CN107688092B - 一种用于癌症患者预后评估的方法 - Google Patents
一种用于癌症患者预后评估的方法 Download PDFInfo
- Publication number
- CN107688092B CN107688092B CN201710713328.1A CN201710713328A CN107688092B CN 107688092 B CN107688092 B CN 107688092B CN 201710713328 A CN201710713328 A CN 201710713328A CN 107688092 B CN107688092 B CN 107688092B
- Authority
- CN
- China
- Prior art keywords
- curvature
- pathological
- tip
- gland
- colon cancer
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
- G01N33/574—Immunoassay; Biospecific binding assay; Materials therefor for cancer
- G01N33/57484—Immunoassay; Biospecific binding assay; Materials therefor for cancer involving compounds serving as markers for tumor, cancer, neoplasia, e.g. cellular determinants, receptors, heat shock/stress proteins, A-protein, oligosaccharides, metabolites
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
- G01N33/574—Immunoassay; Biospecific binding assay; Materials therefor for cancer
- G01N33/57407—Specifically defined cancers
- G01N33/57419—Specifically defined cancers of colon
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Urology & Nephrology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Hematology (AREA)
- Cell Biology (AREA)
- Microbiology (AREA)
- Biotechnology (AREA)
- Oncology (AREA)
- Hospice & Palliative Care (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明提供的一种用于癌症患者预后评估的方法,包括:步骤S1、基于多个包含癌变腺体浸润的最深部位的病理切片,获取每一个病理切片对应的尖端曲率;步骤S2、构建所述尖端曲率与结肠癌患者实际生存情况的关系模型,基于所述关系模型对其他结肠癌患者的预后进行评估。本发明的用于癌症患者预后评估的方法,也可用于其他癌症的预后评估,且评估方法简单、效率和准确度高。
Description
技术领域
本发明涉及癌患预后评估技术,更具体地,涉及一种用于癌症患者预后评估的方法。
背景技术
TNM是肿瘤学中对肿瘤的一种分期形式。每一种肿瘤的TNM分析系统各不相同,分期越高通常意味着肿瘤进展程度越高。在病理诊断过程中,TNM病理分期对预测术后生存率和正确制定随访计划具有重要意义,被誉为是病理诊断的金标准。
结肠癌是常见的发生于结肠部位的消化道恶性肿瘤,在临床中,即便是处于完全相同病理分期的结肠癌患者,其预后效果也差别显著。目前,对结肠癌患者的预后的评估,可通过对标志物的检测实现。如公开号为CN106153922A的中国专利申请公开了一种结肠癌预后预测标志物及其检测方法。该方法通过确定结肠癌患者预后的标志物PBRM1蛋白以及对该种蛋白的检测,实现对结肠癌患者预后的评估。
该方法能够较好的提供预后诊断依据,但是,对肿瘤进行切片后,还要进行较复杂的检测,且不同的检测方法会对检测结果产生较明显的影响而影响其准确性;并且,由于不同的癌症,其预后标志物不尽相同,在实际操作过程中,其适用性会受到限制。
发明内容
本发明提供一种克服上述问题或者至少部分地解决上述问题的用于癌症患者预后评估的方法,以解决预后评估效率低、准确性不高的技术问题。
根据本发明的一个方面,提供一种用于癌症患者预后评估的方法,尤其适用于对结肠癌患者的预后评估,包括:
步骤S1、基于多个包含癌变腺体浸润的最深部位的病理切片,获取每一个病理切片对应的尖端曲率;
步骤S2、构建所述尖端曲率与结肠癌患者实际生存情况的关系模型,基于所述关系模型对其他结肠癌患者的预后进行评估。
进一步地,所述病理切片采用如下步骤获取:
选取12-60例T3N0M0和T3N1M0期的结肠癌患者的结肠癌组织肿瘤切片。
进一步地,步骤S1中基于多个包含癌变腺体浸润的最深部位的病理切片,获取每一个病理切片对应的尖端曲率进一步包括:
步骤S11、获取每一个病理切片的扫描图片,识别所述扫描图片上的多个病理腺体;
步骤S12、沿所述病理腺体的边缘选取所述病理腺体的多个边缘点以形成边缘曲线,获取所述边缘曲线的最大曲率值;
步骤S13、基于所述多个病理腺体的最大曲率值的平均值,获取所述病理切片对应的尖端曲率。
进一步地,步骤S11中获取每一个病理切片的扫描图片,识别所述扫描图片上的多个病理腺体具体包括:
步骤S111、识别所述扫描图片上癌变腺体的组织学结构,确认癌变腺体浸润的最深部位,并选取所述最深部位上的多个腺体;
步骤S112、选取所述腺体所在区域并放大处理,旋转所述腺体,以使所述腺体的尖端的中轴与坐标尺所在直线垂直,得到所述病理腺体。
进一步地,所述病理腺体的浸润尖端朝向正常组织的更深处。
进一步地,相邻边缘点在水平方向的间距小于等于2μm。
进一步地,所述获取所述边缘曲线的最大曲率值具体包括:采用多项式最优拟合的方法拟合获取所述边缘曲线上任一边缘点的曲率,筛选得到所述边缘曲线的最大曲率值。
进一步地,步骤S2中所述关系模型的构建步骤包括:
步骤S21、基于所述多个病理切片的尖端曲率的分布规律,将多个尖端曲率划分为不同的曲率部分;
步骤S22、将所述不同的曲率部分中的尖端曲率与对应的结肠癌患者的历史生存情况相对应,以建立关系模型。
进一步地,步骤S21中基于所述多个病理切片的尖端曲率的分布规律,将多个尖端曲率划分为不同的曲率部分具体包括:以所述多个病理切片的尖端曲率为样本,构建ROC曲线以获取至少一个尖端曲率截止点,所述尖端曲率截止点将多个尖端曲率按照数值大小依次划分为不同的曲率部分。
本发明的有益效果主要如下:
(1)以癌变腺体浸润的最深部位的腺体为基础,以腺体的尖端曲率与癌症患者的生存情况相关联,则由癌变腺体的曲率即可对癌症患者的预后情况进行直接、准确的评估,评估方法简单且准确可靠;
(2)以癌变腺体浸润的最深部位的病理腺体,其尖端朝向正常组织的更深处,更能反映病理腺体的活性以及浸润能力,以更准确的反映患者的预后能力;
(3)将各病理腺体的尖端曲率按照数值大小划分为不同的部分,以便于更准确的分析尖端曲率与患者预后的关联性。
附图说明
图1为根据本发明实施例中一种用于癌症患者预后评估的方法的ROC曲线图;
图2为根据本发明实施例中一种用于癌症患者预后评估的方法的患者生存期与总生存率的关系图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
一种用于癌症患者预后评估的方法,尤其适用于对结肠癌患者的预后评估,以下以结肠癌患者的预后评估过程为例,其包括:
步骤S1、基于多个包含癌变腺体浸润的最深部位的病理切片,获取每一个病理切片对应的尖端曲率;
步骤S2、构建所述尖端曲率与结肠癌患者实际生存情况的关系模型,基于所述关系模型对其他结肠癌患者的预后进行评估。
具体地,将多名结肠癌患者的结肠癌组织肿瘤采用切除术,一名结肠癌患者对应切取得到一个病理切片,从而切取得到对应的多个病理切片。由于每一个病理切片上都会包含多个癌变腺体,在选择病理切片时,该病理切片上需包含有癌变腺体浸润的最深部位,以反映癌变腺体伸入正常组织内部最深处的腺体特征。以癌变腺体浸润的最深部位的特征为基础,判断其与癌症患者预后的相关情况,以对后续类似患者的预后进行准确的评估。
具体地,分别求取每一个病理切片的对应的尖端曲率,由病理切片对应的尖端曲率与癌症患者预后的相关度,评估后续类似患者的预后情况。具体地,在求取病理切片对应的尖端曲率之前,先对病理切片进行预处理,以提高后续求取尖端曲率的准确性。
具体地,对结肠癌组织肿瘤采用切除术切除获取切片后,对切片进行HE染色,以更好的标记病理切片。进一步地,经HE染色后的病理切片用纱布沾取二甲苯擦洗干净。对病理切片进行预处理,使病理切片上癌变腺体的特征能够更清晰的反映,便于后续求取其尖端曲率。
在另一个具体的实施例中,病理切片的获取步骤包括:选取12-60例T3N0M0和T3N1M0期的结肠癌患者的结肠癌组织肿瘤切片。
为提高病理切片对应的尖端曲率与结肠癌患者预后情况的相关程度,病理切片为多个结肠癌患者的组织肿瘤切片。具体地,病理切片的数量选取12-60例,即选取12-60名T3N0M0和T3N1M0期的结肠癌患者,对其结肠癌组织肿瘤行切除术,并得到对应的病理切片。
在另一个具体的实施例中,步骤S1中基于多个包含癌变腺体浸润的最深部位的病理切片,获取每一个病理切片对应的尖端曲率进一步包括:
步骤S11、获取每一个病理切片的扫描图片,识别所述扫描图片上的多个病理腺体;
步骤S12、沿所述病理腺体的边缘选取所述病理腺体的多个边缘点以形成边缘曲线,获取所述边缘曲线的最大曲率值;
步骤S13、基于所述多个病理腺体的最大曲率值的平均值,获取所述病理切片对应的尖端曲率。
具体地,获取多个病理切片后,对每一病理切片均作相同的处理。以一个病理切片的处理过程为例,将病理切片采用数字病理切片扫描仪进行自动扫描,以获取40×以上的超高分辨率图片。
获取病理切片的扫描图片后,根据结肠不同组织部位的特点,识别癌变腺体浸润的最深部位,并在该最深部位处选取多个病理腺体。对每一个病理腺体进行相同的处理,以对一个病理腺体进行处理的过程为例。
具体地,选取病理腺体后,沿扫描图片上病理腺体的边缘轮廓选取位于该边缘轮廓上的边缘点,以使所有边缘点的连线所形成的边缘曲线能够清晰、准确的反映病理腺体的轮廓。
求取该边缘曲线上的任意边缘点处的曲率值,取其中数值最大的曲率值作为该边缘曲线的最大曲率值,该最大曲率值即是病理腺体对应的最大曲率值。由于一个病理切面上选取有多个病理腺体,采用相同的方法分别求取该多个病理腺体对应的最大曲率值,将该多个病理腺体对应的多个最大曲率值的平均值作为病理切片对应的尖端曲率。
在另一个具体的实施例中,步骤S11中获取每一个病理切片的扫描图片,识别所述扫描图片上的多个病理腺体具体包括:
步骤S111、识别所述扫描图片上癌变腺体的组织学结构,确认癌变腺体浸润的最深部位,并选取所述最深部位上的多个腺体;
步骤S112、选取所述腺体所在区域并放大处理,旋转所述腺体,以使所述腺体的尖端的中轴与坐标尺所在直线垂直,得到所述病理腺体。
具体地,获取病理切片的扫描图片后,使用NDP.view软件对病理切片进行识别,根据结肠癌组织学结构识别扫描图片上由表层到深层的部位。具体地,即是依次为粘膜层、粘膜下层、肌层、外膜层。依次识别扫描图片上的癌变腺体的组织学结构,以便于准确的识别癌变腺体浸润的最深部位,在该最深部位选取10-15个腺体。对该10-15个腺体进行相同的处理,以获取病理腺体。
以其中一个腺体的处理方式为例。具体地,使用NDP.view软件将腺体所在区域放大10-40倍,使肉眼能够清晰的识别腺体的边缘。旋转腺体的图片,以使腺体的尖端朝向视野下方,并且,腺体的中轴与沿水平设置的坐标尺所在直线垂直。然后,用矩形图框对腺体进行标记,也就是,使腺体的图像清晰地处于该矩形图框内,且腺体的中轴与该矩形图框的底边垂直。
具体地,采用矩形图框对腺体进行标记后,再采用线段度量工具度量并标记该矩形图框底边宽度和竖直侧边的长度。将经过上述标记、处理的腺体图片原位输出为jpg图片格式,即识别得到扫描图片上的病理腺体。
具体地,可采用GetDate软件导入病理腺体对应的图片,以矩形图框的左下角为原点、底边为x轴、左侧边为y轴建立直角坐标系。通过沿病理腺体的边缘轮廓取边缘点,以获取病理腺体的边缘曲线。该边缘曲线根据最小二乘法拟合为多项式函数,可表述如下:
y=anxn+an-1xn-1+…+a1x+a0
其中,x为自变量,an,an-1,…a1,a0为实数,n为自然数,n≥2,且n=2时,a0≠0。
获取扫描图片上的多个病理腺体对应的区域后,对每一个病理腺体取边缘点,并对任一边缘点求取起相对对应的边缘曲线的曲率,以获取对应的病理腺体的最大曲率值,从而获取对应病理切片的尖端曲率。
在另一个具体的实施例中,所述病理腺体的浸润尖端朝向正常组织的更深处。具体地,病理腺体是在癌变腺体浸润的最深部位处选取的,病理腺体的浸润尖端向正常组织的深部延伸。以癌变腺体浸润的最深部位处的病理腺体为参考,能够更准确地反映癌变腺体的活性,以及其对正常组织的浸润能力等,从而更准确的评估结肠癌患者的预后情况。
在另一个具体的实施例中,相邻边缘点在水平方向的间距小于等于2μm。具体地,当确定病理切片上癌变腺体进入最深部位的病理腺体,在获取对病理腺体的边缘点和边缘曲线时,所取边缘点之间的间距越小越能够清晰、准确的反映病理腺体的轮廓,从而提高分析的准确性。
在另一个具体的实施例中,所述获取所述边缘曲线的最大曲率值具体包括:采用多项式最优拟合的方法拟合获取所述边缘曲线上任一边缘点的曲率,筛选得到所述边缘曲线的最大曲率值。
在另一个具体的实施例中,所述多项式最优拟合的曲率计算公式为:
其中,K为曲率,y为边缘曲线拟合所得的多项式函数。
在另一个具体的实施例中,步骤S2中所述关系模型的构建步骤包括:
步骤S21、基于所述多个病理切片的尖端曲率的分布规律,将多个尖端曲率划分为不同的曲率部分;
步骤S22、将所述不同的曲率部分中的尖端曲率与对应的结肠癌患者的历史生存情况相对应,以建立关系模型。
具体地,获取12-60例结肠癌患者的病理切片对应的尖端曲率后,按照该多个尖端曲率数据的分布规律,将其划分为两个或两个以上曲率部分,每一个曲率部分中均包含一部分病理切片对应的尖端曲率。
具体地,对各曲率部分中尖端曲率对应的结肠癌患者的生存期和总生存率作跟踪回访,以对比不同癌变腺体的尖端曲率与患者的生存和总生存率的对应关系,用以分析预估其他结肠癌患者的生存期和总生存率。
在另一个具体的实施例中,步骤S21中基于所述多个病理切片的尖端曲率的分布规律,将多个尖端曲率划分为不同的曲率部分具体包括:以所述多个病理切片的尖端曲率为样本,构建ROC曲线以获取至少一个尖端曲率截止点,所述尖端曲率截止点将多个尖端曲率按照数值大小依次划分为不同的曲率部分。
具体地,对于多个病理切片对应的多个尖端曲率,以该多个尖端曲率为样本,可以采用SPSS软件构建ROC曲线。根据所构建的ROC曲线的特征,确定尖端曲率截止点。约登指数最大且保证灵敏度与特异度均达到60%的点作为截止点,其中,约登指数是灵敏度与特异度之和减去1。所确定的尖端曲率截止点可以为一个,也可以为多个,根据尖端曲率的数值大小的分布规律而定。
例如,采用SPSS软件,依据所构建的ROC曲线确定一个尖端曲率截止点,以将该多个尖端曲率按照大小划分为大曲率组和小曲率组。即数值大于尖端曲率截止点的尖端曲率划分到大曲率组,数值小于尖端曲率截止点的尖端曲率划分到小曲率组。
分别对大曲率组和小曲率组中尖端曲率对应的患者进行跟踪回访,以回访的患者的生存期为横坐标、总生存率为纵坐标作图,以分析尖端曲率与患者生存情况的对应关系。尖端曲率小的患者生存期长、预后好,而尖端曲率大的患者生存期短、预后差。
以下由一个具体的实例进行说明。
本发明实例中所用的97个结肠癌组织的病理切片都来自北京医院病理科。本实验通过了新华医院伦理委员会,每位患者都签订了知情同意书。
所用到的软件分别为:看图软件为NDP.view、建立坐标系和取点软件为GetDate、计算软件为MATLAB、作图软件为Graph Pad prism 5。
本发明的实例中所用到的实验仪器、耗材与试剂等见表1。
表1实验仪器、耗材与试剂
名称 | 公司 | 产地 |
病理切片扫描仪 | 北京智诚康泰商贸有限公司 | 日本 |
纱布 | 北京华力得科技有限公司 | 中国 |
二甲苯 | 北京华力得科技有限公司 | 中国 |
(1)首先选出97例T3N0M0和T3N1M0期的结肠癌组织肿瘤切除术并进行HE染色得到的病理切片。
(2)然后对每例选定的结肠癌组织的HE染色病理切片进一步筛选出可判断的包含有肿瘤浸润最深部位的病理切片,并将筛选出的病理切片沾二甲苯用纱布擦洗干净。
(3)采用数字病理切片扫描仪对每例筛选出的病理切片进行自动扫描获取40x以上超高分辨率呈像。
(4)使用NDP.view软件打开上述(3)步骤中获取的病理切片的超高分辨率扫描图片。
(5)对扫描获取的病理切片进行识别,根据结肠癌组织学结构分别识别出其由表层到深层的部位依次是其粘膜层、粘膜下层、肌层、外膜层,方便在组织学层次判断癌变腺体浸润至的最深部位。
(6)根据步骤(5)所识别出的结肠不同组织部位的特点,来识别出癌变腺体浸润的最深部位。
(7)在结肠癌病理切片中展示的浸润最深的部位选取10-15个腺体,腺体的选取标准是腺体浸润尖端朝向正常组织的更深处,即其尖端有向更深处浸润正常组织的分量而不是单纯的朝向所在组织层次的水平方向浸润正常组织。
(8)使用NDP.view软件分别对每一选定的腺体放大10-40倍,使肉眼可以清晰的识别腺体的边缘,旋转腺体使其尖端朝向视野下方且其中轴与坐标尺所在直线垂直。然后,用矩形图框对腺体进行标记(此时腺体中轴与矩形图框底边垂直),并分别用线段度量工具度量并标记出矩形图框左边和下边的长度,并将标记好的图片原位输出为jpg图片格式。
(9)每一例样本均按上述(8)的步骤进行腺体的标记输出以得到病理腺体,每例样本选取10-15个腺体进行上述操作。
(10)使用GetDate软件将上述(8)步骤中获取的jpg图片导入GetDate,以矩形图框的左下角为原点、底边为x轴、左边为y轴建立直角坐标系,x轴、y轴的长度分别与矩形图框的底边、左边保持一致,用取点工具沿腺体边缘顺次取边缘点,取点间隔保持两点横坐标之间间隔不得大于2um,在拐角处取点要密,保证取到的点能吻合腺体的边缘并准确描述腺体的几何形状的边缘曲线(类抛物线的形状)。
(11)使用MATLAB软件对每一腺体取到的点进行曲线的多项式最优拟合,最终拟合为y=∫(x)的形式,并利用二维平面上多项式函数的曲率计算公式计算出各点对应的曲率值并筛选出其最大的曲率值最为腺体尖端曲率,将每例样本的10-15个腺体的曲率值进行平均值计算并作为该例样本的尖端曲率;
(12)结果分析:
将97例T3N0M0和T3N1M0期结肠癌患者按上述步骤(11)得到的样本的尖端曲率见下面表2,并应用SPSS构建ROC曲线以确定癌变腺体曲率的适当截止点,并进行评分。参见图1所示,确定此例中最佳截止点为0.086(1/um),曲率(1/um)≤0.086的一组分为小曲率组,标记为1,曲率(1/um)>0.086的一组分为大曲率组,标记为2。
表2为97例结肠癌患者腺体曲率列表
说明:Id为患者编号;K为患者曲率,单位为(1/μm)
上述97例结肠癌组织的几何参数评分见下表
标记 | 例数 | 百分比 |
1 | 51/97 | 52.6% |
2 | 46/97 | 47.4% |
(13)根据步骤(12)中得到的样本的尖端曲率评分进行分组,标记为1的是一组即曲率值较小的一组,标记为2的是一组即曲率值较大的一组;
(14)利用Graph Pad prism5作图软件,将步骤(13)中得到的曲率值较小的一组和曲率值较大的一组的随访得到的患者生存期作为横坐标,将患者的总生存率作为纵坐标进行作图。根据所得的图形的生存期与总生存率的关系进行分析来判定曲率值与结肠癌患者的预后效果。参见图2所示,尖端曲率小的患者生存期长、预后好,而尖端曲率大的患者生存期短、预后差。
本发明的一种用于癌症患者预后评估的方法,其由癌变腺体浸润的最深部位的病理腺体的曲率与患者生存情况的对应关系,以用于评估其他患者的预后情况。该方法以浸润的最深部位处的腺体曲率为基础,由以往患者的数据采集而构建的关系模型,能够很好的评估其他患者的预后,且,数据采集和处理过程简单、预后效果好。
最后,本发明的方法仅为较佳的实施方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于曲率的结肠癌患者病理切片的图像处理方法,其特征在于,包括:
步骤S1、基于多个包含癌变腺体浸润的最深部位的病理切片图像,获取每一个病理切片图像对应的尖端曲率;
步骤S2、构建所述尖端曲率与结肠癌患者实际生存情况的关系模型;
其中,所述获取每一个病理切片图像对应的尖端曲率的方法具体为:
步骤S11、获取每一个病理切片的扫描图片,识别所述扫描图片上的多个病理腺体;
步骤S12、沿所述病理腺体的边缘选取所述病理腺体的多个边缘点以形成边缘曲线,获取所述边缘曲线的最大曲率值;
步骤S13、基于所述多个病理腺体的最大曲率值的平均值,获取所述病理切片图像对应的尖端曲率;
步骤S2具体为:
步骤S21、以多个所述病理切片图像对应的尖端曲率为样本,构建ROC曲线以获取至少一个尖端曲率截止点,所述尖端曲率截止点将多个尖端曲率按照数值大小依次划分为不同的曲率部分;
步骤S22、将所述不同的曲率部分中的尖端曲率与对应的结肠癌患者的历史生存情况相对应,以建立关系模型。
2.如权利要求1所述的一种基于曲率的结肠癌患者病理切片的图像处理方法,其特征在于,所述病理切片采用如下步骤获取:
选取12-60例T3N0M0和T3N1M0期的结肠癌患者的结肠癌组织肿瘤切片。
3.如权利要求1所述的一种基于曲率的结肠癌患者病理切片的图像处理方法,其特征在于,步骤S11中获取每一个病理切片的扫描图片,识别所述扫描图片上的多个病理腺体具体包括:
步骤S111、识别所述扫描图片上癌变腺体的组织学结构,确认癌变腺体浸润的最深部位,并选取所述最深部位上的多个癌变腺体;
步骤S112、选取所述多个癌变腺体所在区域并放大处理,旋转所述多个癌变腺体,以使所述多个癌变腺体中每一个癌变腺体尖端的中轴与坐标尺所在直线垂直,得到所述病理腺体。
4.如权利要求3所述的一种基于曲率的结肠癌患者病理切片的图像处理方法,其特征在于:所述病理腺体的浸润尖端朝向正常组织的更深处。
5.如权利要求3所述的一种基于曲率的结肠癌患者病理切片的图像处理方法,其特征在于:相邻边缘点在水平方向的间距小于等于2μm。
6.如权利要求3所述的一种基于曲率的结肠癌患者病理切片的图像处理方法,其特征在于,所述获取所述边缘曲线的最大曲率值具体包括:采用多项式最优拟合的方法拟合获取所述边缘曲线上任一边缘点的曲率,筛选得到所述边缘曲线的最大曲率值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710713328.1A CN107688092B (zh) | 2017-08-18 | 2017-08-18 | 一种用于癌症患者预后评估的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710713328.1A CN107688092B (zh) | 2017-08-18 | 2017-08-18 | 一种用于癌症患者预后评估的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107688092A CN107688092A (zh) | 2018-02-13 |
CN107688092B true CN107688092B (zh) | 2020-05-19 |
Family
ID=61153423
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710713328.1A Active CN107688092B (zh) | 2017-08-18 | 2017-08-18 | 一种用于癌症患者预后评估的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107688092B (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101384901A (zh) * | 2006-02-16 | 2009-03-11 | 文塔纳医疗系统公司 | 用于癌症预后和病理分期的试剂和方法 |
US20080058593A1 (en) * | 2006-08-21 | 2008-03-06 | Sti Medical Systems, Llc | Computer aided diagnosis using video from endoscopes |
ES2344499T1 (es) * | 2007-06-29 | 2010-08-30 | Amag Pharmaceuticals. Inc. | Irm potenciada con macrofagos (memri). |
JP6211534B2 (ja) * | 2011-12-21 | 2017-10-11 | シャハーフ,キャサリン,エム. | 組織表面を整列させる病変を撮像するためのシステム |
-
2017
- 2017-08-18 CN CN201710713328.1A patent/CN107688092B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107688092A (zh) | 2018-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9298968B1 (en) | Digital image analysis of inflammatory cells and mediators of inflammation | |
US11257209B2 (en) | Cancer risk stratification based on histopathological tissue slide analysis | |
WO2018068600A1 (zh) | 图像处理方法及系统 | |
CN104541167B (zh) | 用于定量肿瘤组织中的免疫细胞的方法及其应用 | |
CA2955156C (en) | Systems and methods for generating fields of view | |
EP3108446B1 (en) | Medical image analysis for identifying biomarker-positive tumor cells | |
US7899623B2 (en) | Methods and computer program products for analysis and optimization of marker candidates for cancer prognosis | |
Veta et al. | Prognostic value of automatically extracted nuclear morphometric features in whole slide images of male breast cancer | |
CN111899237B (zh) | 标尺精度测量方法、装置、计算机设备和存储介质 | |
WO2011008262A2 (en) | Methods and apparatus for diagnosis and/or prognosis of cancer | |
WO2009072098A1 (en) | Method and system for image analysis | |
CN109785310B (zh) | 一种基于乳腺淋巴结全景图像计算的自动分期系统 | |
JP2013537969A (ja) | 画像解析による固形腫瘍進行の予後検査 | |
WO2017171720A1 (en) | Digital image analysis of inflammatory cells and mediators of inflammation | |
WO2015135550A1 (en) | Assessment of staining quality | |
CN112912923A (zh) | 基于距离的组织状态确定 | |
CN107688092B (zh) | 一种用于癌症患者预后评估的方法 | |
Bol et al. | Proliferation markers and DNA content analysis in urinary bladder TaT1 urothelial cell carcinomas: identification of subgroups with low and high stage progression risks | |
CN111696622B (zh) | 一种校正和评估变异检测软件检测结果的方法 | |
CN111815625A (zh) | 基于深度学习的早期肺癌预测方法 | |
US11585816B2 (en) | Automated method for assessing cancer risk using tissue samples, and system therefor | |
Wang et al. | Whole slide image cytometry: a novel method to detect abnormal DNA content in Barrett’s esophagus | |
Hipp et al. | Automated area calculation of histopathologic features using SIVQ | |
CN115602311A (zh) | 基于胶原纤维多元参量分析的胰腺癌辅助检查工具 | |
Xiao et al. | Artificial intelligence assisted topographic mapping system for endoscopic submucosal dissection specimens |
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 |