一种HER-2免疫组化病理切片分析方法、系统和可读存储介质技术方案

本发明专利技术公开了一种HER

【技术实现步骤摘要】
一种HER
‑
2免疫组化病理切片分析方法、系统和可读存储介质


[0001]本专利技术涉及病理图像处理领域，更具体的，涉及一种HER
‑
2免疫组化病理切片分析方法、系统和可读存储介质。

技术介绍

[0002]HER
‑
2全称是人类表皮生长因子受体2，是一种原癌基因。该基因为乳腺癌的主要致病相关基因，当癌细胞内的HER
‑
2基因高度表达时，细胞膜上会产生过多的HER
‑
2蛋白，剌激癌细胞的疯狂增长，增加癌细胞的侵袭性。随着乳腺癌发病率的增高和分子靶向治疗药物Herceptin的广泛应用，HER
‑
2的定量评级在乳腺癌的诊治中占有越来越重要的地位。所谓的评级是指在整张HER
‑
2免疫组化病理切片上寻找并计数阳性、阴性肿瘤细胞，完整、不完整膜阳性肿瘤细胞，以各个类型细胞的数量对切片进行0
‑
3分的评级。不同评级的HER
‑
2类型对应着不同的预后方案，因此在临床诊断中，HER
‑
2分级也作为病理医生为肿瘤患者进一步选择治疗方案的金标准。目前，HER
‑
2免疫组化病理切片分析需要经过专门培训的病理医生在显微镜下逐个寻找可疑性组织区域，而后根据自己累积的专业知识完成最终的病理诊断和HER2的评级估计。
[0003]然而临床病理医生工作任务极重，具体体现在以下几个方面，其一单张切片包含数十万计的各种类型的染色细胞，使得对于单张切片进行细胞寻找与计数是一项复杂的工作。其二，据权威媒体报道，病理医生日均阅片达到200张。因此病理科医生亟需一种自动化的HER2切片工具予以进行辅助分析。
[0004]然而，现有的最先进的病理图像分析算法是基于卷积神经网络(Convolutional Neural Network,CNN)打造的。CNN的一个显著的特点是具有平移不变性，这使得CNN无需在所有空间位置学习特征，显着减少了学习参数的数量。然而，对于HER2图像中的细胞而言，并没有全局的方向，细胞可能具有0
‑
360度的方向，需要将CNN的平移等变特性扩展为旋转的不变性。

技术实现思路

[0005]鉴于上述问题，本专利技术的目的是提供一种HER
‑
2免疫组化病理切片分析方法、系统和可读存储介质，能够有效提高HER
‑
2分析的准确性，以帮助病理科医生更加快速准确的完成HER
‑
2的定量评级。
[0006]本专利技术第一方面提供了一种HER
‑
2免疫组化病理切片分析方法，所述方法包括以下步骤：
[0007]构建并训练基于卷积神经网络的HER
‑
2免疫组化病理切片分析模型；
[0008]将待分析的HER
‑
2免疫组化病理切片图像输入HER
‑
2免疫组化病理切片分析模型进行分析，并输出分析结果。
[0009]本方案中，所述HER
‑
2免疫组化病理切片分析模型通过将卷积核替换到代数群卷积实现卷积的旋转不变性，从而使得卷积核可在旋转上学习特征。
[0010]本方案中，HER
‑
2免疫组化病理切片分析模型的旋转反射群由平移、镜面反射和围绕网格中任何旋转中心旋转90度的所有变换组合组成，旋转反射群此类变换由以下矩阵变换所定义：
[0011][0012]其中m∈{0，1}，代表镜像变换。0≤r＜4，代表了旋转阶。代表平移，表示二维整数域。
[0013]关于HER
‑
2免疫组化病理切片分析模型的卷积：
[0014]为更清楚的介绍本申请，首先回顾以下传统CNN中使用的卷积和相关运算的定义。在每一层l，一个常规的卷积将一堆特征映射作为输入。并将其与一组滤波器进行卷积或相关：
[0015][0016]其中，表示K
l
维实数域，x表示特征图二维空间坐标，y表示二维空间坐标，k表示通道索引，ψ表示卷积核，
★
表示卷积(相关)，i表示卷积核索引。
[0017]本方案中，HER
‑
2免疫组化病理切片分析模型的卷积操作通过平移滤波器然后计算与特征图的点积来计算的；
[0018]通过用来自群G的欧氏空间等距变换替换简单的平移，可得到了G
‑
CNN输入层中使用的G卷积：
[0019][0020]输入图像f和滤波器都是平面的函数，但特征图f
★
ψ是群G上的函数。该公式定义了平面的元素y与在群G中的g的卷积过程，滤波器以k作为索引进行遍历；因此，对于第一层之后的所有层，滤波器也必须是G上的函数，G卷积运算变为：
[0021][0022]其变化在于当前是输入不再是平面的元素，而是群元素(h∈G)。
[0023]本方案中，HER
‑
2免疫组化病理切片分析模型的群陪集池化应用于特征图非跨步最大池化操作被建模为一个操作符P，它作用于f：
[0024][0025]其中gU＝{gu|u∈U}是池域的g变换，g是旋转及镜像群的群元素。而gU构成了U的左陪集，gU等同于在池域U上进行了池化。
[0026]本方案中，HER
‑
2免疫组化病理切片分析模型在每次卷积之后，使用群等变批量归一化来聚合每个群的矩，以确保整个网络的旋转等变。
[0027]本方案中，HER
‑
2免疫组化病理切片分析模型中特征图视为G上的函数，在这种情况下，应用非线性的特征映射相当于函数组合。
[0028][0029]该函数通过用v对函数进行后组合来作用于函数。其中C
v
表示非线性映射，表示群操作。
[0030]本方案中，HER
‑
2免疫组化病理切片分析模型的架构在U
‑
Net相同分辨率的阶段之间增加了额外的跳跃连接；
[0031]此外，对HER
‑
2免疫组化病理切片分析模型增加了两个修改：1.不拼接跳跃特征图，而是将其进行元素加操作；2.使用中间残差块，应用A＝17个方向的旋转。
[0032]本方案中，HER
‑
2免疫组化病理切片分析模型在训练过程中，为了防止由于初始化不当而导致损失的梯度消失或爆炸，使梯度的方差在所有层中保持不变；第l层中c0通道x0位置的特定神经元的激活的梯度由下式给出：
[0033][0034]其中指标函数源于整流线性单元的导数，ε表示损失、表示遍历状态下通道，x位置的特定特征图、表示与c0通道相关的第通道第q个群变换的卷积核的权重，该权重是学习到的；表示卷积核，q代表群变换，x
‑
x0表示平移。
[0035]本专利技术第二方面提供一种HER
‑
2免疫组化病理切片分析系统，其特征在于，所述系统包括存本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种HER
‑
2免疫组化病理切片分析方法，其特征在于，所述方法包括以下步骤：构建并训练基于卷积神经网络的HER
‑
2免疫组化病理切片分析模型；将待分析的HER
‑
2免疫组化病理切片图像输入HER
‑
2免疫组化病理切片分析模型进行分析，并输出分析结果。2.根据权利要求1所述的一种HER
‑
2免疫组化病理切片分析方法，其特征在于，所述HER
‑
2免疫组化病理切片分析模型通过将卷积核替换为代数群卷积实现卷积的旋转不变性，从而使得卷积核可在旋转上学习特征。3.根据权利要求1或2所述的一种HER
‑
2免疫组化病理切片分析方法，其特征在于，HER
‑
2免疫组化病理切片分析模型的旋转反射群由平移、镜面反射和围绕网格中任何旋转中心旋转90度的所有变换组合组成，旋转反射群变换由以下矩阵变换所定义：其中m∈{0，1}，代表镜像变换，0≤r＜4，代表了旋转阶，代表平移，表示二维整数域。4.根据权利要求3所述的一种HER
‑
2免疫组化病理切片分析方法，其特征在于，HER
‑
2免疫组化病理切片分析模型的卷积操作通过平移滤波器然后计算与特征图的点积来计算的；通过用来自群G的欧氏空间等距变换替换简单的平移，得到G
‑
CNN输入层中使用的G卷积输入图像f和滤波器都是平面的函数，但特征图f
★
ψ是群G上的函数；该公式定义了平面的元素y与在群G中的g的卷积过程，滤波器以k作为索引进行遍历；因此，对于第一层之后的所有层，滤波器也必须是G上的函数，G卷积运算变为：其变化在于当前是输入不再是平面的元素，而是群元素(h∈G)。5.根据权利要求3或4任一项所述的一种HER
‑
2免疫组化病理切片分析方法，其特征在于，HER
‑
2免疫组化病理切片分析模型的群陪集池化应用于特征图非跨步最大池化操作被建模为一个操作符P，它作用于f：其中gU＝{gu|u∈U}是池域的g变换，g是旋转及镜像群的群元素；而gU构成了U的左陪集，gU等同于在池域U上进行了池化。6.根据权利要求5所述的一种HER
‑
2免疫组化病理切片分析方法，其特征在于，HER
‑
2免疫组化病理切片分析模型在每次卷积之后，使用群等变批量归一化来聚合每个群的矩，以确保整个网络的旋转等变...

【专利技术属性】
技术研发人员：杨林，李涵生，胡玲玉，林明珍，吴婷婷，李晶，崔磊，亢宇鑫，高敏，张妍妍，杨海英，
申请(专利权)人：阿斯利康无锡贸易有限公司，
类型：发明
国别省市：