基于Transformer的全新汇聚模型预测肺腺癌基因突变.pdf

目录

摘要I

ABSTRACTIII

第一章绪论1

1.1研究背景和研究意义1

1.2当前研究热点及存在问题2

1.3研究内容和创新点2

1.3.1研究内容2

1.3.2创新点3

1.4论文组织结构4

1.5本章小结4

第二章相关理论知识5

2.1图像的预处理5

2.1.1颜色归一化5

2.1.2病理图像预分割6

2.1.3半监督医学图像分割7

2.2分析预测模型8

2.2.1分类模型8

2.2.2预测突变基因研究现状10

2.3本章小结11

第三章基于分类引导的图像分割方法13

3.1引言13

模型基本理论与构建14

3.2.1EMS卷积模块15

3.2.2多专家系统15

3.2.3伪标签的生成16

3.2.4训练方法17

3.3实验18

3.3.1数据集18

3.3.2数据预处理19

3.3.3实验细节20

3.3.4模型分类性能比较21

3.3.5模型可视化23

3.3.6半监督分割模型性能比较23

3.4本章小结26

第四章基于Transformer的权重汇聚分析模型27

4.1概述27

4.2模型基本理论与构建28

4.2.1权重汇聚层的构建28

4.2.2随机训练法30

4.2.3分析模型构建32

4.3实验34

4.3.1数据集34

4.3.2数据预处理35

4.3.3主干网络性能对比36

4.3.4训练方法效果对比37

本章小结40

第五章总结和展望41

5.1工作总结41

5.2不足与未来展望42

参考文献43

攻读硕士学位期间论文发表及科研情况49

致谢50

摘要

肺癌是全球发病率和致死率最高的癌症之一，早期通常难以察觉且预后不佳。在确

定治疗方案之前，进行基因检测至关重要。然而，传统的基因检测技术如基因测序和荧

光原位杂交技术存在设备昂贵、分析复杂且周期长的问题，因此需要研究新的方法来克

服这些限制。在这方面，深度学习具有巨大应用潜力。本研究拟利用深度学习技术，通

过对肺癌病理图片进行分析，实现对突变基因的预测。肺腺癌病理图像存在尺寸巨大、

包含复杂的区域和可能导致识别困难的伪影等，给预测模型带来了挑战。为解决以上问

题，本研究将提升已有模型在病理图像特征提取方面的效率，并结合医学领域的专业知

识，开发出高效的分析模型，以提高突变基因预测的准确性和可靠性。

基于上述研究背景，本研究构建了一个基于Transformer的肺腺癌基因突变预测模型。

本研究的主要贡献包括：

（1）提出了一种全新的多专家半监督病理图像分割模型。该模型采用了新颖的半监

督分割方法，将分类和分割任务有机结合。通过分类引导的策略，模型在不同

层次生成图像和掩码，有效指导分割网络的学习。同时，该模型采用了全新的

多专家跨层联合学习策略，综合利用不同层次的分类线索，优化病理图像的分

割效果。最后，模型引入了独特设计的多尺度模块，从不同尺度的图像中提取

丰富的语义信息。

（2）提出了一种全新的基因突变预测模型。病理图像的特征重要性存在差异，尤其

是在病理图像数