基于Unet模型的生物标志物预测系统、方法、设备技术方案

本发明专利技术属于医学图像处理领域，具体涉及一种基于Unet模型的生物标志物预测方法、系统、设备，旨在解决现有的生物标志物获取系统中得到TME中关键生物标志物成分的表达和分布信息的质量较差、在获取过程中容易损伤样本以及过于依赖专业人士主观判断的问题。本发明专利技术系统包括：图像采集模块，配置为采集待预测的苏木精

【技术实现步骤摘要】
基于Unet模型的生物标志物预测系统、方法、设备


[0001]本专利技术属于医学图像处理领域，具体涉及一种基于Unet模型的生物标志物预测系统、方法、设备。

技术介绍

[0002]近年来，肿瘤免疫治疗随着肿瘤学、免疫学等学科的发展，在理论和临床上发展迅速，而肿瘤微环境(tumor microenvironment，TME)正是肿瘤免疫疗法能否响应的关键因素之一，TME是指肿瘤发生和发展过程中所处的内环境，由肿瘤细胞，多种免疫细胞和间质细胞及肿瘤微血管等组成。分析并重塑TME，进而扭转肿瘤的免疫抑制状态，已经成为抗肿瘤的有效途径之一。
[0003]目前，对TME的分析通常采用多光谱免疫荧光染色(multiplexed immunohistochemistry,mIHC)技术，该项技术可以通过生物实验的方式在同一样本上同时检测多个目标免疫荧光靶点，从而获取生物细胞标志物的表达和分布信息。
[0004]然而，mIHC技术存在明显的不足，如技术相对复杂、成本高、容易出现损伤样本以及串色等情况影响实验精度。并且多光谱染色结果通常需要病理学家进行人工判读，很大程度上依赖于判读人员的专业性，存在一定的主观性。因此，临床实践上需要一种可以对多种细胞免疫荧光靶点进行精准预测并且可以规避mIHC弊端的技术，通过深度学习的技术实现对细胞荧光靶点的预测，能够更低成本、更高质量地获取TME中关键生物标志物成分的表达和分布信息，以指导临床实践。基于此，本专利技术提出了一种基于Unet模型的生物标志物预测系统。
专利技术内容
[0005]为了解决现有技术中的上述问题，即为了解决现有的生物标志物获取系统中得到TME中关键生物标志物成分的表达和分布信息的质量较差、在获取过程中容易损伤样本以及过于依赖专业人士主观判断的问题，本专利技术提出了一种基于Unet模型的生物标志物预测系统，该系统包括：图像采集模块、预测模块；
[0006]所述图像采集模块，配置为采集待预测的苏木精
‑
伊红染色病理图像，作为输入图像；
[0007]所述预测模块，配置为通过训练好的生物标注物预测模型获取所述输入图像的生物标志物表达和分布信息；
[0008]所述生物标注物预测模型基于Unet模型构建；其中，所述Unet模型的编码器在除最后一次最大池化外，每次最大池化后的特征分别经过两个卷积模块、四个卷积模块、六个卷积模块进行卷积处理，然后进行特征融合，融合后再次经过两个卷积模块卷积处理，将卷积处理后的特征作为下一最大池化层的输入特征和跳层连接的特征；
[0009]所述卷积模块由卷积层、层标准化以及Relu激励函数构成。
[0010]在一些优选的实施方式中，所述生物标注物预测模型，其训练方法为：
[0011]步骤A301，加载所要训练的生物标志物预测模型，随机初始化生物标志物预测模型的参数，迭代次数初始化为1；
[0012]步骤A302，获取标注数据，并对标注数据进行预处理；所述标注数据包括苏木精
‑
伊红染色病理图像及其对应的生物标志物表达和分布信息标签；
[0013]步骤A303，对预处理后的标注数据进行归一化处理，并将归一化处理后的标注数据按照比例划分为训练集和验证集；
[0014]步骤A304，利用生物标注物预测模型对归一化处理后训练集中的苏木精
‑
伊红染色病理图像进行语义提取，并完成分割，输出分割预测结果，即生物标志物表达和分布信息的预测结果；
[0015]步骤A305，基于分割预测结果、生物标志物表达和分布信息标签，通过预设的第一损失函数计算损失值；
[0016]步骤A306，根据所述损失值进行反向传播调整生物标注物预测模型的网络参数；
[0017]步骤A307，每训练完一次，迭代次数加1；
[0018]步骤A308，在训练次数未达到设定训练次数的情况下，重复执行步骤302～307；
[0019]步骤A309，若训练次数达到设定训练次数，则加载验证集中的标注数据，对生物标注物预测模型性能进行验证并记录验证结果；
[0020]步骤A310，若生物标注物预测模型性能的验证结果超过之前记录的最优的验证结果或未能超过最优的验证结果但距离上次获得最优的验证结果之间经过的迭代次数未超过阈值，则重复步骤302～307；
[0021]步骤A311，若生物标注物预测模型的性能的验证结果未能超过之前记录的最优的验证结果，且距离上次获得最优的验证结果之间经过的迭代次数超过阈值，则保留在验证集上性能最优的验证结果的生物标注物预测模型作为最终训练好的生物标注物预测模型。
[0022]在一些优选的实施方式中，所述生物标注物预测模型，其半监督训练方法为：
[0023]步骤A401，加载所要训练的生物标注物预测模型，随机初始化生物标志物预测模型参数，迭代次数初始化为1；
[0024]步骤A402，获取标注数据、未标注数据，并进行预处理、归一化处理；所述未标注数据包括苏木精
‑
伊红染色病理图像；将归一化处理后的标注数据和未标注数据分别按照比例划分为训练集和验证集；
[0025]步骤A403，将归一化处理后训练集中的标注数据中的苏木精
‑
伊红染色病理图像、未标注数据中的苏木精
‑
伊红染色病理图像分别输入生物标注物预测模型，得到分割预测结果，作为标注数据的预测结果、未标注数据的预测结果；并基于获取的标注数据的预测结果，结合生物标志物表达和分布信息标签，通过预设的第一损失函数，得到损失值，作为分割网络监督部分损失；
[0026]步骤A404，将未标注数据中的苏木精
‑
伊红染色病理图像及生物标注物预测模型输出的未标注数据的预测结果输入鉴别网络，与理想鉴别结果对比，通过预设的第二损失函数，作为分割网络一致性损失；所述鉴别网络基于卷积神经网络CNN构建；
[0027]步骤A405，分割网络监督部分损失和分割网络一致性损失加权求和，作为总损失，并进行反向传播，调整生物标注物预测模型的网络参数；
[0028]步骤A406，将未标注数据及分割网络输出结果输入鉴别网络，计算交叉熵损失，作
为鉴别网络的损失，并进行反向传播，调整鉴别网络的参数；
[0029]步骤A407，每训练完一次，迭代次数加1；
[0030]步骤A408，在训练次数未达到设定的训练次数的情况下，重复执行步骤402～407；
[0031]步骤A409，若训练次数达到设定的训练次数，加载验证集，对生物标注物预测模型性能进行验证并记录验证结果；
[0032]步骤A410，若生物标注物预测模型性能的验证结果超过之前记录的最优的验证结果或未能超过最优的验证结果但距离上次获得最优的验证结果之间经过的迭代次数未超过阈值，则重复步骤402～407；
[0033]步骤A411，若生物标注物预测模型的性能的验证结果未能超过之前记录的最优的验本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Unet模型的生物标志物预测系统，其特征在于，该系统包括：图像采集模块、预测模块；所述图像采集模块，配置为采集待预测的苏木精
‑
伊红染色病理图像，作为输入图像；所述预测模块，配置为通过训练好的生物标注物预测模型获取所述输入图像的生物标志物表达和分布信息；所述生物标注物预测模型基于Unet模型构建；其中，所述Unet模型的编码器在除最后一次最大池化外，每次最大池化后的特征分别经过两个卷积模块、四个卷积模块、六个卷积模块进行卷积处理，然后进行特征融合，融合后再次经过两个卷积模块卷积处理，将卷积处理后的特征作为下一最大池化层的输入特征和跳层连接的特征；所述卷积模块由卷积层、层标准化以及Relu激励函数构成。2.根据权利要求1所述的基于Unet模型的生物标志物预测系统，其特征在于，所述生物标注物预测模型，其监督训练方法为：步骤A301，加载所要训练的生物标志物预测模型，随机初始化生物标志物预测模型的参数，迭代次数初始化为1；步骤A302：获取标注数据，并对标注数据进行预处理；所述标注数据包括苏木精
‑
伊红染色病理图像及其对应的生物标志物表达和分布信息标签；步骤A303：对预处理后的标注数据进行归一化处理，并将归一化处理后的标注数据按照比例划分为训练集和验证集；步骤A304，利用生物标注物预测模型对归一化处理后训练集中的苏木精
‑
伊红染色病理图像进行语义提取，并完成分割，输出分割预测结果，即生物标志物表达和分布信息的预测结果；步骤A305，基于分割预测结果、生物标志物表达和分布信息标签，通过预设的第一损失函数计算损失值；步骤A306，根据所述损失值进行反向传播调整生物标注物预测模型的网络参数；步骤A307，每训练完一次，迭代次数加1；步骤A308，在训练次数未达到设定训练次数的情况下，重复执行步骤302～307；步骤A309，若训练次数达到设定训练次数，则加载验证集中的标注数据，对生物标注物预测模型性能进行验证并记录验证结果；步骤A310，若生物标注物预测模型性能的验证结果超过之前记录的最优的验证结果或未能超过最优的验证结果但距离上次获得最优的验证结果之间经过的迭代次数未超过阈值，则重复步骤302～307；步骤A311，若生物标注物预测模型的性能的验证结果未能超过之前记录的最优的验证结果，且距离上次获得最优的验证结果之间经过的迭代次数超过阈值，则保留在验证集上性能最优的验证结果的生物标注物预测模型作为最终训练好的生物标注物预测模型。3.根据权利要求2所述的基于Unet模型的生物标志物预测系统，其特征在于，所述生物标注物预测模型，其半监督训练方法为：步骤A401，加载所要训练的生物标注物预测模型，随机初始化生物标志物预测模型参数，迭代次数初始化为1；步骤A402，获取标注数据、未标注数据，并进行预处理、归一化处理；所述未标注数据包
括苏木精
‑
伊红染色病理图像；将归一化处理后的标注数据和未标注数据分别按照比例划分为训练集和验证集；步骤A403，将归一化处理后训练集中的标注数据中的苏木精
‑
伊红染色病理图像、未标注数据中的苏木精
‑
伊红染色病理图像分别输入生物标注物预测模型，得到分割预测结果，作为标注数据的预测结果、未标注数据的预测结果；并基于获取的标注数据的预测结果，结合生物标志物表达和分布信息标签，通过预设的第一损失函数，得到损失值，作为分割网络监督部分损失；步骤A404，将未标注数据中的苏木精
‑
伊红染色病理图像及生物标注物预测模型输出的未标注数据的预测结果输入鉴别网络，与理想鉴别结果对比，通过预设的第二损失函数，作为分割网络一致性损失；所述鉴别网络基于卷积神经网络CNN构建；步骤A405，分割网络监督部分损失和分割网络一致性损失加权求和，作为总损失，并进行反向传播，调整生物标注物预测模型的网络参数；步骤A406，将未标注数据及分割网络输出结果输入鉴别网络，计算交叉熵损失，作为鉴别网络的损失，并进行反向传播，调整鉴别网络的参数；步骤A407，每训练完一次，迭代次数加1；步骤A408，在训练次数未达到设定的训练次数的情况下，重复执行步骤402～407；步骤A409，若训练次数达到设定的训练次数，加载验证集，对生物标注物预测模型性能进行验证并记录验证结果；步骤A410，若生物标注物预...

【专利技术属性】
技术研发人员：田捷，杜洋，彭正耀，边畅，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：