买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西南科技大学

摘要：本发明公开了一种胰腺癌病理图像细胞亚群分布预测方法。该方法的具体步骤如下：1获取配对的胰腺癌病理图像和单细胞空间转录组数据作为实验数据。2利用Cell2location工具获取胰腺癌细胞类型分布金标准，以得到全监督模型训练的真实标签。3对胰腺癌病理图像进行裁剪分割、数据增强等预处理。4基于深度学习技术构建胰腺癌病理图像细胞分布预测模型。5训练构建的深度学习模型。6将测试集送入训练好的分类模型进行预测。本发明能够预测胰腺癌病理图像中细胞亚群分布、占比和相互环绕情况，可以用于协助临床病理医生进行胰腺癌病理的诊断，协助临床医生对胰腺癌患者进行预后评估和免疫治疗敏感性评估。

主权项：1.一种胰腺癌病理图像细胞亚群分布预测方法，其特征在于，具体步骤如下：1本发明中采用10xGenomicsVisium技术获取胰腺癌空间转录组数据，采用显微镜扫描系统获取配对的胰腺癌病理图像；2采用Cell2location工具获取胰腺癌单细胞空间转录组数据中spot的准确类别信息；2a首先，使用生物信息学软件对胰腺癌单细胞空间转录组数据进行预处理，包括数据清洗、归一化和基因表达量计算；2b运用Cell2location进行去卷积分析，目标是精确地推算出每个胰腺癌病理图像spot中的细胞类型比例，选择比例最高的细胞类型作为每个spot的真实类别标签，以此获取胰腺癌细胞类型分布金标准；3对胰腺癌病理图像进行裁剪分割、数据增强等预处理操作；4基于深度学习技术构建胰腺癌病理图像细胞分布预测模型A；4a首先，利用深度可分离卷积Convmixer对步骤3中提取的图像块进行PatchEmbedding二维卷积运算：e0＝Convcin→nstride＝h,kernelsize＝p在提取图像块嵌入之后，首先对通道分别进行空间卷积，并对输出进行拼接，随后使用单位卷积核进行通道卷积以得到特征图：el＝BNσ{ConvDepthwiseel-1}+el-1el+1＝BNσ{ConvPointwiseel}4b其次，基于自注意力机制Transformer先将步骤4a中提取到的特征el+1与每个图像块的x和y坐标信息进行融合作为Transformer模型的初始特征信息，融合的特征输入到Transformer模块中的多头自注意层用于处理输入特征：MultiHeadQ,K,V＝[head1,....,headc]×W0其中，Q、K、V分别是查询、键、值，W0是权重矩阵；4c最后，图神经网络GNN的主干采用GraphSAGE，使用欧几里得算法计算每两个节点u和v之间的距离： GraphSAGE通过聚合机制聚合每个点的信息： 其中，Nv为节点v随机采样的一阶邻居的集合，mean是均值聚合函数，表示节点v的所有邻居的特征信息，Wk是权重矩阵；5选取平衡二进制交叉熵损失函数作为模型A的损失目标函数，并计算样本对的损失值，将损失目标函数计算的损失值送入优化器，对模型A的权重参数集合更新；6从训练集中选取胰腺癌病理图像，循环步骤4至5，直到模型A收敛，保存模型A的最终权重参数训练结果，最终完成模型A的训练；7将训练好的模型A在测试集上进行测试，得到整张胰腺癌病理图像细胞亚群分布的预测情况，再将整张胰腺癌病理图像的预测结果与真实标签进行准确度的计算，测试集中每张胰腺癌病理图像在模型A上的测试过程均相同。

全文数据：

权利要求：

百度查询： 西南科技大学 一种胰腺癌病理图像细胞亚群分布预测方法