CN119494981A 基于邻域聚合图网络的乳腺癌全切片病理图像弱监督分类方法 （大连民族大学）

基于邻域聚合图网络的乳腺癌全切片病理本发明公开了一种基于邻域聚合图网络的图像输入到FcaFormer网络模型中提取实例特征切片病理图像恶性概率最高的实例，并保存FcaFormer网络模型对实例分类准确率最高的权概率最高的实例基于在原图像所在的位置构造网络模型对乳腺癌全切片病理图像进行良恶性2构建乳腺癌全切片病理图像数据集，将此数据集划分为将分割后的图像输入到FcaFormer网络模型中提取实例特征并对该网络模型进行训将筛选出的恶性概率最高的实例基于在原图像所在的位置构造邻使用训练集对邻域聚合图网络模型进行训练，使用完成训练的邻2.根据权利要求1所述的一种基于邻域聚合图网络的乳腺癌全切片病理图像弱监督分在每个实例上设置标签，将实例输入至FcaFormer网络模型中进行训练并预测每个实例的3.根据权利要求1所述的一种基于邻域聚合图网络的乳腺癌全切片病理图像弱监督分4.根据权利要求2所述的一种基于邻域聚合图网络的乳腺癌全切片病理图像弱监督分35.根据权利要求3所述的一种基于邻域聚合图网络的乳腺癌全切片病理图像弱监督分将节点特征输入到网络模型的注意力层中利用多头自注意力机制捕获聚合不同距离4成为全球癌症新增病例人数位居第二的癌症。女性是乳腺癌的主要发病群体且死亡率较深度学习的计算机辅助病理图像诊断研究获得广泛关注并成为领[0003]与自然图像不同，WSI图像具有超高分辨率，无法直接通过深度神经网络进行训[0006]将分割后的图像输入到FcaFormer网络模型中提取实例特征并对该网络模型进行每个实例上设置标签，将实例输入至FcaFormer网络模型中进行训练并预测每个实例的恶5由卷积块和下采样层组成，下采样使用深度卷积将特征图分辨率降低N倍，增加特征通道[0015]进一步的，对每张乳腺癌全切片病理图像通过第一阶段的FcaFormer网络模型中[0021]将节点特征输入到网络模型的注意力层中利用多头自注意力机制捕获聚合不同6员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范[0030]如图1所示的一种基于邻域聚合图网络的乳腺癌全切片病理图像弱监督分类方病理图像实例的选取和特征的提取。接着将选取出的实例在原图中的位置连接成邻接图，构建邻接矩阵，并和第一阶段模型提取的特征一同输入第二阶段引入邻域聚合图模型中，[0031]图2是第一阶段的模型训练流程图，首先需要对全切片图像进行分割成小块即实[0032]图3是第二阶段特征聚合模型图，此部分利用第一阶段的模型进行实例的筛选和7[0037]S13:全切片病理图像的像素大部分高于10万*10万，可根据实际需求分割成多个[0039]S21:图像经数据预处理后需要调整成256×256的大小，进入FcaFormer层，通过多个交叉多头注意力(CMHA)的输入与之前同一阶段输出的令牌相[0044]S23:将筛选出的k个实例打上与全切片病理图像相同的标签，再次输入到模型中8k＝6选择的最远邻居距离为6。[0052]S33:将聚合后的特征序列S＝(x0,x1,,x6)连接一个线性投影层，映射到Transformer的隐藏层，通过Transformer后再连接一个全连接层通过Softmax函数计算给x6E]WSI中概率排名最靠前的30个实例