【技术实现步骤摘要】
基于图卷积神经网络识别微卫星不稳定性状态的方法
[0001]本专利技术涉及计算机医学图像信息处理
,特别涉及一种基于图卷积神经网络从病理图片识别微卫星不稳定性状态的方法(a GNN method to predict the MSI status of stained pathological images,缩写WiseMSI
@
G)、电子设备及计算机可读存储介质。
技术介绍
[0002]微卫星不稳定性(Microsatellite Instability,MSI)是指由于错配修复或复制错误等引起的简单重复序列的增加或丢失,导致微卫星的长度发生改变。MSI发生的主要原因是参与配对错误修复的基因功能发生缺陷,因而不能正常的校正复制错误,引起微卫星的DNA发生改变,使其不能正常地发挥调控作用。MSI容易导致细胞增殖及分化异常,甚至促发恶性肿瘤形成。与正常组织相比,在肿瘤中的微卫星更容易导致微卫星长度发生改变。研究表明MSI与结直肠癌、胃癌、子宫内膜癌等肿瘤发生密切相关。其中大约15%的散发性结直肠癌与MS ...
【技术保护点】
【技术特征摘要】
1.一种基于图卷积神经网络识别微卫星不稳定性状态的方法,其特征在于,包括如下步骤:S1、获得对患者组织样本进行细胞染色后的目标病理切片图;S2、从所述目标病理切片图中筛选出组织区域,并将所有组织区域切分为第一预设分辨率的小图片;S3、确定每一小图片包含肿瘤区域的概率,筛选出所有概率满足预设条件的小图片,并记录所筛选出的小图片左上角在所述目标病理切片图中的坐标;S4、随机选择N个已记录的小图片的坐标,根据每个坐标在所述目标病理切片图中向下向右切分出第二预设分辨率的肿瘤小图片;S5、针对每一肿瘤小图片,检测其中的细胞核,将每一细胞核的中心作为节点,对每个节点进行特征提取,生成该肿瘤小图片的节点特征,以及使用最远点采样和随机采样对该肿瘤小图片进行节点重采样并使用KNN算法构造图形边,生成该肿瘤小图片的邻接矩阵;S6、将每一肿瘤小图片的节点特征和邻接矩阵输入到预先训练好的图卷积模型中,获得该肿瘤小图片的MSI分数;S7、计算N张肿瘤小图片的MSI分数的平均值,作为所述目标病理切片图的MSI分数。2.如权利要求1所述的基于图卷积神经网络识别微卫星不稳定性状态的方法,其特征在于,在步骤S4中,所述根据每个坐标在所述目标病理切片图中向下向右切分出第二预设分辨率的肿瘤小图片,包括:根据每个坐标在所述目标病理切片图中向下向右切分出分辨率大于所述第二预设分辨率的中间肿瘤小图片;将每个中间肿瘤小图片的分辨率压缩至所述第二预设辨率,得到所述第二预设分辨率的肿瘤小图片。3.如权利要求1或2所述的基于图卷积神经网络识别微卫星不稳定性状态的方法,其特征在于,若切分出的第二预设分辨率的肿瘤小图片之间有重叠部分,则重新随机选择N个已记录的小图片的坐标,直到切分出的第二预设分辨率的肿瘤小图片之间不再有重叠部分。4.如权利要求1所述的基于图卷积神经网络识别微卫星不稳定性状态的方法,其特征在于,在步骤S5中,针对每一肿瘤小图片,检测其中的细胞核的方法包括:将每一肿瘤小图片输入到预先训练好的细胞核划分模型中,识别出各肿瘤小图片中的细胞核,所述细胞核划分模型为卷积神经网络模型。5.如权利要求4所述的基于图卷积神经网络识别微卫星不稳定性状态的方法,其特征在于,所述细胞核划分模型为HoVer
‑
Net预训练模型,模型参数为CoNSep checkpoint。6.如权利要求1所述的基于图卷积神经网络识别微卫星不稳定性状态的方法,其特征在于,在步骤S5中,对每个节点提取的特征包括:细胞核的平均核强度,平均前后背景差,核强度标准差,核强度偏斜度,核强度平均熵,异质性灰度共生矩阵,同质性灰度共生矩阵,灰度共生矩阵能量,灰度共生矩阵的纹理属性,偏心率,面积,最大轴长,最小轴长,周长,实心度,方向,核心坐标。7.如权利要求1所述的基于图卷积神经网络识别微卫星不稳定性状态的方法,其特征在于,在步骤S5中,采用如下公式生成每一肿瘤小图片的邻接矩阵A:
其中,KNN(i)表示距离节点i的欧几里得距离最近的预设数量个节点的集合,D(i,j)示节点i和节点j的欧几里得距离,d为预设值。8.如权利要求1所述的基于图卷积神经网络识别微卫星不稳定性状态的方法,其特征在...
【专利技术属性】
技术研发人员:全雪萍,严令华,蔡微菁,习铖杭,
申请(专利权)人:常州桐树生物科技有限公司,
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。