CN114926465A - 一种存储介质和结直肠癌淋巴结转移预测模型构建系统 - Google Patents

一种存储介质和结直肠癌淋巴结转移预测模型构建系统 Download PDF

Info

Publication number
CN114926465A
CN114926465A CN202210855656.6A CN202210855656A CN114926465A CN 114926465 A CN114926465 A CN 114926465A CN 202210855656 A CN202210855656 A CN 202210855656A CN 114926465 A CN114926465 A CN 114926465A
Authority
CN
China
Prior art keywords
image
target
collagen
representing
storage medium
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
Application number
CN202210855656.6A
Other languages
English (en)
Other versions
CN114926465B (zh
Inventor
严俊
蒋伟
董淑敏
陈伟生
董小玉
程家鑫
陈德鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southern Hospital Southern Medical University
Original Assignee
Southern Hospital Southern Medical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southern Hospital Southern Medical University filed Critical Southern Hospital Southern Medical University
Priority to CN202210855656.6A priority Critical patent/CN114926465B/zh
Publication of CN114926465A publication Critical patent/CN114926465A/zh
Application granted granted Critical
Publication of CN114926465B publication Critical patent/CN114926465B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
    • G01N1/30—Staining; Impregnating ; Fixation; Dehydration; Multistep processes for preparing samples of tissue, cell or nucleic acid material and the like for analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N21/645—Specially adapted constructive features of fluorimeters
    • G01N21/6456—Spatial resolved fluorescence measurements; Imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/54—Extraction of image or video features relating to texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • 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
    • G06T2207/30028—Colon; Small intestine
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Public Health (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Databases & Information Systems (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明涉及数字医疗技术应用领域，尤其是一种存储介质和结直肠癌淋巴结转移预测模型构建系统。本发明提供的一种存储介质，该存储介质的内容当被处理器执行时，可以通过构建数据集；利用所述数据集中的病理组织切片图像划定目标区域；针对所述目标区域，提取病理组学特征；针对所述目标区域，提取胶原结构特征；利用所述病理组学特征和所述胶原结构特征，构建病理组学‑胶原结构特征标签公式；利用所述病理组学‑胶原结构特征标签公式，构建直肠癌淋巴结转移风险预测模型。该存储介质中存储的计算机程序可生成直肠癌淋巴结转移风险预测模型，利用该模型能准确评估结直肠癌患者淋巴结转移风险，在指导个性化诊疗、改善患者预后方面有重要参考价值。

Description

一种存储介质和结直肠癌淋巴结转移预测模型构建系统
技术领域
本发明涉及数字医疗技术和机器学习应用领域，尤其是一种存储介质和结直肠癌淋巴结转移预测模型构建系统。
背景技术
随着精准医学的发展，基于超声或计算机断层扫描等成像数据预测结直肠癌患者的淋巴结状态的准确度已逐渐无法满足临床需要：对于直肠癌，敏感性范围仅为55%至73%，特异性达到74%-78%；而来自CT图像的LNM估计在结肠癌中的敏感性为70%，特异性为78%。因此，临床迫切需要更准确地方法确定结直肠癌患者的淋巴结的可能性，以优化结直肠癌患者的治疗决策。
细胞外基质是肿瘤基质的主要成分，影响肿瘤细胞粘附、浸润和迁移，与肿瘤的预后和疗效相关。胶原是细胞外基质中最丰富的成分并发挥细胞外基质的主要功能。随着扫描技术的发展和数字存储成本的降低，苏木精-伊红(HE)染色病理切片全景扫描成像(WSI)已经成为可能。最近，“病理组学”引起了越来越多的关注，病理组学体现了数字病理图像中分析获取的各种数据，以产生定量特征来描述组织样本的不同类型，随后对这些数据进行分析以确定诊断和预测预后结果。因此，若能结合病理组学特征及胶原结构特征，研发一项精准、稳健的结直肠癌患者淋巴结转移预测模型，在指导个性化诊疗、改善患者预后方面有重要参考价值。
发明内容
针对现有技术中的缺陷，本发明基于尿液鉴定肾盂癌病人不同类型癌细胞的方法及系统，旨在解决以上技术问题，第一方面，本发明提供一种存储介质，所述存储介质为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，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行以下步骤：构建数据集，所述数据集包括直肠癌患者的病理组织切片图像；通过所述病理组织切片图像划定目标区域；针对所述目标区域，提取病理组学特征，所述病理组学特征包括图片质量特征、图片共定位特征和图片颗粒特征；针对所述目标区域，提取胶原结构特征，所述胶原结构特征包括胶原形态学特征、灰度共生矩阵特征和Gabor滤波器特征；利用所述病理组学特征和所述胶原结构特征，构建病理组学-胶原结构特征标签公式；利用所述病理组学-胶原结构特征标签公式，构建直肠癌淋巴结转移风险预测模型。本发明提供一种计算机可读存储介质，该计算机可读存储介质中存储的计算机程序通过结合病理组学-胶原结构特征标签和临床病理信息生成直肠癌淋巴结转移风险预测模型，利用该模型能准确评估结直肠癌患者淋巴结转移风险，其预测效能要显著高于传统临床病理模型，在指导个性化诊疗、改善患者预后方面有重要参考价值。
可选地，所述构建数据集，包括如下步骤：确定直肠癌患者的纳排标准；根据所述纳排标准，获取所述直肠癌患者的病理组织切片图像和临床资料。
可选地，所述构建数据集，还包括如下步骤：根据所述纳排标准，确定所述临床资料包括所述直肠癌患者的年龄、性别、肿瘤原发性位置、术前癌胚抗原等级、术前糖类抗原等级、术前淋巴结大小、肿瘤分化、肿瘤对淋巴管、血管或神经的侵犯状况、肿瘤大小和肿瘤浸润深度。
可选地，所述通过所述病理组织切片图像划定目标区域，包括如下步骤：确定病理组织切片图像的肿瘤侵袭边缘；在所述肿瘤侵袭边缘内划定多个目标区域。
可选地，所述针对所述目标区域，提取病理组学特征，包括如下步骤：将多个所述目标区域转化目标灰度图像；利用所述目标灰度图像获得所述目标灰度图像的图片共定位特征；从所述目标灰度图像提取苏木精染色灰度图像和伊红染色灰度图像；分别获取所述目标灰度图像、所述苏木精染色灰度图像和所述伊红染色灰度图像的图片质量特征和图片颗粒特征。
可选地，所述针对所述目标区域，提取胶原结构特征，包括如下步骤：对多个所述目标区域进行光子成像，获得光子成像图；利用所述光子成像图提取胶原形态学特征、灰度共生矩阵特征和Gabor滤波器特征。多光子成像是一种基于非线性光学效应的显微成像技术，包括双光子激发荧光(TPEF)和二次谐波成像(SHG)，其中，二次谐波成像对胶原蛋白高度敏感并可通过图像分析技术定量提取胶原结构特征。
可选地，所述利用所述病理组学特征和所述胶原结构特征，构建病理组学-胶原结构特征标签公式，包括如下步骤：通过所述病理组学特征和所述病理组学特征筛选获得目标特征变量；依据所述目标特征变量获取对应的目标特征变量系数；利用所述目标特征变量和所述目标特征变量系数，构建病理组学-胶原结构特征标签公式；利用所述病理组学-胶原结构特征标签公式，获得所述直肠癌患者的病理组学-胶原结构特征标签值。
可选地，所述病理组学-胶原结构特征标签公式满足如下公式：
Figure 160137DEST_PATH_IMAGE001
，
其中，
Figure 608436DEST_PATH_IMAGE002
表示病理组学-胶原结构特征标签，
Figure 184911DEST_PATH_IMAGE003
表示常数项，k表示目标特征 变量，
Figure 111279DEST_PATH_IMAGE004
表示第i项所述目标特征变量对应的评分参数，
Figure 660072DEST_PATH_IMAGE005
代表评分参数
Figure 13693DEST_PATH_IMAGE004
对 应的目标特征变量系数。
可选地，
Figure 77464DEST_PATH_IMAGE006
；
可选地，
Figure 10785DEST_PATH_IMAGE007
；
Figure 210822DEST_PATH_IMAGE008
代表胶原纤维宽度，
Figure 923DEST_PATH_IMAGE009
为3.472；
Figure 286411DEST_PATH_IMAGE010
代表胶原纤 维交联密度，
Figure 757844DEST_PATH_IMAGE011
为0.771；
Figure 77967DEST_PATH_IMAGE012
代表柱状图能量，
Figure 38969DEST_PATH_IMAGE013
为-1.035；
Figure 15016DEST_PATH_IMAGE014
代表灰度共 生矩阵中像素距离为1在0°方向上的对比度，
Figure 86877DEST_PATH_IMAGE015
为1.457；
Figure 261506DEST_PATH_IMAGE016
代表灰度共生矩阵中 像素距离为1在0°方向上的相关性，
Figure 331093DEST_PATH_IMAGE017
为0.00005；
Figure 856753DEST_PATH_IMAGE018
代表灰度共生矩阵中像素距 离为2在0°方向上的能量，
Figure 466726DEST_PATH_IMAGE019
为1.658；
Figure 699124DEST_PATH_IMAGE020
代表尺度为2，方向性为120°的Gabor滤波 器图像卷积方差，
Figure 267508DEST_PATH_IMAGE021
为1.245；
Figure 755165DEST_PATH_IMAGE022
代表尺度为3，方向性为60°的Gabor滤波器图像卷 积方差，
Figure 372091DEST_PATH_IMAGE023
为0.280；
Figure 255733DEST_PATH_IMAGE024
代表尺度为4，方向性为150°的Gabor滤波器图像卷积方差，
Figure 995019DEST_PATH_IMAGE025
为0.771；
Figure 167374DEST_PATH_IMAGE026
代表苏木精图像的综合强度，
Figure 119150DEST_PATH_IMAGE027
为0.071；
Figure 388457DEST_PATH_IMAGE028
代表目标 区域图像的下四分位强度，
Figure 236328DEST_PATH_IMAGE029
为-4.994；
Figure 692717DEST_PATH_IMAGE030
代表苏木精-伊红-曼德斯系数，
Figure 713762DEST_PATH_IMAGE031
为8.139；
Figure 306418DEST_PATH_IMAGE032
代表目标区域中伊红图像光谱为6的颗粒度特征，
Figure 325189DEST_PATH_IMAGE033
为- 0.229；
Figure 534454DEST_PATH_IMAGE034
代表目标区域中伊红图像光谱为16的颗粒度特征，
Figure 93611DEST_PATH_IMAGE035
为0.096；
Figure 9614DEST_PATH_IMAGE036
代表目标区域中苏木精图像光谱为1的颗粒度特征，
Figure 730446DEST_PATH_IMAGE037
为0.8；
Figure 427006DEST_PATH_IMAGE038
代表目 标区域中苏木精图像光谱为4的颗粒度特征，
Figure 727538DEST_PATH_IMAGE039
为0.362；
Figure 560364DEST_PATH_IMAGE040
代表目标区域中苏木 精图像光谱为5的颗粒度特征，
Figure 717676DEST_PATH_IMAGE041
为0.051；
Figure 635954DEST_PATH_IMAGE042
代表目标区域的灰度图像光谱为6 的颗粒度特征，
Figure 740176DEST_PATH_IMAGE043
为-0.017；
Figure 427509DEST_PATH_IMAGE044
代表目标区域的灰度图像光谱为11的颗粒度特 征，
Figure 755722DEST_PATH_IMAGE045
为-0.017；
Figure 98979DEST_PATH_IMAGE046
代表目标区域的灰度图像光谱为14的颗粒度特征，
Figure 69209DEST_PATH_IMAGE047
为 0.097。
可选地，所述利用所述病理组学-胶原结构特征标签公式，构建直肠癌淋巴结转移风险预测模型，包括如下步骤：根据临床资料确定多个影响因素；利用多个所述影响因素，分别结合所述病理组学-胶原结构特征标签值进行二元多因素分析；将二元多因素分析可视化，从而获得直肠癌淋巴结转移风险预测模型。
第二方面，本发明还提供一种结直肠癌淋巴结转移预测模型构建系统，其特征在于，包括输入设备、处理器、输出设备和存储器，其中，所述输入设备、处理器、输出设备和存储器相互连接，所述存储器包括第一方面所述的存储介质，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令。本系统结构紧凑，适用性强，极大程度地提高了运行效率。
附图说明
图1是本发明提供的计算机可读存储介质中程序指令的流程图；
图2是本发明对病理组学特征及胶原结构特征提取的示意图；
图3是本发明构建病理组学-胶原结构特征标签的示意图；
图4是本发明的直肠癌淋巴结转移预测模型；
图5是本发明的直肠癌淋巴结转移预测模型与传统临床病理特征模型对比的ROC曲线示意图；
图6是本发明提供的一种结直肠癌淋巴结转移预测模型构建系统的结构示意。
具体实施方式
下面将详细描述本发明的具体实施例，应当注意，这里描述的实施例只用于举例说明，并不用于限制本发明。在以下描述中，为了提供对本发明的透彻理解，阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的电路，软件或方法。
在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“在一个实施例中”、“在实施例中”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外，本领域普通技术人员应当理解，在此提供的示图都是为了说明的目的，并且示图不一定是按比例绘制的。
请参阅图1和图2，在一个实施例中，本发明一种存储介质，所述存储介质为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，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行以下步骤：
S1、构建数据集。
在一个实施例中，所述构建数据集，包括如下步骤：确定直肠癌患者的纳排标准；根据所述纳排标准，获取所述直肠癌患者的病理组织切片图像和临床资料，其中病理组织切片图像为苏木精-伊红(HE)染色病理切片图像。具体地，在本实施例中，纳排标准为定直肠癌患者入不入数据集的标准（包括时间要求、病历要求等），当直肠癌患者满足纳排标准时，回顾性地收集该直肠癌患者的病理切片和临床资料。详细地，所述构建数据集，包括如下步骤：确定直肠癌患者的纳排标准；根据所述纳排标准，确定所述直肠癌患者的病理组织切片图像包括直肠癌患者的苏木精-伊红染色病理组织切片图像，确定所述临床资料包括所述直肠癌患者的年龄、性别、肿瘤原发性位置、术前CEA(癌胚抗原)等级、术前CA199(糖类抗原)等级、术前淋巴结大小（通过CT观察）、肿瘤分化、肿瘤对淋巴管、血管或神经的侵犯状况、肿瘤大小和肿瘤浸润深度。
具体地，在又一个实施例中，筛选出2009年1月至2014年12月做过根治性直肠癌手术的658例直肠癌患者，通过Aperio CS2切片扫描仪获取结直肠癌患者病理组织切片的苏木精-伊红(HE)染色病理切片全景扫描成像图，成像倍数为20倍；同时，获取了对应直肠癌患者的临床资料。
S2、通过所述病理组织切片图像划定目标区域。
在一个实施例中，所述通过所述病理组织切片图像划定目标区域，包括如下步骤：确定病理组织切片图像的肿瘤侵袭边缘；在所述肿瘤侵袭边缘内划定多个目标区域。具体地，由两名副高级病理医生使用Aperio Image Scope(一种病理学载玻片检视软件)软件选择肿瘤侵袭边缘，如若两位病理医生不一致将由病理科主任参与讨论，直到达成小组共识。确定病理侵袭边缘后，病理科医生随机从侵袭边缘范围内选择3个500微米×500微米的区域作为目标区域。
S3、针对所述目标区域，提取病理组学特征。
在一个实施例中，所述针对所述目标区域，提取病理组学特征，包括如下步骤：将多个所述目标区域转化目标灰度图像；利用所述目标灰度图像获得所述目标灰度图像的图片共定位特征；从所述目标灰度图像提取苏木精染色灰度图像和伊红染色灰度图像；分别获取所述目标灰度图像、所述苏木精染色灰度图像和所述伊红染色灰度图像的所述图片质量特征和图片颗粒特征。即病理组学特征包括片共定位特征、图片质量特征和图片颗粒特征。
在本实施例中，采用使用Cell Profiler(病理纹理特征提取利器）软件提取病理组学特征。最终，从每个目标区域提取了114个病理组学特征，该114个病理组学特征包括：57个图片质量特征(Image quality features)、9个图片共定位特征(Image co-localization features)和48个图片颗粒特征(Image granularity features)。
在一个具体地实施例中，目标区域是部分苏木精-伊红(HE)染色病理切片全景扫描成像图，将该目标区域通过Cell Profiler的 "Color To Gray"模块在 "Combine"方法的基础上转换为目标灰度图像；再使用Cell Profiler的 "Unmix Colors"模块将目标灰度图像中苏木精和伊红(HE)染色的图像分成苏木精染色灰度图像和伊红染色灰度图像。并且，通过同一直肠癌患者的三个目标区域所提取的平均值作为最终的病理组学特征值。
详细地，使用Cell Profiler的“Measure Co-localization”模块提取目标灰度图像的共定位特征(Image co-localization features)，包括伊红-苏木精-相关性(Correlation_Eosin_Haematoxylin)，伊红-苏木精-Coste自动阈值(Costes_Eosin _Haematoxylin)，苏木精-伊红-Costes自动阈值(Costes_Haematoxylin_Eosin)，苏木精-伊红-曼德斯系数(Manders_Eosin_Haematoxylin)，伊红-苏木精-曼德斯系数(Manders_Haematoxylin_Eosin)，伊红-苏木精-重叠系数(Overlap_Eosin_Haematoxylin)，伊红-苏木精-等级加权同源系数(RWC_Eosin_Haematoxylin)，苏木精-伊红-等级加权同源系数(RWC_Haematoxylin_Eosin)，伊红-苏木精-斜率(Slope_Eosin_Haematoxylin)。使用CellProfiler的“Measure Image Quality”模块分别提取目标灰度图像、苏木精染色灰度图像和伊红染色灰度图像的图像质量特征(Image quality features)，具体地，图片质量特征包括综合强度(Integrated Intensity)，平均强度(Mean Intensity)，强度标准差(StdIntensity)，最小强度(Min Intensity)，最大强度(Max Intensity)，综合强度边缘(Integrated Intensity Edge)，平均强度边缘(Mean Intensity Edge)，强度边沿标准差(Std Intensity Edge)，最小强度边沿(Min Intensity Edge)，最大强度边缘(MaxIntensity Edge)，质量位移(Mass Displacement)，下四分位强度(Lower QuartileIntensity)，中位强度(Median Intensity)，中位绝对偏差强度(MAD Intensity)，上四分位数强度(Upper Quartile Intensity)，中心质量强度_X(Center Mass Intensity_X)，中心质量强度_Y (Center Mass Intensity_Y),最大强度_X(Max Intensity_X)，最大强度_Y(Max Intensity_Y)。使用Cell Profiler的“Measure Granularity”模块提取目标灰度图像、苏木精染色灰度图像和伊红染色灰度图像的图像颗粒特征(Image granularityfeatures)，该模块为颗粒度频谱范围内设置的每个实例返回一个测量值，最终提取了48个颗粒特征
S4、针对所述目标区域，提取胶原结构特征。
在一个实施例中，所述针对所述目标区域，提取胶原结构特征，包括如下步骤：对多个所述目标区域进行光子成像，获得光子成像图；利用所述光子成像图提取胶原形态学特征、灰度共生矩阵特征和Gabor滤波器特征。即胶原结构特征包括胶原形态学特征、灰度共生矩阵特征和Gabor滤波器特征。
详细地，在本实施例中，使用苏木精-伊红(HE)染色病理切片对目标区域进行多光子成像，对多光子成像进行图像处理，各项胶原结构特征参数值提取可以由Matlab R2015b(Math Works)软件完成。从上述多光子成像图像中可以提取出142个胶原结构特征，包括8个形态学特征(Morphological features)，6个直方图特征(Histogram features)，80个灰度共生矩阵特征(Grey-level co-occurrence matrix featrues, GLCM)和48个Gabor滤波器特征(Gabor filter features)，并且，通过同一直肠癌患者的三个目标区域所提取的平均值作为最终的胶原结构特征值。
其中，上述多光子成像图像可以由Zeiss LSM 880 with Airyscan多光子共聚焦激光扫描系统对目标成像区域进行20倍扫描后获取。细胞外基质是肿瘤基质的主要成分，影响肿瘤细胞粘附、浸润和迁移，与肿瘤的预后相关。胶原是细胞外基质中最丰富的成分并发挥细胞外基质的主要功能。多光子成像是一种基于非线性光学效应的显微成像技术，包括双光子激发荧光和二次谐波成像，其中，二次谐波成像对胶原蛋白高度敏感并可通过图像分析技术定量提取胶原结构特征。
其中，胶原形态学特征参数包括：胶原面积(Collagen area)、胶原纤维数量(Collagen fiber number)、胶原纤维长度(Collagen fiber length)、胶原纤维宽度(Collagen fiber width)、胶原纤维直线度(Collagen fiber straightness)、胶原纤维交联密度(Collagen xlink density)、胶原纤维交联空间(Collagen crosslink space)和胶原排列方向(Collagen orientation)。
其中，胶原强度特征参数由柱状图来分析，胶原强度特征参数包括：柱状图均值(Histogram mean)、柱状图方差(Histogram Variance)、柱状图偏度(HistogramSkewness)、柱状图峰度(Histogram Kurtosis)、柱状图能量(Histogram Energy)和柱状图熵(Histogram Entropy)。
其中，胶原结构特征参数包括80个灰度共生矩阵(Gray-level co-occurrencematrix，GLCM)的纹理参数和48个Gabor小波变换参数(Gabor wavelet transform)（即Gabor滤波器特征）。具体地，可通过选取目标区域中5个不同位置，其对应位置处的5个像素以及在对应性像素的0°、45°、90°和135°的4个不同方向上的对比度、相关性、能量和均匀性来计算上述80个灰度共生矩阵。再通过4个不同尺度和5个不同方向的均值和方差，得到48个Gabor小波变换参数。
S5、利用所述病理组学特征和所述胶原结构特征，构建病理组学-胶原结构特征标签公式。
在一个实施例中，所述利用所述病理组学特征和所述胶原结构特征，构建病理组 学-胶原结构特征标签公式，包括如下步骤：通过所述病理组学特征和所述病理组学特征筛 选获得目标特征变量；依据所述目标特征变量获取对应的目标特征变量系数；利用所述目 标特征变量和所述目标特征变量系数，构建病理组学-胶原结构特征标签公式；利用所述病 理组学-胶原结构特征标签公式，获得所述直肠癌患者的病理组学-胶原结构特征标签值。 由于对应病理学特征和胶原结构特征的参数信息量巨大，其中不乏掺杂着大量无关变量， 为了降低模型的变量维度和筛选与淋巴结转移相关度最强的系列变量，使得模型建立更为 准确，通过LASSO回归计算模型进行目标特征变量筛选以及计算目标特征变量系数，所述回 归模型通过R语言4.0.3版本中的glmnet函数包中的glmnet函数运行，通过函数运行，得出 目标特征变量系数，请参见图3，横坐标
Figure 611049DEST_PATH_IMAGE048
表示glmnet函数的惩戒系数
Figure 313426DEST_PATH_IMAGE049
的对数，纵坐标 Coefficients表示协同因素，即所述病理组学特征和所述胶原结构特征。
具体地，所述病理组学-胶原结构特征标签公式满足如下公式：
Figure 940716DEST_PATH_IMAGE001
，
其中，
Figure 449058DEST_PATH_IMAGE002
表示病理组学-胶原结构特征标签，
Figure 48666DEST_PATH_IMAGE050
，k表示目 标特征变量，
Figure 718682DEST_PATH_IMAGE004
表示第i项所述目标特征变量对应的评分参数，
Figure 98848DEST_PATH_IMAGE005
代表评分参数
Figure 879722DEST_PATH_IMAGE004
对应的目标特征变量系数。其中，
Figure 599416DEST_PATH_IMAGE008
代表胶原纤维宽度，
Figure 705913DEST_PATH_IMAGE009
为3.472；
Figure 307795DEST_PATH_IMAGE010
代表胶原纤维交联密度，
Figure 95623DEST_PATH_IMAGE011
为0.771；
Figure 732140DEST_PATH_IMAGE012
代表柱状图能量，
Figure 743959DEST_PATH_IMAGE013
为-1.035；
Figure 770821DEST_PATH_IMAGE014
代表灰度共生矩阵中像素距离为1在0°方向上的对比度，
Figure 159077DEST_PATH_IMAGE015
为1.457；
Figure 650101DEST_PATH_IMAGE016
代 表灰度共生矩阵中像素距离为1在0°方向上的相关性，
Figure 36083DEST_PATH_IMAGE017
为0.00005；
Figure 612558DEST_PATH_IMAGE018
代表灰度 共生矩阵中像素距离为2在0°方向上的能量，
Figure 804505DEST_PATH_IMAGE019
为1.658；
Figure 87718DEST_PATH_IMAGE020
代表尺度为2，方向性 为120°的Gabor滤波器图像卷积方差，
Figure 536997DEST_PATH_IMAGE021
为1.245；
Figure 600768DEST_PATH_IMAGE022
代表尺度为3，方向性为60° 的Gabor滤波器图像卷积方差，
Figure 534089DEST_PATH_IMAGE023
为0.280；
Figure 468547DEST_PATH_IMAGE024
代表尺度为4，方向性为150°的 Gabor滤波器图像卷积方差，
Figure 524227DEST_PATH_IMAGE025
为0.771；
Figure 12977DEST_PATH_IMAGE026
代表苏木精图像的综合强度，
Figure 281148DEST_PATH_IMAGE027
为0.071； 代表目标区域图像的下四分位强度，
Figure 601271DEST_PATH_IMAGE029
为-4.994；
Figure 562273DEST_PATH_IMAGE030
代表苏木精-伊 红-曼德斯系数，
Figure 272740DEST_PATH_IMAGE031
为8.139；
Figure 610181DEST_PATH_IMAGE032
代表目标区域中伊红图像光谱为6的颗粒度特 征，
Figure 784810DEST_PATH_IMAGE033
为-0.229；
Figure 854397DEST_PATH_IMAGE051
代表目标区域中伊红图像光谱为16的颗粒度特征，
Figure 114477DEST_PATH_IMAGE035
为 0.096；
Figure 990030DEST_PATH_IMAGE036
代表目标区域中苏木精图像光谱为1的颗粒度特征，
Figure 222428DEST_PATH_IMAGE037
为0.8；其中，
Figure 259654DEST_PATH_IMAGE038
代表目标区域中苏木精图像光谱为4的颗粒度特征，
Figure 272609DEST_PATH_IMAGE039
为0.362；
Figure 889535DEST_PATH_IMAGE040
代表 目标区域中苏木精图像光谱为5的颗粒度特征，
Figure 773178DEST_PATH_IMAGE041
为0.051；
Figure 512464DEST_PATH_IMAGE042
代表目标区域的 灰度图像光谱为6的颗粒度特征，
Figure 481557DEST_PATH_IMAGE043
为-0.017；
Figure 636595DEST_PATH_IMAGE044
代表目标区域的灰度图像光谱 为11的颗粒度特征，
Figure 905902DEST_PATH_IMAGE045
为-0.017；
Figure 284931DEST_PATH_IMAGE046
代表目标区域的灰度图像光谱为14的颗粒度 特征，
Figure 944582DEST_PATH_IMAGE047
为0.097。
S6、利用所述病理组学-胶原结构特征标签公式，构建直肠癌淋巴结转移风险预测模型。
在一个实施例中，所述利用所述病理组学-胶原结构特征标签公式，构建直肠癌淋巴结转移风险预测模型，包括如下步骤：根据所述临床资料确定多个影响因素；利用多个所述影响因素，分别结合所述病理组学-胶原结构特征标签值进行二元多因素分析；将二元多因素分析可视化，从而获得直肠癌淋巴结转移风险预测模型。所述直肠癌的年龄、性别、肿瘤原发性位置、术前CEA(癌胚抗原)等级、术前CA199(糖类抗原)等级、术前CT观察淋巴结大小、肿瘤分化、肿瘤对淋巴管、血管或神经的侵犯状况、肿瘤大小和肿瘤浸润深度。
详细地，在本实施中，请参见图4，通过对临床资料与病理组学-胶原结构特征标签进行二元多因素Logistic回归分析，构建直肠癌淋巴结转移风险预测模型，并以可视化列线图展示。详细地，可视化列线图包括平行建立分项分数线段、术前CEA等级线段、术前CT观察淋巴结大小线段、（肿瘤对）淋巴管、血管或神经侵犯线段、病理T分期线段、病理组学-胶原结构特征标签线段；其中，所述分项分数线段上均匀排布有0分到100分之间的各个分数值；所述术前CEA等级中的正常点和升高点分别对应所述分项分数线段的0分点和4分点；所述术前CT观察淋巴结大小线段的<10mm点和≥10mm点分别对应所述分项分数线段的0分点和6分点；所述（肿瘤对）淋巴管、血管或神经侵犯线段的“是”和“否”对应所述分项分数线段的0分点和5分点；所述病理T分期线段的Tis-T2点、T3点和T4点对应所述分项分数线段的0分点、6分点和9分点；所述病理组学-胶原结构特征标签线段上均匀排布有-4分到6分之间的各个分数值，其中-4分点和6分点分别与所述分项分数线段的0分点和100分点对应。
请参见图5，本发明的直肠癌淋巴结转移预测模型与对比的ROC；(receiveroperating characteristic curve，ROC)曲线示意图示意图。AUC(Area Under Curve)被定义为ROC曲线下与坐标轴围成的面积，取值范围为0.5至1，AUC越接近1，预测模型效能越高。本发明构建的预测模型AUC值为0.939，传统临床病理预测模型的AUC值为0.783。由此可以看出，本申请所公开的基于病理组学-胶原结构特征标签预测效能显著高于传统临床病理模型。
综合上所述，本发明的存储介质中存储的计算机程序基于图像分析技术能够有效提取肿瘤的病理组学特征和胶原结构特征，可用于评估肿瘤微环境与淋巴结转移的相关性；在特征变量筛选方法中，利用LASSO回归能有效避免预测变量过多时带来的过拟合和多重共线性的问题；结合病理组学-胶原结构特征标签和临床病理信息的预测模型能准确评估结直肠癌患者淋巴结转移风险，其预测效能要显著高于传统临床病理模型，在指导个性化诊疗、改善患者预后方面有重要参考价值。
本发明还提供一种结直肠癌淋巴结转移预测模型构建系统，包括输入设备、处理器、输出设备和存储器，其中，所述输入设备、处理器、输出设备和存储器相互连接，所述存储器包括第一方面所述的计算机可读存储介质，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令。
详细地，请参见图6，该结直肠癌淋巴结转移预测模型构建系统600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器 (central processingunits，CPU)610；输入设备620可以用于获取病理组织切片上目标成像区域的多光子成像图像和病理切片全景图像；输出设备630可以用于将通过第一方面任一项方法得到的淋巴结转移预测风险输出给目标终端进行显示；该存储器640可以包括只读存储器和随机存取存储器，并向处理器610提供指令和数据。存储器640的一部分还可以包括非易失性随机存取存储器。例如，存储器640还可以存储设备类型的信息。
该结直肠癌淋巴结转移预测模型构建系统600还可以包括一个或一个以上电源650，一个或一个以上有线或无线网络接口660，一个或一个以上操作系统670，例如WindowsServe，Mac OS X，Unix，Linux，FreeBSD等等，本系统结构紧凑，适用性强，极大程度地提高了运行效率。同时，本领域技术人员可以理解，图6示出的计算机设备结构并不构成对本申请提供的计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (10)

1.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行以下步骤：
构建数据集，所述数据集包括直肠癌患者的病理组织切片图像；
通过所述病理组织切片图像划定目标区域；
针对所述目标区域，提取病理组学特征；
针对所述目标区域，提取胶原结构特征；
利用所述病理组学特征和所述胶原结构特征，构建病理组学-胶原结构特征标签公式；
利用所述病理组学-胶原结构特征标签公式，构建直肠癌淋巴结转移风险预测模型。
2.根据权利要求1所述的计算机可读存储介质，其特征在于，所述构建数据集，包括如下步骤：
确定直肠癌患者的纳排标准；
根据所述纳排标准，获取所述直肠癌患者的病理组织切片图像和临床资料。
3.根据权利要求1所述的计算机可读存储介质，其特征在于，所述通过所述病理组织切片图像划定目标区域，包括如下步骤：
确定所述病理组织切片图像中肿瘤侵袭边缘；
在所述肿瘤侵袭边缘内划定多个目标区域。
4.根据权利要求3所述的计算机可读存储介质，其特征在于，所述针对所述目标区域，提取病理组学特征，包括如下步骤：
将多个所述目标区域转化目标灰度图像；
利用所述目标灰度图像获得所述目标灰度图像的图片共定位特征；
从所述目标灰度图像提取苏木精染色灰度图像和伊红染色灰度图像；
分别获取所述目标灰度图像、所述苏木精染色灰度图像和所述伊红染色灰度图像的所述图片质量特征和图片颗粒特征。
5.根据权利要求1所述的计算机可读存储介质，其特征在于，所述针对所述目标区域，提取胶原结构特征，包括如下步骤：
对多个所述目标区域进行光子成像，获得光子成像图；
利用所述光子成像图提取胶原形态学特征、灰度共生矩阵特征和Gabor滤波器特征。
6.根据权利要求1所述的计算机可读存储介质，其特征在于，所述利用所述病理组学特征和所述胶原结构特征，构建病理组学-胶原结构特征标签公式，包括如下步骤：
通过所述病理组学特征和所述胶原结构特征筛选获得目标特征变量；
依据所述目标特征变量获取对应的目标特征变量系数；
利用所述目标特征变量和所述目标特征变量系数，构建病理组学-胶原结构特征标签公式；
利用所述病理组学-胶原结构特征标签公式，获得所述直肠癌患者的病理组学-胶原结构特征标签值。
7.根据权利要求1所述的计算机可读存储介质，其特征在于，所述病理组学-胶原结构特征标签公式满足如下公式：
Figure 476461DEST_PATH_IMAGE001
，
其中，
Figure 272379DEST_PATH_IMAGE002
表示病理组学-胶原结构特征标签，
Figure 884626DEST_PATH_IMAGE003
表示常数项，k表示目标特征变量，
Figure 765994DEST_PATH_IMAGE004
表示第i项所述目标特征变量对应的评分参数，
Figure 793993DEST_PATH_IMAGE005
代表评分参数
Figure 303472DEST_PATH_IMAGE004
对应的 目标特征变量系数。
8.根据权利要求7所述的计算机可读存储介质，其特征在于，
其中，
Figure 227566DEST_PATH_IMAGE006
；
Figure 392968DEST_PATH_IMAGE007
代表胶原纤维宽度，
Figure 552554DEST_PATH_IMAGE008
为3.472；
Figure 791905DEST_PATH_IMAGE009
代表胶原纤维交联密度，
Figure 11534DEST_PATH_IMAGE010
为0.771；
Figure 664232DEST_PATH_IMAGE011
代表柱状图能量，
Figure 971717DEST_PATH_IMAGE012
为-1.035；
Figure 721367DEST_PATH_IMAGE013
代表灰度共生矩阵中像素距离为1在0°方向上的对比度，
Figure 784001DEST_PATH_IMAGE014
为1.457；
Figure 861678DEST_PATH_IMAGE015
代表灰度共生矩阵中像素距离为1在0°方向上的相关性，
Figure 363067DEST_PATH_IMAGE016
为0.00005；
Figure 639327DEST_PATH_IMAGE017
代表灰度共生矩阵中像素距离为2在0°方向上的能量，
Figure 76125DEST_PATH_IMAGE018
为1.658；
Figure 500153DEST_PATH_IMAGE019
代表尺度为2，方向性为120°的Gabor滤波器图像卷积方差，
Figure 211757DEST_PATH_IMAGE020
为1.245；
Figure 811366DEST_PATH_IMAGE021
代表尺度为3，方向性为60°的Gabor滤波器图像卷积方差，
Figure 272260DEST_PATH_IMAGE022
为0.280；
Figure 324529DEST_PATH_IMAGE023
代表尺度为4，方向性为150°的Gabor滤波器图像卷积方差，
Figure 839824DEST_PATH_IMAGE024
为0.771；
Figure 152994DEST_PATH_IMAGE025
代表苏木精图像的综合强度，
Figure 931594DEST_PATH_IMAGE026
为0.071；
Figure 267897DEST_PATH_IMAGE027
代表目标区域图像的 下四分位强度，
Figure 649200DEST_PATH_IMAGE028
为-4.994；
Figure 957822DEST_PATH_IMAGE029
代表苏木精-伊红-曼德斯系数，
Figure 704061DEST_PATH_IMAGE030
为8.139；
Figure 589977DEST_PATH_IMAGE031
代表目标区域中伊红图像光谱为6的颗粒度特征，
Figure 650337DEST_PATH_IMAGE032
为-0.229；
Figure 610203DEST_PATH_IMAGE033
代表目标区域中伊红图像光谱为16的颗粒度特征，
Figure 855240DEST_PATH_IMAGE034
为0.096；
Figure 103818DEST_PATH_IMAGE035
代表目标区域中苏木精图像光谱为1的颗粒度特征，
Figure 92503DEST_PATH_IMAGE036
为0.8；
Figure 906875DEST_PATH_IMAGE037
代表目标区域中苏木精图像光谱为4的颗粒度特征，
Figure 198179DEST_PATH_IMAGE038
为0.362；
Figure 58688DEST_PATH_IMAGE039
代表目标区域中苏木精图像光谱为5的颗粒度特征，
Figure 257588DEST_PATH_IMAGE040
为0.051；
Figure 129729DEST_PATH_IMAGE041
代表目标区域的灰度图像光谱为6的颗粒度特征，
Figure 982147DEST_PATH_IMAGE042
为-0.017；
Figure 736477DEST_PATH_IMAGE043
代表目标区域的灰度图像光谱为11的颗粒度特征，
Figure 942330DEST_PATH_IMAGE044
为-0.017；
Figure 59191DEST_PATH_IMAGE045
代表目标区域的灰度图像光谱为14的颗粒度特征，
Figure 489035DEST_PATH_IMAGE046
为0.097。
9.根据权利要求7所述的计算机可读存储介质，其特征在于，所述利用所述病理组学-胶原结构特征标签公式，构建直肠癌淋巴结转移风险预测模型，包括如下步骤：
根据临床资料确定多个影响因素；
利用多个所述影响因素，分别结合所述病理组学-胶原结构特征标签值进行二元多因素分析；
将二元多因素分析可视化，从而获得直肠癌淋巴结转移风险预测模型。
10.一种结直肠癌淋巴结转移预测模型构建系统，其特征在于，包括输入设备、处理器、输出设备和存储器，其中，所述输入设备、处理器、输出设备和存储器相互连接，所述存储器包括如权利要求1-9任一项所述的计算机可读存储介质，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令。
CN202210855656.6A 2022-07-20 2022-07-20 一种存储介质和结直肠癌淋巴结转移预测模型构建系统 Active CN114926465B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210855656.6A CN114926465B (zh) 2022-07-20 2022-07-20 一种存储介质和结直肠癌淋巴结转移预测模型构建系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210855656.6A CN114926465B (zh) 2022-07-20 2022-07-20 一种存储介质和结直肠癌淋巴结转移预测模型构建系统

Publications (2)

Publication Number Publication Date
CN114926465A true CN114926465A (zh) 2022-08-19
CN114926465B CN114926465B (zh) 2022-09-30

Family

ID=82816200

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210855656.6A Active CN114926465B (zh) 2022-07-20 2022-07-20 一种存储介质和结直肠癌淋巴结转移预测模型构建系统

Country Status (1)

Country Link
CN (1) CN114926465B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200388029A1 (en) * 2017-11-30 2020-12-10 The Research Foundation For The State University Of New York System and Method to Quantify Tumor-Infiltrating Lymphocytes (TILs) for Clinical Pathology Analysis Based on Prediction, Spatial Analysis, Molecular Correlation, and Reconstruction of TIL Information Identified in Digitized Tissue Images
CN112216395A (zh) * 2020-09-11 2021-01-12 中山大学孙逸仙纪念医院 一种乳腺癌患者腋窝淋巴结转移预测模型及其构建方法
US20210200988A1 (en) * 2019-12-31 2021-07-01 Zhejiang University Method and equipment for classifying hepatocellular carcinoma images by combining computer vision features and radiomics features
CN113208640A (zh) * 2021-04-26 2021-08-06 复旦大学附属肿瘤医院 一种基于乳腺专用pet影像组学预测腋窝淋巴结转移的方法
CN114299069A (zh) * 2022-03-08 2022-04-08 南方医科大学南方医院 一种结直肠癌胶原评价和预后预测装置和存储介质
CN114664413A (zh) * 2022-04-06 2022-06-24 中国医学科学院肿瘤医院 在治疗前对直肠癌治疗抵抗及其分子机制的预测系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200388029A1 (en) * 2017-11-30 2020-12-10 The Research Foundation For The State University Of New York System and Method to Quantify Tumor-Infiltrating Lymphocytes (TILs) for Clinical Pathology Analysis Based on Prediction, Spatial Analysis, Molecular Correlation, and Reconstruction of TIL Information Identified in Digitized Tissue Images
US20210200988A1 (en) * 2019-12-31 2021-07-01 Zhejiang University Method and equipment for classifying hepatocellular carcinoma images by combining computer vision features and radiomics features
CN112216395A (zh) * 2020-09-11 2021-01-12 中山大学孙逸仙纪念医院 一种乳腺癌患者腋窝淋巴结转移预测模型及其构建方法
CN113208640A (zh) * 2021-04-26 2021-08-06 复旦大学附属肿瘤医院 一种基于乳腺专用pet影像组学预测腋窝淋巴结转移的方法
CN114299069A (zh) * 2022-03-08 2022-04-08 南方医科大学南方医院 一种结直肠癌胶原评价和预后预测装置和存储介质
CN114664413A (zh) * 2022-04-06 2022-06-24 中国医学科学院肿瘤医院 在治疗前对直肠癌治疗抵抗及其分子机制的预测系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李梦蕾等: "术前预测结直肠癌淋巴结转移的临床-影像组学列线图的建立和验证", 《中国癌症杂志》 *

Also Published As

Publication number Publication date
CN114926465B (zh) 2022-09-30

Similar Documents

Publication Publication Date Title
Li et al. Biopsy-free in vivo virtual histology of skin using deep learning
de Haan et al. Deep learning-based transformation of H&E stained tissues into special stains
Oskal et al. A U-net based approach to epidermal tissue segmentation in whole slide histopathological images
Roy et al. Patch-based system for classification of breast histology images using deep learning
Cruz-Roa et al. Accurate and reproducible invasive breast cancer detection in whole-slide images: A Deep Learning approach for quantifying tumor extent
US11309074B2 (en) Systems and methods for processing images to prepare slides for processed images for digital pathology
Wienert et al. Detection and segmentation of cell nuclei in virtual microscopy images: a minimum-model approach
Hoque et al. Retinex model based stain normalization technique for whole slide image analysis
JP6743066B2 (ja) 組織サンプル解析技術
Sikpa et al. Automated detection and quantification of breast cancer brain metastases in an animal model using democratized machine learning tools
CN114841947A (zh) 肺腺癌h&amp;e染色病理图像肿瘤区域多尺度特征提取与预后分析方法、装置
Kłeczek et al. Automated epidermis segmentation in histopathological images of human skin stained with hematoxylin and eosin
CN110838094B (zh) 病理切片染色风格转换方法和电子设备
Zhou et al. Multi-site cross-organ calibrated deep learning (MuSClD): Automated diagnosis of non-melanoma skin cancer
Kromp et al. Deep Learning architectures for generalized immunofluorescence based nuclear image segmentation
CN113724267B (zh) 一种乳腺超声图像肿瘤分割方法及装置
Graziani et al. Breast histopathology with high-performance computing and deep learning
Abraham et al. Applications of artificial intelligence for image enhancement in pathology
Wang et al. The Swin-Transformer network based on focal loss is used to identify images of pathological subtypes of lung adenocarcinoma with high similarity and class imbalance
CN114926465B (zh) 一种存储介质和结直肠癌淋巴结转移预测模型构建系统
JP4609322B2 (ja) 染色体状態の評価方法および評価システム
CN115410693B (zh) 一种数字病理切片的存储系统、浏览系统及方法
WO2023107844A1 (en) Label-free virtual immunohistochemical staining of tissue using deep learning
KR102471515B1 (ko) 면역조직화학 염색 이미지를 분석하기 위한 기계학습모델을 학습하는 방법 및 이를 수행하는 컴퓨팅 시스템
Şerbănescu et al. A hardware approach for histological and histopathological digital image stain normalization

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