[发明专利]肺部组织病理图像处理模型、构建方法及图像处理方法

说明书

本发明属于医疗图像处理技术领域，具体涉及一种肺部组织病理图像处理模型、构建方法及图像处理方法，获取肺部组织病理图像的数据集，并将所述数据集进行预处理后按照比例划分为训练数据集和测试数据集；建立上游任务，对训练数据集中的每个图像按比例融合相加后生成新的样本，并将新的样本进行训练，得到训练好的掩码自编码器上游模型；建立下游任务，利用上游任务训练好的掩码自编码器上游模型，采用测试数据集对所述掩码自编码器上游模型性能进行评估，解决目前主流算法中的卷积操作和子注意力机制过于复杂，算法的训练时间较长导致诊断系统复杂等问题，具有高效并能够简化诊断系统的作用。

技术领域

本发明属于医疗图像处理技术领域，具体涉及一种肺部组织病理图像处理模型、构建方法及图像处理方法。

背景技术

肺癌，作为世界上几大主要的癌症之一，已经严重威胁到人们的生命健康安全。据统计，肺癌是男性女性第一和第二常见的恶性肿瘤。近年来，肺鳞癌的发病率呈下降趋势，约占肺癌的30%~40%；肺腺癌的发病率则呈上升趋势，约占肺癌的40%~55%。因此肺腺癌是肺癌的主要亚型。而肺腺癌又可以分为浸润性肺腺癌和微浸润性肺腺癌。

病理医生诊断肺癌最可靠的科学依据是病理学检查。通过观察病理图像中细胞的大小、形态、位置等信息来判断肺癌的具体亚型。因此，精准的病理诊断对病人的治疗及愈后是至关重要的。但是，由于病理诊断其本身的工作量极大，因此对于病理医生是一项复杂的工作，不仅费时费力，而且还难免会出现漏诊误诊的情况。

随着人工智能的快速发展，深度学习在不同领域得到了广泛的应用。越来越多的研究表明，深度学习算法在医学图像分析中的可靠性，尤其是肺癌组织病理图像的识别任务中。因此可以利用深度学习算法来解决病理医生对于肺癌病理诊断工作量大以及漏诊误诊的问题。

然而，之前的深度学习研究在处理肺癌组织病理图像所用的算法大多是Convolutional neural network (CNN) 和Vision Transformer (ViT)，CNN是针对图像中的局部信息，ViT是捕捉图像中的全局信息。CNN中的卷积操作和ViT中的自注意力机制都是很复杂的操作，这就导致了模型的复杂性，不利于部署在辅助诊断系统中。

考虑到上述困境，自我监督学习是一种可行的解决方案，近年来基于深度学习的无监督特征学习在细胞和肺肿瘤检测和分类等低级任务中受到青睐。自我监督学习可以从没有标签的数据中学习信息性数据表示, 并已成功应用于图像分类任务。

目前，多项研究证明了自监督学习方法在各种医学图像任务中的有效性，例如医学图像分类、医学图像检测和医学图像分割。对于组织病理学图像，也提出了一些自我监督学习方法，但在组织病理学中很重要的细微差别的图像很难区分，无法通过自监督算法提取更高级的语义信息。因此目前仍然缺乏有效的自我监督学习方法来从组织病理学图像中提取视觉表示并完成相关任务。

发明内容

本发明所要解决的技术问题在于提供一种肺部组织病理图像处理模型、构建方法及图像处理方法，解决目前主流算法Convolutional neural network、VisionTransformer中的卷积操作和子注意力机制过于复杂，算法的训练时间较长导致诊断系统复杂等问题。

本发明是这样实现的，

一种肺部组织病理图像处理模型的构建方法，包括：

获取肺部组织病理图像的数据集，并将所述数据集进行预处理后按照比例划分为训练数据集和测试数据集；

建立上游任务，在所述上游任务中建立掩码自编码器上游模型，对训练数据集中的每个图像按比例融合相加后生成新的样本，并将新的样本进行训练，计算掩码自编码器上游模型重建的图像样本和原图像样本之间的损失值，增加训练的轮次以使损失值达到最小，得到训练好的掩码自编码器上游模型；