CN108776823A - 基于细胞图像识别的宫颈癌病灶分析方法 - Google Patents
基于细胞图像识别的宫颈癌病灶分析方法 Download PDFInfo
- Publication number
- CN108776823A CN108776823A CN201810733682.5A CN201810733682A CN108776823A CN 108776823 A CN108776823 A CN 108776823A CN 201810733682 A CN201810733682 A CN 201810733682A CN 108776823 A CN108776823 A CN 108776823A
- Authority
- CN
- China
- Prior art keywords
- pixel
- super
- feature
- cervical carcinoma
- analysis method
- 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
- 208000019065 cervical carcinoma Diseases 0.000 title claims abstract description 27
- 230000003902 lesion Effects 0.000 title claims abstract description 24
- 238000004458 analytical method Methods 0.000 title claims abstract description 21
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 238000007637 random forest analysis Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 7
- 150000001875 compounds Chemical class 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 description 4
- 238000004040 coloring Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- 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
-
- 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
- G06T2207/30096—Tumor; Lesion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于细胞图像识别的宫颈癌病灶分析方法，通过将特征表达丰富的像素级特征和具有一定语义特征的超像素级特征相结合，得到层次级特征，然后，将层次级特征用于训练随机森林来进行细胞的分割，较好的描述了局部错综复杂的微观结构，提高了识别性能；从细胞层级对图像进行自动分析，可以更加准确地找准宫颈癌病灶，从而进行针对性的治疗，自动化程度高。
Description
技术领域
本发明涉及图像识别领域，尤其涉及一种基于细胞图像识别的宫颈癌病灶分析方法。
背景技术
中国3亿妇女需定期做宫颈癌检查，目前20％的人群覆盖率尚未达到，与宫颈癌防治要求达到80％的人群覆盖率的目标差距尚远。
目前，中国缺乏细胞病理医生，自动化、云诊断可解决中国缺少病理专家的难题，为宫颈癌检查提供精准、客观的诊断报告。近年来，基于监督学习的机器学习方法越来越多的被用于宫颈癌病灶的分析中，并取得了较好的识别效果。这一方法主要分两大步骤：特征提取和模式识别，其中特征提取的好坏，将最终影响模式识别系统的识别性能。
现有技术基于监督学习方法识别宫颈癌病灶时，在特征提取阶段往往只考虑单个像素点信息，或者在考虑上下文信息时，只是简单采用一个固定大小和形状的方形窗，不能充分描述局部复杂多变的微观结构，大大降低了识别率。
发明内容
有鉴于此，本发明提出了一种精准的基于细胞图像识别的宫颈癌病灶分析方法。
本发明的技术方案是这样实现的：本发明提供了一种基于细胞图像识别的宫颈癌病灶分析方法，其包括以下步骤，
S1，对宫颈癌病灶细胞图像进行图像增强；
S2，基于超像素的典型样本点选择；
S3，提取像素级特征、超像素级特征和层次级特征；
S4，基于步骤S3中提取的特征进行分类，并输出分析结果。
在以上技术方案的基础上，优选的，步骤S1中，运用直方图均衡化和高斯滤波技术进行图像增强；通过综合局部邻近像素点的颜色信息和位置信息，将整幅图像分成一个个形状、大小相对均一的超像素；通过输入预期超像素的个数将整幅图像过分割为指定分割粒度的超像素。
在以上技术方案的基础上，优选的，所述步骤S2中，在每一超像素内随机选择三个样本点来代表该超像素内的全部样本点。
在以上技术方案的基础上，优选的，步骤S3中，针对每一个样本点，提取56维特征，其中包括28维的像素级特征，28维的超像素级特征。进一步优选的，步骤S3中提取的28维的像素级特征包括：5维的邻域信息都是3×3滤波特征；Sigma值分别为2.0,3.5,4.0的Gaussian滤波，核函数为3×3的Sobel filter，核函数为5×5的卷积滤波，赫森矩阵最大、最小特征值，拉普拉斯算子，水平方向二阶导数，垂直方向二阶导数，以上特征共10维；12维的形状描述子Rays特征；1维综合了纹理和几何形状的复合特征。进一步优选的，步骤S3中首先定义和提取一个超像素中所有像素点的各种像素级特征，将该超像素内所有像素点的统计特征，作为该超像素的特征，用于后继处理；通过求取超像素内所有像素点像素级特征的均值作为超像素级的特征。进一步优选的，步骤S3中将所有像素级特征和超像素级特征的特征向量拼接为一个特征向量，形成一个56维的特征向量，进而将两种级别的特征结合起来，作为一种层次级别的特征。
在以上技术方案的基础上，优选的，步骤S4中，采用随机森林分类器，在随机森林返回概率值的基础上，执行IsoData阈值分割方法。
本发明的基于细胞图像识别的宫颈癌病灶分析方法相对于现有技术具有以下有益效果：
(1)通过将特征表达丰富的像素级特征和具有一定语义特征的超像素级特征相结合，得到层次级特征，然后，将层次级特征用于训练随机森林来进行细胞的分割，较好的描述了局部错综复杂的微观结构，提高了识别性能；
(2)从细胞层级对图像进行自动分析，可以更加准确地找准宫颈癌病灶，从而进行针对性的治疗，自动化程度高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的基于细胞图像识别的宫颈癌病灶分析方法的流程图。
具体实施方式
下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
如图1所示，本发明的基于细胞图像识别的宫颈癌病灶分析方法，其包括以下步骤，
S1，对宫颈癌病灶细胞图像进行图像增强。具体的，运用直方图均衡化和高斯滤波技术进行图像增强；通过综合局部邻近像素点的颜色信息和位置信息，将整幅图像分成一个个形状、大小相对均一的超像素；通过输入预期超像素的个数将整幅图像过分割为指定分割粒度的超像素。通过综合局部颜色信息和位置信息将图像分成一个个形状、大小相对均一的小簇，简单易用，执行效率高。具体使用该方法时，只需输入预期超像素的个数便能产生指定分割粒度的超像素。
S2，基于超像素的典型样本点选择。为了精简样本空间，本发明基于超像素来进行样本点的选择，具体的，在每一超像素内随机选择三个样本点来代表该超像素内的全部样本点。
S3，提取像素级特征、超像素级特征和层次级特征。其中，针对每一个样本点，提取56维特征，其中包括28维的像素级特征，28维的超像素级特征。
提取的28维的像素级特征包括：5维的邻域信息都是3×3滤波特征；Sigma值分别为2.0,3.5,4.0的Gaussian滤波，核函数为3×3的Sobel filter，核函数为5×5的卷积滤波，赫森矩阵最大、最小特征值，拉普拉斯算子，水平方向二阶导数，垂直方向二阶导数，以上特征共10维；12维的形状描述子Rays特征；1维综合了纹理和几何形状的复合特征。
其中，提取超像素级特征的过程如下：首先定义和提取一个超像素中所有像素点的各种像素级特征，将该超像素内所有像素点的统计特征，作为该超像素的特征，用于后继处理；通过求取超像素内所有像素点像素级特征的均值作为超像素级的特征。
其中，提取层次级特征的过程如下：将所有像素级特征和超像素级特征的特征向量拼接为一个特征向量，形成一个56维的特征向量，进而将两种级别的特征结合起来，作为一种层次级别的特征。
S4，基于步骤S3中提取的特征进行分类，并输出分析结果。具体的，采用随机森林分类器，在随机森林返回概率值的基础上，执行IsoData阈值分割方法。
以上所述仅为本发明的较佳实施方式而已，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 (8)
1.一种基于细胞图像识别的宫颈癌病灶分析方法，其特征在于：其包括以下步骤，
S1，对宫颈癌病灶细胞图像进行图像增强；
S2，基于超像素的典型样本点选择；
S3，提取像素级特征、超像素级特征和层次级特征；
S4，基于步骤S3中提取的特征进行分类，并输出分析结果。
2.如权利要求1所述的基于细胞图像识别的宫颈癌病灶分析方法，其特征在于：步骤S1中，运用直方图均衡化和高斯滤波技术进行图像增强；通过综合局部邻近像素点的颜色信息和位置信息，将整幅图像分成一个个形状、大小相对均一的超像素；通过输入预期超像素的个数将整幅图像过分割为指定分割粒度的超像素。
3.如权利要求1所述的基于细胞图像识别的宫颈癌病灶分析方法，其特征在于：所述步骤S2中，在每一超像素内随机选择三个样本点来代表该超像素内的全部样本点。
4.如权利要求1所述的基于细胞图像识别的宫颈癌病灶分析方法，其特征在于：步骤S3中，针对每一个样本点，提取56维特征，其中包括28维的像素级特征，28维的超像素级特征。
5.如权利要求4所述的基于细胞图像识别的宫颈癌病灶分析方法，其特征在于：步骤S3中提取的28维的像素级特征包括：5维的邻域信息都是3×3滤波特征；Sigma值分别为2.0,3.5,4.0的Gaussian滤波，核函数为3×3的Sobel filter，核函数为5×5的卷积滤波，赫森矩阵最大、最小特征值，拉普拉斯算子，水平方向二阶导数，垂直方向二阶导数，以上特征共10维；12维的形状描述子Rays特征；1维综合了纹理和几何形状的复合特征。
6.如权利要求4所述的基于细胞图像识别的宫颈癌病灶分析方法，其特征在于：步骤S3中首先定义和提取一个超像素中所有像素点的各种像素级特征，将该超像素内所有像素点的统计特征，作为该超像素的特征，用于后继处理；通过求取超像素内所有像素点像素级特征的均值作为超像素级的特征。
7.如权利要求4所述的基于细胞图像识别的宫颈癌病灶分析方法，其特征在于：步骤S3中将所有像素级特征和超像素级特征的特征向量拼接为一个特征向量，形成一个56维的特征向量，进而将两种级别的特征结合起来，作为一种层次级别的特征。
8.如权利要求1所述的基于细胞图像识别的宫颈癌病灶分析方法，其特征在于：步骤S4中，采用随机森林分类器，在随机森林返回概率值的基础上，执行IsoData阈值分割方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810733682.5A CN108776823A (zh) | 2018-07-06 | 2018-07-06 | 基于细胞图像识别的宫颈癌病灶分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810733682.5A CN108776823A (zh) | 2018-07-06 | 2018-07-06 | 基于细胞图像识别的宫颈癌病灶分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108776823A true CN108776823A (zh) | 2018-11-09 |
Family
ID=64031215
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810733682.5A Pending CN108776823A (zh) | 2018-07-06 | 2018-07-06 | 基于细胞图像识别的宫颈癌病灶分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108776823A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109712693A (zh) * | 2018-12-14 | 2019-05-03 | 贵州大学 | 一种智能病理诊断方法及系统 |
| CN110600122A (zh) * | 2019-08-23 | 2019-12-20 | 腾讯医疗健康(深圳)有限公司 | 一种消化道影像的处理方法、装置、以及医疗系统 |
| CN110675411A (zh) * | 2019-09-26 | 2020-01-10 | 重庆大学 | 基于深度学习的宫颈鳞状上皮内病变识别算法 |
| CN110807732A (zh) * | 2019-10-11 | 2020-02-18 | 武汉兰丁医学高科技有限公司 | 用于显微图像全景拼接系统及方法 |
| CN117541482A (zh) * | 2024-01-10 | 2024-02-09 | 中国人民解放军空军军医大学 | 一种宫颈图像增强系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103353938A (zh) * | 2013-06-14 | 2013-10-16 | 山东大学 | 一种基于层次级特征的细胞膜分割方法 |
| CN103984958A (zh) * | 2014-05-07 | 2014-08-13 | 深圳大学 | 宫颈癌细胞分割方法及系统 |
| CN104850860A (zh) * | 2015-05-25 | 2015-08-19 | 广西师范大学 | 细胞图像识别方法及细胞图像识别装置 |
| CN106651886A (zh) * | 2017-01-03 | 2017-05-10 | 北京工业大学 | 一种基于超像素聚类优化cnn的云图分割方法 |
-
2018
- 2018-07-06 CN CN201810733682.5A patent/CN108776823A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103353938A (zh) * | 2013-06-14 | 2013-10-16 | 山东大学 | 一种基于层次级特征的细胞膜分割方法 |
| CN103984958A (zh) * | 2014-05-07 | 2014-08-13 | 深圳大学 | 宫颈癌细胞分割方法及系统 |
| CN103984958B (zh) * | 2014-05-07 | 2017-11-07 | 深圳大学 | 宫颈癌细胞分割方法及系统 |
| CN104850860A (zh) * | 2015-05-25 | 2015-08-19 | 广西师范大学 | 细胞图像识别方法及细胞图像识别装置 |
| CN106651886A (zh) * | 2017-01-03 | 2017-05-10 | 北京工业大学 | 一种基于超像素聚类优化cnn的云图分割方法 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109712693A (zh) * | 2018-12-14 | 2019-05-03 | 贵州大学 | 一种智能病理诊断方法及系统 |
| CN110600122A (zh) * | 2019-08-23 | 2019-12-20 | 腾讯医疗健康(深圳)有限公司 | 一种消化道影像的处理方法、装置、以及医疗系统 |
| CN110600122B (zh) * | 2019-08-23 | 2023-08-29 | 腾讯医疗健康(深圳)有限公司 | 一种消化道影像的处理方法、装置、以及医疗系统 |
| CN110675411A (zh) * | 2019-09-26 | 2020-01-10 | 重庆大学 | 基于深度学习的宫颈鳞状上皮内病变识别算法 |
| CN110675411B (zh) * | 2019-09-26 | 2023-05-16 | 重庆大学 | 基于深度学习的宫颈鳞状上皮内病变识别算法 |
| CN110807732A (zh) * | 2019-10-11 | 2020-02-18 | 武汉兰丁医学高科技有限公司 | 用于显微图像全景拼接系统及方法 |
| CN110807732B (zh) * | 2019-10-11 | 2023-08-29 | 武汉兰丁智能医学股份有限公司 | 用于显微图像全景拼接系统及方法 |
| CN117541482A (zh) * | 2024-01-10 | 2024-02-09 | 中国人民解放军空军军医大学 | 一种宫颈图像增强系统 |
| CN117541482B (zh) * | 2024-01-10 | 2024-03-26 | 中国人民解放军空军军医大学 | 一种宫颈图像增强系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108776823A (zh) | 基于细胞图像识别的宫颈癌病灶分析方法 | |
| CN110334706B (zh) | 一种图像目标识别方法及装置 | |
| CN108171104B (zh) | 一种文字检测方法及装置 | |
| CN107016405B (zh) | 一种基于分级预测卷积神经网络的害虫图像分类方法 | |
| Waghmare et al. | Detection and classification of diseases of grape plant using opposite colour local binary pattern feature and machine learning for automated decision support system | |
| CN109636824B (zh) | 一种基于图像识别技术的多目标计数方法 | |
| Zhang et al. | Saliency detection: A boolean map approach | |
| CN109190567A (zh) | 基于深度卷积神经网络的异常宫颈细胞自动检测方法 | |
| CN111461068B (zh) | 一种染色体中期图识别和分割方法 | |
| WO2018145470A1 (zh) | 一种图像检测方法和装置 | |
| CN106384112A (zh) | 基于多通道多尺度与级联过滤器的快速图像文本检测方法 | |
| CN103353938B (zh) | 一种基于层次级特征的细胞膜分割方法 | |
| CN103984958A (zh) | 宫颈癌细胞分割方法及系统 | |
| CN107492088B (zh) | 一种妇科显微图像中白细胞自动识别与统计方法 | |
| CN111145209A (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
| CN112132827A (zh) | 病理图像的处理方法、装置、电子设备及可读存储介质 | |
| Wen et al. | Virus image classification using multi-scale completed local binary pattern features extracted from filtered images by multi-scale principal component analysis | |
| CN115775226B (zh) | 基于Transformer的医学图像分类方法 | |
| CN111126162A (zh) | 一种识别图像中炎症细胞的方法、装置及存储介质 | |
| CN109117703A (zh) | 一种基于细粒度识别的混杂细胞种类鉴定方法 | |
| CN116452506A (zh) | 一种基于机器学习的井下煤矸石智能视觉识别分选方法 | |
| CN110288616B (zh) | 一种基于分形和rpca分割眼底图像中硬性渗出的方法 | |
| CN115294377A (zh) | 一种道路裂缝的识别系统及方法 | |
| CN105354547A (zh) | 一种结合纹理和彩色特征的行人检测方法 | |
| Chen et al. | Effective candidate component extraction for text localization in born-digital images by combining text contours and stroke interior regions |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181109 |
|
| RJ01 | Rejection of invention patent application after publication |