【技术实现步骤摘要】
基于图像语义分割的三级淋巴结构识别方法和系统
[0001]本专利技术涉及图像分割
，特别涉及一种基于图像语义分割的三级淋巴结构识别方法和系统。
技术介绍
[0002]免疫治疗是肿瘤治疗的重要手段，但存在单个免疫治疗反应低、免疫副反应、缺乏准确的免疫疗效预测标志物等问题，而肿瘤免疫微环境逐渐成为了热点探索对象。
[0003]其内的三级淋巴结构是在慢性炎症（包括肿瘤抗原释放、免疫性肿瘤细胞死亡）环境下，暴露于多类趋化因子、细胞因子后，主要由T细胞和B细胞聚集形成的异位、无包膜的致密淋巴组织。成熟的三级淋巴结构（Tertiary lymphoid structures，TLS）主要由三部分组成：相对在内的B细胞区，其由滤泡B细胞与CD21+的滤泡树突状细胞聚集形成的生发中心为特征；相对在外的T细胞区；散在周围的高内皮微静脉区。今年来在肿瘤免疫方面的研究中，由于成熟的三级淋巴结构是良好的预后的因素、能提高肿瘤化疗以及免疫治疗的反应性和有望成为免疫检查点抑制剂疗效预测的标志物等优势，备受研究者的关注。成熟的三级淋巴结构是...
【技术保护点】
【技术特征摘要】
1.基于图像语义分割的三级淋巴结构识别系统，其特征在于：包括：图像预处理模块，用于对全景病理扫描图中的成熟三级淋巴结构、非成熟三级淋巴结构进行标注；类别概率计算模块，用于根据贝叶斯理论计算全景病理扫描图中像素点的类别概率；特征向量计算模块，用于基于像素点的类别概率，计算像素点的特征向量；模型训练模块，用于使用像素点的特征向量对多模态卷积神经网络模型进行训练，得到训练好的多模态卷积神经网络模型。2.基于图像语义分割的三级淋巴结构识别方法，应用于权利要求1所述的基于图像语义分割的三级淋巴结构识别系统，其特征在于：包括以下步骤：步骤1，获取肿瘤组织的全景病理扫描图，并对其中成熟三级淋巴结构、非成熟三级淋巴结构进行标注；步骤2，根据贝叶斯理论计算全景病理扫描图中像素点的类别概率，并计算像素点的特征向量；步骤3，将像素点的特征向量作为训练数据集，对多模态卷积神经网络模型进行训练；步骤4，将实时采集的全景病理扫描图输入训练好的多模态卷积神经网络模型，得到勾画好的成熟三级淋巴结构和非成熟三级淋巴结构。3.根据权利要求2所述的基于图像语义分割的三级淋巴结构识别方法，其特征在于：所述步骤1具体包括以下步骤：获取若干患者的全景病理扫描图，将全景病理扫描图放大40倍，使用Qupath软件对全景病理扫描图中的成熟三级淋巴结构、非成熟三级淋巴结构、参考器官进行标注，未标注的地方作为纯粹背景；在标注前，将放大40倍的全景病理扫描图进行栅格化处理，划分为N
×
M个长宽相等的栅格；每个栅格中包含n
×
n个像素点；在标注时，成熟三级淋巴结构携带的标签值为，非成熟三级淋巴结构携带的标签值为，参考器官携带的标签值为，纯粹背景携带的标签值为；T表示全景病理扫描图中共有T个成熟三级淋巴结构，t表示其中第t个成熟三级淋巴结构；Z表示全景病理扫描图中共有Z个非成熟三级淋巴结构，z表示其中第z个非成熟三级淋巴结构；O表示全景病理扫描图中共有O个参考器官，o表示其中第o个参考器官；B表示全景病理扫描图中共有B个纯粹背景，b表示其中第b个纯粹背景；下标num_NM表示所在的栅格编号。4.根据权利要求3所述的基于图像语义分割的三级淋巴结构识别方法，其特征在于：所述步骤2中，根据贝叶斯理论计算全景病理扫描图中像素点的类别概率的步骤，包括：计算全景病理扫描图中像素点x
i
的类别概率：
其中，为像素点x
i
的类别概率，类别包括四类，分别为成熟三级淋巴结构T、非成熟三级淋巴结构Z、参考器官O、纯粹背景B；表示像素点x
i
所属的类别；为似然函数：其中，为伽马函数，为尺度参数，，K为类别总数，K=4，k∈K；为位移参数，，I为像素点总数；为先验概率：其中，k1表示参考器官O，k2表示纯粹背景B，k3表示成熟三级淋巴结构T，k4表示非成熟三级淋巴结构Z；y
k1
表示类别k1，y
k2
表示类别k2；表示背景混合核函数，表示像素混合核函数；为第一置信函数，用于表示像素点x
i
的背景属于k1、k2的置信度；为第二置信函数，用于表示像素点x
i
属于k1、k2、k3、k4的置信度；在第一置信函数中：在第二置信函数中：。5.根据权利要求3所述的基于图像语义分割的三级淋巴结构识别方法，其特征在于：所述步骤2中，计算像素点的特征向量的步骤，包括：获得所有像素点x
...
【专利技术属性】
技术研发人员：王卫东，杨曼，李柯臻，车雨柔，李思敏，方曾怡，罗丽萍，吴川，
申请(专利权)人：四川省肿瘤医院，
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。