脉络膜黑色素瘤的基因分型方法和装置、设备及介质

本技术涉及图像处理，尤其涉及一种脉络膜黑色素瘤的基因分型方法和装置、设备及介质。

背景技术：

1、脉络膜黑色素瘤是一种眼部肿瘤，传统病理学分析可以提供一些关于瘤体组织结构和形态学特征的信息，但难以提供关于基因分型的详细信息。不同基因分型的脉络膜黑色素瘤对治疗药物有着不同的响应，基因分型的分析和判断对脉络膜黑色素瘤的初筛和治疗具有重要意义。

技术实现思路

1、本技术实施例的主要目的在于提出一种脉络膜黑色素瘤的基因分型方法和装置、设备及介质，旨在预测脉络膜黑色素瘤的基因分型。

2、为实现上述目的，本技术实施例的第一方面提出了一种脉络膜黑色素瘤的基因分型方法，所述方法包括：

3、获取目标脉络膜黑色素瘤图像；

4、对所述目标脉络膜黑色素瘤图像进行区域划分，得到多个目标区域子图像；

5、通过预设分类器对每个所述目标区域子图像进行基因分型分类，得到每个所述目标区域子图像被分类为目标基因分型的第一基因分型概率；

6、对各个所述第一基因分型概率进行加权平均，得到所述目标脉络膜黑色素瘤图像被分类为所述目标基因分型的第二基因分型概率；

7、若所述第二基因分型概率大于预设阈值，则将所述目标脉络膜黑色素瘤图像分类为所述目标基因分型。

8、在一些实施例，所述对所述目标脉络膜黑色素瘤图像进行区域划分，得到多个目标区域子图像，包括：

9、对所述目标脉络膜黑色素瘤图像进行区域划分，得到多个初始区域子图像；

10、获取每个所述初始区域子图像的灰度直方图；

11、针对每个所述初始区域子图像，根据所述灰度直方图获取所述初始区域子图像的肿瘤像素个数以及非肿瘤像素个数，并根据所述肿瘤像素个数和所述非肿瘤像素个数确定所述初始区域子图像的肿瘤覆盖度；

12、根据所述肿瘤覆盖度对多个所述初始区域子图像进行筛选，得到多个所述目标区域子图像。

13、在一些实施例，所述预设分类器包括特征提取模块、空间注意力模块以及全连接层，所述特征提取模块包括多个网络层，所述特征提取模块的最后三个所述网络层均串接一个所述空间注意力模块，所述通过预设分类器对每个所述目标区域子图像进行基因分型分类，得到每个所述目标区域子图像被分类为目标基因分型的第一基因分型概率，包括：

14、针对每个所述目标区域子图像，通过所述特征提取模块对所述目标区域子图像进行特征提取，得到最后三个网络层中每一网络层的初步区域特征；

15、通过与所述网络层串接的所述空间注意力模块对所述初步区域特征进行空间注意力变换，得到所述空间注意力模块输出的候选区域特征；

16、对各个所述空间注意力模块输出的候选区域特征进行特征拼接，得到拼接特征；

17、通过所述全连接层对所述拼接特征进行特征映射，得到每个所述目标区域子图像被分类为所述目标基因分型的所述第一基因分型概率。

18、在一些实施例，所述特征提取模块包括多个网络层，多个网络层包括标准卷积块、串接的多个深度可分离卷积块和输出块，所述通过所述特征提取模块对所述目标区域子图像进行特征提取，得到最后三个网络层中每一网络层的初步区域特征，包括：

19、通过所述标准卷积块对所述目标区域子图像进行第一卷积处理，得到第一卷积图像特征；

20、通过串接的多个深度可分离卷积块对所述第一卷积图像特征进行第二卷积处理，得到每个深度可分离卷积块输出的第二卷积图像特征；

21、通过所述输出块对最后一个所述深度可分离卷积块输出的第二卷积图像特征进行输出映射，得到输出图像特征；

22、根据所述输出图像特征和多个所述第二卷积图像特征，得到所述初步区域特征。

23、在一些实施例，所述通过串接的多个深度可分离卷积块对所述第一卷积图像特征进行第二卷积处理，得到每个深度可分离卷积块输出的第二卷积图像特征，包括：

24、对所述第一卷积图像特征进行深度卷积处理，得到第一候选卷积特征；

25、对所述第一候选卷积特征进行逐点卷积处理，得到第二候选卷积特征；

26、对所述第一卷积图像特征和所述第二候选卷积特征进行特征融合，得到所述第二卷积图像特征。

27、在一些实施例，所述通过与所述网络层串接的所述空间注意力模块对所述初步区域特征进行空间注意力变换，得到所述空间注意力模块输出的候选区域特征，包括：

28、对所述初步区域特征进行最大池化，得到第一池化特征；

29、对所述初步区域特征进行平均池化，得到第二池化特征；

30、对所述第一池化特征和所述第二池化特征进行特征拼接，得到第一拼接特征；

31、对所述第一拼接特征进行卷积处理，得到第二拼接特征；

32、对所述第二拼接特征进行激活处理，得到所述候选区域特征。

33、在一些实施例，所述预设分类器根据以下步骤训练得到：

34、获取样本脉络膜黑色素瘤图像；所述样本脉络膜黑色素瘤图像具有基因分型标签；

35、对所述样本脉络膜黑色素瘤图像进行边缘检测，得到边缘点集；

36、根据所述边缘点集和预设采样率对样本脉络膜黑色素瘤图像进行采样，得到多个图像块；多个所述图像块共享同一所述基因分型标签；

37、将每个图像块输入至初始分类器进行基因分型预测，得到每个所述图像块的基因分型类别；

38、根据全部所述图像块的所述基因分型标签和所述基因分型类别进行损失计算，得到目标损失；

39、根据所述目标损失调整所述初始分类器的模型参数，得到所述预设分类器。

40、为实现上述目的，本技术实施例的第二方面提出了一种脉络膜黑色素瘤的基因分型装置，所述装置包括：

41、获取模块，用于获取目标脉络膜黑色素瘤图像；

42、划分模块，用于对所述目标脉络膜黑色素瘤图像进行区域划分，得到多个目标区域子图像；

43、分类模块，用于通过预设分类器对每个所述目标区域子图像进行基因分型分类，得到每个所述目标区域子图像被分类为目标基因分型的第一基因分型概率；

44、计算模块，用于对各个所述第一基因分型概率进行加权平均，得到所述目标脉络膜黑色素瘤图像被分类为所述目标基因分型的第二基因分型概率；

45、判断模块，用于若所述第二基因分型概率大于预设阈值，则将所述目标脉络膜黑色素瘤图像分类为所述目标基因分型。

46、为实现上述目的，本技术实施例的第三方面提出了一种电子设备，电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述第一方面的脉络膜黑色素瘤的基因分型方法。

47、为实现上述目的，本技术实施例的第四方面提出了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述第一方面的脉络膜黑色素瘤的基因分型方法。

48、本技术提出的脉络膜黑色素瘤的基因分型方法、脉络膜黑色素瘤的基因分型装置、电子设备及计算机可读存储介质，通过获取目标脉络膜黑色素瘤图像，基于该病理图像进行基因分型检测。瘤体组织信息可能分布于目标脉络膜黑色素瘤图像的多个区域。为了充分提取病理特征信息，对目标脉络膜黑色素瘤图像进行区域划分，得到多个目标区域子图像。通过预设分类器对每个目标区域子图像进行基因分型分类，以充分挖掘图像不同位置的特征信息，得到每个目标区域子图像被分类为目标基因分型的第一基因分型概率。为了避免数据偶然性对基因分型预测的影响，对各个第一基因分型概率进行加权平均，通过多区域联合预测大大提升了基因分型预测的准确性，得到目标脉络膜黑色素瘤图像被分类为目标基因分型的第二基因分型概率。若第二基因分型概率大于预设阈值，则将目标脉络膜黑色素瘤图像分类为目标基因分型，实现了对脉络膜黑色素瘤的基因分型的准确预测。