本發(fā)明屬于智能檢測(cè)，尤其涉及輕量化腫瘤內(nèi)腫瘤浸潤淋巴細(xì)胞的自動(dòng)量化方法及設(shè)備。

背景技術(shù)：

1、膀胱癌是常見的泌尿系統(tǒng)惡性腫瘤。根據(jù)病理診斷，膀胱癌可分為肌層浸潤性膀胱癌（mibc）和非肌層浸潤性膀胱癌（nmibc）。mibc易發(fā)生轉(zhuǎn)移，腫瘤進(jìn)展后5年生存率較低。根治性膀胱切除術(shù)聯(lián)合以順鉑為基礎(chǔ)的化療是mibc的標(biāo)準(zhǔn)治療方案，但相當(dāng)部分患者會(huì)出現(xiàn)原發(fā)或繼發(fā)的鉑類耐藥，是治療的難點(diǎn)。盡管免疫治療已成為化療耐藥患者的可行挽救性治療方法，然而大多數(shù)患者在有希望的初始反應(yīng)后病情惡化。評(píng)估腫瘤中的免疫浸潤，最常被稱為腫瘤浸潤淋巴細(xì)胞（tils），在篩選免疫抑制劑可能獲益的患者中越來越重要。

2、近年來，多項(xiàng)研究建議將腫瘤浸潤淋巴細(xì)胞評(píng)估作為生物標(biāo)志物納入常規(guī)組織病理學(xué)報(bào)告。腫瘤內(nèi)腫瘤浸潤淋巴細(xì)胞（intra-tumoral?tils，itils）定義為腫瘤巢中的淋巴細(xì)胞，其沒有居間的基質(zhì)，直接與癌細(xì)胞接觸并相互作用，而基質(zhì)腫瘤浸潤淋巴細(xì)胞（stromal?tils，stils）分散在癌細(xì)胞之間的基質(zhì)中，不直接接觸癌細(xì)胞。由于腫瘤內(nèi)腫瘤浸潤淋巴細(xì)胞通常以較低的數(shù)量存在并且在較少的病例中檢測(cè)到，其更具異質(zhì)性并且難以在常規(guī)he染色病理圖像上觀察，大多數(shù)研究認(rèn)為基質(zhì)腫瘤浸潤淋巴細(xì)胞是優(yōu)越和更可重復(fù)的評(píng)價(jià)指標(biāo)。然而，在新輔助治療的三陰性乳腺癌（tnbc）中，腫瘤內(nèi)腫瘤浸潤淋巴細(xì)胞和基質(zhì)腫瘤浸潤淋巴細(xì)胞都可以預(yù)測(cè)對(duì)新輔助鉑類化療的病理反應(yīng)。因此，亟需開發(fā)精準(zhǔn)高效的方法針對(duì)腫瘤內(nèi)腫瘤浸潤淋巴細(xì)胞進(jìn)行有效評(píng)估。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明提供了輕量化腫瘤內(nèi)腫瘤浸潤淋巴細(xì)胞的自動(dòng)量化方法及設(shè)備，其目的在于解決背景技術(shù)中所提到的問題。

2、第一方面，本發(fā)明提供輕量化腫瘤內(nèi)腫瘤浸潤淋巴細(xì)胞的自動(dòng)量化方法，包括以下步驟：

3、步驟s1：獲取和預(yù)處理膀胱癌染色病理圖像，獲得有效色塊，有效色塊包括腫瘤色塊、非腫瘤色塊、淋巴細(xì)胞聚集色塊和非淋巴細(xì)胞聚集色塊；

4、標(biāo)注有效色塊后，構(gòu)建有效色塊的訓(xùn)練集和測(cè)試集；

5、構(gòu)建兩個(gè)獨(dú)立的輕量化深度學(xué)習(xí)模型，輕量化深度學(xué)習(xí)模型由輸入層、起始層、四個(gè)殘差分離卷積塊、全局平均池化層和全連接層串聯(lián)組成，基于有效色塊的訓(xùn)練集和測(cè)試集訓(xùn)練輕量化深度學(xué)習(xí)模型，獲得分別識(shí)別腫瘤色塊和淋巴細(xì)胞聚集色塊的兩個(gè)獨(dú)立的輕量化深度學(xué)習(xí)模型；

6、步驟s2：輸入患者的膀胱癌病理圖像，利用分別識(shí)別腫瘤色塊和淋巴細(xì)胞聚集色塊的兩個(gè)獨(dú)立的輕量化深度學(xué)習(xí)模型，識(shí)別膀胱癌患者病理圖像的腫瘤色塊和淋巴細(xì)胞聚集色塊；根據(jù)膀胱癌患者病理圖像的腫瘤色塊和淋巴細(xì)胞聚集色塊的空間坐標(biāo)，計(jì)算腫瘤色塊和淋巴細(xì)胞聚集色塊的重疊面積占總腫瘤色塊面積的比例；

7、步驟s3：根據(jù)腫瘤色塊和淋巴細(xì)胞聚集色塊的重疊面積占總腫瘤色塊面積的比例，評(píng)估膀胱癌患者腫瘤內(nèi)腫瘤浸潤淋巴細(xì)胞的分?jǐn)?shù)和/或?qū)Π螂装┗颊哌M(jìn)行預(yù)后診斷。

8、進(jìn)一步地，步驟s1中，有效色塊的訓(xùn)練集和測(cè)試集包括腫瘤色塊和非腫瘤色塊的訓(xùn)練集和測(cè)試集，以及淋巴細(xì)胞聚集色塊和非淋巴細(xì)胞聚集色塊的訓(xùn)練集和測(cè)試集。

9、進(jìn)一步地，步驟s1：基于有效色塊的訓(xùn)練集和測(cè)試集訓(xùn)練輕量化深度學(xué)習(xí)模型，獲得分別識(shí)別腫瘤色塊和淋巴細(xì)胞聚集色塊的兩個(gè)獨(dú)立的輕量化深度學(xué)習(xí)模型，具體為：

10、步驟s101：基于腫瘤色塊和非腫瘤色塊的訓(xùn)練集和測(cè)試集，以及淋巴細(xì)胞聚集色塊和非淋巴細(xì)胞聚集色塊的訓(xùn)練集和測(cè)試集，分別訓(xùn)練兩個(gè)初始的輕量化深度學(xué)習(xí)模型，獲得識(shí)別腫瘤色塊的輕量化深度學(xué)習(xí)模型和識(shí)別淋巴細(xì)胞聚集色塊的輕量化深度學(xué)習(xí)模型；

11、步驟s102：通過梯度加權(quán)類激活映射可視化識(shí)別腫瘤色塊的輕量化深度學(xué)習(xí)模型和識(shí)別淋巴細(xì)胞聚集色塊的輕量化深度學(xué)習(xí)模型的權(quán)重區(qū)域；

12、步驟s103：收集已知的膀胱癌病理圖像作為外部驗(yàn)證集，驗(yàn)證識(shí)別腫瘤色塊的輕量化深度學(xué)習(xí)模型和識(shí)別淋巴細(xì)胞聚集色塊的輕量化深度學(xué)習(xí)模型分別對(duì)腫瘤色塊和淋巴細(xì)胞聚集色塊的識(shí)別效能。

13、進(jìn)一步地，步驟s1中，輕量化深度學(xué)習(xí)模型由輸入層、起始層、四個(gè)殘差分離卷積塊、全局平均池化層和全連接層串聯(lián)組成，具體為：

14、輸入層：用于接收膀胱癌病理圖像并傳輸?shù)狡鹗紝又校?/p>

15、起始層：起始層中設(shè)置包含32個(gè)3×3卷積核的二維卷積層，通過普通卷積快速提取淺層邊緣紋理，同時(shí)把通道升到32，再批量歸一化以抑制內(nèi)部協(xié)變量偏移，再通過relu激活函數(shù)引入非線性，然后通過2×2的二維最大池化以降低2倍空間尺寸；

16、四個(gè)殘差分離卷積塊：每個(gè)殘差分離卷積塊包括主路、殘差支路和壓縮激勵(lì)強(qiáng)化模塊；主路依次通過3×3可分離卷積、批量歸一化、relu激活函數(shù)和3×3可分離卷積，進(jìn)行特征提?。粴埐钪吠ㄟ^1×1卷積和批量歸一化調(diào)整通道后與主路輸出殘差相加；壓縮激勵(lì)強(qiáng)化模塊通過全局平均池化生成通道權(quán)重并與原特征相乘；最終輸出64×64×128的特征矩陣；

17、全局平均池化層：通過二維全局平均池化將64×64×128的特征矩陣轉(zhuǎn)變?yōu)?28維向量；

18、全連接層：由特征升維層、隨機(jī)失活層和分類全連接層串聯(lián)組成，通過softmax激活函數(shù)處理得到分類結(jié)果。

19、進(jìn)一步地，輸入層接收的膀胱癌病理圖像為512×512像素，3通道的rgb?圖像。

20、進(jìn)一步地，每個(gè)殘差分離卷積塊中，主路首先通過3×3可分離卷積，3×3可分離卷積先執(zhí)行逐通道卷積，再進(jìn)行1×1卷積；再進(jìn)行批量歸一化，通過relu激活函數(shù)引入非線性，再次執(zhí)行3×3可分離卷積，進(jìn)行特征提取；殘差支路通過1×1卷積調(diào)整通道數(shù)，使其與主路輸出特征的通道數(shù)相匹配，經(jīng)批量歸一化處理后，與主路輸出特征進(jìn)行殘差相加；壓縮激勵(lì)強(qiáng)化模塊通過全局平均池化生成通道權(quán)重并與原特征相乘；四個(gè)殘差分離卷積塊依次串聯(lián)，持續(xù)對(duì)特征進(jìn)行提取、優(yōu)化和強(qiáng)化，最終輸出64×64×128的特征矩陣。

21、進(jìn)一步地，步驟s3中，腫瘤色塊和淋巴細(xì)胞聚集色塊的重疊面積占總腫瘤色塊面積的比例與膀胱癌患者的腫瘤內(nèi)腫瘤浸潤淋巴細(xì)胞的分?jǐn)?shù)正相關(guān)。

22、進(jìn)一步地，步驟s3中，腫瘤色塊和淋巴細(xì)胞聚集色塊的重疊面積占總腫瘤色塊面積的比例與膀胱癌患者生存率正相關(guān)。

23、第二方面，本發(fā)明提供一種計(jì)算機(jī)設(shè)備，包括至少一個(gè)處理器，以及與至少一個(gè)處理器通信連接的存儲(chǔ)器，其中，存儲(chǔ)器存儲(chǔ)有可被至少一個(gè)處理器執(zhí)行的指令，指令被至少一個(gè)處理器執(zhí)行，以使至少一個(gè)處理器能夠執(zhí)行輕量化腫瘤內(nèi)腫瘤浸潤淋巴細(xì)胞的自動(dòng)量化方法。

24、第三方面，本發(fā)明提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)輕量化腫瘤內(nèi)腫瘤浸潤淋巴細(xì)胞的自動(dòng)量化方法。

25、本發(fā)明具有如下有益效果：

26、（1）構(gòu)建識(shí)別腫瘤色塊的輕量化深度學(xué)習(xí)模型和識(shí)別淋巴細(xì)胞聚集色塊的輕量化深度學(xué)習(xí)模型，可以對(duì)腫瘤色塊和淋巴細(xì)胞聚集色進(jìn)行識(shí)別、標(biāo)注和計(jì)算的模型。智能量化腫瘤色塊和淋巴細(xì)胞聚集色塊的重疊面積占總腫瘤色塊面積的比例，再進(jìn)行相關(guān)性分析，可以評(píng)估膀胱癌患者腫瘤內(nèi)腫瘤浸潤淋巴細(xì)胞的分?jǐn)?shù)和/或?qū)Π螂装┗颊哌M(jìn)行預(yù)后診斷。輔助臨床醫(yī)生對(duì)腫瘤內(nèi)腫瘤浸潤淋巴細(xì)胞進(jìn)行評(píng)價(jià)，為患者的數(shù)字化、個(gè)體化診療決策提供參考依據(jù)，為精準(zhǔn)醫(yī)學(xué)的發(fā)展提供堅(jiān)實(shí)的科學(xué)基礎(chǔ)和技術(shù)支持。

27、（2）識(shí)別腫瘤色塊的輕量化深度學(xué)習(xí)模型和識(shí)別淋巴細(xì)胞聚集色塊的輕量化深度學(xué)習(xí)模型具有：①特征提取高效精準(zhǔn)：通過起始層的普通卷積快速提取淺層邊緣紋理，并經(jīng)4個(gè)殘差分離卷積塊逐步深化特征提取，結(jié)合可分離卷積的輕量特性與殘差連接的梯度穩(wěn)定機(jī)制，在保證特征提取完整性的同時(shí)，有效避免深層網(wǎng)絡(luò)退化問題，為后續(xù)分類任務(wù)提供高質(zhì)量特征支撐。②參數(shù)與計(jì)算成本顯著降低：參數(shù)量縮減至普通卷積的1/9，大幅減少模型參數(shù)量與計(jì)算量（flops），參數(shù)量較vgg-16減少99%、較resnet-50減少95%，計(jì)算量較vgg-16減少94%、較resnet-50減少74%，顯著降低模型訓(xùn)練與部署的硬件資源需求。③特征表達(dá)能力增強(qiáng)及泛化能力與分類性能優(yōu)異：引入壓縮激勵(lì)模塊，通過自適應(yīng)學(xué)習(xí)通道權(quán)重并強(qiáng)化關(guān)鍵特征通道、抑制冗余通道，使模型更聚焦于與任務(wù)相關(guān)的核心特征，提升特征表達(dá)的針對(duì)性與有效性；全局平均池化層在壓縮維度的同時(shí)保留全局特征，減少過擬合風(fēng)險(xiǎn)，提升模型泛化能力，在同類二分類任務(wù)中，能保持與resnet-50持平的準(zhǔn)確率（≈93%），確保高精度的分類效果。④部署優(yōu)勢(shì)突出：在保證高精度的前提下，模型推理延遲和顯存占用僅為resnet-50的1/5～1/7，實(shí)現(xiàn)高精度+超低資源的平衡，更易于在資源受限的設(shè)備或場(chǎng)景中部署應(yīng)用，尤其適用于臨床病理圖像分析等對(duì)實(shí)時(shí)性和硬件條件有要求的實(shí)際場(chǎng)景。