CN108629359A - 一种人类上皮细胞样本图像自动分类方法 - Google Patents

一种人类上皮细胞样本图像自动分类方法 Download PDF

Info

Publication number
CN108629359A
CN108629359A CN201710183151.9A CN201710183151A CN108629359A CN 108629359 A CN108629359 A CN 108629359A CN 201710183151 A CN201710183151 A CN 201710183151A CN 108629359 A CN108629359 A CN 108629359A
Authority
CN
China
Prior art keywords
human epithelial
epithelial cell
sample image
cell
sample
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
Application number
CN201710183151.9A
Other languages
English (en)
Inventor
郑伟诗
李宏伟
黄灏
李瑞溪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sun Yat Sen University
National Sun Yat Sen University
Original Assignee
National Sun Yat Sen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National Sun Yat Sen University filed Critical National Sun Yat Sen University
Priority to CN201710183151.9A priority Critical patent/CN108629359A/zh
Publication of CN108629359A publication Critical patent/CN108629359A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30024—Cell structures in vitro; Tissue sections in vitro

Abstract

本发明公开了一种人类上皮细胞样本图像自动分类方法，包括步骤：将人类上皮细胞样本图像分割成多张细胞群图片；从细胞群图片中筛选出有效的训练样本；使用有效的训练样本对深度卷积神经网络进行训练；用训练完成的深度卷积神经网络对未筛选的细胞群图片进行模式分类；统计模式分类结果，得到每个人类上皮细胞样本图片的模式分布直方图；使用模式分布直方图作为特征向量，输入到统计分类器进行模型训练；使用训练好的统计分类器对测试样品进行分类预测。本发明使用深度卷积神经网络，对单个细胞进行模式识别，具有鲁棒性；使用模式分布直方图作为样本图像的特征表达，对噪声数据有一定的容忍度，识别率高。

Description

一种人类上皮细胞样本图像自动分类方法
技术领域
本发明涉及计算机视觉和医学图像处理领域，尤其涉及一种人类上皮细胞样本图像自动分类方法。
背景技术
近五年来，计算机视觉、模式识别技术被逐渐应用在医学辅助诊断，医学图像处理和分析已经成为了一个热门的研究和应用领域。人类上皮细胞(HEp-2)的模式识别有助于医生诊断出病人的免疫疾病。在医学领域，该识别过程往往由经验丰富的医生来完成，人工成本昂贵，人工识别率不高(75％左右)。不同医生对同一样本还可能做出不同的诊断。
近三年来出现了很多自动识别人类上皮细胞(HEp-2)的方法，如使用局部描述子，如HOG、SIFT、LBP，再配合特征编码，如稀疏编码、Fisher Vector。但是关于识别整个样本的研究工作却比较少，常用的方法也是通过局部描述子配合特征编码的方式。而目前的深度学习技术，从未被用于该分类任务当中。
发明内容
为克服现有技术的不足，提供一种本发明提出实用性强、样本识别率高的方法，本发明提出一种使用深度卷积神经对样本内的细胞进行模式识别，并统计样本内的模式分布，并且将模式分布直方图作为样本的特征表达来将人类上皮细胞样本图像自动分类方法。
本发明的技术方案是这样的：
一种人类上皮细胞样本图像自动分类方法，包括步骤
S1：将人类上皮细胞样本图像分割成多张细胞群图片；
S2：从所述细胞群图片中筛选出有效的训练样本；
S3：使用有效的训练样本对深度卷积神经网络进行训练；
S4：用训练完成的深度卷积神经网络对未筛选的细胞群图片进行模式分类；
S5：统计模式分类结果，得到每个人类上皮细胞样本图片的模式分布直方图；
S6：使用所述模式分布直方图作为特征向量，输入到统计分类器进行模型训练；
S7：使用训练好的统计分类器对测试样品进行分类预测。
进一步地，步骤S2包括步骤
S21：将每一张人类上皮细胞样本图像分割成细胞区域和背景两个部分；
S22：通过检测非连通区域，得到单个细胞所在的区域；
S23：对每个区域求球心，用一定大小的矩阵框住细胞区域，并求出该张人类上皮细胞样本图像中的细胞中心向量及每个细胞到中心向量的欧式距离；
S24：通过筛选欧式距离，筛选出相对有效的训练样本。
进一步地，步骤S6中所述统计分类器为支持向量机或随机森林。
本发明的有益效果在于，与现有技术相比，本发明使用自动分割算法分割出细胞，方便快捷，并且使用筛选准则，保证了训练样本的有效性，在一定程度上过滤了噪声数据；本发明使用深度卷积神经网络，在利用有效样本训练的基础上，对单个细胞进行模式识别，具有鲁棒性；本发明使用模式分布直方图作为样本图像的特征表达，对噪声数据有一定的容忍度，识别率高。
附图说明
图1是本发明一种人类上皮细胞样本图像自动分类方法流程图；
图2是本发明中一个实施例中应用到的ICPR-2013数据集示例图；
图3是本发明一个实施例中所使用的深度卷积神经网络的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参见图1，本发明一种人类上皮细胞样本图像自动分类方法包括步骤
S1：将样本图片自动分割成多张细胞群图片。
S2：筛选出有效训练样本。具体地，在本实施例中，采用76×76的方框将单个细胞框住。接着，使用特征描述子对其进行特征提取。假设N张图片得到的特征向量为{x1,x2,x3,…,xN}，那么一个样本内的细胞中心向量可以估计为接着计算出每个细胞到中心向量的欧式距离通过筛选欧式距离即可筛选出相对有效的训练样本。在本实施例中，我们筛选出90％的有效样本。
S3：利用有效训练样本对深度卷积神经网络进行训练。在本实施例中，所有单细胞图片被缩放到60×60，接着使用图3的网络进行训练。考虑到计算时间和避免过拟合，训练的次数设定为50，每次批量训练的样本数设定为200。由于各类的训练样本不均衡，实施例中还使用了样本增广技术。
S4：用完成训练的网络对同一样本的多张细胞图片进行模式分类。
S5：统计模式分类结果，得到每个人类上皮细胞样本图片的模式分布直方图。
S6：使用所述模式分布直方图作为特征向量，输入到统计分类器进行模型训练。在本实施例中，使用了线性支持向量机作为分类模型，C的值设定为100，模型训练时间比较短。
S7：使用训练好的统计分类器对测试样品进行分类预测。
本发明通过以下实验对本发明的效果进行说明：训练和识别测试在公开数据库ICPR-2013上进行，ICPR-2013数据集示例如图2所示。该数据库共有252个病人。我们使用“留一法”来检验算法的有效性。在模型训练阶段，每次抽取251个病人的样本作为训练数据，剩下的一个病人的样本作为测试数据。经过252次操作后，可以得到每个病人的样本识别率。
在“留一法”的评价标准下，该算法在ICPR2013数据集的识别率混淆矩阵，如表1所示：
表1
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (3)

1.一种人类上皮细胞样本图像自动分类方法，其特征在于，包括步骤
S1：将人类上皮细胞样本图像分割成多张细胞群图片；
S2：从所述细胞群图片中筛选出有效的训练样本；
S3：使用有效的训练样本对深度卷积神经网络进行训练；
S4：用训练完成的深度卷积神经网络对未筛选的细胞群图片进行模式分类；
S5：统计模式分类结果，得到每个人类上皮细胞样本图片的模式分布直方图；
S6：使用所述模式分布直方图作为特征向量，输入到统计分类器进行模型训练；
S7：使用训练好的统计分类器对测试样品进行分类预测。
2.如权利要求1所述的人类上皮细胞样本图像自动分类方法，其特征在于，步骤S2包括步骤
S21：将每一张人类上皮细胞样本图像分割成细胞区域和背景两个部分；
S22：通过检测非连通区域，得到单个细胞所在的区域；
S23：对每个区域求球心，用一定大小的矩阵框住细胞区域，并求出该张人类上皮细胞样本图像中的细胞中心向量及每个细胞到中心向量的欧式距离；
S24：通过筛选欧式距离，筛选出相对有效的训练样本。
3.如权利要求1所述的人类上皮细胞样本图像自动分类方法，其特征在于，步骤S6中所述统计分类器为支持向量机或随机森林。
CN201710183151.9A 2017-03-24 2017-03-24 一种人类上皮细胞样本图像自动分类方法 Pending CN108629359A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710183151.9A CN108629359A (zh) 2017-03-24 2017-03-24 一种人类上皮细胞样本图像自动分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710183151.9A CN108629359A (zh) 2017-03-24 2017-03-24 一种人类上皮细胞样本图像自动分类方法

Publications (1)

Publication Number Publication Date
CN108629359A true CN108629359A (zh) 2018-10-09

Family

ID=63706795

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710183151.9A Pending CN108629359A (zh) 2017-03-24 2017-03-24 一种人类上皮细胞样本图像自动分类方法

Country Status (1)

Country Link
CN (1) CN108629359A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110110799A (zh) * 2019-05-13 2019-08-09 广州锟元方青医疗科技有限公司 细胞分类方法、装置、计算机设备和存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103366180A (zh) * 2013-06-14 2013-10-23 山东大学 一种基于自动特征学习的细胞图像分割方法
CN106248559A (zh) * 2016-07-14 2016-12-21 中国计量大学 一种基于深度学习的白细胞五分类方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103366180A (zh) * 2013-06-14 2013-10-23 山东大学 一种基于自动特征学习的细胞图像分割方法
CN106248559A (zh) * 2016-07-14 2016-12-21 中国计量大学 一种基于深度学习的白细胞五分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HONGWEI LI ET AL: "Deep CNNs for HEp-2 Cells Classification: A Cross-specimen Analysis", 《HTTPS://ARXIV.ORG/ABS/1604.05816V1》 *
HONGWEI LI ET AL: "HEp-2 Specimen Classification via Deep CNNs and Pattern Histogram", 《2016 23RD INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110110799A (zh) * 2019-05-13 2019-08-09 广州锟元方青医疗科技有限公司 细胞分类方法、装置、计算机设备和存储介质
CN110110799B (zh) * 2019-05-13 2021-11-16 广州锟元方青医疗科技有限公司 细胞分类方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
CN108491784A (zh) 面向大型直播场景的单人特写实时识别与自动截图方法
CN109544564A (zh) 一种医疗图像分割方法
WO2023045231A1 (zh) 一种解耦分治的面神经分割方法和装置
CN106529504B (zh) 一种复合时空特征的双模态视频情感识别方法
CN110781953B (zh) 基于多尺度金字塔卷积神经网络的肺癌病理切片分类方法
CN112184617A (zh) 一种基于深度学习的脊椎mri影像关键点检测方法
Harun et al. Unsupervised segmentation technique for acute leukemia cells using clustering algorithms
CN112712122A (zh) 基于神经网络模型的角膜溃疡的分类检测方法及系统
CN106203448B (zh) 一种基于非线性尺度空间的场景分类方法
Junayed et al. ScarNet: development and validation of a novel deep CNN model for acne scar classification with a new dataset
CN115578372A (zh) 基于目标检测和卷积变换的骨龄评估方法、设备及介质
CN110826408A (zh) 一种分区域特征提取人脸识别方法
CN112036520A (zh) 基于深度学习的大熊猫年龄识别方法、装置及存储介质
Manivannan et al. Hep-2 specimen classification using multi-resolution local patterns and SVM
CN108629359A (zh) 一种人类上皮细胞样本图像自动分类方法
CN111862004B (zh) 基于细胞荧光图像的肿瘤细胞表型识别计数方法
Mustafa et al. Obscenity detection using haar-like features and gentle Adaboost classifier
CN113869098A (zh) 植物病害识别方法、装置、电子设备及存储介质
CN105701499B (zh) 一种用于脑部mri图像分类的图像处理方法
CN111985488A (zh) 一种基于离线高斯模型的目标检测分割方法及系统
CN111814832A (zh) 一种目标检测方法、装置及存储介质
CN111667469A (zh) 肺部疾病分类方法、装置及设备
Sriram et al. Classification of human epithelial type-2 cells using hierarchical segregation
CN114037868B (zh) 图像识别模型的生成方法及装置
CN114998639A (zh) 一种基于深度学习的中药材品类识别方法

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: 20181009

WD01 Invention patent application deemed withdrawn after publication