本發明涉及醫學圖像處理和人工智能，特別涉及一種熒光原位雜交圖像跨區間精準計數方法及其應用。
背景技術：
1、熒光原位雜交（fish）技術是評估乳腺癌her2基因擴增狀態的金標準，其核心任務是對細胞核內的紅色熒光（her2）和綠色熒光（cep17）探針信號進行精確計數。臨床診斷中，信號計數值（r值）的跨度極大，從r=0至r=30以上不等，而r=2與r=3、r=5與r=6等相鄰臨界點直接決定了陰性、臨界、陽性的診斷分類，對計數精度提出了極高要求。
2、現有技術普遍采用基于卷積神經網絡的單頭回歸模型對整個數值范圍進行統一建模。該方案在網絡末端設置單一回歸頭，通過最小化均方誤差等損失函數同時擬合所有計數目標。然而，由于低值區樣本數量遠多于高值區，且低值區要求極小的預測誤差，高值區數值跨度量級大，單一模型的梯度更新方向在兩者之間產生沖突，導致低值區精度天花板難以突破、高值區預測方差過大的問題。
3、此外，部分方案嘗試采用“先分類后回歸”的級聯架構緩解跨度問題，即由分類器判定所屬數值區間，再交由對應專家模型處理。但在分類閾值附近，分類器輸出的微小概率波動會導致后端模型發生硬切換，輸出結果在r=9與r=10等臨界邊界產生劇烈跳變，違背了計數值作為連續生理量應具有的平滑特性，在臨床關鍵決策區引入了新的不確定性。
技術實現思路
1、本發明實施例提供了一種熒光原位雜交圖像跨區間精準計數方法及其應用，針對現有技術依賴單一模型強行擬合全量程數據導致跨區間預測精度不均衡，且在采用級聯架構時極易在分類邊界處產生違背連續生理量特性的階躍式輸出跳變現象等問題。
2、本發明核心技術主要是通過路由網絡輸出連續置信度，而非直接執行離散分流，并將該連續置信度作為三段式動態連續融合——高置信硬切換、中等置信線性軟融合、低置信平滑映射融合——的調控信號，協同針對不同數值區間獨立優化的多專家分治網絡，實現從fish細胞圖像到無跳變跨區間精準計數值的端到端轉換。
3、第一方面，本發明提供了一種熒光原位雜交圖像跨區間精準計數方法，所述方法包括以下步驟：
4、獲取待計數的熒光原位雜交細胞圖像，經標準化預處理生成標準化圖像張量；
5、將標準化圖像張量輸入路由網絡，輸出表征細胞圖像屬于預設高值區間的連續置信度概率；
6、將標準化圖像張量分別輸入針對第一數值區間優化的第一計數網絡和針對第二數值區間優化的第二計數網絡，獲取第一精煉預測值和第二精煉預測值；
7、基于連續置信度概率與預設閾值的比較結果，執行三段式動態連續融合：當判定為高置信度狀態時，直接輸出對應概率占優的計數網絡的精煉預測值作為最終計數值；當判定為中等置信度狀態時，以連續置信度概率為權重對兩個計數網絡的精煉預測值執行線性加權融合，輸出最終計數值；當判定為低置信度狀態時，利用平滑映射函數將連續置信度概率映射為平滑權重，并以平滑權重對兩個計數網絡的精煉預測值執行非線性加權融合，輸出最終計數值。
8、進一步地，獲取待計數的熒光原位雜交細胞圖像，經標準化預處理生成標準化圖像張量，包括：
9、獲取包含紅、綠、藍三通道的熒光原位雜交細胞圖像并進行歸一化；
10、通過輸入層通道注意力機制，引入可學習參數為各通道自適應分配特征提取權重，輸出標準化圖像張量。
11、進一步地，第一計數網絡采用直接回歸任務頭與序數回歸任務頭并行的雙頭架構；
12、在訓練階段，第一計數網絡的損失函數中施加復合動態權重，復合動態權重為單樣本個體基礎權重與靜態臨界區間權重的乘積，且受動態權重上限截斷；
13、其中，單樣本個體基礎權重基于該樣本在全局采樣中的累計總次數更新其滑動平均預測誤差而動態生成，靜態臨界區間權重為依據臨床診斷指南預設的分段靜態常數，動態權重上限隨模型遍歷訓練集的輪次按指數衰減。
14、進一步地，第二計數網絡采用回歸任務頭與粗粒度分類任務頭并行的雙頭架構；
15、在訓練階段，第二計數網絡的回歸損失函數采用冪次尺度壓縮變換，將預測值與真實標簽值分別進行冪次壓縮后在壓縮空間中計算誤差；
16、第二精煉預測值的獲取方式為：將粗粒度分類任務頭輸出的各粗粒度類別概率與對應的預設統計學代表值加權求和得到分類期望值，將回歸任務頭輸出的回歸預測值與分類期望值按預設比例進行加權融合。
17、進一步地，第一精煉預測值的獲取方式為：
18、以第一計數網絡中直接回歸任務頭輸出的回歸預測值為錨點，構建掩碼約束窗口；
19、在掩碼約束窗口限定的鄰域范圍內，搜索序數回歸任務頭輸出的離散概率分布中最大概率對應的整數計數值；
20、將回歸預測值與整數計數值按預設比例進行加權融合，得到第一精煉預測值。
21、進一步地，當判定為低置信度狀態時，利用平滑映射函數將連續置信度概率映射為平滑權重，包括：
22、將連續置信度概率輸入s型中心對稱映射函數，s型中心對稱映射函數包含可調節的陡峭度參數，使得當連續置信度概率在其中心對稱點附近波動時，輸出的平滑權重連續可導。
23、進一步地，在訓練第一計數網絡時，其聯合損失函數還包括針對綠色探針信號的輔助監督損失項，輔助監督損失項由綠色探針信號預測值與真實值的平滑l1損失和均方誤差的組合構成。
24、第二方面，本發明提供了一種熒光原位雜交圖像跨區間精準計數裝置，包括：
25、圖像預處理模塊，用于獲取待計數的熒光原位雜交細胞圖像，經標準化預處理生成標準化圖像張量；
26、動態路由模塊，用于將標準化圖像張量輸入路由網絡，輸出表征細胞圖像屬于預設高值區間的連續置信度概率；
27、雙專家分治模塊，用于將標準化圖像張量分別輸入針對第一數值區間優化的第一計數網絡和針對第二數值區間優化的第二計數網絡，獲取第一精煉預測值和第二精煉預測值；
28、動態連續融合模塊，用于基于連續置信度概率與預設閾值的比較結果，執行三段式動態連續融合：當判定為高置信度狀態時，直接輸出對應概率占優的計數網絡的精煉預測值作為最終計數值；當判定為中等置信度狀態時，以連續置信度概率為權重對兩個計數網絡的精煉預測值執行線性加權融合，輸出最終計數值；當判定為低置信度狀態時，利用平滑映射函數將連續置信度概率映射為平滑權重，并以平滑權重對兩個計數網絡的精煉預測值執行非線性加權融合，輸出最終計數值。
29、第三方面，本發明提供了一種電子裝置，包括存儲器和處理器，存儲器中存儲有計算機程序，處理器被設置為運行計算機程序以執行上述的熒光原位雜交圖像跨區間精準計數方法。
30、第四方面，本發明提供了一種可讀存儲介質，可讀存儲介質中存儲有計算機程序，計算機程序包括用于控制過程以執行過程的程序代碼，過程包括根據上述的熒光原位雜交圖像跨區間精準計數方法。
31、本發明的主要貢獻和創新點如下：
32、1.系統架構層面實現數值跨度問題的分治化解：通過將原始的大跨度計數任務分解為不同數值區間的子任務并分別由獨立專家網絡處理，從根本上避免了單一模型在多量級目標上的梯度沖突，使得低值區和高值區的精度可各自獨立最優化。
33、2.臨床臨界區計數精度極限突破：通過在低值專家網絡的訓練中引入復合動態權重，將基于歷史累積誤差的樣本級長期難例追蹤與基于臨床診斷指南的臨界區間靜態權重相乘耦合，持續將優化資源聚焦于r=5-9等臨床關鍵決策區間，顯著壓縮了臨界區的計數誤差。
34、3.高值區回歸的梯度均衡：通過對高值專家網絡施加冪次尺度空間重塑損失，將物理計數空間非線性映射至壓縮空間計算誤差，自動削弱大數值誤差的梯度主導效應、相對增強小數值誤差的懲罰力度，使不同量級樣本對網絡訓練的貢獻趨于均衡。
35、4.有效消除跨區間邊界輸出跳變：采用基于連續置信度的三段式動態融合替代常規的離散硬切換。特別是在低置信度段引入s型中心對稱平滑映射函數，當置信度在0.5附近波動時，融合權重連續可導，從數學上消除了傳統級聯系統在r=9與r=10等關鍵分類邊界處產生的輸出跳變，保證了計數值作為連續診斷量的平滑性與臨床可信度。
36、5.高值區間開集擴展能力增強：高值專家網絡通過“回歸頭主導預測、粗粒度分類頭提供結構錨定”的雙頭協同機制，在不設置硬編碼上限的前提下，有效防止回歸預測向低值區嚴重漂移，賦予了模型對訓練數據未見過的極高位計數值的穩定泛化能力。
37、本發明的一個或多個實施例的細節在以下附圖和描述中提出，以使本發明的其他特征、目的和優點更加簡明易懂。