CN110334604A - 细胞展示方法、装置、计算机设备和计算机可读存储介质 - Google Patents

细胞展示方法、装置、计算机设备和计算机可读存储介质 Download PDF

Info

Publication number
CN110334604A
CN110334604A CN201910492858.7A CN201910492858A CN110334604A CN 110334604 A CN110334604 A CN 110334604A CN 201910492858 A CN201910492858 A CN 201910492858A CN 110334604 A CN110334604 A CN 110334604A
Authority
CN
China
Prior art keywords
cell
parameter
cell parameters
probability
parameters
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
CN201910492858.7A
Other languages
English (en)
Inventor
车拴龙
罗丕福
李晶
张志魁
丁向东
刘斯
李映华
邱伟松
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.)
Guangzhou Kingmed Diagnostics Central Co Ltd
Original Assignee
Guangzhou Kingmed Diagnostics Central Co Ltd
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 Guangzhou Kingmed Diagnostics Central Co Ltd filed Critical Guangzhou Kingmed Diagnostics Central Co Ltd
Priority to CN201910492858.7A priority Critical patent/CN110334604A/zh
Publication of CN110334604A publication Critical patent/CN110334604A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698—Matching; Classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明实施例公开了一种细胞展示方法、装置、计算机设备和计算机可读存储介质，包括：获取待分析细胞对应的细胞参数，确定与每个细胞参数对应的细胞参数异常概率；获取与每个所述细胞参数对应的异常权重系数；根据所述每个细胞参数对应的细胞参数异常概率和每个细胞参数对应的异常权重系数计算得到所述待分析细胞对应的异常概率；根据细胞集中每个待分析细胞对应的异常概率进行展示。上述方式，能够在提高效率的同时增大准确率。

Description

细胞展示方法、装置、计算机设备和计算机可读存储介质
技术领域
本发明涉及细胞识别技术领域，尤其涉及一种细胞展示方法、装置、计算机设备和计算机可读存储介质。
背景技术
细胞病理学检查是常见癌症临床筛查的重要医学检查技术。例如，女性宫颈癌筛查，一般利用阴道窥器从宫颈的鳞状上皮和柱状上皮交界处刮取细胞，然后再将刮取的细胞放置在显微镜下进行细胞学检查。
医生通过显微镜观察病理切片具有很大的主观性，且不同医生水平不同，即使对同一病理切片进行检查，不同的医生也可能会给出不同的判断结果。同时，病理切片中的细胞数量很多，医生如果对每个细胞都进行仔细查看，会导致判断效率低下，且进行了很多无用的判断，如果医生偷懒不对每个细胞进行查看，或者医生遗漏了某些细胞，又可能忽略病理切片中的某些异常细胞。
发明内容
基于此，有必要针对上述问题，提出一种保证判断效率高且准确率高的细胞展示方法、装置、计算机设备和计算机可读存储介质。
一种细胞展示方法，所述方法包括：
获取待分析细胞对应的细胞参数，确定与每个细胞参数对应的细胞参数异常概率；
获取与每个所述细胞参数对应的异常权重系数；
根据所述每个细胞参数对应的细胞参数异常概率和每个细胞参数对应的异常权重系数计算得到所述待分析细胞对应的异常概率；
根据细胞集中每个待分析细胞对应的异常概率进行展示。
一种细胞展示装置，包括：
第一获取模块，用于获取待分析细胞对应的细胞参数，确定与每个细胞参数对应的细胞参数异常概率；
第二获取模块，用于获取与每个所述细胞参数对应的异常权重系数；
概率计算模块，用于根据所述每个细胞参数对应的细胞参数异常概率和每个细胞参数对应的异常权重系数计算得到所述待分析细胞对应的异常概率；
概率展示模块，用于根据细胞集中每个待分析细胞对应的异常概率进行展示。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：
获取待分析细胞对应的细胞参数，确定与每个细胞参数对应的细胞参数异常概率；
获取与每个所述细胞参数对应的异常权重系数；
根据所述每个细胞参数对应的细胞参数异常概率和每个细胞参数对应的异常权重系数计算得到所述待分析细胞对应的异常概率；
根据细胞集中每个待分析细胞对应的异常概率进行展示。
一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：
获取待分析细胞对应的细胞参数，确定与每个细胞参数对应的细胞参数异常概率；
获取与每个所述细胞参数对应的异常权重系数；
根据所述每个细胞参数对应的细胞参数异常概率和每个细胞参数对应的异常权重系数计算得到所述待分析细胞对应的异常概率；
根据细胞集中每个待分析细胞对应的异常概率进行展示。
实施本发明实施例，将具有如下有益效果：
本发明提出了一种细胞展示方法、装置、计算机设备和计算机可读存储介质，首先获取待分析细胞对应的细胞参数，确定与每个细胞参数对应的细胞参数异常概率；然后获取与每个所述细胞参数对应的异常权重系数；并且根据所述每个细胞参数对应的细胞参数异常概率和每个细胞参数对应的异常权重系数计算得到所述待分析细胞对应的异常概率；最后根据细胞集中每个待分析细胞对应的异常概率进行展示。可见，上述方式，由于最后根据待分析细胞对应的异常概率进行展示，相较于医生将细胞集中的每一个待分析细胞都进行查看的方式，大大的提高了查看效率，同时，由于对细胞集中的各个待分析细胞都进行了异常概率的计算，从而能够从细胞集的所有待分析细胞中筛选出异常细胞进行展示，有效的防止了医生因为偷懒或者不小心的遗漏导致的漏查异常细胞的现象，在一定程度上提高了细胞集中异常细胞判断的准确率。
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。
其中：
图1为一个实施例中细胞展示方法的实现流程示意图；
图2为一个实施例中不同细胞的示意图；
图3为一个实施例中挖空细胞的示意图；
图4为一个实施例中细胞展示方法的实现流程示意图；
图5为一个实施例中细胞展示装置的结构框图；
图6为一个实施例中计算机设备的结构框图。
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。
如图1所示，在一个实施例中，提供了一种细胞展示方法，本发明实施例所述的细胞展示方法的执行主体为能够实现本发明实施例所述的细胞展示方法的设备，该设备可以包括但不限于设置有显示屏的服务器或终端设备，以实现相关数据信息的显示，具体的，服务器包括高性能计算机或高性能计算机集群，终端设备包括台式终端设备，例如，台式电脑，终端设备还可以包括移动终端设备，例如，笔记本电脑、平板电脑。该细胞展示方法，具体包括如下步骤：
步骤102，获取待分析细胞对应的细胞参数，确定与每个细胞参数对应的细胞参数异常概率。
其中，细胞参数，为细胞的判断指标，细胞参数可以包括但不限于细胞核面积参数、细胞核质比参数、细胞核着色参数、染色质分布参数、核形不规则参数、细胞浆角化参数和挖空样参数。
其中，待分析细胞对应的细胞参数，可以是细胞核面积参数、细胞核质比参数、细胞核着色参数、染色质分布参数、核形不规则参数、细胞浆角化参数和挖空样参数中的至少一个。
细胞核面积参数，指示细胞核面积，如图2所示有5个细胞，每个细胞的细胞核的形状不同，可能是圆形，也可能不是圆形，细胞核的不规则边缘围成的面积为细胞核面积，如图2所示，细胞B的细胞核面积参数对应的参数值大于细胞A的细胞核面积参数对应的参数值。
细胞核质比参数，指示细胞核面积与细胞面积的比值，将细胞核面积与细胞面积的比值确定为细胞核质比参数对应的参数值。例如图2所示，每个细胞的细胞边缘也不规则，细胞的不规则边缘围成的面积为细胞面积，细胞B的细胞核质比参数对应的参数值大于细胞A的细胞核质比参数对应的参数值。
细胞核着色参数，指示细胞核的着色程度，可以根据灰度值进行计算，细胞核着色通常是蓝色的，但是颜色深浅不同，因此，将其转换为灰度值之后对应的灰度值也将不同，如图2所示，细胞C的细胞核的着色明显比其他几个细胞的细胞核的着色深。具体的，细胞核着色参数包括细胞核的总灰度值和细胞的平均灰度值，将细胞核的每个像素对应的灰度值相加，得到细胞核的总灰度值，将细胞的每个像素对应的灰度值相加之后求平均，得到细胞的平均灰度值。
染色质分布参数，指示细胞核内染色质的分布情况，若细胞核内染色质均匀分布，那么染色质分布参数的参数值可以设置为0，细胞核内染色质分布越不均匀，染色质分布参数对应的参数值越大，例如图2所示，细胞D的染色质分布参数对应的参数值大于细胞A的染色质分布参数对应的参数值。
核形不规则参数，指示细胞核形状的规则程度，若细胞核的形状为圆形，则核形不规则参数对应的参数值可以设置为0，细胞核形状越不规则，则核形不规则参数对应的参数值越大，例如图2所示，细胞E的核形不规则参数对应的参数值大于细胞A的核形不规则参数对应的参数值。
细胞浆角化参数，指示细胞浆的成熟程度，细胞浆颜色不同，细胞浆角化参数的参数值不同。例如，当细胞浆颜色为蓝绿色时，认为是正常细胞，细胞浆角化参数对应的参数值可以设置为0；当细胞浆颜色为橙红色时，认为是异常细胞，细胞浆角化参数对应的参数值可以设置为1；当细胞浆颜色介于蓝绿色和橙红色之间时，细胞浆角化参数对应的参数值可以设置为(0,1)之间的一个小数。
挖空样参数，指示异常细胞的一种形态，该形态具体可以描述为在细胞核周围的细胞浆的颜色几乎接近透明色，在视觉上的呈现效果为细胞核似乎并没有处于细胞浆的包围中，如图3所示。
其中，细胞参数异常概率，指示细胞参数的异常程度。示例性的，某一细胞参数的参数值的异常程度较高，则该细胞参数对应的细胞参数异常概率可以设置为1；某一细胞参数的参数值的异常程度很低，则该细胞参数对应的细胞参数异常概率可以设置为0；某一细胞参数的参数值有一定的异常，则该细胞参数对应的细胞参数异常概率可以设置为0.5。
在一个实施例中，步骤102所述获取待分析细胞对应的细胞参数，确定与每个细胞参数对应的细胞参数异常概率，包括：
步骤1021，根据待分析细胞对应的细胞参数，获取每个细胞参数对应的参数值和与每个细胞参数对应的参数比对范围。
其中，参数比对范围，为正常细胞的细胞参数对应的参数值所在的范围。
步骤1022，根据所述细胞参数对应的参数值和与所述细胞参数对应的参数比对范围，确定所述细胞参数的参数比对结果。
其中，参数比对结果，为根据参数比对范围确定的待分析细胞的某一细胞参数对应的参数值的比对结果。
示例性的，参数比对结果包括参数值偏离参数比对范围较远的异常结果和参数值在参数比对范围内的正常结果。对于异常结果，根据参数值偏离参数比对范围的程度，该异常结果还可以继续划分为轻度异常、中度异常和重度异常，具体划分为多少个等级在此不做具体的限定；对于正常结果，根据参数值靠近参数比对范围的程度，该正常结果还可以继续划分为轻度正常、中度正常和十分正常，具体划分为多少个等级在此不做具体的限定。
示例性的，假设参数比对范围为[X2，X3]，则不同参数值对应的参数比对结果可以根据表1的方式进行确定。
表1
步骤1023，根据每个细胞参数的参数比对结果，确定与每个细胞参数对应的细胞参数异常概率。
参数比对结果不同，对应的细胞参数异常概率不同。具体的，参数比对结果指示细胞参数越异常，则细胞参数异常概率越大；参数比对结果指示细胞参数越正常，则细胞参数异常概率越小，可如表1所示。
例如，参数比对结果为十分正常时，细胞参数异常概率可以设置为0；参数比对结果为中度正常时，细胞参数异常概率可以设置为0.1；参数比对结果为轻度正常时，细胞参数异常概率可以设置为0.2；参数比对结果为轻度异常时，细胞参数异常概率可以设置为0.4；参数比对结果为中度异常时，细胞参数异常概率可以设置为0.7；参数比对结果为重度异常时，细胞参数异常概率可以设置为1。
在一个实施例中，步骤102所述获取待分析细胞对应的细胞参数，确定与每个细胞参数对应的细胞参数异常概率，包括：
步骤102A，获取待分析细胞的细胞图像。
步骤102B，将所述细胞图像作为参数分析模型的输入，获取所述参数分析模型输出的所述细胞参数的参数分析结果。
其中，参数分析模型，用于根据细胞图像对某一细胞参数进行分析，不同的细胞参数对应不同的参数分析模型。
在使用参数分析模型之前，需要对参数分析模型进行训练。具体的，将细胞图像作为参数分析模型的输入，将待分析细胞参数的参数分析结果作为参数分析模型的输出，对该参数分析模型进行训练，得到训练好的参数分析模型。
步骤102C，根据每个细胞参数的参数分析结果，确定与每个细胞参数对应的细胞参数异常概率。
在一个实施例中，为了提高细胞参数异常概率的准确度，将模型输出与范围比对的结果进行综合，具体的，步骤102所述获取待分析细胞对应的细胞参数，确定与每个细胞参数对应的细胞参数异常概率，包括：
步骤102a，根据待分析细胞对应的细胞参数，获取每个细胞参数对应的参数值和与每个细胞参数对应的参数比对范围，根据所述细胞参数对应的参数值和与所述细胞参数对应的参数比对范围，确定所述细胞参数的参数比对结果，根据每个细胞参数的参数比对结果，确定与每个细胞参数对应的参数比对异常概率。
步骤102b，获取待分析细胞的细胞图像，将所述细胞图像作为参数分析模型的输入，获取所述参数分析模型输出的所述细胞参数的参数分析结果，根据每个细胞参数的参数分析结果，确定与每个细胞参数对应的模型分析异常概率。
步骤102c，获取与所述参数比对异常概率对应的比对权重系数和与所述模型分析异常概率对应的分析权重系数。
其中，比对权重系数，反映参数比对异常概率的重要程度；分析权重系数，反映模型分析异常概率的重要程度。
步骤102d，根据所述参数比对异常概率、所述模型分析异常概率、所述比对权重系数和所述分析权重系数，确定与每个细胞参数对应的细胞参数异常概率。
示例性的，假设参数比对异常概率、模型分析异常概率、比对权重系数和分析权重系数分别为：x1、x2、w1、w2，确定细胞参数异常概率为：w1×x1+w2×x2，其中，w1+w2＝1。
步骤104，获取与每个所述细胞参数对应的异常权重系数。
其中，异常权重系数，反映细胞参数在判断细胞异常时的重要程度，可以是一个[0，1]之间的值，也可以是大于1的值，如果某一细胞参数对细胞异常的判断很重要，则异常权重系数可以设置大一些；如果某一细胞参数对细胞异常的判断不是很重要，则异常权重系数可以设置的小一些。
在一个实施例中，细胞核面积参数对应的异常权重系数和细胞核质比参数对应的异常权重系数大于细胞核着色参数、染色质分布参数、核形不规则参数、细胞浆角化参数和挖空样参数对应的异常权重系数。
在判断细胞是否是ASC-US细胞的时候，细胞参数中细胞核面积参数与细胞核质比参数对细胞异常的判断比较重要，因此，将这两个细胞参数的异常权重系数设置大一些，细胞核着色参数、染色质分布参数、核形不规则参数、细胞浆角化参数和挖空样参数对应的异常权重系数设置的小一些，从而提高判断的准确性。
在一个实施例中，步骤104所述获取与每个所述细胞参数对应的异常权重系数，包括：
步骤104A，获取与每个细胞参数对应的至少一个参考权重系数。
其中，参考权重系数，包括经过权威医学专家确定的异常权重系数。
步骤104B，根据与每个细胞参数对应的至少一个参考权重系数，确定与每个所述细胞参数对应的异常权重系数。
示例性的，假设有4个参考权重系数为：x1、x2、x3、x4，于是，确定异常权重系数为：(x1+x2+x3+x4)/4；或者为：w1×x1+w2×x2+w3×x3+w4×x4，其中，w1+w2+w3+w4＝1。
对于细胞参数，不同医生确定的异常权重系数可能不同，即细胞参数在不同医生看来重要性不同，因此，综合多个参考权重系数确定异常权重系数能够提高异常权重系数确定的准确率。
步骤106，根据所述每个细胞参数对应的细胞参数异常概率和每个细胞参数对应的异常权重系数计算得到所述待分析细胞对应的异常概率。
其中，异常概率，为待分析细胞为异常细胞的概率。
根据公式计算异常概率，其中，P为待分析细胞对应的异常概率，i为第i个细胞参数，pi为第i个细胞参数对应的细胞参数异常概率，qi为第i个细胞参数对应的异常权重系数，N为细胞参数的总个数。
对于一个待分析细胞，综合各个细胞参数的分析结果来判断异常概率，能够提高异常细胞判断的准确性。
步骤108，根据细胞集中每个待分析细胞对应的异常概率进行展示。
其中，细胞集，为多个细胞的集合。示例性的，细胞集中的细胞可以是某一病理切片中的所有细胞。
展示的内容可以包括异常概率和与异常概率对应的细胞图像。
在一个实施例中，步骤108所述根据细胞集中每个待分析细胞对应的异常概率进行展示，包括：
步骤108A，对细胞集中各个待分析细胞对应的异常概率进行排序，得到概率排序结果。
其中，概率排序结果，为各个异常概率根据概率值大小的排序结果。
步骤108B，根据所述概率排序结果进行展示。
在一个实施例中，步骤108B所述根据所述概率排序结果进行展示，包括：从所述概率排序结果中挑选出概率值最大的预设个数的目标异常概率；将所述目标异常概率和与所述目标异常概率对应的细胞图像进行展示。
例如，细胞集中有5个待分析细胞，5个待分析细胞的异常概率分别为0.9、0.5、0.3、0.8以及0.1，于是，概率排序结果为0.9、0.8、0.5、0.3、0.1；预设个数为3，于是，目标概率值为0.9、0.8、0.5；显示0.9、0.8、0.5以及0.9、0.8、0.5对应的细胞图像。
此种方式，只是将概率值最大的预设个数的异常概率和细胞图像进行显示，但是显示的异常概率可能比较低，即显示的异常概率和细胞图像可能是正常细胞的。
在一个实施例中，步骤108B所述根据所述概率排序结果进行展示，包括：将概率排序结果中的各个异常概率与预置异常概率进行比较，得到包含至少一个异常细胞的异常细胞集，具体的，若所述异常概率大于或等于所述预置异常概率，则确定所述异常概率对应的待分析细胞为异常细胞；根据所述异常细胞集进行展示，包括：当异常细胞集中的细胞个数大于预设个数时候，从所述异常细胞集中挑选出概率值最大的预设个数的异常细胞，显示挑选出的异常细胞的异常概率和细胞图像；当异常细胞集中的细胞个数小于或等于预设个数时候，将所述异常细胞集中的异常细胞的异常概率和细胞图像进行显示。
例如，细胞集中有6个细胞，6个细胞的异常概率分别为0.9、0.5、0.3、0.8、0.1、0.6，预置异常概率为0.5，于是，异常细胞集由异常概率0.9、0.8、0.6、0.5对应的细胞构成，假设预设个数为3，则将异常概率0.9、0.8、0.6及异常概率0.9、0.8、0.6对应的细胞的细胞图像进行显示；假设预设个数为5，则将异常概率0.9、0.8、0.6、0.5以及异常概率0.9、0.8、0.6、0.5对应的细胞的细胞图像进行显示。
此种方式，显示的异常概率和细胞图像一定是异常细胞的。
在一个实施例中，为了提高比较效率，步骤108B所述根据所述概率排序结果进行展示，包括：将概率排序结果中的各个异常概率按照概率值从大到小的顺序依次与预置异常概率进行比较，直到异常概率小于所述预置异常概率，将异常概率大于或等于预置异常概率的细胞确定为异常细胞，得到异常细胞集；根据所述异常细胞集进行展示；若概率排序结果中的最大异常概率小于预置异常概率，则从概率排序结果中挑选出概率值最大的预置个数的异常概率、异常概率对应的细胞图像以及反映无异常的提示信息进行展示，例如，提示信息为，检测结果良好。
在一个实施例中，步骤108B所述根据所述概率排序结果进行展示，包括：
步骤108B1，获取屏幕显示尺寸信息。
其中，屏幕显示尺寸信息，反映显示屏幕显示图像的最大范围。
步骤108B2，根据所述屏幕显示尺寸信息，确定第一展示个数。
其中，第一展示个数，为屏幕最多能够展示的细胞图像的个数。
假设屏幕显示尺寸信息为x1×x2，细胞图像的大小为x3×x4，于是，根据(x1×x2)/x3×x4确定第一展示个数，或者根据x1/x3和x2/x4确定第一展示个数。
步骤108B3，根据所述概率排序结果确定待展示细胞的个数。
方式一、将某一预设个数设置为待展示细胞的个数，例如，将步骤108B中的预设个数确定为待展示细胞的个数。
方式二、将概率排序结果中的各个异常概率与预置异常概率进行比较，得到异常细胞的个数，若所述异常概率大于或等于所述预置异常概率，则确定所述异常概率对应的待分析细胞为异常细胞；根据异常细胞的个数，确定待展示细胞的个数，包括：1、直接将异常细胞的个数确定为待展示细胞的个数，此种方式不管异常细胞有多少个，都将异常细胞的个数确定为待展示细胞的个数；2、若异常细胞的个数超过预设值，则将所述预设值确定为待展示细胞的个数，此种方式，当异常细胞个数过多的时候，将预设值确定为待展示细胞的个数，避免展示过多的异常细胞。
步骤108B4，根据所述第一展示个数和所述待展示细胞的个数，确定在所述屏幕中的目标展示个数。
其中，目标展示个数，为屏幕最终展示的细胞信息(异常概率和细胞图像)的个数。
示例性的，若第一显示个数小于或等于待展示细胞的个数，则确定目标展示个数为第一显示个数；若第一显示个数大于待展示细胞的个数，则确定目标展示个数为待展示细胞的个数。
步骤108B5，根据所述目标展示个数进行展示。
根据目标展示个数，将目标展示个数的异常概率和细胞图像进行展示。
当是根据步骤108B3的方式一确定的待展示细胞的个数时，从所述概率排序结果中挑选出概率值最大的目标展示个数的目标异常概率；将所述目标异常概率和与所述目标异常概率对应的细胞图像进行展示。
当是根据步骤108B3的方式二确定的待展示细胞的个数时，将目标展示个数的异常细胞的异常概率和细胞图像进行展示。例如，从异常细胞中挑选出异常概率最大的目标展示个数的目标异常细胞，将目标异常细胞的异常概率和细胞图像进行显示。
在一个实施例中，确定了异常概率和细胞图像的显示方式。具体的，若异常概率超过第一预设值，则将异常概率和细胞图像以第一显示方式进行显示；若异常概率介于第二预设值和第一预设值之间，则将异常概率和细胞图像以第二显示方式进行显示；若异常概率在0到第二预设值之间，则将异常概率和细胞图像以第三显示方式进行显示。具体的，第一显示方式可以包括但不限于以紫色方框包围异常概率和细胞图像，以对异常概率和细胞图像进行显示的方式，第一显示方式还可以是将异常概率和细胞图像放大显示的方式；第二显示方式可以包括但不限于以红色方框包围异常概率和细胞图像，以对异常概率和细胞图像进行显示的方式；第一显示方式可以包括但不限于以黄色方框包围异常概率和细胞图像，以对异常概率和细胞图像进行显示的方式。
上述细胞展示方法，首先获取待分析细胞对应的细胞参数，确定与每个细胞参数对应的细胞参数异常概率；然后获取与每个所述细胞参数对应的异常权重系数；并且根据所述每个细胞参数对应的细胞参数异常概率和每个细胞参数对应的异常权重系数计算得到所述待分析细胞对应的异常概率；最后根据细胞集中每个待分析细胞对应的异常概率进行展示。可见，上述方式，由于最后根据待分析细胞对应的异常概率进行展示，相较于医生将细胞集中的每一个待分析细胞都进行查看的方式，大大的提高了查看效率，同时，由于对细胞集中的各个待分析细胞都进行了异常概率的计算，从而能够从细胞集的所有待分析细胞中筛选出异常细胞进行展示，有效的防止了医生因为偷懒或者不小心的遗漏导致的漏查异常细胞的现象，在一定程度上提高了细胞集中异常细胞判断的准确率。
在一个实施例中，提供了一种细胞展示方法，包括：
步骤402，获取病理切片的全景图像，根据所述全景图像确定所述病理切片中的至少一个有效病理区域。
其中，全景图像，为能够看到病理切片各个区域情况的二维平面图像。
其中，有效病理区域，指病理切片中包含异常细胞的区域。
采用细胞识别的方法对全景图像中的异常细胞进行识别，从而提取出有效病理区域。
示例性的，首先将全景图像划分为N个区域，然后每次定位到一个区域，获取该区域的区域图像，然后对区域图像进行：细胞拥挤程度、细胞核深染颜色、细胞核大小和裸核细胞数量等分析，最后根据区域图像的分析结果，确定该区域是否是有效病理区域。例如，细胞之间过于拥挤、细胞核深染颜色过重、细胞核较大、裸核细胞数量超过了3个，则确定该区域为有效病理区域。
步骤404，将所述至少一个有效病理区域中的细胞作为细胞集中的细胞，以得到所述细胞集。
将各个有效病理区域包含的细胞的总和确定为细胞集中的细胞，得到所述细胞集。
步骤406，对细胞集中的每个细胞，根据待分析的细胞参数，确定反映所述细胞参数为异常细胞参数的第一概率值，获取与所述细胞参数对应的权重系数。
步骤408，根据反映所述细胞参数为异常细胞参数的第一概率值和与所述细胞参数对应的权重系数，得到所述细胞集中的各个细胞为异常细胞的第二概率值。
步骤410，根据所述细胞集中的各个细胞为异常细胞的第二概率值，显示异常细胞的细胞信息。
上述细胞展示方法，由于根据全景图像确定了有效病理区域，然后将各个有效病理区域中的细胞之和确定为细胞集中的细胞，对病理切片中的细胞实现了初步的筛选，相较于将病理切片中的细胞之和直接确定为细胞集中的细胞的方式，这样的方式减少了细胞集中的细胞数量，提高判断效率。
如图5所示，提供了一种细胞展示装置500，具体包括：
第一获取模块502，用于获取待分析细胞对应的细胞参数，确定与每个细胞参数对应的细胞参数异常概率；
第二获取模块504，用于获取与每个所述细胞参数对应的异常权重系数；
概率计算模块506，用于根据所述每个细胞参数对应的细胞参数异常概率和每个细胞参数对应的异常权重系数计算得到所述待分析细胞对应的异常概率；
概率展示模块508，用于根据细胞集中每个待分析细胞对应的异常概率进行展示。
上述细胞展示装置，首先获取待分析细胞对应的细胞参数，确定与每个细胞参数对应的细胞参数异常概率；然后获取与每个所述细胞参数对应的异常权重系数；并且根据所述每个细胞参数对应的细胞参数异常概率和每个细胞参数对应的异常权重系数计算得到所述待分析细胞对应的异常概率；最后根据细胞集中每个待分析细胞对应的异常概率进行展示。可见，上述方式，由于最后根据待分析细胞对应的异常概率进行展示，相较于医生将细胞集中的每一个待分析细胞都进行查看的方式，大大的提高了查看效率，同时，由于对细胞集中的各个待分析细胞都进行了异常概率的计算，从而能够从细胞集的所有待分析细胞中筛选出异常细胞进行展示，有效的防止了医生因为偷懒或者不小心的遗漏导致的漏查异常细胞的现象，在一定程度上提高了细胞集中异常细胞判断的准确率。
在一个实施例中，所述第一获取模块502，包括：
范围获取模块，用于根据待分析细胞对应的细胞参数，获取每个细胞参数对应的参数值和与每个细胞参数对应的参数比对范围；
参数比对模块，用于根据所述细胞参数对应的参数值和与所述细胞参数对应的参数比对范围，确定所述细胞参数的参数比对结果；
比对概率模块，用于根据每个细胞参数的参数比对结果，确定与每个细胞参数对应的细胞参数异常概率。
在一个实施例中，所述第一获取模块502，包括：
图像获取模块，用于获取待分析细胞的细胞图像；
参数分析模块，用于将所述细胞图像作为参数分析模型的输入，获取所述参数分析模型输出的所述细胞参数的参数分析结果；
分析概率模块，用于根据每个细胞参数的参数分析结果，确定与每个细胞参数对应的细胞参数异常概率。
在一个实施例中，所述第一获取模块502，包括：
参数模块，用于根据待分析细胞对应的细胞参数，获取每个细胞参数对应的参数值和与每个细胞参数对应的参数比对范围，根据所述细胞参数对应的参数值和与所述细胞参数对应的参数比对范围，确定所述细胞参数的参数比对结果，根据每个细胞参数的参数比对结果，确定与每个细胞参数对应的参数比对异常概率；
模型模块，用于获取待分析细胞的细胞图像，将所述细胞图像作为参数分析模型的输入，获取所述参数分析模型输出的所述细胞参数的参数分析结果，根据每个细胞参数的参数分析结果，确定与每个细胞参数对应的模型分析异常概率；
权重模块，用于获取与所述参数比对异常概率对应的比对权重系数和与所述模型分析异常概率对应的分析权重系数；
综合模块，用于根据所述参数比对异常概率、所述模型分析异常概率、所述比对权重系数和所述分析权重系数，确定与每个细胞参数对应的细胞参数异常概率。
在一个实施例中，所述概率展示模块508，包括：
排序模块，用于对细胞集中各个待分析细胞对应的异常概率进行排序，得到概率排序结果；
排序结果展示模块，用于根据所述概率排序结果进行展示。
在一个实施例中，所述排序结果展示模块，包括：
屏幕信息模块，用于获取屏幕显示尺寸信息；
显示个数模块，用于根据所述屏幕显示尺寸信息，确定第一展示个数；
排序展示模块，用于根据所述概率排序结果确定待展示细胞的个数；
目标个数模块，用于根据所述第一展示个数和所述待展示细胞的个数，确定在所述屏幕中的目标展示个数；
目标个数展示模块，用于根据所述目标展示个数进行展示。
在一个实施例中，所述细胞参数包括细胞核面积参数、细胞核质比参数、细胞核着色参数、染色质分布参数、核形不规则参数、细胞浆角化参数和挖空样参数；所述细胞核面积参数对应的异常权重系数和所述细胞核质比参数对应的异常权重系数大于所述细胞核着色参数、所述染色质分布参数、所述核形不规则参数、所述细胞浆角化参数和所述挖空样参数对应的异常权重系数。
在一个实施例中，所述装置500，还包括：全景图像获取模块，用于获取病理切片的全景图像，根据所述全景图像确定所述病理切片中的至少一个有效病理区域；细胞集确定模块，用于将所述至少一个有效病理区域中的细胞作为细胞集中的细胞，以得到所述细胞集。
在一个实施例中，所述第二获取模块504，包括：参考权重获取模块，用于获取与每个细胞参数对应的至少一个参考权重系数；权重确定模块，用于根据与每个细胞参数对应的至少一个参考权重系数，确定与每个所述细胞参数对应的异常权重系数。
图6示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是服务器或终端设备，其中，服务器包括高性能计算机或高性能计算机集群，终端设备包括台式终端设备，例如，台式电脑，终端设备还可以包括移动终端设备，例如，笔记本电脑、平板电脑。如图6所示，该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现细胞展示方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行细胞展示方法。本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，本申请提供的细胞展示方法可以实现为一种计算机程序的形式，计算机程序可在如图6所示的计算机设备上运行。计算机设备的存储器中可存储组成细胞展示装置的各个程序模板。比如，第一获取模块502、第二获取模块504和结果诊断模块506。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
获取待分析细胞对应的细胞参数，确定与每个细胞参数对应的细胞参数异常概率；
获取与每个所述细胞参数对应的异常权重系数；
根据所述每个细胞参数对应的细胞参数异常概率和每个细胞参数对应的异常权重系数计算得到所述待分析细胞对应的异常概率；
根据细胞集中每个待分析细胞对应的异常概率进行展示。
在一个实施例中，所述获取待分析细胞对应的细胞参数，确定与每个细胞参数对应的细胞参数异常概率，包括：
根据待分析细胞对应的细胞参数，获取每个细胞参数对应的参数值和与每个细胞参数对应的参数比对范围；
根据所述细胞参数对应的参数值和与所述细胞参数对应的参数比对范围，确定所述细胞参数的参数比对结果；
根据每个细胞参数的参数比对结果，确定与每个细胞参数对应的细胞参数异常概率。
在一个实施例中，所述获取待分析细胞对应的细胞参数，确定与每个细胞参数对应的细胞参数异常概率，包括：
获取待分析细胞的细胞图像；
将所述细胞图像作为参数分析模型的输入，获取所述参数分析模型输出的所述细胞参数的参数分析结果；
根据每个细胞参数的参数分析结果，确定与每个细胞参数对应的细胞参数异常概率。
在一个实施例中，所述获取待分析细胞对应的细胞参数，确定与每个细胞参数对应的细胞参数异常概率，包括：
根据待分析细胞对应的细胞参数，获取每个细胞参数对应的参数值和与每个细胞参数对应的参数比对范围，根据所述细胞参数对应的参数值和与所述细胞参数对应的参数比对范围，确定所述细胞参数的参数比对结果，根据每个细胞参数的参数比对结果，确定与每个细胞参数对应的参数比对异常概率；
获取待分析细胞的细胞图像，将所述细胞图像作为参数分析模型的输入，获取所述参数分析模型输出的所述细胞参数的参数分析结果，根据每个细胞参数的参数分析结果，确定与每个细胞参数对应的模型分析异常概率；
获取与所述参数比对异常概率对应的比对权重系数和与所述模型分析异常概率对应的分析权重系数；
根据所述参数比对异常概率、所述模型分析异常概率、所述比对权重系数和所述分析权重系数，确定与每个细胞参数对应的细胞参数异常概率。
在一个实施例中，所述根据细胞集中每个待分析细胞对应的异常概率进行展示，包括：
对细胞集中各个待分析细胞对应的异常概率进行排序，得到概率排序结果；
根据所述概率排序结果进行展示。
在一个实施例中，所述根据所述概率排序结果进行展示，包括：
获取屏幕显示尺寸信息；
根据所述屏幕显示尺寸信息，确定第一展示个数；
根据所述概率排序结果确定待展示细胞的个数；
根据所述第一展示个数和所述待展示细胞的个数，确定在所述屏幕中的目标展示个数；
根据所述目标展示个数进行展示。
在一个实施例中，所述细胞参数包括细胞核面积参数、细胞核质比参数、细胞核着色参数、染色质分布参数、核形不规则参数、细胞浆角化参数和挖空样参数；所述细胞核面积参数对应的异常权重系数和所述细胞核质比参数对应的异常权重系数大于所述细胞核着色参数、所述染色质分布参数、所述核形不规则参数、所述细胞浆角化参数和所述挖空样参数对应的异常权重系数。
在一个实施例中，所述计算机程序被处理器执行时，还用于在所述获取待分析细胞对应的细胞参数之前：
获取病理切片的全景图像，根据所述全景图像确定所述病理切片中的至少一个有效病理区域；
将所述至少一个有效病理区域中的细胞作为细胞集中的细胞，以得到所述细胞集。
在一个实施例中，所述获取与每个所述细胞参数对应的异常权重系数，包括：
获取与每个细胞参数对应的至少一个参考权重系数；
根据与每个细胞参数对应的至少一个参考权重系数，确定与每个所述细胞参数对应的异常权重系数。
在一个实施例中，提出了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：
获取待分析细胞对应的细胞参数，确定与每个细胞参数对应的细胞参数异常概率；
获取与每个所述细胞参数对应的异常权重系数；
根据所述每个细胞参数对应的细胞参数异常概率和每个细胞参数对应的异常权重系数计算得到所述待分析细胞对应的异常概率；
根据细胞集中每个待分析细胞对应的异常概率进行展示。
在一个实施例中，所述获取待分析细胞对应的细胞参数，确定与每个细胞参数对应的细胞参数异常概率，包括：
根据待分析细胞对应的细胞参数，获取每个细胞参数对应的参数值和与每个细胞参数对应的参数比对范围；
根据所述细胞参数对应的参数值和与所述细胞参数对应的参数比对范围，确定所述细胞参数的参数比对结果；
根据每个细胞参数的参数比对结果，确定与每个细胞参数对应的细胞参数异常概率。
在一个实施例中，所述获取待分析细胞对应的细胞参数，确定与每个细胞参数对应的细胞参数异常概率，包括：
获取待分析细胞的细胞图像；
将所述细胞图像作为参数分析模型的输入，获取所述参数分析模型输出的所述细胞参数的参数分析结果；
根据每个细胞参数的参数分析结果，确定与每个细胞参数对应的细胞参数异常概率。
在一个实施例中，所述获取待分析细胞对应的细胞参数，确定与每个细胞参数对应的细胞参数异常概率，包括：
根据待分析细胞对应的细胞参数，获取每个细胞参数对应的参数值和与每个细胞参数对应的参数比对范围，根据所述细胞参数对应的参数值和与所述细胞参数对应的参数比对范围，确定所述细胞参数的参数比对结果，根据每个细胞参数的参数比对结果，确定与每个细胞参数对应的参数比对异常概率；
获取待分析细胞的细胞图像，将所述细胞图像作为参数分析模型的输入，获取所述参数分析模型输出的所述细胞参数的参数分析结果，根据每个细胞参数的参数分析结果，确定与每个细胞参数对应的模型分析异常概率；
获取与所述参数比对异常概率对应的比对权重系数和与所述模型分析异常概率对应的分析权重系数；
根据所述参数比对异常概率、所述模型分析异常概率、所述比对权重系数和所述分析权重系数，确定与每个细胞参数对应的细胞参数异常概率。
在一个实施例中，所述根据细胞集中每个待分析细胞对应的异常概率进行展示，包括：
对细胞集中各个待分析细胞对应的异常概率进行排序，得到概率排序结果；
根据所述概率排序结果进行展示。
在一个实施例中，所述根据所述概率排序结果进行展示，包括：
获取屏幕显示尺寸信息；
根据所述屏幕显示尺寸信息，确定第一展示个数；
根据所述概率排序结果确定待展示细胞的个数；
根据所述第一展示个数和所述待展示细胞的个数，确定在所述屏幕中的目标展示个数；
根据所述目标展示个数进行展示。
在一个实施例中，所述细胞参数包括细胞核面积参数、细胞核质比参数、细胞核着色参数、染色质分布参数、核形不规则参数、细胞浆角化参数和挖空样参数；所述细胞核面积参数对应的异常权重系数和所述细胞核质比参数对应的异常权重系数大于所述细胞核着色参数、所述染色质分布参数、所述核形不规则参数、所述细胞浆角化参数和所述挖空样参数对应的异常权重系数。
在一个实施例中，所述计算机程序被处理器执行时，还用于在所述获取待分析细胞对应的细胞参数之前：
获取病理切片的全景图像，根据所述全景图像确定所述病理切片中的至少一个有效病理区域；
将所述至少一个有效病理区域中的细胞作为细胞集中的细胞，以得到所述细胞集。
在一个实施例中，所述获取与每个所述细胞参数对应的异常权重系数，包括：
获取与每个细胞参数对应的至少一个参考权重系数；
根据与每个细胞参数对应的至少一个参考权重系数，确定与每个所述细胞参数对应的异常权重系数。
需要说明的是，上述细胞展示方法、细胞展示装置、计算机设备及计算机可读存储介质属于一个总的发明构思，细胞展示方法、细胞展示装置、计算机设备及计算机可读存储介质实施例中的内容可相互适用。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (13)

1.一种细胞展示方法，其特征在于，包括：
获取待分析细胞对应的细胞参数，确定与每个细胞参数对应的细胞参数异常概率；
获取与每个所述细胞参数对应的异常权重系数；
根据所述每个细胞参数对应的细胞参数异常概率和每个细胞参数对应的异常权重系数计算得到所述待分析细胞对应的异常概率；
根据细胞集中每个待分析细胞对应的异常概率进行展示。
2.如权利要求1所述的方法，其特征在于，所述获取待分析细胞对应的细胞参数，确定与每个细胞参数对应的细胞参数异常概率，包括：
根据待分析细胞对应的细胞参数，获取每个细胞参数对应的参数值和与每个细胞参数对应的参数比对范围；
根据所述细胞参数对应的参数值和与所述细胞参数对应的参数比对范围，确定所述细胞参数的参数比对结果；
根据每个细胞参数的参数比对结果，确定与每个细胞参数对应的细胞参数异常概率。
3.如权利要求1所述的方法，其特征在于，所述获取待分析细胞对应的细胞参数，确定与每个细胞参数对应的细胞参数异常概率，包括：
获取待分析细胞的细胞图像；
将所述细胞图像作为参数分析模型的输入，获取所述参数分析模型输出的所述细胞参数的参数分析结果；
根据每个细胞参数的参数分析结果，确定与每个细胞参数对应的细胞参数异常概率。
4.如权利要求1所述的方法，其特征在于，所述获取待分析细胞对应的细胞参数，确定与每个细胞参数对应的细胞参数异常概率，包括：
根据待分析细胞对应的细胞参数，获取每个细胞参数对应的参数值和与每个细胞参数对应的参数比对范围，根据所述细胞参数对应的参数值和与所述细胞参数对应的参数比对范围，确定所述细胞参数的参数比对结果，根据每个细胞参数的参数比对结果，确定与每个细胞参数对应的参数比对异常概率；
获取待分析细胞的细胞图像，将所述细胞图像作为参数分析模型的输入，获取所述参数分析模型输出的所述细胞参数的参数分析结果，根据每个细胞参数的参数分析结果，确定与每个细胞参数对应的模型分析异常概率；
获取与所述参数比对异常概率对应的比对权重系数和与所述模型分析异常概率对应的分析权重系数；
根据所述参数比对异常概率、所述模型分析异常概率、所述比对权重系数和所述分析权重系数，确定与每个细胞参数对应的细胞参数异常概率。
5.如权利要求1所述的方法，其特征在于，所述根据细胞集中每个待分析细胞对应的异常概率进行展示，包括：
对细胞集中各个待分析细胞对应的异常概率进行排序，得到概率排序结果；
根据所述概率排序结果进行展示。
6.如权利要求5所述的方法，其特征在于，所述根据所述概率排序结果进行展示，包括：
获取屏幕显示尺寸信息；
根据所述屏幕显示尺寸信息，确定第一展示个数；
根据所述概率排序结果确定待展示细胞的个数；
根据所述第一展示个数和所述待展示细胞的个数，确定在所述屏幕中的目标展示个数；
根据所述目标展示个数进行展示。
7.如权利要求1所述的方法，其特征在于，所述细胞参数包括细胞核面积参数、细胞核质比参数、细胞核着色参数、染色质分布参数、核形不规则参数、细胞浆角化参数和挖空样参数；
所述细胞核面积参数对应的异常权重系数和所述细胞核质比参数对应的异常权重系数大于所述细胞核着色参数、所述染色质分布参数、所述核形不规则参数、所述细胞浆角化参数和所述挖空样参数对应的异常权重系数。
8.如权利要求1所述的方法，其特征在于，在所述获取待分析细胞对应的细胞参数之前，还包括：
获取病理切片的全景图像，根据所述全景图像确定所述病理切片中的至少一个有效病理区域；
将所述至少一个有效病理区域中的细胞作为细胞集中的细胞，以得到所述细胞集。
9.如权利要求1至8任一项所述的方法，其特征在于，所述获取与每个所述细胞参数对应的异常权重系数，包括：
获取与每个细胞参数对应的至少一个参考权重系数；
根据与每个细胞参数对应的至少一个参考权重系数，确定与每个所述细胞参数对应的异常权重系数。
10.一种细胞展示装置，其特征在于，包括：
第一获取模块，用于获取待分析细胞对应的细胞参数，确定与每个细胞参数对应的细胞参数异常概率；
第二获取模块，用于获取与每个所述细胞参数对应的异常权重系数；
概率计算模块，用于根据所述每个细胞参数对应的细胞参数异常概率和每个细胞参数对应的异常权重系数计算得到所述待分析细胞对应的异常概率；
概率展示模块，用于根据细胞集中每个待分析细胞对应的异常概率进行展示。
11.如权利要求10所述的装置，其特征在于，所述第一获取模块，包括：
范围获取模块，用于根据待分析细胞对应的细胞参数，获取每个细胞参数对应的参数值和与每个细胞参数对应的参数比对范围；
参数比对模块，用于根据所述细胞参数对应的参数值和与所述细胞参数对应的参数比对范围，确定所述细胞参数的参数比对结果；
比对概率模块，用于根据每个细胞参数的参数比对结果，确定与每个细胞参数对应的细胞参数异常概率。
12.一种计算机设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至9任一项所述细胞展示方法的步骤。
13.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至9任一项所述细胞展示方法的步骤。
CN201910492858.7A 2019-06-06 2019-06-06 细胞展示方法、装置、计算机设备和计算机可读存储介质 Pending CN110334604A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910492858.7A CN110334604A (zh) 2019-06-06 2019-06-06 细胞展示方法、装置、计算机设备和计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910492858.7A CN110334604A (zh) 2019-06-06 2019-06-06 细胞展示方法、装置、计算机设备和计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN110334604A true CN110334604A (zh) 2019-10-15

Family

ID=68140768

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910492858.7A Pending CN110334604A (zh) 2019-06-06 2019-06-06 细胞展示方法、装置、计算机设备和计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN110334604A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112233060A (zh) * 2020-09-04 2021-01-15 广州金域医学检验中心有限公司 数字病理图像异常样本的筛选方法、装置、计算机设备及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1746901A (zh) * 2005-09-19 2006-03-15 南京大学 肺癌早期细胞涂片彩色图像信息的计算机智能化处理的方法及其处理设备
US20070054271A1 (en) * 2003-03-20 2007-03-08 Dana-Farber Cancer Institute, Inc. Gene expression in breast cancer
CN102359938A (zh) * 2011-09-16 2012-02-22 长沙高新技术产业开发区爱威科技实业有限公司 红细胞形态学分析装置及其方法
CN102682305A (zh) * 2012-04-25 2012-09-19 深圳市迈科龙医疗设备有限公司 宫颈液基细胞学自动筛查方法和系统
CN105095865A (zh) * 2015-07-17 2015-11-25 广西师范大学 基于有向加权复杂网络的宫颈细胞识别方法及宫颈细胞识别装置
CN105989245A (zh) * 2015-08-17 2016-10-05 杭州筹图科技有限公司 获取纤维化的特征量化参数的值的方法及装置
CN108197606A (zh) * 2018-01-31 2018-06-22 浙江大学 一种基于多尺度膨胀卷积的病理切片中异常细胞的识别方法
WO2018160925A1 (en) * 2017-03-02 2018-09-07 President And Fellows Of Harvard College Methods and systems for predicting treatment responses in subjects
CN108830830A (zh) * 2018-05-11 2018-11-16 深圳博脑医疗科技有限公司 一种脑萎缩程度的定量检测方法、检测装置及终端设备
CN109426354A (zh) * 2017-08-25 2019-03-05 北京搜狗科技发展有限公司 一种输入方法、装置和用于输入的装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070054271A1 (en) * 2003-03-20 2007-03-08 Dana-Farber Cancer Institute, Inc. Gene expression in breast cancer
CN1746901A (zh) * 2005-09-19 2006-03-15 南京大学 肺癌早期细胞涂片彩色图像信息的计算机智能化处理的方法及其处理设备
CN102359938A (zh) * 2011-09-16 2012-02-22 长沙高新技术产业开发区爱威科技实业有限公司 红细胞形态学分析装置及其方法
CN102682305A (zh) * 2012-04-25 2012-09-19 深圳市迈科龙医疗设备有限公司 宫颈液基细胞学自动筛查方法和系统
CN105095865A (zh) * 2015-07-17 2015-11-25 广西师范大学 基于有向加权复杂网络的宫颈细胞识别方法及宫颈细胞识别装置
CN105989245A (zh) * 2015-08-17 2016-10-05 杭州筹图科技有限公司 获取纤维化的特征量化参数的值的方法及装置
WO2018160925A1 (en) * 2017-03-02 2018-09-07 President And Fellows Of Harvard College Methods and systems for predicting treatment responses in subjects
CN109426354A (zh) * 2017-08-25 2019-03-05 北京搜狗科技发展有限公司 一种输入方法、装置和用于输入的装置
CN108197606A (zh) * 2018-01-31 2018-06-22 浙江大学 一种基于多尺度膨胀卷积的病理切片中异常细胞的识别方法
CN108830830A (zh) * 2018-05-11 2018-11-16 深圳博脑医疗科技有限公司 一种脑萎缩程度的定量检测方法、检测装置及终端设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112233060A (zh) * 2020-09-04 2021-01-15 广州金域医学检验中心有限公司 数字病理图像异常样本的筛选方法、装置、计算机设备及存储介质
CN112233060B (zh) * 2020-09-04 2024-03-29 广州金域医学检验中心有限公司 数字病理图像异常样本的筛选方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
US8761465B2 (en) Centroid processing
JP5387147B2 (ja) 病理画像診断システム、病理画像処理方法、病理画像診断プログラム
CN105009174B (zh) 用于评估组织纤维化的方法及系统
WO2021139258A1 (zh) 基于图像识别的细胞识别计数方法、装置和计算机设备
TWI412949B (zh) 影像區域的自動選擇裝置及方法
Das et al. Elimination of specular reflection and identification of ROI: The first step in automated detection of Cervical Cancer using Digital Colposcopy
CN110021013A (zh) 病理切片细胞的类型识别方法、装置和计算机设备
JP6913697B2 (ja) 画像アトラスシステム及び方法
DE102008060789A1 (de) System und Verfahren zur nicht überwachten Detektion und Gleason-Abstufung für ein Prostatakrebspräparat (Whole-Mount) unter Verwendung von NIR Fluoreszenz
López et al. Digital image analysis in breast cancer: an example of an automated methodology and the effects of image compression
CN104680524A (zh) 一种叶类蔬菜病害诊断方法
WO2015040990A1 (ja) 疾患分析装置、制御方法、及びプログラム
CN106780522A (zh) 一种基于深度学习的骨髓液细胞分割方法
Li et al. Automated detection of retinal exudates and drusen in ultra-widefield fundus images based on deep learning
Das et al. Preprocessing for automating early detection of cervical cancer
WO2022036673A1 (zh) 一种疾病风险评测报告自动生成平台及应用
CN106370488A (zh) 一种基于循环肿瘤细胞切片的诊断系统及方法
Walkowski et al. Quality evaluation of virtual slides using methods based on comparing common image areas
CN110838094B (zh) 病理切片染色风格转换方法和电子设备
WO2022066725A1 (en) Training end-to-end weakly supervised networks in a multi-task fashion at the specimen (supra-image) level
CN112614573A (zh) 基于病理图像标注工具的深度学习模型训练方法及装置
CN110334604A (zh) 细胞展示方法、装置、计算机设备和计算机可读存储介质
CN117095815A (zh) 基于磁共振图像和病理全景扫描切片预测带有同源重组缺陷的前列腺癌患者的系统
CN109978849A (zh) 基于数字病理图像的基线细胞确定方法、装置及可读介质
AU2021345220A1 (en) Training end-to-end weakly supervised networks at the specimen (supra-image) level

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Che Shuanlong

Inventor after: Luo Pifu

Inventor after: Li Jing

Inventor after: Zhang Zhikui

Inventor after: Ding Xiangdong

Inventor after: Liu Si

Inventor after: Li Yinghua

Inventor after: Qiu Weisong

Inventor before: Che Shuanlong

Inventor before: Luo Pifu

Inventor before: Li Jing

Inventor before: Zhang Zhikui

Inventor before: Ding Xiangdong

Inventor before: Liu Si

Inventor before: Li Yinghua

Inventor before: Qiu Weisong

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20191015