一种基于核分数和组织病理全玻片图像的三阴性乳腺癌肿瘤突变负荷预测方法及系统与流程

技术特征：
1.一种基于核分数和组织病理全玻片图像的三阴性乳腺癌肿瘤突变负荷预测方法，其特征在于，包括：s1：从乳腺癌组织病理图像中筛选出三阴性乳腺癌组织病理全玻片图像wsi；s2：根据每个三阴性乳腺癌患者的基因突变情况，计算每个患者的肿瘤突变负荷值，并根据设定的阈值划分为肿瘤突变负荷高和低两组，分别记为tmb-h和tmb-l，作为每个患者的wsi对应的标签；s3：将wsi切分为设定大小的块，并进行预处理；s4：根据核分数函数从预处理后的块中筛选出核分数值满足阈值的块；s5：搭建卷积神经网络分类模型，随机初始化分类模型的参数；s6：对核分数值满足阈值的块进行颜色标准化，将进行颜色标准化后的块与对应的标签输入分类模型中训练出tmb分类器，其中，每一个块属于对应的wsi，块对应的标签为与块对应的wsi的标签；s7：利用训练好的tmb分类器对三阴性乳腺癌肿瘤突变负荷进行预测。2.如权利要求1所述的三阴性乳腺癌肿瘤突变负荷预测方法，其特征在于，步骤s2中根据每个三阴性乳腺癌患者的基因突变情况，计算每个患者的肿瘤突变负荷值，包括：将患者的体细胞蛋白编码区的非同义突变的肿瘤除以蛋白编码区的总长度得到每个患者的肿瘤突变负荷值，单位为mutations/mb，用以表征蛋白编码区的非同义突变分布的密度。3.如权利要求1所述的三阴性乳腺癌肿瘤突变负荷预测方法，其特征在于，步骤s2中划分肿瘤突变负荷高和低两组时，采用中值划分法，阈值记为m，当患者的tmb值大于m时，该患者为tmb-h组，否则为tmb-l组。4.如权利要求1所述的三阴性乳腺癌肿瘤突变负荷预测方法，其特征在于，步骤s3包括：首先选定wsi的层数，基于该层依次保存设定大小的图像，以将图像切分成块；从切分后的块中去除空白和不规则的块，其中，去除空白块的方法为：对每个patch进行像素均值计算，当该patch的像素均值小于设定阈值时，则保留该patch，否则丢弃；去除不规则块的方法为：计算每个patch的长和宽是否等于设定的patch大小，如果相等，则保留，否则丢弃。5.如权利要1所述的三阴性乳腺癌肿瘤突变负荷预测方法，其特征在于，步骤s4包括：s4.1：将rgb图像转为hed空间，提取出h通道数值；s4.2：用h通道数值分别生成初步的掩码与用于清洗的掩码，其中，初步的掩码通过在h通道上通过多级图像阈值划分得到，用于清洗的掩码通过在h通道上进行多级图像阈值划分和形态学变换操作得到；s4.3：将初步的掩码与用于清洗的掩码相减得到细胞核的掩码；s4.4：计算每张patch的细胞核比率n
t
，该比率为细胞核的掩码的非零像素个数与该掩码的像素总个数的比值；s4.5：生成组织区域的掩码；s4.6：计算组织的比率t
t
，该比率为组织区域的掩码的非零像素个数与整个掩码像数总个数的比值；s4.7：根据每张patch的细胞核比率、组织的比率t
t
，通过核分数函数计算每个patch的
核分数值s
t
；s4.8：根据得到的核分数值进行排序，筛选出核分数满足阈值的块。6.如权利要5所述的三阴性乳腺癌肿瘤突变负荷预测方法，其特征在于，步骤s4.7中核分数函数为：s
t
＝n
t
·
tanh(t
t
),0≤s
t
＜1其中，s
t
代表第t个patch的细胞核的分数，n
t
表示在patcht上的细胞核的比率，t
t
表示patcht上组织的比率，patcht表示第t个patch，即第t个块。7.如权利要1所述的三阴性乳腺癌肿瘤突变负荷预测方法，其特征在于，步骤s5中的分类模型使用resnet18作为特征提取模块，并将最后一层全连接层的输出修改为2。8.如权利要1所述的三阴性乳腺癌肿瘤突变负荷预测方法，其特征在于，步骤s6中，训练过程根据损失函数与梯度下降法寻找模型最优值，损失函数采用交叉熵损失函数，梯度下降法采用自适应动量估计算法adam。9.一种基于核分数和组织病理全玻片图像的三阴性乳腺癌肿瘤突变负荷预测系统，其特征在于，包括：wsi预处理模块，用于从乳腺癌组织病理图像中筛选出三阴性乳腺癌组织病理全玻片图像wsi；tmb标签生成模块，用于根据每个三阴性乳腺癌患者的基因突变情况，计算每个患者的肿瘤突变负荷值，并根据设定的阈值划分为肿瘤突变负荷高和低两组，分别记为tmb-h和tmb-l，作为每张wsi对应的标签；patch筛选模块，用于将wsi切分为设定大小的块，并进行预处理；以及根据核分数函数从预处理后的块中筛选出核分数值满足阈值的块；训练优化模块，用于搭建卷积神经网络分类模型，随机初始化分类模型的参数，以及对核分数值满足阈值的块进行颜色标准化，将进行颜色标准化后的块与对应的标签输入分类模型中训练出tmb分类器，其中，每一个块属于对应的wsi，块对应的标签为与块对应的wsi的标签；tmb分类识别模块，用于利用训练好的tmb分类器对三阴性乳腺癌肿瘤突变负荷进行预测。10.如权利要9所述的三阴性乳腺癌肿瘤突变负荷预测系统，其特征在于，所述系统还包括：报告生成模块，用于将预测结果和对应的wsi进行可视化报告的生成。

技术总结
本发明提供了一种基于核分数和组织病理全玻片图像的三阴性乳腺癌肿瘤突变负荷预测方法及系统，其中的方法首先筛选三阴性乳腺癌组织病理全玻片；然后根据每个三阴性乳腺癌患者的基因突变情况，计算每个患者的肿瘤突变负荷值，并根据设定的阈值划分为肿瘤突变负荷高和低两组；接着将三阴性乳腺癌组织病理全玻片图像切分为设定大小的patch；再根据核分数函数筛选出一定数量高核分数的patch；然后搭建CNN分类模型，并随机初始化CNN模型的参数；最后将筛选出来的patch放入搭建的CNN模型中训练，实现用三阴性乳腺癌组织病理全玻片图像自动预测肿瘤突变负荷高或低的结果。本发明大大提高肿瘤突变负荷的检测速度和准确些，有助于免疫治疗的推进。免疫治疗的推进。免疫治疗的推进。


技术研发人员：刘娟 陈玉琦 冯晶
受保护的技术使用者：武汉大学
技术研发日：2021.11.11
技术公布日：2022/3/11