[发明专利]一种脑胶质瘤分级评价方法及其装置

说明书

本发明提供了一种脑胶质瘤分级评价方法及其装置，其中所述方法包括：获取目标患者的脑胶质瘤病理切片图像；基于神经网络技术，对所述脑胶质瘤病理切片图像进行识别，分别获得所述目标患者的所述脑胶质瘤病理切片图像对应的细胞密度、异型性细胞数量、血管壁增生面积和坏死组织总面积；并生成一目标患者对应的病理情况标注信息，通过预先训练的支持向量机病理分级模型对所述病理情况标注信息进行分级，得到分级评价结果。本发明大大提高了识别准确率和分级评价效率，降低了对于患者的CT断层扫描图像的分级评价的工作量，为分级诊断的工作带来了方便。

技术领域

本发明涉及肿瘤病理分级技术领域，更具体地说，涉及一种脑胶质瘤分级评价方法及其装置。

背景技术

由于诸多因素的影响，全球恶性肿瘤发病率呈现持续升高的态势，据推测到2020年前，全球恶性肿瘤发病率将增加50％，不仅如此，恶性肿瘤的死亡人数也在全球迅猛上升，而在我国等发展中国家，这一趋势将更为明显，并具有显著的年轻化趋势。因此，加强恶性肿瘤的防治研究，准确、客观的评价肿瘤生物学行为和预后，制定治疗方案显得更为迫切。

肿瘤的分型、分级和分期是目前评价肿瘤生物学行为和诊断的最重要的三项指标，其中分级和分期主要用于恶性肿瘤生物学行为和预后的评估。脑胶质瘤是由于大脑和脊髓胶质细胞癌变所产生的、最常见的原发性颅脑肿瘤。年发病率约为3-8人/10万人口。如同其他肿瘤(疾病)一样，胶质瘤也是由于先天的遗传高危因素和环境的致癌因素相互作用所导致的。一些已知的遗传疾病，例如神经纤维瘤病(I型)以及结核性硬化疾病等，为脑胶质瘤的遗传易感因素。

目前，对于脑胶质瘤的分级评价，均需要人工对于CT断层扫描图像进行逐一排查和分析，尤其是脑胶质瘤的CT断层扫描数据量较大，依次扫描可得到几十甚至数百张断层图像，所以对于脑胶质瘤的分级评价工作，工作量大、时间长、并且极易出现漏诊错诊的情况，为患者的及时诊断和治疗带来了安全隐患；此外，现有的分级评价方法，只能通过人工当面对患者的医学影像进行查看和诊断，无法实现远程的分级评价。

发明内容

有鉴于此，本发明提供一种脑胶质瘤分级评价方法及其装置以解决现有技术的不足。

为解决上述问题，本发明提供一种脑胶质瘤分级评价方法，包括：

获取目标患者的脑胶质瘤病理切片图像；

基于神经网络技术，对所述脑胶质瘤病理切片图像进行识别，分别获得所述目标患者的所述脑胶质瘤病理切片图像对应的细胞密度、异型性细胞数量、血管壁增生面积和坏死组织总面积；

根据所述细胞密度、所述异型性细胞数量、所述血管壁增生面积和所述坏死组织总面积生成一目标患者对应的病理情况标注信息，通过预先训练的支持向量机病理分级模型对所述病理情况标注信息进行分级，得到分级评价结果。

优选地，所述细胞密度的获得，包括：

获取预设数量的细胞核标注信息作为密度训练数据，利用Mask R-CNN分割模型通过所述密度训练数据进行训练，得到分割细胞核深度学习模型；

利用所述分割细胞核深度学习模型对所述脑胶质瘤病理切片图像进行识别，得到所述脑胶质瘤病理切片图像中的细胞总个数；并且，获取所述脑胶质瘤病理切片图像的总面积数；

通过所述脑胶质瘤病理切片图像中的所述细胞总个数除以所述总面积数，计算得出所述细胞密度。

优选地，所述异型性细胞数量的获得，包括：

通过异型性细胞特征数据对xgboost模型进行训练，得到异型性细胞xgboost分类模型；

通过所述异型性细胞xgboost分类模型对所述细胞总个数对应的每一个细胞进行分类，分别得到异型性细胞和非异型性细胞；并且，统计所述异型性细胞和所述非异型性细胞的个数，得到所述异型性细胞数量。