分子标志物识别方法技术

本申请提供一种分子标志物识别方法

【技术实现步骤摘要】
分子标志物识别方法、装置、计算机设备及存储介质


[0001]本专利技术涉及医疗
，具体而言，涉及一种分子标志物识别方法
、
装置
、
计算机设备及存储介质
。

技术介绍

[0002]免疫治疗作为一种新的抗癌症恶化和复发的治疗方法，已成为最有希望和最优价值的癌症辅助治疗方法之一，最新研究表明，微卫星不稳定性
(Microsatellite Instability
，
MSI)
和肿瘤突变负荷
(Tumor Mutational Burden
，
TMB)
可以反应结直肠癌患者对免疫治疗的反应是否良好，但是
MSI
和
TMB
检测并不适用于所有患者
。
[0003]通常，实体瘤针对的金标准是采用苏木精和伊红染色
(H&E)
的全玻片图像
(Whole
‑
slide image
，
WSI)
，全玻片图像可以反映基因组变化引起的细胞和组织形态的变化，可用于
MSI
和
TMB
的检测，从而为患者进行免疫治疗提供指导
。
[0004]现有的端到端卷积神经网络可以直接应用于全玻片图像的分类，以从全玻片图像中识别分子标志物，但是由于全玻片图像具有千兆级像素，直接对全玻片图像进行分子标志物识别，需要占用大量的计算内存，卷积神经网络的训练以及预测速度都非常慢，效率较低
。

技术实现思路

[0005]本专利技术的目的在于，针对上述现有技术中的不足，提供一种分子标志物识别方法
、
装置
、
计算机设备及存储介质，以便提高对全玻片图像中分子标志物的识别效率
。
[0006]为实现上述目的，本申请实施例采用的技术方案如下：
[0007]第一方面，本申请实施例提供了一种分子标志物识别方法，所述方法包括：
[0008]对目标生物组织样本的全玻片图像进行分块处理，得到多个图像块；
[0009]采用预先训练的特征提取模型对所述多个图像块进行特征提取，得到多个图像块特征；
[0010]采用预先训练的分子标志物识别模型对所述多个图像块特征进行分类，确定所述全玻片图像针对多种分子标志物类型的匹配概率；
[0011]根据所述多种分子标志物类型的匹配概率，确定所述全玻片图像对应的目标分子标志物类型，所述分子标志物类型用于指示所述目标生物组织样本针对预设治疗方式的反应状态
。
[0012]可选的，所述采用预先训练的分子标志物识别模型对所述多个图像块特征进行分类，确定所述全玻片图像针对多种分子标志物类型的匹配概率，包括：
[0013]采用所述分子标志物识别模型中的特征拼接层，对所述多个图像块特征进行拼接，得到所述全玻片图像的图像特征；
[0014]采用所述分子标志物识别模型中的分类层对所述图像特征进行分类，得到所述多种分子标志物类型的匹配概率
。
[0015]可选的，所述对所述多个图像块特征进行拼接，得到所述全玻片图像的图像特征，包括：
[0016]获取所述多个图像块特征的重要性权重；
[0017]根据所述多个图像块特征的重要性权重，对所述多个图像块特征进行加权，得到所述全玻片图像的图像特征
。
[0018]可选的，所述方法还包括：
[0019]采用所述特征拼接层，根据所述多种分子标志物类型的匹配概率
、
以及所述多个图像块特征，重新生成所述全玻片图像的图像特征；
[0020]采用所述分类层对重新生成的所述图像特征进行分类，得到所述多种分子标志物类型的目标匹配概率
。
[0021]可选的，所述根据所述多种分子标志物类型的匹配概率
、
以及所述多个图像块特征，重新生成所述全玻片图像的图像特征，包括：
[0022]根据所述多种分子标志物类型的匹配概率，计算所述多个图像块的重要性概率；
[0023]根据所述多个图像块的重要性概率，从所述多个图像块中确定目标图像块；
[0024]根据所述目标图像块的图像块特征，重新生成所述全玻片图像的图像特征
。
[0025]可选的，所述根据所述多种分子标志物类型的匹配概率，计算所述多个图像块的重要性概率，包括：
[0026]根据所述多个图像块特征的重要性权重，以及所述多种分子标志物类型的匹配概率，计算所述多个图像块的激活值；
[0027]根据所述多个图像块的激活值，计算所述多个图像块的重要性概率
。
[0028]可选的，所述根据所述目标图像块的图像块特征，重新生成所述全玻片图像的图像特征，包括：
[0029]根据所述目标图像块的重要性权重，对所述目标图像块的图像块特征进行加权，重新生成所述全玻片图像的图像特征
。
[0030]第二方面，本申请实施例还提供一种分子标志物识别装置，所述装置包括：
[0031]图像分块模块，用于对目标生物组织样本的全玻片图像进行分块处理，得到多个图像块；
[0032]特征提取模块，用于采用预先训练的特征提取模型对所述多个图像块进行特征提取，得到多个图像块特征；
[0033]图像分类模块，用于采用预先训练的分子标志物识别模型对所述多个图像块特征进行分类，确定所述全玻片图像针对多种分子标志物类型的匹配概率；
[0034]类型确定模块，用于根据所述多种分子标志物类型的匹配概率，确定所述全玻片图像对应的目标分子标志物类型，所述分子标志物类型用于指示所述目标生物组织样本针对预设治疗方式的反应状态
。
[0035]可选的，所述图像分类模块，包括：
[0036]特征拼接单元，用于采用所述分子标志物识别模型中的特征拼接层，对所述多个图像块特征进行拼接，得到所述全玻片图像的图像特征；
[0037]图像分类单元，用于采用所述分子标志物识别模型中的分类层对所述图像特征进行分类，得到所述多种分子标志物类型的匹配概率
。
[0038]可选的，所述特征拼接单元，包括：
[0039]权重获取单元，用于获取所述多个图像块特征的重要性权重；
[0040]特征加权单元，用于根据所述多个图像块特征的重要性权重，对所述多个图像块特征进行加权，得到所述全玻片图像的图像特征
。
[0041]可选的，所述装置还包括：
[0042]特征重生成模块，用于采用所述特征拼接层，根据所述多种分子标志物类型的匹配概率
、
以及所述多个图像块特征，重新生成所述全玻片图像的图像特征；
[0043]图像重分类模块，用于采用所述分类层对重新生成的所述图像特征进行分类，得到所述多种分子标志物类型的目标匹配概率
。
[0044]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种分子标志物识别方法，其特征在于，所述方法包括：对目标生物组织样本的全玻片图像进行分块处理，得到多个图像块；采用预先训练的特征提取模型对所述多个图像块进行特征提取，得到多个图像块特征；采用预先训练的分子标志物识别模型对所述多个图像块特征进行分类，确定所述全玻片图像针对多种分子标志物类型的匹配概率；根据所述多种分子标志物类型的匹配概率，确定所述全玻片图像对应的目标分子标志物类型，所述分子标志物类型用于指示所述目标生物组织样本针对预设治疗方式的反应状态
。2.
如权利要求1所述的方法，其特征在于，所述采用预先训练的分子标志物识别模型对所述多个图像块特征进行分类，确定所述全玻片图像针对多种分子标志物类型的匹配概率，包括：采用所述分子标志物识别模型中的特征拼接层，对所述多个图像块特征进行拼接，得到所述全玻片图像的图像特征；采用所述分子标志物识别模型中的分类层对所述图像特征进行分类，得到所述多种分子标志物类型的匹配概率
。3.
如权利要求2所述的方法，其特征在于，所述对所述多个图像块特征进行拼接，得到所述全玻片图像的图像特征，包括：获取所述多个图像块特征的重要性权重；根据所述多个图像块特征的重要性权重，对所述多个图像块特征进行加权，得到所述全玻片图像的图像特征
。4.
如权利要求2所述的方法，其特征在于，所述方法还包括：采用所述特征拼接层，根据所述多种分子标志物类型的匹配概率
、
以及所述多个图像块特征，重新生成所述全玻片图像的图像特征；采用所述分类层对重新生成的所述图像特征进行分类，得到所述多种分子标志物类型的目标匹配概率
。5.
如权利要求4所述的方法，其特征在于，所述根据所述多种分子标志物类型的匹配概率
、
以及所述多个图像块特征，重新生成所述全玻片图像的图像特征，包括：根据所述多种分子标志物类型的匹配概率，计算所述多个图像块的重要性概率；根据所述多个图像块的重要性概率，...

【专利技术属性】
技术研发人员：汪文艳，聂传齐，杨家亮，田埂，王兵，
申请(专利权)人：北京元码医学检验实验室有限公司，
类型：发明
国别省市：