CN107832838A - 评价细胞涂片标本满意度的方法和装置 - Google Patents
评价细胞涂片标本满意度的方法和装置 Download PDFInfo
- Publication number
- CN107832838A CN107832838A CN201711219680.6A CN201711219680A CN107832838A CN 107832838 A CN107832838 A CN 107832838A CN 201711219680 A CN201711219680 A CN 201711219680A CN 107832838 A CN107832838 A CN 107832838A
- Authority
- CN
- China
- Prior art keywords
- cell
- sample
- sample image
- image
- recognition
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明提供一种评价细胞涂片标本满意度的方法和装置,能够智能客观地对宫颈液基细胞涂片标本满意度进行评价。本发明的一种评价细胞涂片标本满意度的方法包括:基于卷积神经网络技术构建细胞识别模型;利用细胞识别模型对测试细胞标本图像进行细胞识别,得到识别结果;根据识别结果判断测试细胞标本图像是否为满意标本图像。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种评价细胞涂片标本满意度的方法和装置。
背景技术
液基细胞学检查是采用薄层液基细胞检测技术(Thin-Cytologic Test,TCT)检测宫颈细胞并进行细胞学分类诊断,它是目前国际上较先进的一种宫颈癌细胞学检查技术。液基薄层细胞制片检查系统处理技术诞生于1991年美国等国家,率先应用于妇科细胞学检查,国内从2001年开始作液基细胞学筛查宫颈癌的研究,使该项技术得到迅速发展,被称之为一场细胞学制片技术的革命。TCT从根本上解决了常规脱落细胞制片假阴性率高、丢失细胞率高(80%)和涂片质量差等技术难题,使宫颈癌的阳性检出率达95%以上,为脱落细胞学诊断作出了重大贡献。目前,它已成为筛查宫颈癌最好的推荐方法之一,为宫颈癌的早期诊断和治疗提供了非常明确的诊断依据,是一项非常值得推广应用的临床检验技术。
国际上,液基细胞学检查的诊断标准采用的是Bethesda(TBS)报告系统。2001年4月30日至5月2日在美国Bethesda城召开包括中国细胞病理学术委员会参加共42个学术团体协办的研讨会,推出2001年TBS相关术语,包括:标本类型:直接涂片或液基制片;标本质量评估:满意和不满意;总分类:阴性,其它:子宫内膜细胞≥40岁;上皮细胞异常;简述细胞自动识别方法和结果;以及辅助诊断;提出有关建议。
在TBS诊断系统中,标本质量评估是重要的单项质量保证内容,可作为涂片制备后的评估。TBS系统对标本质量评估包括两个级别,满意标本和不满意标本。满意标本的定义又分为传统涂片和液基涂片两种。一张满意的传统涂片的最低细胞数量估计需要8000至12000个保存完好和形态清晰的鳞状细胞。检验室应估计最低细胞数量范围,而不是进行单个细胞的计算。一张满意的液基涂片最低细胞数量估计至少需要5000个保存完好的形态清晰的液基涂片。不满意标本缺乏足够、保存好和结构清晰的鳞状上皮细胞。处理和判断不满意的标本需要相当多的时间和人力。少于5000个细胞的涂片应该进行检查,以确定细胞数量不足的原因,是否是因标本中血液过多成为涂片制备的技术问题。当确认是技术问题并解决后,通过重复制片可以产生足够的细胞数量。在液基涂片中,细胞数量可以快速估算并可重复。在一些涂片中出现的细胞团,上皮萎缩或细胞自溶会造成技术上的计算困难。目前,一些制造商将液基涂片细胞数量的估算列入培训范围。目前,阅片者通过对有代表性视野的细胞计数获得细胞总数的估计。
如何来评价液基涂片的标本质量是否满意的一个指标是涂片中所包含的完好和形态清晰的鳞状细胞的数目。目前,阅片者通过对有代表性视野的细胞计数获得细胞总数的估计。因此,估算细胞的数目由阅片者手动完成。
根据TBS系统中对液基涂片中评估鳞状上皮细胞数量参考指南,计算在最低数量(≥5000)时,每个视野的平均细胞数如表1所示,表格中“N18、N20、N22”为视场数,“10X、40X”为物镜放大倍数。
表1最低数量情况下的每个视野的平均细胞数
N18/10X | N20/10X | N22/10X | N18/40X | N20/40X | N22/40X | |
直径13mm | 95 | 118 | 143 | 6 | 7 | 9 |
直径17mm | 55 | 69 | 84 | 4 | 4 | 5 |
直径20mm | 40 | 50 | 61 | 3 | 3 | 4 |
计算在中等数量(≥20000)时,每个视野的平均细胞数如表2所示,表格中“N18、N20、N22”为视场数,“10X、40X”为物镜放大倍数。
表2中等数量情况下的每个视野的平均细胞数
N18/10X | N20/10X | N22/10X | N18/40X | N20/40X | N22/40X | |
直径13mm | 381 | 473 | 573 | 24 | 30 | 36 |
直径17mm | 223 | 277 | 335 | 14 | 17 | 21 |
直径20mm | 161 | 200 | 242 | 10 | 13 | 15 |
计算在优质数量(≥4万-7万)时,每个视野的平均细胞数如表3所示,表格中“N18、N20、N22”为视场数,“10X、40X”为物镜放大倍数。
表3优质数量情况下的每个视野的平均细胞数
N18/10X | N20/10X | N22/10X | N18/40X | N20/40X | N22/40X | |
直径13mm | 762-1333 | 946-1655 | 1146-2001 | 48-83 | 59-103 | 72-125 |
直径17mm | 446-780 | 553-968 | 670-1173 | 28-49 | 35-61 | 42-73 |
直径20mm | 322-564 | 400-700 | 484-848 | 20-35 | 25-44 | 30-53 |
现有方案在技术上存在许多缺陷。首先,在一些涂片中出现的细胞团,上皮萎缩或细胞自溶会造成技术上的人为计算困难;其次,估算细胞的数目由阅片者手动完成,具有主观性强、一致性差、精确度低等缺点;再次,阅片者通过对有代表性视野的细胞计数估计细胞总数,通过物镜的放大倍数,液基涂片直径,视场数计算鳞状上皮细胞数目,具有费时费力,计算不准确的缺点。
发明内容
有鉴于此,本发明实施例提供一种评价细胞涂片标本满意度的方法、装置、电子设备和存储介质,能够智能客观地对宫颈液基细胞涂片标本满意度进行评价。
为实现上述目的,根据本发明实施例的第一个方面,提供了一种评价细胞涂片标本满意度的方法,包括:基于卷积神经网络技术构建细胞识别模型;利用所述细胞识别模型对测试细胞标本图像进行细胞识别,得到识别结果;根据所述识别结果判断所述测试细胞标本图像是否为满意标本图像。
可选地,所述基于卷积神经网络技术构建细胞识别模型的步骤包括:获取原始细胞标本图像;对所述原始细胞标本图像进行细胞标定,然后从细胞标定结果图像中提取图像块以得到训练样本集,其中所述训练样本集包括训练正样本和训练负样本;采用卷积神经网络对所述已标定细胞标本样本集进行训练,得到细胞识别模型。
可选地,所述卷积神经网络为前馈卷积网络,其产生固定大小的边界框集合和框中对象类别的分数,接着采用非最大化抑制步骤产生最终检测。
可选地,所述根据所述识别结果判断所述测试细胞标本图像是否为满意标本图像的步骤包括:将所述识别结果中的事件概率大于预设概率阈值的细胞标记为目标细胞;对同一张测试细胞标本图像中的M个视野进行统计,若存在至少N个视野的目标细胞的数目大于等于预设细胞数目阈值,则认为所述测试细胞标本图像为满意标本图像,反之则为不满意标本图像,其中,M和N为自然数且M大于N。
为实现上述目的,根据本发明实施例的第二个方面,提供了一种评价细胞涂片标本满意度的装置,包括:模型构建模块,用于基于卷积神经网络技术构建细胞识别模型;测试识别模块,用于利用所述细胞识别模型对测试细胞标本图像进行细胞识别,得到识别结果;判断模块,用于根据所述识别结果判断所述测试细胞标本图像是否为满意标本图像。
可选地,所述模型构建模块还用于:获取原始细胞标本图像;对所述原始细胞标本图像进行细胞标定,然后从细胞标定结果图像中提取图像块以得到训练样本集,其中所述训练样本集包括训练正样本和训练负样本;采用卷积神经网络对所述已标定细胞标本样本集进行训练,得到细胞识别模型。
可选地,所述模型构建模块中,所述卷积神经网络为前馈卷积网络,其产生固定大小的边界框集合和框中对象类别的分数,接着采用非最大化抑制步骤产生最终检测。
可选地,所述判断模块还用于:将所述识别结果中的事件概率大于预设概率阈值的细胞标记为目标细胞;对同一张测试细胞标本图像中的M个视野进行统计,若存在至少N个视野的目标细胞的数目大于等于预设细胞数目阈值,则认为所述测试细胞标本图像为满意标本图像,反之则为不满意标本图像,其中,M和N为自然数且M大于N。
为实现上述目的,根据本发明实施例的第三个方面,提供了一种电子设备,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明提出的评价细胞涂片标本满意度的方法。
为实现上述目的,根据本发明实施例的第四个方面,提供了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存储计算机指令,所述计算机指令用于使所述计算机执行本发明提出的评价细胞涂片标本满意度的方法。
上述发明中的一个实施例中,采用卷积神经网络技术实现细胞的自动计数,能够解决细胞成团或是细胞数目密集造成的细胞数目人工计算的不准确,并且计算机辅助细胞计数克服人工计数的不一致问题,能够客观的评估标本的满意度。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的评价细胞涂片标本满意度的方法的主要步骤的示意图;
图2为本发明实施例的识别结果的示意图;
图3是根据本发明实施例的评价细胞涂片标本满意度的装置的主要模块的示意图;
图4是用来实现本发明实施例的评价细胞涂片标本满意度的方法的电子设备的硬件结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明实施例的评价细胞涂片标本满意度的方法的主要步骤的示意图。如图1所示,主要包括步骤A至步骤C。
步骤A:基于卷积神经网络技术构建细胞识别模型。
具体地,步骤A可以包括如下的步骤A1至步骤A3。
步骤A1:获取原始细胞标本图像。
步骤A2:对原始细胞标本图像进行细胞标定,然后从细胞标定结果图像中提取图像块以得到训练样本集,其中训练样本集包括训练正样本和训练负样本。
步骤A3:采用卷积神经网络对已标定细胞标本样本集进行训练,得到细胞识别模型。
优选地,在步骤A3中,卷积神经网络为前馈卷积网络,其产生固定大小的边界框集合和框中对象类别的分数,接着采用非最大化抑制步骤产生最终检测。
步骤B:利用细胞识别模型对测试细胞标本图像进行细胞识别,得到识别结果。识别结果是指在原有的测试细胞标本图像上标记处了疑似为细胞的图像区域并标记出对应的概率。
步骤C:根据识别结果判断测试细胞标本图像是否为满意标本图像。
具体地,步骤C可以包括如下的步骤C1和步骤C2。
步骤C1:将识别结果中的事件概率大于预设概率阈值的细胞标记为目标细胞。
步骤C2:对同一张测试细胞标本图像中的M个视野进行统计,若存在至少N个视野的目标细胞的数目大于等于预设细胞数目阈值,则认为测试细胞标本图像为满意标本图像,反之则为不满意标本图像。其中,M和N为自然数且M大于N。
由上可知,本发明实施例的评价细胞涂片标本满意度的方法采用卷积神经网络技术实现细胞的自动计数,能够解决细胞成团或是细胞数目密集造成的细胞数目人工计算的不准确,并且计算机辅助细胞计数克服人工计数的不一致问题,能够客观的评估标本的满意度。
为使本领域技术人员更好地理解本发明的方法,我们列举一个关于宫颈液基细胞涂片标本满意度评价方法的例子,详细介绍如下。
(1)获取宫颈液基细胞涂片标本的全切片数字扫描图像。
使用全切片数字扫描仪,将宫颈液基细胞涂片转化为高分辨率的数字图像,便于存储和计算机处理分析。
(2)人工对数字扫描图像中的鳞状上皮细胞进行标定。
人工(通常为专业的医生)标定分为两步骤:a.在宫颈液基细胞涂片上用标记笔将病灶区域勾画出来,称为粗标定,该标定在显微镜下完成,在切片数字化之前;b.切片转化为数字图像后,在计算机上,医生使用标定软件,将病灶区域的病变细胞进行勾画,同时对勾画的细胞加上标签,表明细胞的类型。标签包括:非典型鳞状细胞-意义不明确(atypicalsquamous cells of undetermined significance,ASC-US),非典型鳞状细胞-不除外高级别鳞状上皮内病变(atypical squamous cells–cannot exclude HSIL,ASC-H),低级别鳞状上皮内病变(low-grade squamous intraepithelial lesion,LSIL),高级别鳞状上皮内病变(high-grade squamous intraepithelial lesion,HSIL),萎缩细胞,如下图所示,其中长方形框标定出细胞的位置,并且在标定旁加上了该细胞的类型。
(3)根据标定的鳞状上皮细胞提取训练所需的图像块。
训练样本集分为两部分数据,一部分为医生标定的多种病变鳞状上皮细胞,这些细胞包括单个标定细胞或是细胞群。如果是细胞群,有三种做法,一种做法是将细胞群直接作为训练样本;第二种做法为将细胞群中的细胞手动或是自动分割出来,将单独的细胞作为训练样本;第三种做法将细胞和细胞群都作为训练样本,加入到训练样本集中。另一部分的训练样本包括正常的鳞状上皮细胞。
(4)将数据进行训练样本和测试样本。
将采集的所有数据分为训练样本集和测试样本集。我们从多个医院或是机构采集宫颈液基细胞涂片,因此数据为多来源样本。我们采用独立的训练样本和测试样本,用来测试CNN模型的稳定性和准确性。
(5)将训练样本获取卷积神经网络的参数模型,得到鳞状上皮细胞的识别模型。
鳞状上皮细胞识别模型基于卷积神经网络。在检测阶段,神经网络的输入为医生标定的细胞或是细胞群,这些细胞和细胞群单独存放在一个长方形框内,作为训练网络模型的真实样本(ground truth)。同时,我们考虑不同尺度的特征图上采用不同长宽比的长方形框实现神经网络的卷积计算。对于每一个长方形框里包含的数据,计算形状的偏移,和属于每个细胞学分类的概率值。在训练的阶段,我们将这些同长宽比的长方形框和真实样本数据进行匹配,其中有些长方形框和真实样本数据有很好的匹配,那么这些长方形框作为训练集中的正样本,剩下匹配度低的长方形框作为训练集中的负样本。具体的深层神经网络模型的设计如下。
采用前馈卷积网络,其产生固定大小的边界框集合和框中对象类别的分数,接着采用非最大化抑制步骤产生最终检测。我们使用经典的VGG-16网络作为基础,然后,我们向网络添加辅助结构,实现多尺度特征图检测。我们将6个卷积特征层添加到截断的基础网络的末尾。这些层尺寸逐渐减小,得到多个尺度检测的预测值。检测的卷积模型对于每个特征层是不同的。每个添加的特征层(或可选的基础网络的现有特征层)可以使用一组卷积滤波器产生固定的预测集合。对于具有p个通道的大小为m×n的特征层,使用3×3×p卷积核卷积操作,产生类别的分数或相对于默认框的坐标偏移。在每个应用卷积核运算的m×n大小位置处,产生一个输出值。边界框偏移输出值是相对于默认框测量,默认框位置则相对于特征图。我们将一组默认边界框与顶层网络每个特征图单元关联。默认框对特征图作卷积运算,使得每个框实例相对于其对应单元格的位置是固定的。在每个特征映射单元中,我们预测相对于单元格中的默认框形状的偏移,以及每个框中实例的每类分数。具体来说,对于在给定位置的k个框中每个框,我们计算c类分数和相对于原始默认框的4个偏移量。这使得在特征图中的每个位置需要总共(c+4)×k个滤波器,对于m×n特征图产生(c+4)×k×m×n个输出。我们的默认框类似于Faster R-CNN中使用的anchor boxes,但我们将其应用于不同分辨率的特征图中。在多个特征图中使用不同的默认框形状,可以有效地离散可能的输出框形状空间。
在训练时,需要建立真实标签和默认框之间的对应关系。对于每个真实标签框,我们从默认框中进行选择,这些默认框随位置、纵横比和比例而变化。启始时,我们匹配每个真实标签框与默认框最好的jaccard重叠。这是原始MultiBox使用的匹配方法,它确保每个真实标签框有一个匹配的默认框。与MultiBox不同,匹配默认框与真实标签jaccard重叠高于阈值(0.5)的默认框。添加这些匹配简化了学习问题:它使得有多个重叠默认框时网络预测获得高置信度,而不是要求它选择具有最大重叠的那个。
大多数卷积网络通过加深层数减小特征图的大小。这不仅减少计算和存储消耗,而且还提供一定程度的平移和尺寸不变性。为了处理不同的对象尺寸,我们将图像转换为不同的尺寸,然后单独处理每个尺寸,然后组合结果。然而,通过用单个网络中的若干不同层的特征图来进行预测,我们可以得到相同的效果,同时还在所有对象尺度上共享参数。之前的研究已经表明使用来自较低层的特征图可以提高语义分割质量,因为较低层捕获到输入对象的更精细的细节。同时,添加从高层特征图下采样的全局文本可以帮助平滑分割结果。在实验中,使用低层和高层的特征图进行检测预测。我们在框架中使用的两个示例特征图(8×8和4×4),当然在实践中,可以使用更多具有相对小的计算开销的特征图。本实施例采用的深层神经网络的结构可以参考文献Liu等发表的文章“SSD:Single Shot MultiBoxDetector”,European Conference on Computer Vison(ECCV),pp.21-37,2016.
(6)将测试图像输入细胞识别模型,得到对应的细胞概率值,然后根据细胞概率值得到图像中细胞识别结果。
测试样本集为独立于训练样本的数据,即用于训练的数据不能作为测试样本集,训练样本集和测试样本集的交集为空。独立的测试样本集保证细胞识别模型测试结果的准确性和得到的识别模型的鲁棒性。所识别的每个细胞都有对应的细胞概率值(如图2所示)。对于细胞概率值≥0.5的细胞为有效细胞。我们对有效的细胞进行后续的计数。
(7)根据识别结果进行判断。在切片数字扫描图像中选取了20个视野,对每个视野进行细胞检测,计算细胞的数目。该方法根据TBS系统中对液基涂片中评估鳞状上皮细胞数量参考指南中包含最低数量(≥5000)的细胞为计算标准,计算每个视野的平均细胞数。如果20个视野中,有18个视野的细胞数目≥4个,则判定该数字图像对应的标本切片为满意标本。
标本样本满意度的自动评价是实现计算机辅助诊断宫颈细胞学抹片的首个步骤。本发明采用基于卷积神经网络的细胞检测算法能够准确的判别鳞状上皮细胞,精确的计算鳞状上皮细胞的数目,为宫颈涂片标本的客观评估提供一种新的手段。同时该方法为建立基于计算机技术的宫颈细胞学抹片辅助诊断奠定基础。
图3是根据本发明实施例的评价细胞涂片标本满意度的装置的主要模块的示意图。如图3所示,该实施例的评价细胞涂片标本满意度的装置30包括:模型构建模块301、测试识别模块302和判断模块303。模型构建模块301用于基于卷积神经网络技术构建细胞识别模型。测试识别模块302用于利用细胞识别模型对测试细胞标本图像进行细胞识别,得到识别结果。判断模块303用于根据识别结果判断测试细胞标本图像是否为满意标本图像。
可选地,模型构建模块301具体用于:获取原始细胞标本图像;对原始细胞标本图像进行细胞标定,然后从细胞标定结果图像中提取图像块以得到训练样本集,其中训练样本集包括训练正样本和训练负样本;基于卷积神经网络对已标定细胞标本样本集进行训练,得到细胞识别模型。
可选地,模型构建模块301中,卷积神经网络为前馈卷积网络,其产生固定大小的边界框集合和框中对象类别的分数,接着采用非最大化抑制步骤产生最终检测。
可选地,判断模块303具体用于:将识别结果中的事件概率大于预设概率阈值的细胞标记为目标细胞;对同一张测试细胞标本图像中的M个视野进行统计,若存在至少N个视野的目标细胞的数目大于等于预设细胞数目阈值,则认为测试细胞标本图像为满意标本图像,反之则为不满意标本图像。其中,M和N为自然数且M大于N。
上述装置未在本实施例中详尽描述的技术细节,可参见本发明实施例所提供的方法。
本发明实施例的评价细胞涂片标本满意度的装置中,采用卷积神经网络技术实现细胞的自动计数,能够解决细胞成团或是细胞数目密集造成的细胞数目人工计算的不准确,并且计算机辅助细胞计数克服人工计数的不一致问题,能够客观的评估标本的满意度。
根据本发明的实施例,本发明还提供了一种电子设备和一种可读存储介质。
本发明的电子设备包括:至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器执行本发明所提供的评价细胞涂片标本满意度的方法。
本发明的计算机可读存储介质,计算机可读存储介质存储计算机指令,计算机指令用于使计算机执行本发明所提供的评价细胞涂片标本满意度的方法。
图4是用来实现本发明实施例的评价细胞涂片标本满意度的方法的电子设备的硬件结构示意图。如图4所示,该电子设备包括:一个或多个处理器41以及存储器42,图4中以一个处理器41为例。其中,存储器42即为本发明所提供的计算机可读存储介质。
评价细胞涂片标本满意度的方法的电子设备还可以包括:输入装置43和输出装置44。
处理器41、存储器42、输入装置43和输出装置44可以通过总线或者其他方式连接,图4中以通过总线连接为例。
存储器42作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的评价细胞涂片标本满意度的方法对应的程序指令/模块。处理器41通过运行存储在存储器42中的软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的评价细胞涂片标本满意度的方法。
存储器42可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据评价细胞涂片标本满意度的装置的使用所创建的数据等。此外,存储器42可以包括高速随机存取存储器,还可以包括存储器,例如至少一个磁盘存储器件、闪存器件、或其他固态存储器件。在一些实施例中,存储器42可选包括相对于处理器41远程设置的存储器,这些远程存储器可以通过网络连接至评价细胞涂片标本满意度的装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置43可接收输入的数字或字符信息,以及产生与评价细胞涂片标本满意度的装置的用户设置以及功能控制有关的键信号输入。输出装置44可包括显示屏等显示设备。
一个或者多个模块存储在存储器42中,当被一个或者多个处理器41执行时,执行上述任意方法实施例中的评价细胞涂片标本满意度的方法。
上述产品可执行本发明实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例所提供的方法。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种评价细胞涂片标本满意度的方法,其特征在于,包括:
基于卷积神经网络技术构建细胞识别模型;
利用所述细胞识别模型对测试细胞标本图像进行细胞识别,得到识别结果;
根据所述识别结果判断所述测试细胞标本图像是否为满意标本图像。
2.根据权利要求1所述的方法,其特征在于,所述基于卷积神经网络技术构建细胞识别模型的步骤包括:
获取原始细胞标本图像;
对所述原始细胞标本图像进行细胞标定,然后从细胞标定结果图像中提取图像块以得到训练样本集,其中所述训练样本集包括训练正样本和训练负样本;
采用卷积神经网络对所述已标定细胞标本样本集进行训练,得到细胞识别模型。
3.根据权利要求2所述的方法,其特征在于,所述卷积神经网络为前馈卷积网络,其产生固定大小的边界框集合和框中对象类别的分数,接着采用非最大化抑制步骤产生最终检测。
4.根据权利要求1所述的方法,其特征在于,所述根据所述识别结果判断所述测试细胞标本图像是否为满意标本图像的步骤包括:
将所述识别结果中的事件概率大于预设概率阈值的细胞标记为目标细胞;
对同一张测试细胞标本图像中的M个视野进行统计,若存在至少N个视野的目标细胞的数目大于等于预设细胞数目阈值,则认为所述测试细胞标本图像为满意标本图像,反之则为不满意标本图像,
其中,M和N为自然数且M大于N。
5.一种评价细胞涂片标本满意度的装置,其特征在于,包括:
模型构建模块,用于基于卷积神经网络技术构建细胞识别模型;
测试识别模块,用于利用所述细胞识别模型对测试细胞标本图像进行细胞识别,得到识别结果;
判断模块,用于根据所述识别结果判断所述测试细胞标本图像是否为满意标本图像。
6.根据权利要求5所述的装置,其特征在于,所述模型构建模块还用于:
获取原始细胞标本图像;
对所述原始细胞标本图像进行细胞标定,然后从细胞标定结果图像中提取图像块以得到训练样本集,其中所述训练样本集包括训练正样本和训练负样本;
采用卷积神经网络对所述已标定细胞标本样本集进行训练,得到细胞识别模型。
7.根据权利要求6所述的装置,其特征在于,所述模型构建模块中,所述卷积神经网络为前馈卷积网络,其产生固定大小的边界框集合和框中对象类别的分数,接着采用非最大化抑制步骤产生最终检测。
8.根据权利要求5所述的装置,其特征在于,所述判断模块还用于:
将所述识别结果中的事件概率大于预设概率阈值的细胞标记为目标细胞;
对同一张测试细胞标本图像中的M个视野进行统计,若存在至少N个视野的目标细胞的数目大于等于预设细胞数目阈值,则认为所述测试细胞标本图像为满意标本图像,反之则为不满意标本图像,
其中,M和N为自然数且M大于N。
9.一种电子设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。
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存储计算机指令,所述计算机指令用于使所述计算机执行权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711219680.6A CN107832838A (zh) | 2017-11-28 | 2017-11-28 | 评价细胞涂片标本满意度的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711219680.6A CN107832838A (zh) | 2017-11-28 | 2017-11-28 | 评价细胞涂片标本满意度的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107832838A true CN107832838A (zh) | 2018-03-23 |
Family
ID=61646356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711219680.6A Pending CN107832838A (zh) | 2017-11-28 | 2017-11-28 | 评价细胞涂片标本满意度的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107832838A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647731A (zh) * | 2018-05-14 | 2018-10-12 | 宁波江丰生物信息技术有限公司 | 基于主动学习的宫颈癌识别模型训练方法 |
CN108852268A (zh) * | 2018-04-23 | 2018-11-23 | 浙江大学 | 一种消化内镜图像异常特征实时标记系统及方法 |
CN109377486A (zh) * | 2018-10-15 | 2019-02-22 | 易普森智慧健康科技(深圳)有限公司 | 一种宫颈液基细胞有效图像的判别方法及系统 |
CN109978771A (zh) * | 2019-04-08 | 2019-07-05 | 哈尔滨理工大学 | 基于内容分析的细胞图像快速融合方法 |
WO2020034192A1 (zh) * | 2018-08-17 | 2020-02-20 | 孙永年 | 切片或抹片影像的处理方法、计算机装置及系统 |
CN111275121A (zh) * | 2020-01-23 | 2020-06-12 | 北京百度网讯科技有限公司 | 一种医学影像处理方法、装置和电子设备 |
CN112951410A (zh) * | 2021-02-08 | 2021-06-11 | 青岛大学附属医院 | 超声引导下的细针穿刺病理涂片快速现场评估系统 |
CN114418995A (zh) * | 2022-01-19 | 2022-04-29 | 生态环境部长江流域生态环境监督管理局生态环境监测与科学研究中心 | 一种基于显微镜图像的级联藻类细胞统计方法 |
CN115620284A (zh) * | 2022-12-19 | 2023-01-17 | 广东工业大学 | 基于卷积注意力机制的细胞凋亡计数方法、系统及平台 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070027636A1 (en) * | 2005-07-29 | 2007-02-01 | Matthew Rabinowitz | System and method for using genetic, phentoypic and clinical data to make predictions for clinical or lifestyle decisions |
CN101221118A (zh) * | 2007-12-07 | 2008-07-16 | 东华大学 | 一种智能识别与计数痰涂片显微图像结核菌的系统和方法 |
CN107169556A (zh) * | 2017-05-15 | 2017-09-15 | 电子科技大学 | 基于深度学习的干细胞自动计数方法 |
-
2017
- 2017-11-28 CN CN201711219680.6A patent/CN107832838A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070027636A1 (en) * | 2005-07-29 | 2007-02-01 | Matthew Rabinowitz | System and method for using genetic, phentoypic and clinical data to make predictions for clinical or lifestyle decisions |
CN101221118A (zh) * | 2007-12-07 | 2008-07-16 | 东华大学 | 一种智能识别与计数痰涂片显微图像结核菌的系统和方法 |
CN107169556A (zh) * | 2017-05-15 | 2017-09-15 | 电子科技大学 | 基于深度学习的干细胞自动计数方法 |
Non-Patent Citations (1)
Title |
---|
黎志金: "宫颈细胞满意度自动评价方法研究", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108852268A (zh) * | 2018-04-23 | 2018-11-23 | 浙江大学 | 一种消化内镜图像异常特征实时标记系统及方法 |
CN108647731A (zh) * | 2018-05-14 | 2018-10-12 | 宁波江丰生物信息技术有限公司 | 基于主动学习的宫颈癌识别模型训练方法 |
WO2020034192A1 (zh) * | 2018-08-17 | 2020-02-20 | 孙永年 | 切片或抹片影像的处理方法、计算机装置及系统 |
CN109377486A (zh) * | 2018-10-15 | 2019-02-22 | 易普森智慧健康科技(深圳)有限公司 | 一种宫颈液基细胞有效图像的判别方法及系统 |
CN109377486B (zh) * | 2018-10-15 | 2020-11-06 | 易普森智慧健康科技(深圳)有限公司 | 一种宫颈液基细胞有效图像的判别方法及系统 |
CN109978771A (zh) * | 2019-04-08 | 2019-07-05 | 哈尔滨理工大学 | 基于内容分析的细胞图像快速融合方法 |
CN111275121A (zh) * | 2020-01-23 | 2020-06-12 | 北京百度网讯科技有限公司 | 一种医学影像处理方法、装置和电子设备 |
CN111275121B (zh) * | 2020-01-23 | 2023-07-18 | 北京康夫子健康技术有限公司 | 一种医学影像处理方法、装置和电子设备 |
CN112951410A (zh) * | 2021-02-08 | 2021-06-11 | 青岛大学附属医院 | 超声引导下的细针穿刺病理涂片快速现场评估系统 |
CN114418995A (zh) * | 2022-01-19 | 2022-04-29 | 生态环境部长江流域生态环境监督管理局生态环境监测与科学研究中心 | 一种基于显微镜图像的级联藻类细胞统计方法 |
CN115620284A (zh) * | 2022-12-19 | 2023-01-17 | 广东工业大学 | 基于卷积注意力机制的细胞凋亡计数方法、系统及平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107832838A (zh) | 评价细胞涂片标本满意度的方法和装置 | |
Chandradevan et al. | Machine-based detection and classification for bone marrow aspirate differential counts: initial development focusing on nonneoplastic cells | |
CN109598224A (zh) | 基于区域推荐卷积神经网络的骨髓切片中白细胞检测方法 | |
TWI743544B (zh) | 用於自動腫瘤偵測和分類的方法及系統 | |
US9488639B2 (en) | Cell-based tissue analysis | |
CN108416379A (zh) | 用于处理宫颈细胞图像的方法和装置 | |
CN112380900A (zh) | 基于深度学习的子宫颈液基细胞数字图像分类方法及系统 | |
CA2965431A1 (en) | Computational pathology systems and methods for early-stage cancer prognosis | |
CN112819821B (zh) | 一种细胞核图像检测方法 | |
Habtemariam et al. | Cervix type and cervical cancer classification system using deep learning techniques | |
US20170364664A1 (en) | Method for stratifying and selecting candidates for receiving a specific therapeutic approach | |
CN110796661B (zh) | 基于卷积神经网络的真菌显微图像分割检测方法及系统 | |
CN113658174B (zh) | 基于深度学习和图像处理算法的微核组学图像检测方法 | |
CN113902669A (zh) | 一种尿脱落细胞液基涂片的阅片方法及系统 | |
Kårsnäs | Image analysis methods and tools for digital histopathology applications relevant to breast cancer diagnosis | |
US20230360208A1 (en) | Training end-to-end weakly supervised networks at the specimen (supra-image) level | |
Swiderska-Chadaj et al. | Convolutional neural networks for lymphocyte detection in immunohistochemically stained whole-slide images | |
CN114092935A (zh) | 一种基于卷积神经网络的纺织品纤维识别方法 | |
EP3789914A1 (en) | Methods and systems for automated assessment of respiratory cytology specimens | |
US11915823B1 (en) | Systems and methods for frame-based validation | |
Narayanan et al. | Unmasking the tissue microecology of ductal carcinoma in situ with deep learning | |
Rao et al. | Breast cancer detection on histopathological data | |
WO2019074491A1 (en) | PATIENT STRATIFICATION METHOD USING IMAGE ANALYSIS PARAMETER DELIVERY FUNCTIONS | |
CN115292887A (zh) | 基于病斑面积比率的植物病害严重度评估方法及装置 | |
Fernandez et al. | Analytical validation of the PreciseDx digital prognostic breast cancer test in early-stage breast cancer |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180323 |
|
WD01 | Invention patent application deemed withdrawn after publication |