CN110956605B - 基于蛋白抗体试剂的宫颈癌细胞学检测方法 - Google Patents
基于蛋白抗体试剂的宫颈癌细胞学检测方法 Download PDFInfo
- Publication number
- CN110956605B CN110956605B CN201811132874.7A CN201811132874A CN110956605B CN 110956605 B CN110956605 B CN 110956605B CN 201811132874 A CN201811132874 A CN 201811132874A CN 110956605 B CN110956605 B CN 110956605B
- Authority
- CN
- China
- Prior art keywords
- sample image
- cells
- transformation
- linear transformation
- antibody reagent
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 239000003153 chemical reaction reagent Substances 0.000 title claims abstract description 30
- 102000004169 proteins and genes Human genes 0.000 title claims abstract description 28
- 108090000623 proteins and genes Proteins 0.000 title claims abstract description 28
- 206010008342 Cervix carcinoma Diseases 0.000 title claims abstract description 26
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 title claims abstract description 26
- 201000010881 cervical cancer Diseases 0.000 title claims abstract description 26
- 230000009466 transformation Effects 0.000 claims abstract description 77
- 238000000926 separation method Methods 0.000 claims abstract description 27
- 238000004043 dyeing Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000000034 method Methods 0.000 claims description 23
- 230000002380 cytological effect Effects 0.000 claims description 11
- 238000010186 staining Methods 0.000 claims description 9
- 239000004973 liquid crystal related substance Substances 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 abstract description 4
- 210000004027 cell Anatomy 0.000 description 77
- 230000001086 cytosolic effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 210000000805 cytoplasm Anatomy 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012303 cytoplasmic staining Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000012128 staining reagent Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
Images
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明提供了一种基于蛋白抗体试剂的宫颈癌细胞学检测方法，包括以下步骤：对样本细胞进行染色，并获取染色后的样本图像；对所述样本图像进行对数变换；对经过对数变换后的样本图像进行线性变换，得到所述样本图像中各细胞的像素值；根据所述各细胞的像素值，对所述样本图像进行色彩分离，从而分离出癌变细胞和正常细胞。利用E7蛋白抗体试剂与癌变细胞的显色反应，设计了图像色彩分离模型，并验证阳性细胞检出能力，达到宫颈癌细胞学自动检测，减轻工作者工作量，提高癌变细胞的检出比例。
Description
技术领域
本发明属于细胞病理学计算机视觉技术领域，特别涉及一种基于蛋白抗体试剂的宫颈癌细胞学检测方法。
背景技术
目前的宫颈癌检测方法主要是基于癌变细胞形态学特征，判读结果提示样本中疑似癌变的细胞坐标点。由于癌变细胞的形态变化复杂，对方法识别能力要求很高，对细胞病理工作者确诊的工作难度及强度也很高。
因此，目前亟需一种宫颈癌细胞学图像自动检测方法，以减轻工作者工作量，并提高癌变细胞的检出比例。
发明内容
本发明的目的在于提供一种基于蛋白抗体试剂的宫颈癌细胞学检测方法，达到宫颈癌细胞学自动检测，减轻工作者工作量，提高癌变细胞的检出比例。
为解决上述技术问题，本发明的实施方式公开了一种基于蛋白抗体试剂的宫颈癌细胞学检测方法，包括以下步骤：
对样本细胞进行染色，并获取染色后的样本图像；
对所述样本图像进行对数变换；
对经过对数变换后的样本图像进行线性变换，得到所述样本图像中各细胞的像素值；
根据所述各细胞的像素值，对所述样本图像进行色彩分离，从而分离出癌变细胞和正常细胞。
在另一优选例中，所述“对经过对数变换后的样本图像进行线性变换”的步骤中，采用的第一线性变换公式为：
其中，Rlog、Glog、Blog为所述样本图像的R、G、B三个颜色通道经过对数变换后的值，q[0]、q[1]、q[2]代表线性参数，RsP、GsP、BsP代表进行线性变换后的三通道颜色分量；
线性参数q[0]、q[1]、q[2]的计算公式为：
其中，A、V、C代表中间参数，计算公式如下：
其中，cosx[i]、cosy[i]、cosz[i]代表颜色分离初始化参数，计算公式如下：
其中，
MODx[0]＝0.650±0.01；
MODy[0]＝0.704±0.01；
MODz[0]＝0.286±0.01；
MODx[1]＝0.268±0.01；
MODy[1]＝0.570±0.01；
MODz[1]＝0.776±0.01；
MODx[2]＝0.0；
MODy[2]＝0.0；
MODz[2]＝0.0。
在另一优选例中，所述“对经过对数变换后的样本图像进行线性变换”的步骤中，采用的第二线性变换公式为：
其中，Rlog、Glog、Blog为所述样本图像的R、G、B三个颜色通道经过对数变换后的值，q[3]、q[4]、q[5]代表线性参数，RsP、GsP、BsP代表进行线性变换后的三通道颜色分量；
线性参数q[3]、q[4]、q[5]的计算公式为：
其中，A、V、C代表中间参数，计算公式如下：
其中，cosx[i]、cosy[i]、cosz[i]代表颜色分离初始化参数，计算公式如下：
其中，
MODx[0]＝0.650±0.01；
MODy[0]＝0.704±0.01；
MODz[0]＝0.286±0.01；
MODx[1]＝0.268±0.01；
MODy[1]＝0.570±0.01；
MODz[1]＝0.776±0.01；
MODx[2]＝0.0；
MODy[2]＝0.0；
MODz[2]＝0.0。
在另一优选例中，所述“对经过对数变换后的样本图像进行线性变换”的步骤之后，还包括以下步骤：
对所述线性变换后的三通道颜色分量进行综合计算，计算公式为：
其中，outP1代表线性变换后三通道颜色分量的综合计算值，RsP、GsP、BsP代表进行线性变换后的三通道颜色分量；
科学化计算所述综合计算值，从而得到所述样本图像中各细胞的像素值，计算公式为：
outP＝Oxff&floor(outP1+0.5)
其中，outP代表科学化计算后的细胞的像素值，其中Oxff为高位清零函数符，floor代表取整函数。
在另一优选例中，所述“根据所述各细胞的像素值，对所述样本图像进行色彩分离，从而分离出癌变细胞和正常细胞”的步骤中,将采用第一线性变换公式所得的所述样本图像中各细胞的像素值与第一阈值相比较，像素值落入所述第一阈值范围内的细胞即为癌变细胞。
在另一优选例中，所述“根据所述各细胞的像素值，对所述样本图像进行色彩分离，从而分离出癌变细胞和正常细胞”的步骤中,将采用第二线性变换公式所得的所述样本图像中各细胞的像素值与第二阈值相比较，像素值落入所述第一阈值范围内的细胞即为正常细胞。
在另一优选例中，所述“对所述样本图像进行对数变换”的步骤中，对所述样本图像的R、G、B三个颜色通道进行对数变换，采用的对数变换公式为：
其中，Rlog、Glog、Blog为所述样本图像的R、G、B三个颜色通道经过对数变换处理的值，log255代表以自然数为底，255的对数。
在另一优选例中，所述“对样本细胞进行染色”的步骤中，采用E7蛋白抗体试剂对样本细胞进行染色。
在另一优选例中，所述癌变细胞为棕色，所述正常细胞为蓝色。
应理解，在本发明范围内中，本发明的上述各技术特征和在下文(如实施例)中具体描述的各技术特征之间都可以互相组合，从而构成新的或优选的技术方案。限于篇幅，在此不再一一累述。
本发明实施方式与现有技术相比，主要区别及其效果在于：
先利用E7蛋白抗体试剂对样本细胞染色，从色彩上将癌变细胞与正常细胞区分，既降低方法识别判读难度，也降低工作者判读工作难度；然后根据疑似癌变细胞胞质棕色染色图像特征，自主设计图像颜色分离模型，建立数学模型，确定模型最优参数，最终实验验证方法的检出能力。
采用E7蛋白抗体试剂对样本细胞进行染色，如果细胞质染色变为棕色，表明E7阳性，表明患者脱落宫颈细胞中疑似癌变细胞。在此基础上，基于计算机视觉进行颜色空间分离，检测出细胞质棕色染色的疑似癌变细胞，阳性检出比例85％，阴性检出比例75％。
利用E7抗体试剂与癌变细胞的显色反应(疑似癌变细胞胞质棕色染色)，设计了图像色彩分离模型，并验证阳性细胞检出能力，达到宫颈癌细胞学自动检测，减轻工作者工作量，提高癌变细胞的检出比例。
分别对R、G、B三个颜色通道进行对数变换，对数变换主要用于将图像的低灰度值部分扩展，将其高灰度值部分压缩，以达到强调图像低灰度部分的目的。
在进行对数变换时，采用以自然数为底，255的对数，色彩分离的效果更好。
附图说明
图1是本发明的实施方式中一种基于蛋白抗体试剂的宫颈癌细胞学检测方法的流程图；
图2是本发明的实施方式中一种待检测样本图像；
图3是图2所示的待检测样本图像的检测结果。
具体实施方式
首先，需要说明的是，本发明各实施方式中的基于蛋白抗体试剂的宫颈癌细胞学检测方法是一种试验研究方法，并不是疾病的诊断和治疗方法。
在以下的叙述中，为了使读者更好地理解本申请而提出了许多技术细节。但是，本领域的普通技术人员可以理解，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请各权利要求所要求保护的技术方案。
在描述本发明之前，应当理解本发明不限于所述的具体方法和实验条件，因为这类方法和条件可以变动。还应当理解本文所用的术语其目的仅在于描述具体实施方案，并且不意图是限制性的，本发明的范围将仅由所附的权利要求书限制。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式作进一步地详细描述。
本发明的实施方式涉及一种基于蛋白抗体试剂的宫颈癌细胞学检测方法，图1是该基于蛋白抗体试剂的宫颈癌细胞学检测方法的流程图。
具体地说，如图1所示，该基于蛋白抗体试剂的宫颈癌细胞学检测方法包括以下步骤：
在步骤101中，对样本细胞进行染色，并获取染色后的样本图像。
在本实施方式中，优选地，采用E7蛋白抗体试剂对样本细胞进行染色，如果细胞质染色变为棕色，表明E7阳性，表明该脱落宫颈细胞为疑似癌变细胞。正常细胞的细胞质染色变为蓝色。
利用E7抗体试剂与癌变细胞的显色反应(疑似癌变细胞胞质棕色染色)，设计了图像色彩分离模型，并验证阳性细胞检出能力，达到宫颈癌细胞学自动检测，减轻工作者工作量，提高癌变细胞的检出比例。
当然，这只是一种优选的实施方式，在本发明的其他某些实施方式中，也可以采用其他的染色试剂，并不以此为限。
此后进入步骤102，对样本图像进行对数变换。
在本实施方式中，优选地，步骤102中采用的对数变换公式为：
公式(1)中，Rlog、Glog、Blog为所述样本图像的R、G、B三个颜色通道经过对数变换处理的值，log255代表以自然数为底，255的对数。
在本实施方式中，在进行对数变换时，采用以自然数为底，255的对数，色彩分离的效果更好。
当然，这只是一种优选的实施方式，在其他的实施方式中，也可以采用其他的对数变换公式，比如以10为底，255的对数；或者其他的对数，并不以此为限。
由于棕色相较于蓝色，灰度更低。分别对R、G、B三个颜色通道进行对数变换，对数变换主要用于将样本图像的低灰度值部分扩展，将其高灰度值部分压缩，以达到强调图像低灰度部分的目的。
此后进入步骤103，对经过对数变换后的样本图像进行线性变换，得到样本图像中各细胞的像素值。
为了达到色彩分离的目的，再进行线性变换。
在优选例一中：采用的线性变换公式为：
在优选例二中：采用的线性变换公式为：
上述公式(2)和公式(3)中，RsP、GsP、BsP代表进行线性变换后的三通道颜色分量；Rlog、Glog、Blog为样本图像的R、G、B三个颜色通道经过对数变换后的值；q[0]、q[1]、q[2]和q[3]、q[4]、q[5]代表线性参数。
其中，线性参数q[0]、q[1]、q[2]的计算公式为：
线性参数q[3]、q[4]、q[5]的计算公式为：
线性参数公式中，A、V、C代表中间参数，计算公式如下：
公式(6)中，cosx[i]、cosy[i]、cosz[i]代表颜色分离初始化参数，计算公式如下：
公式(7)中，
MODx[0]＝0.650±0.01；
MODy[0]＝0.704±0.01；
MODz[0]＝0.286±0.01；
MODx[1]＝0.268±0.01；
MODy[1]＝0.570±0.01；
MODz[1]＝0.776±0.01；
MODx[2]＝0.0；
MODy[2]＝0.0；
MODz[2]＝0.0。
然后，进一步地，对线性变换后的三通道颜色分量进行综合计算，计算公式为：
公式(8)中，outP1代表线性变换后三通道综合计算值，即样本图像中各细胞的像素值。进一步科学化计算目标值，计算四舍五入处理与高位清零：
outP＝Oxff&floor(outP1+0.5)………………(9)
公式(9)中，outP代表科学化计算后的样本图像中各细胞的像素值，其中Oxff为高位清零函数符，floor代表取整函数。
本发明的实施方式，先利用E7蛋白抗体试剂对样本细胞染色，从色彩上将癌变细胞与正常细胞区分，既降低方法识别判读难度，也降低工作者判读工作难度；然后根据疑似癌变细胞胞质棕色染色图像特征，自主设计图像颜色分离模型，建立数学模型，确定模型最优参数，最终实验验证方法的检出能力。
此后进入步骤104，根据各细胞的像素值，对样本图像进行色彩分离，从而分离出癌变细胞和正常细胞。
在优选例一中，根据采用线性变换公式(2)线性变换后的三通道颜色分量RsP、GsP、BsP提取前景目标，即棕色目标，也就是疑似癌变细胞。
具体地，将采用线性变换公式(2)计算出来的样本图像中各细胞的像素值与第一阈值相比较，像素值落入第一阈值范围内的细胞即为癌变细胞，至此达到分离出前景目标(棕色目标，即癌变细胞)的目的。
或者，在优选例二中，根据采用线性变换公式(3)线性变换后的三通道颜色分量RsP、GsP、BsP提取背景目标，即蓝色目标，也就是正常细胞。
具体地，将采用线性变换公式(3)计算出来的样本图像中各细胞的像素值与第二阈值相比较，像素值落入第二阈值范围内的细胞即为正常细胞，至此达到分离出背景目标(蓝色目标，即正常细胞)的目的。
或者，在优选例三中，将线性变换公式(2)和线性变换公式(3)结合使用，二者结合，色彩分离的效果会更好。先提取棕色目标，再提取蓝色目标；或者先提取蓝色目标，再提取棕色目标。
最终达到颜色分离的目的，如图2所示，为待检测图像，其中圆圈标注代表目标细胞，即待检测疑似癌变细胞，细胞质棕色染色。如图3所示，通过图像色彩分离，将目标细胞从背景分离，完成宫颈癌细胞学检测。
采用E7蛋白抗体试剂对样本细胞进行染色，如果细胞质染色变为棕色，表明E7阳性，表明患者脱落宫颈细胞中疑似癌变细胞。在此基础上，基于计算机视觉进行颜色空间分离，检测出细胞质棕色染色的疑似癌变细胞，阳性检出比例85％，阴性检出比例75％。
需要说明的是，在本专利的权利要求和说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
虽然通过参照本发明的某些优选实施方式，已经对本发明进行了图示和描述，但本领域的普通技术人员应该明白，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。
Claims (8)
1.一种基于蛋白抗体试剂的宫颈癌细胞学检测方法，其特征在于，包括以下步骤：
对样本细胞进行染色，并获取染色后的样本图像；
对所述样本图像进行对数变换；
对经过对数变换后的样本图像进行线性变换，得到所述样本图像中各细胞的像素值；
根据所述各细胞的像素值，对所述样本图像进行色彩分离，从而分离出癌变细胞和正常细胞；
所述“对经过对数变换后的样本图像进行线性变换”的步骤中，采用的第一线性变换公式为：
其中，Rlog、Glog、Blog为所述样本图像的R、G、B三个颜色通道经过对数变换后的值，q[0]、q[1]、q[2]代表线性参数，RsP、GsP、BsP代表进行线性变换后的三通道颜色分量；
线性参数q[0]、q[1]、q[2]的计算公式为：
其中，A、V、C代表中间参数，计算公式如下：
其中，cosx[i]、cosy[i]、cosz[i]代表颜色分离初始化参数，计算公式如下：
其中，
MODx[0]＝0.650±0.01；
MODy[0]＝0.704±0.01；
MODz[0]＝0.286±0.01；
MODx[1]＝0.268±0.01；
MODy[1]＝0.570±0.01；
MODz[1]＝0.776±0.01；
MODx[2]＝0.0；
MODy[2]＝0.0；
MODz[2]＝0.0；
所述“对经过对数变换后的样本图像进行线性变换”的步骤之后，还包括以下步骤：
对所述线性变换后的三通道颜色分量进行综合计算，计算公式为：
其中，outP1代表线性变换后三通道颜色分量的综合计算值，RsP、GsP、BsP代表进行线性变换后的三通道颜色分量；
科学化计算所述综合计算值，从而得到所述样本图像中各细胞的像素值，计算公式为：
outP＝Oxff&floor(outP1+0.5)
其中，outP代表科学化计算后的细胞的像素值，其中Oxff为高位清零函数符，floor代表取整函数；
所述“根据所述各细胞的像素值，对所述样本图像进行色彩分离，从而分离出癌变细胞和正常细胞”的步骤中,将采用第一线性变换公式所得的所述样本图像中各细胞的像素值与第一阈值相比较，像素值落入所述第一阈值范围内的细胞即为癌变细胞。
2.根据权利要求1所述的基于蛋白抗体试剂的宫颈癌细胞学检测方法，其特征在于，所述“对所述样本图像进行对数变换”的步骤中，对所述样本图像的R、G、B三个颜色通道进行对数变换，采用的对数变换公式为：
其中，Rlog、Glog、Blog为所述样本图像的R、G、B三个颜色通道经过对数变换处理的值，log255代表以自然数为底，255的对数。
3.根据权利要求1所述的基于蛋白抗体试剂的宫颈癌细胞学检测方法，其特征在于，所述“对样本细胞进行染色”的步骤中，采用E7蛋白抗体试剂对样本细胞进行染色。
4.根据权利要求3所述的基于蛋白抗体试剂的宫颈癌细胞学检测方法，其特征在于，所述癌变细胞为棕色，所述正常细胞为蓝色。
5.一种基于蛋白抗体试剂的宫颈癌细胞学检测方法，其特征在于，包括以下步骤：
对样本细胞进行染色，并获取染色后的样本图像；
对所述样本图像进行对数变换；
对经过对数变换后的样本图像进行线性变换，得到所述样本图像中各细胞的像素值；
根据所述各细胞的像素值，对所述样本图像进行色彩分离，从而分离出癌变细胞和正常细胞；
所述“对经过对数变换后的样本图像进行线性变换”的步骤中，采用的第二线性变换公式为：
其中，Rlog、Glog、Blog为所述样本图像的R、G、B三个颜色通道经过对数变换后的值，q[3]、q[4]、q[5]代表线性参数，RsP、GsP、BsP代表进行线性变换后的三通道颜色分量；
线性参数q[3]、q[4]、q[5]的计算公式为：
其中，A、V、C代表中间参数，计算公式如下：
其中，cosx[i]、cosy[i]、cosz[i]代表颜色分离初始化参数，计算公式如下：
其中，
MODx[0]＝0.650±0.01；
MODy[0]＝0.704±0.01；
MODz[0]＝0.286±0.01；
MODx[1]＝0.268±0.01；
MODy[1]＝0.570±0.01；
MODz[1]＝0.776±0.01；
MODx[2]＝0.0；
MODy[2]＝0.0；
MODz[2]＝0.0；
所述“对经过对数变换后的样本图像进行线性变换”的步骤之后，还包括以下步骤：
对所述线性变换后的三通道颜色分量进行综合计算，计算公式为：
其中，outP1代表线性变换后三通道颜色分量的综合计算值，RsP、GsP、BsP代表进行线性变换后的三通道颜色分量；
科学化计算所述综合计算值，从而得到所述样本图像中各细胞的像素值，计算公式为：
outP＝Oxff&floor(outP1+0.5)
其中，outP代表科学化计算后的细胞的像素值，其中Oxff为高位清零函数符，floor代表取整函数；
所述“根据所述各细胞的像素值，对所述样本图像进行色彩分离，从而分离出癌变细胞和正常细胞”的步骤中,将采用第二线性变换公式所得的所述样本图像中各细胞的像素值与第二阈值相比较，像素值落入所述第二阈值范围内的细胞即为正常细胞。
6.根据权利要求5所述的基于蛋白抗体试剂的宫颈癌细胞学检测方法，其特征在于，所述“对所述样本图像进行对数变换”的步骤中，对所述样本图像的R、G、B三个颜色通道进行对数变换，采用的对数变换公式为：
其中，Rlog、Glog、Blog为所述样本图像的R、G、B三个颜色通道经过对数变换处理的值，log255代表以自然数为底，255的对数。
7.根据权利要求5所述的基于蛋白抗体试剂的宫颈癌细胞学检测方法，其特征在于，所述“对样本细胞进行染色”的步骤中，采用E7蛋白抗体试剂对样本细胞进行染色。
8.根据权利要求7所述的基于蛋白抗体试剂的宫颈癌细胞学检测方法，其特征在于，所述癌变细胞为棕色，所述正常细胞为蓝色。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811132874.7A CN110956605B (zh) | 2018-09-27 | 2018-09-27 | 基于蛋白抗体试剂的宫颈癌细胞学检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811132874.7A CN110956605B (zh) | 2018-09-27 | 2018-09-27 | 基于蛋白抗体试剂的宫颈癌细胞学检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110956605A CN110956605A (zh) | 2020-04-03 |
| CN110956605B true CN110956605B (zh) | 2023-07-14 |
Family
ID=69967954
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811132874.7A Active CN110956605B (zh) | 2018-09-27 | 2018-09-27 | 基于蛋白抗体试剂的宫颈癌细胞学检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110956605B (zh) |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3958340B2 (ja) * | 2006-01-23 | 2007-08-15 | 学校法人順天堂 | 染色組織標本の陽性細胞の可視化解析方法 |
| JP4944641B2 (ja) * | 2007-03-05 | 2012-06-06 | 学校法人順天堂 | 染色組織標本の陽性細胞の自動検出法 |
| CN103020585B (zh) * | 2012-11-06 | 2015-08-26 | 华南师范大学 | 一种免疫组织阳性细胞和阴性细胞识别方法 |
| CN106650796B (zh) * | 2016-12-06 | 2020-10-23 | 国家纳米科学中心 | 一种基于人工智能的细胞荧光图像分类方法和系统 |
| CN106991673B (zh) * | 2017-05-18 | 2019-10-22 | 深思考人工智能机器人科技（北京）有限公司 | 一种可解释性的宫颈细胞图像快速分级识别方法及系统 |
-
2018
- 2018-09-27 CN CN201811132874.7A patent/CN110956605B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110956605A (zh) | 2020-04-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108961208B (zh) | 一种聚集白细胞分割计数系统及方法 | |
| Song et al. | A deep learning based framework for accurate segmentation of cervical cytoplasm and nuclei | |
| CN111512383B (zh) | 用于图像处理的自动测定评估和归一化 | |
| JP7197584B2 (ja) | デジタル病理学分析結果の格納および読み出し方法 | |
| EP3882851A1 (en) | Method for co-expression analysis | |
| US9355445B2 (en) | Breast cancer pathological image diagnosis support system, breast cancer pathological image diagnosis support method, and recording medium recording breast cancer pathological image diagnosis support program | |
| US8885912B2 (en) | Generate percentage of positive cells for biomarkers by normalizing and autothresholding the image intensity produced by immunohistochemistry technique | |
| WO2019110567A1 (en) | Method of computing tumor spatial and inter-marker heterogeneity | |
| CA2872722C (en) | Method and apparatus for image scoring and analysis | |
| CN107527028A (zh) | 目标细胞识别方法、装置及终端 | |
| Vladikova et al. | Selectivity study of the differential impedance analysis—Comparison with the complex non-linear least-squares method | |
| RU2016143098A (ru) | Обследующее устройство для обработки и анализа изображения | |
| 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 | |
| US20160189370A1 (en) | Method and apparatus for automatic cancer diagnosis scoring of tissue samples | |
| CN110956605B (zh) | 基于蛋白抗体试剂的宫颈癌细胞学检测方法 | |
| CN113936005A (zh) | 一种dna指数计算方法、装置、计算机设备及存储介质 | |
| Sarnecki et al. | A robust nonlinear tissue-component discrimination method for computational pathology | |
| CN103616522A (zh) | 一种基于包络面积与两次补偿的免疫层析结果识别方法 | |
| CN114152557A (zh) | 基于图像分析的血细胞计数方法和系统 | |
| US9892510B2 (en) | Method and apparatus for automatic cancer diagnosis using percentage scoring | |
| Tewary et al. | SmartIHC-Analyzer: smartphone assisted microscopic image analytics for automated Ki-67 quantification in breast cancer evaluation | |
| Navea et al. | Red blood cells and white blood cells detection differentiation and counting using image processing | |
| Jonak et al. | Application of image processing algorithms in proteomics: automatic analysis of 2-d gel electrophoresis images from western blot assay | |
| JP2020154952A (ja) | 閾値決定方法、画像処理方法、標本画像の評価方法、コンピュータプログラムおよび記録媒体 | |
| Kubushiro et al. | Newly developed liquid-based cytology. TACAS™: cytological appearance and HPV testing using liquid-based sample |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Chang Xiaojia Inventor after: Sun Kai Inventor after: Zhao Hexiang Inventor before: Chang Xiaoga Inventor before: Sun Kai Inventor before: Zhao Hexiang |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A cytological detection method for cervical cancer based on protein antibody reagents Granted publication date: 20230714 Pledgee: Suzhou Beiming Intelligent Manufacturing Co.,Ltd. Pledgor: ATTOGEN BIOMEDICAL (SUZHOU) Inc.,Ltd. Registration number: Y2024990000122 |