[发明专利]一种计算机辅助乳腺浸润性导管癌组织学分级的方法

说明书

本发明公开了一种计算机辅助乳腺浸润性导管癌组织学分级的方法：病理医师对乳腺癌组织学数字切片图像中的存在乳腺浸润性导管癌细胞的区域进行人工标注，对标注为乳腺浸润性导管癌的区域给出组织学分级评分；读入完成标注和组织学分级的数字化切片图像文件，将图像切割成小块图像，通过查询浸润性导管癌区域标注和组织学分级评分的信息，得到每个小块图像的标签信息，获得两大类样本集；利用CNN神经网络，建立多标签深度学习分类训练任务，让神经网络自动学习每一个小块图像中的图像特征，得到分类模型；利用该分类模型，对从乳腺癌组织学切片图像中提取出来的小块图像进行分类识别。

技术领域

本发明涉及一种计算机辅助乳腺浸润性导管癌组织学分级的方法。

背景技术

女性乳腺是由皮肤、纤维组织、乳腺腺体和脂肪组成的，乳腺癌是发生在乳腺腺上皮组织的恶性肿瘤。乳腺癌中99％发生在女性，男性仅占1％，乳腺癌是女性排名第一的常见恶性肿瘤。

与其他大多数国家一样，乳腺癌是中国女性最常见的癌症。乳腺浸润性导管癌(IDC)，非特殊型(NST)是最常见的乳腺癌类型，起源于乳腺导管，癌细胞突破管壁后浸润到乳腺的间质和脂肪组织中，因此，IDC可以通过淋巴系统或血液扩散(转移)到身体其他部位。IDC在乳腺癌中占绝大多数，其流行病学特征与乳腺癌总体一致。同时在浸润性乳腺癌中，IDC占大约80％。

乳腺癌的病理诊断是将乳腺穿刺活检标本或手术标本，制作成病理切片，进行苏木素伊红染色(HE染色)后，病理医师在显微镜下，放大200－400倍后，观察乳腺中细胞的形态及组织结构进行诊断。

根据诺丁汉评分系统(Nottingham Grading System)，乳腺浸润性导管癌病理组织学上分三级，一级分化最好，三级最差，乳腺浸润性导管癌的预后和病理分级有很大的关系，每一份确诊为乳腺浸润性导管癌的病理报告都需要向报告组织学分级。但乳腺浸润性导管癌的预后也不仅与病理学组织学分级有关，也与肿块大小，组织类型，有无腋窝淋巴结转移，免疫组化的结果均有关联。

目前病理医师在对乳腺浸润性导管癌的组织学分级是根据以下三个特征：

1、腺管形成。①＞75％为1分；②10％～75％为2分；③＜10％为3分。

2、细胞异形性。①细胞规则、形态一致为1分；②细胞形状、大小有中等度的变化为2分；③细胞的形状、大小有明显变化为3分。

3、核分裂数(×400)。①0～5/10HPF为1分(每10个高倍镜视野中有0－5个核分裂细胞)；②6～10/10HPF为2分；③＞11/10HPF为3分。

然后将三项的总分相加报告病理学分级。1级：3－5分；2级：6－7分；3级：8－9分。

由于诺丁汉评分系统中对于乳腺癌IDC组织学分级的标准中规定的三个特征，描述准确性较差，医生难以很好掌握，同时评分体系复杂，诊断耗时。因此造成在实际诊断工作中，年轻医师对标准掌握不够，主观性较强，对照标准主项诊断耗时过长，与高年资医师诊断符合率低。

针对这种情况，迫切需要一种基于图像分析的自动化分析工具来对数字病理学切片进行量化评估。这种量化的描述不仅能帮助临床诊断(如减少不同的观察者或者同一个观察者在不同时间段之间的诊断差异性)，而且能够帮助病理学家理解使用某种具体诊断方法的潜在原因。此外，还能帮助研究人员理解疾病产生的生物学机理。

随着数字病理学的发展，病理切片经过扫描转化为数字图像，进而可以采用计算机视觉技术辅助病理医生诊断。早期方法多采用数字图像处理技术，但鲁棒性较差，检测效果不佳。近年来，以深度学习(Deep Learning，DL)为代表的神经网络获得了突破性进展，利用卷积神经网络(Convolutional Neural Network，CNN)进行图像识别获得了广泛应用。