【技术实现步骤摘要】
本专利技术属于病理学分级，具体涉及一种淋巴瘤组织学分级方法、系统、计算机设备及存储介质。
技术介绍
1、滤泡性淋巴瘤(fl)是非霍奇金b细胞淋巴瘤中的一种。近年来淋巴瘤发病率不断上升，目前已经位居十大恶性肿瘤之列。fl的诊断主要依赖于组织病理学的检查。病理学家通过在至少10个高倍视野(hpf)下计数中心母细胞的数量来确定fl的组织学等级。根据每个hpf中中心母细胞的数量，fl被分为三个组织学级别。其中1级：每个视野下中心母细胞≤5个；2级：中心母细胞数量6-15个；3级：中心母细胞数量＞15个。在3级中，如果观察到少量中心细胞，则划分为3a；若中心细胞完全缺失，且有大量中心母细胞，则为3b级，其中1、2级被认定为低级别，3级则被认定为高级别。这一组织学分级在指导患者治疗方案和预后方面起着关键作用。
2、根据现有文献报道，与低级别fl相比，高级别fl的转化率显著增加，这说明更高级别的病理分级可能是fl组织学转化的一个预测性指标。具体来说，可能随着fl分级的提高，其侵袭性增强，从而更易于发生转化。特别是，3b级fl在基因表达谱方面与弥漫大b细胞淋巴瘤高度相似，这进一步支持了fl高级别与组织学转化(histologic transformation)ht之间的相关性。因此，在临床诊疗过程中因进行准确的病理学分级对于指导治疗决策至关重要。
3、其病理学分级主要依赖于在高倍视野下观察到的中心母细胞的数量。病理医生通过人工计数方式，统计10个高倍视野下(2mm2)的中心母细胞数量以确定病理学分级。然而，目前fl的组织
4、在传统的医学实践中，fl的组织病理学分级主要基于病理学家利用显微镜对组织切片进行详细观察和分析。然而，该方法的有效性受限于显微镜的放大能力和观察视野范围，通常需要医生投入大量时间来仔细分析和理解切片上的细微变化。传统的组织切片分析方法在很大程度上依赖于医生的专业知识和临床经验，从而带入一定程度的主观判断。因此，即便对于经验丰富的病理学家而言，对于同一组织切片的诊断结果也可能存在差异，这凸显了该方法在一致性和客观性方面的潜在局限性。
5、随着先进成像系统和wsi扫描仪技术的快速发展，病理学领域正在经历一场重大变革。传统的显微镜阅片方法逐渐被基于wsi的数字化诊断所取代。在本轮技术革命中，计算机辅助分析从主要依赖定性判断转向更加精准的定量分析。利用dl模型对大量数据进行高效整合和分析，不仅提高了病理诊断的效率，还使得诊断过程更加客观和标准化，显著提升了结果的一致性。这种方法有效减少了不同病理医生之间在诊断过程中的主观判断差异。目前，人工智能已被应用于鉴别诊断、亚型鉴定、分级和预后评估等领域。利用人工智能方法进行数字病理学处理，在诊断准确性方面能够与经验丰富的病理学家相媲美，并且能够满足用户对性能的更高要求。这些进步不仅代表了医学技术的重大进步，也为未来的病理诊断工作提供了新的可能性。
6、在病理学研究领域，人工智能技术，尤其是深度学习算法，已经成为提供诊断准确性和效率的重要工具。目前，dl模型已经被成功应用于肿瘤的自动化诊断、图像的定量评估以及特征的细致分析等多个方面，这标志着人工智能技术在提高肿瘤诊疗质量和研究深度方面的潜力。但由于淋巴瘤分类的多样性和诊断的复杂性，人工智能在淋巴瘤病理诊断领域的应用还较少。
技术实现思路
1、本专利技术的目的在于提供一种淋巴瘤组织学分级方法、系统、计算机设备及存储介质，解决了依赖人工判断一致性和客观性方面的潜在局限性的问题。
2、本专利技术是通过以下技术方案来实现：
3、本专利技术公开了一种淋巴瘤组织学分级方法，包括以下步骤：
4、s1、在淋巴瘤病理切片图像中筛选富含诊断信息的多个感兴趣区域；
5、s2、将感兴趣区域输入至训练合格的hover-net核分割模型中，输出细胞分隔图像；
6、其中，细胞分隔图像中能够标示出不同细胞类型的区域、每个细胞的位置及其分类信息；
7、s3、将细胞分隔图像输入至分类器，输出组织学分级结果和每种细胞类型的数量。
8、进一步，s1中，筛选富含诊断信息的多个感兴趣区域所采用的工具为openhi标注系统。
9、进一步，s2中，hover-net核分割模型的训练过程为：
10、2.1、获取具有形态学典型的经临床诊断为3b级别淋巴瘤病理切片图像，作为中心母细胞原始图像集；
11、获取具有形态学典型的经临床诊断为低级别淋巴瘤病理切片图像，和部分染色较浅的低级别淋巴瘤病理切片图像，构成作为中心细胞原始图像集；
12、中心母细胞原始图像集和中心细胞原始图像集构成原始数据集；
13、2.2、对原始数据集进行标注，标注出有效肿瘤区域和干扰细胞区域，得到标注数据集；
14、2.3、对标注数据集中的每一幅图像的有效肿瘤区域进行裁剪，得到多个图像块；
15、2.4、3b级别淋巴瘤病理切片图像得到的图像块构成中心母细胞数据集，低级别淋巴瘤病理切片图像得到的图像块构成中心细胞数据集，将这两部分数据集分为训练集、验证集和测试集，使用训练集对hover-net核分割模型进行训练，直至验证集验证合格和使用测试集测试达到要求，则hover-net核分割模型训练合格。
16、进一步，2.2中，对原始数据集进行标注时，所采用的工具为openhi标注系统。
17、进一步，s3中，分类器能够识别三种类型的细胞图像块，三种类型的细胞图像块分为中心母细胞、中心细胞和其他细胞；
18、分类器中预设设定的阈值为中心母细胞数量基准值；
19、分类器完成中心目细胞数量的统计后，并与预设的阈值进行比较；当中心目细胞数量超过该阈值时，将该图像分类为高级别淋巴瘤组织；否则将该图像分类为低级别淋巴瘤组织。
20、进一步，当该图像分类为高级别淋巴瘤组织时，输出数字1；
21、当该图像分类为低级别淋巴瘤组织时，输出数字0。
22、本专利技术还公开了一种淋巴瘤组织学分级系统，包括：
23、筛选模块，用于在淋巴瘤病理切片图像中筛选富含诊断信息的多个感兴趣区域；
24、核分割模块，用于将感兴趣区域输入至训练合格的hover-net核分割模型中，输出细胞分隔图像；
25、其中，细胞分隔图像中能够标示出不同细胞类型的区域、每个细胞的位置及其分类信息；
26、输出模块，用于将细胞分隔图像输入至分类器，输出组织学分级结果和每种细胞类型的数量。
27、本专利技术还公开了一种计算机设备，包括存储器、处理器以及存储在所述存储器中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计算机程序时实现所述淋巴瘤组织学分级方法的步骤。
28、本专利技术还公开了一种计算机可读存储介质，所述计算机可读存储介质存储有计本文档来自技高网...
【技术保护点】
1.一种淋巴瘤组织学分级方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种淋巴瘤组织学分级方法，其特征在于，S1中，筛选富含诊断信息的多个感兴趣区域所采用的工具为OpenHI标注系统。
3.根据权利要求1所述的一种淋巴瘤组织学分级方法，其特征在于，S2中，Hover-NET核分割模型的训练过程为：
4.根据权利要求3所述的一种淋巴瘤组织学分级方法，其特征在于，2.2中，对原始数据集进行标注时，所采用的工具为OpenHI标注系统。
5.根据权利要求4所述的一种淋巴瘤组织学分级方法，其特征在于，S3中，分类器能够识别三种类型的细胞图像块，三种类型的细胞图像块分为中心母细胞、中心细胞和其他细胞；
6.根据权利要求5所述的一种淋巴瘤组织学分级方法，其特征在于，当该图像分类为高级别淋巴瘤组织时，输出数字1；
7.一种淋巴瘤组织学分级系统，其特征在于，包括：
8.一种计算机设备，包括存储器、处理器以及存储在所述存储器中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计算机程序时实
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任意一项所述淋巴瘤组织学分级方法的步骤。
10.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现如权利要求1所述淋巴瘤组织学分级方法的步骤。
...【技术特征摘要】
1.一种淋巴瘤组织学分级方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种淋巴瘤组织学分级方法，其特征在于，s1中，筛选富含诊断信息的多个感兴趣区域所采用的工具为openhi标注系统。
3.根据权利要求1所述的一种淋巴瘤组织学分级方法，其特征在于，s2中，hover-net核分割模型的训练过程为：
4.根据权利要求3所述的一种淋巴瘤组织学分级方法，其特征在于，2.2中，对原始数据集进行标注时，所采用的工具为openhi标注系统。
5.根据权利要求4所述的一种淋巴瘤组织学分级方法，其特征在于，s3中，分类器能够识别三种类型的细胞图像块，三种类型的细胞图像块分为中心母细胞、中心细胞和其他细胞；
6.根据权利要求5所述的...
【专利技术属性】
技术研发人员：李文生，李辰，常晨，王翔宇，陈卓，马钰，
申请(专利权)人：西安交通大学，
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。