[发明专利]肿瘤癌变细胞FISH基因状态自动检测方法

说明书

技术领域

本发明涉及医学图像分析技术领域，特别是一种肿瘤癌变细胞FISH基因状态自动检测方法。

背景技术

近几年研究显示，肿瘤细胞由非典型性发育异常向癌转变的过程中几乎都伴有人类染色体hTERC基因（定位于3号染色体）扩增。另外，HER-2原癌基因（定位于17号染色体）的扩增状态与肿瘤转移预后预知都有密切关系，同时在分子靶向治疗和术后新辅助治疗方面也有很大应用前景。因此对基因扩增的准确检测和正确判读在临床上也越来越受重视。

基因扩增可通过多种方法检测，经FDA批准用于检测的方法有两种：测定蛋白的免疫组织化学（IHC）法和检测基因的荧光原位杂交（FISH）法。IHC操作简单，判读方便，价格低廉，但因标本的固定、包埋、不同抗体敏感性的差异、评估体系不同造成其检测结果的差异；而FISH方法具有高度的重复性和可靠性，与临床疗效相关性好，FISH检测方法利用特异性分子探针与癌细胞中基因结合，以染色体着丝粒信号作为参照，在荧光显微镜下观察基因是否有扩增。FISH技术检测基因扩增状态结果客观准确，目前被公认为是检测基因扩增的金标准。

采用FISH双色荧光探针杂交，在荧光显微镜下细胞核（细胞以核的形式呈现，以下统称细胞）显蓝色，位于细胞内的染色体基因显红色信号点，染色体着丝粒显绿色信号点，当红色与绿色信号重叠时呈现为黄色。

目前肿瘤FISH基因状态评估方法是由病理科医师在荧光显微镜下，目测选取几十个形态完整、杂交信号强的细胞并人工统计各类信号点（信号颗粒/信号簇）的数量，计算红绿信号点数比值，最后依据信号点类别细胞的统计数量及分布情况进行基因状态（高扩增/低扩增/无扩增）的结果评估。检测过程较繁琐费时，并存在人为主观因素所造成的误差和不一致性，从而影响了对癌的整体预知转移预后的评估，容易误导癌的发现和治疗。

肿瘤FISH图像的组织分布有细胞、各类信号点、背景等目标。FISH 存在自身的限制：细胞存在粘连现象，且粘连分布结构复杂多样；信号不能达到100%杂交，有些细胞杂交信号弱；存在荧光强度不均及颜色重叠渗透现象，灰度具有含糊性，各组织之间边界不明确。

FISH的自身限制使得基因状态的自动辨识的过程存在以下难点：1）细胞粘连结构的复杂多样性，难以归纳出先验知识，因此基于知识规则的方法不适合于分离检出细胞，只能依赖机器学习方法；2）细胞形态不规则、类别特征模糊及细胞内信号点的随机分布、信号强弱等因素使得常规以特征为依据的识别方法在选择合格细胞上有其局限性；3）由于杂交的不稳定和采集图像环境光线的影响，以及红绿色比重不一的融合引起黄色具有不确定的偏向性，使得同一副图像中同类信号存在颜色偏差，区域越大色差越严重。

发明内容

本发明的目的在于提供一种肿瘤癌变细胞FISH基因状态自动检测方法，该方法不仅有利于提高检测的准确性，减少主观因素造成的误差，而且检测效率高，使用效果好。

为实现上述目的，本发明的技术方案是：一种肿瘤癌变细胞FISH基因状态自动检测方法，其特征在于：该方法在进行级联结构训练和协同模式训练的基础上，对基因状态进行辨识；

所述级联结构训练按如下步骤进行：

首先，选择基因状态评估结果分别为高扩增、低扩增、无扩增的各种肿瘤FISH片，采集各类典型的基因信号的图像作为训练图集，并将所述基因状态评估结果作为训练的类别信息；从所述训练图集中分别裁剪一批正例样本和反例样本构成正例样本集和反例样本集，所述正例样本包括合格细胞子窗口和不合格细胞子窗口两个类别，所述反例样本为非细胞子窗口，对所述正例样本集和反例样本集分别进行颜色转换；然后，迭代训练基于Haar型特征的AdaBoost级联结构，得到能表征细胞特性的Haar型特征组及AdaBoost级联结构细胞检测器；

所述协同模式训练过程按如下步骤进行：

将正例样本集作为训练样本集，进行原型选择算法、序参量构造法及注意参数设置机制的训练学习，依据敏感度、特异性、准确率的评估准则进行效果分析，不断优化调整相关算法权重参数，得到协同模式细胞分类器；

所述基因状态辨识过程按如下步骤进行：

步骤1：对待处理的肿瘤多视野FISH图集中的图像进行颜色转换，然后送入所述级联结构细胞检测器进行子窗口筛选检测；

步骤2：若检测到的为细胞子窗口，送入所述协同模式细胞分类器进行识别，并转步骤3；否则继续检测下一个子窗口；