本申请为细胞识别技术领域,本申请提供了一种食管癌组织PD‑L1免疫组化的智能评估方法及终端,其中,所述方法包括:对初始病理切片进行PD‑L1免疫组化染色处理得到目标病理切片,对目标病理切片进行数字化扫描得到病理全场图像,利用YOLO模型对数字病理全场图像中的肿瘤区域的肿瘤细胞进行标记和计数,得到肿瘤细胞数,并对肿瘤区域的阳性肿瘤细胞进行标记和计数,得到阳性肿瘤细胞数,利用YOLO模型对肿瘤区域的阳性淋巴细胞和阳性单核巨噬细胞进行标记和计数,得到阳性淋巴细胞数和阳性单核巨噬细胞数,并计算CPS评分,以实现食管癌组织PD‑L1免疫组化的智能评估,提高食管癌组织PD‑L1免疫组化的评估准确性及效率。
【技术实现步骤摘要】
本申请涉及细胞识别,具体而言,本申请涉及一种食管癌组织pd-l1免疫组化的智能评估方法及终端。
技术介绍
1、在肿瘤免疫治疗领域,以程序性死亡受体1(pd-1)免疫检查点抑制剂为代表的免疫治疗在食管癌治疗领域取得了巨大进展,并逐步改写全球食管癌的治疗模式。但仅有部分食管癌患者能从免疫治疗中显著获益,因此如何筛选出pd-1抑制剂的潜在获益人群是目前面临的重要挑战。
2、食管癌程序性死亡受体配体(pd-l1)蛋白表达水平与pd-1抑制剂疗效密切相关,pd-l1(programmed death-ligand 1)的表达水平是预测患者对pd-1抑制剂治疗反应的重要生物标志物。传统的食管癌组织pd-l1免疫组化的评估方法依赖于病理医生的经验,往往存在主观性,影响食管癌组织pd-l1免疫组化的评估准确性及效率。
技术实现思路
1、本申请的主要目的为提供一种食管癌组织pd-l1免疫组化的智能评估方法及终端,以实现食管癌组织pd-l1免疫组化的智能评估,提高食管癌组织pd-l1免疫组化的评估准确性及效率。
2、为了实现上述专利技术目的,本申请提供一种食管癌组织pd-l1免疫组化的智能评估方法,包括:
3、获取食管癌组织pd-l1免疫组化的初始病理切片,对所述初始病理切片进行pd-l1免疫组化染色处理,得到目标病理切片;
4、对所述目标病理切片进行数字化扫描,得到在预设放大倍数视野下的数字病理全场图像,并确定所述数字病理全场图像中的肿瘤区域;
5、利用预建的yolo模型对所述肿瘤区域的肿瘤细胞进行标记和计数,得到肿瘤细胞数,并对所述肿瘤区域的阳性肿瘤细胞进行标记和计数,得到阳性肿瘤细胞数;
6、利用预建的所述yolo模型对所述肿瘤区域的阳性淋巴细胞和阳性单核巨噬细胞进行标记和计数,得到阳性淋巴细胞数和阳性单核巨噬细胞数;
7、根据所述肿瘤细胞数、阳性肿瘤细胞数、阳性淋巴细胞数和阳性单核巨噬细胞数计算cps评分,所述cps评分用于评估食管癌组织中pd-l1免疫组化的表达水平:
8、
9、其中,所述a为阳性肿瘤细胞数,所述b为阳性淋巴细胞数,所述c为阳性单核巨噬细胞数,所述s为肿瘤细胞数。
10、优选地,对所述初始病理切片进行pd-l1免疫组化染色处理,得到目标病理切片,包括:
11、将所述初始病理切片贴附在载玻片上,并放入染色机中;
12、利用所述染色机对所述初始病理切片进行脱蜡处理,并经过酒精溶液进行再水化处理后,得到第一病理切片;
13、将所述第一病理切片与针对食管癌组织pd-l1的第一抗体进行孵育,并与针对食管癌组织pd-l1的第二抗体进行孵育,得到第二病理切片;
14、利用dab显色剂对所述第二病理切片进行颜色反应处理,并利用苏木精复染细胞核,得到第三病理切片;
15、对所述第三病理切片进行脱水处理后使用树脂进行封固,并覆盖盖玻片,得到目标病理切片。
16、优选地,对所述目标病理切片进行数字化扫描,得到在预设放大倍数视野下的数字病理全场图像,包括:
17、根据预设放大倍数设置全切片成像系统的多个扫描阶段,每个扫描阶段对应的放大倍数为所述预设放大倍数的n倍或所述n为正整数;
18、基于每个扫描阶段对应的放大倍数及默认分辨率设置全切片成像系统的扫描参数,控制所述全切片成像系统按照所述扫描参数对所述目标病理切片进行数字化扫描,得到多张局部显微图像;
19、根据预设的图像处理算法将所述多张局部显微图像进行拼接,得到数字病理全场图像。
20、优选地,根据预设的图像处理算法将所述多张局部显微图像进行拼接,得到数字病理全场图像,包括:
21、确定每张局部显微图像的清晰度;
22、判断每张所述局部显微图像的清晰度是否都高于预设清晰度;
23、当判定每张所述局部显微图像的清晰度都高于预设清晰度时,利用canny算法对每张所述局部显微图像进行边界检测,得到每张所述局部显微图像的边界特征,基于每张所述局部显微图像的边界特征,利用尺度不变特征变换算法确定局部显微图像之间匹配的特征点和变换矩阵,基于所述局部显微图像之间匹配的特征点和变换矩阵计算出最优排列组合,按照所述最优排列组合将所述多张局部显微图像进行拼接,并去除重复图像区域后,得到数字病理全场图像。
24、进一步地,判断每张所述局部显微图像的清晰度是否都高于预设清晰度之后,还包括:
25、当判定任一张所述局部显微图像的清晰度低于所述预设清晰度时,将清晰度低于所述预设清晰度的所述局部显微图像作为待定局部显微图像;
26、查询所述待定局部显微图像对应的放大倍数,并将所述全切片成像系统的默认分辨率调整为目标分辨率,在所述目标分辨率及所述待定局部显微图像对应的放大倍数下,控制所述全切片成像系统对所述目标病理切片进行再次扫描,得到候选局部显微图像,并替换所述待定局部显微图像。
27、优选地,利用canny算法对每张所述局部显微图像进行边界检测,得到每张所述局部显微图像的边界特征,包括:
28、利用加权平均方法对每张所述局部显微图像进行灰度化处理,得到多张灰度图像;
29、通过自适应卷积算法将每张所述灰度图像中每个像素的像素值转换为邻域内像素值的加权平均值,生成多张第一局部显微图像;
30、将每张所述第一局部显微图像分别划分为多个子图像区域,计算每张所述第一局部显微图像中每个子图像区域的中心像素与周围邻域像素之间的像素差值,得到每张所述第一局部显微图像的像素差值数集;
31、对每张所述第一局部显微图像的像素差值数集的像素差值进行梯度计算,得到每张所述第一局部显微图像在水平方向和垂直方向上的梯度幅值;
32、根据每张所述第一局部显微图像在水平方向和垂直方向上的梯度幅值计算得到总体梯度幅值;
33、将每张所述第一局部显微图像中像素值大于所述总体梯度幅值的像素点标记为边界像素点,形成每张所述局部显微图像的边界特征。
34、优选地,利用预建的yolo模型对所述肿瘤区域的肿瘤细胞进行标记和计数,得到肿瘤细胞数之前,还包括:
35、获取训练样本,所述训练样本包括多张数字病理全场图像样本,每张数字病理全场图像样本都标记了细胞类型和数量;
36、构建初始yolo模型及标记规则,将所述标记规则配置于所述初始yolo模型,并将所述训练样本输入所述初始yolo模型,调用所述初始yolo模型对所述训练样本进行预设次数的迭代训练,生成迭代训练后的训练结果;
37、根据迭代训练后的所述训练结果及预设的损失函数,计算迭代训练后的所述初始yolo模型的损失值;
38、判断迭代训练后的所述损失值是否低于预设损失值;
39、当判定迭代训练后的所述损失值低于预设损失值时,将所述初始y本文档来自技高网
...
【技术保护点】
1.一种食管癌组织PD-L1免疫组化的智能评估方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,对所述初始病理切片进行PD-L1免疫组化染色处理,得到目标病理切片,包括:
3.根据权利要求1所述的方法,其特征在于,对所述目标病理切片进行数字化扫描,得到在预设放大倍数视野下的数字病理全场图像,包括:
4.根据权利要求3所述的方法,其特征在于,根据预设的图像处理算法将所述多张局部显微图像进行拼接,得到数字病理全场图像,包括:
5.根据权利要求4所述的方法,其特征在于,判断每张所述局部显微图像的清晰度是否都高于预设清晰度之后,还包括:
6.根据权利要求4所述的方法,其特征在于,利用Canny算法对每张所述局部显微图像进行边界检测,得到每张所述局部显微图像的边界特征,包括:
7.根据权利要求1所述的方法,其特征在于,利用预建的YOLO模型对所述肿瘤区域的肿瘤细胞进行标记和计数,得到肿瘤细胞数之前,还包括:
8.根据权利要求7所述的方法,其特征在于,所述标记规则包括:
9.根据权利要求1所述的方法,其特征在于,确定所述数字病理全场图像中的肿瘤区域,包括:
10.一种终端,其特征在于,包括:
...
【技术特征摘要】
1.一种食管癌组织pd-l1免疫组化的智能评估方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,对所述初始病理切片进行pd-l1免疫组化染色处理,得到目标病理切片,包括:
3.根据权利要求1所述的方法,其特征在于,对所述目标病理切片进行数字化扫描,得到在预设放大倍数视野下的数字病理全场图像,包括:
4.根据权利要求3所述的方法,其特征在于,根据预设的图像处理算法将所述多张局部显微图像进行拼接,得到数字病理全场图像,包括:
5.根据权利要求4所述的方法,其特征在于,判断每张所述局部显微图像的...
【专利技术属性】
技术研发人员:付欣鸽,
申请(专利权)人:广州医科大学附属第一医院广州呼吸中心,
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。