CN110009050A - 一种细胞的分类方法及装置 - Google Patents
一种细胞的分类方法及装置 Download PDFInfo
- Publication number
- CN110009050A CN110009050A CN201910286056.0A CN201910286056A CN110009050A CN 110009050 A CN110009050 A CN 110009050A CN 201910286056 A CN201910286056 A CN 201910286056A CN 110009050 A CN110009050 A CN 110009050A
- Authority
- CN
- China
- Prior art keywords
- cell
- uterine neck
- neck image
- target
- type
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本申请提供了一种细胞的分类方法及装置，涉及医疗检测技术领域，其中，该方法包括：将目标宫颈图像输入至训练好的细胞分类模型中，得到所述目标宫颈图像的特征分类矩阵；基于所述特征分类矩阵和所述细胞分类模型，确定所述目标宫颈图像中细胞的类型。本申请实施例通过过训练好的模型对病理切片中的细胞进行分类，以降低人工成本，提高工作效率。
Description
技术领域
本申请涉及医疗诊断技术领域，尤其是涉及一种细胞的分类方法及装置。
背景技术
宫颈癌是女性高发癌症，如果患者在宫颈癌前期病变阶段或更早期通过筛查确诊，则宫颈癌发病率及死亡率将显著下降。宫颈癌早期筛查是在宫颈细胞液基涂片的电子显微镜下图像中找到异常细胞，进而确定癌前病变，以便在潜在恶性肿瘤发展成为致死性侵袭癌之前对其进行治疗，挽救患者生命。
现有技术中，普遍通过人工进行宫颈图像细胞分类，申请人在研究中发现，该方法人工成本高、效率低且出现误判的几率较大。所以如何实现一种低人工成本、高效率、高准确率的自动进行宫颈图像细胞分类的方法，成为医疗或病理领域亟待解决的重要问题。
发明内容
有鉴于此，本申请的目的在于提供一种细胞的分类方法及装置，以降低人工成本，提高工作效率。
本申请实施例提供了一种细胞的分类方法，所述方法包括：
将目标宫颈图像输入至训练好的细胞分类模型中，得到所述目标宫颈图像的特征分类矩阵；
基于所述特征分类矩阵和所述细胞分类模型，确定所述目标宫颈图像中细胞的类型。
进一步的，在所述将目标宫颈图像输入至训练好的细胞分类模型中，得到所述目标宫颈图像的特征分类矩阵之前，所述方法包括：
获取待识别宫颈图像；
以边长为预设长度值的滑动窗口按照预设步长对所述待识别宫颈图像进行滑动截取，并确定截取到的多个小块图像中的每一个小块图像为一个目标宫颈图像。
进一步的，所述基于所述特征分类矩阵和所述细胞分类模型，确定所述目标宫颈图像中细胞的类型之后，所述方法包括：
基于所述细胞的类型，确定所述目标宫颈图像的类型；
基于每个所述目标宫颈图像的类型，确定所述待识别宫颈图像的类型。
进一步的，所述基于所述目标宫颈图像中细胞的类型，确定所述目标宫颈图像的类型，包括：
获取所述细胞在所述目标宫颈图像中占据的目标面积；
若所述目标面积大于该细胞自身面积的一半，确定该细胞属于所述目标宫颈图像；
确定所述细胞的类型为所述目标宫颈图像的类型。
进一步的，所述细胞的类型为阴性细胞或者阳性细胞，所述阳性细胞包括以下类型中的至少一种：
未见上皮内病变细胞或恶性细胞；非典型意义的鳞状或不能明确意义的不典型鳞状细胞；非典型鳞状细胞不排除高度鳞状上皮内病变细胞；低度鳞状上皮内病变细胞；高度鳞状上皮内病变细胞以及非典型腺细胞。
进一步的，所述将目标宫颈图像输入至训练好的细胞分类模型中，得到所述目标宫颈图像的特征分类矩阵，包括：
对所述目标宫颈图像进行归一化处理；
基于训练好的细胞分类模型，对归一化处理之后的所述目标宫颈图像进行特征提取；
基于提取到的所述目标宫颈图像的特征，确定所述目标宫颈图像的特征分类矩阵。
进一步的，采用下述方式训练所述细胞分类模型：
获取多个宫颈图像训练样本，其中，所述宫颈图像训练样本包括该宫颈图像训练样本中细胞的实际类型的标注信息；
对所述宫颈图像训练样本进行归一化处理；
确定归一化处理之后的所述宫颈图像训练样本的样本特征矩阵；
基于所述样本特征矩阵和所述标注信息，训练所述细胞分类模型。
进一步的，所述基于所述样本特征矩阵和所述标注信息，训练所述细胞分类模型，包括：
基于所述样本特征矩阵和所述标注信息，构建深度神经网络模型；
基于深度神经网络模型和所述样本特征矩阵，确定所述宫颈图像训练样本中样本细胞的类型；
基于所述宫颈图像训练样本中样本细胞的类型和所述标注信息中细胞的实际类型，计算所述细胞分类模型的损失值；
基于所述损失值，更新所述深度神经网络模型的网络权重和偏置；
当所述损失值小于预设损失阈值时，将所述深度神经网络模型确定为所述细胞分类模型。
本申请实施例还提供了一种细胞的分类装置，所述细胞的分类装置包括：
特征提取模块，用于将目标宫颈图像输入至训练好的细胞分类模型中，得到所述目标宫颈图像的特征分类矩阵；
分类模块，用于基于所述特征分类矩阵和所述细胞分类模型，确定所述目标宫颈图像中细胞的类型。
进一步的，所述分类装置还包括：
截取模块，用于获取待识别宫颈图像；以边长为预设长度值的滑动窗口按照预设步长对所述待识别宫颈图像进行滑动截取，并确定截取到的多个小块图像中的每一个小块图像为一个目标宫颈图像。
进一步的，所述分类装置还包括：
第一确定模块，用于基于所述细胞的类型，确定所述目标宫颈图像的类型；
第二确定模块，用于基于每个所述目标宫颈图像的类型，确定所述待识别宫颈图像的类型。
进一步的，所述第二确定模块具体用于：
获取所述细胞在所述目标宫颈图像中占据的目标面积；
若所述目标面积大于该细胞自身面积的一半，确定该细胞属于所述目标宫颈图像；
确定所述细胞的类型为所述目标宫颈图像的类型。
进一步的，所述细胞的类型为阴性细胞或者阳性细胞，所述阳性细胞包括以下类型中的至少一种：
未见上皮内病变细胞或恶性细胞；非典型意义的鳞状或不能明确意义的不典型鳞状细胞；非典型鳞状细胞不排除高度鳞状上皮内病变细胞；低度鳞状上皮内病变细胞；高度鳞状上皮内病变细胞以及非典型腺细胞。
进一步的，所述特征提取模块具体用于：
对所述目标宫颈图像进行归一化处理；
基于训练好的细胞分类模型，对归一化处理之后的所述目标宫颈图像进行特征提取；
基于提取到的所述目标宫颈图像的特征，确定所述目标宫颈图像的特征分类矩阵。
进一步的，所述分类装置还包括：
训练模块，用于获取多个宫颈图像训练样本，其中，所述宫颈图像训练样本包括该宫颈图像训练样本中细胞的实际类型的标注信息；对所述宫颈图像训练样本进行归一化处理；确定归一化处理之后的所述宫颈图像训练样本的样本特征矩阵；基于所述样本特征矩阵和所述标注信息，训练所述细胞分类模型。
进一步的，所述训练模块具体还用于：
基于所述样本特征矩阵和所述标注信息，构建深度神经网络模型；
基于深度神经网络模型和所述样本特征矩阵，确定所述宫颈图像训练样本中样本细胞的类型；
基于所述宫颈图像训练样本中样本细胞的类型和所述标注信息中细胞的实际类型，计算所述细胞分类模型的损失值；
基于所述损失值，更新所述深度神经网络模型的网络权重和偏置；
当所述损失值小于预设损失阈值时，将所述深度神经网络模型确定为所述细胞分类模型。
本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的细胞的分类方法的步骤。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的细胞的分类方法的步骤。
本申请实施例提供的细胞的分类方法及装置，将目标宫颈图像输入至训练好的细胞分类模型中，得到所述目标宫颈图像的特征分类矩阵；基于所述特征分类矩阵和所述细胞分类模型，确定所述目标宫颈图像中细胞的类型。与现有技术中的细胞的分类方法相比，本申请通过训练好的模型对病理切片中的细胞进行分类，以降低人工成本，提高工作效率。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1示出了本申请实施例所提供的一种细胞的分类方法的流程图；
图2示出了本申请实施例所提供的另一种细胞的分类方法的流程图；
图3示出了本申请实施例提供的细胞的分类装置的结构图之一；
图4示出了本本申请实施例提供的细胞的分类装置的结构图之二；
图5示出了本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
首先，对本申请可适用的应用场景进行介绍。本申请可应用于医疗诊断技术领域中，具体而言，可应用于在诊断子宫疾病的场景中。比如，患者在医院进行子宫疾病的检查，采取拍摄病理切片并基于病理切片中细胞的类型判断患有何种子宫疾病的应用场景。
经研究发现，现有的判断细胞类型的方法为医生等专业人员通过人工的方式对病理切片中细胞的类型进行判断分类，而该种方式人工成本高、效率低且出现误判的几率较大。
有鉴于此，本申请实施例提供了一种细胞的分类方法及装置，以降低人工成本，提高工作效率，提升细胞分类的准确度。
请参阅图1，图1为本申请一实施例提供的细胞的分类方法的流程图。如图1中所示，本申请实施例提供的细胞的分类方法，包括：
S101、将目标宫颈图像输入至训练好的细胞分类模型中，得到所述目标宫颈图像的特征分类矩阵。
在该步骤中，可以通过医疗仪器拍摄病理切片，将病理切片分割成多个图片，得到目标宫颈图像后，将目标宫颈图像输入至训练好的细胞分类模型，通过细胞分类模型的特征提取部分，识别目标宫颈图像中的细胞，并提取所有细胞的特征，得到目标宫颈图像的特征矩阵。
其中，细胞分类模型可以是神经网络、深度学习等模型，该模型可以通过已知的病理切片和对应的细胞类型来训练；目标宫颈图像的特征可以包括细胞的分裂特征、粘着性特征、细胞结构特征、生长因子特征等可用于判断细胞是否病变的特征。
这样，可以将目标宫颈图像中各个细胞的形状、结构、成分、状态等特征提取出来，进而通过这些特征确定细胞属于病变细胞还是正常细胞，并确定其中病变细胞具体是何种病变细胞。
S102、基于所述特征分类矩阵和所述细胞分类模型，确定所述目标宫颈图像中细胞的类型。
在该步骤中，可以基于特征分类矩阵，通过细胞分类模型的分类部分，确定目标宫颈图像中细胞的类型，具体的，细胞分类模型可以是Resnet-50深度神经网络。
其中，细胞分类模型可以包括特征提取部分和分类部分，特征提取部分负责提取目标宫颈图像的特征分类矩阵，分类部分负责对特征分类矩阵进行处理，最后输出目标宫颈图像中细胞的类型。特征提取部分和分类部分可以是一个整体，也可以是相互独立的，当两者相互独立时，特征提取部分输出的是目标宫颈图像的特征矩阵，分类部分在获取特征矩阵后对其进行计算，输出的是目标宫颈图像中细胞的类型；当两者为一个整体时，可以直接对细胞分类模型输入目标宫颈图像，细胞分类模型在内部直接完成特征提取和分类，输出细胞的类型。
这样，可以降低人工成本，提高工作效率。
本申请实施例提供的细胞的分类方法，将目标宫颈图像输入至训练好的细胞分类模型中，得到所述目标宫颈图像的特征分类矩阵；基于所述特征分类矩阵和所述细胞分类模型，确定所述目标宫颈图像中细胞的类型。
与现有技术中的细胞的分类方法，本申请通过训练好的模型对病理切片中的细胞进行分类，以降低人工成本，提高工作效率。
请参阅图2，图2为本申请另一实施例提供的细胞的分类方法的流程图。如图2中所示，本申请实施例提供的细胞的分类方法，包括：
S201、获取待识别宫颈图像。
该步骤中，可以通过拍摄病例切片的方式获取待识别的宫颈图像，也可以直接从数据库中获取待识别的宫颈图像，或通过扫描等方式将具有实体的宫颈图像转换成电子的宫颈图像。
其中，宫颈图像可以是含有在宫颈处采集的细胞的病例切片或宫颈玻片图像。
S202、以边长为预设长度值的滑动窗口按照预设步长对所述待识别宫颈图像进行滑动截取，并确定截取到的多个小块图像中的每一个小块图像为一个目标宫颈图像。
在该步骤中，由于宫颈图像的分辨率过大，无法对完整的宫颈图像直接处理，可以将宫颈图像分割成多个小图像，具体的，可以采用滑动窗口的方式对宫颈图像进行分割，选定一个预设边长大小的正方形窗口，正方形窗口内的图像即为分割后得到的目标宫颈图像，可以将正方形窗口以预设步长向一个方向平移，每平移一次，将平移后正方形窗口内的图像分割，得到多个小块图像，并确定截取到的多个小块图像中的每一个小块图像为一个目标宫颈图像。
比如，若一个宫颈图像的分辨率为40000*40000，则可以边长为256或1024的滑动窗口按步长为200的方式对该宫颈图像进行滑动截取，并将截取到的多个小块图像中的每一个小块图像作为一个目标宫颈图像。
这样，即使细胞的分类装置的显卡内存有限，也可以对宫颈图像进行处理，提升处理速度，降低了细胞的分类装置的硬件的要求。
S203、将目标宫颈图像输入至训练好的细胞分类模型中，得到所述目标宫颈图像的特征分类矩阵。
S204、基于所述特征分类矩阵和所述细胞分类模型，确定所述目标宫颈图像中细胞的类型。
其中，S203至S204的描述可以参照S101至S102的描述，并且能达到相同的技术效果，对此不做赘述。
可选的，所述基于所述特征分类矩阵和所述细胞分类模型，确定所述目标宫颈图像中细胞的类型之后，所述方法包括：
基于所述细胞的类型，确定所述目标宫颈图像的类型；
基于每个所述目标宫颈图像的类型，确定所述待识别宫颈图像的类型。
在该步骤中，可以通过判断目标宫颈图像中细胞的类型，将该细胞的类型作为目标宫颈图像的类型，具体的，若目标宫颈图像中只有一个阳性细胞，则可以将该阳性细胞的类型作为目标宫颈图像的类型；若目标宫颈图像中有多个阳性细胞，则可以将多个阳性细胞的类型作为目标宫颈图像的类型，即目标宫颈图像的类型包括上述多种阳性细胞对应的类型；若目标宫颈图像中没有阳性细胞，则目标宫颈图像的类型可以为阴性。进而，通过所有目标宫颈图像的类型，将多个目标宫颈图像的类型作为待识别宫颈图像的类型，其中，待识别宫颈图像的类型可以包括所有目标宫颈图像的类型。
这样，将目标宫颈图像和待识别宫颈图像分类，使其体现出细胞的类型，以便对目标宫颈图像和待识别宫颈图像做进一步的病理分析或使用其进行模型训练。
可选的，所述基于所述目标宫颈图像中细胞的类型，确定所述目标宫颈图像的类型，包括：
获取所述细胞在所述目标宫颈图像中占据的目标面积；
若所述目标面积大于该细胞自身面积的一半，确定该细胞属于所述目标宫颈图像；
确定所述细胞的类型为所述目标宫颈图像的类型。
在该步骤中，对于整体完全处于目标宫颈图像中的细胞，可以直接判断该细胞属于目标宫颈图像；对于只有部分细胞处于目标宫颈图像的，可以通过将该细胞在目标宫颈图像中的部分与其完整的细胞自身的面积对比，若细胞在目标宫颈图像中占据的面积大于该细胞自身面积的一半，则可以确定该细胞是否属于目标宫颈图像，并只对属于目标宫颈图像的细胞分类。
其中，可以通过将目标宫颈图像网格化，并确定细胞所占的网格个数来确定目标面积和细胞自身的面积。
这样，可以避免当细胞出现在多个目标宫颈图像时，将其多次分类而导致的误算，使分类结果更加精确。
可选的，所述细胞的类型为阴性细胞或者阳性细胞，所述阳性细胞包括以下类型中的至少一种：
未见上皮内病变细胞或恶性细胞；非典型意义的鳞状或不能明确意义的不典型鳞状细胞；非典型鳞状细胞不排除高度鳞状上皮内病变细胞；低度鳞状上皮内病变细胞；高度鳞状上皮内病变细胞以及非典型腺细胞。
在该步骤中，上述细胞的类型是基于TBS诊断(阴道细胞学的分类及报告细则)得到的，是一种描述性诊断的术语。
其中，未见上皮内病变细胞或恶性细胞表示为NILM，非典型意义的鳞状或不能明确意义的不典型鳞状细胞表示为ASC-US，非典型鳞状细胞不排除高度鳞状上皮内病变细胞表示为ASC-H，低度鳞状上皮内病变细胞表示为LSIL，高度鳞状上皮内病变细胞表示为HSIL，非典型腺细胞表示为AGC。
进一步的，阳性细胞还可以包括鳞状上皮细胞癌抗原细胞，表示为SCC。
可选的，所述将目标宫颈图像输入至训练好的细胞分类模型中，得到所述目标宫颈图像的特征分类矩阵，包括：
对所述目标宫颈图像进行归一化处理；
基于训练好的细胞分类模型，对归一化处理之后的所述目标宫颈图像进行特征提取；
基于提取到的所述目标宫颈图像的特征，确定所述目标宫颈图像的特征分类矩阵。
该步骤中，可以先确定目标宫颈图像的灰度值，其中，灰度值包括红、绿、蓝三种基色的灰度值，之后，在通过0均值标准化将灰度值转换为均值为0的集合，得到归一化处理之后的所述目标宫颈图像。
其中，0均值标准化可以通过以下公式来实现：
或
z＝x-μ
其中，z表示归一化后的宫颈图像的灰度值，x表示未归一化的灰度值，μ表示灰度值的均值，σ为灰度值的方差；通过对大量新柏氏液基细胞学检测图像的分析，得到灰度值的均值。
比如，通过对大量新柏氏液基细胞学检测图像中细胞的灰度值分析，可以得到灰度值中红色、绿色、蓝色的平均值μ分别为103.939、116.779和123.68。
可选的，采用下述方式训练所述细胞分类模型：
获取多个宫颈图像训练样本，其中，所述宫颈图像训练样本包括该宫颈图像训练样本中细胞的实际类型的标注信息；
对所述宫颈图像训练样本进行归一化处理；
确定归一化处理之后的所述宫颈图像训练样本的样本特征矩阵；
基于所述样本特征矩阵和所述标注信息，训练所述细胞分类模型。
该步骤中，训练样本的归一化处理和确定样本特征矩阵的步骤与上述对应步骤相同，在此不再一一赘述。
进一步的，可以基于样本特征矩阵和标注信息，将特征矩阵输入至待训练的细胞分类模型，并根据标注信息对细胞分类模型调整参数，训练所述细胞分类模型。可以定期采用不同的训练样本进行训练。
这样，通过训练得到的模型可信度高，并且能不断对模型进行更新。
可选的，所述基于所述样本特征矩阵和所述标注信息，训练所述细胞分类模型，包括：
基于所述样本特征矩阵和所述标注信息，构建深度神经网络模型；
基于深度神经网络模型和所述样本特征矩阵，确定所述宫颈图像训练样本中样本细胞的类型；
基于所述宫颈图像训练样本中样本细胞的类型和所述标注信息中细胞的实际类型，计算所述细胞分类模型的损失值；
基于所述损失值，更新所述深度神经网络模型的网络权重和偏置；
当所述损失值小于预设损失阈值时，将所述深度神经网络模型确定为所述细胞分类模型。
在该步骤中，可以通过以下公式确定细胞分类模型的损失值：
其中，S(x)表示深度神经网络输出的概率分布，x为神经网络的输出，H(p,S)为损失值，p为神经网络输出对应的期望输出的概率分布，x的值被设定成不等于1。
进一步的，可以基于损失值，通过反向传播算法更新网络权重和偏置。
该步骤中，可以反复对模型进行训练，直至训练次数n大于预设次数阈值或损失值H小于预定损失阈值，比如，n大于20000或H小于0.2。
在一个可行的实施例中，可以对细胞分类的精度进行统计，并根据统计得到的结果判断细胞分类模型的准确度。
在该步骤中，可以使用受试者工作特征曲线(ROC曲线)来统计分类精度，ROC曲线的横坐标为特异度(True Negetive Rate，TNR)，纵坐标为敏感度(false positive rate，FPR)。
其中，ROC曲线中各项是通过如下公式得到的：
TPR＝TP/(TP+FN)
FPR＝FP/(FP+TN)
TNR＝1-FPR
其中，TPR为敏感度(true positive rate)，FPR为特异度，TP为真正类(TruePostive)，正确的肯定数目；FN为假负类(False Negative)，漏报，没有找到正确匹配的数目；FP为假正类(False Postive)，误报，没有的匹配不正确；TN为真负类(True Negative)，正确拒绝的非匹配数目。
进一步的，可以通过ROC曲线所围的面积来确定细胞分类模型的精度，该指标越高，分类模型的精度就越高，该指标的取值范围是【0,1】。
本申请实施例提供的细胞的分类方法，获取待识别宫颈图像；以边长为预设长度值的滑动窗口按照预设步长对所述待识别宫颈图像进行滑动截取，并确定截取到的多个小块图像中的每一个小块图像为一个目标宫颈图像；将目标宫颈图像输入至训练好的细胞分类模型中，得到所述目标宫颈图像的特征分类矩阵；基于所述特征分类矩阵和所述细胞分类模型，确定所述目标宫颈图像中细胞的类型。
与现有技术中的细胞的分类方法，本申请通过训练好的模型对病理切片中的细胞进行分类，以提升处理速度，降低了细胞的分类装置的硬件的要求，降低人工成本，提高工作效率，提升细胞分类的准确度。
请参阅图3、图4，图3为本申请实施例提供的细胞的分类装置的结构图之一，图4为本申请实施例提供的细胞的分类装置的结构图之二。如图3中所示，所述细胞的分类装置300包括：
特征提取模块310，用于将目标宫颈图像输入至训练好的细胞分类模型中，得到所述目标宫颈图像的特征分类矩阵；
分类模块320，用于基于所述特征分类矩阵和所述细胞分类模型，确定所述目标宫颈图像中细胞的类型。
进一步的，如图4所示，所述细胞的分类装置300还包括：
截取模块330，用于获取待识别宫颈图像；以边长为预设长度值的滑动窗口按照预设步长对所述待识别宫颈图像进行滑动截取，并确定截取到的多个小块图像中的每一个小块图像为一个目标宫颈图像。
进一步的，所述细胞的分类装置300还包括：
第一确定模块340，用于基于所述细胞的类型，确定所述目标宫颈图像的类型；
第二确定模块350，用于基于每个所述目标宫颈图像的类型，确定所述待识别宫颈图像的类型。
进一步的，所述第二确定模块350具体用于：
获取所述细胞在所述目标宫颈图像中占据的目标面积；
若所述目标面积大于该细胞自身面积的一半，确定该细胞属于所述目标宫颈图像；
确定所述细胞的类型为所述目标宫颈图像的类型。
进一步的，所述细胞的类型为阴性细胞或者阳性细胞，所述阳性细胞包括以下类型中的至少一种：
未见上皮内病变细胞或恶性细胞，非典型意义的鳞状或不能明确意义的不典型鳞状细胞，非典型鳞状细胞不排除高度鳞状上皮内病变细胞，低度鳞状上皮内病变细胞，高度鳞状上皮内病变细胞以及非典型腺细胞。
进一步的，所述特征提取模块310具体用于：
对所述目标宫颈图像进行归一化处理；
基于训练好的细胞分类模型，对归一化处理之后的所述目标宫颈图像进行特征提取；
基于提取到的所述目标宫颈图像的特征，确定所述目标宫颈图像的特征分类矩阵。
进一步的，所述细胞的分类装置300还包括：
训练模块360，用于获取多个宫颈图像训练样本，其中，所述宫颈图像训练样本包括该宫颈图像训练样本中细胞的实际类型的标注信息；对所述宫颈图像训练样本进行归一化处理；确定归一化处理之后的所述宫颈图像训练样本的样本特征矩阵；基于所述样本特征矩阵和所述标注信息，训练所述细胞分类模型。
进一步的，所述训练模块360具体还用于：
基于所述样本特征矩阵和所述标注信息，构建深度神经网络模型；
基于深度神经网络模型和所述样本特征矩阵，确定所述宫颈图像训练样本中样本细胞的类型；
基于所述宫颈图像训练样本中样本细胞的类型和所述标注信息中细胞的实际类型，计算所述细胞分类模型的损失值；
基于所述损失值，更新所述深度神经网络模型的网络权重和偏置；
当所述损失值小于预设损失阈值时，将所述深度神经网络模型确定为所述细胞分类模型。
本申请实施例提供的细胞的分类装置，将目标宫颈图像输入至训练好的细胞分类模型中，得到所述目标宫颈图像的特征分类矩阵；基于所述特征分类矩阵和所述细胞分类模型，确定所述目标宫颈图像中细胞的类型。
与现有技术中的细胞的分类方法，本申请通过训练好的模型对病理切片中的细胞进行分类，以降低人工成本，提高工作效率，提升细胞分类的准确度。
请参阅图5，图5为本申请一实施例提供的电子设备的结构图。如图5中所示，所述电子设备500包括处理器510、存储器520和总线530。
所述存储器520存储有所述处理器510可执行的机器可读指令，当电子设备500运行时，所述处理器510与所述存储器520之间通过总线530通信，所述机器可读指令被所述处理器510执行时，可以执行如上述图1以及图2所示方法实施例中的细胞的分类方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图1以及图2所示方法实施例中的细胞的分类方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种细胞的分类方法，其特征在于，所述分类方法包括：
将目标宫颈图像输入至训练好的细胞分类模型中，得到所述目标宫颈图像的特征分类矩阵；
基于所述特征分类矩阵和所述细胞分类模型，确定所述目标宫颈图像中细胞的类型。
2.根据权利要求1所述的分类方法，其特征在于，在所述将目标宫颈图像输入至训练好的细胞分类模型中，得到所述目标宫颈图像的特征分类矩阵之前，所述方法包括：
获取待识别宫颈图像；
以边长为预设长度值的滑动窗口按照预设步长对所述待识别宫颈图像进行滑动截取，并确定截取到的多个小块图像中的每一个小块图像为一个目标宫颈图像。
3.根据权利要求2所述的分类方法，其特征在于，所述基于所述特征分类矩阵和所述细胞分类模型，确定所述目标宫颈图像中细胞的类型之后，所述方法包括：
基于所述细胞的类型，确定所述目标宫颈图像的类型；
基于每个所述目标宫颈图像的类型，确定所述待识别宫颈图像的类型。
4.根据权利要求3所述的分类方法，其特征在于，所述基于所述目标宫颈图像中细胞的类型，确定所述目标宫颈图像的类型，包括：
获取所述细胞在所述目标宫颈图像中占据的目标面积；
若所述目标面积大于该细胞自身面积的一半，确定该细胞属于所述目标宫颈图像；
确定所述细胞的类型为所述目标宫颈图像的类型。
5.根据权利要求1至4中任一项所述的分类方法，其特征在于，所述细胞的类型为阴性细胞或者阳性细胞，所述阳性细胞包括以下类型中的至少一种：
未见上皮内病变细胞或恶性细胞；非典型意义的鳞状或不能明确意义的不典型鳞状细胞；非典型鳞状细胞不排除高度鳞状上皮内病变细胞；低度鳞状上皮内病变细胞；高度鳞状上皮内病变细胞以及非典型腺细胞。
6.根据权利要求1所述的分类方法，其特征在于，所述将目标宫颈图像输入至训练好的细胞分类模型中，得到所述目标宫颈图像的特征分类矩阵，包括：
对所述目标宫颈图像进行归一化处理；
基于训练好的细胞分类模型，对归一化处理之后的所述目标宫颈图像进行特征提取；
基于提取到的所述目标宫颈图像的特征，确定所述目标宫颈图像的特征分类矩阵。
7.根据权利要求1所述的分类方法，其特征在于，采用下述方式训练所述细胞分类模型：
获取多个宫颈图像训练样本，其中，所述宫颈图像训练样本包括该宫颈图像训练样本中细胞的实际类型的标注信息；
对所述宫颈图像训练样本进行归一化处理；
确定归一化处理之后的所述宫颈图像训练样本的样本特征矩阵；
基于所述样本特征矩阵和所述标注信息，训练所述细胞分类模型。
8.根据权利要求7所述的分类方法，其特征在于，所述基于所述样本特征矩阵和所述标注信息，训练所述细胞分类模型，包括：
基于所述样本特征矩阵和所述标注信息，构建深度神经网络模型；
基于深度神经网络模型和所述样本特征矩阵，确定所述宫颈图像训练样本中样本细胞的类型；
基于所述宫颈图像训练样本中样本细胞的类型和所述标注信息中细胞的实际类型，计算所述细胞分类模型的损失值；
基于所述损失值，更新所述深度神经网络模型的网络权重和偏置；
当所述损失值小于预设损失阈值时，将所述深度神经网络模型确定为所述细胞分类模型。
9.一种细胞的分类装置，其特征在于，所述分类装置包括：
特征提取模块，用于将目标宫颈图像输入至训练好的细胞分类模型中，得到所述目标宫颈图像的特征分类矩阵；
分类模块，用于基于所述特征分类矩阵和所述细胞分类模型，确定所述目标宫颈图像中细胞的类型。
10.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至8任一所述的细胞的分类方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910286056.0A CN110009050A (zh) | 2019-04-10 | 2019-04-10 | 一种细胞的分类方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910286056.0A CN110009050A (zh) | 2019-04-10 | 2019-04-10 | 一种细胞的分类方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110009050A true CN110009050A (zh) | 2019-07-12 |
Family
ID=67170886
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910286056.0A Pending CN110009050A (zh) | 2019-04-10 | 2019-04-10 | 一种细胞的分类方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110009050A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| CN110647945A (zh) * | 2019-09-27 | 2020-01-03 | 杭州智团信息技术有限公司 | 液基宫颈细胞涂片分类方法、系统和实现装置 |
| CN110765855A (zh) * | 2019-09-12 | 2020-02-07 | 杭州迪英加科技有限公司 | 一种病理图像处理方法及系统 |
| CN111461165A (zh) * | 2020-02-26 | 2020-07-28 | 上海商汤智能科技有限公司 | 图像识别方法、识别模型的训练方法及相关装置、设备 |
| WO2020253508A1 (zh) * | 2019-06-18 | 2020-12-24 | 平安科技（深圳）有限公司 | 异常细胞检测方法、装置及计算机可读存储介质 |
| CN113222044A (zh) * | 2021-05-25 | 2021-08-06 | 合肥工业大学 | 一种基于三元注意力和尺度关联融合的宫颈液基细胞分类方法 |
| CN113256626A (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 |
| WO2021159686A1 (zh) * | 2020-02-11 | 2021-08-19 | 苏州大学 | 基于滑动窗的癌细胞检测装置 |
| CN113744798A (zh) * | 2021-09-01 | 2021-12-03 | 腾讯医疗健康(深圳)有限公司 | 组织样本的分类方法、装置、设备和存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106778554A (zh) * | 2016-12-01 | 2017-05-31 | 广西师范大学 | 基于联合特征PCANet的宫颈细胞图像识别方法 |
| CN106780466A (zh) * | 2016-12-21 | 2017-05-31 | 广西师范大学 | 一种基于卷积神经网络的宫颈细胞图像识别方法 |
| CN108416379A (zh) * | 2018-03-01 | 2018-08-17 | 北京羽医甘蓝信息技术有限公司 | 用于处理宫颈细胞图像的方法和装置 |
| CN109035269A (zh) * | 2018-07-03 | 2018-12-18 | 怀光智能科技（武汉）有限公司 | 一种宫颈细胞病理切片病变细胞分割方法及系统 |
| CN109190567A (zh) * | 2018-09-10 | 2019-01-11 | 哈尔滨理工大学 | 基于深度卷积神经网络的异常宫颈细胞自动检测方法 |
-
2019
- 2019-04-10 CN CN201910286056.0A patent/CN110009050A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106778554A (zh) * | 2016-12-01 | 2017-05-31 | 广西师范大学 | 基于联合特征PCANet的宫颈细胞图像识别方法 |
| CN106780466A (zh) * | 2016-12-21 | 2017-05-31 | 广西师范大学 | 一种基于卷积神经网络的宫颈细胞图像识别方法 |
| CN108416379A (zh) * | 2018-03-01 | 2018-08-17 | 北京羽医甘蓝信息技术有限公司 | 用于处理宫颈细胞图像的方法和装置 |
| CN109035269A (zh) * | 2018-07-03 | 2018-12-18 | 怀光智能科技（武汉）有限公司 | 一种宫颈细胞病理切片病变细胞分割方法及系统 |
| CN109190567A (zh) * | 2018-09-10 | 2019-01-11 | 哈尔滨理工大学 | 基于深度卷积神经网络的异常宫颈细胞自动检测方法 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020253508A1 (zh) * | 2019-06-18 | 2020-12-24 | 平安科技（深圳）有限公司 | 异常细胞检测方法、装置及计算机可读存储介质 |
| 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 |
| 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 |
| CN110765855A (zh) * | 2019-09-12 | 2020-02-07 | 杭州迪英加科技有限公司 | 一种病理图像处理方法及系统 |
| CN110647945A (zh) * | 2019-09-27 | 2020-01-03 | 杭州智团信息技术有限公司 | 液基宫颈细胞涂片分类方法、系统和实现装置 |
| CN110647945B (zh) * | 2019-09-27 | 2022-11-22 | 杭州智团信息技术有限公司 | 液基宫颈细胞涂片分类方法、系统和实现装置 |
| WO2021159686A1 (zh) * | 2020-02-11 | 2021-08-19 | 苏州大学 | 基于滑动窗的癌细胞检测装置 |
| CN111461165A (zh) * | 2020-02-26 | 2020-07-28 | 上海商汤智能科技有限公司 | 图像识别方法、识别模型的训练方法及相关装置、设备 |
| CN113222044A (zh) * | 2021-05-25 | 2021-08-06 | 合肥工业大学 | 一种基于三元注意力和尺度关联融合的宫颈液基细胞分类方法 |
| CN113256626A (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 |
| CN113744798A (zh) * | 2021-09-01 | 2021-12-03 | 腾讯医疗健康(深圳)有限公司 | 组织样本的分类方法、装置、设备和存储介质 |
| CN113744798B (zh) * | 2021-09-01 | 2023-04-28 | 腾讯医疗健康(深圳)有限公司 | 组织样本的分类方法、装置、设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110009050A (zh) | 一种细胞的分类方法及装置 | |
| Aquino et al. | A new methodology for estimating the grapevine-berry number per cluster using image analysis | |
| US10839510B2 (en) | Methods and systems for human tissue analysis using shearlet transforms | |
| Al Bashish et al. | Detection and classification of leaf diseases using K-means-based segmentation and | |
| CN109154978A (zh) | 用于检测植物疾病的系统和方法 | |
| CN112183212B (zh) | 一种杂草识别方法、装置、终端设备及可读存储介质 | |
| Xu et al. | Adjustable adaboost classifier and pyramid features for image-based cervical cancer diagnosis | |
| Chen et al. | Local feature based mammographic tissue pattern modelling and breast density classification | |
| CN105320970B (zh) | 一种马铃薯病害诊断装置、诊断系统及诊断方法 | |
| US20220207730A1 (en) | Systems and Methods for Automated Image Analysis | |
| US10956795B2 (en) | Predicting recurrence in early stage non-small cell lung cancer (NSCLC) using spatial arrangement of clusters of tumor infiltrating lymphocytes and cancer nuclei | |
| CN104881631B (zh) | 多特征整合的宫颈细胞图像特征提取与识别方法及其装置 | |
| CN112543934A (zh) | 一种确定异常程度的方法、相应的计算机可读介质和分布式癌症分析系统 | |
| US7616790B2 (en) | Histological assessment of nuclear pleomorphism | |
| WO2021076605A1 (en) | Weakly supervised multi-task learning for cell detection and segmentation | |
| CN108765411B (zh) | 一种基于影像组学的肿瘤分型系统 | |
| Valkonen et al. | Dual structured convolutional neural network with feature augmentation for quantitative characterization of tissue histology | |
| Bejnordi et al. | Novel chromatin texture features for the classification of pap smears | |
| Chang et al. | Multireference level set for the characterization of nuclear morphology in glioblastoma multiforme | |
| Salman et al. | A machine learning approach to identify prostate cancer areas in complex histological images | |
| Kim et al. | Nucleus segmentation and recognition of uterine cervical pap-smears | |
| Mulmule et al. | Classification of overlapping cells in microscopic cervical images: a transfer learning approach | |
| Abas et al. | Computer‐assisted quantification of CD3+ T cells in follicular lymphoma | |
| Macedo et al. | Morphometric information to reduce the semantic gap in the characterization of microscopic images of thyroid nodules | |
| CN113128511B (zh) | 一种焦炭组织识别方法及装置 |
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: 20190712 |
|
| RJ01 | Rejection of invention patent application after publication |