CN112801939A - 一种用于提高病理图像ki67指标准确性的方法 - Google Patents

Abstract

本发明涉及一种用于提高病理图像KI67指标准确性的方法，通过计算机辅助判别算法识别出当前视野下病理切片上的淋巴细胞和阳性肿瘤细胞，通过淋巴细胞与阳性肿瘤细胞在细胞距离和色素强度的关联性，采用邻域投票的方法对计算机辅助判读算法的结果进行校正，使用阳性肿瘤细胞为淋巴细胞投票，投票原则是：若淋巴细胞与多数阳性肿瘤细胞距离较近且颜色相近，则该淋巴细胞有较大概率是阳性肿瘤细胞，从而校正部分被计算机辅助算法误判为淋巴细胞的肿瘤细胞，得到更准确的细胞计数结果，提高KI67判读的准确性。

Description

一种用于提高病理图像KI67指标准确性的方法

技术领域

本发明涉及医学技术领域，特别是涉及一种用于提高病理图像KI67指标准确性的方法。

背景技术

随着数字化建设在医疗行业的渗透，计算机辅助诊断与判读在临床中的应用愈加普遍。计算机辅助诊断在一些密集重复劳动、阅片量大等临床应用场景下收效十分卓著。Ki67病理切片判读就是这些场景之一。KI67是一种病理免疫组化技术，临床上用KI67指数来评价肿瘤恶性程度。按照准则，病理医生需要对不少于十个镜下视野中的阴性肿瘤和阳性肿瘤进行计数，然后计算阳性肿瘤占所有肿瘤细胞的比值再取平均作为KI67指数。然而，由于病理图像上淋巴细胞与阳性肿瘤细胞在形态上比较相似的缘故，容易导致计算机辅助判读的算法往往容易将两类细胞误判，从而导致KI67指标计算出现严重偏差。

发明内容

为了解决上述技术问题，提出了本申请。本申请的提供了一种用于提高病理图像KI67指标准确性的方法及计算机可读介质，校正部分被计算机辅助算法误判为淋巴细胞的肿瘤细胞，从而得到更准确的细胞计数结果，提高KI67判读的准确性。

根据本申请的一个方面，提供了一种用于提高病理图像KI67指标准确性的方法，包括：

S10，通过计算机辅助判别算法识别出当前视野下病理切片上的淋巴细胞和阳性肿瘤细胞，其中所述淋巴细胞的总数为n，所述阳性肿瘤细胞的总数为m；

S20，筛选出所有所述淋巴细胞和阳性肿瘤细胞的中心点；

S30，提取每一个所述淋巴细胞和阳性肿瘤细胞的信息，所述信息包括细胞的横坐标、纵坐标以及以所述中心点为中心的圆形像素区域上红通道像素强度的平均值；

S40，根据所述信息计算第i个所述淋巴细胞和第j个所述阳性肿瘤细胞两两之间的像素距离

根据所述信息计算第i个所述淋巴细胞和第j个所述阳性肿瘤细胞两两之间红通道的像素强度距离

其中1≤i≤n，1≤j≤m；

S50，根据所述像素距离

和像素强度距离

计算第i个淋巴细胞与第j个阳性肿瘤细胞之间的组合距离

生成组合矩阵M_combine，M_combine中的第i行第j列元素为

S60，将所述组合矩阵M_combine第二维度的值进行加和，得到一个n维向量V_vote，即为当前视野图像中所有阳性肿瘤细胞对n个淋巴细胞的投票结果；

S70，判断所述投票结果是否有效，若有效，则将误判为阳性肿瘤细胞的淋巴细胞修正为阳性肿瘤细胞；

S80，根据修正后的阳性肿瘤细胞数计算KI67指标。

进一步地，所述S70具体包括：

判断所述计算机辅助判别的判别结果中是否包含类别置信度，

若是，则获取m个淋巴细胞的类别置信度，记为V_pt，对所述n个淋巴细胞逐一判断，对于第i个淋巴细胞，若

则认为投票结果有效，所述第i个淋巴细胞为误判成淋巴细胞的阳性肿瘤细胞，因而将该第i个淋巴细胞的类别修正为阳性肿瘤细胞，若

则认为投票结果无效；

若否，则设定标准置信度V_t，V_t为常数，对n个淋巴细胞逐一判断，对于第i个淋巴细胞，若

则认为投票结果有效，所述第i个淋巴细胞为误判成淋巴细胞的阳性肿瘤细胞，因而将该第i个淋巴细胞的类别修正为阳性肿瘤细胞，若

则认为投票结果无效。

进一步地，所述

表示为第i个淋巴细胞与第j个阳性肿瘤细胞之间的组合距离，其中α、β、d_std1和为d_std2均为常数，α用于调节结果数值大小，

β用于调节所述像素距离和像素强度距离的相对权重。

进一步地，所述计算机辅助判别算法包括基于形态学的传统图像算法和深度学习算法。

进一步地，所述淋巴细胞和阳性肿瘤细胞均为所述计算机辅助判别算法输出的细胞类别。

根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行所述的一种用于提高病理图像KI67指标准确性的方法。

与现有技术相比，采用本申请实施例的一种用于提高病理图像KI67指标准确性的方法、和电子设备/计算机可读介质，可以通过淋巴细胞与阳性肿瘤细胞在细胞距离和色素强度的关联性，采用邻域投票的方法对计算机辅助判读算法的结果进行校正，从而得到更准确的细胞计数结果，提高KI67判读的准确性。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1是本申请实施例的方法流程图；

图2是计算机辅助判读KI67镜下视野图像细胞定位与分类结果；

图3是KI67病理切片镜下视野图；

图4是对图3采用计算机辅助判读KI67镜下视野结果可视化图；

图5是使用本申请修正后的结果可视化图——原算法不包含类别置信度；

图6是使用本申请修正后的结果可视化图——原算法包含类别置信度；

图7是图4中截取的一小块结果示意图；

图8是使用本申请对图7修正后的结果示意图——原算法包含类别置信度；

图9是使用本申请对图7修正后的结果示意图——原算法不包含类别置信度。

具体实施方式

下面，将参考附图详细描述本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

申请概述

KI67是一种病理免疫组化技术，临床上用KI67指数来评价肿瘤恶性程度。按照准则，病理医生需要对不少于十个镜下视野中的阴性肿瘤细胞和阳性肿瘤细胞进行计数，然后计算阳性肿瘤细胞占所有肿瘤细胞的比值再取平均作为KI67指数。目前，计算机辅助判读的算法中比较成熟的主要有基于形态学的传统算法和深度学习算法。二者均能定位镜下视野能所有细胞并区分细胞种类，如图2所示，其中蓝色点为阴性纤维；绿色点为阴性肿瘤细胞；棕色点为阳性纤维，黄色点为淋巴细胞，红色点为阳性肿瘤细胞，紫色点为其他细胞。然而，由于病理图像上淋巴细胞与阳性肿瘤细胞在形态上比较相似的缘故，导致计算机辅助判读的算法往往容易将两类细胞误判。KI67指数在很多肿瘤病理中被当做是判断肿瘤细胞增殖情况的一个指标，KI67指数越高，说明肿瘤细胞增殖越快。KI67指数一般被用于肿瘤分级，评估患者预后和判断患者化疗是否敏感等。将淋巴细胞误判为阳性肿瘤细胞，会影响KI67指标的准确性，从而对肿瘤疾病的判断出现偏差。

针对上述技术问题，本申请的构思是：根据经验，在比较明显的癌槽区域内，淋巴的数量较少。然而，在计算机辅助判读KI67镜下视野结果可视化图中，往往出现在明显的癌槽区域，淋巴细胞点占比很大，这是明显的错误，不能被医生所接受。实际上癌槽区域内一般只有少量的淋巴细胞，大部分为被误诊成淋巴细胞的阳性肿瘤细胞，除此之外，计算机辅助判读的阳性肿瘤细胞基本上是准确的。因此本申请使用阳性肿瘤细胞为淋巴细胞投票，投票原则是：若淋巴细胞与多数阳性肿瘤细胞距离较近且颜色相近，则该淋巴细胞有较大概率是阳性肿瘤细胞。以下提到两类细胞，均为计算机辅助判读类别，非真实类别。对于阳性肿瘤细胞来说，主色调为红色，因此选择红通道，以红通道的像素强度对来判断是否存在细胞类别的误判。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

示例性方法

一种用于提高病理图像KI67指标准确性的方法，如图1所示，包括以下步骤：

S10，通过计算机辅助判别算法识别出当前视野下病理切片上的淋巴细胞和阳性肿瘤细胞，其中所述淋巴细胞的总数为n，所述阳性肿瘤细胞的总数为m；

这里的计算机辅助判别算法可以是基于形态学的传统图像算法，也可以是深度学习算法。本发明对通过何种方式获取的识别结果不作要求。但结果至少包含阳性肿瘤、淋巴细胞两种类别。后续的校正步骤围绕着这两类细胞展开，以下提到两类细胞时，均为计算机辅助判读类别，非真实类别。

S20，筛选出所述淋巴细胞和阳性肿瘤细胞的中心点；

S30，提取每一个所述淋巴细胞和阳性肿瘤细胞的信息，所述信息包括细胞的横坐标、纵坐标以及以所述中心点为中心的圆形像素区域上红通道像素强度的平均值；

这一步存储了每一个淋巴细胞和阳性肿瘤细胞的信息以供后面的步骤使用，这些信息包括该细胞的中心点位置(横纵坐标)，和以该细胞中心点为圆心，r(r一般不超过细胞平均半径)为半径的区域上的红通道的像素值的平均值。细胞的横纵坐标用来计算两两细胞之间的距离，红通道的像素强度的平均值用来衡量两两细胞在颜色上的差异(对阳性肿瘤细胞来说，主色调为红色，因此选择红通道)。S40，根据所述信息计算第i个所述淋巴细胞和第j个所述阳性肿瘤细胞两两之间的像素距离

生成矩阵

根据所述信息计算第i个所述淋巴细胞和第j个所述阳性肿瘤细胞两两之间红通道的像素强度距离

生成矩阵

其中1≤i≤n，1≤j≤m，

和

均为n*m维的矩阵；

S50，根据所述像素距离

和像素强度距离

计算第i个淋巴细胞与第j个阳性肿瘤细胞之间的组合距离，生成组合矩阵M_combine；

M_combine中的第i行第j列元素

表示为第i个淋巴细胞与第j个阳性肿瘤细胞之间的组合距离，上式中α、β、d_std1和为d_std2均为常数，α用来调节结果数值大小，β用来调节像素距离和像素强度距离的相对权重。以上数值通过实验中算法的表现来确定，d_std1和d_std2的存在使得邻域投票法将给与淋巴细胞靠近的阳性肿瘤细胞赋予更高的投票权重。

S60，将所述组合矩阵M_combine第二维度的值进行加和，得到一个n维向量，即为当前视野图像中所有阳性肿瘤细胞对n个淋巴细胞的投票结果，该结果取sigmoid，

记为V_vote,V_vote也为n维向量。

S70，判断所述计算机辅助判别的判别结果中是否包含类别置信度(即算法将该细胞认定为所述类别的概率)，

若是，则获取n个淋巴细胞的类别置信度，记为V_pt，对所述n个淋巴细胞逐一判断，对于第i个淋巴细胞，若

则认为投票结果有效，所述第i个淋巴细胞为误判成淋巴细胞的阳性肿瘤细胞，因而将该第i个淋巴细胞的类别修正为阳性肿瘤细胞，若

则认为投票结果无效；

若否，则设定标准置信度V_t，V_t为常数，对n个淋巴细胞逐一判断，对于第i个淋巴细胞，若

则认为投票结果有效，所述第i个淋巴细胞为误判成淋巴细胞的阳性肿瘤细胞，因而将该第i个淋巴细胞的类别修正为阳性肿瘤细胞，若

则认为投票结果无效；即该淋巴细胞没有误判，结果点的类别将不会被修改。

S80，根据修正后的阳性肿瘤细胞数计算KI67指标。

如图3是一张1080*1920大小的KI67病理切片镜下视野图，图像左上区域的大面积棕色区域为癌槽区域。图4是计算机辅助判读KI67镜下视野结果可视化图。从图4中可以看出，计算机辅助判读算法将一半以上的棕色细胞(真值为阳性肿瘤细胞)判为淋巴细胞(黄色点)，这种情况在实际的病理切片判读中是不存在的，所以存在细胞误判的情况。

若计算机辅助判读结果中不包含类别置信度，用本申请公开的方法进行校正后，几乎癌槽区域的所有黄色点被修正为红色点，即将癌槽区域内所有的淋巴细胞校正为阳性肿瘤细胞(如图5所示)。

若计算机辅助判读结果中包含类别置信度，用本申请公开的方法进行校正后，大部分的黄色点被修正为红色点，即将大部分淋巴细胞校正为阳性肿瘤细胞(如图6所示)。与上一种校正方法不同的是，片中仍旧保留了一些淋巴细胞点。这些淋巴点被保留是因为计算机辅助判断认定其为淋巴细胞的概率较高，即

投票结果无效。在与病理医生确认后我们得知，这些细胞较周边细胞小，形状呈不规则多边形，符合淋巴细胞的特征，算法对其的校正是合理的。

关于投票修正过程描述如下：

如图7所示，当前视野图像中所有阳性肿瘤细胞对淋巴细胞点1-4的投票结果取sigmoid后得到的V_vote＝[0.9,0.81,0.83,0.58]，计算机辅助判别的判别结果包含类别置信度V_pt＝[0.8,0.9,0.7,0.95]，经过比较，淋巴细胞点1、3的投票结果大于对应的类别置信度，认为投票结果有效，所述淋巴细胞点1、3为误判成淋巴细胞的阳性肿瘤细胞，将该1、3淋巴细胞点的类别修正为阳性肿瘤细胞，2、4淋巴细胞点的投票结果小于对应的类别置信度，因此淋巴细胞点2、4的类别不做修正，如图8所示。若计算机辅助判别的判别结果不包含类别置信度，则设定标准置信度V_t＝0.8，此时，淋巴细胞点1-4的投票结果均大于标准置信度V_t，即将淋巴细胞点1-4均修正为阳性肿瘤细胞，如图9所示，标准置信度V_t根据病理医生的经验设定。

示例性计算机程序产品和计算机可读存储介质

除了上述方法以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的病理切片染色风格转换方法中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的一种用于提高病理图像KI67指标准确性的方法中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

Claims (6)

1.一种用于提高病理图像KI67指标准确性的方法，其特征在于，包括：

S10，通过计算机辅助判别算法识别出当前视野下病理切片上的淋巴细胞和阳性肿瘤细胞，其中所述淋巴细胞的总数为n，所述阳性肿瘤细胞的总数为m；

S20，筛选出所有所述淋巴细胞和阳性肿瘤细胞的中心点；

S30，提取每一个所述淋巴细胞和阳性肿瘤细胞的信息，所述信息包括细胞的横坐标、纵坐标以及以所述中心点为中心的圆形像素区域上红通道像素强度的平均值；

S40，根据所述信息计算第i个所述淋巴细胞和第j个所述阳性肿瘤细胞两两之间的像素距离

根据所述信息计算第i个所述淋巴细胞和第j个所述阳性肿瘤细胞两两之间红通道的像素强度距离

其中1≤i≤n，1≤j≤m；

S50，根据所述像素距离

和像素强度距离

计算第i个淋巴细胞与第j个阳性肿瘤细胞之间的组合距离

生成组合矩阵M_combine，M_combine中的第i行第j列元素为

S60，将所述组合矩阵M_combine第二维度的值进行加和，得到一个n维向量V_vote，即为当前视野图像中所有阳性肿瘤细胞对n个淋巴细胞的投票结果；

S70，判断所述投票结果是否有效，若投票结果有效，则将误判为阳性肿瘤细胞的淋巴细胞修正为阳性肿瘤细胞；

S80，根据修正后的阳性肿瘤细胞数计算KI67指标。

2.根据权利要求1所述的一种用于提高病理图像KI67指标准确性的方法，其特征在于，所述S70具体包括：

判断所述计算机辅助判别的判别结果中是否包含类别置信度，

若是，则获取m个淋巴细胞的类别置信度，记为V_pt，对所述n个淋巴细胞逐一判断，对于第i个淋巴细胞，若

则认为投票结果有效，所述第i个淋巴细胞为误判成淋巴细胞的阳性肿瘤细胞，因而将该第i个淋巴细胞的类别修正为阳性肿瘤细胞，若

则认为投票结果无效；

若否，则设定标准置信度V_t，V_t为常数，对n个淋巴细胞逐一判断，对于第i个淋巴细胞，若

则认为投票结果有效，所述第i个淋巴细胞为误判成淋巴细胞的阳性肿瘤细胞，因而将该第i个淋巴细胞的类别修正为阳性肿瘤细胞，若

则认为投票结果无效。

3.根据权利要求1所述的一种用于提高病理图像KI67指标准确性的方法，其特征在于，所述

表示为第i个淋巴细胞与第j个阳性肿瘤细胞之间的组合距离，其中α、β、d_std1和为d_std2均为常数，α用于调节结果数值大小，β用于调节所述像素距离和像素强度距离的相对权重。

4.根据权利要求1所述的一种用于提高病理图像KI67指标准确性的方法，其特征在于，所述计算机辅助判别算法包括基于形态学的传统图像算法和深度学习算法。

5.根据权利要求1所述的一种用于提高病理图像KI67指标准确性的方法，其特征在于，所述淋巴细胞和阳性肿瘤细胞均为所述计算机辅助判别算法输出的细胞类别。

6.一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如权利要求1-5中任一项所述的用于提高病理图像KI67指标准确性的方法。

Images