CN102722718B - 一种细胞分类方法 - Google Patents
一种细胞分类方法 Download PDFInfo
- Publication number
- CN102722718B CN102722718B CN201210163583.0A CN201210163583A CN102722718B CN 102722718 B CN102722718 B CN 102722718B CN 201210163583 A CN201210163583 A CN 201210163583A CN 102722718 B CN102722718 B CN 102722718B
- Authority
- CN
- China
- Prior art keywords
- cell
- cell image
- image sample
- subspace
- minimum value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Abstract
本发明公开了一种细胞分类方法,获取K类细胞图像样本集,每个细胞图像样本集包含Nk个细胞图像样本,将第k类细胞图像样本集构成第k类子空间对每个细胞图像样本进行尺度变换获取处理后细胞图像样本,从处理后细胞图像样本中提取第一视觉特征向量将第k类子空间Ik表示为第一视觉特征向量的集合即构建目标拟合能量函数;获取第k类子空间Ik对应词典求取测试对象X采用词典φk分别进行拟合时,目标拟合能量函数达到最小值所对应的拟合系数wk;获取测试对象X进行拟合时的残差rk,选取所述残差rk的最小值,将所述最小值对应的子空间序号k作为测试对象X的所属细胞类别。本方法提高了模型的泛化能力和细胞分类的准确度,并通过实验验证,取得了较高的分类准确率。
Description
技术领域
本发明属于图像分析和机器学习领域,特别涉及一种细胞分类方法。
背景技术
在医学诊断中,利用计算机技术进行自动的细胞分类对于病况分析具有重要意义。当前研究人员多采用显微镜图像来采集病人血清图像,医生利用该血清图像检查抗体的存在,从而判断是否存在自体免疫疾病。由于该方法在医疗诊断中的有效性,近些年,该方法已得到广泛普及。然而,凭借医生的判断是十分主观的方法,对于医生的经验依赖性较高,因此不易实现高效准确的诊断。因此,医学诊断领域迫切需要自动的显微镜图像处理技术和细胞分类技术,以辅助医生实现便捷和高效的医疗诊断。
当前的基于显微镜图像的细胞分类方法大体分为两个步骤:1)细胞区域的特征提取,通过提取细胞区域视觉特征来对其进行表征;当前的视觉特征主要包括图像的颜色特征、纹理特征和形状特征;2)通过机器学习领域的各种分类器学习模型,对新的测试细胞区域进行分类即:将某类细胞样例作为正例,其他类别细胞作为反例,通过分类器的学习实现数学模型的构建,从而对测试数据进行自动分类。
发明人在实现本发明的过程中,发现现有技术中至少存在以下的缺点和不足:
现有分类器学习模型多是反映测试样本与模型参数的关系,而并不能直接表示测试样本与训练样本的关系,使得模型的判决不能直接反映测试数据与训练数据的内部关联,从而造成模型的改进片面的从数学理论角度进行分析,而忽略了样本自身关联对模型改进的作用,因而现有模型扩展能力有限,细胞分类的准确度较低。
发明内容
本发明提供了一种细胞分类方法,本发明在模型构建方面借助最近子空间理论挖掘了测试样本与训练样本的内部关联,从而提高了模型的泛化能力和细胞分类的准确度,详见下文描述:
一种细胞分类方法,所述方法包括以下步骤:
(1)获取K类细胞图像样本集,每个细胞图像样本集包含Nk个细胞图像样本,将第k类细胞图像样本集构成第k类子空间其中,为细胞图像样本,Nk为每个细胞图像样本集中的细胞图像样本的个数,1≤i≤Nk,1≤k≤K;
(3)构建目标拟合能量函数;
(5)获取所述测试对象X进行拟合时的残差rk,选取所述残差rk的最小值,将所述最小值对应的子空间序号k作为测试对象X的所属细胞类别。
所述构建目标拟合能量函数具体包括:
1)根据最小二乘通过所述词典φk和所述拟合系数wk对所述测试对象X进行拟合,即
2)引入正则项,使得所述目标拟合能量函数F(wk,γ)为γ为权重。
所述残差
本发明提供的技术方案的有益效果是:
本发明提供了一种细胞分类方法,本方法在模型构建方面显性构建了测试样本与训练样本关系,提高模型的泛化能力和细胞分类的准确度,并通过实验验证,本方法取得了较高的分类准确率。
附图说明
图1为本发明提供的一种细胞分类方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
为了在模型构建方面提高模型的泛化能力和细胞分类的准确度,参见图1,本发明实施例提供了一种细胞分类方法,该方法包括以下步骤:
101:获取K类细胞图像样本集,每个细胞图像样本集包含Nk个细胞图像样本,将第k类细胞图像样本集构成第k类子空间,记为
其中,将每类细胞图像样本集作为一个子空间,每个细胞图像样本集包含Nk个细胞图像样本,每个细胞图像样本为包含一个细胞的最小外接矩形记为k表示第k类细胞图像样本集,1≤k≤K,i表示第k类细胞图像样本中第i个样本,1≤i≤Nk,将第k类细胞图像样本集构成第k类子空间记为
其中,对每个细胞图像样本进行尺度变换从而归一化到统一尺寸h×h,本发明实施例中的h以25为例进行说明,具体实现时,根据实际应用中的需要进行设定,本发明实施例采用双线性内插的尺度变换方法[1]进行尺度变化,还可以采用其他的方法,本发明实施例对此不做限制。
其中,视觉特征可以采用:灰度直方图[1]、纹理特征[2]和尺度不变特征变换[3]等,具体实现时,还可以采用其他的方式来描述视觉特征,本发明实施例对此不做限制。
其中,本发明实施例采用图像像素级灰度特征来描述视觉特征,像素级灰度特征描述了一幅图像的整体灰度分布特征,并潜在的表征了细胞分裂区域的表形特征。该特征提取过程十分简单,即:将图像各像素点灰度按从上到下,从左到右顺序排列构成一个高维向量,因此,如果图像分辨率为M×N(个像素点),那么该特征的维数就是M×N维。
103:构建目标拟合能量函数;
其中,任何合理的正则项构造都可以用在构造目标拟合能量函数中,例如:第一范数正则项、第二范数正则项以及第一范数和第二范数的混合正则项等,具体实现时,本发明实施例对此不做限制。
其中,该步骤具体为:将测试对象X对各个子空间构建的词典分别进行拟合,求取目标拟合能量函数F(wk,γ)达到最小值第k个词典所对应的拟合系数wk。对于目标拟合能量函数中拟合系数wk的求解,可以采用很多现有方法实现求解,本发明实施例采用在精确度和速度方面性能良好的在线学习算法[4],具体实现时,本发明实施例对此不做限制。
105:获取测试对象X进行拟合时的残差rk,1≤k≤K,选取残差rk的最小值,将最小值对应的子空间序号k作为测试对象X的所属细胞类别。
其中,本发明实施例以第一范数正则项为例详细说明目标拟合能量函数X表示测试对象( 表示d×1维空间);φk表示拟合测试对象X所需的第k类子空间对应词典,即词典φk是一个d×Nk维的二维数组,φk的每一列是一个基,对应第k类细胞图像样本中的一个样本;wk表示词典φk对应拟合系数,wk为Nk×1维的二维矩阵,wk的各维数值反映了测试对象X用词典φk拟合时候X与各个基的相似程度;γ表示权重,实验中参考值为0.01至0.1;||wk||1表示求wk的一范数。求解使得目标拟合能量函数F(wk,γ)达到最小值所词典φk对应的拟合系数wk即
下面以一个具体的实例来验证本发明实施例提供一种细胞分类方法的可行性,详见下文描述:
在实验中,采用当前研究中常用的小鼠成肌细胞、骨髓间充质细胞和骨肉瘤细胞,并通过光学显微镜(Zeiss Axiovert 135TV)采集,人工标注训练样本(三类细胞图像样本均为200个)和测试样本(三类细胞样本均为300个),每个细胞区域分辨率为25×25。有关细胞类型、细胞培养环境和数据采集设备的参数可参考论文[5]。在实验中,采用现有技术中的方法重复了论文[6]的图像分类算法,获得小鼠成肌细胞的分类准确率为82%,骨髓间充质细胞的分类准确率为84%,骨肉瘤细胞的分类准确率为80%;利用本方法,通过参数学习,在获得最优性能时残差γ为0.1,此时获得小鼠成肌细胞的分类准确率为94%,骨髓间充质细胞的分类准确率为92%,骨肉瘤细胞的分类准确率为95%。通过实验数据的对比,本方法的分类准确率高于现有技术方法得到的结果,验证了本方法的可行性。
综上所述,本发明实施例提供了一种细胞分类方法,本方法在特征提取方面降低了对非刚体目标特征提取的难度,在模型构建方面显性构建了测试样本与训练样本关系,提高模型的泛化能力和细胞分类的准确度,并通过实验验证,本方法取得了较高的分类准确率。
参考文献
[1]Digital Image Processing/数字图像处理,冈萨雷斯著Rafael C.Gonzalez andRichard E.Woods,2nd Edition,Prentice Hall,阮秋琦等译,电子工业出版社,2002。
[2]DK Park,YS Jeon,CS Won,and S.-J.Park,Efficient use of local edge histogramdescriptor,Proc.of the ACM Workshops on Multimedia,Los Angeles,CA,Nov.2000.
[3]Lowe,DavidG.(1999)."Objectrecognition from local scale-invariantfeatures".Proceedings of the International Conference on Computer Vision.2.pp.1150-1157.
[4]Mairal,J.,Bach,F.,Ponce,J.,et al,Online Dictionary Learning for Sparse Coding,In:International Conference on Machine Learning(2009).
[5]Kang Li,Eric Miller,Mei Chen,Takeo Kanade,Lee Weiss,and Phil Campbell,"Computer Vision Tracking of Stemness,"Proc.IEEE International Symposium onBiomedical Imaging(ISBI):Special Session on In Vivo Microscopic Image Analysis,
[6]Boland MV,Murphy RF."A neural network classifier capable of recognizing thepatterns of all major subcellular structures in fluorescence microscope images of HeLacells."Bioinformatics,vol.17,no.12,pp:1213-23,Dec 2001.
May,2008,pp.847-850.
本领域技术人员可以理解附图只是一个优选实施例的示意图,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种细胞分类方法,其特征在于,所述方法包括以下步骤:
(1)获取K类细胞图像样本集,每个细胞图像样本集包含Nk个细胞图像样本,将第k类细胞图像样本集构成第k类子空间其中,为细胞图像样本,Nk为每个细胞图像样本集中的细胞图像样本的个数,1≤i≤Nk,1≤k≤K;
(3)构建目标拟合能量函数F(wk,γ);
(5)获取所述测试对象X进行拟合时的残差rk,选取所述残差rk的最小值,将所述最小值对应的子空间序号k作为测试对象X的所属细胞类别;
所述构建目标拟合能量函数具体包括:
1)根据最小二乘通过所述词典φk和所述拟合系数wk对所述测试对象X进行拟合,即
2)引入正则项,使得所述目标拟合能量函数F(wk,γ)为
所述残差
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210163583.0A CN102722718B (zh) | 2012-05-22 | 2012-05-22 | 一种细胞分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210163583.0A CN102722718B (zh) | 2012-05-22 | 2012-05-22 | 一种细胞分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102722718A CN102722718A (zh) | 2012-10-10 |
CN102722718B true CN102722718B (zh) | 2014-04-02 |
Family
ID=46948468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210163583.0A Active CN102722718B (zh) | 2012-05-22 | 2012-05-22 | 一种细胞分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102722718B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105760713A (zh) * | 2014-12-19 | 2016-07-13 | 中教亚航(天津)教育科技发展有限公司 | 基于细胞膜磷脂构成差异的肿瘤细胞分类方法 |
CN109697450B (zh) * | 2017-10-20 | 2023-04-07 | 曦医生技股份有限公司 | 细胞分类方法 |
TWI637146B (zh) * | 2017-10-20 | 2018-10-01 | 曦醫生技股份有限公司 | Cell classification method |
CN107977684B (zh) * | 2017-12-20 | 2018-10-23 | 杭州智微信息科技有限公司 | 一种快速修正骨髓有核细胞分类的交互方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5799101A (en) * | 1994-09-30 | 1998-08-25 | Neopath, Inc. | Method and apparatus for highly efficient computer aided screening |
CN101151623A (zh) * | 2005-01-27 | 2008-03-26 | 剑桥研究和仪器设备股份有限公司 | 分类图像特征 |
CN101981446A (zh) * | 2008-02-08 | 2011-02-23 | 医疗探索公司 | 用于使用支持向量机分析流式细胞术数据的方法和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008079745A2 (en) * | 2006-12-19 | 2008-07-03 | Cytyc Corporation | Systems and methods for processing an image of a biological specimen |
-
2012
- 2012-05-22 CN CN201210163583.0A patent/CN102722718B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5799101A (en) * | 1994-09-30 | 1998-08-25 | Neopath, Inc. | Method and apparatus for highly efficient computer aided screening |
CN101151623A (zh) * | 2005-01-27 | 2008-03-26 | 剑桥研究和仪器设备股份有限公司 | 分类图像特征 |
CN101981446A (zh) * | 2008-02-08 | 2011-02-23 | 医疗探索公司 | 用于使用支持向量机分析流式细胞术数据的方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN102722718A (zh) | 2012-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108875600A (zh) | 一种基于yolo的车辆信息检测和跟踪方法、装置及计算机存储介质 | |
CN107274386A (zh) | 一种宫颈细胞液基涂片人工智能辅助阅片系统 | |
Ismael et al. | Medical image classification using different machine learning algorithms | |
CN109389129A (zh) | 一种图像处理方法、电子设备及存储介质 | |
CN108648256B (zh) | 一种基于超维的灰度岩心三维重建方法 | |
Murphy | CellOrganizer: image-derived models of subcellular organization and protein distribution | |
CN103940708B (zh) | 一种钢材全形态晶粒的快速测量、精细分类方法 | |
CN109978871B (zh) | 融合概率型和确定型纤维束追踪的纤维束筛选方法 | |
Ogura et al. | Automatic particle pickup method using a neural network has high accuracy by applying an initial weight derived from eigenimages: a new reference free method for single-particle analysis | |
Pan et al. | Mitosis detection techniques in H&E stained breast cancer pathological images: A comprehensive review | |
Chen et al. | Shadow-based Building Detection and Segmentation in High-resolution Remote Sensing Image. | |
Loss et al. | Iterative tensor voting for perceptual grouping of ill-defined curvilinear structures | |
CN108122008A (zh) | 基于稀疏表示和多特征决策级融合的sar图像识别方法 | |
CN109978872B (zh) | 基于白质纤维束的白质微结构特征筛选系统及方法 | |
CN102722718B (zh) | 一种细胞分类方法 | |
Cheng et al. | A fast and accurate algorithm for nuclei instance segmentation in microscopy images | |
Chang et al. | Stacked predictive sparse coding for classification of distinct regions in tumor histopathology | |
CN112348059A (zh) | 基于深度学习的多种染色病理图像分类方法及系统 | |
Xu et al. | Histopathological tissue segmentation of lung cancer with bilinear cnn and soft attention | |
CN104732230A (zh) | 一种基于细胞核统计信息的病理图像局部特征提取方法 | |
CN102722717B (zh) | 一种细胞分裂识别方法 | |
Hu et al. | Automatic detection of tuberculosis bacilli in sputum smear scans based on subgraph classification | |
CN106548195A (zh) | 一种基于改进型hog‑ulbp特征算子的目标检测方法 | |
Elbischger et al. | Automatic analysis of collagen fiber orientation in the outermost layer of human arteries | |
CN102737232B (zh) | 一种分裂细胞识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |