[发明专利]一种肿瘤浸润淋巴细胞识别方法和系统

说明书

本发明提供一种肿瘤浸润淋巴细胞识别方法和系统，构建肿瘤浸润淋巴细胞识别的训练集；构建用于训练的细胞分割网络，细胞分割网络的编码器通过Swin‑Transformer层对淋巴细胞进行特征学习，细胞分割网络的解码器通过Swin‑Transformer层对淋巴细胞分别进行形态识别学习和分类学习；把训练集输入所述细胞分割网络进行训练，得到淋巴细胞识别模型；通过淋巴细胞识别模型识别被肿瘤浸润的淋巴细胞。本发明通过由Swin‑Transformer层构成的编码器以学习淋巴细胞特征，并且由Swin‑Transformer构成的两个解码器分别学习细胞形态与细胞分类，从很大程度上提升了肿瘤浸润淋巴细胞识别的效果。

技术领域

本发明涉及病理学图像领域，特别涉及一种肿瘤浸润淋巴细胞识别方法；此外，本发明还涉及一种肿瘤浸润淋巴细胞识别系统。

背景技术

近十年，计算机硬件与理论知识的蓬勃发展使得基于深度神经网络的模型被广泛应用于计算机视觉相关任务，极大的提升了生产效率与生活便利。于此同时，高精度的模型也被广泛应用于医疗领域以协助提升诊断准确率与诊断速度。

肿瘤浸润淋巴细胞，作为针对肿瘤类型识别的关键因素，其分布难以预测且细胞数量巨大。在临床上，较为细致的找出规定区域中淋巴细胞并进行相关统计工作将消耗病理医生极大的精力。所以，使用深度学习模型协助医生识别淋巴细胞对于提高医疗效率与准确性有不可忽视的意义。

在医学相关任务中，基于HE染色切片的多类型组织识别作为通用的常见任务，在行业中有非常广泛的使用。在2015年为了解决医疗图像分割问题，研究人员提出了U-Net结构。

然而，U-Net在面积较大的多组织识别任务上有非常好的表现，但是针对更细粒度的细胞预测任务，其不能精确识别细胞形态。针对这个问题，研究人员提出了Hovernet，其亮点为引入了细胞边界到中心的距离以提升模型对于细胞形态的识别。

另一方面，随着Transformer结构在NLP领域中成功应用，研究人员又提出了应用与视觉领域的金字塔结构Swin-Transformer，其在一系列计算机视觉任务中取得了优秀成绩。鉴于Swin-Transformer block优秀的特征提取能力，研究人员很将该特征提取方法引入U-Net并提出Swin-Unet，并在医学图像分割方面取得一定进展。然而，虽然Swin-Unet在区域识别上达到了较好的效果，但是Swin-Unet并不是针对细胞层面的模型，所以在细胞识别精度上仍有所欠缺。

发明内容

为了解决现有技术存在的问题，本发明的至少一个实施例提供了一种肿瘤浸润淋巴细胞识别方法，从很大程度上提升了肿瘤浸润淋巴细胞识别的效果。为此，本发明的至少一个实施例还提供一种肿瘤浸润淋巴细胞识别系统

第一方面，本发明实施例提出一种肿瘤浸润淋巴细胞识别方法，所述方法包括以下步骤：

步骤1，构建肿瘤浸润淋巴细胞识别任务的训练集和测试集；

步骤2，构建用于训练的细胞分割网络，所述细胞分割网络通过基于Swin-Transformer的编码器对淋巴细胞进行特征学习，通过基于Swin-Transformer的解码器对淋巴细胞分别进行形态识别学习和分类学习；

步骤3，把训练集输入所述细胞分割网络进行训练，得到淋巴细胞识别模型；

步骤4，通过所述淋巴细胞识别模型识别被肿瘤浸润的淋巴细胞。

在一些实施例中，所述细胞分割网络采用Swin-Hovernet网络，Swin-Hovernet网络包括一个编码器和两个解码器，编码器通过Swin-Transformer层对淋巴细胞进行特征学习，两个解码器通过Swin-Transformer层对淋巴细胞分别进行形态识别学习和分类学习。