HE切片+qupath识别TIL和成纤维细胞文献（三阴性乳腺癌）

2024-03-22 18:28
文章标签 切片 文献 识别 乳腺癌 阴性 til qupath 纤维细胞

本文主要是介绍HE切片+qupath识别TIL和成纤维细胞文献（三阴性乳腺癌），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

An Open-Source, Automated Tumor-Infiltrating Lymphocyte Algorithm for Prognosis in Triple-Negative Breast Cancer

An Open-Source, Automated Tumor-Infiltrating Lymphocyte Algorithm for Prognosis in Triple-Negative Breast Cancer - PubMed (nih.gov)

试验设计

尽管TIL评估进行了标准化工作，但评估的主观性和可变性阻碍了其广泛采用。使用QuPath开源软件，我们构建了一种基于H&E图像的TIL自动评估算法，并发明了一种超出人类能力的TIL评估方法。使用来自三个机构的一个发现集和四个验证集，我们发现机器读取测量的 TIL 变量将 TNBC 患者分为预后良好和不良队列，其中较高的 TIL 评分与更好的总生存期显着相关。这种开源的评估方法可以广泛使用，机器读取的 TIL 评分现在已准备好用于前瞻性测试，以证明临床实用性。

使用 QuPath 开源软件，我们为苏木精-伊红 （H&E） 染色切片上的肿瘤细胞、淋巴细胞、成纤维细胞和“其他”细胞构建了神经网络分类器。我们用五个独特的构造TIL变量分析了分类器衍生的TIL测量值。使用 171 例 TNBC 病例的回顾性集合作为发现集，以确定机器读取的 TIL 变量与患者结果的最佳关联。为了验证，我们评估了 749 名 TNBC 患者的回顾性集合，该患者由四个独立的验证子集组成。

数字图像分析

使用QuPath 开源软件平台（0.1.2 版）基于Watershed cell detection对图像中的细胞进行分割，设置如下：检测图像：苏木精 OD;要求的像素尺寸：0.5 μm;背景半径：8 μm;滤光片半径中值：0 μm;西格玛：1.5μm;最小细胞面积：10μm2;最大细胞面积：400μm2;阈值：0.1;最大背景强度：2.细胞扩增：5μm。细胞分割的质量控制由两名病理学家（DR 和 BA）进行。

细胞分类：将检测到的细胞分类为肿瘤细胞、免疫细胞 （TIL）、成纤维细胞和其他细胞。使用神经网络作为具有八个隐藏层（最大迭代次数：100）的机器学习方法。为了帮助算法进行准确的分类，我们还在半径为 25 μm 和 50 μm 处添加了平滑的物体特征，以补充单个细胞的现有测量值。

乳腺癌注释区域示意图和 H&E 图以及 QuPath TIL 变量的定义。A：标注的乳腺癌肿瘤区域。B: 每个 QuPath TIL 测量变量的计算公式，包括 eTILs%= 100 * [TILs 数量/（肿瘤细胞数量 + TILs 数量）]；etTILs%= 100 * （TILs 数量/总细胞数量）； esTILs=100*[TILs数量/（总细胞数量-肿瘤细胞数量）]；eaTILs（mm2）= TILs数量/分析的肿瘤区域面积总和（mm2），easTILs=100*[TIL面积总和（mm2）/基质面积（mm2）]。高倍视图显示仅用苏木精和伊红染色的乳腺癌组织（C）或（D）与细胞分类掩膜重叠。标尺条代表 50 微米。细胞标注为肿瘤细胞（红色）、TIL（紫色）、成纤维细胞（绿色）和其他背景细胞（黄色）。

量化分析

算法训练流程图，发展到算法验证。A在上传 H&E 图像后首先定义估计污渍载体。然后使用标准化的分水岭细胞检测参数进行细胞分割。接下来，使用神经网络训练分类器，其中包含肿瘤细胞、TIL、成纤维细胞和其他细胞类型，每种类型都有颜色编码。构建了一个临时分类器，并将其应用于分类器训练集中的其余图像。经过多轮细胞分类审查和校正后，经过训练的分类器（CNN11）在形态学上被判断为在大多数图像上至少准确率为95%后，就会被锁定。B，应用经过训练的分类器产生了 TIL 测量值，其计算公式为以下 TIL 变量：eTILs%、etTILs%、esTILs%、eaTILs （mm2） 和 easTIL。在 WTS Yale（发现集）中使用 X-tile 软件确定的最佳切点确定了 TIL 变量与患者结果之间的关联。随后，所有 TIL 变量都在验证集中进行了测试，包括 TMA Yale1、TMA Yale2、WTS TCGA 和 WTS Sweden。C，解释如何在基于 H&E 图像的全组织图像中执行 TIL 定量的工作流程。肿瘤区域定义的步骤之后是估计染色载体以归一化 H&E 颜色。然后，使用标准化的分水岭细胞检测参数进行细胞分割，并使用经过训练的分类器进行细胞分类。最后，将TIL测量结果分析为构造变量。

相关指标计算：

  • 1. eTILs% = 100 * [# TILs/（# 肿瘤细胞 + # TILs）];代表TIL在肿瘤细胞上的比例。

  • 2. etTILs% = 100 *（# 的 TILs/# 的总细胞数）;表示 TIL 在所有检测到的细胞中的比例。

  • 3. esTILs = 100 * [# TILs/（# 总细胞 − # 肿瘤细胞）];代表 TIL 在基质细胞中的比例。

  • 4. eaTILs （mm2） = # TILs/分析肿瘤区域面积之和 （mm2）;表示肿瘤区域上 TIL 的密度。

  • 5. easTILs = 100 * [TIL面积（mm2）/基质面积（mm2）之和];模仿病理学家读取的国际 TIL 工作组变量。

  • 结果展示：

代码相关

作者提供：CNN11算法，Welcome to the Rimm Lab < Rimm Lab

该团队新文献：Image analysis-based tumor infiltrating lymphocytes measurement predicts breast cancer pathologic complete response in SWOG S0800 neoadjuvant chemotherapy trial

在github上提供了算法：CNN11 algorithm is deposited on GitHub: https://github.com/Yalaibai/Automated_QuPath_TIL_-Classifier_for-TNBC.git

相似研究文献：

An open source automated tumor infiltrating lymphocyte algorithm for prognosis in melanoma

Our TIL scoring algorithm for HE images of Melanoma has been deposited on GitHub: GitHub - acsbal/Automated-TIL-scoring-QuPath-Classifier-for-Melanoma: QuPath TIL classifier for Melanoma on HE slides. The algorithm can be used in QuPath platform. The QuPath software may be downloaded at QuPath.

参考文献：

1：An Open-Source, Automated Tumor-Infiltrating Lymphocyte Algorithm for Prognosis in Triple-Negative Breast Cancer

2：Image analysis-based tumor infiltrating lymphocytes measurement predicts breast cancer pathologic complete response in SWOG S0800 neoadjuvant chemotherapy trial

3：An open source automated tumor infiltrating lymphocyte algorithm for prognosis in melanoma

补充：

TCGA病理图像深度学习的肿瘤淋巴细胞浸润(文献)_tcga image-CSDN博客

HPAanalyze下载病理IHC然后qupath半定量分析（补全）-CSDN博客

这篇关于HE切片+qupath识别TIL和成纤维细胞文献（三阴性乳腺癌）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/835920。

相关文章

基于CTPN（tensorflow）+CRNN（pytorch）+CTC的不定长文本检测和识别

基于CTPN（tensorflow）+CRNN（pytorch）+CTC的不定长文本检测和识别

转发来源：https://swift.ctolib.com/ooooverflow-chinese-ocr.html chinese-ocr 基于CTPN（tensorflow）+CRNN（pytorch）+CTC的不定长文本检测和识别 环境部署 sh setup.sh 使用环境： python 3.6 + tensorflow 1.10 +pytorch 0.4.1 注：CPU环境
阅读更多...
百度OCR识别结构结构化处理视频

百度OCR识别结构结构化处理视频

https://edu.csdn.net/course/detail/10506
阅读更多...
Pycharm配置conda环境(解决新版本无法识别可执行文件问题)

Pycharm配置conda环境(解决新版本无法识别可执行文件问题)

引言: 很多小伙伴在下载最新版本的pycharm或者更新到最新版本后为项目配置conda环境的时候，发现文件夹目录中无法显示可执行文件(一般为python.exe)，以下就是本人遇到该问题后试验和解决该问题的一些方法和思路。 一般遇到该问题的人群有两种，一种是刚入门对pycharm进行conda环境配置的小白(例如我)，不熟悉相关环境配置的操作和过程，还有一种是入坑pycharm有段时间的老手
阅读更多...
神经网络第四篇：推理处理之手写数字识别

神经网络第四篇：推理处理之手写数字识别

到目前为止，我们已经介绍完了神经网络的基本结构，现在用一个图像识别示例对前面的知识作整体的总结。本专题知识点如下： MNIST数据集图像数据转图像神经网络的推理处理批处理  MNIST数据集          mnist数据图像 MNIST数据集由0到9的数字图像构成。像素取值在0到255之间。每个图像数据都相应地标有“7”、“2”、“1”等数字标签。MNIST数据集中，
阅读更多...
vscode python pip : 无法将“pip”项识别为 cmdlet、函数、脚本文件或可运行程序的名称

vscode python pip : 无法将“pip”项识别为 cmdlet、函数、脚本文件或可运行程序的名称

在vscode中控制台运行python文件出现：无法将"pip”项识别为 cmdlet、函数、脚本文件或可运行程序的名称。 使用vscode开发python，需要安装python开发扩展： 本文已经安装，我们需要找的是python安装所在目录，本文实际路径如下： 如果在本文路径中没有此目录，请尝试在C盘中搜索 python，搜索到相关python目录后，点击Python 3.9进入目录，
阅读更多...
【图像识别系统】昆虫识别Python+卷积神经网络算法+人工智能+深度学习+机器学习+TensorFlow+ResNet50

【图像识别系统】昆虫识别Python+卷积神经网络算法+人工智能+深度学习+机器学习+TensorFlow+ResNet50

一、介绍 昆虫识别系统，使用Python作为主要开发语言。通过TensorFlow搭建ResNet50卷积神经网络算法（CNN）模型。通过对10种常见的昆虫图片数据集（‘蜜蜂’, ‘甲虫’, ‘蝴蝶’, ‘蝉’, ‘蜻蜓’, ‘蚱蜢’, ‘蛾’, ‘蝎子’, ‘蜗牛’, ‘蜘蛛’）进行训练，得到一个识别精度较高的H5格式模型文件，然后使用Django搭建Web网页端可视化操作界面，实现用户上传一
阅读更多...
想让Python序列切片更高效？这些技巧你不可不知！

想让Python序列切片更高效？这些技巧你不可不知！

目录 1、自定义类实现切片 🍏 1.1 实现__getitem__方法 1.2 支持正负索引与步长 2、利用 collections.abc 模块 🧠 2.1 继承MutableSequence类 2.2 重写关键方法 3、使用标准库itertools.slice 🍲 3.1 itertools工具介绍 3.2 slice函数应用实例 4、通过生成器实现动态切片 🌀
阅读更多...
关于文章“python+百度语音识别+星火大模型+讯飞语音合成的语音助手”报错的修改

关于文章“python+百度语音识别+星火大模型+讯飞语音合成的语音助手”报错的修改

前言 关于我的文章：python+百度语音识别+星火大模型+讯飞语音合成的语音助手，运行不起来的问题 文章地址： https://blog.csdn.net/Phillip_xian/article/details/138195725?spm=1001.2014.3001.5501 1.报错问题 如果运行中报错，且报错位置在Xufi_Voice.py文件中的pcm_2_wav，如下图所示
阅读更多...
Sharding（切片）技术（解决数据库分库一致性问题）

Sharding（切片）技术（解决数据库分库一致性问题）

Sharding（切片） 不是一门新技术，而是一个相对简朴的软件理念，就是当我们的数据库单机无法承受高强度的i/o时，我们就考虑利用 sharding 来把这种读写压力分散到各个主机上去。 所以Sharding 不是一个某个特定数据库软件附属的功能，而是在具体技术细节之上的抽象处理，是Horizontal Partitioning 水平扩展(或横向扩展)的解决方案，其主要目的是为突破单节点数
阅读更多...
理解什么是DSR，嗅探器视角下的IP和MAC地址识别（C/C++代码实现）

理解什么是DSR，嗅探器视角下的IP和MAC地址识别（C/C++代码实现）

网络嗅探器是监控和分析网络流量的一种工具，它能够捕获数据包并提取出关键的信息，比如IP地址和MAC地址。 网络嗅探器工作原理基于网卡的工作模式。正常情况下，网卡只处理发送给它的数据包，忽略其他数据。但是，如果将网卡设置为“混杂模式”，那么它可以接收到网络上所有的数据包，而不仅仅是发给它的数据包。网络嗅探器就是利用了这一特性来捕获网络上的数据交换。 数据包是网络通信的基本单位，包含了传输数据和控
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2