一种肿瘤微环境异质性评价方法与流程

1.本发明涉及一种肿瘤微环境异质性评价方法，属于数字病理图像处理领域。


背景技术：

2.ki67是一种细胞核抗原，在病理学中通常使用免疫组化的方式标记ki67以便直观地观察到组织细胞是否处在有丝分裂的活跃期。ki67指数是通过统计处在增值分裂阶段的细胞的数量占比来判断肿瘤组织的活跃程度的重要指标。实际操作中，医生会通过在阳性表达最高的区域计数500～1000个细胞给出ki67指数。
3.肿瘤的发生、生长和转移都和肿瘤细胞所处的内外环境紧密相关，包括了肿瘤细胞、免疫细胞等各种细胞，同时也包括了细胞间质、生物分子。对研究肿瘤的发生、发展、转移有重要意义，也对肿瘤的诊断和预后有重要作用。其中肿瘤组织中阴阳性细胞的空间分布是微环境的重要评判标准。目前基于免疫组化图像对于细胞空间分布的研究通常仅限于计算ki67指数，对于阴阳性细胞空间分布的评价通常取决于医师的主观描述，这种方式得到的结果完全受经验和主观判断影响，不同医师的判读结果会存在较大的差异。
4.中国专利cn111583185a、中国专利cn112215790a分别通过传统数字图像算法和深度学习算法实现了对免疫组化图像的ki67指数计算，虽然在计数上较为依赖精确的阴阳性细胞核的染色区间和大量的专家标注，但证明了自动化计数阴阳性细胞核的可行性。


技术实现要素：

5.本发明的目的是：提出一种自动化肿瘤细胞空间分布的客观评价方法。
6.为了达到上述目的，本发明的技术方案是提供了一种肿瘤微环境异质性评价方法，其特征在于，具体包括以下步骤：
7.步骤1、获取数字病理切片图像，通过专家粗标注和自动化边界框生成算法得到带细胞核边界框标注的数据集；
8.步骤2、对数据集中带标注的数字病理切片图像做切图，并通过旋转、翻转、裁切、随机拼接、叠加的方式进行数据增强，将增强后的数据与步骤1得到的数据集合并，构建训练集，并利用该训练集训练细胞检测模型。
9.步骤3、对实时输入免疫组化病理图像做组织提取，使用训练好的细胞核检测模型做分块预测，并检测阴性细胞核以及阳性细胞核，得到阴性细胞核以及阳性细胞核的个数，具体包括以下步骤：
10.步骤3-1：获取输入的免疫组化病理图像的缩略图，使用大津法分割组织区域；
11.步骤3-2：在分割出的组织区域内尽可能大地有重叠切分待预测区域，每个切分出的待预测区域为一个图块；
12.步骤3-3：将所有切分出的图块分别输入步骤2得到的细胞核检测模型中，得到每张图块的细胞检测结果，在重叠区域通过非极大值抑制筛选重复检测区域；
13.步骤4、通过网格将每张图块划分成不同区域，并统计每个区域内的阳核比、阴核
比并使用morisita-horn指数计算异质性，具体包括以下步骤：
14.步骤4-1：按照设定的用于评估异质性的单位大小的网格将步骤3获得的图块划分成不同的区域，依次统计每个区域内的阴阳性细胞核个数，其中，单位大小越小，则最终所得的评估结果就越精确；
15.步骤4-2：计算所有区域的阴核占比和阳核占比，第i个区域的阴核占比和阳核占比分别表示为i＝1，2，...，r，r表示待评估异质性的所有区域的总数；
16.步骤4-3：使用morisita-horn指数定量计算肿瘤微环境的异质性mh，则有：
17.优选地，包括以下步骤：
18.步骤1-1：从免疫组化数据库中获取数字病理切片图像，并清洗删除其中有问题的图像数据；
19.步骤1-2：由专家对清洗后的数字病理切片图像进行标注，标注时，在图像中细胞核的大致中心位置打点，以标注细胞位置，并对图像中的阴性细胞核和阳性细胞核给出不同的标注；
20.步骤1-3：从标注的中心点区域生长像素，并即时计算当前边缘的像素梯度，若像素梯度大于设定阈值，则停止生长，并生成对应的细胞掩码图；
21.步骤1-4：对细胞掩码图做开闭运算后进行后处理，以平滑细胞掩码图边缘随后以经过后处理的细胞掩码图外接矩作为细胞核的边界框标注。
22.优选地，所述步骤2中，细胞核检测模型采用目标检测模型。
23.优选地，所述步骤2包括以下步骤：
24.步骤2-1：获取带标注的数字病理切片图像的缩略图，使用大津法分割出组织区域轮廓；
25.步骤2-2：计算组织区域轮廓对应的原图坐标，并在原始数字病理切片图像上切片，每个切片为一个图块，进而得到图块数据集；
26.步骤2-3：对图块做旋转、翻转、裁切，再将四张不同的图块拼接成新图，之后将任意生成的新图两两叠加以得到数据增强后的数据增强图，采用步骤1相同的方法在数据增强图上标注出对应的细胞核边界框；
27.步骤2-4：将步骤1得到所有带带标注的数字病理切片图像与步骤2-3得到的所有带细胞核边界框标注的数据增强图做并集，以扩充数据量，最后生成用于细胞检测模型训练的训练集；
28.步骤2-5：构建细胞核检测模型后，使用步骤2-3得到的训练集训练模型。
29.本发明提出了一种自动化检测ki67免疫组化图像中的阴阳性细胞核并定量计算空间异质性的方法，用于评价肿瘤微环境。本发明通过自动标注生成算法实现快速构建有标注数据集，用于细胞核自动检测模型的训练，使用细胞检测模型检测并分类待评估区域的所有细胞，网格划分待评估区域，分别统计每个网格内的阳核比和阴核比，将阴阳性细胞核看做不同的群落使用morisita-horn指数定量评估空间分布。
30.与传统医生评估的方式相比，本发明能够快速计算大量病理图像中阴阳性细胞核个数，同时本发明引入了morisita-horn指数作为定量评估微环境异质性的指标，使异质性
的评估更加精确客观，有利于研究人员对肿瘤的微环境进行更进一步的分析。
附图说明
31.图1为本发明数据获取清洗生成带标注数据集的方法流程图；
32.图2为本发明细胞检测模型的训练集生成方法和模型构建步骤的流程图；
33.图3为本发明对输入免疫组化病理图像的细胞检测方法示意图；
34.图4为本发明基于细胞核检测结果的异质性定量评估方法示意图。
具体实施方式
35.下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本技术所附权利要求书所限定的范围。
36.本实施例公开的一种肿瘤微环境异质性评价方法，具体包括以下步骤：
37.步骤1、获取数字病理切片图像，通过专家粗标注和自动化边界框生成算法得到带细胞核边界框标注的数据集。
38.步骤1是对获取的数据进行清洗以及生成带标注数据集的方法描述，具体包括以下步骤：
39.步骤1-1：从免疫组化数据库中获取数字病理切片图像，并清洗删除其中制片、染色、扫描有问题的图像数据；
40.步骤1-2：由专家对清洗后的数字病理切片图像进行标注，标注时，在图像中细胞核的大致中心位置打点，以标注细胞位置，并对图像中的阴性细胞核和阳性细胞核给出不同的标注。
41.步骤1-3：从标注的中心点区域生长像素，并即时计算当前边缘的像素梯度，若像素梯度大于设定阈值，则停止生长，并生成对应的细胞掩码图。
42.步骤1-4：对细胞掩码图做开闭运算后进行后处理，以平滑细胞掩码图边缘，随后以经过后处理的细胞掩码图外接矩作为细胞核的边界框标注。
43.步骤2、对数据集中带标注的数字病理切片图像做切图，并通过旋转、翻转、裁切、随机拼接、叠加的方式进行数据增强构建训练集，并利用该训练集训练细胞检测模型。
44.步骤2是细胞检测模型的训练集生成方法和模型构建的具体步骤，其流程如图2所示，具体包括以下步骤：
45.步骤2-1：获取带标注的数字病理切片图像的缩略图，使用大津法分割出组织区域轮廓；
46.步骤2-2：计算组织区域轮廓对应的原图坐标，并在原始数字病理切片图像上切片，每个切片为一个图块，进而得到图块数据集；
47.步骤2-3：对图块做旋转、翻转、裁切，再将四张不同的图块拼接成新图，之后将任意生成的新图两两叠加以得到数据增强后的数据增强图，采用步骤1相同的方法在数据增强图上标注出对应的细胞核边界框；
48.步骤2-4：将步骤1得到所有带带标注的数字病理切片图像与步骤2-3得到的所有
带细胞核边界框标注的数据增强图做并集，以扩充数据量，最后生成用于细胞检测模型训练的训练集；
49.步骤2-5：构建细胞核检测模型后，使用步骤2-3得到的训练集训练模型，本步骤中，细胞核检测模型包括但不限于yolo-v5等目标检测模型。
50.步骤3、对实时输入免疫组化病理图像做组织提取，使用训练好的细胞核检测模型做分块预测，并检测阴性细胞核以及阳性细胞核。
51.步骤3是将免疫组化病理图像输入经过步骤2训练后的细胞核检测模型得到所有阴阳性细胞核个数的方法，其流程如图3所示，具体包括以下步骤：
52.步骤3-1：获取输入的免疫组化病理图像的缩略图，使用大津法分割组织区域；
53.步骤3-2：在分割出的组织区域内尽可能大地有重叠切分待预测区域，每个切分出的待预测区域为一个图块；
54.步骤3-3：将所有切分出的图块分别输入步骤2得到的细胞核检测模型中，得到每张图块的细胞检测结果，在重叠区域通过非极大值抑制筛选重复检测区域。
55.步骤4、通过网格将每张图块划分成不同区域，并统计每个区域内的阳核比、阴核比并使用morisita-horn指数计算异质性。
56.步骤4是输入步骤3所得的细胞核检测结果后进行定量评估异质性的方法，其流程如图4所示，具体包括以下步骤：
57.步骤4-1：按照设定的用于评估异质性的单位大小的网格将图块划分成不同的区域，依次统计每个区域内的阴阳性细胞核个数，其中，单位大小越小，则最终所得的评估结果就越精确；
58.步骤4-2：计算所有区域的阴核占比和阳核占比，第i个区域的阴核占比和阳核占比分别表示为i＝1，2，...，r，r表示待评估异质性的所有区域的总数；
59.步骤4-3：使用morisita-horn指数定量计算肿瘤微环境的异质性mh，则有：