一种辅助淋巴瘤免疫组化阳性细胞定位分析的方法

本发明涉及辅助诊断技术领，具体涉及一种辅助淋巴瘤免疫组化阳性细胞定位分析的方法。

背景技术：

1、淋巴瘤是淋巴细胞的克隆性恶性肿瘤，在世界卫生组织造血和淋巴组织肿瘤分类中，目前已知的淋巴瘤病理类型有近100种，与其他恶性肿瘤相比，淋巴瘤的治愈率高达90％，其准确诊断性对于制定正确的治疗计划至关重要。病理诊断是恶性肿瘤判断的“金标准”，传统的病理切片在定位分析诊断方面仍然依赖医生多年的经验，其诊断过程缺乏的准确性和定量信息，在临床实践中，病理学家通过肉眼观察同一组织的组织连续切片进行淋巴瘤的病理诊断，其中需要通过苏木精和伊红染色(hematoxylin and eosin，he)切片判断一般细胞形态、组织细胞坏死、水肿、变形和炎性细胞浸润等异常病理学改变，以及结合免疫组化染色(immunohistochemical，ihc)切片针对特异性细胞标志物来检测特异性细胞的改变和组织中一些特异性蛋白表达量的改变作出最终诊断。随着病理图像数字化技术的发展，数字全切片成像(whole slide imaging，wsi)以高分辨率捕获组织切片上的组织学细节，为病理图像的自动分析提供了良好的数据基础，数字病理学和显微图像在疾病诊断决策中起着重要作用，以确保临床能选择更好的治疗措施。随着计算机软硬件的不断进步和基于数据驱动的人工智能方法的快速发展，深度学习在数字病理诊断中的应用已成为模式识别和人工智能领域的研究热点之一，因此需要一种新的基于深度学习的可以提高诊断淋巴瘤的准确性的分析方法。

2、在淋巴瘤患者的诊断性检查期间，通常通过活检或手术切除获得组织样本，然后进行病理准备，在大多数情况下用苏木精和伊红(he)染色。因此，he载玻片几乎适用于所有淋巴瘤患者，对于深度学习方法来说，切片数据是易于获得的，信息丰富的数据源，也解释了以前对这些类型图像的研究重点。然而，深度学习是一种适用于不同类型的组织学染色的工具，例如免疫组织化学(ihc)。扫描的全玻片组织学图像包括庞大数据量，给的图像的分析带来了较大的挑战。它们的大文件使它们无法完全加载到图形处理单元(gpu)的内存中。目前的淋巴瘤诊断主要由wsi的在形态模式决定，数字病理学基于人工智能技术最新进展为临床结果辅助诊断、预测提供了可靠的性能。

3、目前，已有研究基于深度学习算法实现淋巴瘤的自动诊断，steinbuss等人使用有标注的he染色病理图像块训练和优化efficient—net卷积神经网络算法，以95.56％的准确率实现非霍奇金淋巴瘤的自动分类。淋巴瘤通常可分为霍奇金淋巴瘤和非霍奇金淋巴瘤(nonhodgkin’s lymphoma，nhl)两大类。nhl约占所有淋巴瘤数量的80％-90％。zhang等结合迁移学习和主成分分析进行非霍奇金淋巴瘤的病理图像分类，分类模型对慢性淋巴细胞白血病、滤泡性淋巴瘤和套细胞淋巴瘤的预测准确率达到98.93％。fassler d.j等人提出了一个新的集成方法：colorae-u-net，对胰腺导管腺癌(pancreatic ductaladenocarcinoma,pdac)切片图像中的六种免疫组化阳性细胞进行分割，并证明使用了colorae的unet比单独的unet的分割效果要好。但文章中使用不同分割方法对六种免疫组化阳性细胞进行分割的性能并不高，dice集中在0.5到0.65，试图使用一个模型准确分割不同的免疫组化阳性细胞还是比较困难的。同时运用配准技术与分割技术feng等人提出一种基于wts的ki-67图像精确配准方法和基于深度学习的ki-67自动识别与计数软件。该项目使用googlenet inception v1模型自动定位乳腺癌区域，使用elastic工具箱对he与ihc进行配准，最后利用image j提供的算法完成自动提取正负细胞的结构、形态、颜色等特征，并训练随机森林分类器能识别ki-67阳性或阴性细胞。然而上述这些研究并没有同时分割出多种病理细胞，只是分割单一的某一类病理细胞而且没有将免疫组化细胞同he切片进行配准，不利于医生可以更好的诊断淋巴瘤分型。

技术实现思路

1、为解决现有技术所存在的技术问题，本发明提出了一种计算机辅助淋巴瘤免疫组化阳性细胞定位的方法，通过构建多种免疫组化细胞分割模型对淋巴瘤的多种ihc阳性细胞图像自动分割，通过对he切片图像和ihc切片图像进行刚性配准、非刚性配准，将获取到免疫组化切片中阳性细胞的信息与苏木素伊红染色切片相融合，可以辅助提高医生的工作效率，有助于医生更快地观察到阳性细胞的类型和形态，提高对患者淋巴瘤进行诊断和分型的效率。

2、本发明的第一个目的可以通过采取如下技术方案达到：

3、一种辅助淋巴瘤免疫组化阳性细胞定位分析的方法，所述方法包括：

4、s1、数据采集和预处理，采集淋巴瘤大类患者的病理切片数据，对病理切片数据进行预处理，构建分割模型数据集；

5、s2、基于nnunet分割网络构建多种免疫组化细胞分割模型，对多种免疫组化细胞分割模型进行训练；

6、s3、对he切片图像和ihc切片图像进行刚性配准、非刚性配准，得到配准后的he切片图像和ihc切片图像；

7、s4、将配准后的he切片图像和ihc切片图像输入多种免疫组化细胞分割模型，输出ihc阳性细胞的分割结果，对配准后的he切片图像和ihc阳性细胞的分割结果进行可视化展示。

8、具体地，所述淋巴瘤大类患者的病理切片数据包括淋巴瘤大类患者的多种ihc类型切片和一张he组织染色切片。

9、具体地，所述对病理切片数据进行预处理，构建分割模型数据集，包括：

10、对病理切片数据进行格式转化得到转化格式后的病理切片数据，将单张转化格式后的病理切片数据分割成多个图像块；

11、对每一个图像块的免疫组化病理的阳性细胞和阴性细胞的标注，排除组织区域占比少于预设阀值的图像块，排除包含较多切片边缘信息的的图像块，得到标注阳性细胞的图像块。

12、具体地，，所述基于nnunet分割网络构建多种免疫组化细胞分割模型，包括：

13、使用分割模型数据集的免疫组化图像数据对nnunet分割网络进行训练，采用交叉熵损失函数作为多种免疫组化细胞分割模型的损失函数，利用反向传播算法计算梯度并更新多种免疫组化细胞分割模型的参数，不断迭代训练直到nnunet分割网络收敛，得到训练后的多种免疫组化细胞分割模型。

14、具体地，所述步骤s3，包括：

15、s31、对he切片图像和ihc切片图像进行预处理，得到预处理后的he切片图像和ihc切片图像；

16、s32、对预处理后的he切片图像和ihc切片图像进行穷举旋转角度搜索，根据图像相似性指数dice和信息熵获得最优旋转角度，根据最优旋转角度旋转ihc切片图像；

17、s33、进行刚性配准，通过语义分割网络ssn将he切片图像和ihc切片图像分割成为背景部分和组织部分，对he切片图像的组织部分、ihc切片图像的组织部分进行匹配最佳匹配特征点，根据最佳匹配特征点对he切片图像的组织部分、ihc切片图像的组织部分执行配准，得到预配准图像；

18、s34、对预配准图像进行非刚性配准，得到配准后的he切片图像和ihc切片图像。

19、具体地，所述对he切片图像和ihc切片图像进行预处理，包括：对he切片图像和ihc切片图像进行图像归一化、图像灰度化、直方图匹配、滤波去噪处理。

20、具体地，所述步骤s32，包括：

21、将he切片图像作为固定图像f和ihc切片图像作为移动图像m，执行穷举旋转搜索，迭代操作：每轮顺时针旋转预设变换角度，每轮变换后重新按照公式计算图像相似性指数dice；

22、计算固定图像f和移动图像m组织区域图像的信息熵；

23、对比原始输入的he切片图像、ihc切片图像和旋转变换后的he切片图像、ihc切片图像，将图像相似性指数dice和信息熵作为固定图像f和移动图像m的相似性度量，选择最优旋转角度对移动图像m进行旋转。

24、具体地，所述步骤s33，包括：

25、s331、使用anhir数据中的完整wsi训练语义分割网络ssn，基于语义分割网络ssn的预训练参数使用分割模型数据集的数据训练语义分割网络ssn，通过训练后的语义分割网络ssn将he切片图像和ihc切片图像分割成为背景部分和组织部分

26、s332、生成he切片图像的组织部分和ihc切片图像的组织部分的特征描述符，使用尺度不变特征变换算法自动搜索特征点，得到最佳匹配的特征点；

27、s333、根据特征描述符和匹配的特征点，对he切片图像的组织部分和ihc切片图像的组织部分执行仿射变换。

28、本发明与现有技术相比，具有如下优点和有益效果：

29、本发明提出了一种计算机辅助淋巴瘤免疫组化阳性细胞定位的方法，通过获取同一病人患病组织的连续切片，通过构建多种免疫组化细胞分割模型对淋巴瘤的多种ihc阳性细胞图像自动分割，通过对he切片图像和ihc切片图像进行刚性配准、非刚性配准，得到配准后的he切片图像和ihc切片图像，将获取到的ihc切片图像中阳性细胞的信息与he切片相融合，能够得到可量化、重复性高的阳性细胞定位信息，以确定阳性细胞的区域。本发明可以辅助提高医生的工作效率，减少医生在手动分析细胞图像上的时间和精力，有助于医生更快地观察到阳性细胞的类型和形态，从而提高对患者淋巴瘤进行诊断和分型的效率。