一种基于深度学习的细胞病理图像数据智能管理方法与流程
本发明涉及数字病理与医学图像数据智能管理,尤其涉及一种基于深度学习的细胞病理图像数据智能管理方法。
背景技术:
1、细胞病理图像进入数字病理平台后,常见管理方式以文件目录、病例号与人工标签完成归档,入库流程多采用固定队列或人工排班,复核分配依赖经验规则,检索环节依赖关键词索引与向量相似检索的静态策略。海量切片与细胞级图像在分辨率、染色差异、伪影噪声、局部异常稀疏分布方面呈现强不均衡特征,传统特征提取模型对长程依赖表达不足,难以形成面向风险排序的数据表征。
2、血液疾病诊断中,外周血涂片、骨髓涂片、骨髓活检切片以及多染色切片图像共同参与形态学判读,常见染色包括瑞氏吉姆萨染色、苏木精伊红染色、过氧化物酶染色、糖原染色、铁染色、网状纤维染色及免疫组织化学染色。现有平台多按病例号、采集批次、染色类型和人工标签归档,缺少对不同染色图像之间的形态关联、异常细胞比例、幼稚细胞聚集、核浆比例异常、染色一致性和复核资源状态的联合建模。
3、现有方案缺少以图像内容风险等级驱动的优先级排序,缺少与业务资源状态联动的全局调度计算,缺少对复核资源、存储资源、检索路径的统一路径化建模与迭代优化更新,新增高风险样本在普通样本队列中易被延后,复核资源出现拥塞与空闲并存,索引更新与检索访问产生热点拥堵,数据库响应时间上升,影响样本周转效率与整体管理吞吐能力。
4、因此,如何提供一种基于深度学习的细胞病理图像数据智能管理方法是本领域技术人员亟需解决的问题。
技术实现思路
1、本发明提出一种基于深度学习的细胞病理图像数据智能管理方法,采用改进vision mamba对新增与历史细胞病理图像块序列进行长依赖状态更新与状态转移计算,生成新增评分数据并构建历史图像索引集合,再采用对数蚁群算法对待调度路径集合进行迭代调度,输出优先处理、复核分配、入库与检索序列,具备样本响应快、资源利用率高、数据库吞吐高的优点。
2、根据本发明实施例的一种基于深度学习的细胞病理图像数据智能管理方法,包括:
3、获取新增细胞病理图像数据、历史细胞病理图像数据和业务资源状态数据并进行预处理,生成新增图像块序列与历史图像块序列;
4、将新增图像块序列和历史图像块序列输入引入二维旋转位置嵌入和残差门控式状态融合的改进vision mamba网络,执行状态更新和状态转移计算,输出新增评分数据,并基于历史图像块序列处理结果构建历史图像索引集合;
5、基于新增评分数据、业务资源状态数据和历史图像索引集合,构建待调度路径集合;
6、对待调度路径集合采用引入窗口截断机制、动态对数累积和分段对数蒸发因子的对数蚁群算法,计算路径转移概率,更新路径信息素,迭代输出新增细胞病理图像优先处理序列、复核任务分配序列、入库处理序列和检索访问序列;
7、基于新增细胞病理图像优先处理序列、复核任务分配序列、入库处理序列和检索访问序列,对新增细胞病理图像数据执行风险优先处理、人工复核分配、数据库入库更新和历史图像检索,生成结果数据;
8、基于结果数据,更新业务资源状态数据和历史图像索引集合,并将更新后的业务资源状态数据和历史图像索引集合作为新增细胞病理图像数据处理输入。
9、可选的,所述新增评分数据,包括新增图像风险评分、新增图像质量评分、新增图像复杂度评分。
10、可选的,所述生成新增图像块序列与历史图像块序列包括:
11、获取新增细胞病理图像数据、历史细胞病理图像数据和业务资源状态数据;
12、对新增细胞病理图像数据进行尺寸统一、染色归一化、噪声抑制、背景区域剔除和清晰度筛查,得到新增有效图像;
13、对新增有效图像进行图像块划分,得到新增图像块集合并按照新增细胞病理图像获取顺序和图像块空间位置顺序对所述新增图像块集合进行排列,生成新增图像块序列;
14、对历史细胞病理图像数据按照与新增细胞病理图像数据相同的处理顺序处理,得到历史图像块集合并按照历史细胞病理图像获取顺序和图像块空间位置顺序对历史图像块集合进行排列,生成历史图像块序列;
15、对业务资源状态数据进行标准化整理,生成当前业务资源状态数据。
16、可选的,所述构建历史图像索引集合包括:
17、对新增图像块序列与历史图像块序列中的各图像块按照空间位置、细胞分布密度和染色异常程度进行排序,分别生成新增风险排序序列与历史风险排序序列;
18、构建改进vision mamba网络,改进vision mamba网络包含输入嵌入层、扫描状态层、状态融合层与输出映射层,输入嵌入层采用二维旋转位置嵌入方式完成特征映射,并将空间位置、细胞分布密度和染色异常程度写入图像块特征,得到新增输入特征序列与历史输入特征序列;
19、扫描状态层对新增输入特征序列与历史输入特征序列分别执行正向扫描与逆向扫描交替的状态更新,生成新增正逆向状态序列与历史正逆向状态序列;
20、状态融合层采用残差门控式方式对新增正逆向状态序列与历史正逆向状态序列中的对应位置状态结果进行交替读取,对读取结果进行顺序融合,生成新增中间状态序列与历史中间状态序列;
21、基于新增中间状态序列与历史中间状态序列中的图像块风险强度,将图像块划分为不同风险图像块,生成对应风险分段结果,基于风险分段结果执行状态转移计算,生成新增图像风险特征向量与历史图像风险特征向量;
22、输出映射层对新增图像风险特征向量进行处理,生成新增图像风险评分、新增图像质量评分与新增图像复杂度评分,对历史图像风险特征向量进行处理,生成历史图像风险评分,并基于历史图像风险特征向量构建历史图像索引集合。
23、对改进vision mamba网络进行训练,采用新增图像风险评分、新增图像质量评分和新增图像复杂度评分的组合作为优化目标并叠加参数衰减项,训练过程中采用自适应优化器更新参数并按预设轮次衰减学习率,直至连续5轮训练中验证集上的优化目标下降幅度小于收敛阈值时停止训练;
24、可选的,所述构建待调度路径集合包括:
25、基于新增图像风险评分、新增图像质量评分和新增图像复杂度评分生成新增图像任务属性数据,基于新增图像任务属性数据建立图像任务节点集合,基于业务资源状态数据建立医师资源节点集合和存储资源节点集合,基于历史图像索引集合建立检索路径节点集合;
26、按照图像任务节点集合与医师资源节点集合之间的风险匹配关系和负载匹配关系建立图像任务分配路径,按照图像任务节点集合与存储资源节点集合之间的写入匹配关系建立图像入库路径,按照图像任务节点集合与检索路径节点集合之间的相似检索关系建立图像检索路径,对图像任务分配路径、图像入库路径和图像检索路径进行汇总排列,构建待调度路径集合。
27、可选的,所述迭代输出新增细胞病理图像优先处理序列、复核任务分配序列、入库处理序列和检索访问序列包括:
28、构建对数蚁群算法,将待调度路径集合输入算法,将待调度路径集合输入算法,基于新增图像风险评分、新增图像质量评分、新增图像复杂度评分和业务资源状态数据,按照路径优先级、资源可用度和等待代价计算路径转移概率;
29、通过路径遍历与竞争保留优先路径连接结果;
30、对信息素进行累积与衰减更新,迭代更新路径选择顺序直至路径选择顺序稳定;
31、迭代输出新增细胞病理图像优先处理序列、复核任务分配序列、入库处理序列和检索访问序列。
32、可选的,所述对信息素进行累积与衰减更新包括:
33、对数蚁群算法使用动态对数累积,为每轮迭代编号,针对当前迭代编号设定随迭代次数递减的对数基数;
34、当路径在迭代被选中时,读取路径优先级、资源可用度和等待代价,按照动态对数基数执行信息素累积,得到信息素增量;
35、采用窗口截断机制,为信息素累积过程设置固定长度历史窗口,仅保留最近w轮迭代中产生的信息素增量,自动删除超出窗口长度的历史信息素记录;
36、基于迭代进程启动分段对数蒸发因子:在迭代前半程采用第一蒸发系数;在迭代后半程自动切换为第二蒸发系数,第一蒸发系数与第二蒸发系数差别在于对全部路径信息素衰减程度不同;
37、完成信息素累积与分段蒸发后,将更新后信息素值写回待调度路径集合,并基于更新后信息素重新调整路径选择顺序;
38、重复执行迭代过程,直至所有路径信息素分布保持不变。
39、可选的,所述生成结果数据包括:
40、基于新增细胞病理图像优先处理序列对新增细胞病理图像执行风险优先处理;
41、基于复核任务分配序列将待复核图像分配至对应医师资源节点并生成复核结果数据;基于入库处理序列将处理完成的图像写入对应存储资源节点并生成入库结果数据;基于检索访问序列在历史图像索引集合中执行检索并生成检索结果数据;
42、对复核结果数据、入库结果数据和检索结果数据进行关联整理生成结果数据;
43、建立新增细胞病理图像与复核医师、存储资源节点及历史图像索引记录之间的对应关系。
44、可选的,所述更新业务资源状态数据和历史图像索引集合包括:
45、读取复核结果数据、入库结果数据和检索结果数据;
46、基于复核结果数据生成当前复核状态数据,基于当前复核状态数据和入库结果数据更新业务资源状态数据中的医师资源状态和存储资源状态;
47、基于入库结果数据将完成入库的新增细胞病理图像加入历史图像索引集合并更新对应索引记录,基于检索结果数据调整历史图像索引集合中的索引访问次序和关联关系;
48、将更新后的业务资源状态数据和历史图像索引集合作为新增细胞病理图像输入。
49、本发明的有益效果是:
50、本发明提出了一种基于深度学习的细胞病理图像数据智能管理方法,综合采用改进vision mamba与对数蚁群算法。通过对新增细胞病理图像数据与历史细胞病理图像数据进行预处理,生成新增图像块序列与历史图像块序列,并将新增图像块序列与历史图像块序列输入改进vision mamba网络执行正向扫描与逆向扫描交替的状态更新、状态融合与状态转移计算,输出新增图像风险评分、新增图像质量评分与新增图像复杂度评分,并基于历史图像块序列处理结果构建历史图像索引集合。本发明进一步基于新增评分数据、业务资源状态数据与历史图像索引集合构建待调度路径集合,将待调度路径集合输入对数蚁群算法计算路径转移概率、迭代更新路径信息素并输出新增细胞病理图像优先处理序列、复核任务分配序列、入库处理序列与检索访问序列,依据各序列执行风险优先处理、人工复核分配、数据库入库更新与历史图像检索,生成结果数据,并基于结果数据更新业务资源状态数据与历史图像索引集合形成闭环。
51、本发明通过改进vision mamba实现对海量细胞病理图像块序列的长依赖表征与风险相关状态传播,提升异常区域稀疏分布场景下的风险评分稳定性与区分度,使新增图像风险等级与处理复杂度能够在入库阶段完成量化表达;通过构建历史图像索引集合并与新增评分数据联动,提升相似病例检索的命中效率与访问顺序合理性;通过对数蚁群算法在待调度路径集合上进行迭代调度,形成面向图像任务流、医师资源流、数据库存储流与检索服务流的统一调度输出,提升样本的优先处理速度,降低样本在普通队列中的等待时间;通过复核任务分配序列与业务资源状态数据的联动更新,提升医师资源利用率并减少复核拥塞与空闲并存现象;通过入库处理序列与检索访问序列的协同更新,提升数据库吞吐能力与响应效率,减少索引更新造成的访问拥堵;通过结果数据驱动的闭环更新,提升调度策略对持续新增图像与资源状态波动场景的适应能力,从而实现细胞病理图像数据的动态优先级排序与智能处理调度。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com