[发明专利]基于细胞荧光图像的肿瘤细胞表型识别计数方法

说明书

本发明公开一种基于细胞荧光图像的肿瘤细胞表型识别计数方法，首先采集细胞核荧光图像和多张细胞质荧光图像，然后将荧光图像转换为灰度图像；通过机器学习算法确定每张灰度图像的阈值校正因子；再根据阈值校正因子校正灰度图像转换二值图过程中的二值化阈值；通过细胞质二值图生成与肿瘤细胞表型相对应的细胞质掩膜，并结合细胞核二值图生成细胞二值图，最后识别细胞二值图中的肿瘤细胞，并统计肿瘤细胞的细胞数量。结合了基于规则和统计机器学习两种方法，可以在不同图像情况下实现全自动且灵活地识别并计数多种循环肿瘤细胞表型，识别精度高、计数准确、误差小，而且缩识别计数时间短。

技术领域

本发明涉及图像分析领域，特别是涉及一种基于细胞荧光图像的肿瘤细胞表型识别计数方法。

背景技术

循环肿瘤细胞(CTC)是从原肿瘤脱落进入血液循环的肿瘤细胞，其计数具有诊断、预后、药物抗性预测等临床肿瘤学的意义。循环肿瘤细胞往往是通过免疫荧光进行鉴定，一般使用细胞核、白细胞和肿瘤特定蛋白标志物的染色，并且被定义为细胞核与肿瘤特定蛋白标志物阳性但白细胞标志物阴性。

此外，循环肿瘤细胞的异质性促使这些细胞拥有不同的表型且表达不同的肿瘤特定蛋白，例如上皮循环肿瘤细胞表达细胞角蛋白(cytokeratin)和上皮细胞黏附分子(EpCAM)，间充质循环肿瘤细胞表达波形蛋白(vimentin)，混合循环肿瘤细胞则同时表达细胞角蛋白和波形蛋白等等。目前计数循环肿瘤细胞主要是人工计数，但是人工计数需要耗费庞大的时间与精力，因此在临床上要计数大量癌症病人并不具可行性。

为了解决人工计数的问题，现有的技术方案可分为两种：基于规则的方案和基于统计机器学习的方案。前者是把鉴定循环肿瘤细胞的规则明确地编程到系统中，例如设定循环肿瘤细胞的形状、大小、荧光信号的共定位等；后者是通过机器学习方法自动从图像提取对应的特征对循环肿瘤细胞进行鉴定。

目前这两个技术方案都无法实现在不同图像情况下全自动且灵活地计数不同循环肿瘤细胞表型。基于规则的方案虽然可以把识别不同循环肿瘤细胞表型的规则写入系统里，但是在不同图像情况下还是需要人工调整系统参数，因此无法达成全自动化效果。而机器学习方式虽然可以实现全自动化，但若要识别不同循环肿瘤细胞表型则需要大量对应的训练集图像，并且只能对已知的表型进行训练识别。基于上述原因，现有的技术方案只能针对最常见的上皮循环肿瘤细胞进行识别计数，其他表型如间充质、混合与未知的循环肿瘤细胞表型是无法计数的。

发明内容

为解决以上技术问题，本发明提供一种基于细胞荧光图像的肿瘤细胞表型识别计数方法，在不同图像情况下实现全自动且灵活地识别并计数循环肿瘤细胞表型。

技术方案如下：

提供了一种基于细胞荧光图像的肿瘤细胞表型识别计数方法，在第一种可实现方式中，包括：

采集细胞核荧光图像和多张细胞质荧光图像，每张细胞质荧光图像分别对应一种细胞质标志物；

将细胞质荧光图像和细胞核荧光图像分别转换为细胞质灰度图像和细胞核灰度图像；

通过机器学习算法计算每张细胞质灰度图像和细胞核灰度图像的阈值校正因子；

根据阈值校正因子校正每张灰度图像对应的二值化阈值，并根据二值化阈值将细胞质灰度图像和细胞核灰度图像分别转换为细胞质二值图和细胞核二值图；

通过细胞质二值图生成与肿瘤细胞表型相对应的细胞质掩膜，并结合细胞核二值图生成细胞二值图；

识别细胞二值图中的肿瘤细胞，并统计肿瘤细胞的细胞数量。

结合第一种可实现方式，在第二种可实现方式中，所述将细胞质荧光图像和细胞核荧光图像分别转换为细胞质灰度图像和细胞核灰度图像，包括：对细胞质灰度图像和细胞核灰度图像进行去噪处理。