[发明专利]肝癌IHC染色图的血管分布模式的识别方法、系统和存储介质

说明书

本发明公开了肝癌IHC染色图的血管分布模式的识别方法、系统和存储介质，包括下述步骤：获取肝癌IHC染色图；划定感兴趣区域，并划分为不同的血管分布模式；根据划分结果，切分出带血管类别标签的数据集，并用于卷积神经网络分类器的训练和验证；用训练好的卷积神经网络分类器对肝癌IHC染色图中的不同血管分布模式进行分类并生成概率分布热力图；使用颜色反卷积提取血管壁区域并计算血管壁占肿瘤面积比。本发明通过识别肝癌肿瘤内部的不同血管分布模式，用概率分布热力图的形式展现出来，同时还量化出血管壁占肿瘤面积比这一预后因子，有利于研究肝癌的肿瘤内部不同血管形态与患者存活率和复发率之间的关系，辅助临床医生对肝癌患者进行诊断和治疗。

技术领域

本发明属于数字病理学和深度学习的技术领域，具体涉及一种肝癌IHC染色图的血管分布模式识别方法、系统和存储介质。

背景技术

肝细胞癌HCC是世界上最常见的恶性肿瘤之一，是全球死亡数第二高的癌症，而早期转移是导致肝细胞癌高复发率和高死亡率的重要原因。近年的研究新发现了一种普遍存在于肝细胞癌症肿瘤中的血管分布模式，即肿瘤包绕型血管VETC。VETC这一结构会使包裹在内皮中的整个肿瘤簇可以直接释放到血流中，从而大大增加肿瘤发生转移的概率。VETC的出现预示着肝细胞癌更高的转移和复发率，研究表明VETC可作为存活率和复发率的独立预测因子。因此，识别VETC在肿瘤内部的存在情况与分布模式具有重大的临床意义，有助于对肝癌患者进行更加可靠的预后分析。

然而，VETC作为一种癌症组织的形态学特征，其在肿瘤中的分布情况需要人工地对肝癌免疫组化IHC染色图进行全面评估才有可能得到。这一过程既耗费时间和人力，同时得到的评估结果也往往具有主观性强、全面性差的问题。

目前，人工智能技术特别是深度学习技术已经在生物医学图像处理领域取得大量成果。然而，还没有公开的方法致力于解决血管分布模式如VETC的识别问题。使用深度学习的方法构建模型来识别VETC，这能够帮助医生对肿瘤内部不同组织结构的空间异质性进行分析，能够辅助临床医生更好地判断患者体内肝细胞癌的易转移性，从而有助于对肝癌患者进行预后分析，制定更加合适的治疗方案。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种肝癌IHC染色图的血管分布模式的识别方法、系统和存储介质。利用数字病理学和深度学习的分类算法，可实现自动地从肝癌IHC染色图中识别肿瘤内存在的不同血管分布模式，并生成不同血管分布模式的概率分布热力图，直观地展示肿瘤内部组织结构的空间分布情况。

为了达到上述目的，本发明采用以下技术方案:

本发明一方面提供了一种肝癌IHC染色图的血管分布模式的识别方法，包括下述步骤：

收集肝癌患者癌变区域组织的病理切片图像，染色处理得到肝癌IHC染色病理切片，再对所述肝癌IHC染色病理切片进行数字化得到肝癌IHC染色图；

在所述肝癌IHC染色图中划定感兴趣区域，并将所述感兴趣区域划分为不同的血管分布模式，得到数据集，其中，所述的不同的血管分布模式包括肿瘤包绕型血管、肿瘤毛细血管和正常组织；

根据所述数据集，切分出训练集和测试集，对所述训练集进行数据增强处理，另从所述训练集中划分出验证集，其中，所述训练集用于训练卷积神经网络分类器，所述验证集用于内部验证卷积神经网络分类器的分类性能，所述测试集用于进一步外部测试卷积神经网络分类器的分类性能；

使用所述训练集训练卷积神经网络分类器，并使用所述验证集对卷积神经网络分类器的性能进行内部验证，然后在所述测试集上对卷积神经网络分类器的性能进行最终验证，得到训练好的卷积神经网络分类器；

使用所述训练好的卷积神经网络分类器对所述肝癌IHC染色图中不同的血管分类模式进行分类，并将分类结果汇集成RGB颜色空间下的概率分布热力图；