基于状态空间模型的消化道肿瘤淋巴结检测方法及系统

本发明涉及医学图像处理与数字病理分析，具体而言，涉及一种基于状态空间模型的消化道肿瘤淋巴结检测方法及系统。

背景技术：

1、在消化道肿瘤包括食管癌、胆囊癌、胃癌、胰腺癌及结直肠癌的术后病理评估中，准确判定淋巴结转移状态是肿瘤分期、预后评估和治疗方案制定的核心依据。该评估流程由两个相互依存的环节构成：首要环节是对病理切片中淋巴结的精确识别与分割，后续环节则基于分割结果进行转移灶的检测与定性分析。其中，淋巴结分割的准确性直接决定整个评估流程的可靠性，是实现自动化、定量化病理分析的基础前提。

2、当前临床实践主要依赖病理医师通过显微镜观察he染色切片进行人工分割操作，医师需依据个人经验手动勾画淋巴结边界。这种人工方式面临显著挑战：单份消化道肿瘤术后标本通常包含大量淋巴结，分割过程耗时费力，严重拖慢诊断效率；同时，术后淋巴结常与周围脂肪及纤维组织发生粘连，导致边界模糊不清，分割结果高度依赖医师主观经验，不同医师间或同一医师不同时间点的分割差异较大，损害诊断结果的客观性与一致性。

3、尽管已有尝试采用传统图像处理算法如分水岭法或水平集方法，以及通用深度学习模型如u-net架构进行自动化分割，但这些方法在处理消化道肿瘤术后淋巴结图像时存在固有缺陷：

4、传统算法对图像染色差异和背景噪声敏感，难以适应淋巴结形态与大小的多样性；深度学习模型则受限于卷积操作的局部感受野特性，无法有效捕捉淋巴结与远距离粘连组织之间的长程空间依赖关系，导致对不规则形态和弱边界区域的表征能力不足，难以兼顾全局语义信息与局部细节特征的提取。

5、因此，现有方法在复杂病理场景下频繁出现分割边界错误、区域遗漏或过度分割等问题，分割精度无法满足临床适用要求。亟需发展一种能够自动、精准且高效地分割消化道肿瘤术后淋巴结he染色病理图像的技术方案，以突破人工分割的效率瓶颈与主观局限，增强在边界模糊和背景干扰场景下的分割鲁棒性，为后续淋巴结转移评估提供可靠的数据支持。

技术实现思路

1、本发明的目的在于提供一种基于状态空间模型的消化道肿瘤淋巴结检测方法及系统，具有自动、精准且高效地分割消化道肿瘤术后淋巴结he染色病理图像，突破人工分割的效率瓶颈与主观局限，增强在边界模糊和背景干扰场景下的分割鲁棒性。

2、对此，本发明提供了一种基于状态空间模型的消化道肿瘤淋巴结检测方法，包括以下步骤：

3、获取消化道肿瘤术后的淋巴结染色病理图像；

4、将所述病理图像输入基于状态空间模型的自动分割检测模型中，输出像素级的淋巴结分割结果；

5、其中，所述自动分割检测模型对所述病理图像执行以下处理：

6、采用包含多阶段状态空间模块的编码器对所述病理图像进行编码，提取不同尺度的深层病理特征，得到编码特征图；

7、对所述编码特征图执行病理特征筛控卷积处理，输出筛选后的特征图；

8、将所述筛选后的特征图展平为一维序列，通过至少包括双向蛇形遍历路径和交叉对角遍历路径的多方向扫描策略，生成多个方向的特征序列，并将所述多个方向的特征序列进行拼接与聚合，输出聚合特征序列；

9、采用包含多阶段状态空间模块的解码器对所述聚合特征序列进行解码，逐步还原分辨率，输出淋巴结分割结果。

10、优选的，所述对编码特征图执行病理特征筛控卷积处理，具体包括以下步骤：

11、将所述编码特征图输入第一瓶颈结构进行通道维度压缩，得到压缩特征；

12、对所述压缩特征依次进行组归一化和relu激活，得到激活特征；

13、将所述激活特征分别输入第二瓶颈结构和第三瓶颈结构，得到第一中间特征和第二中间特征；

14、将所述第一中间特征与所述第二中间特征进行逐元素相乘，得到门控加权特征；

15、将所述门控加权特征输入第四瓶颈结构进行处理，得到变换后特征；

16、将所述变换后特征与所述编码特征图进行逐元素相加，输出筛选后的特征图。

17、优选的，所述多方向扫描策略中，双向蛇形遍历路径按以下方式生成：沿第一空间方向以蛇形顺序遍历序列，并在每一行结束时反向；交叉对角遍历路径按以下方式生成：沿空间对角方向交替遍历序列；所述聚合特征序列的计算过程包括：

18、将所述筛选后的特征图展平为一维序列：

19、；

20、其中，为输入该策略的特征图，flatten表示特征展平操作；

21、将多个方向的特征序列进行拼接处理：

22、；

23、其中，、为双向蛇形路径遍历序列，、为交叉对角路径遍历序列，concat为特征拼接操作，为拼接后的特征序列；

24、将拼接后的特征序列进行聚合处理：

25、；

26、其中，agg表示特征聚合，采用元素级求和方式，为输出的聚合特征序列。

27、优选的，所述多方向扫描策略还包括自适应权重分配步骤：

28、提取所述筛选后的特征图中的形态响应参数，所述形态响应参数包括边缘连续度、方向一致性、局部离散度中的至少一种；

29、根据所述形态响应参数计算双向蛇形路径和交叉对角路径的融合权重；

30、将各路径生成的特征序列按照所述融合权重进行加权求和，得到聚合特征序列；

31、其中，当边缘连续度高于第一阈值时提高双向蛇形路径的权重，当局部离散度高于第二阈值时提高交叉对角路径的权重；

32、所述形态响应参数还包括区域分散程度；当区域分散程度高于第三阈值时，提高交叉对角路径的权重。

33、优选的，所述自动分割检测模型还包括位于所述编码器与所述解码器之间的特征融合单元，所述特征融合单元执行以下操作：

34、接收所述编码器中至少两个不同阶段输出的编码特征图；

35、对所述编码特征图分别进行尺度统一和通道对齐；

36、通过通道注意力模块和空间注意力模块分别计算注意力权重；

37、将所述注意力权重与所述编码特征图进行加权融合，输出融合后的特征图；

38、将所述融合后的特征图与所述解码器中对应阶段的特征图进行跳跃连接。

39、优选的，所述特征融合单元还包括注意门模块，所述注意门模块执行以下操作：

40、将来自编码器的特征图和来自解码器的特征图分别输入两条并行的1×1组卷积分支，每条分支依次经过批标准化和relu激活；

41、将两条分支的输出进行逐元素相加，再依次经过relu激活、逐点卷积和sigmoid函数，生成注意力权重图；

42、将所述注意力权重图与所述来自编码器的特征图进行逐元素相乘，输出门控增强后的特征图。

43、优选的，训练所述自动分割检测模型时采用自适应注意力分割损失函数aaloss，所述aaloss按以下公式计算：

44、aalossdicelossboundaryloss；

45、其中：

46、diceloss，p为模型预测的分割结果，g为真实标签；

47、boundaryloss，为梯度运算符，用于提取边缘信息；

48、为所述自动分割检测模型中注意力模块输出的注意力权重图的空间均值或体素级值；

49、α、β、γ为预设的平衡系数。

50、优选的，所述编码器中的多阶段状态空间模块与所述解码器中的多阶段状态空间模块具有相同的网络结构，所述状态空间模块包括多向感知状态空间网络和混合前馈网络；所述混合前馈网络包括全连接层、深度可分离卷积层和激活函数层。

51、优选的，所述消化道肿瘤包括食管癌、胆囊癌、胃癌、胰腺癌、结直肠癌中的一种或多种。

52、同时，与所述检测方法相对应的，本发明还提供了一种基于状态空间模型的消化道肿瘤淋巴结检测系统，包括：

53、图像获取模块，用于获取消化道肿瘤术后的淋巴结染色病理图像；

54、模型存储模块，用于存储训练好的基于状态空间模型的自动分割检测模型；

55、分割检测模块，用于将所述病理图像输入所述自动分割检测模型，输出像素级的淋巴结分割结果；

56、其中，所述自动分割检测模型包括用于执行上述任一项所述方法中各步骤的相应处理单元。

57、由上可知，本发明通过采用包含多阶段状态空间模块的编码器和解码器提取深层病理特征，结合多方向扫描策略捕捉长程空间依赖关系，有效解决了人工分割效率低、主观性强以及现有方法无法处理边界模糊和背景干扰的问题，具有自动、精准且高效地分割消化道肿瘤术后淋巴结he染色病理图像，突破人工分割的效率瓶颈与主观局限，增强在边界模糊和背景干扰场景下的分割鲁棒性。

58、具体的，相比现有技术，本发明具有以下有益效果：

59、（1）本发明通过状态空间模块对病理图像进行长程依赖建模，能够有效捕捉淋巴结与周围粘连组织之间的全局空间关系，克服了传统卷积网络感受野受限的问题，从而在淋巴结边界模糊、与脂肪组织融合的场景下实现更精确的分割。

60、（2）本发明对所述编码特征图执行病理特征筛控卷积处理，通过门控机制对编码特征进行动态加权筛选，能够有针对性地强化淋巴结区域的形态与纹理响应，同时抑制染色不均、组织间质等背景干扰，从而提升模型在复杂病理背景下的特征辨别能力，减少假阳性区域。

61、（3）本发明采用多向扫描对展平后的特征序列进行全局建模，通过至少包括双向蛇形遍历路径和交叉对角遍历路径的多方向扫描策略，生成多个方向的特征序列，并将所述多个方向的特征序列进行拼接与聚合，能够同时覆盖淋巴结的连续弯曲边缘（双向蛇形路径）和分散的卫星灶或粘连结构（交叉对角路径），从而增强对不规则形态和跨区域病灶的感知能力，有效减少分割遗漏。

62、（4）本发明进一步实现了扫描路径的自适应选择，当边缘连续度高于第一阈值时提高双向蛇形路径的权重，当局部离散度高于第二阈值时提高交叉对角路径的权重，使模型能够根据输入图像中淋巴结的实际形态动态调整特征提取策略，既保留了连续边缘的完整性，又增强了对离散病灶的捕获能力，相较固定扫描路径具有更高的鲁棒性和泛化能力。

63、（5）本发明在编码器与解码器之间建立了高效的跨层桥接，通过通道注意力、空间注意力和注意门机制对多尺度特征进行选择与增强，使得解码阶段能够同时获得深层语义信息和浅层细节信息，显著提升了对小尺寸淋巴结和弱边界区域的分割精度。

64、（6）本发明在训练自动分割检测模型时采用自适应注意力分割损失函数aaloss，在训练过程中同时约束分割区域的一致性（diceloss）、边界的精确性（boundaryloss）以及模型注意力的聚焦程度（），形成闭环优化，使得模型主动关注淋巴结边界及微小病灶区域，从而在测试阶段获得更清晰的分割轮廓和更高的召回率。

65、综上所述，本发明通过上述技术特征的协同作用，在无需人工干预的条件下，实现了对消化道肿瘤术后淋巴结he病理图像的端到端、高精度、高效率自动分割，能够显著减轻病理医师的工作负担，提高诊断一致性，为后续的淋巴结转移自动评估提供了可靠的技术基础。