System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于细胞图像识别和分类,具体涉及一种高危型del(17p13)/p53基因缺失阳性的多发性骨髓瘤细胞分类方法。
技术介绍
1、多发性骨髓瘤(简称mm)作为第二大恶性血液肿瘤,具有较高的发病率和死亡率,且其产生广泛的靶器官损害严重影响患者的生活质量。修订版的国际分期系统(r-iss)纳入最重要的预后因素之一,细胞遗传学异常,提示高危分层的特征是间期细胞荧光原位杂交(fluorescence in situ hybridization,fish)检测存在del(17p13)/p53基因缺失阳性、t(4;14)(p16;q32)/igh-fgfr3基因融合阳性或t(14;16)(q32;q23)/igh-maf基因融合阳性。del(17p13)/p53基因缺失阳性是mm最重要的高危分子遗传学特征之一,与疾病的复发难治密切相关。目前,对于p53阳性的准确检测和分析仅依赖高端的分子遗传学检测,临床上应用最广泛的是采用cd138阳性磁珠分选骨髓细胞进行荧光原位杂交技术检测,首次检测必须涉及17号染色体短臂上的p53基因。具体的操作如下:
2、第一、首先需要抽取mm患者最少4ml骨髓液,采用肝素抗凝防止凝固;
3、第二、肝素抗凝新鲜骨髓液必须在离体48小时内(edta抗凝新鲜骨髓液必须在离体24小时内)尽快经cd138阳性磁珠分选或流式分选富集mm细胞;
4、第三、分选富集的mm细胞须经低渗、预固定和固定等细胞处理过程后进入荧光原位杂交实验和分析阶段,或者经细胞核dna提取后进入二代基因测序和数据
5、以上mm细胞处理、实验操作及结果分析得到基因缺失阳性与否的流程最少需要三个工作日才能得到结果,快速检测和预测分类仍面临挑战,因此需要一种高效、准确的预测方法来帮助del(17p13)/p53基因缺失阳性mm的分类。
技术实现思路
1、本专利技术针对现有技术的不足,提供一种del(17p13)/p53基因缺失阳性的mm细胞的分类方法。该方法通过核质比测量和roc曲线分析,实现高效、准确地识别高危p53基因缺失阳性的mm细胞,进而实现预测分类,以提供快速的、有价值的参考结论。
2、本专利技术提供的技术方案如下:
3、第一方面,本专利技术提供高危型del(17p13)/p53基因缺失阳性的多发性骨髓瘤细胞分类方法,包括以下步骤:
4、s1,构建样本数据集,包括阴性和阳性样本;
5、s2,构建图像分割模型,所述模型包括粗级分割模块、细级分割模块和融合模块;其中,粗级分割模块用于对全图进行处理,快速定位目标细胞,得到目标细胞的大致定位和形状;细级分割模块用于将粗级分割模块得到的目标细胞从图像中裁剪出来,精确识别和分割细胞的边界;融合模块用于将粗级和细级分割模块的结果加权融合,并结合后处理技术,获得分割结果;
6、s3,训练图像分割模型;
7、s4,利用s3的图像分割模型计算样本数据集的细胞核和细胞质面积,进而获得核质比;
8、s5,绘制不同核质比、细胞面积、细胞核面积和细胞质面积阈值下的骨髓瘤细胞真阳性率和假阳性率的roc曲线;
9、s6,将核质比、细胞面积、细胞核面积和核仁个数指标作为单指标或者多个指标联立,绘制roc曲线,筛选出最佳预测组合,确定最优阈值,作为后续分析的界值;
10、s7,利用s3的图像分割模型,计算对应的指标,通过界值对待测图像进行阴性和阳性的预测分类。
11、进一步,所述步骤s1中,通过显微镜拍摄全尺寸骨瘤细胞样本获得图像,由人工对细胞类别进行标注并描绘细胞边界;将标注好全尺寸标注的细胞图像数据按标注边界生成目标框对每个目标细胞裁切下来作为单个目标细胞新数据集。
12、进一步,所述步骤s1中,阳性样本为高危p53基因缺失阳性的多发性骨髓瘤细胞,阴性样本为反应性浆细胞增多症中的良性浆细胞。
13、进一步,所述步骤s2中,粗级分割模块包括粗级分割输入层、主干网络层、颈部网络层和预测头网络层;输入层的样本数据是全尺寸样本数据,此时关注全局信息,分割边界较粗糙。
14、进一步,所述步骤s2中,细级分割模块包括细级分割输入层、主干网络层、颈部网络层和预测头网络层;输入层的样本数据为裁切下来的细胞小图像数据集,使得模型有关注局部细节的能力,分割边界更精细。
15、进一步,所述步骤s2中,特征融合模块进行特征融合的方法包括加权融合、边界优化和置信度校正;
16、其中,加权融合:对粗级和细级结果应用不同的权重,以平衡全局定位和局部细节的重要性;
17、边界优化:在融合时,特别关注目标细胞边界的优化,以确保融合后的结果在边缘处更加精确;
18、置信度校正:根据粗级分割模块和细级分割模块的输出调整最终分割结果的置信度,高置信度的区域表明分割更为可靠。
19、进一步,所述步骤s3中,训练方法为:将全尺寸骨髓细胞图像数据和单个目标细胞数据合并后进行训练。
20、进一步,所述步骤s5的步骤如下:
21、以1-特异性(specificity,spc)作为横坐标,敏感性(sensitivity,sen)作为纵坐标,采用软件r 4.3.1绘制roc(受试者工作特征)曲线。
22、进一步,所述步骤s6的步骤如下:
23、采用delong test进行auc显著性检验,通过计算不同roc曲线auc值的方差和协方差进行显著性检验得到p值,一般来说p<0.05时,roc曲线的auc值具备统计意义。使用二元logistic回归对将核质比、细胞面积、细胞核面积和核仁个数中的双指标或三指标进行联立。记录最大约登指数(敏感性+特异性-1)对应点的sen、spc、plr和nlr,以auc的最大值确定最佳组合,最佳组合的cut-off值即为最优阈值。
24、第二方面,本专利技术提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述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如第一方面所述多发性骨髓瘤细胞分类方法。
25、本专利技术的有益效果如下:
26、(1)本专利技术所述方法具有准确性:基于核质比的定义方法能够高度准确地识别基因缺失阳性细胞。
27、(2)本专利技术所述方法具有高效性:综合运用图像识别分析技术,尤其是通过粗级和细级分割技术,以及数据处理(特征融合),实现快速的细胞分析。
28、(3)本专利技术所述方法具有能够实现定量分析:通过核质比测量获得的定量数据,降低了主观性。
29、(4)本专利技术通过核质比测量和roc曲线分析,能够实现高效、准确地识别高危p53基因缺失阳性的mm细胞,进而实现细胞的预测分类,以提供快速的、有参考价值的结论。
本文档来自技高网...【技术保护点】
1.高危型del(17p13)/p53基因缺失阳性的多发性骨髓瘤细胞分类方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的多发性骨髓瘤细胞分类方法,其特征在于,所述步骤S1中,通过拍摄全尺寸骨髓瘤细胞样本获得图像,由人工对细胞类别进行标注并描绘细胞边界;将标注好全尺寸标注的细胞图像数据按标注边界生成目标框对每个目标细胞裁切下来作为单个目标细胞新数据集。
3.根据权利要求1所述的多发性骨髓瘤细胞分类方法,其特征在于,所述步骤S1中,阳性样本为高危p53基因缺失阳性的多发性骨髓瘤细胞,阴性样本为反应性浆细胞增多症中的良性浆细胞。
4.根据权利要求1所述的多发性骨髓瘤细胞分类方法,其特征在于,所述步骤S2中,粗级分割模块包括粗级分割输入层、主干网络层、颈部网络层和预测头网络层;输入层的样本数据是全尺寸样本数据;
5.根据权利要求1所述的多发性骨髓瘤细胞分类方法,其特征在于,所述步骤S2中,其特征在于,所述步骤S2中,细级分割模块包括细级分割输入层、主干网络层、颈部网络层和预测头网络层;输入层的样本数据为裁切下来的细胞小图像数据集;
6.根据权利要求1所述的多发性骨髓瘤细胞分类方法,其特征在于,所述步骤S2中,特征融合模块进行特征融合的方法包括加权融合、边界优化和置信度校正;
7.根据权利要求1所述的多发性骨髓瘤细胞分类方法,其特征在于,所述步骤S3中,训练方法为:将全尺寸骨髓细胞图像数据和单个目标细胞数据合并后进行训练。
8.根据权利要求1所述的多发性骨髓瘤细胞分类方法,其特征在于,所述步骤S5的步骤如下:
9.根据权利要求1所述的多发性骨髓瘤细胞分类方法,其特征在于,所述步骤S6的步骤如下:
10.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至9任一项所述多发性骨髓瘤细胞分类方法。
...【技术特征摘要】
1.高危型del(17p13)/p53基因缺失阳性的多发性骨髓瘤细胞分类方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的多发性骨髓瘤细胞分类方法,其特征在于,所述步骤s1中,通过拍摄全尺寸骨髓瘤细胞样本获得图像,由人工对细胞类别进行标注并描绘细胞边界;将标注好全尺寸标注的细胞图像数据按标注边界生成目标框对每个目标细胞裁切下来作为单个目标细胞新数据集。
3.根据权利要求1所述的多发性骨髓瘤细胞分类方法,其特征在于,所述步骤s1中,阳性样本为高危p53基因缺失阳性的多发性骨髓瘤细胞,阴性样本为反应性浆细胞增多症中的良性浆细胞。
4.根据权利要求1所述的多发性骨髓瘤细胞分类方法,其特征在于,所述步骤s2中,粗级分割模块包括粗级分割输入层、主干网络层、颈部网络层和预测头网络层;输入层的样本数据是全尺寸样本数据;
5.根据权利要求1所述的多发性骨髓瘤细胞分类方法,其特征在于,所述步骤s2中,其特征在...
【专利技术属性】
技术研发人员:周芙玲,喻亚兰,彭爽,潘宇哲,殷婉悦,吴三云,邵亮,沈辉,张岘,张冬雷,刘晓燕,何靖,
申请(专利权)人:武汉大学中南医院,
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。