CN114581908A - 一种pd-l1免疫组化评分方法、系统、装置与存储介质 - Google Patents
一种pd-l1免疫组化评分方法、系统、装置与存储介质 Download PDFInfo
- Publication number
- CN114581908A CN114581908A CN202210156711.2A CN202210156711A CN114581908A CN 114581908 A CN114581908 A CN 114581908A CN 202210156711 A CN202210156711 A CN 202210156711A CN 114581908 A CN114581908 A CN 114581908A
- Authority
- CN
- China
- Prior art keywords
- cell
- cells
- immune
- tumor
- nucleus
- 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.)
- Granted
Links
- 230000002055 immunohistochemical effect Effects 0.000 title claims abstract description 53
- 102000008096 B7-H1 Antigen Human genes 0.000 title claims abstract description 44
- 108010074708 B7-H1 Antigen Proteins 0.000 title claims abstract description 44
- 238000013077 scoring method Methods 0.000 title claims abstract description 25
- 210000003855 cell nucleus Anatomy 0.000 claims abstract description 93
- 210000004881 tumor cell Anatomy 0.000 claims abstract description 83
- 210000002865 immune cell Anatomy 0.000 claims abstract description 79
- 210000001519 tissue Anatomy 0.000 claims abstract description 35
- 210000004027 cell Anatomy 0.000 claims abstract description 34
- 230000001575 pathological effect Effects 0.000 claims abstract description 31
- 238000010186 staining Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 238000003364 immunohistochemistry Methods 0.000 claims abstract description 8
- 210000004940 nucleus Anatomy 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 11
- 206010028980 Neoplasm Diseases 0.000 claims description 6
- 230000001744 histochemical effect Effects 0.000 claims description 4
- 239000002131 composite material Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 description 16
- 238000004043 dyeing Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 210000000170 cell membrane Anatomy 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 210000000805 cytoplasm Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009432 framing Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010006187 Breast cancer Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- 229940076838 Immune checkpoint inhibitor Drugs 0.000 description 1
- 102000037984 Inhibitory immune checkpoint proteins Human genes 0.000 description 1
- 108091008026 Inhibitory immune checkpoint proteins Proteins 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- WLDHEUZGFKACJH-UHFFFAOYSA-K amaranth Chemical compound [Na+].[Na+].[Na+].C12=CC=C(S([O-])(=O)=O)C=C2C=C(S([O-])(=O)=O)C(O)=C1N=NC1=CC=C(S([O-])(=O)=O)C2=CC=CC=C12 WLDHEUZGFKACJH-UHFFFAOYSA-K 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000012274 immune-checkpoint protein inhibitor Substances 0.000 description 1
- 238000011532 immunohistochemical staining Methods 0.000 description 1
- 239000003446 ligand Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001338 necrotic effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000012188 paraffin wax Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本申请公开了一种PD‑L1免疫组化评分方法、系统、装置和存储介质,其中方法包括以下步骤:获取病理组织数字化切片的有效区域;对所述有效区域进行区域提取,得到细胞核区域和阳性染色区域;对所述细胞核区域进行细胞分类,得到肿瘤细胞集和免疫细胞集;根据所述阳性染色区域,在肿瘤细胞集中确定阳性染色肿瘤细胞以及在免疫细胞集中确定阳性染色免疫细胞;根据所述肿瘤细胞的总数量、所述免疫细胞的总数量、所述阳性染色肿瘤细胞的数量和所述阳性染色免疫细胞的数量,得到免疫组化评分。本方法可以减少PD‑L1免疫组化评分时病理医生的主观性判断过程和步骤,提高免疫组化评分的准确性。本申请可广泛应用于图像识别技术领域内。
Description
技术领域
本申请涉及图像识别技术领域,尤其是一种PD-L1免疫组化评分方法、系统、装置与存储介质。
背景技术
对乳腺癌的PD-L1免疫组化判读的传统方式是病理医生在显微镜下对免疫组化切片进行读数判别,但该判读方法的准确性对病理医师是一个巨大的挑战,主要原因如下:第一,诊断经验不足、难以对边界较差和/或不均匀的肿瘤进行评分、对染色的误解(例如胞浆)、非特异性染色(例如坏死组织)等因素可能使不同判读者之间的评分差异巨大;第二,病理医师对PD-L1表达的判读一致性和可重复性均较低;第三,PD-L1在不同癌种间,不同抗体的免疫检查点抑制剂应用切值不同,目前只有部分肿瘤具有可应用的切值;第四,肉眼计数阳性表达细胞费时费力,病理医师判读PD-L1免疫组化花费时间长。因此,亟需一种新的PD-L1免疫组化评分方法。
PD-L1:程序性死亡配体。
发明内容
本申请的目的在于至少一定程度上解决现有技术中存在的技术问题之一。
为此,本申请实施例的一个目的在于提供一种PD-L1免疫组化评分方法、系统、装置与存储介质,该方法可以将病理组织数字化切片的细胞进行分类,并根据分类后的各种细胞的数量得到PD-L1免疫组化的评分。
为了达到上述技术目的,本申请实施例所采取的技术方案包括:
获取病理组织数字化切片的有效区域;对所述有效区域进行区域提取,得到细胞核区域和阳性染色区域;对所述细胞核区域进行细胞分类,得到肿瘤细胞集和免疫细胞集;根据所述阳性染色区域,在肿瘤细胞集中确定阳性染色肿瘤细胞以及在免疫细胞集中确定阳性染色免疫细胞;根据所述肿瘤细胞的总数量、所述免疫细胞的总数量、所述阳性染色肿瘤细胞的数量和所述阳性染色免疫细胞的数量,得到免疫组化评分。
另外,根据本发明中上述实施例的一种PD-L1免疫组化评分的方法,还可以有以下附加的技术特征:
进一步地,本申请实施例中,所述获取病理组织数字化切片的有效区域这一步骤,具体包括:获取病理组织数字化切片;构建图像分类器;将所述病理组织数字化切片输入至所述图像分类器,得到有效区域。
进一步地,本申请实施例中,所述获取病理组织数字化切片这一步骤,具体包括:获取原始组织切片;对所述原始组织切片进行组化染色,得到染色切片;对所述染色切片进行数字化,得到病理组织数字化切片。
进一步地,本申请实施例中,对细胞核区域进行细胞分类,得到肿瘤细胞集和免疫细胞集这一步骤,具体包括:在所述细胞核区域中确定细胞核区域每个细胞核的坐标信息;根据所述坐标信息,计算细胞核的特征参数;根据所述特征参数,得到肿瘤细胞集和免疫细胞集。
进一步地,本申请实施例中,所述在所述细胞核区域中确定细胞核区域每个细胞核的坐标信息这一步骤,具体包括:将所述细胞核区域进行规则化,得到规则化图像;将所述规则化图像进行模型推理,得到细胞核距离信息和细胞核概率信息;根据所述细胞核距离图,计算每个细胞核的边缘轮廓坐标;根据所述细胞核概率图,确定细胞核的位置点;根据所述边缘轮廓坐标和位置点,确定细胞核的坐标信息。
进一步地,本申请实施例中,所述根据所述肿瘤细胞的总数量、所述免疫细胞的总数量、所述阳性染色肿瘤细胞的数量和所述阳性染色免疫细胞的数量,得到免疫组化评分这一步骤,具体包括:获取阳性染色肿瘤细胞数量、阳性染色免疫细胞数量、肿瘤细胞集的肿瘤细胞总数量和免疫细胞集的免疫细胞总数量;将所述阳性染色肿瘤细胞数量、所述阳性染色免疫细胞数量、所述肿瘤细胞总数量和所述免疫细胞总数量输入至免疫组化评分公式,得到免疫组化评分。
进一步地,本申请实施例中,所述免疫组化评分公式包括:肿瘤细胞阳性比例评分=(阳性染色肿瘤细胞数量/肿瘤细胞总数量)x100%;综合阳性评分=(阳性染色肿瘤细胞数量+阳性染色免疫细胞数量)/肿瘤细胞总数量x100%;肿瘤相关免疫细胞阳性率=(阳性染色免疫细胞数量/免疫细胞数量)x100%。
另一方面,本申请实施例还提供一种PD-L1免疫组化评分系统,包括:
获取单元,用于获取病理组织数字化切片的有效区域;
提取单元,用于对所述有效区域进行区域提取,得到细胞核区域和阳性染色区域;
分类单元,用于对所述细胞核区域进行细胞分类,得到肿瘤细胞集和免疫细胞集;
第一处理单元,用于根据所述阳性染色区域,在肿瘤细胞集中确定阳性染色肿瘤细胞以及在免疫细胞集中确定阳性染色免疫细胞;
第二处理单元,用于根据所述肿瘤细胞的总数量、所述免疫细胞的总数量、所述阳性染色肿瘤细胞的数量和所述阳性染色免疫细胞的数量,得到免疫组化评分。
另一方面,本申请还提供一种PD-L1免疫组化评分装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如发明内容中任一项所述一种PD-L1免疫组化评分方法。
此外,本申请还提供一种存储介质,其中存储有处理器可执行的指令,所述处理器可执行的指令在由处理器执行时用于执行如上述任一项所述一种PD-L1免疫组化评分方法。
本申请的优点和有益效果将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到:
本申请可以通过将病理组织数字化切片分成有效区域其中有效区域可以分为细胞核区域和阳性染色区域,根据细胞核区域和阳性染色区域对细胞进行分类,并根据分类后的各种细胞的数量得到PD-L1免疫组化的评分,可以减少PD-L1免疫组化评分时病理医生的主观性判断过程和步骤,提高免疫组化评分的准确性。
附图说明
图1为本发明中一种具体实施例中一种PD-L1免疫组化评分方法的步骤示意图;
图2为本发明中一种具体实施例中一种PD-L1免疫组化评分方法的有效区域和非有效区域的示意图;
图3为本发明中一种具体实施例中一种PD-L1免疫组化评分方法的颜色通道拆分后的细胞示意图;
图4为本发明中一种具体实施例中一种PD-L1免疫组化评分方法的细胞和区域示意图;
图5为本发明中一种具体实施例中一种PD-L1免疫组化评分系统的结构示意图;
图6为本发明中一种具体实施例中一种PD-L1免疫组化评分装置的结构示意图。
具体实施方式
下面结合附图详细描述本发明的实施例对本发明实施例中的PD-L1免疫组化评分方法、系统、装置和存储介质的原理和过程作以下说明。
参照图1,本发明一种PD-L1免疫组化评分方法,包括以下步骤:S1、S2、S3、S4和S5;
S1、获取病理组织数字化切片的有效区域;
具体地,在本申请实施例中,一个病理切片中通常包含非常多的不需要计算的区域,那么就需要获取有效的计算区域,因为病理医生的工作量是非常大的,短时间内不可能观察完切片的所有区域,因此,需要选取一个有效区域,传统方法中,数字化切片中的有效区域获取,可以使用如下的方式来获取有效区域以减少在机器判读数字化切片所需的时间,如手动圈选的形式,病理医生可以使用鼠标圈选一片需要计算的区域,将需要计算的区域定义有效区域,而在本申请实施例中,可以使用图像有监督的方式,通过不同的样本切片训练一个图像分类器,用以区分图像中的有效区域和非有效区域,参照图2,在图2中,深色框为分类器所分类的有效区域,其余为非有效区域。
进一步地,所述获取病理组织数字化切片的有效区域这一步骤,具体包括:S11、S12和S13;
S11、获取病理组织数字化切片;
在本申请实施例中,获取病理组织数字化切片可以包括:获取原始组织切片;对所述原始组织切片进行组化染色,得到染色切片;对所述染色切片进行数字化,得到病理组织数字化切片;具体地,病理医生将采样的乳腺组织经过石蜡包埋切片,制作成原始的病理组织切片,并使用PD-L1抗体对病理组织切片进行组化染色,使用扫描仪将PD-L1免疫组化染色切片进行数字化,来获取40X视野下的全视野数字化病理图像。
S12、构建图像分类器;
具体地,在本申请实施例中,有效区域为存在有所需计算细胞的区域,能用于后续细胞核分割和细胞分类,可以选取一个病理医生能区分单个小图像特征的大小128*128像素来制作分类的数据集;以这个128x128大小将病理切片切分成小块训练一个transformer图像分类器。
S13、将所述病理组织数字化切片输入至所述图像分类器,得到有效区域。
具体地,在本申请实施例中,可以将病理组织数字化切片输入上述的图像分类器中,该图像分类器可以自动在整个数字病理图像中提取有效计算区域以替代病理医生的手动框选有效计算区域,相比于手动框选有效计算区域,图像分类器可以更加准确区分有效区域和非有效区域。
S2、对所述有效区域进行区域提取,得到细胞核区域和阳性染色区域;
在本申请实施例中,可以使用深度学习的方法来分割提取切片中的所有细胞核,而阳性染色区域可以使用医学界普遍常用的颜色反卷积算法来提取;颜色反卷积算法的设计针对RGB摄像机获取的颜色信息,基于免疫组化技术使用的染色剂RGB分量光的特异性吸收,分别计算每种染色剂对图像的作用效果。免疫组织化学图像处理通常用的染色包括DAB、H&E。颜色反卷积可应用于H-DAB图像和组织病理学中常用的染色剂(H-E,H AEC,FASTRed,DAB),广泛应用于免疫组化染色图像颜色分离。颜色反卷积能够很好的反应染色的程度以及能够很好的区分阳性区域和阴性区域;参照图3,图3中所示原图(raw image)为彩色三通道图像,其余为三个分离卷积的通道拆分图Deconv channel0、Deconv channel1和Deconv channel2。
S3、对所述细胞核区域进行细胞分类,得到肿瘤细胞集和免疫细胞集;
在本申请实施例中,由于免疫细胞和肿瘤细胞的细胞核并不相同,可以通过细胞核区域中每个细胞核的不同特征确定细胞核区域中的肿瘤细胞和免疫细胞,具体地,参照图4,在图4中粗线包裹为肿瘤细胞,白线包裹呈条状的为间质细胞,黑色线包裹的为免疫细胞。
进一步地,对细胞核区域进行细胞分类,得到肿瘤细胞集和免疫细胞集这一步骤可以包括:S31、S32和S33;
S31、在所述细胞核区域中确定细胞核区域每个细胞核的坐标信息;
进一步地,所述在所述细胞核区域中确定细胞核区域每个细胞核的坐标信息这一步骤可以包括:S311、S312、S313、S314和S315;
S311、将所述细胞核区域进行规则化,得到规则化图像;
在本申请实施例中,细胞核区域的输入图像经过规则化变换,经过规则化的图像得到了细胞核区域的距离图和概率图,距离图为包括宽、高、通道和点数的一个四维矩阵,这里的距离指的是以细胞核为中心到细胞核边缘的多个点的距离,生成方式为根据原始标注的掩码生成,距离计算方式采用欧氏距离。概率图为(宽,高,通道)的一个三维矩阵,概率代表了每一个像素的细胞核的概率值,经过上采样,可以得到输入原图维度的细胞核距离图和细胞核概率图,对细胞核距离信息进行坐标转化可以得到细胞核的边缘轮廓坐标。
S312、将所述规则化图像进行模型推理,得到细胞核距离信息和细胞核概率信息;
具体地,在本申请实施例中,距离图为包括宽、高、通道和点数的一个四维矩阵,这里的距离指的是以细胞核为中心到细胞核边缘的多个点的距离,生成方式为根据原始标注的掩码生成,距离计算方式采用欧氏距离。概率图为(宽,高,通道)的一个三维矩阵,概率代表了每一个像素的细胞核的概率值,经过上采样,可以得到输入原图维度的细胞核距离图和细胞核概率图。
S313、根据所述细胞核距离信息,计算每个细胞核的边缘轮廓坐标;
具体地,在本申请中,得到的细胞核距离信息经过计算得到图像中每一个细胞核的边缘轮廓坐标;本部分采用矩阵计算的方式,如下的计算公式计算得到:
Coord[…,0,:]+=rhosx×np.sin(phis)
Coord[…,1,:]+=rhosy×np.cos(phis)
其中,Coord[…,0,:]+为细胞核的坐标X;Coord[…,1,:]+为细胞核的坐标Y,phis为角度np.cos()为余弦计算公式,np.sin()为正弦计算公式;rhosx为上采样后细胞的距离图细胞核的X坐标值,rhosy为上采样后细胞的距离图细胞核的Y坐标值;坐标X需要经过角度的正弦值相乘,可以得到图像中的真实坐标X;坐标Y也需要经过角度的余弦值相乘可以得到真实的坐标Y。
S314、根据所述细胞核概率信息,确定细胞核的位置点;
在本申请实施例中,经过距离和概率图,计算可以得到细胞实例中的多个细胞核的得分框,细胞核的得分可以反映出细胞的置信度,非极大值抑制过程会对所有的细胞核的得分框的得分进行排序,根据一个置信度阈值过滤掉那些得分低的框。具体地,细胞核的得分框可以按照置信度生成候选框列表,按照得分从高至低进行排序,计算置信度最高的细胞核的得分框与其他的细胞质的得分框的交并比,并设置置信度阈值,并将置信度阈值低于阈值的得分框删除,如可以设置置信度为0.45,那么置信度大于0.45的细胞核的得分框得以保留,再计算两个得分框的的交并比(IOU),将重叠度较高的去除,重复计算多个细胞核得分框的交并比并对交并比,并去除交并比较大重叠度较高的得分框,可以在多个细胞核的得分框中确定细胞核的中心点,最终得到细胞核的位置。
S315、根据所述边缘轮廓坐标和位置点,确定细胞核的坐标信息;
具体地,在本申请实施例中,根据细胞核的边缘轮廓坐标和细胞核的中心点,通过公式计算指出中心点的坐标,以中心点的坐标作为每个细胞核的坐标信息。由于常规的算法处理过程,时间损耗很大,需要优化进一步地优化算法,在本申请实施例中,单个图像中有几百个细胞,每个细胞实例需要计算,面积,周长,长短轴,轮廓点,圆度,光密度,阳性等级,中心点,阴阳性。在测试样例的样本中,Python代码的处理平均时间为0.21S,在细胞数量多的情况下,细胞数量占图像数量的95%,耗时为0.56s,而C/C++加速计算后的时间为0.08S处理单张图像。进一步地,由于坐标计算需要计算的数据为一个包括宽、高、通道和点数的四维矩阵,在python计算中,需要将角度值转化为坐标值,考虑到CPU和GPU中间拷贝数据的时间损耗,无论是使用numba计算或者是cupy来计算,在实际处理过程中均存在两次拷贝数据的时间损耗,分别是CPU到GPU,GPU到CPU上的拷贝时间,神经网络输出的结果是在GPU上,所以本部分采用pytorch计算,再拷贝回CPU,减少了时间损耗,提升了计算效率。传统的代码中,在python的原型优化时,使用了模型输出的细胞概率图(probs),通过设置一个置信度阈值过滤细胞概率图(probs)中置信度比较低的干扰,由于在非极大值抑制(nms)中进行了去重叠,但是需要大量的计算细胞的最大矩形包围框(bbox)之间的重叠度,而在本申请的优化后处理代码中,使用了模型的细胞概率图(probs)分离的特点,使用图像处理的方式来获取细胞核的中心点坐标,而且,本发明使用pybind、c++、opencv,编译了动态链接库,使得代码在Python端能够灵活调度,既满足了性能的需求,在最大的程度上满足了代码的灵活性。
S32、根据所述坐标信息,计算细胞核的特征参数;
在本申请实施例中,通过上述步骤得到的细胞核边缘坐标和中心点坐标信息可以计算出细胞核的特征参数,如细胞核的面积、细胞核的周长、细胞核的圆度、细胞核的长轴、细胞核的短轴和细胞核的偏心率。
S33、根据所述特征参数,得到肿瘤细胞集和免疫细胞集;
具体地,在本申请实施例中,由于肿瘤细胞和免疫细胞的细胞核形态不同,肿瘤细胞核,通常会比一般的细胞核的面积要大,所以细胞核的面积需要考虑,免疫细胞的细胞核,它通常会比较小而圆,所以可以使用细胞核的圆度来进行表征。间质细胞核,呈扁而长的特征,可以使用长短轴的特征来表征类别;也可以引入染色的通道的特征,如H染色通道的均值、H染色通道的像素总值、H染色通道的标准差、H染色通道的最大值、H染色通道的最小值、H染色通道的最大最小区间、DAB染色通道的均值、DAB染色通道的像素总值、DAB染色通道的标准差、DAB染色通道的最大值、DAB染色通道的最小值、DAB染色通道的最大最小区间等引入后能增加细胞核的表征差异性,进一步提高细胞的区分准确度;根据所述特征参数,可以得到肿瘤细胞,质间细胞和免疫细胞,将所有的肿瘤细胞作为一个肿瘤细胞集合,将所有的免疫细胞作为一个免疫细胞集合。
S4、根据所述阳性染色区域,在肿瘤细胞集中确定阳性染色肿瘤细胞以及在免疫细胞集中确定阳性染色免疫细胞;
具体地,在本申请实施例中,阳性染色区域是指阳性染色的细胞膜区域,在通过细胞核确定有效区域的肿瘤细胞集合和免疫细胞的集合后,根据阳性染色的细胞膜区域,可以在有效区域中确定阳性染色肿瘤细胞和阳性染色免疫细胞。
S5、根据所述肿瘤细胞的总数量、所述免疫细胞的总数量、所述阳性染色肿瘤细胞的数量和所述阳性染色免疫细胞的数量,得到免疫组化评分。
具体地,在本申请实施例中,确定阳性染色肿瘤细胞和阳性染色免疫细胞后,可以统计整个有效区域内免疫细胞的总数量,肿瘤细胞的总数量、阳性染色肿瘤细胞的数量以及阳性染色免疫细胞的数量,将上述四个参数输入至评分公式中,可以得到免疫组化的评分。
进一步地,在本申请实施例中,评分公式可以有以下三种:肿瘤细胞阳性比例评分=(阳性染色肿瘤细胞数量/肿瘤细胞总数量)x100%;综合阳性评分=(阳性染色肿瘤细胞数量+阳性染色免疫细胞数量)/肿瘤细胞总数量x100%;肿瘤相关免疫细胞阳性率=(阳性染色免疫细胞数量/免疫细胞数量)x100%。
此外、参照图5,与图1的方法相对应,本申请的实施例中还提供一种PD-L1免疫组化评分系统,包括:
获取单元,用于获取病理组织数字化切片的有效区域;
提取单元,用于对所述有效区域进行区域提取,得到细胞核区域和阳性染色区域;
分类单元,用于对所述细胞核区域进行细胞分类,得到肿瘤细胞集和免疫细胞集;
第一处理单元,用于根据所述阳性染色区域,在肿瘤细胞集中确定阳性染色肿瘤细胞以及在免疫细胞集中确定阳性染色免疫细胞;
第二处理单元,用于根据所述肿瘤细胞的总数量、所述免疫细胞的总数量、所述阳性染色肿瘤细胞的数量和所述阳性染色免疫细胞的数量,得到免疫组化评分。
与图1的方法相对应,本申请实施例还提供了一种PD-L1免疫组化评分装置,其具体结构可参照图6,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现所述的PD-L1免疫组化评分方法。
上述方法实施例中的内容均适用于本装置实施例中,本装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
与图1的方法相对应,本申请实施例还提供了一种存储介质,其中存储有处理器可执行的指令,所述处理器可执行的指令在由处理器执行时用于执行所述的PD-L1免疫组化评分方法。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外,在本申请的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本申请,但应当理解的是,除非另有相反说明,功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本申请是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本申请。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本申请的范围,本申请的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干程序用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行程序的定序列表,可以具体实现在任何计算机可读介质中,以供程序执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从程序执行系统、装置或设备取程序并执行程序的系统)使用,或结合这些程序执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供程序执行系统、装置或设备或结合这些程序执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的程序执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的上述描述中,参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施方式或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本申请的实施方式,本领域的普通技术人员可以理解:在不脱离本申请的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型,本申请的范围由权利要求及其等同物限定。
以上是对本申请的较佳实施进行了具体说明,但本申请并不限于所述实施例,熟悉本领域的技术人员在不违背本申请精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种PD-L1免疫组化评分方法,其特征在于,包括以下步骤:
获取病理组织数字化切片的有效区域;
对所述有效区域进行区域提取,得到细胞核区域和阳性染色区域;
对所述细胞核区域进行细胞分类,得到肿瘤细胞集和免疫细胞集;
根据所述阳性染色区域,在肿瘤细胞集中确定阳性染色肿瘤细胞以及在免疫细胞集中确定阳性染色免疫细胞;
根据所述肿瘤细胞的总数量、所述免疫细胞的总数量、所述阳性染色肿瘤细胞的数量和所述阳性染色免疫细胞的数量,得到免疫组化评分。
2.根据权利要求1所述一种PD-L1免疫组化评分方法,其特征在于,所述获取病理组织数字化切片的有效区域这一步骤,具体包括:
获取病理组织数字化切片;
构建图像分类器;
将所述病理组织数字化切片输入至所述图像分类器,得到有效区域。
3.根据权利要求2所述一种PD-L1免疫组化评分方法,其特征在于,所述获取病理组织数字化切片这一步骤,具体包括:
获取原始组织切片;
对所述原始组织切片进行组化染色,得到染色切片;
对所述染色切片进行数字化,得到病理组织数字化切片。
4.根据权利要求1所述一种PD-L1免疫组化评分方法,其特征在于,所述对细胞核区域进行细胞分类,得到肿瘤细胞集和免疫细胞集这一步骤,具体包括:
在所述细胞核区域中确定细胞核区域每个细胞核的坐标信息;
根据所述坐标信息,计算细胞核的特征参数;
根据所述特征参数,得到肿瘤细胞集和免疫细胞集。
5.根据权利要求4所述一种PD-L1免疫组化评分方法,其特征在于,所述在所述细胞核区域中确定细胞核区域每个细胞核的坐标信息这一步骤,具体包括:
将所述细胞核区域进行规则化,得到规则化图像;
将所述规则化图像进行模型推理,得到细胞核距离信息和细胞核概率信息;
根据所述细胞核距离信息,计算每个细胞核的边缘轮廓坐标;
根据所述细胞核概率信息,确定细胞核的位置点;
根据所述边缘轮廓坐标和位置点,确定细胞核的坐标信息。
6.根据权利要求1所述一种PD-L1免疫组化评分方法,其特征在于,所述根据所述肿瘤细胞的总数量、所述免疫细胞的总数量、所述阳性染色肿瘤细胞的数量和所述阳性染色免疫细胞的数量,得到免疫组化评分这一步骤,具体包括:
获取阳性染色肿瘤细胞数量、阳性染色免疫细胞数量、肿瘤细胞集的肿瘤细胞总数量和免疫细胞集的免疫细胞总数量;
将所述阳性染色肿瘤细胞数量、所述阳性染色免疫细胞数量、所述肿瘤细胞总数量和所述免疫细胞总数量输入至免疫组化评分公式,得到免疫组化评分。
7.根据权利要求6所述一种PD-L1免疫组化评分方法,其特征在于,所述免疫组化评分公式包括:
肿瘤细胞阳性比例评分=(阳性染色肿瘤细胞数量/肿瘤细胞总数量)x100%;
综合阳性评分=(阳性染色肿瘤细胞数量+阳性染色免疫细胞数量)/肿瘤细胞总数量x100%;
肿瘤相关免疫细胞阳性率=(阳性染色免疫细胞数量/免疫细胞数量)x100%。
8.一种PD-L1免疫组化评分系统,其特征在于,包括:
获取单元,用于获取病理组织数字化切片的有效区域;
提取单元,用于对所述有效区域进行区域提取,得到细胞核区域和阳性染色区域;
分类单元,用于对所述细胞核区域进行细胞分类,得到肿瘤细胞集和免疫细胞集;
第一处理单元,用于根据所述阳性染色区域,在肿瘤细胞集中确定阳性染色肿瘤细胞以及在免疫细胞集中确定阳性染色免疫细胞;
第二处理单元,用于根据所述肿瘤细胞的总数量、所述免疫细胞的总数量、所述阳性染色肿瘤细胞的数量和所述阳性染色免疫细胞的数量,得到免疫组化评分。
9.一种PD-L1免疫组化评分装置,其特征在于包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如权利要求1-7任一项所述一种PD-L1免疫组化评分方法。
10.一种存储介质,其中存储有处理器可执行的指令,其特征在于,所述处理器可执行的指令在由处理器执行时用于执行如权利要求1-7任一项所述一种PD-L1免疫组化评分方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210156711.2A CN114581908B (zh) | 2022-02-21 | 2022-02-21 | 一种pd-l1免疫组化评分方法、系统、装置与存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210156711.2A CN114581908B (zh) | 2022-02-21 | 2022-02-21 | 一种pd-l1免疫组化评分方法、系统、装置与存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114581908A true CN114581908A (zh) | 2022-06-03 |
CN114581908B CN114581908B (zh) | 2024-03-19 |
Family
ID=81773859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210156711.2A Active CN114581908B (zh) | 2022-02-21 | 2022-02-21 | 一种pd-l1免疫组化评分方法、系统、装置与存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114581908B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289797A (zh) * | 2011-08-02 | 2011-12-21 | 于元隆 | 一种基于巴氏距离的层级式图像分割方法 |
CN106875393A (zh) * | 2017-03-28 | 2017-06-20 | 四川大学 | 一种基于图像分析的肿瘤细胞dna含量检测方法 |
CN109872335A (zh) * | 2019-02-28 | 2019-06-11 | 志诺维思(北京)基因科技有限公司 | 一种用于pd-l1抗体染色切片的自动读片方法及其系统 |
CN111696094A (zh) * | 2020-06-12 | 2020-09-22 | 杭州迪英加科技有限公司 | 免疫组化pd-l1膜染色病理切片图像处理方法、装置和设备 |
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 |
CN112329807A (zh) * | 2020-09-08 | 2021-02-05 | 上海思路迪生物医学科技有限公司 | 医用图像诊断装置、图像处理装置和方法、判断单元以及存储介质 |
CN112419295A (zh) * | 2020-12-03 | 2021-02-26 | 腾讯科技(深圳)有限公司 | 医学图像处理方法、装置、计算机设备和存储介质 |
CN113033287A (zh) * | 2021-01-29 | 2021-06-25 | 杭州依图医疗技术有限公司 | 病理图像的显示方法及装置 |
CN113092202A (zh) * | 2021-03-25 | 2021-07-09 | 上海福君基因生物科技有限公司 | 一种胃癌预后预测装置 |
CN113933505A (zh) * | 2021-12-15 | 2022-01-14 | 北京市肿瘤防治研究所 | 一组多维分析预测胃癌免疫治疗疗效的tiic指标及其应用 |
-
2022
- 2022-02-21 CN CN202210156711.2A patent/CN114581908B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289797A (zh) * | 2011-08-02 | 2011-12-21 | 于元隆 | 一种基于巴氏距离的层级式图像分割方法 |
CN106875393A (zh) * | 2017-03-28 | 2017-06-20 | 四川大学 | 一种基于图像分析的肿瘤细胞dna含量检测方法 |
CN109872335A (zh) * | 2019-02-28 | 2019-06-11 | 志诺维思(北京)基因科技有限公司 | 一种用于pd-l1抗体染色切片的自动读片方法及其系统 |
CN111696094A (zh) * | 2020-06-12 | 2020-09-22 | 杭州迪英加科技有限公司 | 免疫组化pd-l1膜染色病理切片图像处理方法、装置和设备 |
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 |
CN112329807A (zh) * | 2020-09-08 | 2021-02-05 | 上海思路迪生物医学科技有限公司 | 医用图像诊断装置、图像处理装置和方法、判断单元以及存储介质 |
CN112419295A (zh) * | 2020-12-03 | 2021-02-26 | 腾讯科技(深圳)有限公司 | 医学图像处理方法、装置、计算机设备和存储介质 |
CN113033287A (zh) * | 2021-01-29 | 2021-06-25 | 杭州依图医疗技术有限公司 | 病理图像的显示方法及装置 |
CN113092202A (zh) * | 2021-03-25 | 2021-07-09 | 上海福君基因生物科技有限公司 | 一种胃癌预后预测装置 |
CN113933505A (zh) * | 2021-12-15 | 2022-01-14 | 北京市肿瘤防治研究所 | 一组多维分析预测胃癌免疫治疗疗效的tiic指标及其应用 |
Non-Patent Citations (3)
Title |
---|
王琳;王鲁平;: "结直肠纤维绒毛锯齿状腺瘤临床病理学及免疫组织化学的观察", 中华肿瘤防治杂志, no. 12 * |
董刚刚: "基于马尔可夫随机场模型的SAR图像分割技术研究", 《中国优秀硕士电子期刊网》 * |
黄群;高晓燕;陈小珠;徐平如;林汉利;黄健;: "胃癌细胞凋亡与微环境免疫细胞关系的定量研究", 中国肿瘤临床与康复, no. 04 * |
Also Published As
Publication number | Publication date |
---|---|
CN114581908B (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110472616B (zh) | 图像识别方法、装置、计算机设备及存储介质 | |
Kowal et al. | Cell nuclei segmentation in cytological images using convolutional neural network and seeded watershed algorithm | |
Andres et al. | Segmentation of SBFSEM volume data of neural tissue by hierarchical classification | |
US8600143B1 (en) | Method and system for hierarchical tissue analysis and classification | |
US10121245B2 (en) | Identification of inflammation in tissue images | |
US11501446B2 (en) | Segmenting 3D intracellular structures in microscopy images using an iterative deep learning workflow that incorporates human contributions | |
CN113574534A (zh) | 使用基于距离的相似性标签的机器学习 | |
CN109074645B (zh) | 用于ihc图像分析的空间索引创建 | |
CN106611413A (zh) | 图像分割方法及其系统 | |
Nielsen et al. | Automatic segmentation of cell nuclei in Feulgen‐stained histological sections of prostate cancer and quantitative evaluation of segmentation results | |
Yan et al. | Automated and accurate detection of soma location and surface morphology in large-scale 3D neuron images | |
Son et al. | Morphological change tracking of dendritic spines based on structural features | |
US20200193139A1 (en) | Systems and methods for automated cell segmentation and labeling in immunofluorescence microscopy | |
CN110490159B (zh) | 识别显微图像中的细胞的方法、装置、设备及存储介质 | |
Apou et al. | Detection of lobular structures in normal breast tissue | |
CN109815974A (zh) | 一种细胞病理玻片分类方法、系统、设备、存储介质 | |
CN115620075B (zh) | 白细胞分类模型用数据集的生成方法、系统及设备 | |
Pourakpour et al. | Automated mitosis detection based on combination of effective textural and morphological features from breast cancer histology slide images | |
CN111950544A (zh) | 一种确定病理图像中感兴趣区域的方法及装置 | |
CN113033562A (zh) | 一种图像处理方法、装置、设备及存储介质 | |
WO2014006421A1 (en) | Identification of mitotic cells within a tumor region | |
Mäder et al. | Image‐Processing Scheme to Detect Superficial Fungal Infections of the Skin | |
CN110363762B (zh) | 细胞检测方法、装置、智能显微镜系统和可读存储介质 | |
CN114581908B (zh) | 一种pd-l1免疫组化评分方法、系统、装置与存储介质 | |
Korzynska et al. | The METINUS Plus method for nuclei quantification in tissue microarrays of breast cancer and axillary node tissue section |
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 |