基于深度学习的IHC膜浆表达病理图像的癌区分割方法技术

本发明专利技术实施例提供一种基于深度学习的IHC模浆病理图像的癌区分割方法及装置，所述方法包括：获取包含IHC癌区染色的全片数字病理图像；对全片数字病理图像进行筛选特征区域并进行癌区与非癌区标注，得到对应的标签数据，对全片数据病理的真实图像及标签数据进行对应性的随机裁剪；将裁剪后图像及标签数据输入模型进行训练，直至模型性能数据达到预设标准；获取待分析的目标图像，根据随机裁剪的图像大小对目标图像进行随机裁剪并输入卷积神经网络模型，得到目标图像的癌区裁剪图像并拼接，得到目标图像的癌区图像。采用本方法能够对整个数字病理切片图像进行自动分析，对上皮来源性肿瘤的IHC膜浆表达标记物染色全片数字病理图像进行精准的癌区分割。图像进行精准的癌区分割。图像进行精准的癌区分割。

【技术实现步骤摘要】
基于深度学习的IHC膜浆表达病理图像的癌区分割方法


[0001]本专利技术涉及病理图像
，尤其涉及一种基于深度学习的IHC膜浆表达病理图像的癌区分割方法及装置。

技术介绍

[0002]目前肿瘤免疫治疗已经成为肿瘤治疗的有效方法之一。这是继手术、放疗、化疗等传统治疗方法后快速发展的新一代肿瘤治疗方法，与手术、放疗和化疗等传统的治疗手段相比，肿瘤免疫治疗具有特异性强，副作用小的优点，目前已经成为上皮来源恶性肿瘤的主要治疗方法。免疫组织化学染色技术（Immunohistochemistry，简称免疫组化，IHC）是一种广泛用于病理领域用于辅助肿瘤病理诊断及指导肿瘤治疗的染色方法。其通过抗原抗体酶标显色的化学反应方法，对组织细胞中特定的蛋白质（抗原）进行染色，反映组织中的细胞形态及特定的功能蛋白分子表达情况。免疫组化在肿瘤诊断的作用：判断良恶性；确定肿瘤分期；判断细胞属性；确定来源不明的转移瘤的原发部位；对「未分类」恶性肿瘤的分类；对不同器官和组织交界处肿瘤的进一步分类，发现微小转移灶，治疗及预后，药物靶点选择等等。免疫组织化学检测结果可为病理诊断提供重要信息，指导临床医师准确诊断肿瘤，指导临床医师制定治疗方案和治疗方案。准确判断肿瘤免疫组织化学检查结果和肿瘤细胞的阳性率，直接影响到肿瘤的诊断和治疗效果。因此对肿瘤组织和细胞的准确判断尤为重要。对免疫组化染色结果的判读，需要根据特定的检测标记物的表达模式，判断肿瘤组织或特定的组织结构中的细胞阳性率。准确判断肿瘤组织，是精准判读的基础。
[0003]目前常用辅助肿瘤病理诊断和指导治疗的免疫组化标记物约二百余种，其中约80%均为膜表达或膜浆表达模式，约20%为核表达模式。在免疫组化诊断中，与连续判断显微镜下多个区域视野下的肿瘤组织和阳性细胞表达情况相比较，通常需要获取整张组织切片中肿瘤组织与阳性细胞所占比例，因此进行全片数字病理图像（Whole Slide Image，简称WSI）的分析是必要的。基于约80%的IHC肿瘤标记物为膜浆表达模式，所以对IHC膜浆表达的上皮性肿瘤染色切片进行精准的癌区分割，具有非常重要的现实意义。
[0004]对IHC图像分析方法的精准性、有效性和速度也是尤为重要的。目前，主流的癌区分割主要通过机器学习和图像形态学的方式实现：阈值法、模糊理论、遗传算法、分水岭等算法。因为肿瘤的蛋白表达在不同的个体与肿瘤类型中有非常明显的差异化，传统的图像分析方法在实现癌区分割的方面，不但精确性和有效性不能实现IHC数字切片全片癌区分割的要求，而且在分析过程中需要有经验的病理医生进行实时协作，医生的工作效率受到极大的影响。

技术实现思路

[0005]针对现有技术中存在的问题，本专利技术实施例提供一种基于深度学习的IHC膜浆表达病理图像的癌区分割方法及装置。
[0006]本专利技术实施例提供一种基于深度学习的IHC膜浆表达病理图像的癌区分割方法，
包括：获取病理组织切片，所述病理组织切片包含上皮性肿瘤IHC癌区膜浆阳性与阴性染色、非癌区染色，并对所述病理组织切片进行扫描采集成像，得到全片数字病理图像；基于所述全片数字病理图像中的IHC染色情况，筛选特征区域并进行癌区与非癌区的标注，并基于标注区域的位置信息，得到对应的标签数据与真实图像数据，对所述标注区域进行对应性的随机裁剪，得到裁剪后对应的真实图像数据及标签数据；将裁剪后的真实图像数据及标签数据输入卷积神经网络模型进行训练，直至卷积神经网络模型的性能数据达到预设标准，得到训练后的卷积神经网络模型；获取待分析的目标图像，根据所述随机裁剪的图像大小对所述目标图像进行遍历裁剪，将遍历裁剪后的目标图像输入所述训练后的卷积神经网络模型，得到所述目标图像的癌区分割结果图像，将所述癌区分割结果图像进行全片拼接，得到所述目标图像的癌区分割图像。
[0007]在其中一个实施例中，所述方法还包括：根据映射关系，设置与所述全片数据病理图像的真实图像数据一一对应的标签数据，所述标签数据包括全片数据病理图像的真实图像数据对应的坐标信息，以及根据所述IHC癌区染色对应的癌区类别信息。
[0008]在其中一个实施例中，所述方法还包括：将所述全片数据病理图像及真实标签图像对应性的切割为256*256像素大小的小图片，间隔步幅为128像素的真实图像数据及对应的标签数据。
[0009]在其中一个实施例中，所述方法还包括：对裁剪后的真实图像数据进行迭代训练，并将迭代训练的结果与对应的标签数据进行计算，直至得到的性能数据达到预设阈值，性能数据包括：精确率、召回率、IOU、F1
‑
score。
[0010]在其中一个实施例中，所述方法还包括：根据所述性能数据得到所述卷积神经网络模型的模型性能，获取所述病理组织切片的细胞类型，将所述细胞类型、卷积神经网络模型及对应的模型性能对应保存。
[0011]在其中一个实施例中，所述方法还包括：将所述裁剪后的真实图像数据分为训练集和验证集，将所述训练集以及对应的标签数据输入到卷积神经网络模型进行训练，直至卷积神经网络模型的性能数据达到预设标准，得到训练后的卷积神经网络模型；通过所述验证集以及对应的标签数据输入到训练后的初步卷积神经网络模型进行测试，测试完成后得到所述训练后的卷积神经网络模型。
[0012]本专利技术实施例提供一种基于深度学习的IHC膜浆表达病理图像的癌区分割装置，包括：获取模块，用于获取病理组织切片，所述病理组织切片包含上皮性肿瘤IHC癌区膜浆阳性与阴性染色、非癌区染色，并对所述病理组织切片进行扫描采集成像，得到全片数字病理图像；预处理模块，用于基于所述全片数字病理图像中的IHC染色情况，筛选特征区域并进行癌区与非癌区的标注，并基于标注区域的位置信息，得到对应的标签数据与真实图像
数据，对所述标注区域进行对应性的随机裁剪，得到裁剪后对应的真实图像数据及标签数据；训练模块，用于将裁剪后的真实图像数据及标签数据输入卷积神经网络模型进行训练，直至卷积神经网络模型的性能数据达到预设标准，得到训练后的卷积神经网络模型；分析模块，用于获取待分析的目标图像，根据所述随机裁剪的图像大小对所述目标图像进行遍历裁剪，将遍历裁剪后的目标图像输入所述训练后的卷积神经网络模型，得到所述目标图像的癌区分割结果图像，将所述癌区分割结果图像进行全片拼接，得到所述目标图像的癌区分割图像。
[0013]在其中一个实施例中，所述装置还包括：标签模块，用于根据映射关系，设置与所述全片数据病理图像的真实图像数据一一对应的标签数据，所述标签数据包括全片数据病理图像的真实图像数据对应的坐标信息，以及根据所述IHC癌区染色对应的癌区类别信息。
[0014]本专利技术实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述基于深度学习的IHC膜浆表达病理图像的癌区分割方法的步骤。
[0015]本专利技术实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述基于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的IHC模浆病理图像的癌区分割方法，其特征在于，包括：获取病理组织切片，所述病理组织切片包含上皮性肿瘤IHC癌区膜浆阳性与阴性染色、非癌区染色，并对所述病理组织切片进行扫描采集成像，得到全片数字病理图像；基于所述全片数字病理图像中的IHC染色情况，筛选特征区域并进行癌区与非癌区的标注，并基于标注区域的位置信息，得到对应的标签数据与真实图像数据，对所述标注区域进行对应性的随机裁剪，得到裁剪后对应的真实图像数据及标签数据；将裁剪后的真实图像数据及标签数据输入卷积神经网络模型进行训练，直至卷积神经网络模型的性能数据达到预设标准，得到训练后的卷积神经网络模型；获取待分析的目标图像，根据所述随机裁剪的图像大小对所述目标图像进行遍历裁剪，将遍历裁剪后的目标图像输入所述训练后的卷积神经网络模型，得到所述目标图像的癌区分割结果图像，将所述癌区分割结果图像进行全片拼接，得到所述目标图像的癌区分割图像。2.根据权利要求1所述的基于深度学习的IHC模浆病理图像的癌区分割方法，其特征在于，所述基于标注区域的位置信息，得到对应的标签数据与真实图像数据，包括：根据映射关系，设置与所述全片数据病理图像的真实图像数据一一对应的标签数据，所述标签数据包括全片数据病理图像的真实图像数据对应的坐标信息，以及根据所述IHC癌区染色对应的癌区类别信息。3.根据权利要求1所述的基于深度学习的IHC模浆病理图像的癌区分割方法，其特征在于，所述对所述标注区域进行对应性的随机裁剪，得到裁剪后对应的真实图像数据及标签数据，包括：将所述全片数据病理图像及真实标签图像对应性的切割为256*256像素大小的小图片，间隔步幅为128像素的真实图像数据及对应的标签数据。4.根据权利要求1所述的基于深度学习的IHC模浆病理图像的癌区分割方法，其特征在于，所述将裁剪后的真实图像数据及标签数据输入卷积神经网络模型进行训练，直至卷积神经网络模型的性能数据达到预设标准，包括：对裁剪后的真实图像数据进行迭代训练，并将迭代训练的结果与对应的标签数据进行计算，直至得到的性能数据达到预设阈值，性能数据包括：精确率、召回率、IOU、F1
‑
score。5.根据权利要求4所述的基于深度学习的IHC模浆病理图像的癌区分割方法，其特征在于，所述方法还包括：根据所述性能数据得到所述卷积神经网络模型的模型性能，获取所述病理组织切片的细胞类型，将所述细胞类型、卷积神经网络模型及对应的模型性能对应保存。6.根据权利要求...

【专利技术属性】
技术研发人员：王华，杨泽鹏，吴金鹏，杨万祥，刘彬，
申请(专利权)人：杭州智汇明壹医疗科技有限公司，
类型：发明
国别省市：