(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210442247.3 (22)申请日 2022.04.25 (71)申请人 昆明金域医学检验所有限公司 地址 650500 云南省昆明市经开区洛羊街 道办事处新加坡产业园区螺蛳湾国际 商贸城小商品加工基地三期K13幢1层 101号、 2层201号 (72)发明人 陈武龙　陈欣　魏彩霞　吴鹏春　 郅宏芳　曾敬富　章辉　 (74)专利代理 机构 昆明金科智诚知识产权代理 事务所(普通 合伙) 53216 专利代理师 杨钊霞 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/12(2017.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 DNA荧光原位杂交BCR/ABL融合状态检测方 法、 检测系统 (57)摘要 本发明属于图像 分析技术领域， 公开了一种 DNA荧光原位杂交BCR/ABL融合状态检测方法、 检 测系统， 利用CNN识别模型从相差图像中生成细 胞的伪核染色， 对FISH的细胞核进行定位与分 类； 再对每个单独的荧光信号定位并分类， 将每 张照片中的同一分类的显色点数除以该照片中 显示点总数， 得到BCR/ABL融合比率。 本发明提供 了一种通过分析荧光原位杂交(FISH)图像， 计算 与所有分类细胞核相关的异常细胞核数目的图 像比值， 作为分类相应肿瘤样本BCR/ABL基因融 合状态的指标， 进行细胞核和BCR/ABL基因融合 水平检测的系统。 本发明检测方法检测 效率高， 检测结果 准确， 且能够实现自动化检测。 权利要求书2页 说明书12页 附图3页 CN 114782372 A 2022.07.22 CN 114782372 A 1.一种DNA荧 光原位杂交BCR/ABL融合状态检测方法， 其特 征在于， 包括： 利用CNN RetinanNet识别模型从相差图像中生成细胞的伪核染色， 对FISH的细胞核进 行定位与分类； 再对每个单独的荧光信号定位并分类， 将每张照片 中的同一分类的显色点 数除以该照片中显示 点总数， 得到BCR/ABL融合比率； 步骤如下： 步骤一， 进行玻片制备和探针杂交； 并利用荧光显微镜进行荧光原位探针即FISH图像 的采集； 图像预处 理及细胞边界切割； 步骤二， 构建包含两个用于目标定位的卷积神经网络的CNN  RetinanNet识别模型， 并 对所述构建的CN N RetinanNet识别模型进行训练； 步骤三， 将新的待检测的图像输入检测系统， 利用训练好的CNN  RetinanNet识别模型 基于采集的FISH图像进行细胞核、 FISH信号的定位和分类； 步骤四， 对所述细胞核、 荧光信号的定位和分类结果进行后处理得到BCR/ABL融合状 态。 2.如权利要求1所述的方法， 其特征在于， 步骤一中， 所述利用荧光显微镜进行FISH图 像的采集具体为： 利用荧光显微镜使用分级滤光片获取BCR/ABL基因Red信号、 Green信号和DAPI信号； 以 40倍的放大倍数拍摄图像并进行处 理； 得到所述FISH图像。 3.如权利要求1所述的方法， 其特 征在于， 步骤一中： 所述细胞边界分割包括： 1).通过种子分水岭算法分割最大强度投影DAPI 通道上的核 进行细胞边界分割： (1.1)构建有监 督的二值RF分类 器； (1.2)利用交 互式的KN IM工作流对被分割的对象进行注释； 2).利用来源于KNIME图像处理特征计算器节点的2D几何特征集， 为每个标记对象提取 14个形态特 征； 3).基于所述提取的特征和类标签对构建的二值RF分类器进行训练， 优化FISH点检测 相关参数； 4).利用训练好的有监督的二值RF分类器从点检测中过滤假阳性的FISH点， 以及训练 和验证基于CNN的完全有监 督的点分割算法。 4.如权利要求1所述的方法， 其特 征在于， 所述 步骤二CN N RetinanNet识别模型包括： 基于Retin aNet的细 胞核探测器网络， 用于基于整个FISH图像进行细 胞核定位， 并将所 述细胞核划分为低级别或高级别； 基于RetinaNet的荧光信号检测网络， 用于基于细胞核定位结果进行单个点状荧光信 号的定位， 并将所述 荧光信号划分为Red、 Gre en、 Fusion信号； 识别每个细胞/每片融合类型(纳入计算细胞数量及比例按照诊疗指南变化)， 计算识 别细胞BCR/ABL融合比率。 5.如权利要求1所述的方法， 其特征在于， 步骤二中， 所述对构建的CNN  RetinanNet识 别模型进行训练包括： 1)获取训练数据， 并对所述训练数据进行标注； 利用旋转、 随机作物、 平移、 剪切、 缩放 以及水平和垂直翻转对所述训练数据进行增强； 2)利用增强处理后的训练数据对基于RetinaNet的细胞核探测器网络与基于权　利　要　求　书 1/2 页 2 CN 114782372 A 2RetinaNet的荧光信号检测网络的进行训练； 并确定基于RetinaNet的细胞核探测器网络与 基于Reti naNet的荧 光信号检测网络的损失函数和超参数。 6.如权利要求5所述的方法， 其特征在于， 步骤1)中， 所述获取训练数据， 并对所述训练 数据进行 标注具体为： 获取专业数据库中存储的慢性粒细 胞白血病FISH  BCR/ABL基因融合状况的检测图像； 为获取的图像中的每个核心提供边界框和 类标签： 对FISH图像进行人工注释， 将细胞核分 为低级、 高级、 不确定和伪影共五类； 同时对每个FISH信号的单个细胞核图像人工标注 边界 框和分类标签， 分为Red、 Gre en、 Fusion群； 得到初始训练数据。 7.如权利要求1所述的方法， 其特征在于， 步骤四中， 所述对细胞核、 荧光信号的定位和 分类结果进行后处 理得到BCR/ABL融合状态具体为： 基于细胞核的定位、 分类结果计算低级核数目除以所有检测到的核数目的比值以及高 级核数目除以所有检测到的核数目的比值； 将所述比值作为分类相应肿瘤样本BCR/ABL基因融合状态的指标， 将FISH图像划分为 低等级图像以及高等级图像， 确定BCR/ABL基因融合状态。 8.一种实施权利 要求1～7任一项方法的DNA荧光原位杂交BCR/ABL融合状态检测系统， 其特征在于， 所述系统包括： FISH图像采集模块， 用于利用荧 光显微镜进行荧 光原位探针即FISH图像的采集； 细胞边界分割模块， 用于通过种子分水岭算法分割最大强度投影DAPI通道上的核进行 细胞边界分割； 识别模型构建与训练模块， 构建包含两个用于目标定位的卷积神经网络的CNN   RetinanNet识别模型， 并对所述构建的CN N RetinanNet识别模型进行训练； FISH信号定位和分类模块， 用于利用训练好的CNN  RetinanNet识别模型基于采集的 FISH图像进行细胞核、 FISH信号的定位和分类； 融合状态获取模块， 对所述细胞核、 荧光信号的定位和分类结果进行后处理得到BCR/ ABL融合状态。 9.一种计算机设备， 其特征在于， 所述计算机设备包括存储器和处理器， 所述存储器存 储有计算机程序， 所述计算机程序被所述处理器执行时， 使得所述处理器执行权利要求 1～ 7任一项所述DNA荧 光原位杂交BCR/ABL融合状态检测方法。 10.一种计算机可读存储介质， 存储有计算机程序， 所述计算机程序被处理器执行时， 使得所述处理器执行权利要求1～7任一项所述DNA荧光原位杂交BCR/ABL融合状态检测方 法。权　利　要　求　书 2/2 页 3 CN 114782372 A 3