[发明专利]一种基于深度学习的多分辨率集成HER2判读方法

权利要求书

1.一种基于深度学习的多分辨率集成HER2判读方法，其特征在于，包括以下步骤：

步骤s1：输入一张全数字化HER2病理切片图像WSI，提取1x倍率下的有效组织区域；

步骤s2：将所提取的1x倍率下的有效组织区域，映射到10x倍率和5x倍率下，分别提取对应倍率下的组织图像，并将10x倍率下和5x倍率下的组织图像分别无重叠裁剪成尺寸大小为256*256和128*128的patch；

步骤s3：由专业病理医师对完成剪裁的patch进行分类标注，分类分别为0/1+、2+、3+和Abnormal，再利用尺寸大小分别为256*256和128*128的patch来训练二分类GAN网络，区分出patch所表示类别是Normal或者是Abnormal，然后利用类别是Normal的patch来训练两个所输入patch的尺寸大小分别为256*256和128*128的三分类GAN网络；

步骤s4：将完成剪裁的patch输入完成训练的二分类GAN网络，输出patch的Normal类别和Abnormal类别，将Normal类别的输出与两个三分类GAN网络的其中一个的输出结果进行逻辑与操作，得到在10x倍率下和5x倍率下确定类别为Normal的每个patch的对应分类类别，即0/1+、2+或者3+；

步骤s5：采用同异性投票机制作为集成规则对两个三分类GAN网络的输出结果进行投票，得出投票结果；具体的，

如果两个三分类GAN模型的两个输出结果相同，那么投票结果即为输出结果；如果两个三分类GAN模型的输出结果不同，那么投票结果为2+；

步骤s6：对投票结果进行计数，完成WSI类别的最终确定。

2.根据权利要求1所述的基于深度学习的多分辨率集成HER2判读方法，其特征在于：在步骤s1中，提取1x倍率下的有效组织区域即为分割得到切片中的有效组织区域、阳性对照以及阴性对照。

3.根据权利要求1所述的基于深度学习的多分辨率集成HER2判读方法，其特征在于：在步骤s6中，按照下列关系式进行WSI类别的最终确定：

Normal_patches＝Counts_1+Counts_2+Counts_3

其中，Counts_1、Counts_2及Counts_3分别表示0/1+、2+、3+三个类别在一个WSI中总计的数目；Normal_patches为正常patch的总数目；Ratio_Negative、Ratio_Equivocal及Ratio_Positive分别为阴性，不确定及阳性的比率。

4.根据权利要求3所述的基于深度学习的多分辨率集成HER2判读方法，其特征在于：若Ratio_Positive≥10％，WSI对应的类别为3+；若Ratio_Equivocal≥10％，WSI对应的类别为2+；其它情形下WSI对应的类别为0/1+。

5.根据权利要求1所述的基于深度学习的多分辨率集成HER2判读方法，其特征在于：所述二分类GAN网络与两个三分类GAN网络生成器共用一个生成器Generator。

6.根据权利要求1所述的基于深度学习的多分辨率集成HER2判读方法，其特征在于：所述二分类GAN网络中所包含的判别器为Discriminator0，两个三分类GAN网络的判别器分别为Discriminator1和Discriminator2。