【技術實現步驟摘要】
本專利技術涉及醫學病理人工智能，尤其是涉及一種基于病理he染色的子宮內膜癌分子分型的預測方法。
技術介紹
1、子宮內膜癌作為女性生殖系統中常見的一種惡性腫瘤，其分子分型對于定制個體化治療方案至關重要。傳統分子分型方法往往依賴于復雜的實驗室流程和高昂的分子生物學技術，這限制了它們在臨床實踐中的廣泛應用。此外，盡管基于組織學的診斷方法是目前的主流，但由于其具有一定的主觀性和對醫生經驗的依賴，診斷過程中存在不確定性。
2、隨著醫學圖像分析和人工智能技術的快速發展，數字病理學和計算機輔助診斷技術為子宮內膜癌的診斷帶來了新的希望。病理組織切片的數字化不僅使醫生能夠獲取高分辨率的圖像數據，而且隨著計算機圖像分析技術的成熟，使得對這些圖像進行全面和客觀的分析成為可能。
3、然而，當前在子宮內膜癌的分子分型方面，醫學圖像分析仍面臨一些挑戰。一些現有的分析方法可能過分強調特定的形態學特征，而忽視了組織結構的層次信息。另外，對于樣本異質性的處理能力不足，可能會影響這些方法在臨床實踐中的準確性。因此，亟需提出一種對子宮內膜癌分子分型的有效預測方法。
技術實現思路
1、本專利技術的目的就是為了克服上述現有技術存在的缺陷而提供一種基于病理he染色的子宮內膜癌分子分型的預測方法，通過利用圖像分析技術，能夠高效準確地在更短的時間內完成子宮內膜癌分子分型的預測。
2、本專利技術的目的可以通過以下技術方案來實現：
3、本專利技術提供一種基于病理he染色的子宮內膜癌分子
4、s1：獲取病理組織樣本切片、染色后的數字病理學圖像；
5、s2：從s1中獲取的數字病理學圖像中提取病理組織的形態特征，并裁剪為不重疊的圖像塊；
6、s3：將s2中獲得的圖像塊進行篩選，采用深度學習的腫瘤檢測模型將篩選后保留的圖像塊進行分類；
7、s4：將s3中分類得到的目標圖像塊輸入神經網絡中，通過軟投票的方式獲得腫瘤的四種分型的概率，即得到樣本中子宮內膜癌分子分型的預測結果。
8、進一步地，s2中，所述圖像塊的分辨率為0.5像素每微米或分辨率大于0.5像素每微米。
9、進一步地，s2中，所述病理組織的形態特征包括細胞核的形狀、大小、顏色強度和細胞排列方式。
10、進一步地，s3中，采用直方圖對所述圖像塊進行篩選，具體篩選過程為：當圖像塊中各通道均值都小于預設閾值時，則排除該圖像塊；當圖像塊中各通道均值大于預設閾值時，則保留該圖像塊。
11、進一步地，s3中，所述腫瘤檢測模型將保留的圖像塊逐像素地分類為腫瘤區域圖像塊和非腫瘤區域圖像塊。
12、進一步地，所述非腫瘤區域圖像塊中包含腫瘤占比50％以上的腫瘤區域時，該圖像塊也進行保留。
13、進一步地，采用染色歸一化工具和顏色均值化算法對非腫瘤區域圖像塊中包含腫瘤占比50％以上的腫瘤區域的圖像塊進行處理，以消除不同掃描儀和染色方式對模型預測的影響。
14、進一步地，s4中，所述神經網絡采用基于efficientnetv2的分子分型骨干網絡。
15、進一步地，s5中，所述軟投票具體為對所有圖像塊的概率進行加和并取平均值。
16、進一步地，s5中，所述預測結果包括子宮內膜癌分子分型的具體預測和相應的概率或置信度。
17、與現有技術相比，本專利技術具有以下有點和有益效果：
18、1、與傳統的分子生物學實驗相比，本專利技術利用圖像分析技術，能夠高效準確地在更短的時間內完成子宮內膜癌分子分型的預測。
19、2、本專利技術通過數字病理學掃描和圖像處理技術，全面提取了組織切片的形態特征，包括細胞核的形狀、大小、顏色強度、細胞排列方式等多方面信息，全面且多層次的形態特征提取相較于傳統方法更為綜合。
20、3、本專利技術采用機器學習模型，對于異質性樣本的處理能力較強，提高了對異質性樣本的魯棒性以及在臨床實踐中的準確性和可靠性。
21、4、本專利技術巧妙地結合了數字化病理學與機器學習，使得對大量數字圖像進行高效處理和分析成為可能，為醫學圖像分析領域的發展提供了新的思路。
22、5、本專利技術通過準確預測子宮內膜癌分子分型，為醫生制定個體化的治療方案提供了重要的信息，有望改善患者的治療效果。
23、6、相對于一些昂貴且耗時的實驗方法，本專利技術采用數字化病理學和圖像分析技術，有望降低診斷成本，提高醫療資源利用效率。
24、7、本專利技術通過自動化、準確地對子宮內膜癌分子分型進行預測，有望提高子宮內膜癌的診斷水平，為臨床醫學的發展和進步作出貢獻。
本文檔來自技高網...【技術保護點】
1.一種基于病理HE染色的子宮內膜癌分子分型的預測方法，其特征在于，包括以下步驟；
2.根據權利要求1所述的一種基于病理HE染色的子宮內膜癌分子分型的預測方法，其特征在于，S2中，所述圖像塊的分辨率為0.5像素每微米或分辨率大于0.5像素每微米。
3.根據權利要求1所述的一種基于病理HE染色的子宮內膜癌分子分型的預測方法，其特征在于，S2中，所述病理組織的形態特征包括細胞核的形狀、大小、顏色強度和細胞排列方式。
4.根據權利要求1所述的一種基于病理HE染色的子宮內膜癌分子分型的預測方法，其特征在于，S3中，采用直方圖對所述圖像塊進行篩選，具體篩選過程為：當圖像塊中各通道均值都小于預設閾值時，則排除該圖像塊；當圖像塊中各通道均值大于預設閾值時，則保留該圖像塊。
5.根據權利要求1所述的一種基于病理HE染色的子宮內膜癌分子分型的預測方法，其特征在于，S3中，所述腫瘤檢測模型將保留的圖像塊逐像素地分類為腫瘤區域圖像塊和非腫瘤區域圖像塊。
6.根據權利要求5所述的一種基于病理HE染色的子宮內膜癌分子分型的預測方法，其特征在于，所
7.根據權利要求6所述的一種基于病理HE染色的子宮內膜癌分子分型的預測方法，其特征在于，采用染色歸一化工具和顏色均值化算法對非腫瘤區域圖像塊中包含腫瘤占比50％以上的腫瘤區域的圖像塊進行處理，以消除不同掃描儀和染色方式對模型預測的影響。
8.根據權利要求1所述的一種基于病理HE染色的子宮內膜癌分子分型的預測方法，其特征在于，S4中，所述神經網絡采用基于EfficientNetV2的分子分型骨干網絡。
9.根據權利要求1所述的一種基于病理HE染色的子宮內膜癌分子分型的預測方法，其特征在于，S5中，所述軟投票具體為對所有圖像塊的概率進行加和并取平均值。
10.根據權利要求1所述的一種基于病理HE染色的子宮內膜癌分子分型的預測方法，其特征在于，S5中，所述預測結果包括子宮內膜癌分子分型的具體預測和相應的概率或置信度。
...【技術特征摘要】
1.一種基于病理he染色的子宮內膜癌分子分型的預測方法，其特征在于，包括以下步驟；
2.根據權利要求1所述的一種基于病理he染色的子宮內膜癌分子分型的預測方法，其特征在于，s2中，所述圖像塊的分辨率為0.5像素每微米或分辨率大于0.5像素每微米。
3.根據權利要求1所述的一種基于病理he染色的子宮內膜癌分子分型的預測方法，其特征在于，s2中，所述病理組織的形態特征包括細胞核的形狀、大小、顏色強度和細胞排列方式。
4.根據權利要求1所述的一種基于病理he染色的子宮內膜癌分子分型的預測方法，其特征在于，s3中，采用直方圖對所述圖像塊進行篩選，具體篩選過程為：當圖像塊中各通道均值都小于預設閾值時，則排除該圖像塊；當圖像塊中各通道均值大于預設閾值時，則保留該圖像塊。
5.根據權利要求1所述的一種基于病理he染色的子宮內膜癌分子分型的預測方法，其特征在于，s3中，所述腫瘤檢測模型將保留的圖像塊逐像素地分類為腫瘤區域圖像塊和非腫瘤區域圖像塊。
6.根據權利要求...
【專利技術屬性】
技術研發人員：郭勤浩，溫灝，李海明，王向學，吳小華，居杏珠，馮征，崔昊宇，鐘燕平，
申請(專利權)人：復旦大學附屬腫瘤醫院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。