CN116959712A - 基于病理图像的肺腺癌预后方法、***、设备及存储介质 - Google Patents
基于病理图像的肺腺癌预后方法、***、设备及存储介质 Download PDFInfo
- Publication number
- CN116959712A CN116959712A CN202310941240.0A CN202310941240A CN116959712A CN 116959712 A CN116959712 A CN 116959712A CN 202310941240 A CN202310941240 A CN 202310941240A CN 116959712 A CN116959712 A CN 116959712A
- Authority
- CN
- China
- Prior art keywords
- pathological
- lung adenocarcinoma
- cell
- prognosis
- preset
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000001575 pathological effect Effects 0.000 title claims abstract description 190
- 238000004393 prognosis Methods 0.000 title claims abstract description 100
- 208000010507 Adenocarcinoma of Lung Diseases 0.000 title claims abstract description 89
- 201000005249 lung adenocarcinoma Diseases 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 48
- 210000004027 cell Anatomy 0.000 claims description 108
- 210000001519 tissue Anatomy 0.000 claims description 58
- 238000012360 testing method Methods 0.000 claims description 32
- 210000003855 cell nucleus Anatomy 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 20
- 210000000805 cytoplasm Anatomy 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 14
- 210000004072 lung Anatomy 0.000 claims description 12
- 238000003066 decision tree Methods 0.000 claims description 10
- 230000008030 elimination Effects 0.000 claims description 10
- 238000003379 elimination reaction Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000007457 establishment of nucleus localization Effects 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 8
- 230000002708 enhancing effect Effects 0.000 claims description 8
- 230000007170 pathology Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 210000004940 nucleus Anatomy 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000001413 cellular effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 3
- 230000030648 nucleus localization Effects 0.000 claims 1
- 230000011218 segmentation Effects 0.000 claims 1
- 238000010801 machine learning Methods 0.000 abstract description 2
- 206010028980 Neoplasm Diseases 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000034994 death Effects 0.000 description 2
- 231100000517 death Toxicity 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 231100000504 carcinogenesis Toxicity 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/776—Validation; Performance evaluation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Image Processing (AREA)
Abstract
本发明实施例公开了一种基于病理图像的肺腺癌预后方法、***、设备及存储介质，本发明实施例在接收到患者病理图片后，通过自动化方法分析肺腺癌的细胞基本特征以及高阶特征。基于这些细胞特征，运用机器学习方法进行精准的肺腺癌患者预后，获得准确率高的肺腺癌患者预后信息。本发明实施例解决了病理图片难以精准定量以及运用的技术难题，预后信息准确，成本较低。
Description
技术领域
本发明实施例涉及图像识别技术领域，具体涉及一种基于病理图像的肺腺癌预后方法、***、设备及存储介质。
背景技术
肺癌是全球最常见的癌症，也是癌症死亡的主要原因。每年约有210万新病例和180万人死亡，而肺腺癌是其中最主要的组织学亚型。组织病理学图像包含大量关于肿瘤形态及其与周围微环境相关性的信息，随着精准肿瘤学的发展，组织病理学图像已经成为肺腺癌的诊断分级分期的黄金标准。
现有技术中对病理图片的分析只能通过肉眼直观感受，大量信息被忽略的同时，肉眼直观的结果也无法量化，使得目前的组织病理学评估模式，例如肿瘤分级，难以得出肺腺癌患者的预后信息。
发明内容
为此，本发明实施例提供基于病理图像的肺腺癌预后方法、***、设备及存储介质，以解决目前的组织病理学评估模式难以得出肺腺癌患者的预后信息的技术问题。
为了实现上述目的，本发明实施例提供如下技术方案：
根据本发明实施例的第一方面，提供了一种基于病理图像的肺腺癌预后方法，其特征在于，所述方法包括：
S1、采集肺部病理图片与对应肺腺癌患者的预后数据，将所述病理图片分割成预设大小的第一病理切片并对所述第一病理切片进行预处理，生成第二病理切片；
S2、利用预设识别模型对所述第二病理切片进行分割，从中定位细胞组织位置，生成细胞组织定位蒙版与细胞组织位置信息，利用预设背景消除模型从所述细胞组织位置信息中识别出细胞核，生成细胞核定位蒙版与细胞核位置信息，利用预设辅助识别模型结合所述细胞核位置信息与所述细胞组织位置信息对全细胞进行定位，生成具有全细胞位置信息的第三病理切片；
S3、分别利用黑、白滤波器增强所述第三病理切片的图像特征，生成第四病理切片，并利用预设辅助识别模型对第四病理切片中的细胞质进行定位识别，生成细胞质定位蒙版与细胞质位置信息；
S4、根据所述细胞组织位置信息及所述全细胞位置信息分别对所述细胞组织及所述全细胞进行特征提取及纹理分析，生成患者病理特征与患者病理特征集；
S5、构建肺腺癌预后模型，将所述患者病理特征集按预设比例分开，生成训练集与测试集，利用所述训练集内的信息对所述肺腺癌预后模型进行训练并利用所述测试机对所述肺腺癌预后模型进行测试；
S6、当所述测试机中的预设年份预后结果准确率高于预设信息时，当前肺腺癌预后模型测试完毕，输入待预测的患者肺部病理图像，生成该患者的肺腺癌预后数据。
进一步地，采集肺部病理图片与对应肺腺癌患者的预后数据，将所述病理图片分割成预设大小的第一病理切片并对所述第一病理切片进行预处理，生成第二病理切片，包括：
将所述病理分割成多个预设大小的第一病理切片；
将所述第一病理切片输入至预设病理纹理特征提取模块，生成黑白第一病理切片；
利用预设明度矫正模型依次对黑白第一病理切片进行明度矫正，生成对应的第二病理切片。
进一步地，利用预设识别模型对所述第二病理切片进行分割，从中定位细胞组织位置，生成细胞组织定位蒙版与细胞组织位置信息，包括：
对所述第二病理图片进行梯度计算并依据梯度计算数据进行分割，定位细胞组织位置；
利用大津法进行阈值识别并对所述第二病理图片进行阈值处理，并对各个边缘点的灰度值从低到高进行排序，灰度值大于阈值的即为细胞组织部分；
所述梯度计算的公式为：
g(x,y)＝grad(f(x,y))＝{[f(x,y)-f(x-1,y)]2[f(x,y)-f(x,y-1)]2}0.5
g(x,y)＝max(grad(f(x,y)),k)
其中，f(x,y)为原始图像，grad表示梯度运算，g(x,y)为梯度计算数据，k为阈值，max表示最大值。
进一步地，利用预设背景消除模型从所述细胞组织位置信息中识别出细胞核，生成细胞核定位蒙版与细胞核位置信息，利用预设辅助识别模型结合所述细胞核位置信息与所述细胞组织位置信息对全细胞进行定位，生成具有全细胞位置信息的第三病理切片，包括：
利用MOG背景消除法从所述细胞组织位置信息中识别出细胞核，生成细胞核定位蒙版与细胞核位置信息；
对所述第二病理切片进行图像扫描，找到一个未获得归属的像素；
以该像素为中心，考虑该像素的预设邻域像素，将满足生长准则的邻域像素与该像素合并为像素区域；
遍历全部像素直至没有未获得归属的像素，其中所述像素区域即为全细胞区域；
利用全细胞区域信息生成具有全细胞位置信息的第三病理切片。
进一步地，分别利用黑、白滤波器增强所述第三病理切片的图像特征，生成第四病理切片，包括：
分别计算所述第三病理切片的开运算与闭运算，生成对应的开运算结果与闭运算结果；
利用第三病理切片减去开运算结果生成顶帽运算结果，利用所述闭运算结果减去第三病理切片生成底帽运算结果；
利用所述顶帽运算结果与所述底帽运算结果增强第三病理切片的图像特征，生成第四病理切片。
进一步地，根据所述细胞组织位置信息及所述全细胞位置信息分别对所述细胞组织及所述全细胞进行特征提取及纹理分析，生成患者病理特征与患者病理特征集，包括：
分别利用灰度共生矩阵法、灰度游程矩阵法、沃洛诺伊法、滤波和小波变换法从所述第四病理切片中提取多个患者病理特征；
根据所述第四病理切片的灰度平均值与灰度方差测量图像亮度，利用相邻细胞的数量和占比测量邻近的目标细胞，生成至少一个患者病理特征；
从所述第四病理切片中提取细胞的大小与形体特征，生成患者细胞特征；
将所述多个患者病理特征与患者细胞特征整合形成患者病理特征集。
进一步地，构建肺腺癌预后模型，将所述患者病理特征集按预设比例分开，生成训练集与测试集，利用所述训练集内的信息对所述肺腺癌预后模型进行训练并利用所述测试机对所述肺腺癌预后模型进行测试，包括：
随机选择部分样本与对应特征，构建预设数量的决策树；
通过对各个决策树的权重进行投票，生成预后结果；
调整各个决策树的权重数据直至测试集中的预后结果准确率高于预设阈值。
根据本发明实施例的第二方面，提供了基于病理图像的肺腺癌预后***，所述***包括：
采集模块，用于采集肺部病理图片与对应肺腺癌患者的预后数据，将所述病理图片分割成预设大小的第一病理切片并对所述第一病理切片进行预处理，生成第二病理切片；
细胞定位模块，用于利用预设识别模型对所述第二病理切片进行分割，从中定位细胞组织位置，生成细胞组织定位蒙版与细胞组织位置信息，利用预设背景消除模型从所述细胞组织位置信息中识别出细胞核，生成细胞核定位蒙版与细胞核位置信息，利用预设辅助识别模型结合所述细胞核位置信息与所述细胞组织位置信息对全细胞进行定位，生成具有全细胞位置信息的第三病理切片；
特征增强模块，用于分别利用黑、白滤波器增强所述第三病理切片的图像特征，生成第四病理切片，并利用预设辅助识别模型对第四病理切片中的细胞质进行定位识别，生成细胞质定位蒙版与细胞质位置信息；
特征提取模块，用于根据所述细胞组织位置信息及所述全细胞位置信息分别对所述细胞组织及所述全细胞进行特征提取及纹理分析，生成患者病理特征与患者病理特征集；
测试模块，用于构建肺腺癌预后模型，将所述患者病理特征集按预设比例分开，生成训练集与测试集，利用所述训练集内的信息对所述肺腺癌预后模型进行训练并利用所述测试机对所述肺腺癌预后模型进行测试；
预后模块，用于当所述测试机中的预设年份预后结果准确率高于预设信息时，当前肺腺癌预后模型测试完毕，输入待预测的患者肺部病理图像，生成该患者的肺腺癌预后数据。
根据本发明实施例的第三方面，提供了基于病理图像的肺腺癌预后设备，所述设备包括：处理器和存储器；
所述存储器用于存储一个或多个程序指令；
所述处理器，用于运行一个或多个程序指令，用以执行如上任一项所述的基于病理图像的肺腺癌预后方法的步骤。
根据本发明实施例的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述基于病理图像的肺腺癌预后方法的步骤。
本发明实施例具有如下优点：
本发明实施例在接收到患者病理图片后，通过自动化方法分析肺腺癌的细胞基本特征以及高阶特征。基于这些细胞特征，运用机器学习方法进行精准的肺腺癌患者预后，获得准确率高的肺腺癌患者预后信息。本发明实施例解决了病理图片难以精准定量以及运用的技术难题，预后信息准确，成本较低。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引申获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明实施例提供的一种基于病理图像的肺腺癌预后***的逻辑结构示意图；
图2为本发明实施例提供的一种基于病理图像的肺腺癌预后方法的流程示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
现有技术中对病理图片的分析只能通过肉眼直观感受，大量信息被忽略的同时，肉眼直观的结果也无法量化，使得目前的组织病理学评估模式，例如肿瘤分级，难以得出肺腺癌患者的预后信息。
为了解决上述组织病理学评估模式难以得出肺腺癌患者的预后信息的技术问题。
参考图1，本发明实施例公开了基于病理图像的肺腺癌预后***，该***包括：采集模块1；细胞定位模块2；特征增强模块3；特征提取模块4；测试模块5；预后模块6。
与上述公开的基于病理图像的肺腺癌预后***相对应，本发明实施例还公开了基于病理图像的肺腺癌预后方法。以下结合上述描述的基于病理图像的肺腺癌预后***详细介绍本发明实施例中公开的基于病理图像的肺腺癌预后方法。
参考图2，采集模块1采集肺部病理图片与对应肺腺癌患者的预后数据，将所述病理图片分割成预设大小的第一病理切片并对所述第一病理切片进行预处理，生成第二病理切片。
将所述病理分割成多个预设大小的第一病理切片；将所述第一病理切片输入至预设病理纹理特征提取模块，生成黑白第一病理切片；利用预设明度矫正模型依次对黑白第一病理切片进行明度矫正，生成对应的第二病理切片。
其中，所述预设大小为1000×1000像素的病理切片，所述明度矫正为将每张切片的明度标准化至0-1范围。
细胞定位模块2利用预设识别模型对所述第二病理切片进行分割，从中定位细胞组织位置，生成细胞组织定位蒙版与细胞组织位置信息，利用预设背景消除模型从所述细胞组织位置信息中识别出细胞核，生成细胞核定位蒙版与细胞核位置信息，利用预设辅助识别模型结合所述细胞核位置信息与所述细胞组织位置信息对全细胞进行定位，生成具有全细胞位置信息的第三病理切片。
对所述第二病理图片进行梯度计算并依据梯度计算数据进行分割，定位细胞组织位置；利用大津法进行阈值识别并对所述第二病理图片进行阈值处理，并对各个边缘点的灰度值从低到高进行排序，灰度值大于阈值的即为细胞组织部分。
所述梯度计算的公式为：
g(x,y)＝grad(f(x,y))＝{[f(x,y)-f(x-1,y)]2[f(x,y)-f(x,y-1)]2}0.5
g(x,y)＝max(grad(f(x,y)),k)
其中，f(x,y)为原始图像，grad表示梯度运算，g(x,y)为梯度计算数据，k为阈值，max表示最大值。
其中，像素选择为50-800，识别阈值方法选择为大津法，边缘阈值设为15。
利用MOG背景消除法从所述细胞组织位置信息中识别出细胞核，生成细胞核定位蒙版与细胞核位置信息；对所述第二病理切片进行图像扫描，找到一个未获得归属的像素；以该像素为中心，考虑该像素的预设邻域像素，将满足生长准则的邻域像素与该像素合并为像素区域；遍历全部像素直至没有未获得归属的像素，其中所述像素区域即为全细胞区域；利用全细胞区域信息生成具有全细胞位置信息的第三病理切片。
其中，像素选择为10-30，矫正因子调整为0.8-1.2，排除重叠参数为强度。
其中，全细胞的识别中，识别模式为传播模式，阈值方法选择为大津法，平滑参数设为0.4。
特征增强模块3分别利用黑、白滤波器增强所述第三病理切片的图像特征，生成第四病理切片，并利用预设辅助识别模型对第四病理切片中的细胞质进行定位识别，生成细胞质定位蒙版与细胞质位置信息。
分别计算所述第三病理切片的开运算与闭运算，生成对应的开运算结果与闭运算结果；利用第三病理切片减去开运算结果生成顶帽运算结果，利用所述闭运算结果减去第三病理切片生成底帽运算结果；利用所述顶帽运算结果与所述底帽运算结果增强第三病理切片的图像特征，生成第四病理切片。
特征提取模块4根据所述细胞组织位置信息及所述全细胞位置信息分别对所述细胞组织及所述全细胞进行特征提取及纹理分析，生成患者病理特征与患者病理特征集。
分别利用灰度共生矩阵法、灰度游程矩阵法、沃洛诺伊法、滤波和小波变换法从所述第四病理切片中提取多个患者病理特征；根据所述第四病理切片的灰度平均值与灰度方差测量图像亮度，利用相邻细胞的数量和占比测量邻近的目标细胞，生成至少一个患者病理特征；从所述第四病理切片中提取细胞的大小与形体特征，生成患者细胞特征；将所述多个患者病理特征与患者细胞特征整合形成患者病理特征集。
测试模块5构建肺腺癌预后模型，将所述患者病理特征集按预设比例分开，生成训练集与测试集，利用所述训练集内的信息对所述肺腺癌预后模型进行训练并利用所述测试机对所述肺腺癌预后模型进行测试。
随机选择部分样本与对应特征，构建预设数量的决策树；通过对各个决策树的权重进行投票，生成预后结果；调整各个决策树的权重数据直至测试集中的预后结果准确率高于预设阈值。
其中，所述预设比例为8：2，节点设置大小为12，决策树数量为1000，参数设置为置换。
预后模块6当所述测试机中的预设年份预后结果准确率高于预设信息时，当前肺腺癌预后模型测试完毕，输入待预测的患者肺部病理图像，生成该患者的肺腺癌预后数据。
其中，所述预设年份为患者的第一年、第三年及第五年。
另外，本发明实施例还提供了基于病理图像的肺腺癌预后设备，所述设备包括：处理器和存储器；所述存储器用于存储一个或多个程序指令；所述处理器，用于运行一个或多个程序指令，用以执行如上任一项所述的基于病理图像的肺腺癌预后方法的步骤。
另外，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述基于病理图像的肺腺癌预后方法的步骤。
在本发明实施例中，处理器可以是一种集成电路芯片，具有信号的处理能力。处理器可以是通用处理器、数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(FieldProgrammable GateArray，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。处理器读取存储介质中的信息，结合其硬件完成上述方法的步骤。
存储介质可以是存储器，例如可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。
其中，非易失性存储器可以是只读存储器(Read-Only Memory，简称ROM)、可编程只读存储器(Programmable ROM，简称PROM)、可擦除可编程只读存储器(Erasable PROM，简称EPROM)、电可擦除可编程只读存储器(Electrically EPROM，简称EEPROM)或闪存。
易失性存储器可以是随机存取存储器(Random Access Memory，简称RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，简称SRAM)、动态随机存取存储器(Dynamic RAM，简称DRAM)、同步动态随机存取存储器(Synchronous DRAM，简称SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM，简称DDRSDRAM)、增强型同步动态随机存取存储器(EnhancedSDRAM，简称ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，简称SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，简称DRRAM)。
本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件与软件组合来实现。当应用软件时，可以将相应功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
Claims (10)
1.基于病理图像的肺腺癌预后方法，其特征在于，所述方法包括：
S1、采集肺部病理图片与对应肺腺癌患者的预后数据，将所述病理图片分割成预设大小的第一病理切片并对所述第一病理切片进行预处理，生成第二病理切片；
S2、利用预设识别模型对所述第二病理切片进行分割，从中定位细胞组织位置，生成细胞组织定位蒙版与细胞组织位置信息，利用预设背景消除模型从所述细胞组织位置信息中识别出细胞核，生成细胞核定位蒙版与细胞核位置信息，利用预设辅助识别模型结合所述细胞核位置信息与所述细胞组织位置信息对全细胞进行定位，生成具有全细胞位置信息的第三病理切片；
S3、分别利用黑、白滤波器增强所述第三病理切片的图像特征，生成第四病理切片，并利用预设辅助识别模型对第四病理切片中的细胞质进行定位识别，生成细胞质定位蒙版与细胞质位置信息；
S4、根据所述细胞组织位置信息及所述全细胞位置信息分别对所述细胞组织及所述全细胞进行特征提取及纹理分析，生成患者病理特征与患者病理特征集；
S5、构建肺腺癌预后模型，将所述患者病理特征集按预设比例分开，生成训练集与测试集，利用所述训练集内的信息对所述肺腺癌预后模型进行训练并利用所述测试机对所述肺腺癌预后模型进行测试；
S6、当所述测试机中的预设年份预后结果准确率高于预设信息时，当前肺腺癌预后模型测试完毕，输入待预测的患者肺部病理图像，生成该患者的肺腺癌预后数据。
2.如权利要求1所述的基于病理图像的肺腺癌预后方法，其特征在于，采集肺部病理图片与对应肺腺癌患者的预后数据，将所述病理图片分割成预设大小的第一病理切片并对所述第一病理切片进行预处理，生成第二病理切片，包括：
将所述病理分割成多个预设大小的第一病理切片；
将所述第一病理切片输入至预设病理纹理特征提取模块，生成黑白第一病理切片；
利用预设明度矫正模型依次对黑白第一病理切片进行明度矫正，生成对应的第二病理切片。
3.如权利要求2所述的基于病理图像的肺腺癌预后方法，其特征在于，利用预设识别模型对所述第二病理切片进行分割，从中定位细胞组织位置，生成细胞组织定位蒙版与细胞组织位置信息，包括：
对所述第二病理图片进行梯度计算并依据梯度计算数据进行分割，定位细胞组织位置；
利用大津法进行阈值识别并对所述第二病理图片进行阈值处理，并对各个边缘点的灰度值从低到高进行排序，灰度值大于阈值的即为细胞组织部分；
所述梯度计算的公式为：
g(x,y)＝grad(f(x,y))＝{[f(x,y)-f(x-1,y)]2[f(x,y)-f(x,y-1)]2}0.5
g(x,y)＝max(grad(f(x,y)),k)
其中，f(x,y)为原始图像，grad表示梯度运算，g(x,y)为梯度计算数据，k为阈值，max表示最大值。
4.如权利要求3所述的基于病理图像的肺腺癌预后方法，其特征在于，利用预设背景消除模型从所述细胞组织位置信息中识别出细胞核，生成细胞核定位蒙版与细胞核位置信息，利用预设辅助识别模型结合所述细胞核位置信息与所述细胞组织位置信息对全细胞进行定位，生成具有全细胞位置信息的第三病理切片，包括：
利用MOG背景消除法从所述细胞组织位置信息中识别出细胞核，生成细胞核定位蒙版与细胞核位置信息；
对所述第二病理切片进行图像扫描，找到一个未获得归属的像素；
以该像素为中心，考虑该像素的预设邻域像素，将满足生长准则的邻域像素与该像素合并为像素区域；
遍历全部像素直至没有未获得归属的像素，其中所述像素区域即为全细胞区域；
利用全细胞区域信息生成具有全细胞位置信息的第三病理切片。
5.如权利要求4所述的基于病理图像的肺腺癌预后方法，其特征在于，分别利用黑、白滤波器增强所述第三病理切片的图像特征，生成第四病理切片，包括：
分别计算所述第三病理切片的开运算与闭运算，生成对应的开运算结果与闭运算结果；
利用第三病理切片减去开运算结果生成顶帽运算结果，利用所述闭运算结果减去第三病理切片生成底帽运算结果；
利用所述顶帽运算结果与所述底帽运算结果增强第三病理切片的图像特征，生成第四病理切片。
6.如权利要求5所述的基于病理图像的肺腺癌预后方法，其特征在于，根据所述细胞组织位置信息及所述全细胞位置信息分别对所述细胞组织及所述全细胞进行特征提取及纹理分析，生成患者病理特征与患者病理特征集，包括：
分别利用灰度共生矩阵法、灰度游程矩阵法、沃洛诺伊法、滤波和小波变换法从所述第四病理切片中提取多个患者病理特征；
根据所述第四病理切片的灰度平均值与灰度方差测量图像亮度，利用相邻细胞的数量和占比测量邻近的目标细胞，生成至少一个患者病理特征；
从所述第四病理切片中提取细胞的大小与形体特征，生成患者细胞特征；
将所述多个患者病理特征与患者细胞特征整合形成患者病理特征集。
7.如权利要求6所述的基于病理图像的肺腺癌预后方法，其特征在于，构建肺腺癌预后模型，将所述患者病理特征集按预设比例分开，生成训练集与测试集，利用所述训练集内的信息对所述肺腺癌预后模型进行训练并利用所述测试机对所述肺腺癌预后模型进行测试，包括：
随机选择部分样本与对应特征，构建预设数量的决策树；
通过对各个决策树的权重进行投票，生成预后结果；
调整各个决策树的权重数据直至测试集中的预后结果准确率高于预设阈值。
8.基于病理图像的肺腺癌预后***，其特征在于，所述***包括：
采集模块，用于采集肺部病理图片与对应肺腺癌患者的预后数据，将所述病理图片分割成预设大小的第一病理切片并对所述第一病理切片进行预处理，生成第二病理切片；
细胞定位模块，用于利用预设识别模型对所述第二病理切片进行分割，从中定位细胞组织位置，生成细胞组织定位蒙版与细胞组织位置信息，利用预设背景消除模型从所述细胞组织位置信息中识别出细胞核，生成细胞核定位蒙版与细胞核位置信息，利用预设辅助识别模型结合所述细胞核位置信息与所述细胞组织位置信息对全细胞进行定位，生成具有全细胞位置信息的第三病理切片；
特征增强模块，用于分别利用黑、白滤波器增强所述第三病理切片的图像特征，生成第四病理切片，并利用预设辅助识别模型对第四病理切片中的细胞质进行定位识别，生成细胞质定位蒙版与细胞质位置信息；
特征提取模块，用于根据所述细胞组织位置信息及所述全细胞位置信息分别对所述细胞组织及所述全细胞进行特征提取及纹理分析，生成患者病理特征与患者病理特征集；
测试模块，用于构建肺腺癌预后模型，将所述患者病理特征集按预设比例分开，生成训练集与测试集，利用所述训练集内的信息对所述肺腺癌预后模型进行训练并利用所述测试机对所述肺腺癌预后模型进行测试；
预后模块，用于当所述测试机中的预设年份预后结果准确率高于预设信息时，当前肺腺癌预后模型测试完毕，输入待预测的患者肺部病理图像，生成该患者的肺腺癌预后数据。
9.基于病理图像的肺腺癌预后设备，其特征在于，所述设备包括：处理器和存储器；
所述存储器用于存储一个或多个程序指令；
所述处理器，用于运行一个或多个程序指令，用以执行如权利要求1至7任一项所述的基于病理图像的肺腺癌预后方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于病理图像的肺腺癌预后方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310941240.0A CN116959712B (zh) | 2023-07-28 | 2023-07-28 | 基于病理图像的肺腺癌预后方法、***、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310941240.0A CN116959712B (zh) | 2023-07-28 | 2023-07-28 | 基于病理图像的肺腺癌预后方法、***、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116959712A true CN116959712A (zh) | 2023-10-27 |
| CN116959712B CN116959712B (zh) | 2024-06-21 |
Family
ID=88448844
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310941240.0A Active CN116959712B (zh) | 2023-07-28 | 2023-07-28 | 基于病理图像的肺腺癌预后方法、***、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116959712B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117423479A (zh) * | 2023-12-19 | 2024-01-19 | 神州医疗科技股份有限公司 | 一种基于病理图像数据的预测方法及*** |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109671072A (zh) * | 2018-12-18 | 2019-04-23 | 东北大学 | 基于点式阵列条件随机场的***组织病理图像诊断方法 |
| CN111402267A (zh) * | 2020-03-13 | 2020-07-10 | 中山大学孙逸仙纪念医院 | ***癌病理图像中上皮细胞核的分割方法、装置和终端 |
| CN112435743A (zh) * | 2020-12-09 | 2021-03-02 | 上海市第一人民医院 | 一种基于机器学习的膀胱癌病理组学智能诊断方法及其预后模型 |
-
2023
- 2023-07-28 CN CN202310941240.0A patent/CN116959712B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109671072A (zh) * | 2018-12-18 | 2019-04-23 | 东北大学 | 基于点式阵列条件随机场的***组织病理图像诊断方法 |
| CN111402267A (zh) * | 2020-03-13 | 2020-07-10 | 中山大学孙逸仙纪念医院 | ***癌病理图像中上皮细胞核的分割方法、装置和终端 |
| CN112435743A (zh) * | 2020-12-09 | 2021-03-02 | 上海市第一人民医院 | 一种基于机器学习的膀胱癌病理组学智能诊断方法及其预后模型 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117423479A (zh) * | 2023-12-19 | 2024-01-19 | 神州医疗科技股份有限公司 | 一种基于病理图像数据的预测方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116959712B (zh) | 2024-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111723860B (zh) | 一种目标检测方法及装置 | |
| CN109886179B (zh) | 基于Mask-RCNN的子宫颈细胞涂片的图像分割方法和*** | |
| CN108665456B (zh) | 基于人工智能的乳腺超声病灶区域实时标注的方法及*** | |
| CN110111344B (zh) | 病理切片图像分级方法、装置、计算机设备和存储介质 | |
| CN109886282A (zh) | 对象检测方法、装置、计算机可读存储介质和计算机设备 | |
| CN111862044B (zh) | 超声图像处理方法、装置、计算机设备和存储介质 | |
| CN110969204B (zh) | 基于磁共振图像与数字病理图像融合的样本分类*** | |
| CN112634261A (zh) | 基于卷积神经网络的胃癌病灶检测方法及装置 | |
| CN109978037A (zh) | 图像处理方法、模型训练方法、装置、和存储介质 | |
| CN111784721A (zh) | 基于深度学习的超声内窥图像智能分割与量化方法及*** | |
| CN111931751B (zh) | 深度学习训练方法、目标物识别方法、***和存储介质 | |
| CN112651979A (zh) | 肺部x光图像分割方法、***、计算机设备及存储介质 | |
| CN116959712B (zh) | 基于病理图像的肺腺癌预后方法、***、设备及存储介质 | |
| CN110853009A (zh) | 基于机器学习的视网膜病理图像分析*** | |
| CN112750121B (zh) | 用于病理玻片数字图像质量检测的***及其方法 | |
| CN111161272B (zh) | 一种基于生成对抗网络的胚胎组织分割方法 | |
| CN109919254B (zh) | 乳腺密度分类方法、***、可读存储介质和计算机设备 | |
| Konsti et al. | Effect of image compression and scaling on automated scoring of immunohistochemical stainings and segmentation of tumor epithelium | |
| CN114841947A (zh) | 肺腺癌h&e染色病理图像肿瘤区域多尺度特征提取与预后分析方法、装置 | |
| CN112215217B (zh) | 模拟医师阅片的数字图像识别方法及装置 | |
| CN115760858B (zh) | 基于深度学习的肾脏病理切片细胞识别方法及*** | |
| CN114742758A (zh) | 一种全视野数字切片组织病理图片中的细胞核分类方法 | |
| CN114549462A (zh) | 基于视角解耦Transformer模型的病灶检测方法、装置、设备及介质 | |
| CN113160185A (zh) | 一种利用生成边界位置指导宫颈细胞分割的方法 | |
| CN113420793A (zh) | 一种基于改进的卷积神经网络ResNeSt50的胃印戒细胞癌分类方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |