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

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

使用PyTorch实现手写数字识别功能

《使用PyTorch实现手写数字识别功能》在人工智能的世界里,计算机视觉是最具魅力的领域之一,通过PyTorch这一强大的深度学习框架,我们将在经典的MNIST数据集上,见证一个神经网络从零开始学会识... 目录当计算机学会“看”数字搭建开发环境MNIST数据集解析1. 认识手写数字数据库2. 数据预处理的

Pytorch微调BERT实现命名实体识别

《Pytorch微调BERT实现命名实体识别》命名实体识别(NER)是自然语言处理(NLP)中的一项关键任务,它涉及识别和分类文本中的关键实体,BERT是一种强大的语言表示模型,在各种NLP任务中显著... 目录环境准备加载预训练BERT模型准备数据集标记与对齐微调 BERT最后总结环境准备在继续之前,确

讯飞webapi语音识别接口调用示例代码(python)

《讯飞webapi语音识别接口调用示例代码(python)》:本文主要介绍如何使用Python3调用讯飞WebAPI语音识别接口,重点解决了在处理语音识别结果时判断是否为最后一帧的问题,通过运行代... 目录前言一、环境二、引入库三、代码实例四、运行结果五、总结前言基于python3 讯飞webAPI语音

使用Python开发一个图像标注与OCR识别工具

《使用Python开发一个图像标注与OCR识别工具》:本文主要介绍一个使用Python开发的工具,允许用户在图像上进行矩形标注,使用OCR对标注区域进行文本识别,并将结果保存为Excel文件,感兴... 目录项目简介1. 图像加载与显示2. 矩形标注3. OCR识别4. 标注的保存与加载5. 裁剪与重置图像

Python爬虫selenium验证之中文识别点选+图片验证码案例(最新推荐)

《Python爬虫selenium验证之中文识别点选+图片验证码案例(最新推荐)》本文介绍了如何使用Python和Selenium结合ddddocr库实现图片验证码的识别和点击功能,感兴趣的朋友一起看... 目录1.获取图片2.目标识别3.背景坐标识别3.1 ddddocr3.2 打码平台4.坐标点击5.图

如何通过海康威视设备网络SDK进行Java二次开发摄像头车牌识别详解

《如何通过海康威视设备网络SDK进行Java二次开发摄像头车牌识别详解》:本文主要介绍如何通过海康威视设备网络SDK进行Java二次开发摄像头车牌识别的相关资料,描述了如何使用海康威视设备网络SD... 目录前言开发流程问题和解决方案dll库加载不到的问题老旧版本sdk不兼容的问题关键实现流程总结前言作为

使用Python实现大文件切片上传及断点续传的方法

《使用Python实现大文件切片上传及断点续传的方法》本文介绍了使用Python实现大文件切片上传及断点续传的方法,包括功能模块划分(获取上传文件接口状态、临时文件夹状态信息、切片上传、切片合并)、整... 目录概要整体架构流程技术细节获取上传文件状态接口获取临时文件夹状态信息接口切片上传功能文件合并功能小

阿里开源语音识别SenseVoiceWindows环境部署

SenseVoice介绍 SenseVoice 专注于高精度多语言语音识别、情感辨识和音频事件检测多语言识别: 采用超过 40 万小时数据训练,支持超过 50 种语言,识别效果上优于 Whisper 模型。富文本识别:具备优秀的情感识别,能够在测试数据上达到和超过目前最佳情感识别模型的效果。支持声音事件检测能力,支持音乐、掌声、笑声、哭声、咳嗽、喷嚏等多种常见人机交互事件进行检测。高效推

Clion不识别C代码或者无法跳转C语言项目怎么办?

如果是中文会显示: 此时只需要右击项目,或者你的源代码目录,将这个项目或者源码目录标记为项目源和头文件即可。 英文如下:

【阅读文献】一个使用大语言模型的端到端语音概要

摘要 ssum框架(Speech Summarization)为了 从说话人的语音提出对应的文本二题出。 ssum面临的挑战: 控制长语音的输入捕捉 the intricate cross-mdoel mapping 在长语音输入和短文本之间。 ssum端到端模型框架 使用 Q-Former 作为 语音和文本的中介连接 ,并且使用LLMs去从语音特征正确地产生文本。 采取 multi-st