CN109978826A - 一种宫颈癌细胞病理学排阴法智能筛查系统及方法 - Google Patents
一种宫颈癌细胞病理学排阴法智能筛查系统及方法 Download PDFInfo
- Publication number
- CN109978826A CN109978826A CN201910127837.5A CN201910127837A CN109978826A CN 109978826 A CN109978826 A CN 109978826A CN 201910127837 A CN201910127837 A CN 201910127837A CN 109978826 A CN109978826 A CN 109978826A
- Authority
- CN
- China
- Prior art keywords
- module
- image
- tct
- acquisition
- cancer cell
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000012216 screening Methods 0.000 title claims abstract description 40
- 206010008342 Cervix carcinoma Diseases 0.000 title claims abstract description 32
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 title claims abstract description 32
- 201000010881 cervical cancer Diseases 0.000 title claims abstract description 32
- 230000007170 pathology Effects 0.000 title claims abstract description 30
- 230000011218 segmentation Effects 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000001914 filtration Methods 0.000 claims description 16
- 238000002059 diagnostic imaging Methods 0.000 claims description 15
- 230000009467 reduction Effects 0.000 claims description 11
- 230000005055 memory storage Effects 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 7
- 239000000654 additive Substances 0.000 claims description 4
- 230000000996 additive effect Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 claims 1
- 208000019065 cervical carcinoma Diseases 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 4
- 230000019771 cognition Effects 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 abstract description 2
- 210000004027 cell Anatomy 0.000 description 26
- 230000001086 cytosolic effect Effects 0.000 description 7
- 230000003902 lesion Effects 0.000 description 6
- 238000005520 cutting process Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 3
- 230000002146 bilateral effect Effects 0.000 description 3
- 210000000805 cytoplasm Anatomy 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 208000014829 head and neck neoplasm Diseases 0.000 description 3
- 208000026037 malignant tumor of neck Diseases 0.000 description 3
- 201000009030 Carcinoma Diseases 0.000 description 2
- 208000009458 Carcinoma in Situ Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 201000004933 in situ carcinoma Diseases 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 208000025865 Ulcer Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 208000035269 cancer or benign tumor Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 210000000981 epithelium Anatomy 0.000 description 1
- DNJIEGIFACGWOD-UHFFFAOYSA-N ethanethiol Chemical compound CCS DNJIEGIFACGWOD-UHFFFAOYSA-N 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000017074 necrotic cell death Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003716 rejuvenation Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 235000015170 shellfish Nutrition 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 231100000397 ulcer Toxicity 0.000 description 1
- 230000009105 vegetative growth Effects 0.000 description 1
Classifications
-
- G06T5/70—
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
- G06T2207/20024—Filtering details
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明属于宫颈癌细胞筛查技术领域,公开了一种宫颈癌细胞病理学排阴法智能筛查系统及方法,所述宫颈癌细胞病理学排阴法智能筛查系统包括:图像采集模块、输入模块、主控模块、图像处理模块、滤除模块、识别模块、数据存储模块、显示模块。本发明通过图像处理模块从粗到精的分割方法,一方面保证了处理的速度,另一方面又获得了精确的分割效果;同时,通过识别模块减轻了人工识别压力,也降低了人工判别宫颈癌患病可能性的成本;提高了TCT玻片扫描图像的图像块(TCT数字切片)的识别效率;通过统计机器学习模型进行评估,不仅节约成本而且方便有效。
Description
技术领域
本发明属于宫颈癌细胞筛查技术领域,尤其涉及一种宫颈癌细胞病理学排阴法智能筛查系统及方法。
背景技术
宫颈癌是最常见的妇科恶性肿瘤。原位癌高发年龄为30~35岁,浸润癌为45~55岁,近年来其发病有年轻化的趋势。近几十年宫颈细胞学筛查的普遍应用,使宫颈癌和癌前病变得以早期发现和治疗,宫颈癌的发病率和死亡率已有明显下降。原位癌及微小浸润癌可无明显肉眼病灶,宫颈光滑或仅为柱状上皮异位。随病情发展可出现不同体征。外生型宫颈癌可见息肉状、菜花状赘生物,常伴感染,肿瘤质脆易出血;内生型宫颈癌表现为宫颈肥大、质硬、宫颈管膨大;晚期癌组织坏死脱落,形成溃疡或空洞伴恶臭。阴道壁受累时,可见赘生物生长于阴道壁或阴道壁变硬;宫旁组织受累时,双合诊、三合诊检查可扪及宫颈旁组织增厚、结节状、质硬或形成冰冻状盆腔。然而,现有宫颈癌细胞病理学排阴法智能筛查系统中对采集的宫颈图像只完成了对细胞核的分割,而忽略了细胞质的分割,细胞质的信息对鉴别异常细胞同样非常关键的;多个细胞的不规则重叠、交叉、排列,白细胞的介入,灰尘和杂质的影响,光照不均等都加大了实际分割的难度;同时,现有通过人力去完成大量的宫颈癌的TCT检测识别分析,耗费人力,识别效率低。
综上所述,现有技术存在的问题是:
现有宫颈癌细胞病理学排阴法智能筛查系统中对采集的宫颈图像只完成了对细胞核的分割,而忽略了细胞质的分割,细胞质的信息对鉴别异常细胞同样非常关键的;多个细胞的不规则重叠、交叉、排列,白细胞的介入,灰尘和杂质的影响,光照不均等都加大了实际分割的难度;同时,现有通过人力去完成大量的宫颈癌的TCT检测识别分析,耗费人力,识别效率低。
现有技术中无法保证图像数据的清晰度及真实性,不利于宫颈癌细胞病理学排阴法智能筛查的准确进行;无法高效实现图像的降噪滤波,降低显示采集宫颈TCT数字切片图像的清晰度及真实度,不能保证宫颈TCT数字切片被医护人员准确的获取,不利于进一步治疗的快速展开;不能高效保持宫颈TCT切片图像的原有的平滑程度及特征,不能实现图像高质量的存储。
发明内容
针对现有技术存在的问题,本发明提供了一种宫颈癌细胞病理学排阴法智能筛查系统及方法。
本发明是这样实现的,一种宫颈癌细胞病理学排阴法智能筛查方法,所述宫颈癌细胞病理学排阴法智能筛查方法包括:
步骤一,通过单片机控制系统的正常工作;通过键盘进行筛查操作指令的输入;
步骤二,通过具有像元离散采集模型的医学影像设备采集宫颈TCT数字切片图像数据;通过图像处理软件对采集的宫颈图像进行分割操作;
步骤三,通过图像处理软件对分割后的图像识别其阳性和阴性特征;通过图像处理软件将采集的不合格、模糊、残图进行过滤去除;
步骤四,通过采用双波去燥的存储器存储采集的图像数据;通过基于NSCT变换的贝叶斯降噪滤波的显示器显示采集宫颈TCT数字切片图像。
进一步,所述步骤二中具有像元离散采集模型采集宫颈TCT数字切片图像数据具体包括:
医学影像设备采集宫颈TCT数字切片图像数据每个像元宽度记为d,像元中心记为(xc,yc),能量集中度Ce是与σpsf密切相关的物理概念,指医学影像设备采集的宫颈TCT数字切片图像数据的目标点落于像元中心时,该像元捕获到的目标能量百分比;σpsf由Ce确定,关系为:
将PSF在像元上积分,得到该采集宫颈TCT数字切片图像数据的像元对目标点的响应为:
进一步,所述步骤四中通过基于NSCT变换的贝叶斯降噪滤波的显示器,在对宫颈TCT数字切片图像进行NSCT变换后,得到系数为:
式中:上标C表示进行NSCT变换后的系数;n为像素位置;gn表示所观测到的含噪声图像;sn表示无噪声的理想图像;un为均值为1的乘性斑点噪声;vn为0均值的等效加性信号决定噪声;
本发明的另一目的在于提供一种实现所述宫颈癌细胞病理学排阴法智能筛查方法的宫颈癌细胞病理学排阴法智能筛查系统,所述宫颈癌细胞病理学排阴法智能筛查系统包括:
图像采集模块,与主控模块连接,用于通过医学影像设备采集宫颈TCT数字切片图像数据;
输入模块,与主控模块连接,用于通过键盘进行筛查操作指令的输入;
主控模块,与图像采集模块、输入模块、图像处理模块、滤除模块、识别模块、数据存储模块、显示模块连接,用于通过单片机控制各个模块正常工作;
图像处理模块,与主控模块连接,用于通过图像处理软件对采集的宫颈图像进行分割操作;
滤除模块,与主控模块连接,用于通过图像处理软件将采集的不合格、模糊、残图进行过滤去除;
识别模块,与主控模块连接,用于通过图像处理软件对分割后的图像识别其阳性和阴性特征;
数据存储模块,与主控模块连接,用于通过存储器存储采集的图像数据;
显示模块,与主控模块连接,用于通过显示器显示采集宫颈TCT数字切片图像。
本发明的另一目的在于提供一种应用所述宫颈癌细胞病理学排阴法智能筛查方法的计算机。
本发明的优点及积极效果为:本发明通过图像处理模块使用超像素保证细胞质边界的准确分割,然后对每个超像素区域提取颜色特征,采用卷积神经网络完成对细胞质和背景的分类;对细胞核的分割,同样采取从粗到精的分割新思想,对得到的粗分割细胞核图像,用BP神经网络进行进一步修复。本发明从粗到精的分割方法,一方面保证了处理的速度,另一方面又获得了精确的分割效果;同时,通过识别模块采用深度学习框架对患者的TCT玻片扫描图像的类别进行识别,降低了人工识别成本;而且本方法采用大数据分析的方法对TCT玻片扫描图像进行识别、获取、过滤等,只需要基于历史数据进行模型搭建,从一定程度上减轻了人工识别压力,也降低了人工判别宫颈癌患病可能性的成本;提高了TCT玻片扫描图像的图像块(TCT数字切片)的识别效率;通过统计机器学习模型进行评估,不仅节约成本而且方便有效。
本发明采用具有像元离散采集模型的医学影像设备,可以清晰、准确的采集宫颈TCT数字切片图像数据,保证图像数据的清晰度及真实性,有利于宫颈癌细胞病理学排阴法智能筛查的准确进行;本发明通过基于NSCT变换的贝叶斯降噪滤波的显示器,高效实现图像的降噪滤波,提高显示采集宫颈TCT数字切片图像的清晰度及真实度,保证宫颈TCT数字切片被医护人员准确的获取,利于进一步治疗的快速展开;本发明通过采用双波去燥的存储器存储采集的图像数据,高效保持宫颈TCT切片图像的原有的平滑程度及特征,实现高质量的存储。
附图说明
图1是本发明实施例提供的宫颈癌细胞病理学排阴法智能筛查方法流程图。
图2是本发明实施例提供的宫颈癌细胞病理学排阴法智能筛查系统结构示意图;
图中:1、图像采集模块;2、输入模块;3、主控模块;4、图像处理模块;5、滤除模块;6、识别模块;7、数据存储模块;8、显示模块。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如图1所示,本发明实施例提供的宫颈癌细胞病理学排阴法智能筛查方法,具体步骤为:
S101:通过单片机控制系统的正常工作;通过键盘进行筛查操作指令的输入;
S102:通过具有像元离散采集模型的医学影像设备采集宫颈TCT数字切片图像数据;通过图像处理软件对采集的宫颈图像进行分割操作;
S103:通过图像处理软件对分割后的图像识别其阳性和阴性特征;通过图像处理软件将采集的不合格、模糊、残图进行过滤去除;
S104:通过采用双波去燥的存储器存储采集的图像数据;通过基于NSCT变换的贝叶斯降噪滤波的显示器显示采集宫颈TCT数字切片图像。
步骤S102中,本发明实施例提供的具有像元离散采集模型的医学影像设备,可以清晰、准确的采集宫颈TCT数字切片图像数据,保证图像数据的清晰度及真实性,有利于宫颈癌细胞病理学排阴法智能筛查的准确进行;
医学影像设备采集宫颈TCT数字切片图像数据每个像元宽度记为d,像元中心记为(xc,yc),能量集中度Ce是与σpsf密切相关的物理概念,指医学影像设备采集的宫颈TCT数字切片图像数据的目标点落于像元中心时,该像元捕获到的目标能量百分比;σpsf由Ce确定,关系为
将PSF在像元上积分,得到该采集宫颈TCT数字切片图像数据的像元对目标点的响应为:
步骤S104中,本发明实施例提供的通过基于NSCT变换的贝叶斯降噪滤波的显示器,高效实现图像的降噪滤波,提高显示采集宫颈TCT数字切片图像的清晰度及真实度,保证宫颈TCT数字切片被医护人员准确的获取,利于进一步治疗的快速展开;根据NSCT变换的线性性质,在对宫颈TCT数字切片图像进行NSCT变换后,得到系数为:
式中:上标C表示进行NSCT变换后的系数;n为像素位置;gn表示所观测到的含噪声图像;sn表示无噪声的理想图像;un为均值为1的乘性斑点噪声;vn为0均值的等效加性信号决定噪声;
基于NSCT变换对图像变化的表示能力,加性噪声的变换系数近似为:
则:
由于u'n满足0均值,方差为δ的高斯分布;
利用贝叶斯最小均方误差估计,在信号突变区域的降噪滤波方程可表示为:
式中的积分可由选取该子带系数值上下限间的离散等差数列作为的取值代入求和来表示并计算。
步骤S104中,本发明实施例提供的通过采用双波去燥的存储器存储采集的图像数据,高效保持宫颈TCT切片图像的原有的平滑程度及特征,实现高质量的存储;具体的双波去燥方法为:
其中p′为滤波后得到的点数据,p为初始点云数据,n为法向量,α为双边滤波因子;
其中:k为离采样点最近的邻域内的采样点数,w1和w2为双边滤波函数的空间域和频率域权重,它们分别控制着双边滤波的平滑程度和特征保持程度。
如图2所示,本发明提供的宫颈癌细胞病理学排阴法智能筛查系统包括:图像采集模块1、输入模块2、主控模块3、图像处理模块4、滤除模块5、识别模块6、数据存储模块7、显示模块8。
图像采集模块1,与主控模块3连接,用于通过医学影像设备采集宫颈TCT数字切片图像数据;
输入模块2,与主控模块3连接,用于通过键盘进行筛查操作指令的输入;
主控模块3,与图像采集模块1、输入模块2、图像处理模块4、滤除模块5、识别模块6、数据存储模块7、显示模块8连接,用于通过单片机控制各个模块正常工作;
图像处理模块4,与主控模块3连接,用于通过图像处理软件对采集的宫颈图像进行分割操作;
滤除模块5,与主控模块3连接,用于通过图像处理软件将采集的不合格、模糊、残图进行过滤去除;
识别模块6,与主控模块3连接,用于通过图像处理软件对分割后的图像识别其阳性和阴性特征;
数据存储模块7,与主控模块3连接,用于通过存储器存储采集的图像数据;
显示模块8,与主控模块3连接,用于通过显示器显示采集宫颈TCT数字切片图像。
本发明提供的图像处理模块4处理方法如下:
a.去除宫颈图像的噪声;
b.对上述去除噪声的图像构造细胞质模板进行粗分割,以分割出细胞质区域;
c.对分割出的细胞质区域计算超像素;
d.对上述计算超像素的细胞质区域采用卷积神经网络进行分类;
e.根据上述去除噪声的图像构造细胞核模板,并对细胞核进行粗分割;
f.对粗分割后的细胞核进行修正,并完成宫颈癌细胞的分割。
本发明提供的噪声包括脉冲噪声和高斯噪声。
本发明提供的步骤c采用简单线性迭代聚类方法计算超像素。
本发明提供的步骤d包括:对采用简单线性迭代聚类方法得到的每个区域,抽取R、G、B、H、S、V六个通道的最大值、均值、最小值共18个颜色特征。
所述宫颈癌细胞病理学排阴法智能筛查系统,其特征在于,所述步骤e包括:
提高V通道细胞和背景对比度;
对V通道的图像进行形态学顶帽变换;
构造细胞核模板。
本发明提供的识别模块6识别方法如下:
(1)获取宫颈TCT数字切片图像内的阳性区域,基于获取的阳性区域样本训练自动编码器,得到训练好的自动编码器,所述阳性区域为病变区域;
(2)将步骤(1)获取的阳性区域输入到训练好的自动编码器,获得阳性区域中的阳性特征,将多个阳性区域中的阳性特征作为样本对单类SVM分类器进行训练,得到训练好的单类SVM分类器,所述阳性特征为病变特征;
(3)获取宫颈TCT数字切片图像内的阳性区域和宫颈TCT数字切片图像内的阴性区域,将多个阳性区域作为正样本,多个阴性区域作为负样本,对ResNet分类模型进行训练,得到训练好的ResNet分类模型,所述阴性区域为正常区域;
(4)获取患者的TCT玻片扫描图像,对TCT玻片扫描图像进行图像均匀切割,获得多个均匀切割后的图像块;
(5)将所有的图像块输入到训练好的自动编码器内从而提取特征,所提的特征进一步输入单类SVM分类器中,从而提取出属于阳性区域的图像块,上述提取出的所有的图像块均判断为疑似阳性区域;
(6)对步骤(5)提取的图像块进行预处理并将处理后的图像块输入到训练好的ResNet分类模型,获取图像块的病变置信度,预先设定置信度阈值,将病变置信度高于置信度阈值的图像块判断为阳性区域。
本发明提供的步骤(3)包括:
(a)、获取宫颈TCT数字切片图像内的阳性区域和宫颈TCT数字切片图像内的阴性区域,多个阳性区域作为正样本,多个阴性区域作为负样本;
(b)、通过图像数据增强方法对正样本和负样本进行增强;
(c)、将正样本、负样本、增强后的正样本和增强后的负样本均作为ResNet分类模型的输入并进行训练,得到训练好的ResNet分类模型。
本发明工作时,首先,通过图像采集模块1利用医学影像设备采集宫颈TCT数字切片图像数据;通过输入模块2利用键盘进行筛查操作指令的输入;其次,主控模块3通过图像处理模块4利用图像处理软件对采集的宫颈图像进行分割操作;通过滤除模块5利用图像处理软件将采集的不合格、模糊、残图进行过滤去除;通过识别模块6利用图像处理软件对分割后的图像识别其阳性和阴性特征;然后,通过数据存储模块7利用存储器存储采集的图像数据;最后,通过显示模块8利用显示器显示采集宫颈TCT数字切片图像。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (5)
1.一种宫颈癌细胞病理学排阴法智能筛查方法,其特征在于,所述宫颈癌细胞病理学排阴法智能筛查方法包括:
步骤一,通过单片机控制系统的正常工作;通过键盘进行筛查操作指令的输入;
步骤二,通过具有像元离散采集模型的医学影像设备采集宫颈TCT数字切片图像数据;通过图像处理软件对采集的宫颈图像进行分割操作;
步骤三,通过图像处理软件对分割后的图像识别其阳性和阴性特征;通过图像处理软件将采集的不合格、模糊、残图进行过滤去除;
步骤四,通过采用双波去燥的存储器存储采集的图像数据;通过基于NSCT变换的贝叶斯降噪滤波的显示器显示采集宫颈TCT数字切片图像。
2.如权利要求1所述的宫颈癌细胞病理学排阴法智能筛查方法,其特征在于,所述步骤二中具有像元离散采集模型采集宫颈TCT数字切片图像数据具体包括:
医学影像设备采集宫颈TCT数字切片图像数据每个像元宽度记为d,像元中心记为(xc,yc),能量集中度Ce是与σpsf密切相关的物理概念,指医学影像设备采集的宫颈TCT数字切片图像数据的目标点落于像元中心时,该像元捕获到的目标能量百分比;σpsf由Ce确定,关系为:
将PSF在像元上积分,得到该采集宫颈TCT数字切片图像数据的像元对目标点的响应为:
3.如权利要求1所述的宫颈癌细胞病理学排阴法智能筛查方法,其特征在于,所述步骤四中通过基于NSCT变换的贝叶斯降噪滤波的显示器,在对宫颈TCT数字切片图像进行NSCT变换后,得到系数为:
式中:上标C表示进行NSCT变换后的系数;n为像素位置;gn表示所观测到的含噪声图像;sn表示无噪声的理想图像;un为均值为1的乘性斑点噪声;vn为0均值的等效加性信号决定噪声。
4.一种实现权利要求1所述宫颈癌细胞病理学排阴法智能筛查方法的宫颈癌细胞病理学排阴法智能筛查系统,其特征在于,所述宫颈癌细胞病理学排阴法智能筛查系统包括:
图像采集模块,与主控模块连接,用于通过医学影像设备采集宫颈TCT数字切片图像数据;
输入模块,与主控模块连接,用于通过键盘进行筛查操作指令的输入;
主控模块,与图像采集模块、输入模块、图像处理模块、滤除模块、识别模块、数据存储模块、显示模块连接,用于通过单片机控制各个模块正常工作;
图像处理模块,与主控模块连接,用于通过图像处理软件对采集的宫颈图像进行分割操作;
滤除模块,与主控模块连接,用于通过图像处理软件将采集的不合格、模糊、残图进行过滤去除;
识别模块,与主控模块连接,用于通过图像处理软件对分割后的图像识别其阳性和阴性特征;
数据存储模块,与主控模块连接,用于通过存储器存储采集的图像数据;
显示模块,与主控模块连接,用于通过显示器显示采集宫颈TCT数字切片图像。
5.一种应用权利要求1~4任意一项所述宫颈癌细胞病理学排阴法智能筛查方法的计算机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910127837.5A CN109978826A (zh) | 2019-02-20 | 2019-02-20 | 一种宫颈癌细胞病理学排阴法智能筛查系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910127837.5A CN109978826A (zh) | 2019-02-20 | 2019-02-20 | 一种宫颈癌细胞病理学排阴法智能筛查系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109978826A true CN109978826A (zh) | 2019-07-05 |
Family
ID=67077162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910127837.5A Pending CN109978826A (zh) | 2019-02-20 | 2019-02-20 | 一种宫颈癌细胞病理学排阴法智能筛查系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109978826A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598561A (zh) * | 2019-08-15 | 2019-12-20 | 平安科技(深圳)有限公司 | 基于机器学习的细胞玻片分析方法、装置及存储介质 |
CN110675363A (zh) * | 2019-08-20 | 2020-01-10 | 电子科技大学 | 一种针对宫颈细胞的dna指数自动计算方法 |
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 |
CN113256628A (zh) * | 2021-07-05 | 2021-08-13 | 深圳科亚医疗科技有限公司 | 用于宫颈图像的分析管理的装置和方法、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110274338A1 (en) * | 2010-05-03 | 2011-11-10 | Sti Medical Systems, Llc | Image analysis for cervical neoplasia detection and diagnosis |
CN102682434A (zh) * | 2012-05-14 | 2012-09-19 | 西安电子科技大学 | 基于边缘先验和nsct域gsm的图像去噪方法 |
CN104680485A (zh) * | 2013-11-27 | 2015-06-03 | 展讯通信(上海)有限公司 | 一种基于多分辨率的图像去噪方法及装置 |
CN108334909A (zh) * | 2018-03-09 | 2018-07-27 | 南京天数信息科技有限公司 | 基于ResNet的宫颈癌TCT数字切片数据分析方法 |
CN108922273A (zh) * | 2018-07-16 | 2018-11-30 | 湖南城市学院 | 一种智能化英语学习桌 |
-
2019
- 2019-02-20 CN CN201910127837.5A patent/CN109978826A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110274338A1 (en) * | 2010-05-03 | 2011-11-10 | Sti Medical Systems, Llc | Image analysis for cervical neoplasia detection and diagnosis |
CN102682434A (zh) * | 2012-05-14 | 2012-09-19 | 西安电子科技大学 | 基于边缘先验和nsct域gsm的图像去噪方法 |
CN104680485A (zh) * | 2013-11-27 | 2015-06-03 | 展讯通信(上海)有限公司 | 一种基于多分辨率的图像去噪方法及装置 |
CN108334909A (zh) * | 2018-03-09 | 2018-07-27 | 南京天数信息科技有限公司 | 基于ResNet的宫颈癌TCT数字切片数据分析方法 |
CN108922273A (zh) * | 2018-07-16 | 2018-11-30 | 湖南城市学院 | 一种智能化英语学习桌 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598561A (zh) * | 2019-08-15 | 2019-12-20 | 平安科技(深圳)有限公司 | 基于机器学习的细胞玻片分析方法、装置及存储介质 |
CN110675363A (zh) * | 2019-08-20 | 2020-01-10 | 电子科技大学 | 一种针对宫颈细胞的dna指数自动计算方法 |
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 |
CN113256628A (zh) * | 2021-07-05 | 2021-08-13 | 深圳科亚医疗科技有限公司 | 用于宫颈图像的分析管理的装置和方法、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109978826A (zh) | 一种宫颈癌细胞病理学排阴法智能筛查系统及方法 | |
CN109191457B (zh) | 一种病理图像质量有效性识别方法 | |
CN109272492B (zh) | 一种细胞病理涂片的处理方法及系统 | |
CN107256558B (zh) | 一种无监督式的宫颈细胞图像自动分割方法及系统 | |
CN108053417B (zh) | 一种基于混合粗分割特征的3D U-Net网络的肺分割装置 | |
CN110675411B (zh) | 基于深度学习的宫颈鳞状上皮内病变识别算法 | |
CN112488234B (zh) | 一种基于注意力池化的端到端组织病理图像分类方法 | |
CN103984958B (zh) | 宫颈癌细胞分割方法及系统 | |
CN101576997B (zh) | 基于二次三维区域生长的腹部器官分割方法 | |
CN103473767B (zh) | 一种腹部软组织核磁图像分割的方法和系统 | |
CN110008832A (zh) | 基于深度学习人物图像自动分割方法、信息数据处理终端 | |
WO2023078041A1 (zh) | 基于自适应比例学习的肿瘤组织病理分类系统及方法 | |
CN110838100A (zh) | 一种基于滑动窗口的结肠镜病理切片筛查与分割系统 | |
CN106682639B (zh) | 一种基于视频监测的作物叶部异常图像提取方法 | |
CN102982542A (zh) | 一种基于相位一致性的眼底图像血管分割方法 | |
CN111882561A (zh) | 一种癌细胞识别诊断系统 | |
CN108537751A (zh) | 一种基于径向基神经网络的甲状腺超声图像自动分割方法 | |
CN104299242A (zh) | 基于ngc-acm的荧光造影眼底图像提取方法 | |
CN109145848A (zh) | 一种麦穗计数方法 | |
CN110660070A (zh) | 一种水稻叶脉图像提取方法和装置 | |
CN109685783B (zh) | 一种基于骨架提取的细胞计数方法 | |
CN115471701A (zh) | 基于深度学习和迁移学习的肺腺癌组织学亚型分类方法 | |
CN114511588A (zh) | 一种乳腺组织病理图像良恶性判别方法及装置 | |
CN109711469A (zh) | 一种基于半监督邻域判别指数的乳腺癌诊断系统 | |
CN116704553B (zh) | 一种基于计算机视觉技术的人体特征识物辅助系统 |
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: 20190705 |
|
RJ01 | Rejection of invention patent application after publication |