本申请涉及生物医药相关，具体涉及一种甲状腺癌淋巴结转移的病理分析方法、装置、设备及介质。
背景技术：
1、甲状腺癌是过去三十年全球发病率增长最快的恶性肿瘤，我国的甲状腺癌发病率同样呈快速上升的趋势。超过50％的甲状腺癌患者在确诊时即出现淋巴结转移，发生淋巴结转移的患者术后复发率高，导致患者预后不佳。在临床上准确鉴别发生淋巴结转移的甲状腺癌患者，以进行合理、彻底的淋巴结清扫和科学的术后分层管理，对改善患者预后具有重要意义。
2、传统的病理学方法分析是通过病理医生基于先验知识通过显微镜或数字病理分析仪进行评估，肉眼获取的图像信息有限，无法充分识别病理图像所蕴含的生物学信息，难以从甲状腺癌组织的病理图像分析是否有淋巴结转移。
技术实现思路
1、有鉴于此，本申请的实施例致力于提供一种甲状腺癌淋巴结转移的病理分析方法、装置、设备及介质，以更加全面有效的进行数据安全的分析。
2、本申请提供一种甲状腺癌淋巴结转移的病理分析方法，包括：
3、获取甲状腺癌组织的he染色冰冻病理切片的扫描图像，并对所述扫描图像进行预处理；
4、将所述扫描图像切割为多个子图片
5、针对每一个子图片，将所述子图片输入预设的神经网络模型，得到子病理分析结果；
6、其中，所述神经网络模型以积神经网络inception-v4为主干，嵌入弱监督多示例学习模块，用于基于对子图片进行病理分析，得到用于表征甲状腺癌淋巴结是否转移的子病理分析结果；
7、汇总所述子病理分析结果，得到目标病理分析结果。
8、在一些实施例中，所述对所述扫描图像进行预处理，包括：
9、剔除所述扫描图像中的背景区域；或，
10、去除所述扫描图像中的污点；或，
11、对所述扫描图像进行颜色标准化处理。
12、在一些实施例中，所述汇总所述子病理分析结果，得到目标病理分析结果，包括：
13、求取所述子病理分析的均值；
14、其中所述均值为目标病理分析结果。
15、在一些实施例中，所述扫描图像包括：不同倍率下的切片病理图像。
16、在一些实施例中，所述神经网络模型包括：特征提取网络和病理分析网络；
17、所述特征提取网络用于提取输入子图片的特征，并将所述特征发送至病理分析网络；
18、所述病理分析网络，用于基于所述特征，得到用于表征甲状腺癌淋巴结是否转移的子病理分析结果；
19、其中，所述特征提取网络以inception-v4为主干嵌入弱监督多示例学习模块的神经网络。
20、在一些实施例中，所述神经网络模型的训练过程包括：
21、获取扫描图像样本；
22、基于所述扫描图像样本以及每一扫描图像样本对应的转移结果，生成训练样本；
23、基于所述训练样本对预先搭建的特征提取网络和病理分析网络进行弱监督多示例训练，得到神经网络模型。
24、在一些实施例中，所述扫描图像样本包括：不同倍率下的切片病理图像：
25、所述生成训练样本，包括：
26、针对每一个扫描图像样本；分别对不同倍率下的切片病理图像进行预处理；分别对不同倍率下的预处理后的切片病理图像进行图像分割，得到图像块样本；分别对不同倍率对应的图像块样本进行抽取，得到由不同倍率对应的图像块样本组成的图像包；基于所述扫描图像样本对应的转移结果，为所述图像包设置标签，得到训练样本。
27、本申请还提供一种甲状腺癌淋巴结转移的病理分析方法装置，包括：
28、获取模块，用于获取甲状腺癌组织的he染色冰冻病理切片的扫描图像，并对所述扫描图像进行预处理；
29、切割模块，用于将所述扫描图像切割为多个子图片；
30、分析模块，用于针对每一个子图片，将所述子图片输入预设的神经网络模型，得到子病理分析结果；其中，所述神经网络模型以积神经网络inception-v4为主干，嵌入弱监督多示例学习模块，用于基于对子图片进行病理分析，得到用于表征甲状腺癌淋巴结是否转移的子病理分析结果；汇总所述子病理分析结果，得到目标病理分析结果。
31、本申请还提供一种电子设备，包括：
32、处理器，以及用于存储所述处理器可执行程序的存储器；
33、所述处理器，用于通过运行所述存储器中的程序，实现如上述的甲状腺癌淋巴结转移的病理分析方法。
34、本申请还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序在被处理器运行时使得所述处理器执行如上述的甲状腺癌淋巴结转移的病理分析方法。
35、本申请所提供的一种甲状腺癌淋巴结转移的病理分析方法，获取甲状腺癌组织的he染色冰冻病理切片的扫描图像，并对所述扫描图像进行预处理；将所述扫描图像切割为多个子图片；针对每一个子图片，将所述子图片输入预设的神经网络模型，得到子病理分析结果；其中，所述神经网络模型以积神经网络inception-v4为主干，嵌入弱监督多示例学习模块，用于基于对子图片进行病理分析，得到用于表征甲状腺癌淋巴结是否转移的子病理分析结果；汇总所述子病理分析结果，得到目标病理分析结果。如此设置本申请提供的方案具有如下有益效果：自动化的图像扫描和预处理减少了人工操作的需求，提高了病理分析的效率，允许医生处理更多的病例。通过获取高分辨率的he染色冰冻病理切片扫描图像，可以捕捉到甲状腺癌组织的微观细节，为深入分析提供了丰富的视觉信息。图像预处理步骤确保了图像质量的一致性，减少了由于染色不均、光照不均等因素造成的分析误差。将扫描图像切割为多个子图片，可以对病理切片的不同区域进行独立分析，有助于更全面地理解整个组织的病理状态。使用基于inception-v4的深度神经网络模型可以自动学习和识别图像中与甲状腺癌淋巴结转移相关的复杂模式和特征。嵌入的弱监督多示例学习模块允许模型从包含多个子实例的包中学习，即使子实例没有单独的标签，也能有效地进行训练和特征提取。inception-v4作为主干网络，结合多示例学习模块，可以更准确地提取病理图像中的关键特征，并进行淋巴结转移的病理分析。传统的病理分析依赖于医生的主观判断，而基于深度学习的分析方法可以减少人为偏差，提高诊断的一致性和可靠性。通过深度学习模型的综合分析，可以更准确地预测甲状腺癌的淋巴结转移情况，从而为临床治疗提供更准确的指导。总之，这种基于深度学习的病理图像分析方法通过自动化、高分辨率成像、标准化预处理、多区域分析和先进的神经网络模型，提供了一种高效、准确且可靠的甲状腺癌淋巴结转移检测手段。
1.一种甲状腺癌淋巴结转移的病理分析方法，其特征在于，包括：
2.根据权利要求1所述的甲状腺癌淋巴结转移的病理分析方法，其特征在于，所述对所述扫描图像进行预处理，包括：
3.根据权利要求1所述的甲状腺癌淋巴结转移的病理分析方法，其特征在于，所述汇总所述子病理分析结果，得到目标病理分析结果，包括：
4.根据权利要求1所述的甲状腺癌淋巴结转移的病理分析方法，其特征在于，所述扫描图像包括：不同倍率下的切片病理图像。
5.根据权利要求1所述的甲状腺癌淋巴结转移的病理分析方法，其特征在于，所述神经网络模型包括：特征提取网络和病理分析网络；
6.根据权利要求5所述的甲状腺癌淋巴结转移的病理分析方法，其特征在于，所述神经网络模型的训练过程包括：
7.根据权利要求6所述的甲状腺癌淋巴结转移的病理分析方法，其特征在于，所述扫描图像样本包括：不同倍率下的切片病理图像：
8.一种甲状腺癌淋巴结转移的病理分析方法装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序在被处理器运行时使得所述处理器执行如权利要求1至7中任一项所述的甲状腺癌淋巴结转移的病理分析方法。
