CN113642386B - 基于深度学习评价鼻咽癌治疗效果的方法、装置、设备和介质 - Google Patents
基于深度学习评价鼻咽癌治疗效果的方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN113642386B CN113642386B CN202110753373.6A CN202110753373A CN113642386B CN 113642386 B CN113642386 B CN 113642386B CN 202110753373 A CN202110753373 A CN 202110753373A CN 113642386 B CN113642386 B CN 113642386B
- Authority
- CN
- China
- Prior art keywords
- nasopharyngeal carcinoma
- percentage
- rating
- tissue
- staining image
- 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
- 206010061306 Nasopharyngeal cancer Diseases 0.000 title claims abstract description 354
- 208000002454 Nasopharyngeal Carcinoma Diseases 0.000 title claims abstract description 349
- 201000011216 nasopharynx carcinoma Diseases 0.000 title claims abstract description 349
- 238000011282 treatment Methods 0.000 title claims abstract description 150
- 230000000694 effects Effects 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013135 deep learning Methods 0.000 title claims abstract description 23
- 230000001575 pathological effect Effects 0.000 claims abstract description 124
- 238000011156 evaluation Methods 0.000 claims abstract description 52
- 238000010186 staining Methods 0.000 claims description 143
- 238000005070 sampling Methods 0.000 claims description 50
- 206010028980 Neoplasm Diseases 0.000 claims description 16
- 238000011269 treatment regimen Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 239000002131 composite material Substances 0.000 claims description 9
- 230000001338 necrotic effect Effects 0.000 claims description 8
- 208000001894 Nasopharyngeal Neoplasms Diseases 0.000 claims description 5
- 230000003176 fibrotic effect Effects 0.000 claims description 5
- 238000012335 pathological evaluation Methods 0.000 abstract description 5
- 230000004797 therapeutic response Effects 0.000 abstract description 4
- 210000004027 cell Anatomy 0.000 description 169
- 238000001574 biopsy Methods 0.000 description 8
- 230000007170 pathology Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000004043 dyeing Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 4
- 201000011510 cancer Diseases 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000002512 chemotherapy Methods 0.000 description 2
- 210000002950 fibroblast Anatomy 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000001959 radiotherapy Methods 0.000 description 2
- 206010041823 squamous cell carcinoma Diseases 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 206010006187 Breast cancer Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- 206010009944 Colon cancer Diseases 0.000 description 1
- 208000001333 Colorectal Neoplasms Diseases 0.000 description 1
- 241000701044 Human gammaherpesvirus 4 Species 0.000 description 1
- 108010078814 Tumor Suppressor Protein p53 Proteins 0.000 description 1
- 102000015098 Tumor Suppressor Protein p53 Human genes 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 210000005252 bulbus oculi Anatomy 0.000 description 1
- 230000004663 cell proliferation Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 210000003701 histiocyte Anatomy 0.000 description 1
- 230000001926 lymphatic effect Effects 0.000 description 1
- 210000004698 lymphocyte Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000214 mouth Anatomy 0.000 description 1
- 210000001989 nasopharynx Anatomy 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 210000004180 plasmocyte Anatomy 0.000 description 1
- 231100000241 scar Toxicity 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 231100000588 tumorigenic Toxicity 0.000 description 1
- 230000000381 tumorigenic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种基于深度学习评价鼻咽癌治疗效果的方法，该方法包括：通过第一识别模型分别获取鼻咽癌组织治疗前的第一鼻咽癌细胞百分比和鼻咽癌组织治疗后的第二鼻咽癌细胞百分比，由于基于同一识别模型也保证了对鼻咽癌细胞的前后识别标准具有一致性。此外也新增对瘤旁组织的治疗反应的评价方法，包括通过第二识别模型获取瘤旁组织治疗后的实际病理区域百分比。然后根据第一鼻咽癌细胞百分比和第二鼻咽癌细胞百分比确定第一评级，根据实际病理区域百分比确定第二评级，最后汇总形成综合评价。整个方案基于训练好的识别模型得到的数据进行评级及评价，确保了病理学评价的一致性、精确性和客观性。此外，还提出了鼻咽癌治疗效果评价装置、设备和存储介质。
Description
技术领域
本发明涉及深度学习领域，尤其是涉及基于深度学习评价鼻咽癌治疗效果的方法、装置、设备和介质。
背景技术
肿瘤是指机体在各种致瘤因子作用下，局部组织细胞增生所形成的新生物。其中，鼻咽癌是指发生于鼻咽腔顶部和侧壁的恶性肿瘤，是我国高发恶性肿瘤之一，发病率为耳鼻咽喉恶性肿瘤之首。由于鼻咽部相对位置表浅，且鼻咽癌的解剖部位毗邻眼球、口腔、颅脑等重要器官，因此不宜进行手术操作，鼻咽癌以淋巴上皮样非角化型鳞癌为主，对于放疗和化疗的效果较为明显，常通过活体组织病理学检查的方式来实时跟进治疗情况。
治疗后肿瘤的病理反应评估，在乳腺癌、结直肠癌中已初步有所应用。但目前更多的只关注肿瘤的反应，忽略了肿瘤旁组织的损伤情况。此外治疗后的病理评估，多受影响于不同病理医生取样的差异性、判读结果的主观性等诸多因素，导致判读结果的一致性较差，这就会影响对治疗效果的评价。并且该病理反应评估与术前的病理结果相关联度并不紧密，评估较为片面。因此针对鼻咽癌等常见无法进行手术治疗的患者，急需一种具备客观性、精准性的辅助评价方案。
发明内容
基于此，有必要针对上述问题，提供具备客观性、精准性的基于深度学习评价鼻咽癌治疗效果的方法、装置、设备和介质。
一种基于深度学习评价鼻咽癌治疗效果的方法，所述方法包括：
若获取到第一标本组织的第一染色图像，所述第一标本组织为对目标患者治疗前的鼻咽癌组织进行采样得到，则将所述第一染色图像输入到第一识别模型进行识别以得到第一识别结果，根据所述第一识别结果计算所述第一染色图像内的第一鼻咽癌细胞百分比；
获取第二标本组织的第二染色图像，所述第二标本组织为对所述目标患者治疗后的鼻咽癌组织进行采样得到，将所述第二染色图像输入到所述第一识别模型进行识别以得到第二识别结果，根据所述第二识别结果计算所述第二染色图像内的第二鼻咽癌细胞百分比；其中，所述第一识别结果和所述第二识别结果为染色图像内鼻咽癌细胞及非鼻咽癌细胞的区域和/或数量的识别结果；
获取第三标本组织的第三染色图像，所述第三标本组织为对所述目标患者治疗后的瘤旁组织进行采样得到，将所述第三染色图像输入到第二识别模型进行识别以得到第三识别结果，根据所述第三识别结果计算所述第三染色图像内的实际病理区域百分比；其中，所述第三识别结果为所述第三染色图像内病理区域的识别结果，所述实际病理区域百分比为识别到的病理区域的面积占所述第三染色图像内细胞总面积的百分比；
根据所述第一鼻咽癌细胞百分比和所述第二鼻咽癌细胞百分比确定第一评级，所述第一评级为对鼻咽癌组织治疗效果的评级，根据所述实际病理区域百分比确定第二评级，所述第二评级为治疗对瘤旁组织影响的评级；
汇总所述第一评级和所述第二评级以形成综合评价，所述综合评价为对所述目标患者的鼻咽癌治疗方案的总体评价。
在其中一个实施例中，所述根据所述第一鼻咽癌细胞百分比和所述第二鼻咽癌细胞百分比确定第一评级，包括：
当所述第二鼻咽癌细胞百分比为0时，确定治疗对鼻咽癌组织完全有效；
当所述第二鼻咽癌细胞百分比不为0时，计算所述第二鼻咽癌细胞百分比与所述第一鼻咽癌细胞百分比的实际差值，获取不同评级的预设差值，将所述实际差值与所述不同评级的预设差值进行大小比较，根据第一大小比较结果确定所述第一评级。
在其中一个实施例中，所述辅助评价方法还包括：
若未获取到所述第一标本组织的第一染色图像，则根据所述第二识别结果计算所述第二染色图像内的第一鼻咽癌间质比；
根据所述第一鼻咽癌间质比确定所述第一评级。
在其中一个实施例中，所述根据所述第一鼻咽癌间质比确定所述第一评级，包括：
当所述第一鼻咽癌间质比为0时，确定治疗对鼻咽癌组织完全有效；
当所述第一鼻咽癌间质比不为0时，获取不同评级的预设鼻咽癌间质比，将所述第一鼻咽癌间质比与所述不同评级的预设鼻咽癌间质比进行大小比较，根据第二大小比较结果确定所述第一评级。
在其中一个实施例中，所述第一鼻咽癌细胞百分比和所述第二鼻咽癌细胞百分比为鼻咽癌细胞区域面积占染色图像内细胞总面积的百分比，或鼻咽癌细胞数量占染色图像内细胞总数量的百分比；
所述第一鼻咽癌间质比为所述第二染色图像内鼻咽癌细胞区域面积与其它细胞区域面积的百分比，或鼻咽癌细胞数量与其它细胞数量的百分比；
所述识别到的病理区域的面积包括坏死区域面积与纤维化区域面积的和。
在其中一个实施例中，所述根据所述实际病理区域百分比确定第二评级，包括：
当所述实际病理区域百分比为0时，确定治疗对瘤旁组织无影响；
当所述实际病理区域百分比不为0时，获取不同评级的预设病理区域百分比，将所述实际病理区域百分比与所述不同评级的预设病理区域百分比进行大小比较，根据第三大小比较结果确定所述第二评级。
在其中一个实施例中，在鼻咽癌组织采样所述第一标本组织的第一采样点与采样所述第二标本组织的第二采样点不同，所述第一采样点与所述第二采样点在所述鼻咽癌组织内的中心位与四周位。
一种鼻咽癌治疗效果评价装置，所述装置包括：
鼻咽癌细胞百分比获取模块，用于若获取到第一标本组织的第一染色图像，所述第一标本组织为对目标患者治疗前的鼻咽癌组织进行采样得到，则将所述第一染色图像输入到第一识别模型进行识别以得到第一识别结果，根据所述第一识别结果计算所述第一染色图像内的第一鼻咽癌细胞百分比；获取第二标本组织的第二染色图像，所述第二标本组织为对所述目标患者治疗后的鼻咽癌组织进行采样得到，将所述第二染色图像输入到所述第一识别模型进行识别以得到第一识别结果，根据所述第二识别结果计算所述第二染色图像内的第二鼻咽癌细胞百分比；其中，所述第一识别结果和所述第二识别结果为染色图像内鼻咽癌细胞及非鼻咽癌细胞的区域和/或数量的识别结果；
病理区域百分比获取模块，用于获取第三标本组织的第三染色图像，所述第三标本组织为对所述目标患者治疗后的瘤旁组织进行采样得到，将所述第三染色图像输入到第二识别模型进行识别以得到第一识别结果，根据所述第三识别结果计算所述第三染色图像内的实际病理区域百分比；其中，所述第三识别结果为所述第三染色图像内病理区域的识别结果，所述实际病理区域百分比为识别到的病理区域的面积占所述第三染色图像内细胞总面积的百分比；
评级模块，用于根据所述第一鼻咽癌细胞百分比和所述第二鼻咽癌细胞百分比确定第一评级，所述第一评级为对鼻咽癌组织治疗效果的评级，根据所述实际病理区域百分比确定第二评级，所述第二评级为治疗对瘤旁组织影响的评级；
评价模块，用于汇总所述第一评级和所述第二评级以形成综合评价，所述综合评价为对所述目标患者的鼻咽癌治疗方案的总体评价。
一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
若获取到第一标本组织的第一染色图像，所述第一标本组织为对目标患者治疗前的鼻咽癌组织进行采样得到，则将所述第一染色图像输入到第一识别模型进行识别以得到第一识别结果，根据所述第一识别结果计算所述第一染色图像内的第一鼻咽癌细胞百分比；
获取第二标本组织的第二染色图像，所述第二标本组织为对所述目标患者治疗后的鼻咽癌组织进行采样得到，将所述第二染色图像输入到所述第一识别模型进行识别以得到第二识别结果，根据所述第二识别结果计算所述第二染色图像内的第二鼻咽癌细胞百分比；其中，所述第一识别结果和所述第二识别结果为染色图像内鼻咽癌细胞及非鼻咽癌细胞的区域和/或数量的识别结果；
获取第三标本组织的第三染色图像，所述第三标本组织为对所述目标患者治疗后的瘤旁组织进行采样得到，将所述第三染色图像输入到第二识别模型进行识别以得到第三识别结果，根据所述第三识别结果计算所述第三染色图像内的实际病理区域百分比；其中，所述第三识别结果为所述第三染色图像内病理区域的识别结果，所述实际病理区域百分比为识别到的病理区域的面积占所述第三染色图像内细胞总面积的百分比；
根据所述第一鼻咽癌细胞百分比和所述第二鼻咽癌细胞百分比确定第一评级，所述第一评级为对鼻咽癌组织治疗效果的评级，根据所述实际病理区域百分比确定第二评级，所述第二评级为治疗对瘤旁组织影响的评级；
汇总所述第一评级和所述第二评级以形成综合评价，所述综合评价为对所述目标患者的鼻咽癌治疗方案的总体评价。
一种鼻咽癌治疗效果评价设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
若获取到第一标本组织的第一染色图像，所述第一标本组织为对目标患者治疗前的鼻咽癌组织进行采样得到，则将所述第一染色图像输入到第一识别模型进行识别以得到第一识别结果，根据所述第一识别结果计算所述第一染色图像内的第一鼻咽癌细胞百分比；
获取第二标本组织的第二染色图像，所述第二标本组织为对所述目标患者治疗后的鼻咽癌组织进行采样得到，将所述第二染色图像输入到所述第一识别模型进行识别以得到第二识别结果，根据所述第二识别结果计算所述第二染色图像内的第二鼻咽癌细胞百分比；其中，所述第一识别结果和所述第二识别结果为染色图像内鼻咽癌细胞及非鼻咽癌细胞的区域和/或数量的识别结果；
获取第三标本组织的第三染色图像，所述第三标本组织为对所述目标患者治疗后的瘤旁组织进行采样得到，将所述第三染色图像输入到第二识别模型进行识别以得到第三识别结果，根据所述第三识别结果计算所述第三染色图像内的实际病理区域百分比；其中，所述第三识别结果为所述第三染色图像内病理区域的识别结果，所述实际病理区域百分比为识别到的病理区域的面积占所述第三染色图像内细胞总面积的百分比；
根据所述第一鼻咽癌细胞百分比和所述第二鼻咽癌细胞百分比确定第一评级，所述第一评级为对鼻咽癌组织治疗效果的评级，根据所述实际病理区域百分比确定第二评级，所述第二评级为治疗对瘤旁组织影响的评级；
汇总所述第一评级和所述第二评级以形成综合评价，所述综合评价为对所述目标患者的鼻咽癌治疗方案的总体评价。
本发明提供了基于深度学习评价鼻咽癌治疗效果的方法、装置、设备和介质，结合了治疗前后的病理学特征对鼻咽癌治疗效果进行综合评定，包括通过第一识别模型分别获取鼻咽癌组织治疗前的第一鼻咽癌细胞百分比和鼻咽癌组织治疗后的第二鼻咽癌细胞百分比，由于基于同一识别模型也保证了对鼻咽癌细胞的前后识别标准具有一致性。此外也新增对瘤旁组织的治疗反应的评价方法，包括通过第二识别模型获取瘤旁组织治疗后的实际病理区域百分比。然后根据第一鼻咽癌细胞百分比和第二鼻咽癌细胞百分比确定第一评级，根据实际病理区域百分比确定第二评级，最后汇总形成综合评价。整个方案利用预先训练好的识别模型对治疗前后的第一鼻咽癌细胞百分比、第二鼻咽癌细胞百分比、实际病理区域百分比进行客观计算，然后基于这些数据进行评级及评价，确保了病理学评价的一致性、精确性和客观性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
其中：
图1为第一实施例中基于深度学习评价鼻咽癌治疗效果的方法的流程示意图；
图2为一个实施例中对目标患者在治疗前后进行采样的示意图；
图3为一个实施例中第一染色图像的示意图；
图4为一个实施例中目标患者在治疗前后的鼻咽癌组织染色图像的示意图；
图5为一个实施例中目标患者在治疗后的瘤旁组织染色图像的示意图；
图6为第二实施例中基于深度学习评价鼻咽癌治疗效果的流程示意图；
图7为一个实施例中鼻咽癌治疗效果评价装置的结构示意图；
图8为一个实施例中鼻咽癌治疗效果评价设备的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，图1为第一实施例中基于深度学习评价鼻咽癌治疗效果的方法的流程示意图，本第一实施例中基于深度学习评价鼻咽癌治疗效果的方法提供的步骤包括：
步骤102，判断是否获取到第一标本组织的第一染色图像。若获取到第一标本组织的第一染色图像，则执行步骤104，将第一染色图像输入到第一识别模型进行识别以得到第一识别结果，根据第一识别结果计算第一染色图像内的第一鼻咽癌细胞百分比。
其中，该第一标本组织为对目标患者治疗前的鼻咽癌组织进行采样得到，参见图2，具体通过在治疗前的鼻咽癌组织的1个中心位和2个四周位处采集得到，即对图2中“1”所代表的多个圆形区域进行采样得到，这样可以采集到较全面的、代表性的鼻咽癌组织。然后对该第一标本组织通过HE染色法(苏木精—伊红染色法，hematoxylin-eosin staining)进行染色，染色后可更突显图像中的鼻咽癌细胞及非鼻咽癌细胞，最终得到如图3所示的第一染色图像。
本实施例中仅对能获取到第一染色图像的情形进行讨论，例如目标患者是在A医院先进行病理活检诊断(A1)，第一染色图像存储在A医院的数据库中。在A医院经过一段时间的治疗后，再次在A医院进行病理活检诊断(A2)，此时由于前后两次病理活检诊断能建立起关联，在进行病理活检诊断(A2)时便能获取到第一染色图像，从而能结合治疗前后的病理学特征对鼻咽癌治疗效果进行综合评定。
在本实施例中，该第一识别模型包括由卷积层和降采样层组成的多个组合，多个组合依次连接，前一组合中的降采样层的输出是下一组合中的卷积层的输入。其中每一卷积层由N个卷积核组成，该卷积核可以选用Sobel算子、Scharr算子等来增强图像的边缘特征及纹理特征。而降采样层可以采用平均池化或最大池化的方式来对卷积层输出的特征图进行下采样，通过下采样可以减小卷积层输出的特征图的大小。在上述最后一个组合的降采样层的输出依次连接有全连接层和输出层，其中，全连接层可以采用sigmoid函数激活，输出层可以为softmax层，输出层的末端包括多个节点，该多个节点对应预先设定的多个识别结果，softmax层将多个识别结果以概率的形式展现出来，根据概率最大的识别结果确定细胞为鼻咽癌细胞或其他的非鼻咽癌细胞，进一步的可基于YOLO或SSD对算法对鼻咽癌细胞与非鼻咽癌细胞的区域进行大致定位，以及统计第一识别模型的输出结果得到鼻咽癌细胞与非鼻咽癌细胞的数量，从而得到第一识别结果。
当第一识别结果仅为鼻咽癌细胞及非鼻咽癌细胞的区域时，相应的该第一鼻咽癌细胞百分比为鼻咽癌细胞区域面积占染色图像内细胞总面积的百分比P1％，此种情况下得到第一鼻咽癌细胞百分比的效率更高，能满足医生只想粗略地进行治疗效果评估的需求。当第一识别结果仅为鼻咽癌细胞及非鼻咽癌细胞的数量，相应的第一鼻咽癌细胞百分比为鼻咽癌细胞数量占染色图像内细胞总数量的百分比N1％，此种情况下，能满足医生想获得精细的治疗效果评估的需求。当第一识别结果包括上述两类数据时，医生可根据评估尺度的需求自行选择。
步骤106，获取第二标本组织的第二染色图像，将第二染色图像输入到第一识别模型进行识别以得到第二识别结果，根据第二识别结果计算第二染色图像内的第二鼻咽癌细胞百分比。
该第二标本组织为对目标患者治疗后的鼻咽癌组织进行采样得到。参见图2，对图2中“2”所代表的多个圆形区域进行采样得到第二标本组织，虽采样第一标本组织的第一采样点与采样第二标本组织的第二采样点同样在鼻咽癌组织内的1个中心位与2个四周位处，但要求第二采样点应避开第一采样点，这样就可以避开上次(手术)活检造成的出血和瘢痕区域。
然后在进行后续的染色及在第一识别模型内识别等操作时与步骤102-104一致，此处就不再赘述，由于基于同一识别模型也保证了对鼻咽癌细胞的前后识别标准具有一致性。同理，当设定第二识别结果为鼻咽癌细胞的区域或非鼻咽癌细胞的区域时，第二鼻咽癌细胞百分比为鼻咽癌细胞区域面积占染色图像内细胞总面积的百分比P2％。当设定第二识别结果为鼻咽癌细胞或非鼻咽癌细胞时，第二鼻咽癌细胞百分比为鼻咽癌细胞数量占染色图像内细胞总数量的百分比N2％。
步骤108，获取第三标本组织的第三染色图像，将第三染色图像输入到第二识别模型进行识别以得到第三识别结果，根据第三识别结果计算第三染色图像内的实际病理区域百分比。
其中，该第三标本组织为对目标患者治疗后的瘤旁组织进行采样得到，参见图2，对图2中“3”所代表的多个圆形区域进行采样得到该第三标本组织。再同样通过HE染色法染色得到第三染色图像。
该第二识别模型同样可以包括由卷积层和降采样层组成的多个组合，多个组合依次连接，前一组合中的降采样层的输出是下一组合中的卷积层的输入。在上述最后一个组合的降采样层的输出依次连接有全连接层和输出层，其中，全连接层可以采用sigmoid函数激活，输出层可以为softmax层，输出层末端的多个节点对应预先设定的多个第三识别结果。softmax层将多个第三识别结果以概率的形式展现出来，根据概率最大的识别结果确定细胞为纤维细胞、坏死细胞或其他细胞，进一步的可基于YOLO或SSD对算法对纤维细胞、坏死细胞和其他细胞的区域进行大致定位，从而得到第三识别结果。
该第三识别结果为第三染色图像内病理区域的识别结果，具体来说，该病理区域包括坏死区域与纤维化区域，都是治疗后产生的不良影响。实际病理区域百分比为治疗后识别到的病理区域的面积占第三染色图像内细胞总面积的百分比P3％。
步骤110，根据第一鼻咽癌细胞百分比和第二鼻咽癌细胞百分比确定第一评级，根据实际病理区域百分比确定第二评级，
其中，该第一评级为对鼻咽癌组织治疗效果的评级，该第二评级为治疗对瘤旁组织影响的评级。
下面就举例说明如何确定第一评级和第二评级。
示例性的，确定第一评级的步骤包括：当第二鼻咽癌细胞百分比判读为0时，如图4中(b)所示，确定评级为A级，说明治疗后未见鼻咽癌细胞，该区域由可见坏死组织、纤维组织、淋巴细胞、浆细胞、组织细胞等所替代，确定治疗对鼻咽癌组织完全有效。当第二鼻咽癌细胞百分比判读不为0时，获取不同评级的预设差值，例如预先设定评级B的预设差值D1为D1>25％，设定评级C的预设差值D2为D2≤25％。再计算第二鼻咽癌细胞百分比与第一鼻咽癌细胞百分比的实际差值D，参见图4，若治疗前的第一鼻咽癌细胞百分比为90％，即图4中(a)所示；治疗后的第二鼻咽癌细胞百分比为20％，即图4中(c)所示，则计算可得实际差值D＝70％，落在预设差值D1的范围内，此时评级为B级，说明仍可见到鼻咽癌细胞，当前治疗方案对鼻咽癌细胞的治疗效果较为显著。又例如治疗前的第一鼻咽癌细胞百分比为90％，治疗后的第二鼻咽癌细胞百分比为75％，即图4中(d)所示，则计算可得实际差值D＝15％，落在预设差值D2的范围内，此时评级为C级，说明可见较多鼻咽癌细胞，当前治疗方案对鼻咽癌细胞的治疗效果甚微。当然，上述举例的第一评级和预设差值还可以设置为4个、5个或更多，评级标准越细，最终的评估越准确。本示例中的第一评级结合了治疗前后的病理学特征对鼻咽癌治疗效果进行综合评定，评定结果更为准确。
示例性的，确定第二评级的步骤包括：参见图5，当实际病理区域百分比P3％判读为0时，即图5中(a)所示，确定评级为x级，说明与正常的周围组织相比未见明显异常，治疗对瘤旁组织无影响。当实际病理区域百分比不为0时，获取不同评级的预设病理区域百分比，例如预先设定评级y的预设病理区域百分比P4％为P4％＜25％，设定评级z的预设病理区域百分比P5％为P5％≥25％。例如当治疗后的实际病理区域百分比P3％判读为15％时，即图5中(b)所示，落在预设病理区域百分比P4％的范围内，确定评级为y级，说明可见少量纤维化区域和/或坏死区域，治疗对瘤旁组织有较轻影响。例如当治疗后的实际病理区域百分比P3％判读为60％时，即图5中(c)所示，落在预设病理区域百分比P5％的范围内，确定评级为z级，说明可见较多的纤维化区域和/或坏死区域，治疗对瘤旁组织有较大影响。当然，上述举例的第二评级和预设病理区域百分比还可以设置为4个、5个或更多，评级标准越细，最终的评估越准确。本示例中的第二评级新增对瘤旁组织治疗反应的评价方法，使得最终的评价结果更客观。
步骤112，汇总第一评级和第二评级以形成综合评价。
其中，该综合评价为对目标患者的鼻咽癌治疗方案的总体评价。将第一评级和第二评级作为重要参数，与其他临床资料结合形成综合评价以进行综合分析，包含结合患者临床病历资料、治疗方案、药物选择、影像学资料、检验结果、基因结果等。
示例性的：X某，男，42岁，首次病理检查确诊非角化性低分化鳞状细胞癌，影像学MRI(Magnetic Resonance Imaging，磁共振成像)测得鼻咽癌体积5×4.2×2.3cm3，血液检测EBV(Epstein-Barr virus，EB病毒)为(+)，基因检测结果：TP53为突变型。经过规范化放射治疗、联合化学治疗3个周期后，进行治疗后的鼻咽癌组织和瘤旁组织多点取样，并经深度学习模型评价得到第一评级为A级，第二评级为x级，影像学MRI复查未见明显肿物，血液检测EBV为(-)。综合病理学参数及其他临床参数，得出综合评价：上述3个周期的治疗方案对该患者完全有效，并获得pCR(病理学完全缓解)。
上述基于深度学习评价鼻咽癌治疗效果的方法，结合了治疗前后的病理学特征对鼻咽癌治疗效果进行综合评定，包括通过第一识别模型分别获取鼻咽癌组织治疗前的第一鼻咽癌细胞百分比和鼻咽癌组织治疗后的第二鼻咽癌细胞百分比，由于基于同一识别模型也保证了对鼻咽癌细胞的前后识别标准具有一致性。此外也新增对瘤旁组织的治疗反应的评价方法，包括通过第二识别模型获取瘤旁组织治疗后的实际病理区域百分比。然后根据第一鼻咽癌细胞百分比和第二鼻咽癌细胞百分比确定第一评级，根据实际病理区域百分比确定第二评级，最后汇总形成综合评价。整个方案利用预先训练好的识别模型对治疗前后的第一鼻咽癌细胞百分比、第二鼻咽癌细胞百分比、实际病理区域百分比进行客观计算，然后基于这些数据进行评级及评价，确保了病理学评价的一致性、精确性和客观性。
如图6所示，图6为第二实施例中基于深度学习评价鼻咽癌治疗效果的方法的流程示意图，本第二实施例中基于深度学习评价鼻咽癌治疗效果的方法提供的步骤包括：
步骤602，判断是否获取第一标本组织的第一染色图像。若未获取到第一标本组织的第一染色图像，则执行步骤604，获取第二标本组织的第二染色图像，将第二染色图像输入到第一识别模型进行识别以得到第二识别结果，根据第二识别结果计算第二染色图像内的第一鼻咽癌间质比。
本实施例中仅对不能获取到第一染色图像的情形进行讨论，例如患者之前是在C医院先进行病理活检诊断(C1)，第一染色图像存储在C医院的数据库中。而后期又在B医院进行治疗，并再次进行病理活检评估疗效(B2)。由于B医院无法获取到C医院的病理资料，因此无法结合治疗前的第一染色图像进行比对。又或者距首次确诊的C1结果时间过久，已无法再次获取到第一染色图像，此时仅基于第二染色图像进行治疗评价。
当此处设定的第二识别结果为鼻咽癌细胞的区域或其它细胞的区域时，对应的第一鼻咽癌间质比为第二染色图像内鼻咽癌细胞区域面积与其它细胞区域面积的百分比P6％。当此处设定的第二识别结果为鼻咽癌细胞或其它细胞时，对应的第一鼻咽癌间质比为鼻咽癌细胞数量与其它细胞数量的百分比P7％；
步骤606，获取第三标本组织的第三染色图像，将第三染色图像输入到第二识别模型进行识别以得到第三识别结果，根据第三识别结果计算第三染色图像内的实际病理区域百分比。
在一个具体的实施场景中，步骤606与第一实施例中基于深度学习评价鼻咽癌治疗效果的方法的步骤108基本一致，此处不再进行赘述。
步骤608，根据第一鼻咽癌间质比确定第一评级，根据实际病理区域百分比确定第二评级。
其中，本实施例中确定第二评级的步骤同步骤110基本一致，此处就不再进行赘述，下面就举例说明本具体实施例中如何确定第一评级。
示例性的：当第一鼻咽癌间质比为0时，确定评级为A级，说明治疗后未见鼻咽癌细胞，治疗对鼻咽癌组织完全有效。当第一鼻咽癌间质比不为0时，获取不同评级的预设鼻咽癌间质比，例如预先设定评级B的预设鼻咽癌间质比为小于1：3，预先设定评级B的预设鼻咽癌间质比为大于1：3。若第一鼻咽癌间质比为1：4，落在评级B的范围内，说明仍可见到鼻咽癌细胞，当前治疗方案对鼻咽癌细胞的治疗效果较为显著。若第一鼻咽癌间质比为3：1，落在评级C的范围内，说明可见较多鼻咽癌细胞，当前治疗方案对鼻咽癌细胞的治疗效果甚微。当然，上述举例的第一评级和预设鼻咽癌间质比还可以设置为4个、5个或更多，评级标准越细，最终的评估越准确。
步骤610，汇总第一评级和第二评级以形成综合评价。
在一个具体的实施场景中，步骤610与第一实施例中基于深度学习评价鼻咽癌治疗效果的方法的步骤112基本一致，此处就不再进行赘述。
上述基于深度学习评价鼻咽癌治疗效果的方法，仅通过治疗后的病理学特征对鼻咽癌治疗效果进行评价，能满足在无法获取到治疗前的第一染色图像的情况下仍实现对治疗效果的评价。
在一个实施例中，如图7所示，提出了一种鼻咽癌治疗效果评价装置，该装置包括：
鼻咽癌细胞百分比获取模块702，用于若获取到第一标本组织的第一染色图像，第一标本组织为对目标患者治疗前的鼻咽癌组织进行采样得到，则将第一染色图像输入到第一识别模型进行识别以得到第一识别结果，根据第一识别结果计算第一染色图像内的第一鼻咽癌细胞百分比；获取第二标本组织的第二染色图像，第二标本组织为对目标患者治疗后的鼻咽癌组织进行采样得到，将第二染色图像输入到第一识别模型进行识别以得到第一识别结果，根据第二识别结果计算第二染色图像内的第二鼻咽癌细胞百分比；其中，第一识别结果和第二识别结果为染色图像内鼻咽癌细胞及非鼻咽癌细胞的区域和/或数量的识别结果；
病理区域百分比获取模块704，用于获取第三标本组织的第三染色图像，第三标本组织为对目标患者治疗后的瘤旁组织进行采样得到，将第三染色图像输入到第二识别模型进行识别以得到第一识别结果，根据第三识别结果计算第三染色图像内的实际病理区域百分比；其中，第三识别结果为第三染色图像内病理区域的识别结果，实际病理区域百分比为识别到的病理区域的面积占第三染色图像内细胞总面积的百分比；
评级模块706，用于根据第一鼻咽癌细胞百分比和第二鼻咽癌细胞百分比确定第一评级，第一评级为对鼻咽癌组织治疗效果的评级，根据实际病理区域百分比确定第二评级，第二评级为治疗对瘤旁组织影响的评级；
评价模块708，用于汇总第一评级和第二评级以形成综合评价，综合评价为对目标患者的鼻咽癌治疗方案的总体评价。
上述鼻咽癌治疗效果评价装置，结合了治疗前后的病理学特征对鼻咽癌治疗效果进行综合评定，包括通过第一识别模型分别获取鼻咽癌组织治疗前的第一鼻咽癌细胞百分比和鼻咽癌组织治疗后的第二鼻咽癌细胞百分比，由于基于同一识别模型也保证了对鼻咽癌细胞的前后识别标准具有一致性。此外也新增对瘤旁组织的治疗反应的评价方法，包括通过第二识别模型获取瘤旁组织治疗后的实际病理区域百分比。然后根据第一鼻咽癌细胞百分比和第二鼻咽癌细胞百分比确定第一评级，根据实际病理区域百分比确定第二评级，最后汇总形成综合评价。整个方案利用预先训练好的识别模型对治疗前后的第一鼻咽癌细胞百分比、第二鼻咽癌细胞百分比、实际病理区域百分比进行客观计算，然后基于这些数据进行评级及评价，确保了病理学评价的一致性、精确性和客观性。
在一个实施例中，评级模块706，具体用于：当第二鼻咽癌细胞百分比为0时，确定治疗对鼻咽癌组织完全有效；当第二鼻咽癌细胞百分比不为0时，计算第二鼻咽癌细胞百分比与第一鼻咽癌细胞百分比的实际差值，获取不同评级的预设差值，将实际差值与不同评级的预设差值进行大小比较，根据第一大小比较结果确定第一评级。
在一个实施例中，鼻咽癌治疗效果评价装置还包括鼻咽癌间质比获取，用于：若未获取到第一标本组织的第一染色图像，则根据第二识别结果计算第二染色图像内的第一鼻咽癌间质比；根据第一鼻咽癌间质比确定第一评级。
在一个实施例中，鼻咽癌间质比获取，具体用于：当第一鼻咽癌间质比为0时，确定治疗对鼻咽癌组织完全有效；当第一鼻咽癌间质比不为0时，获取不同评级的预设鼻咽癌间质比，将第一鼻咽癌间质比与不同评级的预设鼻咽癌间质比进行大小比较，根据第二大小比较结果确定第一评级。
在一个实施例中，评级模块706，具体用于：当实际病理区域百分比为0时，确定治疗对瘤旁组织无影响；当实际病理区域百分比不为0时，获取不同评级的预设病理区域百分比，将实际病理区域百分比与不同评级的预设病理区域百分比进行大小比较，根据第三大小比较结果确定第二评级。
图8示出了一个实施例中鼻咽癌治疗效果评价设备的内部结构图。如图8所示，该鼻咽癌治疗效果评价设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该鼻咽癌治疗效果评价设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现基于深度学习评价鼻咽癌治疗效果的方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行基于深度学习评价鼻咽癌治疗效果的方法。本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的鼻咽癌治疗效果评价设备的限定，具体的鼻咽癌治疗效果评价设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
一种鼻咽癌治疗效果评价设备，包括存储器、处理器以及存储在该存储器中并可在该处理器上执行的计算机程序，该处理器执行该计算机程序时实现如下步骤：若获取到第一标本组织的第一染色图像，第一标本组织为对目标患者治疗前的鼻咽癌组织进行采样得到，则将第一染色图像输入到第一识别模型进行识别以得到第一识别结果，根据第一识别结果计算第一染色图像内的第一鼻咽癌细胞百分比；获取第二标本组织的第二染色图像，第二标本组织为对目标患者治疗后的鼻咽癌组织进行采样得到，将第二染色图像输入到第一识别模型进行识别以得到第二识别结果，根据第二识别结果计算第二染色图像内的第二鼻咽癌细胞百分比；其中，第一识别结果和第二识别结果为染色图像内鼻咽癌细胞及非鼻咽癌细胞的区域和/或数量的识别结果；获取第三标本组织的第三染色图像，第三标本组织为对目标患者治疗后的瘤旁组织进行采样得到，将第三染色图像输入到第二识别模型进行识别以得到第三识别结果，根据第三识别结果计算第三染色图像内的实际病理区域百分比；其中，第三识别结果为第三染色图像内病理区域的识别结果，实际病理区域百分比为识别到的病理区域的面积占第三染色图像内细胞总面积的百分比；根据第一鼻咽癌细胞百分比和第二鼻咽癌细胞百分比确定第一评级，第一评级为对鼻咽癌组织治疗效果的评级，根据实际病理区域百分比确定第二评级，第二评级为治疗对瘤旁组织影响的评级；汇总第一评级和第二评级以形成综合评价，综合评价为对目标患者的鼻咽癌治疗方案的总体评价。
在一个实施例中，根据第一鼻咽癌细胞百分比和第二鼻咽癌细胞百分比确定第一评级，包括：当第二鼻咽癌细胞百分比为0时，确定治疗对鼻咽癌组织完全有效；当第二鼻咽癌细胞百分比不为0时，计算第二鼻咽癌细胞百分比与第一鼻咽癌细胞百分比的实际差值，获取不同评级的预设差值，将实际差值与不同评级的预设差值进行大小比较，根据第一大小比较结果确定第一评级。
在一个实施例中，辅助评价方法还包括：若未获取到第一标本组织的第一染色图像，则根据第二识别结果计算第二染色图像内的第一鼻咽癌间质比；根据第一鼻咽癌间质比确定第一评级。
在一个实施例中，根据第一鼻咽癌间质比确定第一评级，包括：当第一鼻咽癌间质比为0时，确定治疗对鼻咽癌组织完全有效；当第一鼻咽癌间质比不为0时，获取不同评级的预设鼻咽癌间质比，将第一鼻咽癌间质比与不同评级的预设鼻咽癌间质比进行大小比较，根据第二大小比较结果确定第一评级。
在一个实施例中，根据实际病理区域百分比确定第二评级，包括：当实际病理区域百分比为0时，确定治疗对瘤旁组织无影响；当实际病理区域百分比不为0时，获取不同评级的预设病理区域百分比，将实际病理区域百分比与不同评级的预设病理区域百分比进行大小比较，根据第三大小比较结果确定第二评级。
一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现如下步骤：若获取到第一标本组织的第一染色图像，第一标本组织为对目标患者治疗前的鼻咽癌组织进行采样得到，则将第一染色图像输入到第一识别模型进行识别以得到第一识别结果，根据第一识别结果计算第一染色图像内的第一鼻咽癌细胞百分比；获取第二标本组织的第二染色图像，第二标本组织为对目标患者治疗后的鼻咽癌组织进行采样得到，将第二染色图像输入到第一识别模型进行识别以得到第二识别结果，根据第二识别结果计算第二染色图像内的第二鼻咽癌细胞百分比；其中，第一识别结果和第二识别结果为染色图像内鼻咽癌细胞及非鼻咽癌细胞的区域和/或数量的识别结果；获取第三标本组织的第三染色图像，第三标本组织为对目标患者治疗后的瘤旁组织进行采样得到，将第三染色图像输入到第二识别模型进行识别以得到第三识别结果，根据第三识别结果计算第三染色图像内的实际病理区域百分比；其中，第三识别结果为第三染色图像内病理区域的识别结果，实际病理区域百分比为识别到的病理区域的面积占第三染色图像内细胞总面积的百分比；根据第一鼻咽癌细胞百分比和第二鼻咽癌细胞百分比确定第一评级，第一评级为对鼻咽癌组织治疗效果的评级，根据实际病理区域百分比确定第二评级，第二评级为治疗对瘤旁组织影响的评级；汇总第一评级和第二评级以形成综合评价，综合评价为对目标患者的鼻咽癌治疗方案的总体评价。
在一个实施例中，根据第一鼻咽癌细胞百分比和第二鼻咽癌细胞百分比确定第一评级，包括：当第二鼻咽癌细胞百分比为0时，确定治疗对鼻咽癌组织完全有效；当第二鼻咽癌细胞百分比不为0时，计算第二鼻咽癌细胞百分比与第一鼻咽癌细胞百分比的实际差值，获取不同评级的预设差值，将实际差值与不同评级的预设差值进行大小比较，根据第一大小比较结果确定第一评级。
在一个实施例中，辅助评价方法还包括：若未获取到第一标本组织的第一染色图像，则根据第二识别结果计算第二染色图像内的第一鼻咽癌间质比；根据第一鼻咽癌间质比确定第一评级。
在一个实施例中，根据第一鼻咽癌间质比确定第一评级，包括：当第一鼻咽癌间质比为0时，确定治疗对鼻咽癌组织完全有效；当第一鼻咽癌间质比不为0时，获取不同评级的预设鼻咽癌间质比，将第一鼻咽癌间质比与不同评级的预设鼻咽癌间质比进行大小比较，根据第二大小比较结果确定第一评级。
在一个实施例中，根据实际病理区域百分比确定第二评级，包括：当实际病理区域百分比为0时，确定治疗对瘤旁组织无影响；当实际病理区域百分比不为0时，获取不同评级的预设病理区域百分比，将实际病理区域百分比与不同评级的预设病理区域百分比进行大小比较，根据第三大小比较结果确定第二评级。
需要说明的是，上述基于深度学习评价鼻咽癌治疗效果的方法、装置、设备及计算机可读存储介质属于一个总的发明构思，基于深度学习评价鼻咽癌治疗效果的方法、装置、设备及计算机可读存储介质实施例中的内容可相互适用。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种基于深度学习评价鼻咽癌治疗效果的方法，其特征在于，所述方法包括：
若获取到第一标本组织的第一染色图像，所述第一标本组织为对目标患者治疗前的鼻咽癌组织进行采样得到，则将所述第一染色图像输入到第一识别模型进行识别以得到第一识别结果，根据所述第一识别结果计算所述第一染色图像内的第一鼻咽癌细胞百分比；
获取第二标本组织的第二染色图像，所述第二标本组织为对所述目标患者治疗后的鼻咽癌组织进行采样得到，将所述第二染色图像输入到所述第一识别模型进行识别以得到第二识别结果，根据所述第二识别结果计算所述第二染色图像内的第二鼻咽癌细胞百分比；其中，所述第一识别结果和所述第二识别结果为染色图像内鼻咽癌细胞及非鼻咽癌细胞的区域和/或数量的识别结果；
获取第三标本组织的第三染色图像，所述第三标本组织为对所述目标患者治疗后的瘤旁组织进行采样得到，将所述第三染色 图像输入到第二识别模型进行识别以得到第三识别结果，根据所述第三识别结果计算所述第三染色图像内的实际病理区域百分比；其中，所述第三识别结果为所述第三染色图像内病理区域的识别结果，所述实际病理区域百分比为识别到的病理区域的面积占所述第三染色图像内细胞总面积的百分比；
根据所述第一鼻咽癌细胞百分比和所述第二鼻咽癌细胞百分比确定第一评级，所述第一评级为对鼻咽癌组织治疗效果的评级，根据所述实际病理区域百分比确定第二评级，所述第二评级为治疗对瘤旁组织影响的评级；
汇总所述第一评级和所述第二评级以形成综合评价，所述综合评价为对所述目标患者的鼻咽癌治疗方案的总体评价；
所述根据所述实际病理区域百分比确定第二评级，包括：当所述实际病理区域百分比为0时，确定治疗对瘤旁组织无影响；当所述实际病理区域百分比不为0时，获取不同评级的预设病理区域百分比，将所述实际病理区域百分比与所述不同评级的预设病理区域百分比进行大小比较，根据第三大小比较结果确定所述第二评级；
所述方法还包括：若未获取到所述第一标本组织的第一染色图像，则根据所述第二识别结果计算所述第二染色图像内的第一鼻咽癌间质比；根据所述第一鼻咽癌间质比确定所述第一评级；
所述根据所述第一鼻咽癌间质比确定所述第一评级，包括：当所述第一鼻咽癌间质比为0时，确定治疗对鼻咽癌组织完全有效；当所述第一鼻咽癌间质比不为0时，获取不同评级的预设鼻咽癌间质比，将所述第一鼻咽癌间质比与所述不同评级的预设鼻咽癌间质比进行大小比较，根据第二大小比较结果确定所述第一评级。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一鼻咽癌细胞百分比和所述第二鼻咽癌细胞百分比确定第一评级，包括：
当所述第二鼻咽癌细胞百分比为0时，确定治疗对鼻咽癌组织完全有效；
当所述第二鼻咽癌细胞百分比不为0时，计算所述第二鼻咽癌细胞百分比与所述第一鼻咽癌细胞百分比的实际差值，获取不同评级的预设差值，将所述实际差值与所述不同评级的预设差值进行大小比较，根据第一大小比较结果确定所述第一评级。
3.根据权利要求1所述的方法，其特征在于，所述第一鼻咽癌细胞百分比和所述第二鼻咽癌细胞百分比为鼻咽癌细胞区域面积占染色图像内细胞总面积的百分比，或鼻咽癌细胞数量占染色图像内细胞总数量的百分比；
所述第一鼻咽癌间质比为所述第二染色图像内鼻咽癌细胞区域面积与其它细胞区域面积的百分比，或鼻咽癌细胞数量与其它细胞数量的百分比；
所述识别到的病理区域的面积包括坏死区域面积与纤维化区域面积的和。
4.根据权利要求1所述的方法，其特征在于，在鼻咽癌组织采样所述第一标本组织的第一采样点与采样所述第二标本组织的第二采样点不同，所述第一采样点与所述第二采样点在所述鼻咽癌组织内的中心位与四周位。
5.一种鼻咽癌治疗效果评价装置，其特征在于，所述装置包括：
鼻咽癌细胞百分比获取模块，用于若获取到第一标本组织的第一染色图像，所述第一标本组织为对目标患者治疗前的鼻咽癌组织进行采样得到，则将所述第一染色图像输入到第一识别模型进行识别以得到第一识别结果，根据所述第一识别结果计算所述第一染色图像内的第一鼻咽癌细胞百分比；获取第二标本组织的第二染色图像，所述第二标本组织为对所述目标患者治疗后的鼻咽癌组织进行采样得到，将所述第二染色图像输入到所述第一识别模型进行识别以得到第二识别结果，根据所述第二识别结果计算所述第二染色图像内的第二鼻咽癌细胞百分比；其中，所述第一识别结果和所述第二识别结果为染色图像内鼻咽癌细胞及非鼻咽癌细胞的区域和/或数量的识别结果；
病理区域百分比获取模块，用于获取第三标本组织的第三染色图像，所述第三标本组织为对所述目标患者治疗后的瘤旁组织进行采样得到，将所述第三染色图像输入到第二识别模型进行识别以得到第三识别结果，根据所述第三识别结果计算所述第三染色图像内的实际病理区域百分比；其中，所述第三识别结果为所述第三染色图像内病理区域的识别结果，所述实际病理区域百分比为识别到的病理区域的面积占所述第三染色图像内细胞总面积的百分比；
评级模块，用于根据所述第一鼻咽癌细胞百分比和所述第二鼻咽癌细胞百分比确定第一评级，所述第一评级为对鼻咽癌组织治疗效果的评级，根据所述实际病理区域百分比确定第二评级，所述第二评级为治疗对瘤旁组织影响的评级；
评价模块，用于汇总所述第一评级和所述第二评级以形成综合评价，所述综合评价为对所述目标患者的鼻咽癌治疗方案的总体评价；
所述评级模块，具体用于：当所述实际病理区域百分比为0时，确定治疗对瘤旁组织无影响；当所述实际病理区域百分比不为0时，获取不同评级的预设病理区域百分比，将所述实际病理区域百分比与所述不同评级的预设病理区域百分比进行大小比较，根据第三大小比较结果确定所述第二评级；
所述装置，还用于若未获取到所述第一标本组织的第一染色图像，则根据所述第二识别结果计算所述第二染色图像内的第一鼻咽癌间质比；根据所述第一鼻咽癌间质比确定所述第一评级；
所述根据所述第一鼻咽癌间质比确定所述第一评级，包括：当所述第一鼻咽癌间质比为0时，确定治疗对鼻咽癌组织完全有效；当所述第一鼻咽癌间质比不为0时，获取不同评级的预设鼻咽癌间质比，将所述第一鼻咽癌间质比与所述不同评级的预设鼻咽癌间质比进行大小比较，根据第二大小比较结果确定所述第一评级。
6.一种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，使得所述处理器执行如权利要求1至4中任一项所述方法的步骤。
7.一种鼻咽癌治疗效果评价设备，包括存储器和处理器，其特征在于，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至4中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110753373.6A CN113642386B (zh) | 2021-07-02 | 2021-07-02 | 基于深度学习评价鼻咽癌治疗效果的方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110753373.6A CN113642386B (zh) | 2021-07-02 | 2021-07-02 | 基于深度学习评价鼻咽癌治疗效果的方法、装置、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113642386A CN113642386A (zh) | 2021-11-12 |
| CN113642386B true CN113642386B (zh) | 2024-06-21 |
Family
ID=78416618
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110753373.6A Active CN113642386B (zh) | 2021-07-02 | 2021-07-02 | 基于深度学习评价鼻咽癌治疗效果的方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113642386B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108538399A (zh) * | 2018-03-22 | 2018-09-14 | 复旦大学 | 一种磁共振肝癌疗效评估方法和系统 |
| CN112618970A (zh) * | 2021-01-06 | 2021-04-09 | 南京航空航天大学 | 一种硼中子俘获治疗生物剂量计算方法 |
Family Cites Families (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2027868A1 (en) * | 2007-08-24 | 2009-02-25 | Institut National De La Sante Et De La Recherche Medicale (Inserm) | Use of SCO-Spondin peptides for inhibiting or preventing neuronal apoptosis mediated by cell death receptor ligands |
| NZ587598A (en) * | 2008-02-29 | 2012-10-26 | Univ New York State Res Found | Methods of increasing proliferation of a cell by administering a low magnitude, high frequency mechanical signal |
| EP2347364B1 (en) * | 2008-08-28 | 2020-07-15 | Fundação D. Anna Sommer Champalimaud E Dr. Carlos Montez Champalimaud | Systems and methods for treating, diagnosing and predicting the occurrence of a medical condition |
| AU2014337055A1 (en) * | 2013-10-18 | 2016-05-12 | Molecular Insight Pharmaceuticals, Inc. | Methods of using SPECT/CT analysis for staging cancer |
| US20160153047A1 (en) * | 2013-11-14 | 2016-06-02 | TrueCells, LLC | Cell culture isolation and expansion of circulating tumor cells (ctc) from cancer patients or animals to derive prognostic and predictive information and to provide a substrate for subsequent genetic, metabolic, immunologic, and other cellular characterizations. |
| US9349178B1 (en) * | 2014-11-24 | 2016-05-24 | Siemens Aktiengesellschaft | Synthetic data-driven hemodynamic determination in medical imaging |
| WO2016116602A1 (en) * | 2015-01-23 | 2016-07-28 | Astrazeneca Ab | Treatment of cancer |
| US20170091409A1 (en) * | 2015-09-28 | 2017-03-30 | Lan Jiang | Cancer therapeutic window evaluation method |
| US20200113476A1 (en) * | 2015-09-28 | 2020-04-16 | Lan Jiang | Method for precision cancer treatment by identifying drug resistance |
| CN106853272A (zh) * | 2015-12-08 | 2017-06-16 | 南京中硼联康医疗科技有限公司 | 射束的照射角度评价方法 |
| ES2951809T3 (es) * | 2017-05-17 | 2023-10-25 | Arcus Biosciences Inc | Derivados de quinazolina-pirazol para el tratamiento de trastornos relacionados con el cáncer |
| US10928383B2 (en) * | 2017-06-03 | 2021-02-23 | Shanxi Pishon Biomedical Technology Co., Ltd | Method for predicting effect of drug |
| US10441225B2 (en) * | 2018-02-21 | 2019-10-15 | Case Western Reserve University | Predicting disease recurrence following trimodality therapy in non-small cell lung cancer using computed tomography derived radiomic features and clinico-pathologic features |
| CN109271969B (zh) * | 2018-10-29 | 2020-03-24 | 北京青燕祥云科技有限公司 | 一种脑胶质瘤分级评价方法及其装置 |
| CN110433285B (zh) * | 2019-06-20 | 2023-04-07 | 杭州师范大学 | 一种个体化肿瘤抗原肽疫苗及其制备方法 |
| US20230360217A1 (en) * | 2019-11-27 | 2023-11-09 | University Of Cincinnati | Assessing treatment response with estimated number of tumor cells |
| CN111445981A (zh) * | 2020-03-28 | 2020-07-24 | 华中科技大学同济医学院附属协和医院 | 一种癌症患者营养管理系统 |
| CN111500739B (zh) * | 2020-06-15 | 2022-05-17 | 南通大学附属医院 | 一种用于检测鼻咽癌预后的生物标志物及其应用 |
| CN111967465A (zh) * | 2020-07-07 | 2020-11-20 | 广州金域医学检验中心有限公司 | 肿瘤细胞含量评估方法、系统、计算机设备及存储介质 |
| CN111815624B (zh) * | 2020-07-28 | 2024-05-03 | 复影(上海)医疗科技有限公司 | 基于图像处理算法的肿瘤间质比判定方法及系统 |
| CN111790065A (zh) * | 2020-08-11 | 2020-10-20 | 北京易康医疗科技有限公司 | 一种针对肿瘤的多线束联合放射治疗方法 |
| CN112102247B (zh) * | 2020-08-18 | 2024-05-14 | 广州金域医学检验中心有限公司 | 基于机器学习的病理切片质量评价方法及相关设备 |
-
2021
- 2021-07-02 CN CN202110753373.6A patent/CN113642386B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108538399A (zh) * | 2018-03-22 | 2018-09-14 | 复旦大学 | 一种磁共振肝癌疗效评估方法和系统 |
| CN112618970A (zh) * | 2021-01-06 | 2021-04-09 | 南京航空航天大学 | 一种硼中子俘获治疗生物剂量计算方法 |
Non-Patent Citations (1)
| Title |
|---|
| 肿瘤-间质比例对胃癌患者预后的预测价值;罗欣 等;《癌症进展》;第17卷(第09期);1050-1053 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113642386A (zh) | 2021-11-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112951406A (zh) | 一种基于ct影像组学的肺癌预后辅助评估方法及系统 | |
| US20120290324A1 (en) | Diagnostic techniques for continuous storage and joint analysis of both image and non-image medical data | |
| CN110348477B (zh) | 医疗图像处理方法、存储介质及计算机设备 | |
| KR20150073628A (ko) | 컴퓨터 보조 진단용 진단모델 적응 시스템 및 방법 | |
| Ikromjanov et al. | Whole slide image analysis and detection of prostate cancer using vision transformers | |
| CN111340825A (zh) | 一种纵膈淋巴结分割模型的生成方法及系统 | |
| CN114266729A (zh) | 一种基于机器学习的胸部肿瘤放疗后放射性肺炎预测方法和系统 | |
| CN111128348B (zh) | 医学图像处理方法、装置、存储介质及计算机设备 | |
| CN113077875A (zh) | Ct影像的处理方法及装置 | |
| CN113642386B (zh) | 基于深度学习评价鼻咽癌治疗效果的方法、装置、设备和介质 | |
| CN110992312B (zh) | 医学图像处理方法、装置、存储介质及计算机设备 | |
| CN113205111A (zh) | 适用于肝脏肿瘤的识别方法、装置及电子设备 | |
| CN109800820B (zh) | 一种基于超声造影图像均匀程度的分类方法 | |
| CN112258511A (zh) | 一种基于偏微分方程的患者肺部病变预测方法及系统 | |
| CN115797308A (zh) | 一种基于dce-mri的乳腺肿瘤分割方法 | |
| CN114494191A (zh) | 医用图像处理方法、设备及计算机存储介质 | |
| WO2020067481A1 (ja) | 画像解析装置、画像解析システム、画像解析方法、コンピュータプログラム及び非一時的記録媒体 | |
| Tarnawski et al. | The role of computer-assisted analysis in the evaluation of nuclear characteristics for the diagnosis of precancerous and cancerous lesions by contact laryngoscopy | |
| Alshawwa et al. | [Retracted] Segmentation of Oral Leukoplakia (OL) and Proliferative Verrucous Leukoplakia (PVL) Using Artificial Intelligence Techniques | |
| Xie et al. | Automated Diagnosis of Melanoma Histopathological Images Based on Deep Learning Using Trust Counting Method | |
| CN116226702B (zh) | 一种基于生物电阻抗的甲状腺采样数据识别方法 | |
| Zeebaree et al. | Deep Learning Convolutional Neural Networks Classification Based on Brain Cancer MRI | |
| TWI845365B (zh) | 建立識別荷爾蒙受體狀態模型的方法、測定荷爾蒙受體狀態的方法及系統 | |
| US20240087751A1 (en) | Systems and methods for organ shape analysis for disease diagnosis and risk assessment | |
| CN116186574B (zh) | 一种基于人工智能的甲状腺采样数据识别方法 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: 510700 No. 10, helix 3 Road, International Biological Island, Huangpu District, Guangzhou City, Guangdong Province Applicant after: GUANGZHOU KINGMED CENTER FOR CLINICAL LABORATORY Applicant after: GUANGZHOU KINGMED DIAGNOSTICS GROUP Co.,Ltd. Address before: 510330 Guangdong Guangzhou Haizhuqu District Xingang East Road 2429, 3rd floor. Applicant before: GUANGZHOU KINGMED CENTER FOR CLINICAL LABORATORY Country or region before: China Applicant before: GUANGZHOU KINGMED DIAGNOSTICS GROUP Co.,Ltd. |
|
| GR01 | Patent grant |