[发明专利]基于人工智能的胸腺瘤组织病理的分型方法及装置

权利要求书

1.一种基于人工智能的胸腺瘤组织病理的分型方法，其特征在于，包括：

获取待分型的胸腺瘤组织病理学全玻片图像；

将所述待分型的胸腺瘤组织病理学全玻片图像输入至训练好的多路径跨尺度视觉Transformer模型中，得到分型结果；

其中，所述多路径跨尺度视觉Transformer模型包括交叉尺度感知Transformer模型和全玻片图像Transformer模型；所述交叉尺度感知Transformer模型用于对胸腺瘤组织病理学全玻片图像进行病例信息分类，所述全玻片图像Transformer模型用于根据病例信息分类后的胸腺瘤组织病理学全玻片图像输出胸腺瘤分型。

2.根据权利要求1所述的方法，其特征在于，所述多路径跨尺度视觉Transformer模型的训练方法，包括：

通过高通量数字扫描仪扫描预获取的胸腺癌患者的苏木精-伊红染色拨片，得到胸腺瘤组织病理学全玻片图像；

将所述全玻片图像进行多种比例的放大处理，并将放大后的全玻片图像划分为预设个数的非重叠的补丁全玻片图像；

对所述补丁全玻片图像进行胸腺瘤分型标记，标记后的补丁全玻片图像形成训练集；

将所述训练集输入预构建的多路径跨尺度视觉Transformer模型中进行训练，得到训练好的多路径跨尺度视觉Transformer模型。

3.根据权利要求2所述的方法，其特征在于，

所述交叉尺度感知Transformer模型包括局部引导分支、特征聚合分支和全局引导分支三条输入路径，每个输入路径接收不同尺度的全玻片图像；

所述局部引导分支、特征聚合分支和全局引导分支均包括依次连接的卷积单元、第一阶段、第二阶段、第三阶段、连接层、全局平均池化层和全连接层；所述全局平均池化层用于预测图像补丁的病理信息类别；

所述卷积单元用于对输入的补丁全玻片图像进行卷积处理；

所述第一阶段、第二阶段及第三阶段用于对卷积处理后的补丁全玻片图像进行多尺度特征提取；

所述连接层用于融合三个分支经过三个阶段的特征提取输出的多尺度特征；

所述全局平均池化层用于预测输出图像补丁的病理信息类别；

所述全连接层用于输出预测的图像补丁的病理信息类别。

4.根据权利要求3所述的方法，其特征在于，

所述第一阶段包括：依次连接的补丁合并层、多个基本Transformer块、形状重塑层和补丁合并层；所述第二阶段包括：依次连接的多个基本Transformer块、形状重塑层和补丁合并层；所述第三阶段包括：多个基本Transformer块；

所述补丁合并层用于将输入的补丁全玻片图像分割展开为非重叠的一维特征，将所述一维特征映射到预设维度大小的特征，所述补丁合并层还用于在每个阶段的最后一个基本Transformer块之后，补丁合并层对特征进行下采样，以生成层次特征表示。

5.根据权利要求4所述的方法，其特征在于，

所述特征聚合分支的第一阶段、第二阶段和第三阶段还包括子连接层，每个所述子连接层用于融合三个分支的补丁合并层输出的多尺度特征。

6.根据权利要求4所述的方法，其特征在于，

所述局部引导分支的基本Transformer块为具有基于窗口的多头自注意力机制的局部Transformer块；

所述特征聚合分支的基本Transformer块为具有空间缩减注意力机制的互相关注意力块；

所述全局引导分支的基本Transformer块为具有多头注意力机制的全局Transformer块。