[发明专利]一种HER2免疫组化图像自动判别方法及系统

摘要

本发明公开了一种HER2免疫组化图像自动判别方法及系统，通过对低倍放大视野图像粗分割完成了切片中阳性对照区域和有效组织区域的定位功能，不仅全面利用了切片中的有效组织区域图像信息，也考虑了阳性对照区域的信息，尽可能的消除不同切片之间因为染色、时间等可能造成的误差。同时利用神经网络模型尽可能的挖掘着色情况不同的HER2免疫组化图像的差异性，完成图像的分类，还可以生成分类结果构建的伪彩色图像。本发明还提出一种基于上述HER2免疫组化图像自动判别系统，可视化分类伪彩色图和相关统计量帮助医生快速准确完成HER2免疫组化诊断。

主权项

1.一种HER2免疫组化图像自动判别方法，其特征在于，包括以下步骤：步骤1：提取全切片数字化图像ImageSlide中低倍放大图像LowMagnification；其中，低倍放大图像指的是全切片图像中分辨率最小、包含完整切片视野、大约物镜放大倍数为2的图像；步骤2：阳性对照区域提取得到阳性掩码图像PositiveMask；步骤3：有效组织区域提取得到组织掩码图像TissueMask；步骤4：根据阳性掩码图像PositiveMask和组织掩码图像TissueMask在全切片数字化图像ImageSlide中分别提取高倍放大图像，互不重叠的取出长宽为width*height的小图像，分别记为阳性对照图像ContrastImages，有效组织图像ValidImages，有效组织图像总数记为NumALL；其中，高倍图像指的是全切片图像中分辨率较高、大约物镜放大倍数为40的图像；步骤5：将阳性对照图像ContrastImages送入预设神经网络模型，当输出结果为阳性的比例超过预设值PercentHigh时转至步骤7，否则转至步骤6；步骤6：将当前阳性对照图像ContrastImages随机划分为新增训练集和验证集，从现有的HER2免疫组化标记图像数据库中随机抽取等数量的阴性图像和新增训练集混合，随机打乱后再训练预设神经网络模型，当验证集阳性准确率超过PercentHigh停止训练，保存为新神经网络模型；步骤7：将有效组织图像ValidImages送入最新神经网络模型，将检测结果为0的图像所在区域、检测结果为1的图像所在区域、检测结果为2的图像所在区域、检测结果为3的图像所在区域分别用不同的颜色标识，生成检测结果伪彩色图FakeImage；其中0表示细胞无着色，1表示细胞轻微着色，2表示细胞中等完全膜阳性，3表示细胞强度完全膜染色；步骤8：统计检测结果为3的图像数目记为强着色数目StrongNum，检测结果为2的图像数目记为中等着色数目MedianNum，检测结果为1的图像数目记为微着色数目WeakNum，检测结果为0的图像数目记为无着色数目NoNum；当StrongNum/NumALL超过10％时，表示超过10％的细胞呈现强着色，检测结果为+++；当NoNum/NumALL>90％时，表示基本无着色，检测结果为‑；当MedianNum/NumALL>10％且StrongNum/NumALL<10％时，表示超过10％的细胞呈现中等着色，检测结果为++；其他检测结果为+。