【技术实现步骤摘要】
一种基于特性曲线的HER
‑
2免疫组化自动判读系统
[0001]本专利技术涉及病理诊断
,特别涉及一种基于特性曲线的HER
‑
2免疫组化自动判读系统。
技术介绍
[0002]目前,通过免疫组化(Immunohistochemistry,IHC)染色技术检测HER
‑
2(human epidermal growth factor receptor 2)蛋白,根据染色区域细胞膜完整度和深浅进行0,1+,2+,3+的评分。比如对浸润性乳腺癌,具体评分标准如下:0:无染色或≤10%的浸润性癌细胞呈现不完整的、微弱的细胞膜染色;1+:>10%的浸润性癌细胞呈现不完整、微弱的细胞膜染色;2+:>10%的浸润性癌细胞呈现弱
‑
中等的、完整的细胞膜染色或≤10%的浸润性癌细胞呈现强、完整的细胞膜染色;3+:>10%的浸润性癌细胞呈现强、完整、均匀的细胞膜染色。其中,0/1+将判为阴性,2+将做后续原位荧光杂交法(FISH)进一步判定,3+将判为阳性且可以应用靶向HER
‑
2药物。
[0003]随着人工技能的发展以及人工智能与医疗领域的结合,病理医生的缺失,通过传统的图像处理或机器学习,深度学习等人工智能技术在HER
‑
2自动判分技术上取得一定成效。但由于每个病理医生可能对评分判读评分理解不同,染色试剂不同导致染色颜色不统一,可训练的数据集缺少,标注成本高,训练集真值难统一 ...
【技术保护点】
【技术特征摘要】
1.一种基于特性曲线的HER
‑
2免疫组化自动判读系统,其特征在于,包括:图像归一化模块:用于将HER
‑
2的病理图片的颜色进行归一化处理,生成同色病理图像;前景背景分割模块:用于将所述同色病理图像前景和背景分割,生成二值化图像;前处理模块:用于将所述二值化图像碎片化,并将碎片后无效背景小于预设阀值的碎片图像作为待处理图像;染色区域提取模块:用于将所述待处理图像导入基于机器学习的聚类算法模型,确定只含有染色区域的目标图像;特性曲线生成模块:用于将所述目标图像的染色区域通过RGB控制键转换到HSV空间,并在HSV空间中生成特性曲线,并计算所述特性曲线的函数多项式特征;判读模块:用于根据所述函数多项式特征,对每个目标图像进行自动判读,确定每个目标图像的评分,并输入可视化人工智能分析设备,确定分析结果。2.如权利要求1所述的一种基于特性曲线的HER
‑
2免疫组化自动判读系统,其特征在于,所述图像归一化模块包括:图片获取单元:用于通过预设的扫描设备获取待处理病理图片;检测单元:用于将所述病理图片进行染色检测,确定每张待处理病理图片的染色试剂,并确定染色颜色;归一化处理单元:用于根据所述染色颜色,将所述待处理病理图片的颜色分布参数,并根据所述颜色分布参数将所述待处理病理图像进行颜色归一化处理,生成同色病理图像。3.如权利要求1所述的一种基于特性曲线的HER
‑
2免疫组化自动判读系统,其特征在于,所述图像归一化模块生成同色病理图像,还包括如下步骤:步骤1:根据所述归一化处理,确定同色病理图像中每个图像区域的归一化值:步骤1:根据所述归一化处理,确定同色病理图像中每个图像区域的归一化值:步骤1:根据所述归一化处理,确定同色病理图像中每个图像区域的归一化值:步骤1:根据所述归一化处理,确定同色病理图像中每个图像区域的归一化值:其中,T(i)表示第i个染色点的归一化特征参数;S
i
表示第i个染色区域的面积;i∈A表示第i个染色点为A区域的像素点;i∈min表示第i个染色点为为最小染色区域的像素点;i∈max表示第i个像素点为最大染色区域的像素点;n为正整数,i∈n;步骤2:根据所述归一化值,构建同色病理图像:
其中,Y
i
表示第i个染色点的颜色深度;δ表示拼接系数;G(x)表示X区域;B表示同色病理图像。4.如权利要求1所述的一种基于特性曲线的HER
‑
2免疫组化自动判读系统,其特征在于,所述前景背景分割模块包括:前景检测单元:用于对所述同色病理图像的染色区域和组织细胞进行检测,并将所述染色区域和组织细胞的区域作为前景图像;背景检测单元:用于根据所述前景图像,确定所述同色病理图像中的非前景图像部分,并将其作为无效背景图像;分割单元:用于根据所述前景图像和无效背景图像,对所述同色病理图像进行均匀分割,生成相同大小的分割图像;区分单元:用于将所述病理图像进行缩小,并在缩小后通过形态学开运算和闭运算,并根据运算结果和预设阀值进行组织区分,确定组...
【专利技术属性】
技术研发人员:王书浩,
申请(专利权)人:透彻影像北京科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。