CN108961242A - 一种荧光染色图像ctc智能识别方法 - Google Patents
一种荧光染色图像ctc智能识别方法 Download PDFInfo
- Publication number
- CN108961242A CN108961242A CN201810729343.XA CN201810729343A CN108961242A CN 108961242 A CN108961242 A CN 108961242A CN 201810729343 A CN201810729343 A CN 201810729343A CN 108961242 A CN108961242 A CN 108961242A
- Authority
- CN
- China
- Prior art keywords
- ctc
- image
- target
- fluorescent staining
- doubtful
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
Abstract
本发明涉及一种荧光染色图像CTC智能识别方法,其基于小样本数据集训练,包括以下步骤:基于小样本数据集训练;读入采集的原始荧光图像;图像质量评估;对图像进行预处理;基于模型的隐性特性匹配;基于特征的显性特性过滤;对疑似CTC目标进行标注、计数;生成供判读用的疑似CTC细胞图像。该方法针对数据集的体量,设计与之匹配的合理的网络模型用于训练,将基于人工智能方法的“隐性规则”与基于特征方法的“显性规则”相结合,并辅以若干预处理方法,目的是:在数据集不够大、复杂背景下,仍然能够得到足够精确的CTC识别算法模型对CTC进行智能识别,解决CTC识别结果的“漏检”问题,同时有效降低CTC识别结果的“误检率”。
Description
技术领域
本发明涉及一种荧光染色图像CTC智能识别方法,该方法基于小样本数据集训练,属于医学影像领域。
背景技术
外周血循环肿瘤细胞(Circulating Tumor Cell,简称CTC)指由原发肿瘤或继发肿瘤自发进入或诊疗操作带入外周血的肿瘤细胞。已有研究发现癌症病人外周血中CTC数量与病情发展阶段有着紧密联系。因此,近年来推动CTC检测技术的发展已成为癌症诊断治疗的一个研究热点。
通常,从经过CTC富集、荧光染色等操作后的血液样本中完成图像采集后,采用复杂的图像处理方法对荧光染色图像中的CTC进行识别。临床CTC形态千差万别,难以用计算机语言统一定量描述;同时,临床荧光染色图像中,其背景极其复杂,存在较多的白细胞、破碎细胞、染料块等干扰因素对CTC识别造成影响,因此,基于特征的传统、单一算法无法准确对临床CTC进行识别,采用基于机器学习的智能识别方法是必要的途径。
目前,CTC的临床影像数据资源十分匮乏,无法为模型训练提供足够大的数据集,同时CTC样本数据尺寸偏小,在这种情况下,如果设计的网络模型过于严格,训练过程中极容易发生“过拟合”问题,会导致最后CTC识别结果的“漏检”,这在临床应用中是难以接受的。如果设计的网络模型过于简单,训练过程中极容易发生“欠拟合”问题,会导致CTC识别结果存在大量的“误识别”,对后续分析也不利。
发明内容
(一)要解决的技术问题
针对现有技术中的上述不足,本发明提出一种荧光染色图像CTC智能识别方法,该方法基于小样本数据集训练,其针对数据集的体量,设计与之匹配的合理的网络模型用于训练,将基于人工智能方法的“隐性规则”与基于特征方法的“显性规则”相结合,并辅以若干预处理方法,目的是:在数据集不够大、复杂背景下,仍然能够得到足够精确的CTC识别算法模型对CTC进行智能识别,解决CTC识别结果的“漏检”问题,同时有效降低CTC识别结果的“误检率”。
(二)技术方案
一种荧光染色图像CTC智能识别方法,该方法基于小样本数据集训练,包括以下步骤:
步骤一、基于小样本数据集训练;
步骤二、读入采集的原始荧光图像;
步骤三、图像质量评估;
步骤四、对图像进行预处理;
步骤五、基于模型的隐性特性匹配;
步骤六、基于特征的显性特性过滤;
步骤七、对疑似CTC目标进行标注、计数;
步骤八、生成供判读用的疑似CTC细胞图像。
所述步骤一具体包括:
(1)正样本数据采集与处理;
(2)数据增强;
(3)网络模型设计;
(4)基于深度学习平台训练;
(5)得到目标识别模型。
在正样本数据采集与处理步骤中,收集正样本数据,即收集荧光图像中的CTC目标图像,对其背景进行处理,使其背景接近纯黑,即RGB格式下像素点值为(0,0,0),将其尺寸调整为一致。
在数据增强步骤中,采用平移、镜像、旋转、缩放、调节对比度的批量图像处理方法实现数据增强,使得样本数量扩大到原样本数量的10~100倍。
在网络模型设计步骤中,设计11层网络模型;在基于深度学习平台训练步骤中,所述深度学习平台为Caffe或TensorFlow。
所述步骤二具体为:采用图像形态学处理方法识别关键区域的边缘,在此基础上,对有效区域进行截取。
所述步骤三具体为:采用Sobel算子或Laplace算子提取边缘后对其均值进行计算,进而对图像清晰度是否满足识别要求进行判断:如果满足清晰度判据,则进入识别环节,如果不满足清晰度判据,则反馈图像采集系统重新采集图像。
所述步骤四具体为:采用聚类分析的方法对图像中与目标无关的背景噪声进行去除,采用自适应增强的方法对关注的目标进行局部增强。
所述步骤五具体为:基于步骤一得到的目标识别模型进行隐性特性匹配,识别疑似CTC目标。
所述步骤六具体为:针对步骤五识别到的疑似CTC目标,从细胞形态大小、颜色标识、纹理特性三个方面进行进一步过滤,得到最终待识别的疑似CTC目标;所述步骤七具体为:采用矩形框对疑似CTC目标在原图中的位置进行标注,对疑似CTC目标位置进行截取,对识别后的图像进行保存。
(三)有益效果
本发明的一种荧光染色图像CTC智能识别方法,采用了将隐性规则与显性规则相结合的方法对CTC进行智能识别。其中,隐性规则来源于采用人工智能方法对临床CTC的学习,基于小数据集样本共性对图像目标进行“初筛”得到疑似CTC,显性规则来自于基于经验的特征算法,从细胞形态大小、颜色标识、纹理特性三个方面,采用多个可调整的参数对疑似CTC进行进一步过滤。智能化自动CTC识别方法能够快速自动精确定位疑似CTC,且具自学习能力,其识别准确度随着“已学习”的临床CTC样本数目增多而逐步提高。
在预处理环节还采用了自适应局部特性增强方法、基于聚类分析的背景噪声去除方法、图像质量评估方法等一系列方法,对图像进行预处理,有效的去除了干扰CTC的识别的影响因素。
采用该方法对荧光染色图像中CTC中进行检测,在保证极低的漏检率的同时有效降低了误检率,该方法在100多例临床应用测试中效果良好,该方法能够很好的适用于识别荧光染色图像中直径10微米-100微米的CTC,对临床样本中的CTC识别漏检率可达到0%,误识别率低于20%。
附图说明
图1本发明的一种荧光染色图像CTC智能识别方法步骤图。
具体实施方式
参照图1,本发明的一种荧光染色图像CTC智能识别方法,该方法基于小样本数据集训练,包括以下步骤:
步骤一、基于小样本数据集训练;
具体包括:
(1)正样本数据采集与处理;
收集正样本数据,即收集荧光图像中的CTC目标图像,对其背景进行处理,使其背景接近纯黑,即RGB格式下像素点值为(0,0,0),将其尺寸调整为一致。一般尺寸可统一调整为40像素×40像素。
(2)数据增强;
采用平移、镜像、旋转、缩放、调节对比度的批量图像处理方法实现数据增强,使得样本数量扩大到原样本数量的10~100倍。
(3)网络模型设计;
设计11层网络模型。
(4)基于深度学习平台训练;
所述深度学习平台为Caffe或TensorFlow。
(5)得到目标识别模型;
所述模型以文件形式呈现。
步骤二、读入采集的原始荧光图像;
采用图像形态学处理方法识别关键区域的边缘,在此基础上,对有效区域进行截取。
步骤三、图像质量评估;
采用Sobel算子或Laplace算子提取边缘后对其均值进行计算,进而对图像清晰度是否满足识别要求进行判断:如果满足清晰度判据,则进入识别环节,如果不满足清晰度判据,则反馈图像采集系统重新采集图像。如果外接实时图像采集系统则需要反馈,如果无外接实时图像采集系统则不需要反馈。
步骤四、对图像进行预处理;
采用聚类分析的方法对图像中与目标无关的背景噪声进行去除,采用自适应增强的方法对关注的目标进行局部增强。
步骤五、基于模型的隐性特性匹配;
基于步骤一得到的目标识别模型进行隐性特性匹配,识别疑似CTC目标。
步骤六、基于特征的显性特性过滤;
针对步骤五识别到的疑似CTC目标,从细胞形态大小、颜色标识、纹理特性三个方面进行进一步过滤,得到最终待识别的CTC目标。
步骤七、对疑似CTC目标进行标注、计数;
采用矩形框对疑似CTC目标在原图中的位置进行标注,对疑似CTC目标位置进行截取,对识别后的图像进行保存。
步骤八、生成供判读用的疑似CTC细胞图像。
Claims (10)
1.一种荧光染色图像CTC智能识别方法,该方法基于小样本数据集训练,其特征在于,包括以下步骤:
步骤一、基于小样本数据集训练;
步骤二、读入采集的原始荧光图像;
步骤三、图像质量评估;
步骤四、对图像进行预处理;
步骤五、基于模型的隐性特性匹配;
步骤六、基于特征的显性特性过滤;
步骤七、对疑似CTC目标进行标注、计数;
步骤八、生成供判读用的疑似CTC细胞图像。
2.如权利要求1所述的一种荧光染色图像CTC智能识别方法,其特征在于:所述步骤一具体包括:
(1)正样本数据采集与处理;
(2)数据增强;
(3)网络模型设计;
(4)基于深度学习平台训练;
(5)得到目标识别模型。
3.如权利要求2所述的一种荧光染色图像CTC智能识别方法,其特征在于:在正样本数据采集与处理步骤中,收集正样本数据,即收集荧光图像中的CTC目标图像,对其背景进行处理,使其背景接近纯黑,即RGB格式下像素点值为(0,0,0),将其尺寸调整为一致。
4.如权利要求2所述的一种荧光染色图像CTC智能识别方法,其特征在于:在数据增强步骤中,采用平移、镜像、旋转、缩放、调节对比度的批量图像处理方法实现数据增强,使得样本数量扩大到原样本数量的10~100倍。
5.如权利要求2所述的一种荧光染色图像CTC智能识别方法,其特征在于:在网络模型设计步骤中,设计11层网络模型;在基于深度学习平台训练步骤中,所述深度学习平台为Caffe或TensorFlow。
6.如权利要求1所述的一种荧光染色图像CTC智能识别方法,其特征在于:所述步骤二具体为:采用图像形态学处理方法识别关键区域的边缘,在此基础上,对有效区域进行截取。
7.如权利要求1所述的一种荧光染色图像CTC智能识别方法,其特征在于:所述步骤三具体为:采用Sobel算子或Laplace算子提取边缘后对其均值进行计算,进而对图像清晰度是否满足识别要求进行判断:如果满足清晰度判据,则进入识别环节,如果不满足清晰度判据,则反馈图像采集系统重新采集图像。
8.如权利要求1所述的一种荧光染色图像CTC智能识别方法,其特征在于:所述步骤四具体为:采用聚类分析的方法对图像中与目标无关的背景噪声进行去除,采用自适应增强的方法对关注的目标进行局部增强。
9.如权利要求1所述的一种荧光染色图像CTC智能识别方法,其特征在于:所述步骤五具体为:基于步骤一得到的目标识别模型进行隐性特性匹配,识别疑似CTC目标。
10.如权利要求1所述的一种荧光染色图像CTC智能识别方法,其特征在于:所述步骤六具体为:针对步骤五识别到的疑似CTC目标,从细胞形态大小、颜色标识、纹理特性三个方面进行进一步过滤,得到最终待识别的疑似CTC目标;所述步骤七具体为:采用矩形框对疑似CTC目标在原图中的位置进行标注,对疑似CTC目标位置进行截取,对识别后的图像进行保存。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810729343.XA CN108961242A (zh) | 2018-07-04 | 2018-07-04 | 一种荧光染色图像ctc智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810729343.XA CN108961242A (zh) | 2018-07-04 | 2018-07-04 | 一种荧光染色图像ctc智能识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108961242A true CN108961242A (zh) | 2018-12-07 |
Family
ID=64485938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810729343.XA Pending CN108961242A (zh) | 2018-07-04 | 2018-07-04 | 一种荧光染色图像ctc智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108961242A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110176039A (zh) * | 2019-04-23 | 2019-08-27 | 苏宁易购集团股份有限公司 | 一种针对人脸识别的摄像机调校方法和系统 |
CN110400335A (zh) * | 2019-07-25 | 2019-11-01 | 广西科技大学 | 基于深度学习的纹理图像质量估计方法 |
CN110415795A (zh) * | 2019-08-02 | 2019-11-05 | 杭州智团信息技术有限公司 | 一种荧光染色ctc图像的识别方法 |
CN110930363A (zh) * | 2019-10-29 | 2020-03-27 | 北京临近空间飞行器系统工程研究所 | 曲面模糊图像清晰度评价值确定方法、设备及存储介质 |
CN111326238A (zh) * | 2020-02-11 | 2020-06-23 | 苏州大学 | 基于滑动窗的癌细胞检测装置 |
CN111652095A (zh) * | 2020-05-21 | 2020-09-11 | 骏实生物科技(上海)有限公司 | 一种基于人工智能的ctc图像识别方法和系统 |
WO2021110143A1 (zh) * | 2019-12-06 | 2021-06-10 | 珠海圣美生物诊断技术有限公司 | 细胞判读方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013104862A1 (fr) * | 2012-01-12 | 2013-07-18 | Universite De Nice - Sophia Antipolis | Procédé de classification supervisée de cellules comprises dans des images de microscopie |
CN107099577A (zh) * | 2017-03-06 | 2017-08-29 | 华南理工大学 | 基于Hough圆检测和深度卷积网络的阴道分泌物湿片念珠菌检测方法 |
CN107475202A (zh) * | 2017-08-18 | 2017-12-15 | 河南省肿瘤医院 | 一种肺癌循环肿瘤细胞捕获与活性检测、分析方法及其应用 |
CN107909566A (zh) * | 2017-10-28 | 2018-04-13 | 杭州电子科技大学 | 一种基于深度学习的皮肤癌黑色素瘤的图像识别方法 |
-
2018
- 2018-07-04 CN CN201810729343.XA patent/CN108961242A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013104862A1 (fr) * | 2012-01-12 | 2013-07-18 | Universite De Nice - Sophia Antipolis | Procédé de classification supervisée de cellules comprises dans des images de microscopie |
CN107099577A (zh) * | 2017-03-06 | 2017-08-29 | 华南理工大学 | 基于Hough圆检测和深度卷积网络的阴道分泌物湿片念珠菌检测方法 |
CN107475202A (zh) * | 2017-08-18 | 2017-12-15 | 河南省肿瘤医院 | 一种肺癌循环肿瘤细胞捕获与活性检测、分析方法及其应用 |
CN107909566A (zh) * | 2017-10-28 | 2018-04-13 | 杭州电子科技大学 | 一种基于深度学习的皮肤癌黑色素瘤的图像识别方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110176039A (zh) * | 2019-04-23 | 2019-08-27 | 苏宁易购集团股份有限公司 | 一种针对人脸识别的摄像机调校方法和系统 |
CN110400335A (zh) * | 2019-07-25 | 2019-11-01 | 广西科技大学 | 基于深度学习的纹理图像质量估计方法 |
CN110415795A (zh) * | 2019-08-02 | 2019-11-05 | 杭州智团信息技术有限公司 | 一种荧光染色ctc图像的识别方法 |
CN110930363A (zh) * | 2019-10-29 | 2020-03-27 | 北京临近空间飞行器系统工程研究所 | 曲面模糊图像清晰度评价值确定方法、设备及存储介质 |
WO2021110143A1 (zh) * | 2019-12-06 | 2021-06-10 | 珠海圣美生物诊断技术有限公司 | 细胞判读方法及系统 |
CN111326238A (zh) * | 2020-02-11 | 2020-06-23 | 苏州大学 | 基于滑动窗的癌细胞检测装置 |
CN111652095A (zh) * | 2020-05-21 | 2020-09-11 | 骏实生物科技(上海)有限公司 | 一种基于人工智能的ctc图像识别方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108961242A (zh) | 一种荧光染色图像ctc智能识别方法 | |
CN109472781B (zh) | 一种基于串行结构分割的糖尿病视网膜病变检测系统 | |
WO2022063199A1 (zh) | 一种肺结节自动检测方法、装置及计算机系统 | |
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 | |
CN109272492A (zh) | 一种细胞病理涂片的处理方法及系统 | |
CN109858540B (zh) | 一种基于多模态融合的医学图像识别系统及方法 | |
CN111028206A (zh) | 一种基于深度学习前列腺癌自动检测和分类系统 | |
Khan et al. | Content based image retrieval approaches for detection of malarial parasite in blood images | |
CN109635846A (zh) | 一种多类医学图像判断方法和系统 | |
Mohammed et al. | Thresholding-based white blood cells segmentation from microscopic blood images | |
CN108171714B (zh) | 一种基于成对比较的骨折区域识别方法和系统 | |
CN110120056A (zh) | 基于自适应直方图阈值和轮廓检测的血液白细胞分割方法 | |
CN107122597B (zh) | 一种角膜受损智能诊断系统 | |
CN103186901A (zh) | 全自动图像分割方法 | |
Shaker et al. | Automatic detection and segmentation of sperm head, acrosome and nucleus in microscopic images of human semen smears | |
CN111681230A (zh) | 脑白质高信号评分系统及其评分方法 | |
CN113012093B (zh) | 青光眼图像特征提取的训练方法及训练系统 | |
Pandit et al. | Survey on automatic rbc detection and counting | |
Sholeh | White blood cell segmentation for fresh blood smear images | |
Ahmed et al. | High speed detection of optical disc in retinal fundus image | |
Meimban et al. | Blood cells counting using python opencv | |
Oscanoa et al. | Automated segmentation and classification of cell nuclei in immunohistochemical breast cancer images with estrogen receptor marker | |
Prentasic et al. | Weighted ensemble based automatic detection of exudates in fundus photographs | |
Girard et al. | Simultaneous macula detection and optic disc boundary segmentation in retinal fundus images | |
Manchalwar et al. | Detection of cataract and conjunctivitis disease using histogram of oriented gradient |
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: 20181207 |
|
RJ01 | Rejection of invention patent application after publication |