[发明专利]一种胃癌PD-L1数字病理切片图像快速合并系统及方法

权利要求书

1.一种胃癌PD-L1数字病理切片图像快速合并方法，其特征在于，包括以下步骤：

步骤S1:通过数字化扫描设备，获取胃癌全数字病理切片图像；

步骤S2:对获得的胃癌全数字病理切片图像进行图像预处理,获取胃癌细胞组织区域的HE染色图像和PD-L1检测图像；

步骤S3:基于深度学习网络对HE染色图像和PD-L1检测图像进行配准；

步骤S4:将预处理后的HE染色图像进行胃癌区域标注，标注过程中区分胃癌细胞的分化程度；

步骤S5:对PD-L1检测图像分析与HE染色图像胃癌细胞检测分割，并将胃癌细胞检测分割结果进行区域扩充后与PD-L1表达阳性区域对照整合，得到合并后的数字病理切片图像；

所述步骤S3具体为：

步骤S31:以预处理后的胃癌细胞组织区域的HE染色图像和PD-L1检测图像为模板，提取数字图像的特征信息并组成特征空间;

步骤S32:以多张组织区域图的互信息度量作为目标函数，从旋转角度、尺度变换、是否翻转三个维度搜索最优变换矩阵，使得胃癌细胞组织区域和变换后的图像互信息度量最大，得到粗配准结果;

步骤S33:将粗配准图像特征空间的特征点相互对应，根据对应的特征点确定一种空间变换，同时通过优化相似性度量,收敛至最优解;

步骤S34: 根据得到的最优解，采用数字图像处理的方法对PD-L1表达阳性区域进行分析，排除胃癌细胞分布存在的大量散点区域和胞浆阳性区域，得到疑似阳性胃癌细胞区域，完成配准；

所述步骤S5具体为：

步骤S51:基于快速区域卷积神经网络训练HE染色图像标注样本，对疑似阳性胃癌细胞区域进行分类;

步骤S52:基于HE染色图像的胃癌细胞分割算法，对阳性胃癌细胞进行精确分割，获得胃癌细胞区域的mask图像;

步骤S53:根据得到的胃癌细胞区域的mask图像，使用数字图像处理的方法进行区域扩充；

步骤S54:将扩充后的胃癌细胞区域的mask图像与PD-L1表达阳性区域对照整合，获得最终HE染色图像和PD-L1检测图像的合并图像。

2.根据权利要求1所述的一种胃癌PD-L1数字病理切片图像快速合并方法，其特征在于，所述图像预处理包括灰度化，几何变换，图像增强。

3.根据权利要求1所述的一种胃癌PD-L1数字病理切片图像快速合并方法，其特征在于，所述步骤S4具体为：将预处理后的HE染色图像分割成2048*2048的小patch进行标注，标注过程中区分胃癌细胞的分化程度，包括低分化、中分化、高分化，标注胃癌细胞区域要求严格按照统一标准。

4.根据权利要求1所述的一种胃癌PD-L1数字病理切片图像快速合并方法，其特征在于，所述快速区域卷积神经网络具体为：采用conv+relu+pooling层提取feature maps，获得的feature maps被用于网络后层的RPN层和RoI Pooling层；RPN层用于生成regionproposals，其作用是负责识别出分割后的feature map的前景和背景区域，以及获取前景区域的大致坐标；RoI Pooling层负责收集上层输出的proposals，并将其固定成固定长度的输出用于后续全连接层的分类；Classification部分利用从上层获取的proposals，通过full connection和Softmax计算每个proposals的类别，分别输出位置偏移量和概率向量，用于网络回归计算目标分类检测框。

5.根据权利要求1所述的一种胃癌PD-L1数字病理切片图像快速合并方法，其特征在于，所述步骤S52具体为：

基于HE染色图像的胃癌细胞分割算法，结合半监督学习策略，利用有限的标签数据+无标签数据混合进行深度神经网络训练；

使用所有数据逐层重构预训练，对网络的每一层进行auto-encoder-decoder操作，得到参数后再利用有标签数据进行fine-tune；

对有标签数据训练，提出将ResNet网络和U-Net网络相结合，并将其改进，对目标特征进行提取，将浅层信息和深层信息拼接融合，在损失函数中加入边界先验信息用于反向传播，以此进行模型参数的更新迭代，获得胃癌细胞区域的mask图像。