一种her-2免疫组化病理切片分析方法、系统和可读存储介质
技术领域
1.本发明涉及病理图像处理领域，更具体的，涉及一种her-2免疫组化病理切片分析方法、系统和可读存储介质。
背景技术：2.her-2全称是人类表皮生长因子受体2，是一种原癌基因。该基因为乳腺癌的主要致病相关基因，当癌细胞内的her-2基因高度表达时，细胞膜上会产生过多的her-2蛋白，剌激癌细胞的疯狂增长，增加癌细胞的侵袭性。随着乳腺癌发病率的增高和分子靶向治疗药物herceptin的广泛应用，her-2的定量评级在乳腺癌的诊治中占有越来越重要的地位。所谓的评级是指在整张her-2免疫组化病理切片上寻找并计数阳性、阴性肿瘤细胞，完整、不完整膜阳性肿瘤细胞，以各个类型细胞的数量对切片进行0-3分的评级。不同评级的her-2类型对应着不同的预后方案，因此在临床诊断中，her-2分级也作为病理医生为肿瘤患者进一步选择治疗方案的金标准。目前，her-2免疫组化病理切片分析需要经过专门培训的病理医生在显微镜下逐个寻找可疑性组织区域，而后根据自己累积的专业知识完成最终的病理诊断和her2的评级估计。
3.然而临床病理医生工作任务极重，具体体现在以下几个方面，其一单张切片包含数十万计的各种类型的染色细胞，使得对于单张切片进行细胞寻找与计数是一项复杂的工作。其二，据权威媒体报道，病理医生日均阅片达到200张。因此病理科医生亟需一种自动化的her2切片工具予以进行辅助分析。
4.然而，现有的最先进的病理图像分析算法是基于卷积神经网络(convolutional neural network,cnn)打造的。cnn的一个显著的特点是具有平移不变性，这使得cnn无需在所有空间位置学习特征，显着减少了学习参数的数量。然而，对于her2图像中的细胞而言，并没有全局的方向，细胞可能具有0-360度的方向，需要将cnn的平移等变特性扩展为旋转的不变性。
技术实现要素：5.鉴于上述问题，本发明的目的是提供一种her-2免疫组化病理切片分析方法、系统和可读存储介质，能够有效提高her-2分析的准确性，以帮助病理科医生更加快速准确的完成her-2的定量评级。
6.本发明第一方面提供了一种her-2免疫组化病理切片分析方法，所述方法包括以下步骤：
7.构建并训练基于卷积神经网络的her-2免疫组化病理切片分析模型；
8.将待分析的her-2免疫组化病理切片图像输入her-2免疫组化病理切片分析模型进行分析，并输出分析结果。
9.本方案中，所述her-2免疫组化病理切片分析模型通过将卷积核替换到代数群卷积实现卷积的旋转不变性，从而使得卷积核可在旋转上学习特征。
10.本方案中，her-2免疫组化病理切片分析模型的旋转反射群由平移、镜面反射和围绕网格中任何旋转中心旋转90度的所有变换组合组成，旋转反射群此类变换由以下矩阵变换所定义：
[0011][0012]
其中m∈{0，1}，代表镜像变换。0≤r＜4，代表了旋转阶。代表平移，表示二维整数域。
[0013]
关于her-2免疫组化病理切片分析模型的卷积：
[0014]
为更清楚的介绍本技术，首先回顾以下传统cnn中使用的卷积和相关运算的定义。在每一层l，一个常规的卷积将一堆特征映射作为输入。并将其与一组滤波器进行卷积或相关：
[0015][0016]
其中，表示k
l
维实数域，x表示特征图二维空间坐标，y表示二维空间坐标，k表示通道索引，ψ表示卷积核，
★
表示卷积(相关)，i表示卷积核索引。
[0017]
本方案中，her-2免疫组化病理切片分析模型的卷积操作通过平移滤波器然后计算与特征图的点积来计算的；
[0018]
通过用来自群g的欧氏空间等距变换替换简单的平移，可得到了g-cnn输入层中使用的g卷积：
[0019][0020]
输入图像f和滤波器都是平面的函数，但特征图f
★
ψ是群g上的函数。该公式定义了平面的元素y与在群g中的g的卷积过程，滤波器以k作为索引进行遍历；因此，对于第一层之后的所有层，滤波器也必须是g上的函数，g卷积运算变为：
[0021][0022]
其变化在于当前是输入不再是平面的元素，而是群元素(h∈g)。
[0023]
本方案中，her-2免疫组化病理切片分析模型的群陪集池化应用于特征图非跨步最大池化操作被建模为一个操作符p，它作用于f：
[0024][0025]
其中gu＝{gu|u∈u}是池域的g变换，g是旋转及镜像群的群元素。而gu构成了u的左陪集，gu等同于在池域u上进行了池化。
[0026]
本方案中，her-2免疫组化病理切片分析模型在每次卷积之后，使用群等变批量归一化来聚合每个群的矩，以确保整个网络的旋转等变。
[0027]
本方案中，her-2免疫组化病理切片分析模型中特征图视为g上的函数，在这种情况下，应用非线性的特征映射相当于函数组合。
[0028][0029]
该函数通过用v对函数进行后组合来作用于函数。其中cv表示非线性映射，表示群操作。
[0030]
本方案中，her-2免疫组化病理切片分析模型的架构在u-net相同分辨率的阶段之间增加了额外的跳跃连接；
[0031]
此外，对her-2免疫组化病理切片分析模型增加了两个修改：1.不拼接跳跃特征图，而是将其进行元素加操作；2.使用中间残差块，应用a＝17个方向的旋转。
[0032]
本方案中，her-2免疫组化病理切片分析模型在训练过程中，为了防止由于初始化不当而导致损失的梯度消失或爆炸，使梯度的方差在所有层中保持不变；第l层中c0通道x0位置的特定神经元的激活的梯度由下式给出：
[0033][0034]
其中指标函数源于整流线性单元的导数，ε表示损失、表示遍历状态下通道，x位置的特定特征图、表示与c0通道相关的第通道第q个群变换的卷积核的权重，该权重是学习到的；表示卷积核，q代表群变换，x-x0表示平移。
[0035]
本发明第二方面提供一种her-2免疫组化病理切片分析系统，其特征在于，所述系统包括存储器和处理器；所述存储器中包括her-2免疫组化病理切片分析方法程序，所述her-2免疫组化病理切片分析方法程序被所述处理器执行时实现如下步骤：
[0036]
构建并训练基于卷积神经网络的her-2免疫组化病理切片分析模型；
[0037]
将待分析的her-2免疫组化病理切片图像输入her-2免疫组化病理切片分析模型进行分析，统计病理切片中微弱染色、中等染色、强染色的细胞数量，并以获取到的各个类别细胞数量计算切片的her2得分。
[0038]
本方案中，所述her-2免疫组化病理切片分析模型通过将卷积核替换到代数群卷积实现卷积的旋转不变性，从而使得卷积核可在旋转上学习特征。
[0039]
本方案中，her-2免疫组化病理切片分析模型的旋转反射群由平移、镜面反射和围绕网格中任何旋转中心旋转90度的所有变换组合组成，旋转反射群变换由以下矩阵变换所定义：
[0040][0041]
其中m∈{0，1}，代表镜像变换。0≤r＜4，代表了旋转阶。代表平移，表示二维整数域。
[0042]
关于her-2免疫组化病理切片分析模型的卷积：
[0043]
为更清楚的介绍本技术，首先回顾以下传统cnn中使用的卷积和相关运算的定义。在每一层l，一个常规的卷积将一堆特征映射作为输入。并将其与一组滤波器进行卷积或相关：
[0044][0045]
其中，表示k
l
维实数域，x表示特征图二维空间坐标，y表示二维空间坐标，k表示通道索引，ψ表示卷积核，
★
表示卷积(相关)，i表示卷积核索引。
[0046]
本方案中，her-2免疫组化病理切片分析模型的相关性是通过平移滤波器然后计算与特征图的点积来计算的；
[0047]
通过用来自群g的欧氏空间等距变换替换简单的平移，得到g-cnn输入层中使用的g卷积：
[0048][0049]
输入图像f和滤波器都是平面的函数，但特征图f
★
ψ是群g上的函数。该公式定义了平面的元素y与在群g中的g的卷积过程，滤波器以k作为索引进行遍历；因此，对于第一层之后的所有层，滤波器也必须是g上的函数，g卷积运算变为：
[0050][0051]
其变化在于当前是输入不再是平面的元素，而是群元素(h∈g)。
[0052]
本方案中，her-2免疫组化病理切片分析模型的群陪集池化应用于特征图非跨步最大池化操作被建模为一个操作符p，它作用于f：
[0053][0054]
其中gu＝{gu|u∈u}是池域的g变换，g是旋转及镜像群的群元素。而gu构成了u的左陪集，gu等同于在池域u上进行了池化。
[0055]
本方案中，her-2免疫组化病理切片分析模型在每次卷积之后，使用群等变批量归一化来聚合每个群的矩，以确保整个网络的旋转等变。
[0056]
本方案中，her-2免疫组化病理切片分析模型中特征图视为g上的函数，在这种情
况下，应用非线性的特征映射相当于函数组合。
[0057][0058]
该函数通过用v对函数进行后组合来作用于函数。其中cv表示非线性映射，表示群操作。
[0059]
本方案中，her-2免疫组化病理切片分析模型的架构在u-net相同分辨率的阶段之间增加了额外的跳跃连接；
[0060]
此外，对her-2免疫组化病理切片分析模型增加了两个修改：1.不拼接跳跃特征图，而是将其进行元素加操作；2.使用中间残差块，应用a＝17个方向的旋转。
[0061]
本方案中，her-2免疫组化病理切片分析模型在训练过程中，为了防止由于初始化不当而导致损失的梯度消失或爆炸，使梯度的方差在所有层中保持不变；第l层中c0通道x0位置的特定神经元的激活的梯度由下式给出：
[0062][0063]
其中指标函数源于整流线性单元的导数，ε表示损失、表示遍历状态下通道，x位置的特定特征图、表示与c0通道相关的第通道第q个群变换的卷积核的权重，该权重是学习到的；表示卷积核，q代表群变换，x-x0表示平移。
[0064]
本发明第三方面提供一种计算机可读存储介质，所述计算机可读存储介质中包括一种her-2免疫组化病理切片分析方法程序，所述her-2免疫组化病理切片分析方法程序被处理器执行时，实现如上述任一项所述的一种her-2免疫组化病理切片分析方法的步骤。
[0065]
本发明公开了一种her-2免疫组化病理切片分析方法、系统和可读存储介质。通过构建并训练基于卷积神经网络的her-2免疫组化病理切片分析模型；然后将待分析的her-2免疫组化病理切片图像输入her-2免疫组化病理切片分析模型进行分析，并输出分析结果。her-2免疫组化病理切片分析模型通过将卷积核转换到代数旋转群实现了卷积的旋转的不变性，从而使得卷积核可在旋转上学习特征。与现有的卷积相比，使用代数群卷积减少了相同特征不同角度的参数量，使得卷积模型有更多的容量学习更多的her2细胞特征，从而使得算法模型对于her2的分析更精准。本发明可以代替现有的任意基于cnn的算法模型，并带来显著的效果提升。
附图说明
[0066]
图1示出了本技术一种her-2免疫组化病理切片分析方法的流程图；
[0067]
图2示出了本技术一种her-2免疫组化病理切片分析模型的旋转反射群的caley图；
[0068]
图3示出了本发明一种her-2免疫组化病理切片分析模型的卷积操作示意图。
[0069]
图4示出了本发明一种her-2免疫组化病理切片分析模型的群陪集池化示意图。
[0070]
图5示出了本发明一种her-2免疫组化病理切片分析模型的网络架构示意图。
[0071]
图6示出了本发明一种her-2免疫组化病理切片分析系统的结构框图。
具体实施方式
[0072]
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。
[0073]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
[0074]
图1示出了本技术一种her-2免疫组化病理切片分析方法的流程图。
[0075]
如图1所示，本发明提供了一种her-2免疫组化病理切片分析方法，所述方法包括以下步骤：
[0076]
s102：构建并训练基于卷积神经网络的her-2免疫组化病理切片分析模型；
[0077]
s104：将待分析的her-2免疫组化病理切片图像输入her-2免疫组化病理切片分析模型进行分析，并输出分析结果。
[0078]
需要说明的是，本发明通过构建并训练基于卷积神经网络的her-2免疫组化病理切片分析模型，来对her-2免疫组化病理切片进行病理分析。her-2免疫组化病理切片分析模型是基于卷积神经网络实现的。
[0079]
卷积神经网络(cnn)利用图像具有平移对称性的先验知识，并利用权重共享策略，保证输入的平移将导致特征的成比例平移。这种称为平移等方差的特性是cnn的固有特性，无需在所有空间位置学习特征，显着减少了学习参数的数量。在某些没有全局方向的图像分析应用中，需要将这种等变特性扩展到平移之外的旋转。一个这样的例子是计算病理学领域，其中重要的图像特征可以出现在任何方向。因此，我们应该能够学习这些特征，而不管它们的方向如何。
[0080]
然而，与平移不同，cnn在旋转方面表现不佳，因为这种对称性并未内置于网络架构中。在没有旋转等变的情况下，通常使用数据增强，其中通常在训练过程中将wsi滑块的多个旋转副本引入模型。然而，增强策略需要更多的参数来学习不同方向的参数。相反，通过引入旋转等变将旋转对称性作为先验知识编码到当前的深度学习架构中需要更少的参数，并提升整体的模型判别能力。此外，由于算法模型不需要花时间学习不同的卷积方向，旋转等变cnn通常收敛得更快，这为构建her2的准确分析算法模型提供了有效支持。
[0081]
为了构建有效的代数群卷积，本技术的构思是：将卷积网络推广到利用更大的对称组，包括旋转和反射。通过类比标准cnn来定义代数群cnn(g-cnn)，并在g-cnn上构建cnn中使用的各种层，例如池化、非线性、批量归一化等，使得任意的卷积核都能被本技术的方法所替换。
[0082]
根据本发明实施例，所述her-2免疫组化病理切片分析模型通过将卷积核转换到代数群卷积实现卷积的旋转不变性，从而使得卷积核可在旋转上学习特征。
[0083]
所述her-2免疫组化病理切片分析模型的旋转反射群由平移、镜面反射和围绕网格中任何旋转中心旋转90度的所有变换组合组成，旋转反射群变换由以下矩阵变换所定义：
[0084][0085]
其中m∈{0，1}，代表镜像变换。0≤r＜4，代表了旋转阶。代表平移。该变换构成了一个群，该群的caley图如图2所示。
[0086]
根据本发明实施例，关于her-2免疫组化病理切片分析模型的群等变卷积：
[0087]
为更清楚的介绍本技术，首先回顾以下传统cnn中使用的卷积和相关运算的定义。在每一层l，一个常规的卷积将一堆特征映射作为输入。并将其与一组滤波器进行卷积或相关：
[0088][0089]
其中，表示k
l
维实数域，x表示特征图二维空间坐标，y表示二维空间坐标，k表示通道索引，ψ表示卷积核，
★
表示卷积(相关)，i表示卷积核索引。
[0090]
her-2免疫组化病理切片分析模型的相关性(卷积操作)是通过平移滤波器然后计算与特征图的点积来计算的；
[0091]
通过用来自群g的欧氏空间等距变换替换简单的平移，得到g-cnn输入层中使用的g卷积：
[0092][0093]
输入图像f和滤波器都是平面的函数，但特征图f
★
ψ是群g上的函数。该公式定义了平面的元素y与在群g中的g的卷积过程，滤波器以k作为索引进行遍历；因此，对于第一层之后的所有层，滤波器也必须是g上的函数，g卷积运算变为：
[0094][0095]
其变化在于当前是输入不再是平面的元素，而是群元素(h∈g)。
[0096]
卷积操作示意图如图3所示。
[0097]
根据本发明实施例，关于her-2免疫组化病理切片分析模型的群陪集池化。
[0098]
为了简化分析，将池化操作分为两步：池化本身(无跨步执行)和子采样步骤。应用于特征图非跨步最大池化操作可以被建模为一个操作符p，它作用于f：
[0099]
[0100]
其中gu＝{gu|u∈u}是某个池域(通常是恒等变换的邻域)的g变换。在常规的卷积神经网络中，u通常是包含原点(0，0)的2
×
2或3
×
3正方形，g是平移。而对于本技术，g是群元素，u是旋转及镜像群，而gu构成了u的左陪集，等同于在群上进行了池化，如图4所示。
[0101]
根据本发明实施例，关于her-2免疫组化病理切片分析模型的群批标准化层：批量归一化(bn)涉及两个可训练的参数，用于缩放和移动归一化输出。标准bn应用于所有特征图的输出，因此学习的bn参数对于群g中的每个平面特征图通常是不同的。然而，当输入旋转时，bn参数不会根据输入进行变换，因此标准bn不是旋转等变的。相反，在每次卷积之后，本技术提出使用群等变批量归一化来聚合每个群的矩，而不是所有空间特征图。这对于确保整个网络的旋转等变至关重要。
[0102]
根据本发明实施例，关于her-2免疫组化病理切片分析模型的群非线性激活：
[0103]
特征图视为g上的函数，在这种情况下，应用非线性的特征映射相当于函数组合。
[0104][0105]
它通过用v对函数进行后组合来作用于函数。其中cv表示非线性映射，表示群操作。
[0106]
根据本发明实施例，her-2免疫组化病理切片分析模型的架构在u-net相同分辨率的阶段之间增加了额外的跳跃连接；
[0107]
此外，对her-2免疫组化病理切片分析模型的网络架构，受u-net的启发，它被构建为对称编码器解码器网络，本技术在u-net相同分辨率的阶段之间增加了额外的跳跃连接，这允许从大视野中提取语义信息，同时保持精确的空间定位。此外，增加了两个修改：1.不拼接跳跃特征图，而是将其进行元素加操作；2.使用中间残差块。对于旋转群，应用λ＝17个方向的旋转。网络的总体架构如图5所示。
[0108]
根据本发明实施例，her-2免疫组化病理切片分析模型在训练过程中，为了防止由于初始化不当而导致损失的梯度消失或爆炸，使梯度的方差在所有层中保持不变；第l层中c0通道x0位置的特定神经元的激活的梯度由下式给出：
[0109][0110]
其中指标函数源于整流线性单元的导数，ε表示损失、表示遍历状态下通道，x位置的特定特征图、表示与c0通道相关的第通道第q个群变换的卷积核的权重，该权重是学习到的；表示卷积核，q代表群变换，x-x0表示平移。
[0111]
图6示出了一种her-2免疫组化病理切片分析系统结构的框图。
[0112]
如图6所示，本发明提供了一种her-2免疫组化病理切片分析系统，所述系统包括存储器61和处理器62；所述存储器61中包括her-2免疫组化病理切片分析方法程序，所述her-2免疫组化病理切片分析方法程序被所述处理器62执行时实现如下步骤：
[0113]
构建并训练基于卷积神经网络的her-2免疫组化病理切片分析模型；
[0114]
将待分析的her-2免疫组化病理切片图像输入her-2免疫组化病理切片分析模型进行分析，统计病理切片中微弱染色、中等染色、强染色的细胞数量，并以获取到的各个类别细胞数量计算切片的her2得分。
[0115]
根据本发明实施例，所述her-2免疫组化病理切片分析模型通过将卷积核转换到代数群卷积实现卷积的旋转不变性，从而使得卷积核可在旋转上学习特征。
[0116]
根据本发明实施例，her-2免疫组化病理切片分析模型的旋转反射群由平移、镜面反射和围绕网格中任何旋转中心旋转90度的所有变换组合组成，旋转反射群变换由以下矩阵变换所定义：
[0117][0118]
其中m∈{0，1}，代表镜像变换。0≤r＜4，代表了旋转阶。代表平移，表示二维整数域。
[0119]
根据本发明实施例，her-2免疫组化病理切片分析模型的卷积操作是通过平移滤波器然后计算与特征图的点积来计算的；
[0120]
通过用来自群g的欧氏空间等距变换替换简单的平移，得到g-cnn输入层中使用的g卷积：
[0121][0122]
其中，表示k
l
维实数域，x表示特征图二维空间坐标，y表示二维空间坐标，k表示通道索引，ψ表示卷积核，
★
表示卷积(相关)，i表示卷积核索引。
[0123]
输入图像f和滤波器都是平面的函数，但特征图f
★
ψ是群g上的函数。该公式定义了平面的元素y与在群g中的g的卷积过程，滤波器以k作为索引进行遍历；因此，对于第一层之后的所有层，滤波器也必须是g上的函数，g卷积运算变为：
[0124][0125]
其变化在于当前是输入不再是平面的元素，而是群元素(h∈g)。
[0126]
根据本发明实施例，her-2免疫组化病理切片分析模型的群陪集池化应用于特征图非跨步最大池化操作被建模为一个操作符p，它作用于f：
[0127][0128]
其中gu＝{gu|u∈u}是池域的g变换，g是旋转及镜像群的群元素。而gu构成
了u的左陪集，gu等同于在池域u上进行了池化。
[0129]
根据本发明实施例，her-2免疫组化病理切片分析模型在每次卷积之后，使用群等变批量归一化来聚合每个群的矩，以确保整个网络的旋转等变。
[0130]
根据本发明实施例，her-2免疫组化病理切片分析模型中特征图视为g上的函数，在这种情况下，应用非线性的特征映射相当于函数组合。
[0131][0132]
该函数通过用v对函数进行后组合来作用于函数。其中cv表示非线性映射，表示群操作。
[0133]
根据本发明实施例，her-2免疫组化病理切片分析模型的架构在u-net相同分辨率的阶段之间增加了额外的跳跃连接；
[0134]
此外，对her-2免疫组化病理切片分析模型增加了两个修改：1.不拼接跳跃特征图，而是将其进行元素加操作；2.使用中间残差块，应用a＝17个方向的旋转。
[0135]
根据本发明实施例，her-2免疫组化病理切片分析模型在训练过程中，为了防止由于初始化不当而导致损失的梯度消失或爆炸，使梯度的方差在所有层中保持不变；第l层中c0通道x0位置的特定神经元的激活的梯度由下式给出：
[0136][0137]
其中指标函数源于整流线性单元的导数，ε表示损失、表示遍历状态下通道，x位置的特定特征图、表示与c0通道相关的第通道第q个群变换的卷积核的权重，该权重是学习到的；表示卷积核，q代表群变换，x-x0表示平移。
[0138]
本发明第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质中包括一种her-2免疫组化病理切片分析方法程序，所述her-2免疫组化病理切片分析方法程序被处理器执行时，实现如上述任一项所述的一种her-2免疫组化病理切片分析方法的步骤。
[0139]
本发明公开了一种her-2免疫组化病理切片分析方法、系统和可读存储介质。通过构建并训练基于卷积神经网络的her-2免疫组化病理切片分析模型；然后将待分析的her-2免疫组化病理切片图像输入her-2免疫组化病理切片分析模型进行分析，并输出分析结果。her-2免疫组化病理切片分析模型通过将卷积核转换到代数旋转群实现了卷积的旋转的不变性，从而使得卷积核可在旋转上学习特征。与现有的卷积相比，使用代数群卷积减少了相同特征不同角度的参数量，使得卷积模型有更多的容量学习更多的her2细胞特征，从而使得算法模型对于her2的分析更精准。本发明可以代替现有的任意基于cnn的算法模型，并带来显著的效果提升。
[0140]
在本技术所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其
它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
[0141]
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
[0142]
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
[0143]
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0144]
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
技术特征：1.一种her-2免疫组化病理切片分析方法，其特征在于，所述方法包括以下步骤：构建并训练基于卷积神经网络的her-2免疫组化病理切片分析模型；将待分析的her-2免疫组化病理切片图像输入her-2免疫组化病理切片分析模型进行分析，并输出分析结果。2.根据权利要求1所述的一种her-2免疫组化病理切片分析方法，其特征在于，所述her-2免疫组化病理切片分析模型通过将卷积核替换为代数群卷积实现卷积的旋转不变性，从而使得卷积核可在旋转上学习特征。3.根据权利要求1或2所述的一种her-2免疫组化病理切片分析方法，其特征在于，her-2免疫组化病理切片分析模型的旋转反射群由平移、镜面反射和围绕网格中任何旋转中心旋转90度的所有变换组合组成，旋转反射群变换由以下矩阵变换所定义：其中m∈{0，1}，代表镜像变换，0≤r＜4，代表了旋转阶，代表平移，表示二维整数域。4.根据权利要求3所述的一种her-2免疫组化病理切片分析方法，其特征在于，her-2免疫组化病理切片分析模型的卷积操作通过平移滤波器然后计算与特征图的点积来计算的；通过用来自群g的欧氏空间等距变换替换简单的平移，得到g-cnn输入层中使用的g卷积输入图像f和滤波器都是平面的函数，但特征图f
★
ψ是群g上的函数；该公式定义了平面的元素y与在群g中的g的卷积过程，滤波器以k作为索引进行遍历；因此，对于第一层之后的所有层，滤波器也必须是g上的函数，g卷积运算变为：其变化在于当前是输入不再是平面的元素，而是群元素(h∈g)。5.根据权利要求3或4任一项所述的一种her-2免疫组化病理切片分析方法，其特征在于，her-2免疫组化病理切片分析模型的群陪集池化应用于特征图非跨步最大池化操作被建模为一个操作符p，它作用于f：其中gu＝{gu|u∈u}是池域的g变换，g是旋转及镜像群的群元素；而gu构成了u的左陪集，gu等同于在池域u上进行了池化。6.根据权利要求5所述的一种her-2免疫组化病理切片分析方法，其特征在于，her-2免疫组化病理切片分析模型在每次卷积之后，使用群等变批量归一化来聚合每个群的矩，以确保整个网络的旋转等变。
7.根据权利要求6所述的一种her-2免疫组化病理切片分析方法，其特征在于，her-2免疫组化病理切片分析模型中特征图视为g上的函数，在这种情况下，应用非线性的特征映射相当于函数组合，该函数通过用v对函数进行后组合来作用于函数，其中c
v
表示非线性映射，表示群操作；所述her-2免疫组化病理切片分析模型的架构在u-net相同分辨率的阶段之间增加了额外的跳跃连接；此外，对her-2免疫组化病理切片分析模型增加了两个修改：(1)不拼接跳跃特征图，而是将其进行元素加操作；(2)使用中间残差块，应用λ＝17个方向的旋转。8.根据权利要求7所述的一种her-2免疫组化病理切片分析方法，其特征在于，her-2免疫组化病理切片分析模型在训练过程中，为了防止由于初始化不当而导致损失的梯度消失或爆炸，使梯度的方差在所有层中保持不变；第l层中c0通道x0位置的特定神经元的激活的梯度由下式给出：其中指标函数源于整流线性单元的导数，ε表示损失、表示遍历状态下通道，x位置的特定特征图、表示与c0通道相关的第通道第q个群变换的卷积核的权重，该权重是学习到的；表示卷积核，q代表群变换，x-x0表示平移。9.一种her-2免疫组化病理切片分析系统，其特征在于，所述系统包括存储器和处理器；所述存储器中包括her-2免疫组化病理切片分析方法程序，所述her-2免疫组化病理切片分析方法程序被所述处理器执行时实现如下步骤：构建并训练基于卷积神经网络的her-2免疫组化病理切片分析模型；将待分析的her-2免疫组化病理切片图像输入her-2免疫组化病理切片分析模型进行分析，统计病理切片中微弱染色、中等染色、强染色的细胞数量，并以获取到的各个类别细胞数量计算切片的her2得分。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括一种her-2免疫组化病理切片分析方法程序，所述her-2免疫组化病理切片分析方法程序被处理器执行时，实现如权利要求1至8中任一项所述的一种her-2免疫组化病理切片分析方法的步骤。
技术总结本发明公开了一种HER-2免疫组化病理切片分析方法、系统和可读存储介质。通过构建并训练基于卷积神经网络的HER-2免疫组化病理切片分析模型；然后将待分析的HER-2免疫组化病理切片图像输入HER-2免疫组化病理切片分析模型进行分析，并输出分析结果。HER-2免疫组化病理切片分析模型通过将卷积核转换到代数旋转群实现了卷积的旋转的不变性，从而使得卷积核可在旋转上学习特征。与现有的卷积相比，使用代数群卷积减少了相同特征不同角度的参数量，使得卷积模型有更多的容量学习更多的HER2细胞特征，从而使得算法模型对于HER2的分析更精准。本发明可以代替现有的任意基于CNN的算法模型，并带来显著的效果提升。并带来显著的效果提升。并带来显著的效果提升。
技术研发人员：杨林 李涵生 胡玲玉 林明珍 吴婷婷 李晶 崔磊 亢宇鑫 高敏 张妍妍 杨海英
受保护的技术使用者：阿斯利康（无锡）贸易有限公司
技术研发日：2022.06.21
技术公布日：2022/11/1
