【技术实现步骤摘要】
本专利技术涉及自动化筛选掩膜模型训练目标识别，更具体地说，本专利技术涉及一种pd-l1免疫组化切片肿瘤识别检测方法及系统。
技术介绍
1、pd-l1(programmed death-ligand 1)是一种免疫检查点分子，其在免疫系统中起着重要的调节作用；它通过与pd-1受体结合，抑制t细胞的活化，从而避免过度免疫反应；然而，某些肿瘤细胞可以表达高水平的pd-l1，以逃避免疫系统的攻击，导致肿瘤免疫逃逸和进展；因此，pd-l1的定量检测和定位对于肿瘤免疫治疗的有效性评估和治疗策略的制定至关重要；目前，免疫组化(ihc)技术是pd-l1表达检测的常用方法；然而，传统的ihc方法在肿瘤细胞定位和计数方面存在一些局限性；首先，手工定位和计数肿瘤细胞是一项耗时且主观性强的任务，容易导致误差和不一致性；其次，肿瘤细胞的定位通常仅限于视觉判断，缺乏精确的定量信息；这些问题限制了pd-l1表达检测的准确性和可靠性；为了克服这些问题，如何进一步扩大计算机辅助方法在免疫组化病理切片图像分析中应用、如何将深度学习模型强化图像分析并在各种医学图像识别和分割任务中进一步提高效率和准确度、如何在肿瘤细胞识别方面创建训练优化目标检测模型并在目标定位和识别方面增强模型性能等问题尚待解决；因此，有必要提出一种pd-l1免疫组化切片肿瘤识别检测方法及系统，以至少部分地解决现有技术中存在的问题。
技术实现思路
1、在
技术实现思路
部分中引入了一系列简化形式的概念，这将在具体实施方式部分中进一步详细说明；本专利技术的专
2、为至少部分地解决上述问题，本专利技术提供了一种pd-l1免疫组化切片肿瘤识别检测方法，包括：
3、s100，采集临床病理学实验的各类器官pd-l1切片，进行高分辨率扫描、预识别筛选及云端数据存储，获取各类器官pd-l1切片数据集；
4、s200，根据各类器官pd-l1切片数据集，自动标注每个肿瘤细胞标注像素级掩膜，自动生成标注边界框，获取肿瘤细胞区域标注数据集；
5、s300，根据肿瘤细胞区域标注数据集，对所有标注为有效区域的位置进行预处理，创建yolo v8深度学习模型并进行训练逐步调整网络权重，输出yolo v8深度学习模型预测结果；
6、s400，分析计算yolo v8深度学习模型预测评估指标信息是否符合训练目标评估指标，完成模型训练进行pd-l1免疫组化病理切片肿瘤细胞的准确定位和像素级区域识别检测。
7、优选的，s100包括：
8、s101，采集临床病理学实验的各类器官pd-l1切片，通过pd-l1切片高分辨率数字扫描获取各类器官pd-l1切片数据；
9、s102，对各类器官pd-l1切片数据进行预识别筛选，获取包含足够肿瘤细胞样本和足够pd-l1表达区域的各类器官pd-l1切片数据；
10、s103，对各类器官pd-l1切片数据进行云端数据存储，获取各类器官pd-l1切片数据集。
11、优选的，s200包括：
12、s201，根据各类器官pd-l1切片数据集，通过pd-l1切片标注专家模型，输入pd-l1切片的细胞形态特征和pd-l1染色结果，输出待标注肿瘤细胞位置和待标注肿瘤细胞分布区域；
13、s202，根据待标注肿瘤细胞位置和待标注肿瘤细胞分布区域，设定每张切片标注细胞最低数量；每张切片标注细胞最低数量为5000；
14、s203，通过像素级掩膜自动标注模块，自动标注每个肿瘤细胞标注像素级掩膜；通过边界标线程序模块自动生成标注边界框；边界标线程序模块根据像素级掩膜自动标注模块的任一肿瘤细胞标注像素级掩膜中心先生成一个最小边界框；以最小边界框为中心由内到外逐层扩大，直至边界框覆盖任一肿瘤细胞标注像素级掩膜，生成标注边界框；在标注过程中，对待标注区域使用有效区域标签标注边界框选定，然后在其中无遗漏标注所有的肿瘤细胞；对未确定区域用忽略区域标签标注边界框选定；获取肿瘤细胞区域标注数据集。
15、优选的，s300包括：
16、s301，根据肿瘤细胞区域标注数据集，对所有标注为有效区域的位置进行预处理，划分出训练图像块；对训练图像块中所有肿瘤区域赋予1像素标签，并给出边界；对于训练图像块中超过有效区域或者标注为忽略的区域像素，赋予255像素标签；对于训练图像块中其他像素全部赋予0像素标签；在训练过程中，除去所有255像素所贡献的损失函数；
17、s302，采用单个神经网络，直接在整个图像上进行预测，并输出目标预测边界框和目标预测类别概率，同时输出像素级分割结果，创建yolo v8深度学习模型；
18、s303，使用肿瘤细胞区域标注数据集作为训练样本，对yolo v8深度学习模型进行训练；通过反向传播算法优化模型参数；采用交叉熵损失和边界框回归损失，衡量模型预测结果与标签之间的差异，并逐步调整网络权重，输出yolo v8深度学习模型预测结果。
19、优选的，s400包括：
20、s401，通过未训练pd-l1图像独立测试数据集，将yolo v8深度学习模型预测结果与测试数据集标签进行比较，计算模型预测准确率、模型预测召回率及模型预测f1分数，获取模型预测评估指标信息；
21、s402，判定模型预测评估指标信息是否符合训练目标评估指标；当模型预测评估指标信息不符合训练目标评估指标，则对yolo v8深度学习模型进行重训练，直至模型预测评估指标信息符合训练目标评估指标；当模型预测评估指标信息符合训练目标评估指标，完成训练获取pd-l1图像目标评估yolo v8深度学习模型；s403，通过pd-l1图像目标评估yolo v8深度学习模型，进行实际pd-l1免疫组化病理切片图像识别，对识别结果进行肿瘤细胞计数、形态特征提取和pd-l1表达水平分析，实现pd-l1免疫组化病理切片肿瘤细胞的准确定位和像素级区域识别检测。
22、本专利技术提供了一种pd-l1免疫组化切片肿瘤识别检测系统，包括：
23、pd-l1切片收集处理分系统，采集临床病理学实验的各类器官pd-l1切片，进行高分辨率扫描、预识别筛选及云端数据存储，获取各类器官pd-l1切片数据集；
24、肿瘤细胞掩膜标注分系统，根据各类器官pd-l1切片数据集，自动标注每个肿瘤细胞标注像素级掩膜，自动生成标注边界框，获取肿瘤细胞区域标注数据集；
25、yolo v8模型创建训练分系统，根据肿瘤细胞区域标注数据集，对所有标注为有效区域的位置进行预处理，创建yolo v8深度学习模型并进行训练逐步调整网络权重，输出yolo v8深度学习模型预测结果；
26、预测结果评估肿瘤识别检测分系统，分析计算yolo v8深度学习模型预测评估指标信息是否符合训练目标评估指标，完成模型训练进行pd-l本文档来自技高网...
【技术保护点】
1.一种PD-L1免疫组化切片肿瘤识别检测方法，其特征在于，包括：
2.根据权利要求1所述的一种PD-L1免疫组化切片肿瘤识别检测方法，其特征在于，S100包括：
3.根据权利要求1所述的一种PD-L1免疫组化切片肿瘤识别检测方法，其特征在于，S200包括：
4.根据权利要求1所述的一种PD-L1免疫组化切片肿瘤识别检测方法，其特征在于，S300包括：
5.根据权利要求1所述的一种PD-L1免疫组化切片肿瘤识别检测方法，其特征在于，S400包括：
6.一种PD-L1免疫组化切片肿瘤识别检测系统，其特征在于，包括：
7.根据权利要求6所述的一种PD-L1免疫组化切片肿瘤识别检测系统，其特征在于，PD-L1切片收集处理分系统包括：
8.根据权利要求6所述的一种PD-L1免疫组化切片肿瘤识别检测系统，其特征在于，肿瘤细胞掩膜标注分系统包括：
9.根据权利要求6所述的一种PD-L1免疫组化切片肿瘤识别检测系统，其特征在于，YOLO v8模型创建训练分系统包括：
10.根据权利要求6
...【技术特征摘要】
1.一种pd-l1免疫组化切片肿瘤识别检测方法，其特征在于，包括：
2.根据权利要求1所述的一种pd-l1免疫组化切片肿瘤识别检测方法，其特征在于，s100包括：
3.根据权利要求1所述的一种pd-l1免疫组化切片肿瘤识别检测方法，其特征在于，s200包括：
4.根据权利要求1所述的一种pd-l1免疫组化切片肿瘤识别检测方法，其特征在于，s300包括：
5.根据权利要求1所述的一种pd-l1免疫组化切片肿瘤识别检测方法，其特征在于，s400包括：
6.一种pd-l1免疫组化切片肿瘤...
【专利技术属性】
技术研发人员：王书浩，
申请(专利权)人：北京透彻未来科技有限公司，
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。