基于HER2基因检测的胃癌病理图像分类方法及系统技术方案

本发明专利技术属于计算机和图像处理技术领域，具体涉及了一种基于HER2基因检测的胃癌病理图像分类方法及系统，旨在解决现有技术无法进行胃癌病理图像的准确分类，从而无法有效辅助医生预测患者进行曲妥珠单抗治疗的疗效的问题。本发明专利技术包括：获取胃癌患者的胃部数字病理切片图像；进行区域提取及分割操作，获得多个设定像素大小且包含设定组织类型的图像块；进行图像块的数据增强归一化和数据划分，获得训练图像包；通过训练图像包进行网络迭代训练，获得胃癌病理图像分类模型；通过胃癌病理图像分类模型进行实时获取的患者胃部数字病理切片图像的分类。本发明专利技术实现胃癌病理图像的准确分类，从而可以辅助医生有效预测患者进行曲妥珠单抗治疗的疗效。单抗治疗的疗效。单抗治疗的疗效。

【技术实现步骤摘要】
基于HER2基因检测的胃癌病理图像分类方法及系统


[0001]本专利技术属于计算机和图像处理
，具体涉及了一种基于HER2基因检测的胃癌病理图像分类方法及系统。

技术介绍

[0002]胃癌是一种常见的恶性肿瘤，目前已知的几个胃癌重要分子致病通路包括：PI3K/AKT/mTOR，MAPK信号传导通路ERK、JNK、p38、Hippo通路等，与胃癌细胞的凋亡、自噬、肿瘤的大小、浸润深度和远处转移密切相关。然而纵使胃癌的靶向治疗在基础研究中效果可观，但难以将其转换至临床，目前仅人类表皮生长因子受体2(human epithelial growth factor receptor 2,HER2)在胃癌临床靶向治疗获批[1]。
[0003]曲妥珠单抗是特异性抗HER2靶向药，其联合方案较单纯化疗延长总生存期至16个月，较进展期胃癌传统化疗下不足一年的平均生存时间有明显提升。多项研究显示，抗HER2疗法(主要是HER2蛋白的单克隆抗体药物)在胃癌的离体和在体模型中都具有非常显著的疗效。
[0004]然而，在实际临床实验中曲妥珠单抗的客观有效率仅47.3％，如何开发快速准确的方法，在治疗前对曲妥珠单抗治疗疗效进行预测，具有重要临床价值。胃癌中HER2表达存在较高的异质性，不同患者在病理图片中也表现出不同程度的异质性，曲妥珠单抗治疗疗效与胃癌HER2表达异质性相关。在接受曲妥珠单抗治疗患者中，研究观察到同质性较好的HER2表达胃癌患者无进展生存时间(PFS)、总生存期(OS)均较异质性较高胃癌患者延长[2][3]。
[0005]在临床上，评估胃癌HER2表达异质性的方法主要是通过病理切片免疫组织化学和原位杂交方法来评估。免疫组化可以部分评估HER2表达状态，而原位杂交法是HER2检测的金标准。但是即使对HER2进行了较为准确的评估，也难以对患者胃癌病理图像进行准确有效的分类，从而无法辅助医生有效预测患者进行曲妥珠单抗治疗的疗效。
[0006]以下文献是与本专利技术相关的技术背景资料：
[0007][1]张芮毫综述,张明审校.进展期胃癌抗HER2治疗研究进展[J].医学研究生学报,2022(035
‑
002).
[0008][2]Gravalos,C.,&Jimeno,A.(2008).HER2 in gastric cancer:a new prognostic factor and a novel therapeutic target.Annals of Oncology,19(9),1523
‑
1529.
[0009][3]Huemer,F.,Weiss,L.,Regitnig,P.,Winder,T.,Hartmann,B.,Thaler,J.,...&E.(2020).Local and Central Evaluation of HER2 Positivity and Clinical Outcome in Advanced Gastric and Gastroesophageal Cancer—Results from the AGMT GASTRIC
‑
5Registry.Journal of Clinical Medicine,9(4),935.

技术实现思路

[0010]为了解决现有技术中的上述问题，即现有技术无法进行胃癌病理图像的准确分类，从而无法有效辅助医生预测患者进行曲妥珠单抗治疗的疗效的问题，本专利技术提供了一种基于HER2基因检测的胃癌病理图像分类方法，所述胃癌病理图像分类方法包括：
[0011]步骤S10，获取胃癌患者的胃部数字病理切片图像；所述切片图像包含癌症组织表达HER2基因的表达情况；
[0012]步骤S20，对所述切片图像进行区域提取及分割操作，获得多个设定像素大小且包含设定组织类型的图像块；
[0013]步骤S30，进行所述多个设定像素大小且包含设定组织类型的图像块的数据增强归一化和数据划分，获得训练图像包；
[0014]步骤S40，通过所述训练图像包对构建的ResNet卷积神经网络进行迭代训练，获得胃癌病理图像分类模型；
[0015]步骤S50，基于实时获取的患者胃部数字病理切片图像，通过胃癌病理图像分类模型进行分类，获得图像分类结果。
[0016]在一些优选的实施例中，所述胃癌患者的胃部数字病理切片图像为通过苏木精——伊红染色法染色后的图像；
[0017]所述癌症组织表达HER2基因的表达情况通过免疫组化的方式获得，包括阴性信息和阳性信息。
[0018]在一些优选的实施例中，步骤S20包括：
[0019]步骤S21，将标注文件的癌症区域边界点连接，获得癌症区域边界，并基于所述癌症区域边界转换成图像掩膜；
[0020]步骤S22，将所述切片图像和所述图像掩膜降采样至设定level；
[0021]步骤S23，通过降采样的图像掩膜进行降采样的切片图像的区域提取，并将提取的子区域分割为设定像素大小的图像块；
[0022]步骤S24，分别计算每个图像块中与ROI区域重合面积占图像块面积的比例，提取大于设定阈值的图像块，获得多个设定像素大小且包含设定组织类型的图像块。
[0023]在一些优选的实施例中，所述降采样，其方法为：
[0024]其中，H，W分别为降采样后的切片图像和图像掩膜的高和宽，height，width分别为降采样前的切片图像和图像掩膜的高和宽，level为降采样尺度。
[0025]在一些优选的实施例中，所述数据增强归一化，其方法为：
[0026]进行多个设定像素大小且包含设定组织类型的图像块中每一个图像块的水平翻转、垂直翻转、随机旋转，获得增强图像块集；
[0027]对增强图像块集中每一个图像块进行亮度、对比度的归一化，获得增强归一化图像块集。
[0028]在一些优选的实施例中，所述数据划分，其方法为：
[0029]对所述增强归一化图像块集进行随机划分，获得设定数量图像块组成的图像包集合；
[0030]判断每一个图像块的标签，并执行：
[0031]若一个图像包中包含至少一个阳性标签的图像块，则该图像包标记为正类多示例包；否则，该图像包标记为负类多示例包。
[0032]在一些优选的实施例中，所述判断每一个图像块的标签，其方法为：
[0033]通过ResNet卷积神经网络提取所述图像块的特征图；
[0034]进行所述特征图的最大池化操作，并通过softmax归一化函数计算获取所述图像块为阳性类和阴性类的概率。
[0035]在一些优选的实施例中，所述胃癌病理图像分类模型，其训练方法为：
[0036]步骤B10，提取所述训练图像包中图像块的图片纹路、细胞形态，并排除胃间质细胞、腺体细胞，获得预处理训练图像包；
[0037]步骤B20，构建ResNet卷积神经网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于HER2基因检测的胃癌病理图像分类方法，其特征在于，所述胃癌病理图像分类方法包括：步骤S10，获取胃癌患者的胃部数字病理切片图像；所述切片图像包含癌症组织表达HER2基因的表达情况；步骤S20，对所述切片图像进行区域提取及分割操作，获得多个设定像素大小且包含设定组织类型的图像块；步骤S30，进行所述多个设定像素大小且包含设定组织类型的图像块的数据增强归一化和数据划分，获得训练图像包；步骤S40，通过所述训练图像包对构建的ResNet卷积神经网络进行迭代训练，获得胃癌病理图像分类模型；步骤S50，基于实时获取的患者胃部数字病理切片图像，通过胃癌病理图像分类模型进行分类，获得图像分类结果。2.根据权利要求1所述的基于HER2基因检测的胃癌病理图像分类方法，其特征在于，所述胃癌患者的胃部数字病理切片图像为通过苏木精——伊红染色法染色后的图像；所述癌症组织表达HER2基因的表达情况通过免疫组化的方式获得，包括阴性信息和阳性信息。3.根据权利要求1所述的基于HER2基因检测的胃癌病理图像分类方法，其特征在于，步骤S20包括：步骤S21，将标注文件的癌症区域边界点连接，获得癌症区域边界，并基于所述癌症区域边界转换成图像掩膜；步骤S22，将所述切片图像和所述图像掩膜降采样至设定level；步骤S23，通过降采样的图像掩膜进行降采样的切片图像的区域提取，并将提取的子区域分割为设定像素大小的图像块；步骤S24，分别计算每个图像块中与ROI区域重合面积占图像块面积的比例，提取大于设定阈值的图像块，获得多个设定像素大小且包含设定组织类型的图像块。4.根据权利要求3所述的基于HER2基因检测的胃癌病理图像分类方法，其特征在于，所述降采样，其方法为：其中，H，W分别为降采样后的切片图像和图像掩膜的高和宽，height，width分别为降采样前的切片图像和图像掩膜的高和宽，level为降采样尺度。5.根据权利要求1所述的基于HER2基因检测的胃癌病理图像分类方法，其特征在于，所述数据增强归一化，其方法为：进行多个设定像素大小且包含设定组织类型的图像块中每一个图像块的水平翻转、垂直翻转、随机旋转，获得增强图像块集；对增强图像块集中每一个图像块进行亮度、对比度的归一化，获得增强归一化图像块集。6.根据权利要求5所述的基于HER2基因检测的胃癌病理图像分类方法，其特征在于，所
述数据划分，其方法为：对所述增强归一化图像块集进行随机划分，获得设定数量图像块组成的图像包集合；判断每一个图像块的标签，并执行：若一个图像包中包含至少一个阳性标签的图像块，则该图像包标记为正类多示例包；否则，该图像包标记为负类多示例包。7.根据权利要求6所述的基于HER2基因检测的胃癌病理图像分类方法，其特征在于，所述判断每一个图像块的标签，其方法为：通过ResNet卷积神经网络提取所述图像块的特征图；进行所述特征...

【专利技术属性】
技术研发人员：田捷，董迪，张若凡，方梦捷，操润楠，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：