[发明专利]一种基于深度学习的多分辨率集成HER2判读方法

说明书

本发明公开一种一种基于深度学习的多分辨率集成HER2判读方法，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：分别无重叠裁剪成尺寸大小为256*256和128*128的patch；步骤s3：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：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；步骤s6：对投票结果进行计数，完成WSI类别的最终确定。本发明有效的避免由于染色差异等其他因素对最终正确判读WSI类别带来的影响，提升判读分类的精度。

技术领域

本发明涉及计算机图像识别技术，尤其涉及一种基于深度学习的多分辨率集成HER2判读方法。

背景技术

在乳腺癌的日常诊断中,病理医师通常会进行HER2免疫组化切片的判读。即在显微镜下，对HER2切片进行分析，判读，并做出诊断报告，即根据病理指南对HER2进行分级，0/1+(阴性)，2+(可疑，不确定)，3+(阳性)。对于阳性患者，可建议接受曲妥珠单抗等药物进行治疗；对于可疑，不确定的患者，一般通过荧光原位杂交等技术进行进一步的确认。随着数字病理的发展，病理切片可以通过数字扫描仪，扫描成数字化切片。病理医师，可以通过特定的阅片软件，在计算机上进行HER2切片的分析和判读。但是不管是采用显微镜镜下阅片的方式，还是在计算机上进行数字切片的分析，HER2的判读都存在耗时，主观性强，病理医师不同时刻判读结果有差异，病理医师之间结论有差异等问题。这种差异，将直接影响患者的后续治疗。因此，一种客观的，可重复性，高准确率的辅助诊断系统亟待开发。

目前存在的相似的实现方法，存在对于不同时期，切片染色存在较大差异，切片中存在的异常染色噪音，空白区域，无效组织等常见的影响自动化分析结论的因素。这些问题，将很大程度上影响HER2的最终分级。

发明内容

本发明旨在提供一种基于深度学习、实现HER2切片中不同区域自动分割并最终辅助病理医师判定HER2分级的方法。

为达到上述目的，本发明是采用以下技术方案实现的：

一种基于深度学习的多分辨率集成HER2判读方法，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；

步骤s6：对投票结果进行计数，完成WSI类别的最终确定。