用于全视野数字图像分析生物标志物的自动质量控制方法与流程

1.本发明涉及生物标志物质量控制领域，具体地涉及用于全视野数字图像分析生物标志物的自动质量控制方法。


背景技术：

2.全视野数字图像(whole slide image，wsi)在人工备置病理切片和使用设备生成数字化图像等多种因素的影响下会呈现不同的外观。这不仅增加了数据的异质性，也产生了如气泡、固定不佳、组织不平整、数字图像模糊等质量问题，对基于wsi预测生物标志物的计算机辅助诊断(computer aided diagnosis，cad)系统的性能造成了不良影响，并阻碍了诊断模型在临床中的应用与推广。
3.wsi是先通过全自动显微镜或光学放大系统扫描病理切片，再应用计算机对采集到的高分辨数字图像自动进行高精度多视野无缝隙拼接和处理得到的数字化图像。相较于传统的由病理医生借助显微镜观察病理切片上的细胞学和组织学病变来确定疾病类型，wsi的出现在一定程度上缓解了阅片效率低，信息传递困难等病理科的发展困境。同时，多项研究表明深度学习(deep learning，dl)模型可以直接从苏木精和伊红染色(hematoxylin&eosin，简称h&e染色)的wsi中预测癌症生物标志物的状态，如微卫星不稳定性microsatellite instability，msi)，肿瘤突变负荷(tumor mutation burden,tmb)，分子亚型，基因表达等，精度更高的模型可以进一步开发成商业诊断产品。
4.基于dl开发通过wsi进行诊断的cad系统，在许多任务中表现出与人类诊断相当的准确性，甚至可以发现人眼无法观察到的组织学图像中的结构特征和模式。然而，这仍然是一个需要完善的工作。wsi制备的每一个步骤均会对最终图像的外观产生影响。wsi的生成过程涉及器官解剖、选择、制备组织块、切片术(切片和在载玻片上放置组织)、染色、盖子滑动和使用扫描仪生成数字化图像。这些步骤可能会引入伪影和批次效应，包括组织放置不当(如折叠、压缩、撕裂、气泡)、试剂不当(如染色过度或不足、染色浓度差异、染色批次变化)、切片不良(如刀颤动、厚度变化)和数字化伪影(如模糊、照明和对比度变化)等。同时数字化过程中使用不同的硬件(扫描仪型号)、用于图像处理的算法(例如，拼接，压缩)和文件格式等也会影响图像外观。原始的wsi数据集可能包括上述质量不佳的样本，因此在开发诊断模型时，应考虑训练集的数据质量问题，以避免不良数据对模型性能造成的干扰。
5.现有技术对wsi进行质控的研究集中在如何识别伪影是基于人眼观察进行开发设计的，这使得质控和下游分析模型之间存在着语义鸿沟问题。具体表现为，在具体的分析任务中，无法剔除外观质量较好但对后续分析任务无用的噪声图片，也无法识别人眼难以察觉的对模型有不良影响的质量问题。
6.现有技术中结合下游分析探究了影响质量的因素以及质控对模型的影响。a.i.wright等人在结直肠临床试验数据集中探索了图像质量对预测肿瘤基质比的影响。在这个实验中，病理学家手动评估图像质量，确定了大面积粘蛋白、低分化肿瘤、坏死组织等12个主要的降低数据质量的因素，保留了32％没有质量问题的数据，并将准确性从80％提
高到83％。等人探索了在测试集中的合成伪影对基于深度学习的前列腺癌检测模型的准确性的影响，该模型经过了预训练并在高质量数据上进行了验证。结果表明，鳞状上皮细胞、脂肪细胞、模糊、异物等多种组织学伪影都会降低模型性能。
7.现有的质控方案依赖于病理学专家和高质量的数据，并且受到癌种和分析任务的限制，迁移能力较差，从而存在分布差异的问题。


技术实现要素：

8.为解决现有技术中的至少部分技术问题，本发明提供用于全视野数字图像分析生物标志物的自动质量控制方法。具体地，本发明包括以下内容。
9.本发明的第一方面，提供一种用于全视野数字图像分析生物标志物的自动质量控制方法，包括：
10.构建域对抗神经网络；
11.基于获取的全视野数字图像对域对抗神经网络进行训练，得到训练后的域对抗神经网络；
12.基于训练后的域对抗神经网络对全视野数字图像分析生物标志物的质量进行控制。
13.可选的，所述构建域对抗神经网络，包括：
14.在初始网络基础上增加域鉴别器和梯度反转层，得到域对抗神经网络。
15.可选的，所述基于获取的全视野数字图像对域对抗神经网络进行训练，得到训练后的域对抗神经网络，包括：
16.对获取的全视野数字图像进行清洗；
17.对清洗后的全视野数字图像中的图像块进行数据清洗；
18.对清洗后的图像块进行标签清洗。
19.可选的，所述对获取的全视野数字图像进行清洗，包括：
20.提取全视野数字图像的图像特征；
21.从提取的全视野数字图像的图像特征中使用k-s检验特征分布，得到正态分布差异最小特征；
22.基于正态分布差异最小特征和3σ规则判定离群样本，删除离群样本。
23.可选的，所述基于正态分布差异最小特征和3σ规则判定离群样本，删除离群样本，包括：
24.删除偏离平均值超过正负标准差三倍的样本。
25.可选的，所述对清洗后的全视野数字图像中的图像块进行数据清洗，包括：
26.提取图像块的四个图像特征；
27.基于提取的图像块的四个图像特征使用3σ规则识别离群图像块；
28.删除离群图像块。
29.可选的，所述四个图像特征，包括对比度、折叠像素占比、模糊像素占比和空白背景占比；
30.对比度采用迈克尔逊对比度；
31.折叠像素占比是在hsv颜色空间中，饱和度大于明度的像素点；
32.模糊像素是经过拉普拉斯变换和高斯滤波后，值小于第一设定值的像素点；
33.空白背景占比是灰度值大于第二设定值且连通面积大于第三设定值的像素点。
34.可选的，所述第一设定值为0.05，所述第二设定值为0.9，所述第三设定值为100，所述灰度值的取值范围为[0,1]。
[0035]
可选的，所述对清洗后的图像块进行标签清洗，包括：
[0036]
使用resnet34网络，通过5倍交叉验证计算图像块属于高表达的分子标志物的预测概率；
[0037]
基于图像块标签和预测概率通过置信度学习算法判定图像块属于设定标签的置信度，
[0038]
删除低置信度的图像块。
[0039]
本发明的第二方面，提供一种用于全视野数字图像分析生物标志物的自动质量控制装置，包括：
[0040]
构建模块，用于构建域对抗神经网络；
[0041]
训练模块，用于基于获取的全视野数字图像对域对抗神经网络进行训练，得到训练后的域对抗神经网络；
[0042]
分析模块，用于基于训练后的域对抗神经网络对全视野数字图像分析生物标志物的质量进行控制。
[0043]
本发明的第三方面，提供一种电子设备，所述电子设备包括：
[0044]
至少一个处理器；以及，
[0045]
与所述至少一个处理器通信连接的存储器；其中，
[0046]
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面任一所述的用于全视野数字图像分析生物标志物的自动质量控制方法。
[0047]
本发明的第四方面，提供一种计算机可读存储介质，该计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行第一方面任一所述的用于全视野数字图像分析生物标志物的自动质量控制方法。
[0048]
本发明的用于全视野数字图像分析生物标志物的自动质量控制方法，通过构建域对抗神经网络，从而寻找源域和目标域间的不变特征，达到减少分布差异的目的。
附图说明
[0049]
图1为本实施例公开的用于全视野数字图像分析生物标志物的自动质量控制方法的流程图；
[0050]
图2为本实施例公开的全视野数字图像级别的数据清洗的流程图；
[0051]
图3为本实施例公开的图像块级别的数据清洗的流程图；
[0052]
图4为本实施例公开的图像块级别的标签清洗的流程图；
[0053]
图5为本实施例公开的构建域对抗神经网络的原理框图。
具体实施方式
[0054]
现详细说明本发明的多种示例性实施方式，该详细说明不应认为是对本发明的限
制，而应理解为是对本发明的某些方面、特性和实施方案的更详细的描述。
[0055]
应理解本发明中所述的术语仅仅是为描述特别的实施方式，并非用于限制本发明。另外，对于本发明中的数值范围，应理解为具体公开了该范围的上限和下限以及它们之间的每个中间值。在任何陈述值或陈述范围内的中间值以及任何其他陈述值或在所述范围内的中间值之间的每个较小的范围也包括在本发明内。这些较小范围的上限和下限可独立地包括或排除在范围内。
[0056]
除非另有说明，否则本文使用的所有技术和科学术语具有本发明所述领域的常规技术人员通常理解的相同含义。虽然本发明仅描述了优选的方法和材料，但是在本发明的实施或测试中也可以使用与本文所述相似或等同的任何方法和材料。本说明书中提到的所有文献通过引用并入，用以公开和描述与所述文献相关的方法和/或材料。在与任何并入的文献冲突时，以本说明书的内容为准。
[0057]
机器学习通常有以下假设。首先，数据分布是平滑的，即在一定范围内波动，无离群数据。其次，数据是准确的，即数据的标签是真实的，无标签噪声。最后，数据是独立同分布的，即训练集和测试集中的样本是独立但分布没有显著差异的。事实上，在使用wsi开发cad系统时，上述假设很难建立。首先，wsi的成像质量异质性较大，容易波动进而产生离群样本。其次，基于图像块级别开发cad系统时，来自同一wsi的所有图像块都被简单地赋予了相同的标签，这具有天然的标签噪声，因为不同的图像块拥有的信息量、代表性，以及与任务的相关度都是不同的。最后，wsi具有显著的批效应，这意味着分布差异。
[0058]
一种用于全视野数字图像分析生物标志物的自动质量控制方法，包括：
[0059]
构建域对抗神经网络；
[0060]
基于获取的全视野数字图像对域对抗神经网络进行训练，得到训练后的域对抗神经网络；
[0061]
基于训练后的域对抗神经网络对全视野数字图像分析生物标志物的质量进行控制。
[0062]
可选的，所述构建域对抗神经网络，包括：
[0063]
在初始网络基础上增加域鉴别器和梯度反转层，得到域对抗神经网络。所述初始网络可以为resnet34网络、dtfd网络以及epla网络等。
[0064]
可选的，如图1所示，所述基于获取的全视野数字图像对域对抗神经网络进行训练，得到训练后的域对抗神经网络，包括：
[0065]
对获取的全视野数字图像进行清洗；
[0066]
如图2所示，首先使用histoqc提取wsi级别的图像特征，然后使用k-s检验挑选与正态分布差异最小的特征，最后使用3σ规则判定离群样本，即偏离平均值超过正负标准差三倍的样本，并将这些样本删除。
[0067]
对清洗后的全视野数字图像中的图像块进行数据清洗；
[0068]
如图3所示，首先提取图像块级别的四个图像特征，分别是对比度、折叠像素占比、模糊像素占比和空白背景占比。具体方法是，对比度采用的是迈克尔逊对比度；折叠像素是在hsv颜色空间中，s值(饱和度)大于v值(明度)的像素点；模糊像素是经过拉普拉斯变换和高斯滤波后，值小于0.05的像素点；空白背景占比是灰度值(取值范围为[0,1])大于0.9且连通面积大于100的像素点。然后使用3σ规则识别离群图像块，最后清除这些图像块。
[0069]
对清洗后的图像块进行标签清洗。
[0070]
如图4所示，使用cl(置信度学习)算法来识别训练集中标签错误的样本。cl的目的是通过估计标签的不确定性来识别虚假标签，即噪声和真实标签的联合分布。具体方法是，首先进行自训练，即使用resnet34网络，通过5倍交叉验证计算训练集中图像块属于高表达的分子标志物的预测概率。然后基于图像块标签和预测概率通过cl算法判定图像块属于给定标签的置信度，1表示高置信度，说明原始标签可靠度较高，能够反映图像块的真实标签，反之则标记为0，即低置信度，说明原始标签可靠度较低，不是图像块的真实标签。最后从训练数据集中删除低置信度的图像块。
[0071]
在初始网络基础上增加域鉴别器和梯度反转层，得到域对抗神经网络。所述初始网络可以为resnet34网络，如图5所示，
[0072]
通过增加域鉴别器和梯度反转层，将resnet34网络改为dann网络(域对抗神经网络)。域鉴别器可以区分来自不同领域的图像，梯度反转层用于反向传播从域鉴别器到特征提取器的损失。通过最大化域鉴别器损失，最小化分类器的损失，迫使模型形成对抗网络。在收敛优化的过程中，dann能够找到源域和目标域在类别之间的共享不变特征，能够对来自两个域的图像进行分类，即使它们之间存在轻微的差异偏差，从而达到在对图像进行分类的同时混淆域鉴别器的目的。图5中虚线方框内为增加域鉴别器和梯度反转层。
[0073]
实验结果表明，本实施的方法效果具有明显提升，具体如下：
[0074]
基于训练后的域对抗神经网络对全视野数字图像分析生物标志物的质量进行控制后，基于resnet34网络的预测模型基线auc为0.838，数据清洗后auc为0.869，标签清洗后auc为0.872，改进为域对抗神经网络后的auc为0.904。基于dtfd网络的预测模型基线auc为0.913，数据清洗后auc为0.918，标签清洗后auc为0.932，改进为域对抗神经网络后的auc为0.948。基于epla网络的预测模型基线auc为0.825，数据清洗后auc为0.848，标签清洗后auc为0.866，改进为域对抗神经网络后的auc为0.914。
[0075]
与现有技术相比，本实施例具有以下有益效果：
[0076]
通过三个阶段对wsi进行自动质量控制，以满足机器学习假设。首先从wsi级别和图像块级别对wsi数据集进行数据清洗以减少数据噪声。其次通过自训练和置信度学习(confidence learning，cl)对图像块标签进行置信度评估，进而从训练集中删除标签置信度较低的样本，以减少标签噪声。最后为模型(本实施例以resnet34为例)添加域判别模块，将模型改造为域对抗神经网络(domain adversarial neural network，dann)，以训练模型寻找源域和目标域间的不变特征，减少分布差异。
[0077]
有益效果具体如下：
[0078]
1，结合wsi图像分析中数据的实际应用，从两个级别进行数据清洗，以降低数据噪声；
[0079]
2，通过自训练和对置信度学习对数据进行标签清洗，以降低标签噪声；
[0080]
3，通过添加域鉴别器和梯度反转层模块，将模型改进为域对抗神经网络，以降低分布差异。
[0081]
本实施例还公开一种用于全视野数字图像分析生物标志物的自动质量控制装置，包括：
[0082]
构建模块，用于构建域对抗神经网络；
[0083]
训练模块，用于基于获取的全视野数字图像对域对抗神经网络进行训练，得到训练后的域对抗神经网络；
[0084]
分析模块，用于基于训练后的域对抗神经网络对全视野数字图像分析生物标志物的质量进行控制。
[0085]
本实施例公开的电子设备包括存储器和处理器。该存储器用于存储非暂时性计算机可读指令。具体地，存储器可以包括一个或多个计算机程序产品，该计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。该易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。该非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。
[0086]
该处理器可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元，并且可以控制电子设备中的其它组件以执行期望的功能。在本公开的一个实施例中，该处理器用于运行该存储器中存储的该计算机可读指令，使得该电子设备执行前述的本公开各实施例的多轨道insar的误差传递模型用于全视野数字图像分析生物标志物的自动质量控制方法全部或部分步骤。
[0087]
本领域技术人员应能理解，为了解决如何获得良好用户体验效果的技术问题，本实施例中也可以包括诸如通信总线、接口等公知的结构，这些公知的结构也应包含在本公开的保护范围之内。
[0088]
电子设备可以包括处理装置(例如中央处理器、图形处理器等)，其可以根据存储在只读存储器(rom)中的程序或者从存储装置加载到随机访问存储器(ram)中的程序而执行各种适当的动作和处理。在ram中，还存储有电子设备操作所需的各种程序和数据。处理装置、rom以及ram通过总线彼此相连。输入/输出(i/o)接口也连接至总线。
[0089]
通常，以下装置可以连接至i/o接口：包括例如传感器或者视觉信息采集设备等的输入装置；包括例如显示屏等的输出装置；包括例如磁带、硬盘等的存储装置；以及通信装置。通信装置可以允许电子设备与其他设备(比如边缘计算设备)进行无线或有线通信以交换数据。但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
[0090]
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置从网络上被下载和安装，或者从存储装置被安装，或者从rom被安装。在该计算机程序被处理装置执行时，执行本公开实施例的多轨道insar的误差传递模型用于全视野数字图像分析生物标志物的自动质量控制方法的全部或部分步骤。
[0091]
有关本实施例的详细说明可以参考前述各实施例中的相应说明，在此不再赘述。
[0092]
根据本公开实施例的计算机可读存储介质，其上存储有非暂时性计算机可读指令。当该非暂时性计算机可读指令由处理器运行时，执行前述的本公开各实施例的多轨道insar的误差传递模型用于全视野数字图像分析生物标志物的自动质量控制方法的全部或部分步骤。
[0093]
上述计算机可读存储介质包括但不限于：光存储介质(例如：cd－rom和dvd)、磁光
存储介质(例如：mo)、磁存储介质(例如：磁带或移动硬盘)、具有内置的可重写非易失性存储器的媒体(例如：存储卡)和具有内置rom的媒体(例如：rom盒)。
[0094]
有关本实施例的详细说明可以参考前述各实施例中的相应说明，在此不再赘述。
[0095]
以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。
[0096]
在本公开中，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，本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0097]
另外，如在此使用的，在以“至少一个”开始的项的列举中使用的“或”指示分离的列举，以便例如“a、b或c的至少一个”的列举意味着a或b或c，或ab或ac或bc，或abc(即a和b和c)。此外，措辞“示例的”不意味着描述的例子是优选的或者比其他例子更好。
[0098]
还需要指出的是，在本公开的系统和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
[0099]
可以不脱离由所附权利要求定义的教导的技术而进行对在此所述的技术的各种改变、替换和更改。此外，本公开的权利要求的范围不限于以上所述的处理、机器、制造、事件的组成、手段、方法和动作的具体方面。可以利用与在此所述的相应方面进行基本相同的功能或者实现基本相同的结果的当前存在的或者稍后要开发的处理、机器、制造、事件的组成、手段、方法或动作。因而，所附权利要求包括在其范围内的这样的处理、机器、制造、事件的组成、手段、方法或动作。
[0100]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此，本公开不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0101]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

技术特征：
1.一种用于全视野数字图像分析生物标志物的自动质量控制方法，其特征在于，包括：构建域对抗神经网络；基于获取的全视野数字图像对域对抗神经网络进行训练，得到训练后的域对抗神经网络；基于训练后的域对抗神经网络对全视野数字图像分析生物标志物的质量进行控制。2.根据权利要求1所述的用于全视野数字图像分析生物标志物的自动质量控制方法，其特征在于，所述构建域对抗神经网络，包括：在初始网络基础上增加域鉴别器和梯度反转层，得到域对抗神经网络。3.根据权利要求1或2所述的用于全视野数字图像分析生物标志物的自动质量控制方法，其特征在于，所述基于获取的全视野数字图像对域对抗神经网络进行训练，得到训练后的域对抗神经网络，包括：对获取的全视野数字图像进行清洗；对清洗后的全视野数字图像中的图像块进行数据清洗；对清洗后的图像块进行标签清洗。4.根据权利要求3所述的用于全视野数字图像分析生物标志物的自动质量控制方法，其特征在于，所述对获取的全视野数字图像进行清洗，包括：提取全视野数字图像的图像特征；从提取的全视野数字图像的图像特征中使用k-s检验特征分布，得到正态分布差异最小特征；基于正态分布差异最小特征和3σ规则判定离群样本，删除离群样本。5.根据权利要求4所述的用于全视野数字图像分析生物标志物的自动质量控制方法，其特征在于，所述基于正态分布差异最小特征和3σ规则判定离群样本，删除离群样本，包括：删除偏离平均值超过正负标准差三倍的样本。6.根据权利要求3所述的用于全视野数字图像分析生物标志物的自动质量控制方法，其特征在于，所述对清洗后的全视野数字图像中的图像块进行数据清洗，包括：提取图像块的四个图像特征；基于提取的图像块的四个图像特征使用3σ规则识别离群图像块；删除离群图像块。7.根据权利要求6所述的用于全视野数字图像分析生物标志物的自动质量控制方法，其特征在于，所述四个图像特征，包括对比度、折叠像素占比、模糊像素占比和空白背景占比；对比度采用迈克尔逊对比度；折叠像素占比是在hsv颜色空间中，饱和度大于明度的像素点；模糊像素是经过拉普拉斯变换和高斯滤波后，值小于第一设定值的像素点；空白背景占比是灰度值大于第二设定值且连通面积大于第三设定值的像素点。8.根据权利要求7所述的用于全视野数字图像分析生物标志物的自动质量控制方法，其特征在于，所述第一设定值为0.05，所述第二设定值为0.9，所述第三设定值为100，所述灰度值的取值范围为[0,1]。
9.根据权利要求3所述的用于全视野数字图像分析生物标志物的自动质量控制方法，其特征在于，所述对清洗后的图像块进行标签清洗，包括：使用resnet34网络，通过5倍交叉验证计算图像块属于高表达的分子标志物的预测概率；基于图像块标签和预测概率通过置信度学习算法判定图像块属于设定标签的置信度，删除低置信度的图像块。10.一种用于全视野数字图像分析生物标志物的自动质量控制装置，其特征在于，包括：构建模块，用于构建域对抗神经网络；训练模块，用于基于获取的全视野数字图像对域对抗神经网络进行训练，得到训练后的域对抗神经网络；分析模块，用于基于训练后的域对抗神经网络对全视野数字图像分析生物标志物的质量进行控制。

技术总结
本发明公开一种用于全视野数字图像分析生物标志物的自动质量控制方法，包括：构建域对抗神经网络；基于获取的全视野数字图像对域对抗神经网络进行训练，得到训练后的域对抗神经网络；基于训练后的域对抗神经网络对全视野数字图像分析生物标志物的质量进行控制。通过构建域对抗神经网络，从而寻找源域和目标域间的不变特征，达到减少分布差异的目的。达到减少分布差异的目的。达到减少分布差异的目的。


技术研发人员：王冠方 姜彦 杨海龙 邢伟朋 杨家亮 田埂
受保护的技术使用者：元码基因科技（北京）股份有限公司
技术研发日：2023.06.16
技术公布日：2023/8/31