的系数，x表示隐藏层的输出，当输入层和隐含层的连接权值、隐含层的偏置被随机确定后，x是确定的。

42、本发明与现有技术相比，具有以下有益效果：

43、本发明的用于肺癌组织病理图像的智能分类方法，基于双源域异构迁移学习实现本地服务器提取特征图像的训练，具体，通过imagenet图像训练本地服务器提取基础纹理特征的能力，通过wsi图像训练本地服务器提取肿瘤微观信息特征的能力，通过ct图像训练本地服务器提取肿瘤宏观信息特征的能力，由此有效提高本地服务器的特征提取能力。进一步的，本地服务器还结合cnn结构和transformer结构，以此充分提取图像局部特征和全局特征，进而保证有效分类准确。

44、本发明的用于肺癌组织病理图像的智能分类方法，还在保证数据隐私地基础上，通过联邦学习来使用多医疗中心的数据共同地完成全局参数的更新，利用全局参数更新覆盖本地服务器的本地参数，以此更进一步的实现图像准确分类。