CN115330722B 一种胃癌h＆e染色图像智能预测pd-l1抑制剂疗效的方法 （福州大学）

一种胃癌H＆E染色图像智能预测PD-L1抑制本发明提供了一种胃癌H&E染色图像智能预测PD_L1抑制剂疗效的方法，提出基于半监督学习的癌变区域分割模型，分割H&E染色图像中的据临床医生标记的PD_L1抑制剂疗效标签得到每图像块层面的预测结果生成整张H&E染色图像的术方案可得到胃癌患者使用PD_L1抑制剂后疗效2生成整张H&E染色图像的疗效判别矩阵，运用基于深度卷积神经网络的图像分类模型进行疗效和有显著疗效的H&E染色图像中选取分类模型预测概率最高的部分图像块进行下一阶2.根据权利要求1所述的一种胃癌H&E染色图像智能预测PD_L1抑制剂疗效的方法，其分割主干网络，并使用通过ImageNet数据集预训练获得的EfficientNet_B3网络代替3.根据权利要求1所述的一种胃癌H&E染色图像智能预测PD_L1抑制剂疗效的方法，其训练集中的预测概率中位数选取分类阈值，以得到最终的胃癌患者PD_L1抑制剂疗效预测3[0001]本发明涉及图像识别技术领域，特别是一种胃癌H＆E染色图像智能预测PD_L1抑[0005]CPS作为PD_L1伴随诊断的评价方法之一，对临床使用PD_L1抑制剂进行免疫治疗4得到每张图像块的类别标签，运用基于多实例学习的图像分类模型进行图像块层面的预度卷积神经网络的图像分类模型进行切片层面的取DeepLabV3+作为分割主干网络，并使用通过ImageNet数据集预训练获得的EfficientNet_B3网络代替DeepLabV3+网络中的编码器结构，构建meanteacher模型；最络通过MixedLoss结合ConsistencyLoss调整和改进网络优化目标，教师网络权重参数由[0015](3)本发明通过深度卷积神经网络提取PD_L1抑制剂疗效预测标志物中不同维度5[0018]图3为本发明优选实施例的多实例学习的PD_L1抑制剂疗效标志物获取算法的流[0023]本发明针对当前病理医生对胃癌患者的CPS评分一致性低和临床医生对胃癌患者记的PD_L1抑制剂疗效标签得到每张图像块的类别标签，运用基于多实例学习的图像分类H＆E染色图像切割成512×512像素的图像块，根据胃癌分型选取部分图像块标注胃癌区整和改进网络优化目标，教师网络权重参数由学生网络权重参数的指数移动平均值获得。[0026]具体来说，一套基于多实例学习的PD_L1抑制剂疗效标志物获取算法的算法流程染色图像所对应的胃癌患者在使用PD_L1抑制剂后的疗效标签，记作有显著疗效1和无显6制剂疗效标签给出选取图像块的类别标签，使用基于多实例学习的图像分类模型进行训[0027]具体来说，一套基于深度卷积神经网络的PD_L1抑制剂疗效预测算法的算法流程[0029]本发明提出了一种胃癌H＆E染色图像智能预测PD_L1抑制剂疗效的方法，可辅助[0036](6)结合基于半监督学习的胃癌区域分割模型和基于多实例学习的图像分类模7[0037](7)将基于半监督学习的胃癌区域分割模型和基于多实例学习的图像分类模型，[0038](8)使用LOG_RANK检验来评估数据集4上不同预测结果的胃癌患者的生存期和无