一种基于深度学习的PD-1/PD-L1病理图片识别方法和装置制造方法及图纸

本申请涉及图像识别技术和医疗技术领域，提供了一种基于深度学习的PD‑1/PD‑L1病理图片识别方法，包括S1步骤：构建深度残差网络模型；S2步骤：获取经人工标记的PD‑1/PD‑L1免疫组织化学染色图片；S3步骤：在深度残差网络模型上用免疫组织化学染色图片构建PD‑1/PD‑L1病理染色图片识别模型；S4步骤：用识别模型识别待测患者的PD‑1/PD‑L1病理图片。本申请还提供相应的基于深度学习的PD‑1/PD‑L1病理图片识别装置、计算机设备和计算机可读存储介质。本申请的识别模型可以代替人工判断，正确、快速、稳定地判断病人体内的PD‑1/PD‑L1是否存在阳性表达。

【技术实现步骤摘要】
一种基于深度学习的PD-1/PD-L1病理图片识别方法和装置
本专利技术涉及图像识别技术和医疗
，具体涉及一种基于深度学习的PD-1/PD-L1病理图片识别方法和装置。
技术介绍
肿瘤是世界第一大病，肿瘤免疫疗法是一种通过重启并维持机体的肿瘤免疫循环，恢复机体正常的抗肿瘤免疫反应，从而控制与清除肿瘤的治疗方法。免疫细胞(如T细胞、B细胞及髓系细胞)会表达程序性死亡蛋白1(programmeddeath1,PD-1)对抗肿瘤细胞，而肿瘤细胞为抵抗免疫细胞对其攻击，则会产生该蛋白的相应配体，称为程序性死亡分子配体-1(programmeddeathligand1,PD-L1)。PD-L1与PD-1结合会产生一个分子信号，该信号会降低免疫细胞的活性，从而阻断了免疫细胞对肿瘤细胞的攻击，对人体免疫应答起到负调节作用。PD-1/PD-L1抗体药能够与免疫细胞的PD-1蛋白或者肿瘤细胞产生的PD-L1分子结合，使PD-1无法与PD-L1结合，从而使免疫细胞保持杀肿瘤细胞活性。PD-L1和PD-L1蛋白的表达与多种肿瘤直接相关。针对多种肿瘤的PD-1/PD-L1抗体药已在进行临床试验或者获得上市批准，包括黑色素瘤、肺癌、肾癌、膀胱癌、胃癌、卵巢癌、肝癌、乳腺癌、结直肠癌等。可以通过免疫组织化学染色法(IHC)来检测PD-1/PD-L1蛋白的表达情况，但目前对IHC染色图片的判读主要还是依靠人工肉眼来判读PD-1/PD-L1蛋白IHC染色图片所指示的阴阳性。这样做很耗人力和时间，并且肉眼判读存在主观性和受个人精神状况影响，使得结果可能出错或不稳定。近年来随着深度学习模型的发展，使用深度学习的工作环境成本不断下降，使用门槛降低，这使得在普通实验室搭建深度学习环境和利用其工作成为可能。但是，本领域仍没有基于深度学习的PD-1/PD-L1病理图片识别方法和装置。
技术实现思路
鉴于近年来深度学习在图像识别上的进展，本专利技术的目的在于提供一种基于深度学习的PD-1/PD-L1病理图片识别方法和装置，解决目前人为识别判读存在主观性和受个人精神状况影响，使得结果可能出错或不稳定的问题。因此，在一个方面，本专利技术提供一种基于深度学习的PD-1/PD-L1病理图片识别方法，该方法包括以下步骤：S1：构建深度残差网络模型；S2：获取经人工标记的PD-1/PD-L1免疫组织化学染色图片；S3：在该深度残差网络模型上用该经人工标记的PD-1/PD-L1免疫组织化学染色图片构建PD-1/PD-L1病理染色图片识别模型，包括以下分步骤：S31：图片处理分步骤，将该经人工标记的PD-1/PD-L1免疫组织化学染色图片进行处理，包括将图片分为训练集和验证集，其中对训练集的PD-1/PD-L1病理染色图片进行数据扩充以产生更多的图片，将图片归一化成相同的像素大小，并将图片转换成RGB数字信号读入生成numpy数组；S32：模型训练分步骤，用该训练集对该深度残差网络模型进行训练，确定训练系数；设置该深度残差网络模型最后一个全连接层的权值为“可训练”，其余层的权值为“不可训练”，使用该训练系数对该深度残差网络模型进行初步训练；设置该深度残差网络模型的全部层的权值为“可训练”，使用以该训练系数为起始的逐步衰减的训练系数，对该深度残差网络模型进行全参数训练；用该训练集的PD-1/PD-L1病理染色图片的扩充图片再次进行全参数训练，得到经训练的深度残差网络模型；S33：模型验证分步骤，用该验证集对该经训练的深度残差网络模型进行验证，最终构建出该PD-1/PD-L1病理染色图片识别模型；S4：用该PD-1/PD-L1病理染色图片识别模型识别待测患者的PD-1/PD-L1病理图片。进一步地，在该方法的S1步骤中，该深度残差网络模型为经使用大量的图片集作为预训练数据集进行了预训练的深度残差网络模型。进一步地，在该方法的S1步骤中，该深度残差网络模型为34层的深度残差网络模型。进一步地，在该方法的S2步骤中，该经人工标记的PD-1/PD-L1免疫组织化学染色图片的标记方法为：判断并计算肿瘤细胞数占总细胞数的百分比，该百分比大于1％标记为阳性，否则标记为阴性。进一步地，在该方法的S32步骤中，该训练系数为0.01，该逐步衰减的训练系数分别为0.01、0.001、0.0001。在第二方面，本专利技术提供一种基于深度学习的PD-1/PD-L1病理图片识别装置，该装置包括以下模块：M1：深度残差网络模型构建模块；M2：经人工标记的PD-1/PD-L1免疫组织化学染色图片获取模块；M3：PD-1/PD-L1病理染色图片识别模型构建模块，用于在该深度残差网络模型上用该经人工标记的PD-1/PD-L1免疫组织化学染色图片构建PD-1/PD-L1病理染色图片识别模型，包括以下分模块：M31：图片处理模块，用于将该经人工标记的PD-1/PD-L1免疫组织化学染色图片进行处理，包括将图片分为训练集和验证集，其中对训练集的PD-1/PD-L1病理染色图片进行数据扩充以产生更多的图片，将图片归一化成相同的像素大小，并将图片转换成RGB数字信号读入生成numpy数组；M32：模型训练模块，用于用该训练集对该深度残差网络模型进行训练，确定训练系数；设置该深度残差网络模型最后一个全连接层的权值为“可训练”，其余层的权值为“不可训练”，使用该训练系数对该深度残差网络模型进行初步训练；设置该深度残差网络模型的全部层的权值为“可训练”，使用以该训练系数为起始的逐步衰减的训练系数，对该深度残差网络模型进行全参数训练；用该训练集的PD-1/PD-L1病理染色图片的扩充图片再次进行全参数训练，得到经训练的深度残差网络模型；M33：模型验证模块，用于用该验证集对该经训练的深度残差网络模型进行验证，最终构建出该PD-1/PD-L1病理染色图片识别模型；M4：图片识别模块，用于用该PD-1/PD-L1病理染色图片识别模型识别待测患者的PD-1/PD-L1病理图片。进一步地，在该装置中，该深度残差网络模型构建模块包括预训练模块，用于使用大量的图片集作为预训练数据集对该深度残差网络模型进行预训练。进一步地，在该装置中，该深度残差网络模型为34层的深度残差网络模型。进一步地，在该装置中，该经人工标记的PD-1/PD-L1免疫组织化学染色图片的标记方法为：判断并计算肿瘤细胞数占总细胞数的百分比，该百分比大于1％标记为阳性，否则标记为阴性。在第三方面，本专利技术提供一种计算机设备，该计算机设备包括存储器、处理器和存储在该存储器中并可在该处理器中运行的计算机程序，其中该计算机程序用于执行根据本专利技术第一方面的基于深度学习的PD-1/PD-L1病理图片识别方法。在第四方面，本专利技术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有用于执行根据本专利技术第一方面的基于深度学习的PD-1/PD-L1病理图片识别方法的计算机程序。本专利技术利用PD-1/PD-L1病本文档来自技高网...

【技术保护点】
1.一种基于深度学习的PD-1/PD-L1病理图片识别方法，其特征在于，包括以下步骤：/nS1：构建深度残差网络模型；/nS2：获取经人工标记的PD-1/PD-L1免疫组织化学染色图片；/nS3：在所述深度残差网络模型上用所述经人工标记的PD-1/PD-L1免疫组织化学染色图片构建PD-1/PD-L1病理染色图片识别模型，包括以下分步骤：/nS31：图片处理分步骤，将所述经人工标记的PD-1/PD-L1免疫组织化学染色图片进行处理，包括将图片分为训练集和验证集，其中对训练集的PD-1/PD-L1病理染色图片进行数据扩充以产生更多的图片，将图片归一化成相同的像素大小，并将图片转换成RGB数字信号读入生成numpy数组；/nS32：模型训练分步骤，用所述训练集对所述深度残差网络模型进行训练，确定训练系数；设置所述深度残差网络模型最后一个全连接层的权值为“可训练”，其余层的权值为“不可训练”，使用所述训练系数对所述深度残差网络模型进行初步训练；设置所述深度残差网络模型的全部层的权值为“可训练”，使用以所述训练系数为起始的逐步衰减的训练系数，对所述深度残差网络模型进行全参数训练；用所述训练集的PD-1/PD-L1病理染色图片的扩充图片再次进行全参数训练，得到经训练的深度残差网络模型；/nS33：模型验证分步骤，用所述验证集对所述经训练的深度残差网络模型进行验证，最终构建出所述PD-1/PD-L1病理染色图片识别模型；/nS4：用所述PD-1/PD-L1病理染色图片识别模型识别待测患者的PD-1/PD-L1病理图片。/n...

【技术特征摘要】
1.一种基于深度学习的PD-1/PD-L1病理图片识别方法，其特征在于，包括以下步骤：
S1：构建深度残差网络模型；
S2：获取经人工标记的PD-1/PD-L1免疫组织化学染色图片；
S3：在所述深度残差网络模型上用所述经人工标记的PD-1/PD-L1免疫组织化学染色图片构建PD-1/PD-L1病理染色图片识别模型，包括以下分步骤：
S31：图片处理分步骤，将所述经人工标记的PD-1/PD-L1免疫组织化学染色图片进行处理，包括将图片分为训练集和验证集，其中对训练集的PD-1/PD-L1病理染色图片进行数据扩充以产生更多的图片，将图片归一化成相同的像素大小，并将图片转换成RGB数字信号读入生成numpy数组；
S32：模型训练分步骤，用所述训练集对所述深度残差网络模型进行训练，确定训练系数；设置所述深度残差网络模型最后一个全连接层的权值为“可训练”，其余层的权值为“不可训练”，使用所述训练系数对所述深度残差网络模型进行初步训练；设置所述深度残差网络模型的全部层的权值为“可训练”，使用以所述训练系数为起始的逐步衰减的训练系数，对所述深度残差网络模型进行全参数训练；用所述训练集的PD-1/PD-L1病理染色图片的扩充图片再次进行全参数训练，得到经训练的深度残差网络模型；
S33：模型验证分步骤，用所述验证集对所述经训练的深度残差网络模型进行验证，最终构建出所述PD-1/PD-L1病理染色图片识别模型；
S4：用所述PD-1/PD-L1病理染色图片识别模型识别待测患者的PD-1/PD-L1病理图片。


2.根据权利要求1所述的基于深度学习的PD-1/PD-L1病理图片识别方法，其特征在于，在所述S1步骤中，所述深度残差网络模型为经使用大量的图片集作为预训练数据集进行了预训练的深度残差网络模型。


3.根据权利要求1或2所述的基于深度学习的PD-1/PD-L1病理图片识别方法，其特征在于，在所述S1步骤中，所述深度残差网络模型为34层的深度残差网络模型。


4.根据权利要求1或2所述的基于深度学习的PD-1/PD-L1病理图片识别方法，其特征在于，在所述S2步骤中，所述经人工标记的PD-1/PD-L1免疫组织化学染色图片的标记方法为：判断并计算肿瘤细胞数占总细胞数的百分比，所述百分比大于1％标记为阳性，否则标记为阴性。


5.根据权利要求1或2所述的基于深度学习的PD-1/PD-L1病理图片识别方法，其特征在于，在所述S32步骤中，所述训练系数为0.01，所述逐步衰减的训练系数分别为0.01、0.001、0.0001。


6.一种基于深度学习的PD-1/PD-L1病理图片识别装置，其特征在...

【专利技术属性】
技术研发人员：但旭，李淼，聂新华，陈超，
申请(专利权)人：深圳裕策生物科技有限公司，
类型：发明
国别省市：广东;44