一种MSI分型确定方法、装置、电子设备及存储介质 专利技术说明

医药医疗技术的改进;医疗器械制造及应用技术一种msi分型确定方法、装置、电子设备及存储介质技术领域1.本发明涉及影像分析技术领域，尤其涉及一种msi分型确定方法、装置、电子设备及存储介质。背景技术：2.微卫星，也称为短串联重复序列或简单序列重复序列，由1-6个核苷酸的重复序列组成。分布特征不同于小卫星dna的15至65个核苷酸串联重复序列，主要位于染色体末端附近。微卫星生成的机制一般认为是复制过程中的dna滑移，或dna复制修复过程中滑链和互补链的基本组不匹配，导致一个或多个重复单元缺失或插入。正常的组织dna修复系统，称为错配修复(mmr)，可以在dna复制过程中纠正错误，但由于肿瘤细胞中缺乏mmr基因或存在复制修复过程中的缺陷，基因突变的可能性增加，这种现象称为微卫星不稳定(msi)。相关研究表明，msi是肿瘤发生发展的重要因素，结直肠癌的微卫星不稳定性分型根据微卫星不稳定位点发生的频率，可分为微卫星高度不稳定性(msi-h)、低微卫星不稳定性(msi-l)和微卫星稳定(mss)三种类型。随着msi检测技术和免疫抑制剂在肿瘤治疗中的发展，研究人员发现msi-h具有较高的肿瘤突变负荷，肿瘤组织中有大量的免疫细胞浸润和较高水平的肿瘤新生抗原，从而对免疫治疗反应良好。目前国际和国内临床诊疗指南均推荐，对所有crc患者进行mmr表达或msi检测，用于遗传性非息肉病性结直肠癌(lynch综合征)筛查、crc预后分层及指导免疫治疗等。3.组织病理学报告是诊断结直肠癌的金标准，肿瘤的msi分子病理分型检测有赖于组织活检和分子诊断技术。组织活检属于机体有创的临床诊疗操作，会给患者带来不适和健康风险，活检依托的内镜检查或外科手术要求一定的临床适应证，同时具有较高的技术门槛和经济负担，不适合快速简便的医学筛查。基于肿瘤组织的pcr测序技术虽然是诊断msi分型的“金标准”，但也存在基因突变位点选择差异导致的错误，而其繁琐的操作步骤、较高的时间成本和额外的经济成本，也限制了pcr技术在结直肠癌msi分型诊断中的使用效率，不利于临床筛查、诊疗决策和基层医疗机构的推广应用。4.基于肿瘤组织病理切片he染色图像的深度学习算法模型在一定程度上降低了msi分型检测的成本，但该方法受制于活检组织样本采集的准确性。研究表明，病理切片扫描时产生的伪影会对模型的准确性产生显著影响。目标该检测方法的最佳实现技术尚没有明确共识，相关流程仍在不断优化，临床效果有待进一步验证。5.基于ngs技术开展特定基因或全外显子组测序，通过对测序数据的复杂生物信息学分析间接推断肿瘤msi分型的方法已有应用。但该方法依赖于基因测序的范围、深度，以及生信分析的水平，检测和分析者的水平显著影响结果的准确性。针对msi分型诊断，目前已被公开认证的ngs检测方法较少。利用肿瘤组织的ngs检测无法避免上述临床活检或外科手术的弊端，而利用外周血液中循环肿瘤dna(ctdna)进行检测的技术，则受限于ctdna采集样本的质量。肿瘤患者外周血液中的ctdna浓度低且不稳定，检测样本中背景噪声水平高，目前用于分析ctdna的精确分子捕获、测序和定位技术等仍不完善。此外，ngs技术的经济成本高昂，时间花费高，导致该方法的适应人群较窄，不适合普遍的临床推广及应用。技术实现要素：6.本发明提供了一种msi分型确定方法、装置、电子设备及存储介质，用途解决现有的msi分型确定方法存在对患者造成损伤的风险，且诊断流程复杂，患者的就诊时间长和经济负担大的技术问题。7.本发明提供了一种msi分型确定方法，包括：8.获取结直肠癌的历史病例影像学检查数据；9.对所述历史病例影像学检查数据进行标注，得到标注区域；10.根据所述标注区域确定裁剪尺寸；11.按照所述裁剪尺寸对所述历史病例影像学检查数据和所述标注区域进行裁剪，得到裁剪图像；12.采用所述裁剪图像生成训练样本；13.采用所述训练样本训练深度学习模型；14.将待分析图像输入已训练的深度学习模型，得到图像判别结果；15.获取诊断所需临床数据；16.根据所述图像判别结果和所述诊断所需临床数据确定msi分型。17.可选地，所述根据所述标注区域确定裁剪尺寸的步骤，包括：18.获取所述标注区域的最小外接矩形；19.以所述最小外接矩形作为裁剪尺寸。20.可选地，所述采用所述裁剪图像生成训练样本的步骤，包括：21.对所述裁剪图像进行图像处理，得到副本图像；所述图像处理包括小角度旋转、镜像变换、剪切变换中的一种或多种；22.采用所述裁剪图像和所述副本图像作为训练样本。23.可选地，所述采用所述训练样本训练深度学习模型的步骤之后，还包括：24.采用5折交叉验证法，将测试集数据输入所述深度学习模型，得到若干个分类结果；25.确定各所述分类结果对应的模型参数的分类性能；26.将分类性能最优的模型参数作为最优解；27.采用所述最优解优化所述深度学习模型，得到已训练的深度学习模型。28.本发明还提供了一种msi分型确定装置，包括：29.历史病例影像学检查数据获取模块，用于获取结直肠癌的历史病例影像学检查数据；30.标注模块，用于对所述历史病例影像学检查数据进行标注，得到标注区域；31.裁剪尺寸确定模块，用于根据所述标注区域确定裁剪尺寸；32.裁剪模块，用于按照所述裁剪尺寸对所述历史病例影像学检查数据和所述标注区域进行裁剪，得到裁剪图像；33.训练样本生成模块，用于采用所述裁剪图像生成训练样本；34.深度学习模块训练模块，用于采用所述训练样本训练深度学习模型；35.判别模块，用于将待分析图像输入已训练的深度学习模型，得到图像判别结果；36.临床数据获取模块，用于获取诊断所需临床数据；37.msi分型确定模块，用于根据所述图像判别结果和所述诊断所需临床数据确定msi分型。38.可选地，所述裁剪尺寸确定模块，包括：39.最小外接矩形获取子模块，用于获取所述标注区域的最小外接矩形；40.裁剪尺寸确定子模块，用于以所述最小外接矩形作为裁剪尺寸。41.可选地，所述训练样本生成模块，包括：42.图像处理子模块，用于对所述裁剪图像进行图像处理，得到副本图像；所述图像处理包括小角度旋转、镜像变换、剪切变换中的一种或多种；43.训练样本生成子模块，用于采用所述裁剪图像和所述副本图像作为训练样本。44.可选地，还包括：45.测试模块，用于采用5折交叉验证法，将测试集数据输入所述深度学习模型，得到若干个分类结果；46.分类性能确定模块，用于确定各所述分类结果对应的模型参数的分类性能；47.最优解确定模块，用于将分类性能最优的模型参数作为最优解；48.优化模块，用于采用所述最优解优化所述深度学习模型，得到已训练的深度学习模型。49.本发明还提供了一种电子设备，所述设备包括处理器以及存储器：50.所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；51.所述处理器用于根据所述程序代码中的指令执行如上任一项所述的msi分型确定方法。52.本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行如上任一项所述的msi分型确定方法。53.从以上技术方案可以看出，本发明具有以下优点：本发明提供了一种msi分型确定方法，包括：获取结直肠癌的历史病例影像学检查数据；对历史病例影像学检查数据进行标注，得到标注区域；根据标注区域确定裁剪尺寸；按照裁剪尺寸对历史病例影像学检查数据和标注区域进行裁剪，得到裁剪图像；采用裁剪图像生成训练样本；采用训练样本训练深度学习模型；将待分析图像输入已训练的深度学习模型，得到图像判别结果；获取诊断所需临床数据；根据图像判别结果和诊断所需临床数据确定msi分型。本发明通过影像学检查数据与临床数据结合的方式实现结直肠癌分子分型的辅助诊断，避免了侵入式检查对患者造成的损伤，且简化了诊断流程，减少了患者的时间成本和经济成本。附图说明54.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。55.图1为本发明实施例提供的一种msi分型确定方法的步骤流程图；56.图2为本发明另一实施例提供的一种msi分型确定方法的步骤流程图；57.图3为本发明实施例提供的一种msi分型确定装置的结构框图。具体实施方式58.本发明实施例提供了一种msi分型确定方法、装置、电子设备及存储介质，用途解决现有的msi分型确定方法存在对患者造成损伤的风险，且诊断流程复杂，患者的就诊时间长和经济负担大的技术问题。59.为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。60.请参阅图1，图1为本发明实施例提供的一种msi分型确定方法的步骤流程图。61.本发明提供的一种msi分型确定方法，具体可以包括以下步骤：62.步骤101，获取结直肠癌的历史病例影像学检查数据；63.msi(microsatellite instability，微卫星不稳定)：微卫星是指短串联重复序列或简单重复序列，由1-6个核苷酸的重复序列组成。分布特征不同于小卫星dna的15-65个核苷酸串联重复序列，主要位于染色体末端附近。微卫星生成的机制一般认为是复制过程中的dna滑移，或dna复制修复过程中滑链和互补链的基本组不匹配，导致一个或多个重复单元缺失或插入。正常的组织dna修复系统，称为错配修复(mmr)，可以在dna复制过程中纠正错误，但由于肿瘤细胞中缺少mmr基因或存在复制修复过程中的缺陷，基因突变的可能性增加，这种现象成为微卫星不稳定。相关研究表明，msi是肿瘤发生发展的重要因素，结直肠癌的微卫星不稳定性分型根据微卫星不稳定位点发生的频率，可分为微卫星高度不稳定性(msi-h)、低微卫星不稳定性(msi-l)和微卫星稳定(mss)三种类型。随着msi检测技术和免疫抑制剂在肿瘤治疗中的发展，研究人员发现msi-h型肿瘤具有较高的肿瘤突变负荷，且肿瘤组织中有大量的免疫细胞浸润和较高水平的肿瘤新生抗原，从而对免疫治疗反应良好。64.为了实现对结直肠癌的msi分型的判定，可以训练相应的深度学习模型进行分辨。65.该深度学习模型的训练数据可以来源于结直肠癌的历史病例影像学检查数据。66.在一个示例中，可以筛选给定年份(如2010-2020年间)的所有具备可信msi检测结果的结直肠癌病例的历史病例影像学检查数据，建立具有一定规模且病例诊断明确的研究队列。该队列回顾性纳入1000例经病理学检查可确定微卫星不稳定病理分型的结直肠癌患者。67.在一个示例中，所有历史病例影像学检查数据对应的患者均满足以下要求：a、年龄为18-80岁；b、经病理学检查可确定病理分型；c、临床检验、影像学检查资料与患者个人信息完整。符合以下任一排除标准均被排除：1)、诊断伴有其他类型肿瘤；2)、经病理学检查不能明确msi病理分型；3)临床检验资料或患者个人信息不完整(包括但不限于伪影严重等数据质量问题)。68.在收集到所有入组患者的影像学检查资料(dicom格式存储)以及相关临床资料后，可以根据结直肠癌分期标准将患者分为不同亚组。具体可以根据患者的性别、年龄、血清肿瘤标志物癌胚抗原水平以及临床t、n分期进行亚组分类。其中，性别依照男/女划分亚组，年龄依照《50岁与≥50岁划分亚组，血清肿瘤标志物癌胚抗原水平依照《40ng/ml与≥4ng/ml划分亚组，t分期分为t1/t2/t3/t4期，n分期分为n0/n1/n2期。然后将历史病例影像学检查数据按照7:2:1的比例随机划分为训练集、测试集和验证集。其中，训练集用来训练深度学习模型，测试集用来调节深度学习模型参数使其性能达到最优，验证集用来验证所训练的深度学习模型的性能。69.需要说明的是，训练集、测试集和验证集中各亚组占比大致相当。70.步骤102，对历史病例影像学检查数据进行标注，得到标注区域；71.在本发明实施例中，在获取到历史病例影像学检查数据后，可以对其进行标注，得到标注区域。72.在一个示例中，可以采用人工方式标注roi，由经验丰富的专职医生独立对所入组病例的历史病例影像学检查数据中的结直肠癌病灶进行人工标注，由高级职称的专职医师进行标注区域的质量控制。73.步骤103，根据标注区域确定裁剪尺寸；74.在本发明实施例中，为提高特征提取效率和利用率，可以借助rpa软件对已标注区域的历史病例影像学检查数据进行精确化分割，作为新的影像资料参与模型训练。由于结直肠癌病灶在原始图像资料中面积占比较小，即代表结直肠癌组织的像素数量远小于背景类别的像素数量，针对这种正负样本数量不均衡可能造成类不均衡问题而影响模型训练的问题，可以在完成对历史病例影像学检查数据的标注后，根据标注区域的轮廓，选择最大适应的含有阳性标注区域的尺寸作为标注区域的裁剪尺寸。75.步骤104，按照裁剪尺寸对历史病例影像学检查数据和标注区域进行裁剪，得到裁剪图像；76.步骤105，采用裁剪图像生成训练样本；77.在获取到裁剪尺寸后，可以按照裁剪尺寸对历史病例影像学检查数据和标注区域进行裁剪，得到裁剪图像作为训练样本。78.步骤106，采用训练样本训练深度学习模型；79.深度学习，是一种具有多个层次表示法的表示学习方法，通过组合简单但非线性的模块获得，每个模块在一个层次上将表示法(从原始输入开始)转换为更高、更抽象层次的表示法。有了足够多的转换，就可以学习非常复杂的函数。对于分类任务，更高层次的表示放大了对区分很重要的输入方面，并抑制了不相关的变化。深度学习是人工智能进行图像识别最契合的算法之一，通过学习和模拟人脑的信息处理神经元结构，对外部采集的数据进行从低级到高级的自动化提取和学习处理，实现对新数据的准确快速辨识和输出。80.在本发明实施例中，在获取到训练样本后，可以通过训练深度学习模型，来实现结直肠癌msi分型的分类。81.步骤107，将待分析图像输入已训练的深度学习模型，得到图像判别结果；82.在训练完成深度学习模型后，可以将待分析图像输入到深度学习模型中，以输入关于msi分型的图像判别结果。83.步骤108，获取诊断所需临床数据；84.步骤109，根据图像判别结果和诊断所需临床数据确定msi分型。85.为了确保msi分型的准确性，还可以结合诊断所需临床数据和图像判别结果进行综合分析，以明确待分析图像中的msi分型。86.本发明通过影像学检查数据与临床数据结合的方式实现结直肠癌分子分型的辅助诊断，避免了侵入式检查对患者造成的损伤，且简化了诊断流程，减少了患者的时间成本和经济成本。87.请参阅图2，图2为本发明另一实施例提供的一种msi分型确定方法的步骤流程图。具体可以包括以下步骤：88.步骤201，获取结直肠癌的历史病例影像学检查数据；89.步骤202，对历史病例影像学检查数据进行标注，得到标注区域；90.步骤201-202与步骤101-102相同，具体可以参照步骤101-102的描述，此处不再赘述。91.步骤203，获取标注区域的最小外接矩形；92.步骤204，以最小外接矩形作为裁剪尺寸；93.在本发明实施例中，由于结直肠癌病灶在原始图像资料中面积占比较小，即代表结直肠癌组织的像素数量远小于背景类别的像素数量，针对这种正负样本数量不均衡可能造成类不均衡问题而影响模型训练的问题，可以在完成对历史病例影像学检查数据的标注后，可以根据标注区域的轮廓，选择最大适应的含有阳性标注区域的尺寸作为标注区域的裁剪尺寸。94.其中，最大适应指的是完全包括阳性标注区域的图像最小外接矩形。阳性标注区域是指肿瘤实际存在的区域。95.步骤205，按照裁剪尺寸对历史病例影像学检查数据和标注区域进行裁剪，得到裁剪图像；96.在本发明实施例中，裁剪过程可以是由rpa软件读取原始图像和roi图像的轮廓，计算包括完整轮廓的最小外接矩形，按此矩形的长与宽确定裁剪尺寸，并记录该范围内的全部像素点信息，保存为裁剪后图像。97.步骤206，采用裁剪图像生成训练样本；98.在具体实现中，由于深度学习模型对影像学资料数量要求较高，因此可以通过图像处理手段增加单幅图像的副本，从而增加训练样本的数量。99.在一个示例中，图像处理可以包括小角度旋转、镜像变换、剪切变换中的一种或多种。100.其中，可以以原始图像最左下方为坐标轴原点，最左侧为纵坐标轴，顺时针旋转5°，保存为新图像，生成小角度旋转处理副本；以原始图像中间轴为纵坐标轴，将图像的左半部和右半部对调，保存为新图像，生成镜像对称处理副本；以原始图像最左下方为坐标轴原点，最左侧为纵坐标轴，最下侧为横坐标轴，将图像各像素点横坐标值加5，保存为新图像，剪切因变换而生成的无像素信息部分，生成剪切变换处理副本。各图像处理手段互不干扰并行，最终形成处理后的三组副本。通过图像处理提升图像利用率，可以提高模型的鲁棒性和泛化能力。101.步骤207，采用训练样本训练深度学习模型；102.在获取训练样本后，可以采用训练样本训练深度学习模型。103.在一个示例中，可以采用resnet网络提取对辅助诊断有明确统计学意义的影像学特征。并在卷积神经网络中引入残差单元，以解决梯度消失或者爆炸问题。其中，残差单元放置于神经网络卷积层后，负责将卷积层中提取到的特征矩阵信息进行直接传递，使得下一卷积层计算产生的特征矩阵中可直接包括上一卷积层提取的特征矩阵信息。假设某一卷积层提取特征为f(x)，上一卷积层提取特征为x，则其下一卷积层经计算后产生的特征至少包括f(x)+x，使得即使此处发生无效或错误计算仍能保留有效特征信息，减少模型可能的过拟合现象。设定输入图像大小为256*256，采用1×1的卷积核进行卷积。每个卷积层后面均添加批量归一化层和修正线性单元激活层，以提高网络性能。将训练集中每张原始图像及其对应的roi图像构成的数组输入模型中进行迭代训练，由分类器对数组中每个像素点均进行类别判读，划分为“1(错配修复功能缺陷/微卫星高度不稳定(msi-h))”和“0(错配修复功能完整/微卫星稳定(mss))”，然后将图像所有像素点的判读结果按顺序生成新的矩阵，计算该矩阵内所有元素的平均值，若该平均值大于0.5，则认为图像更接近“1”，否则判断该图像的分类结果为“0”，从而输出深度学习模型的最终判别，并通过数值转换进行可视化呈现。104.进一步地，在本发明实施例中，采用训练样本训练深度学习模型的步骤之后，还可以包括以下步骤：105.s11，采用5折交叉验证法，将测试集数据输入深度学习模型，得到若干个分类结果；106.s12，确定各分类结果对应的模型参数的分类性能；107.s13，将分类性能最优的模型参数作为最优解；108.s14，采用最优解优化深度学习模型，得到已训练的深度学习模型。109.在具体实现中，深度学习模型训练完成后，可以采用5折交叉验证法将测试集数据输入模型进行性能测试，得到若干个分类结果，并选择其中分类性能最优的模型参数作为模型最优解，导出测试后最优参数模型作为标准模型文件组，完成深度学习模型的构造。110.步骤208，将待分析图像输入已训练的深度学习模型，得到图像判别结果；111.在训练完成深度学习模型后，可以将待分析图像输入到深度学习模型中，以输入关于msi分型的图像判别结果。112.步骤209，获取诊断所需临床数据；113.步骤210，根据图像判别结果和诊断所需临床数据确定msi分型。114.为了确保msi分型的准确性，还可以结合诊断所需临床数据和图像判别结果进行综合分析，以明确待分析图像中的msi分型。115.在具体实现中，诊断所需临床数据可以包括病例血液学检查(红细胞、白细胞、血小板计数等)、肿瘤标志物检查(cea、ca125、ca153、ca199等)、生化常规指标检查(各功能蛋白、血脂血糖水平、生物酶水平等)、体格检查数据(性别、年龄、身高、体重、疑似肿瘤部位等)等。116.在获取到诊断所需临床数据后，可以使用机器学习算法对全部病例临床数据进行整理分析，使用回归分析与xboost变量分析筛选出对辅助诊断有明确统计学意义的相关变量数据。117.进一步地，在完成进行msi分型的深度学习模型后，可以设计并部署完整的自动化机器辅助诊断平台：采用gbdt机器学习算法，编写完整的具有变量筛选功能的模块化程序，实现对全部病例诊断所需临床数据的自动化整理筛选分析，并融合自动分析影像数据的深度学习模型，形成msi辅助诊断自动化模型，导入标准架构构建融合平台。118.在完成融合平台后，可以进行全流程检验与工作流优化：使用研究队列对融合平台进行全流程检验，确定融合平台的检验效能，将验证集数据输入诊断模型进行模型验证和评估。以每个病例的肿瘤组织微卫星不稳定pcr检测分型作为真实标签，平台输出的诊断结果作为预测标签，计算模型诊断msi-h的准确率、精度、召回率、特异度、误诊率、漏诊率，并绘制roc曲线。其中，可以定义“1”(错配修复功能缺陷/微卫星高度不稳定(msi-h))为阳性结果，“0”(错配修复功能完整/微卫星稳定(mss))为阴性结果，统计测试数据中真阳性结果数为a，假阳性结果数为b，假阴性结果数为c，真阴性结果数为d。则准确率计算方式为：准确度＝(a+d)/(a+b+c+d)；精度为：精度＝a/a+b；召回率为：召回率＝a/a+c；特异度为：特异度＝d/b+d；误诊率为：误诊率＝b/b+d；漏诊率为：漏诊率＝c/a+c)。在完成曲线绘制后，可以计算曲线下面积，并以此为依据继续优化平台参数，导出测试后最优参数模型作为标准文件组。119.进一步地，如全流程检验与工作流优化过程中出现问题，则通过调整参数、超参数等技术手段对深度学习模型进行微调，再重复模型数据整理、自动化平台设计、全流程检验与工作流优化等步骤，优化模型表现。120.更进一步地，以导出的最优参数模型标准文件组为基准，导入标准torchserver平台，设置测试平台代理映射至指定安全端口码，完成算法与平台模型的工程化部署，从训练组中随机抽出部分样本(≥50％)，模拟实际临床使用环境，构造测试用平台与脚本进行模型与平台的全流程稳定性测试与硬件系统匹配，确保3×24小时平台正常工作，硬件平台无报错与告警信息，以全流程稳定测试与匹配过程中产生的所有错误排除信息为基准，冻结平台与映射参数，锁定最终工程化成品。121.本发明通过影像学检查数据与临床数据结合的方式实现结直肠癌分子分型的辅助诊断，避免了侵入式检查对患者造成的损伤，且简化了诊断流程，减少了患者的时间成本和经济成本。122.请参阅图3，图3为本发明实施例提供的一种msi分型确定装置的结构框图。123.本发明实施例提供了一种msi分型确定装置，包括：124.历史病例影像学检查数据获取模块301，用于获取结直肠癌的历史病例影像学检查数据；125.标注模块302，用于对历史病例影像学检查数据进行标注，得到标注区域；126.裁剪尺寸确定模块303，用于根据标注区域确定裁剪尺寸；127.裁剪模块304，用于按照裁剪尺寸对历史病例影像学检查数据和标注区域进行裁剪，得到裁剪图像；128.训练样本生成模块305，用于采用裁剪图像生成训练样本；129.深度学习模块训练模块306，用于采用训练样本训练深度学习模型；130.判别模块307，用于将待分析图像输入已训练的深度学习模型，得到图像判别结果；131.临床数据获取模块308，用于获取诊断所需临床数据；132.msi分型确定模块309，用于根据图像判别结果和诊断所需临床数据确定msi分型。133.在本发明实施例中，裁剪尺寸确定模块303，包括：134.最小外接矩形获取子模块，用于获取标注区域的最小外接矩形；135.裁剪尺寸确定子模块，用于以最小外接矩形作为裁剪尺寸。136.在本发明实施例中，训练样本生成模块305，包括：137.图像处理子模块，用于对裁剪图像进行图像处理，得到副本图像；图像处理包括小角度旋转、镜像变换、剪切变换中的一种或多种；138.训练样本生成子模块，用于采用裁剪图像和副本图像作为训练样本。139.在本发明实施例中，还包括：140.测试模块，用于采用5折交叉验证法，将测试集数据输入深度学习模型，得到若干个分类结果；141.分类性能确定模块，用于确定各分类结果对应的模型参数的分类性能；142.最优解确定模块，用于将分类性能最优的模型参数作为最优解；143.优化模块，用于采用最优解优化深度学习模型，得到已训练的深度学习模型。144.本发明实施例还提供了一种电子设备，设备包括处理器以及存储器：145.存储器用于存储程序代码，并将程序代码传输给处理器；146.处理器用于根据程序代码中的指令执行本发明实施例的msi分型确定方法。147.本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质用于存储程序代码，程序代码用于执行本发明实施例的msi分型确定方法。148.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。149.本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。150.本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。151.本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。152.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。153.这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。154.尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。155.最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。156.以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!