一种基于深度学习使用多模态切片预测基因突变的方法技术

本发明专利技术涉及一种基于深度学习使用多模态切片预测基因突变的方法，对消化道HE切片进行图像块划分，并基于图像块划分结果，对消化道HE切片的各个图像块进行癌变区域分类；对消化道HE切片和免疫组化切片进行配准；基于消化道HE切片以及配准后的免疫组化切片，构建基因突变预测训练样本集，训练多实例学习模型，训练标准为基因是否突变，得到基因突变预测模型；根据训练得到的基因突变预测模型进行基因突变预测，结合患者多模态病理数据预测基因突变的模型，保证模型的高特异性，对比使用单一模态数据的病理预测基因模型，引入了更多模态的数据，有效提升了预测的准确率。有效提升了预测的准确率。有效提升了预测的准确率。

【技术实现步骤摘要】
一种基于深度学习使用多模态切片预测基因突变的方法


[0001]本专利技术涉及一种基于深度学习使用多模态切片预测基因突变的方法。

技术介绍

[0002]基因突变检测是指通过建立一系列电泳，分析DNA构象或解链特性，或者利用DNA变性和复性等特性，进行DNA突变的分析。该检测方法对肺癌、乳腺癌、结直肠癌等肿瘤患者的早期筛查、诊断及预后具有重要意义。现有的基因突变检测技术虽然检测准确，但价格昂贵。
[0003]深度学习近些年得到了迅速发展，并且被广泛地应用于计算机视觉、语音识别、医学诊断等诸多实际领域。利用深度学习算法强大的特征提取能力来实现对海量消化道病理切片的挖掘，发掘数据中潜在的规律，对基因突变预测研究具有一定的现实意义和科研价值。基于深度学习的病理预测基因模型越来越多，但大部分都是针对使用单一模态的病理切片数据。使用单一模态病理切片数据预测基因突变，往往存在检测精度不高的问题。

技术实现思路

[0004]为了解决现有问题，本专利技术提供一种基于深度学习使用多模态切片预测基因突变的方法。
[0005]本专利技术采用以下技术方案：
[0006]一种基于深度学习使用多模态切片预测基因突变的方法，包括：
[0007]获取消化道HE切片，以及对应的免疫组化切片；
[0008]对所述消化道HE切片进行图像块划分，并基于图像块划分结果，对所述消化道HE切片的各个图像块进行癌变区域分类；
[0009]对所述消化道HE切片和所述免疫组化切片进行配准；
[0010]基于所述消化道HE切片，以及配准后的所述免疫组化切片，构建基因突变预测训练样本集，并将所述基因突变预测训练样本集输入到预设的多实例学习模型中进行训练，训练标准为基因是否突变，得到基因突变预测模型；
[0011]根据训练得到的基因突变预测模型进行基因突变预测。
[0012]在一个实施例中，所述免疫组化切片包括免疫组化ER、PR、HER2、KI67切片。
[0013]在一个实施例中，对所述消化道HE切片进行图像块划分，包括：
[0014]人工标注所述消化道HE切片中的癌变区域的轮廓，并基于人工标注信息，对所述消化道HE切片进行图像块划分，得到阳性图像块和阴性图像块，其中，所述阳性图像块表征癌变区域面积大于图像块面积的50％，所述阴性图像块表征图像块中没有癌变区域。
[0015]在一个实施例中，所述基于图像块划分结果，对所述消化道HE切片的各个图像块进行癌变区域分类，包括：
[0016]根据所述阳性图像块和阴性图像块，构建图像块分类训练样本集；
[0017]将所述图像块分类训练样本集输入至图像块分类模型中进行训练，根据训练完成
的图像块分类模型进行图像块的阴阳性分类。
[0018]在一个实施例中，所述图像块分类模型的学习率设置为1e
‑
3，使用Adam优化函数，损失函数使用交叉熵损失函数。
[0019]在一个实施例中，所述对所述消化道HE切片和所述免疫组化切片进行配准，包括：
[0020]基于预设的病理图像配准算法，对所述消化道HE切片和所述免疫组化切片进行刚性和非刚性配准。
[0021]在一个实施例中，所述多实例学习模型的学习率设置为1e
‑
3，使用Adam优化函数，损失函数使用交叉熵损失函数。
[0022]本专利技术的有益效果包括：本专利技术结合患者多模态病理数据预测基因突变的模型，保证模型的高特异性，对比使用单一模态数据的病理预测基因模型，引入了更多模态的数据，有效提升了预测的准确率。
附图说明
[0023]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍：
[0024]图1是本申请实施例提供的一种基于深度学习使用多模态切片预测基因突变的方法的整体流程示意图；
[0025]图2是本申请实施例提供的一种基于深度学习使用多模态切片预测基因突变的方法的执行示意图。
具体实施方式
[0026]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
[0027]应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0028]还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0029]如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0030]另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0031]在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、
“
在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
[0032]为了说明本申请所述的技术方案，下面通过具体实施方式来进行说明。
[0033]本实施例提供一种基于深度学习使用多模态切片预测基因突变的方法，如图1所示。图2是本实施例提供的一种基于深度学习使用多模态切片预测基因突变的方法的执行示意图。
[0034]如图1所示，本实施例提供的一种基于深度学习使用多模态切片预测基因突变的方法包括如下步骤：
[0035]步骤S1：获取消化道HE切片，以及对应的免疫组化切片：
[0036]获取患者的消化道HE切片，以及对应的免疫组化切片。本实施例中，免疫组化切片包括免疫组化ER、PR、HER2、KI67切片。
[0037]步骤S2：对所述消化道HE切片进行图像块划分，并基于图像块划分结果，对所述消化道HE切片的各个图像块进行癌变区域分类：
[0038]本实施例中，使用深度学习分类算法(如Resnet、De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使用多模态切片预测基因突变的方法，其特征在于，包括：获取消化道HE切片，以及对应的免疫组化切片；对所述消化道HE切片进行图像块划分，并基于图像块划分结果，对所述消化道HE切片的各个图像块进行癌变区域分类；对所述消化道HE切片和所述免疫组化切片进行配准；基于所述消化道HE切片，以及配准后的所述免疫组化切片，构建基因突变预测训练样本集，并将所述基因突变预测训练样本集输入到预设的多实例学习模型中进行训练，训练标准为基因是否突变，得到基因突变预测模型；根据训练得到的基因突变预测模型进行基因突变预测。2.根据权利要求1所述的基于深度学习使用多模态切片预测基因突变的方法，其特征在于，所述免疫组化切片包括免疫组化ER、PR、HER2、KI67切片。3.根据权利要求1所述的基于深度学习使用多模态切片预测基因突变的方法，其特征在于，对所述消化道HE切片进行图像块划分，包括：人工标注所述消化道HE切片中的癌变区域的轮廓，并基于人工标注信息，对所述消化道HE切片进行图像块划分，得到阳性图像块和阴性图像块，其中，所述阳性图像块表征癌变区域面积大于图像块面积的50％，所述阴性图像块表征图...

【专利技术属性】
技术研发人员：赵杰，叶明，何贤英，石金铭，崔芳芳，卢耀恩，马倩倩，谭中科，范兆涵，
申请(专利权)人：郑州大学第一附属医院，
类型：发明
国别省市：