基于人工智能的循环肿瘤细胞检测仪及其方法与流程

本技术涉及智能化检测，并且更具体地，涉及一种基于人工智能的循环肿瘤细胞检测仪及其方法。

背景技术：

1、循环肿瘤细胞（ctc）是从原发性肿瘤中脱落到血液中的肿瘤细胞，它们可以在血液中迁移并在远端器官形成转移灶。ctc的检测和分析对于癌症的早期诊断、预后评估和个体化治疗具有重要意义。

2、通常，循环肿瘤细胞检测仪的工作原理如下：首先，将血液样本中的ctc从其他血细胞中分离出来，并固定在玻片上；然后，对ctc进行多重免疫荧光标记，包括上皮细胞黏附分子（epcam）、细胞角蛋白（ck）、白细胞共同抗原（cd45）和细胞核（dapi）等；接着，对玻片上的所有细胞进行高分辨率的荧光图像采集；最后，对荧光图像进行ctc的检测和鉴定。

3、然而，由于ctc的数量极少、形态多样和生物学特性复杂，传统的ctc检测方法存在灵敏度低、特异性差和操作复杂等问题。因此，期待一种优化的解决方案。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种基于人工智能的循环肿瘤细胞检测仪及其方法，其获取被检测血液样本的荧光图像；基于深度学习的图像处理技术，从被检测血液样本的荧光图像中提取隐含特征，并采用分类处理来实现ctc细胞的类型的自动化划分。这样，可以对ctc细胞的类型标签进行智能化的划分，有效地提高ctc细胞的鉴定效率。

2、第一方面，提供了一种基于人工智能的循环肿瘤细胞检测仪，其包括：

3、数据采集模块，用于获取被检测血液样本的荧光图像；

4、分辨率增强模块，用于将所述被检测血液样本的荧光图像通过基于对抗生成网络的分辨率增强器以得到清晰化荧光图像；

5、浅层特征提取模块，用于将所述清晰化荧光图像通过作为浅层特征提取器的第一卷积神经网络模型以得到荧光呈现浅层特征图；

6、空间强化模块，用于将所述荧光呈现浅层特征图通过空间注意力模块以得到空间强化荧光呈现浅层特征图；

7、深层特征提取模块，用于将所述空间强化荧光呈现浅层特征图通过作为深层特征提取器的第二卷积神经网络模型以得到荧光呈现深层特征图；

8、通道强化模块，用于将所述荧光呈现深层特征图通过通道注意力模块以得到通道增强荧光呈现深层特征图；

9、特征融合模块，用于融合所述空间强化荧光呈现浅层特征图和所述通道增强荧光呈现深层特征图以得到分类特征图；以及

10、细胞类型划分模块，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示ctc细胞的类型标签。

11、在上述基于人工智能的循环肿瘤细胞检测仪中，所述分辨率增强模块，用于：将所述被检测血液样本的荧光图像输入所述基于对抗生成网络的分辨率增强器以由所述基于对抗生成网络的分辨率增强器通过反卷积编码生成所述清晰化荧光图像。

12、在上述基于人工智能的循环肿瘤细胞检测仪中，所述浅层特征提取模块，用于：使用所述作为浅层特征提取器的第一卷积神经网络模型的各层在层的正向传递中分别对所述清晰化荧光图像进行卷积处理、池化处理和非线性激活处理以从所述作为浅层特征提取器的第一卷积神经网络模型的浅层提取所述荧光呈现浅层特征图。

13、在上述基于人工智能的循环肿瘤细胞检测仪中，所述空间强化模块，包括：浅层卷积编码单元，用于使用所述空间注意力模块的卷积编码部分对所述荧光呈现浅层特征图进行卷积编码以得到浅层卷积特征图；浅层空间注意力单元，用于将所述浅层卷积特征图输入所述空间注意力模块的空间注意力部分以得到浅层空间注意力图；浅层激活单元，用于将所述浅层空间注意力图通过softmax激活函数以得到浅层空间注意力特征图；以及，浅层特征图计算单元，用于计算所述浅层空间注意力特征图和所述浅层卷积特征图的按位置点乘以得到所述空间强化荧光呈现浅层特征图。

14、在上述基于人工智能的循环肿瘤细胞检测仪中，所述深层特征提取模块，用于：使用所述作为深层特征提取器的第二卷积神经网络模型的各层在层的正向传递中分别对所述空间强化荧光呈现浅层特征图进行卷积处理、池化处理和非线性激活处理以从所述作为深层特征提取器的第二卷积神经网络模型的深层提取所述荧光呈现深层特征图。

15、在上述基于人工智能的循环肿瘤细胞检测仪中，所述通道强化模块，包括：深层卷积单元，用于将所述荧光呈现深层特征图输入所述通道注意力模块的多层卷积层以得到深层卷积特征图；深层全局均值单元，用于计算所述深层卷积特征图的沿通道维度的各个特征矩阵的全局均值以得到深层特征向量；深层激活单元，用于将所述深层特征向量输入所述sigmoid激活函数以得到深层注意力权重向量；以及，深层加权单元，用于以所述深层注意力权重向量中各个位置的特征值作为权重分别对所述深层卷积特征图的沿通道维度的各个特征矩阵进行加权以得到所述通道增强荧光呈现深层特征图。

16、在上述基于人工智能的循环肿瘤细胞检测仪中，所述特征融合模块，用于：以如下融合公式融合所述空间强化荧光呈现浅层特征图和所述通道增强荧光呈现深层特征图以得到分类特征图；其中，所述融合公式为：

17、

18、其中，表示所述分类特征图，表示所述空间强化荧光呈现浅层特征图，表示所述通道增强荧光呈现深层特征图，“”表示所述空间强化荧光呈现浅层特征图和所述通道增强荧光呈现深层特征图相对应位置处的元素相加，和表示用于控制所述空间强化荧光呈现浅层特征图和所述通道增强荧光呈现深层特征图之间的平衡的加权参数。

19、在上述基于人工智能的循环肿瘤细胞检测仪中，所述细胞类型划分模块，包括：矩阵展开单元，用于将所述分类特征图按照行向量或列向量进行展开为分类特征向量；全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类单元，用于将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。

20、在上述基于人工智能的循环肿瘤细胞检测仪中，还包括对所述基于对抗生成网络的分辨率增强器、所述作为浅层特征提取器的第一卷积神经网络模型、所述空间注意力模块、所述作为深层特征提取器的第二卷积神经网络模型、所述通道注意力模块和所述分类器进行训练的训练模块；其中，所述训练模块，包括：训练数据获取单元，用于获取训练数据，所述训练数据包括被检测血液样本的训练荧光图像，以及，ctc细胞的类型标签的真实值；训练分辨率增强单元，用于将所述被检测血液样本的训练荧光图像通过所述基于对抗生成网络的分辨率增强器以得到训练清晰化荧光图像；训练浅层特征提取单元，用于将所述训练清晰化荧光图像通过所述作为浅层特征提取器的第一卷积神经网络模型以得到训练荧光呈现浅层特征图；训练空间强化单元，用于将所述训练荧光呈现浅层特征图通过所述空间注意力模块以得到训练空间强化荧光呈现浅层特征图；训练深层特征提取单元，用于将所述训练空间强化荧光呈现浅层特征图通过所述作为深层特征提取器的第二卷积神经网络模型以得到训练荧光呈现深层特征图；训练通道强化单元，用于将所述训练荧光呈现深层特征图通过所述通道注意力模块以得到训练通道增强荧光呈现深层特征图；训练特征融合单元，用于融合所述训练空间强化荧光呈现浅层特征图和所述训练通道增强荧光呈现深层特征图以得到训练分类特征图；特征冗余优化单元，用于对所述训练分类特征图进行特征冗余优化以得到优化后分类特征图；分类损失单元，用于将所述优化后分类特征图通过分类器以得到分类损失函数值；以及，训练单元，用于基于所述分类损失函数值并基于梯度下降的传播方向来对所述基于对抗生成网络的分辨率增强器、所述作为浅层特征提取器的第一卷积神经网络模型、所述空间注意力模块、所述作为深层特征提取器的第二卷积神经网络模型、所述通道注意力模块和所述分类器进行训练。

21、在上述基于人工智能的循环肿瘤细胞检测仪中，所述特征冗余优化单元，用于：以如下优化公式对所述训练分类特征图进行特征冗余优化以得到优化后分类特征图；其中，所述优化公式为：

22、

23、

24、

25、其中，表示所述训练分类特征图，表示所述优化后分类特征图，表示单层卷积操作，、和分别表示特征图的逐位置相加、相减和相乘，且和为偏置特征图，其中初始的偏置特征图和不同。

26、第二方面，提供了一种基于人工智能的循环肿瘤细胞检测方法，其包括：

27、获取被检测血液样本的荧光图像；

28、将所述被检测血液样本的荧光图像通过基于对抗生成网络的分辨率增强器以得到清晰化荧光图像；

29、将所述清晰化荧光图像通过作为浅层特征提取器的第一卷积神经网络模型以得到荧光呈现浅层特征图；

30、将所述荧光呈现浅层特征图通过空间注意力模块以得到空间强化荧光呈现浅层特征图；

31、将所述空间强化荧光呈现浅层特征图通过作为深层特征提取器的第二卷积神经网络模型以得到荧光呈现深层特征图；

32、将所述荧光呈现深层特征图通过通道注意力模块以得到通道增强荧光呈现深层特征图；

33、融合所述空间强化荧光呈现浅层特征图和所述通道增强荧光呈现深层特征图以得到分类特征图；以及

34、将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示ctc细胞的类型标签。

35、与现有技术相比，本技术提供的基于人工智能的循环肿瘤细胞检测仪及其方法，其获取被检测血液样本的荧光图像；基于深度学习的图像处理技术，从被检测血液样本的荧光图像中提取隐含特征，并采用分类处理来实现ctc细胞的类型的自动化划分。这样，可以对ctc细胞的类型标签进行智能化的划分，有效地提高ctc细胞的鉴定效率。