[發明專利]一種免疫組化圖像核陽性的人工智能判讀方法及系統

有效

• 申請號: 202011301331.0
• 申請日: 2020-11-19
• 公開（公告）號: CN112508860B
• 公開（公告）日: 2022-09-30
• 發明（設計）人: 蔣誼;韓方劍;余莉;黃少冰;姜培
• 申請（專利權）人: 湖南蘭茜生物科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/33;G06T7/11;G06T7/136
• 代理公司: 湖南兆弘專利事務所(普通合伙) 43008
• 代理人: 譚武藝

1.一種免疫組化圖像核陽性的人工智能判讀方法，其特征在于，包括：

S1）對HE圖采用深度卷積神經網絡進行癌組織分類識別，得到癌組織預測概率分布圖；

S2）提取癌組織預測概率分布圖中概率值超過選取閾值參數的得到高度疑似癌組織區域的圖塊索引值；將高度疑似癌組織區域的圖塊索引值映射到與HE圖配準后的IHC圖，提取出IHC圖中對應的癌組織區域圖塊；

S3）對各個癌組織區域圖塊進行癌細胞中核陽性細胞數和非核陽性細胞數統計，累加所有癌組織區域圖塊中統計得到的核陽性細胞數和非核陽性細胞數，并求得核陽性率；

步驟S1）對HE圖采用深度卷積神經網絡進行癌組織分類識別的步驟包括：對HE圖的金字塔頂層分辨率最低的圖層，進行圖像預處理提取出組織的前景圖部分作為掩膜圖，先獲取該HE圖的金字塔模型頂層分辨率最低的圖層，對該圖層提取出組織的前景圖部分作為掩膜圖，然后根據得到的掩膜圖去映射得到該HE圖的金字塔模型底層分辨率最高的圖層中的圖塊，將每一個提取得到的圖塊送入到訓練優化好的深度卷積神經網絡對應輸出一個判斷是否是癌組織的概率值，從而最終得到由所有圖塊的是否是癌組織的癌組織預測概率構成的癌組織預測概率分布圖。

2.根據權利要求1所述的免疫組化圖像核陽性的人工智能判讀方法，其特征在于，步驟S1）之前還包括訓練深度卷積神經網絡的步驟：

S1-1）利用現有的HE圖制作訓練、驗證和測試數據集；

S1-2）利用制作得到的訓練和驗證數據集進行深度卷積神經網絡訓練，然后再經測試數據集測試深度卷積神經網絡，最終得到優化好的深度卷積神經網絡，使其建立了HE圖、癌組織預測概率分布圖之間的映射關系。

3.根據權利要求2所述的免疫組化圖像核陽性的人工智能判讀方法，其特征在于，步驟S1-1）中制作訓練、驗證和測試數據集的步驟包括：獲取原始數據集，針對原始數據集中的每一個數據樣本，先獲取該數據樣本的金字塔模型頂層分辨率最低的圖層，對該圖層提取出組織的前景圖部分作為掩膜圖，然后根據得到的掩膜圖去映射得到該數據樣本的金字塔模型底層分辨率最高的圖層中的圖塊，最終將提取出的圖塊構建訓練、驗證和測試數據集。

4.根據權利要求1所述的免疫組化圖像核陽性的人工智能判讀方法，其特征在于，步驟S2）之前還包括將IHC圖與HE圖配準的步驟：

S2-1）基于SIFT特征匹配算法，將IHC圖的金字塔模型頂層分辨率最低的圖層、HE圖的金字塔模型頂層分辨率最低的圖層進行配準，得到對應的配準參數，包括旋轉角度、縮放比例和平移量；

S2-2）將配準參數分別應用于IHC圖的金字塔模型底層分辨率最高的圖層、HE圖的金字塔模型底層分辨率最高的圖層進行配準，從而完成IHC圖與HE圖配準。

5.根據權利要求2所述的免疫組化圖像核陽性的人工智能判讀方法，其特征在于，步驟S3）中對各個癌組織區域圖塊進行癌細胞中核陽性細胞數和非核陽性細胞數統計時，對單個癌組織區域圖塊進行癌細胞中核陽性細胞數和非核陽性細胞數統計的步驟包括：

S3.1）將該癌組織區域圖塊進行預處理；

S3.2）利用分水嶺算法對預處理后的癌組織區域圖塊分割為癌組織前景和背景區域；

S3.3）對癌組織前景通過自動閾值分割、圖像膨脹腐蝕操作，找到每個細胞核的輪廓；

S3.4）根據細胞核的特性，將細胞核區分為核陽性細胞核和非核陽性細胞核，對核陽性細胞核和非核陽性細胞核計數，得到該癌組織區域圖塊的核陽性細胞數和非核陽性細胞數。

6.根據權利要求5所述的免疫組化圖像核陽性的人工智能判讀方法，其特征在于，步驟S3.1）的預處理包括：利用顏色解卷積的方法進行染色通道分離和顏色歸一化處理。