[发明专利]基于病理图像的肿瘤突变负荷(TMB)分类方法与系统

权利要求书

1.一种基于病理图像的肿瘤突变负荷(TMB)分类方法，其特征在于，包括：

步骤1、根据至少一分类阈值将已知病理图像按照TMB分为多个类型；

步骤2、将所述已知病理图像切割为多张已知图块，再将所述多张已知图块重新拼接为所述已知病理图像，按照所述多个类型对所述多张已知图块进行标注，以构建初步训练集；

步骤3、采用多分类投票法对所述初步训练集进行清洗，以构建最终训练集；

步骤4、通过所述最终训练集对卷积神经网络进行训练，以构建分类模型；

步骤5、对目标病例的目标病理图像进行预处理，以获得多张目标图块；以及

步骤6、以所述分类模型对所述多张目标图块中的每一张进行分类，以获取所述多张目标图块中的每一张的TMB分类结果，并且根据所有所述目标图块的TMB分类结果，通过多数投票法获取所述目标病例的目标病理图像的TMB分类结果。

2.如权利要求1所述的基于病理图像的肿瘤突变负荷(TMB)分类方法，其特征在于，所述步骤3具体包括：

步骤31、分割所述初步训练集，以构建初步训练子集和初步测试子集；

步骤32、采用弱分类器对所述初步训练子集和所述初步测试子集进行训练与预测；

步骤33、采用一致性过滤原则过滤掉被所述弱分类器预测为假阳性样本的已知图块；以及

步骤34、将过滤后的所述已知图块进行反色，并随机划分为所述最终训练集的最终训练子集和最终测试子集。

3.如权利要求1所述的基于病理图像的肿瘤突变负荷(TMB)分类方法，其特征在于，所述步骤5具体包括：

将所述目标病理图像切割为多张目标图块，并且对所述多张目标图块进行反色。

4.如权利要求1所述的基于病理图像的肿瘤突变负荷(TMB)分类方法，其特征在于，所述分类模型依次包括四对卷积层和最大池化层、一层第一全连接层，以及一层第二全连接层；其中，所述四对卷积层和所述第一全连接层均采用ReLU激活函数，所述第二全连接层采用Sigmoid激活函数。

5.如权利要求1所述的基于病理图像的肿瘤突变负荷(TMB)分类方法，其特征在于，所述分类模型的感受野介于46×46像素和60×60像素之间。

6.一种基于病理图像的肿瘤突变负荷(TMB)分类系统，其特征在于，包括：

TMB分类模块，用于根据至少一分类阈值将已知病理图像按照TMB分为多个类型；

初步训练集构建模块，用于将所述已知病理图像切割为多张已知图块，再将所述多张已知图块重新拼接为所述已知病理图像，按照所述多个类型对所述多张已知图块进行标注，以构建初步训练集；

图块清洗模块，用于采用多分类投票法对所述初步训练集进行清洗，以构建最终训练集；

分类模型构建模块，用于通过所述最终训练集对卷积神经网络进行训练，以构建分类模型；

目标图像预处理模块，用于对目标病例的目标病理图像进行预处理，以获得多张目标图块；以及

目标图像分类模块，用于以所述分类模型对每一张所述目标图块进行分类，以获取每一张所述目标图块的TMB分类结果，并且根据所有所述目标图块的TMB分类结果，通过多数投票法获取所述目标病例的目标病理图像的TMB分类结果。

7.如权利要求6所述的基于病理图像的肿瘤突变负荷(TMB)分类系统，其特征在于，所述图块清洗模块包括：

初步训练集分割模块，用于分割所述初步训练集，以构建初步训练子集和初步测试子集；

分类器训练预测模块，用于采用弱分类器对所述初步训练子集和所述初步测试子集进行训练与预测；

图块过滤模块，用于采用一致性过滤原则过滤掉被所述弱分类器预测为假阳性样本的已知图块；以及

最终训练集构建模块，用于将过滤后的所述已知图块进行反色，并随机划分为所述最终训练集的最终训练子集和最终测试子集。