申请/专利权人：上海药明康德新药开发有限公司

申请日：2022-12-16

公开（公告）日：2024-04-12

公开（公告）号：CN116150617B

主分类号：G06F18/214

分类号：G06F18/214;G06F18/241;G06N20/00

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2023.06.09#实质审查的生效;2023.05.23#公开

摘要：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。

主权项：1.一种肿瘤浸润淋巴细胞识别方法，其特征在于，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；对于编码器，首先经过PatchPartition模块将相邻的4*4像素拼接在最后一个维度上，此时最后一个维度的尺寸为3*4*4＝48；之后通过LinearEmbedding模块将最后一个维度映射至128维；在每一个子编码器中首先输入PatchMerging模块进行下采样以及增加维度，其中主要包含两步，首先将w*h*c尺度的输入映射至w2*h2*c*4，之后再通过一个线性层将最后一个维度减半，最终的尺寸为w2*h2*c*2；之后经过堆叠的Swin-TransformerBlock进行特征提取，再经过每一个模块后的尺度分别为H4*W4*128、H8*W8*256、H16*W16*512、H32*W32*1024，到此为止编码器对淋巴细胞的特征提取结束，模型中使用了四个编码器子模块，其中Swin-Transformer的堆叠数目分别为[2,2,18,2]；对于解码器，定义了两个解码器，分别为CLSDecoder和ShapeDecoder，两个解码器分别负责细胞分类学习以及细胞形态识别学习，并在反向传播的时候共同训练编码器；解码器与编码器对称，首先将数据输入Swin-TransformerBlock进行上采样，之后输入PatchExpanding模块以恢复原先尺寸，在输入本模块时尺寸为h*w*c，首先通过一个线性层将c放大为2*c，再将最后一个维度上的四个相连权重编排在h与w维度上，最终输出的维度为h*2*w*2*c2；模型中使用了四个解码器子模块，其中Swin-Transformer的堆叠数目分别为[2,18,2,2]；并且在每一个子模块中拼接上编码器对应层的输出以填补采样时带来的信息丢失；对于整个模型的损失函数构建，针对CLSDecoder选用类别对应的Crossenreopyloss，针对ShapeDecoder使用计算到细胞中心的水平竖直距离的Crossentropyloss；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。

全文数据：

权利要求：

百度查询： 上海药明康德新药开发有限公司 一种肿瘤浸润淋巴细胞识别方法和系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD