CN111079579A - 细胞图像的识别方法、装置以及系统 - Google Patents
细胞图像的识别方法、装置以及系统 Download PDFInfo
- Publication number
- CN111079579A CN111079579A CN201911216358.7A CN201911216358A CN111079579A CN 111079579 A CN111079579 A CN 111079579A CN 201911216358 A CN201911216358 A CN 201911216358A CN 111079579 A CN111079579 A CN 111079579A
- Authority
- CN
- China
- Prior art keywords
- image
- contour
- cell
- channel
- images
- 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.)
- Granted
Links
Images
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
- G06V20/698—Matching; Classification
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06V20/695—Preprocessing, e.g. image segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种细胞图像的识别方法、装置以及系统,所述方法包括:依据一第一判断条件和特征参数对轮廓图像进行筛选获得一第一轮廓图像集合;依据一第二判断条件对第一轮廓图像集合进行筛选获得一第二轮廓图像集合以及一第三轮廓图像集合;响应第二轮廓图像集合产生至少一第一细胞图像;响应第三轮廓图像集合产生至少一待鉴别的第二细胞图像;通过一神经网络模型获得每一待鉴别的第二细胞图像的目标细胞概率值;依据一鉴别概率阈值和目标细胞概率值鉴别第二细胞图像;将鉴别后的第二细胞图像和第一细胞图像输出,本发明过两次筛选以及神经网络模型的鉴别提高了肿瘤细胞识别的敏感度以及特异度。
Description
技术领域
本发明涉及的是一种图像识别领域的技术,具体是一种细胞图像的识别方法、装置以及系统。
背景技术
循环肿瘤细胞(Circulating Tumor Cell,CTC)是存在于外周血中的各类肿瘤细胞中的统称。现有技术主要通过图像识别技术来识别图像中的CTC细胞。传统的基于规则的图像识别技术是利用图像的灰度、纹理、边界以及密度进行特征提取之后进行识别,这种识别过程中多数规则参数需要人工赋值,即通过规则参数来筛选特征。不同的待测物以及不同的检测环境,其特征有着较大的差异,同一规则参数很难满足不同的检测环境以及不同的待测物,利用通用的规则参数进行检测也会造成循环肿瘤细胞的漏检、误检。
基于规则的图像识别技术,获取图片之后,按照设定的规则来判断,并输出结果。对于规则参数边界处的检测目标(细胞图像)的判断,则高度依赖于检测人员的经验、以及对判别标准的把握,因而造成不同的检测人员会得到不同的判断结果。
发明内容
本发明针对现有技术存在的上述不足,提出一种细胞图像的识别方法、装置以及系统,能够提取多个通道图像中的轮廓图像,根据第一判断条件进行筛选合成之后获得细胞图像,根据第二判断条件对轮廓图像进一步的筛选合成获得待检测的细胞图像,将待鉴别的细胞图像通过预先训练获得的神经网络模型进行检测获得真正的肿瘤细胞的细胞图像,最后将获得细胞图像输出,通过两次筛选以及神经网络模型的鉴别提高了肿瘤细胞识别的敏感度以及特异度。
本发明的一实施例提供一种细胞图像的识别方法,所述方法包括:
接收至少两个通道图像;
对每一所述通道图像分别进行轮廓图像提取以获得每一图像中的多个轮廓图像以及对应于每一所述轮廓图像的特征参数;
依据一第一判断条件和所述特征参数对所述轮廓图像进行筛选获得一第一轮廓图像集合;
依据一第二判断条件对所述第一轮廓图像集合进行筛选获得一第二轮廓图像集合以及一第三轮廓图像集合;
响应所述第二轮廓图像集合产生至少一第一细胞图像;
响应所述第三轮廓图像集合产生至少一待鉴别的第二细胞图像;
通过一神经网络模型获得每一待鉴别的所述第二细胞图像的目标细胞概率值;
依据一鉴别概率阈值和所述目标细胞概率值鉴别所述第二细胞图像;以及
将鉴别后的第二细胞图像和所述第一细胞图像输出。
优选的,所述通道图像包括一蓝色通道的Hoechst染色图像以及一红色通道的EpCAM染色图像。
优选的,所述通道图像包括第一通道图像和第二通道图像,所述第一判断条件包括以下条件中的至少一个条件:
所述第一通道图像中的所述轮廓图像和所述第二通道图像中的对应的所述轮廓图像的交叠比值处于一第一阈值范围;
所述轮廓图像的形态指数处于一第二阈值范围;
所述第一通道图像中的所述轮廓图像和所述第二通道图像中的对应的所述轮廓图像的亮度比值处于一第三阈值范围;
所述第一通道图像中的所述轮廓图像和所述第二通道图像中的对应的所述轮廓图像的面积比值处于一第四阈值范围。
优选的,所述通道图像包括第一通道图像和第二通道图像,所述第二判断条件包括以下条件中的至少一个条件:
所述第一通道图像中的所述轮廓图像和所述第二通道图像中的对应的所述轮廓图像的交叠比值处于一第五阈值范围;
所述轮廓图像的形态指数处于一第六阈值范围;
所述第一通道图像中的所述轮廓图像和所述第二通道图像中的对应的所述轮廓图像的亮度比值处于一第七阈值范围;
所述第一通道图像中的所述轮廓图像和所述第二通道图像中的对应的所述轮廓图像的面积比值处于一第八阈值范围。
优选的,所述通道图像还包括一绿色通道的CD45染色图像。
优选的,所述通道图像还包括一第三通道图像,所述第一判断条件包括:所述第一通道图像中的所述轮廓图像于所述第三通道图像中不存在对应的所述轮廓图像。
优选的,所述神经网络模型通过以下步骤获得:
接收至少两个样本通道图像;
对每一所述样本通道图像分别进行轮廓图像提取以获得每一样本通道图像中的多个样本轮廓图像以及对应于每一所述样本轮廓图像的特征参数;
依据所述第一判断条件和所述特征参数对所述样本轮廓图像进行筛选获得一样本轮廓图像集合;
响应所述样本轮廓图像集合产生多个样本细胞图像;
依据所述多个样本细胞图像生成一训练集;以及
依据所述训练集训练获得所述神经网络模型。
优选的,所述依据所述多个样本细胞图像获得一训练集还包括:对所述样本细胞图像进行图像增广操作以增加所述样本细胞图像的数量。
优选的,所述图像増广操作包括下列操作中的至少一个操作:
对所述样本细胞图像旋转一预设角度;
对所述样本细胞图像进行转置;
对所述样本细胞图像进行随机亮度变换;
对所述样本细胞图像进行极坐标系变换。
优选的,还包括:
依据所述多个样本细胞图像生成一测试集和一评估集;
依据所述测试集对所述神经网络模型进行测试,以获得所述鉴别概率阈值;以及
依据所述评估集对所述神经网络模型进行评估。
本发明的一实施例提供一种细胞图像的识别系统,包括:
轮廓图像提取模块,被配置为接收至少两个通道图像以及对每一所述通道图像分别进行轮廓图像提取以获得每一图像中的多个轮廓图像以及对应于每一所述轮廓图像的特征参数;
筛选模块,被配置为依据一第一判断条件和所述特征参数对所述轮廓图像进行筛选获得一第一轮廓图像集合以及依据一第二判断条件对所述第一轮廓图像集合进行筛选获得一第二轮廓图像集合以及一第三轮廓图像集合;
图像合成模块,被配置为响应所述第二轮廓图像集合产生至少一第一细胞图像以及响应所述第三轮廓图像集合产生至少一待鉴别的第二细胞图像;
鉴别模块,被配置为通过一神经网络模型获得每一待鉴别的所述第二细胞图像的目标细胞概率值以及依据一鉴别概率阈值和所述目标细胞概率值鉴别所述第二细胞图像;
输出模块,被配置为将鉴别后的第二细胞图像和所述第一细胞图像输出。
本发明的一实施例提供一种细胞图像的识别装置,包括:
处理器;
存储器,其中存储有所述处理器的可执行指令;
其中,所述处理器被配置为经由执行所述可执行指令来执行以下步骤:
接收至少两个通道图像;
对每一所述通道图像分别进行轮廓图像提取以获得每一图像中的多个轮廓图像以及对应于每一所述轮廓图像的特征参数;
依据一第一判断条件和所述特征参数对所述轮廓图像进行筛选获得一第一轮廓图像集合;
依据一第二判断条件对所述第一轮廓图像集合进行筛选获得一第二轮廓图像集合以及一第三轮廓图像集合;
响应所述第二轮廓图像集合产生至少一第一细胞图像;
响应所述第三轮廓图像集合产生至少一待鉴别的第二细胞图像;
通过一神经网络模型获得每一待鉴别的所述第二细胞图像的目标细胞概率值;
依据一鉴别概率阈值和所述目标细胞概率值鉴别所述第二细胞图像;
将鉴别后的第二细胞图像和所述第一细胞图像输出。
上述技术方案的有益效果是:
本发明中的细胞图像的识别方法、装置以及系统,能够提取多个通道图像中的轮廓图像,根据第一判断条件进行筛选合成之后获得细胞图像,根据第二判断条件对轮廓图像进一步的筛选合成获得待检测的细胞图像,将待鉴别的细胞图像通过预先训练获得的神经网络模型进行检测获得真正的肿瘤细胞的细胞图像,最后将获得细胞图像输出,通过两次筛选以及神经网络模型的鉴别提高了肿瘤细胞识别的敏感度以及特异度。
本发明的其它特征和优点以及本发明的各种实施例的结构和操作,将在以下参照附图进行详细的描述。应当注意,本发明不限于本文描述的具体实施例。在本文给出的这些实施例仅是为了说明的目的。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显。
图1是本发明的一实施例中的一种细胞图像的识别方法流程示意图;
图2是本发明的一实施例中的Hoechst染色图像;
图3是本发明的一实施例中的EpCAM染色图像;
图4是本发明的一实施例中的一种CD45染色图像;
图5是本发明的一实施例中的第二细胞图像;
图6是本发明的一实施例中的一种神经网络模型的训练流程示意图;
图7是本发明的一实施例中的一种图像増广示意图;
图8是本发明的一实施例中的一种细胞图像的识别系统的结构框图;
图9是本发明的一实施例中的一种细胞图像的识别装置的结构框图。
从以下结合附图的详细描述中,本发明的特征和优点将变得更加明显。贯穿附图,相同的附图标识相应元素。在附图中,相同附图标记通常指示相同的、功能上相似的和/或结构上相似的元件。
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付出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
根据本发明的一个实施例,提供一种细胞图像的识别方法。
图1是本发明的一实施例中的一种细胞图像的识别方法流程示意图。在步骤S102中,接收至少两个通道图像。通道图像包括蓝色通道图像、红色通道图像以及绿色通道图像。接收的两个通道图像为第一通道图像和第二通道图像,第一通道图像为蓝色通道的Hoechst染色图像,第二通道图像为红色通道的EpCAM(Epithelial cell adhesionmolecule,上皮细胞粘附分子)染色图像。Hoechst染色图像是通过Hoechst试剂(染料)来标记存放DNA的细胞核后获得的图像,并将该图像保存在蓝色通道,从而获得该第一通道图像。EpCAM染色图像是通过EpCAM试剂来标记整个循环肿瘤细胞(Circulating Tumor Cell,CTC)后获得的图像,并将该图像保存在红色通道,从而获得该第二通道图像。本实施例中的目标细胞可以但不限于为循环肿瘤细胞。
图2是本发明的一实施例中的Hoechst染色图像。图3是本发明的一实施例中的EpCAM染色图像。参考图1~3,在步骤S104中,对每一通道图像分别进行轮廓图像提取以获得每一图像中的多个轮廓图像以及对应于每一轮廓图像的特征参数。Hoechst染色图像(第一通道图像)经过轮廓图像提取之后获得多个轮廓图像,例如图2中示出的轮廓图像201。EpCAM染色图像(第二通道图像)经过轮廓图像提取之后获得多个轮廓图像,例如图3中示出的轮廓图像301。在对第一通道图像和第二通道图像进行轮廓图像提取之前,需要对该第一通道图像和第二通道图像进行噪声滤除,图像噪声是图像在获取或传输的过程中受到随机信号的干扰,在图像上出现的一些随机的、离散的、孤立的像素点,这些点会干扰轮廓特征提取。根据噪声类型的不同,选择不同的滤波器进行噪声滤除。
滤波器可以但不限于:均值滤波器、自适应维纳滤波器、中值滤波器、形态学噪声滤除器。对通道图像进行噪声过滤之后,进行轮廓图像提取,可以采用边缘提取的方式获得图2中示出的轮廓图像201以及图3中的轮廓图像301。边缘提取即是对于边界处,灰度值变化比较剧烈的地方,就定义为边缘,也就是拐点,拐点是指函数发生凹凸性变化的点。由于进行边缘提取到的轮廓可能是不闭合的,因此需要进一步通过轮廓拟合来获得轮廓图像的轮廓。
一些实施例中,轮廓拟合的过程包括:I.在曲线首尾两点A,B之间连接一条直线AB,该直线为曲线的弦;II.找到曲线上与该直线段距离最大的点C,计算其与AB的距离;III.比较该距离与预先给定的阈值的大小,如果小于阈值,则该直线段作为曲线的近似,该段曲线处理完毕;IV
如果距离大于阈值,则用C将曲线分为两段AC和BC,并分别对两段曲线分别执行步骤I、II和III的处理;V.当所有曲线处理完毕时,依次连接各个分割点形成的折线,作为曲线的近似。根据通道图像获得轮廓图像(例如,图2中的轮廓图像201、图3中的轮廓图像301)获得轮廓图像的特征参数,该特征参数包括但不限于:轮廓图像的亮度、形态指数、轮廓图像的面积。
在步骤S106中,依据一第一判断条件和特征参数对轮廓图像进行筛选获得一第一轮廓图像集合。第一通道图像中的轮廓图像在第二通道图像中存在对应的轮廓图像,即均对应于同一个目标细胞。第一判断条件包括以下条件中的至少一个条件:第一通道图像中的轮廓图像和第二通道图像中的对应的轮廓图像的交叠比值处于一第一阈值范围;轮廓图像的形态指数处于一第二阈值范围;第一通道图像中的轮廓图像和第二通道图像中的对应的轮廓图像的亮度比值处于一第三阈值范围;第一通道图像中的轮廓图像和第二通道图像中的对应的轮廓图像的面积比值处于一第四阈值范围。
第一通道图像中的轮廓图像和第二通道图像中的对应的轮廓图像的交叠比值处于一第一阈值范围,即比较第一通道图像中的轮廓图像的轮廓与第二通道图像中的对应轮廓图像的轮廓的交叠比值是否在第一阈值范围内,该第一阈值范围可以为(0.03,1.0],交叠比值是对应的两个轮廓图像的轮廓的交叠面积与该两个轮廓图像任一个轮廓图像的面积的比值,该两个轮廓图像的交叠比值在(0.03,1.0]范围内则可以将该两个轮廓图像并入第一轮廓图像集合。轮廓图像的形态指数处于一第二阈值范围,即第一通道图像和第二通道图像中对应的两个轮廓图像的形态指数处于第二阈值范围内,第二阈值范围可以是但不限于(0.5,1.0]。
形态指数通过以下公式获得:E=(α+β+η)/3,其中,E为形态指数,α为轮廓图像的圆度,α=(4×Pi×S)/L2,S为轮廓图像的面积,L为轮廓图像的周长;β为质心距离比,即轮廓图像的质心到轮廓的最小距离与质心到该轮廓的最大距离的比值;η为偏心率,即椭圆(轮廓图像的轮廓)两焦点间的距离和该椭圆的长轴长度的比值。第一通道图像中的轮廓图像和第二通道图像中的对应的轮廓图像的亮度比值处于一第三阈值范围,该第三阈值可以是但不限于(0,1.5),轮廓图像的亮度可以通过对轮廓图像中的每一个像素的亮度取均值。第一通道图像中的轮廓图像和第二通道图像中的对应的轮廓图像的面积比值处于一第四阈值范围,即第二通道图像中的对应的轮廓图像的面积除以第一通道图像中的轮廓图像的面积,该第四阈值的范围可以是但不限于(0,6)。
一些实施例中,第一判断条件还包括,第一通道图像中的轮廓图像的面积处于一阈值范围,例如,[10,240];第二通道图像中的轮廓图像的面积处于一阈值范围内,例如[10,600]。通过上述条件中的一个或多个,对第一通道图像的轮廓图像和第二通道图像中的轮廓图像进行筛选,获得一个第一轮廓图像集合。
在步骤S108中,依据一第二判断条件对第一轮廓图像集合进行筛选获得一第二轮廓图像集合以及一第三轮廓图像集合,即对第一轮廓图像集合中的轮廓图像根据第二判断条件进行筛选,符合第二判断条件的轮廓图像并入第三轮廓图像集合中,将剩余的轮廓图像并入第二轮廓图像集合中。第二判断条件包括:第一通道图像中的轮廓图像和第二通道图像中的对应的轮廓图像的交叠比值处于一第五阈值范围;轮廓图像的形态指数处于一第六阈值范围;第一通道图像中的轮廓图像和第二通道图像中的对应的轮廓图像的亮度比值处于一第七阈值范围;第一通道图像中的轮廓图像和第二通道图像中的对应的轮廓图像的面积比值处于一第八阈值范围。
例如,第五阈值范围可以是(0.03,1.0],第六阈值范围可以是(0.6,1.0],第七阈值范围可以是(0,1.5),第八阈值范围可以是(0,6)。一些实施例中,第二判断条件还包括,第一通道图像中的轮廓图像的面积处于一阈值范围,例如,[20,200];第二通道图像中的轮廓图像的面积处于一阈值范围内,例如[20,500]。
图4为本发明一实施例中一种CD45染色图像。一些实施例中,通道图像还包括第三通道图像,该第三通道图像为绿色通道的CD45染色图像,CD45即为白细胞共同抗原,采用CD45试剂进行染色即可以获得该CD45染色图像。第一判断条件还包括:第一通道图像或第二通道图像中的轮廓图像于第三通道图像中不存在对应的轮廓图像,例如,如果第一通道图像中的轮廓图像在第三通道图像中存在对应的轮廓图像401,则说明该轮廓图像401对应的细胞是白细胞并非目标细胞,即可以排除对应的轮廓图像401在第一通道图像和第二通道图像中的轮廓图像。
图5是本发明一实施例中的第二细胞图像。在步骤S110中,响应第二轮廓图像集合产生至少一第一细胞图像,即将第二轮廓图像集合中对应的轮廓图像进行融合得到一个第一细胞图像。在步骤S112中,响应第三轮廓图像集合产生至少一待鉴别的第二细胞图像,即将第三轮廓图像集合中对应的轮廓图像进行融合得到待鉴别的第二细胞图像。例如,第三轮廓图像集合中包括第一通道图像中的轮廓图像和第二通道图像中的轮廓图像,则将两个对应的轮廓图像融合获得了图5中示出的待鉴别的第二细胞图像501。
在步骤S114中,通过一神经网络模型获得每一待鉴别的第二细胞图像的目标细胞概率值。在步骤S116中,依据一鉴别概率阈值和目标细胞概率值鉴别第二细胞图像。例如,将第二细胞图像501输入至该神经网络模型中,获得一个对应于第二细胞图像501的目标细胞概率值0.9。鉴别概率阈值为0.8,则图5中的第二细胞图像501为目标细胞(CTC)。在步骤S118中,将鉴别后的第二细胞图像和第一细胞图像输出。
图6是本发明的一实施例中的一种神经网络模型的训练流程示意图。在步骤S202中,接收至少两个样本通道图像。在步骤S204中,对每一样本通道图像分别进行轮廓图像提取以获得每一样本通道图像中的多个样本轮廓图像以及对应于每一样本轮廓图像的特征参数。在步骤S206中,依据第一判断条件和特征参数对样本轮廓图像进行筛选获得一样本轮廓图像集合。在步骤S208中,响应样本轮廓图像集合产生多个样本细胞图像。
在步骤S210中,依据多个样本细胞图像生成一训练集。在步骤S212中,依据训练集训练获得神经网络模型。依据多个样本细胞图像生成一测试集和一评估集;依据测试集对神经网络模型进行测试,以获得鉴别概率阈值;以及依据评估集对神经网络模型进行评估。在测试集不断的调整优化鉴别概率阈值,该鉴别概率阈值的范围为[0.5,1]。该神经网络模型可以是但不限于MobileNetV2或ResNet卷积神经网络模型。
图7是本发明的一实施例中一种图像増广示意图。依据多个样本细胞图像获得一训练集还包括:对样本细胞图像进行图像增广操作以增加样本细胞图像的数量。图像増广操作包括下列操作中的至少一个操作:对样本细胞图像旋转一预设角度;对样本细胞图像进行转置;对样本细胞图像进行随机亮度变换;对样本细胞图像进行极坐标系变换。上述的极坐标变换通过现有技术,将笛卡尔坐标系中的一点作为极点,而后将该点从笛卡尔坐标系映射到极坐标系。例如,以图片的10*10像素中的每一像素为极点,进行极坐标系变换则可以获得100张变换后的图片。一些实施例中,图7中的样本细胞图像701旋转0°获得了样本细胞图像702,对样本细胞图像701旋转90°获得了样本细胞图像703,对样本细胞图像701旋转180°获得了样本细胞图像704,对样本细胞图像701旋转270°获得了样本细胞图像705。对样本细胞图像702进行转置后获得样本细胞图像706,对样本细胞图像703进行转置后获得样本细胞图像707,对样本细胞图像704进行转置后获得样本细胞图像708,对样本细胞图像705进行转置后获得样本细胞图像709。
通过一个验证集来应用本发明中的识别方法,验证集中包括了多个通道图像,本发明中的识别方法对应的敏感度为93.95%,特异度为98.17%;现有的基于规则参数的图像识别对应的敏感度为86.05%,特异度为61.09%。
本发明的一个实施例提供一种细胞图像的识别系统。
图8是本发明一实施例中的一种细胞图像的识别系统的结构框图。图8中示出的识别系统800包括:轮廓图像提取模块801,被配置为接收至少两个通道图像以及对每一通道图像分别进行轮廓图像提取以获得每一图像中的多个轮廓图像以及对应于每一轮廓图像的特征参数;筛选模块802,被配置为依据一第一判断条件和特征参数对轮廓图像进行筛选获得一第一轮廓图像集合以及依据一第二判断条件对第一轮廓图像集合进行筛选获得一第二轮廓图像集合以及一第三轮廓图像集合;图像合成模块803,被配置为响应第二轮廓图像集合产生至少一第一细胞图像以及响应第三轮廓图像集合产生至少一待鉴别的第二细胞图像;鉴别模块804,被配置为通过一神经网络模型获得每一待鉴别的第二细胞图像的目标细胞概率值以及依据一鉴别概率阈值和目标细胞概率值鉴别第二细胞图像;输出模块805,被配置为将鉴别后的第二细胞图像和第一细胞图像输出。
本发明的一实施例提供一种细胞图像的识别装置,包括:处理器;存储器,其中存储有处理器的可执行指令;其中,可执行指令在被执行时处理器执行细胞图像的识别方法的步骤。
图9是本发明一实施例中的一种细胞图像的识别装置的结构框图。下面参照图9来描述根据本发明的这种实施方式的装置600。图9显示的装置600仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图9所示,装置600以通用计算设备的形式表现。装置600的组件可以包括但不限于:至少一个处理单元610、至少一个存储单元620、连接不同平台组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
其中,存储单元存储有程序代码,程序代码可以被处理单元610执行,使得处理单元610执行本说明书上述步骤。例如,处理单元610可以执行如图1中所示的步骤。
存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202,还可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据。
总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
装置600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该装置600交互的设备通信,和/或与使得该装置600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。
并且,装置600还可以通过网络适配器660与一个或者多个网络(例如,局域网LAN,广域网WAN和/或公共网络,例如因特网)通信。网络适配器660可以通过总线630与装置600的其它模块通信。应当明白,尽管图中未示出,可以结合装置600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储平台等。
综上,本发明中的细胞图像的识别方法、装置以及系统,能够提取多个通道图像中的轮廓图像,根据第一判断条件进行筛选合成之后获得细胞图像,根据第二判断条件对轮廓图像进一步的筛选合成获得待检测的细胞图像,将待鉴别的细胞图像通过预先训练获得的神经网络模型进行检测获得真正的肿瘤细胞的细胞图像,最后将获得细胞图像输出,通过两次筛选以及神经网络模型的鉴别提高了肿瘤细胞识别的敏感度以及特异度。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (12)
1.一种细胞图像的识别方法,其特征在于,所述方法包括:
接收至少两个通道图像;
对每一所述通道图像分别进行轮廓图像提取以获得每一通道图像中的多个轮廓图像以及对应于每一所述轮廓图像的特征参数;
依据一第一判断条件和所述特征参数对所述轮廓图像进行筛选获得一第一轮廓图像集合;
依据一第二判断条件对所述第一轮廓图像集合进行筛选获得一第二轮廓图像集合以及一第三轮廓图像集合;
响应所述第二轮廓图像集合产生至少一第一细胞图像;
响应所述第三轮廓图像集合产生至少一待鉴别的第二细胞图像;
通过一神经网络模型获得每一待鉴别的所述第二细胞图像的目标细胞概率值;
依据一鉴别概率阈值和所述目标细胞概率值鉴别所述第二细胞图像;以及
将鉴别后的第二细胞图像和所述第一细胞图像输出。
2.根据权利要求1所述的识别方法,其特征在于,所述通道图像包括一蓝色通道的Hoechst染色图像以及一红色通道的EpCAM染色图像。
3.根据权利要求1所述的识别方法,其特征在于,所述通道图像包括第一通道图像和第二通道图像,所述第一判断条件包括以下条件中的至少一个条件:
所述第一通道图像中的所述轮廓图像和所述第二通道图像中的对应的所述轮廓图像的交叠比值处于一第一阈值范围;
所述轮廓图像的形态指数处于一第二阈值范围;
所述第一通道图像中的所述轮廓图像和所述第二通道图像中的对应的所述轮廓图像的亮度比值处于一第三阈值范围;
所述第一通道图像中的所述轮廓图像和所述第二通道图像中的对应的所述轮廓图像的面积比值处于一第四阈值范围。
4.根据权利要求1所述的识别方法,其特征在于,所述通道图像包括第一通道图像和第二通道图像,所述第二判断条件包括以下条件中的至少一个条件:
所述第一通道图像中的所述轮廓图像和所述第二通道图像中的对应的所述轮廓图像的交叠比值处于一第五阈值范围;
所述轮廓图像的形态指数处于一第六阈值范围;
所述第一通道图像中的所述轮廓图像和所述第二通道图像中的对应的所述轮廓图像的亮度比值处于一第七阈值范围;
所述第一通道图像中的所述轮廓图像和所述第二通道图像中的对应的所述轮廓图像的面积比值处于一第八阈值范围。
5.根据权利要求2所述的识别方法,其特征在于,所述通道图像还包括一绿色通道的CD45染色图像。
6.根据权利要求3所述的识别方法,其特征在于,所述通道图像还包括一第三通道图像,所述第一判断条件包括:所述第一通道图像中的所述轮廓图像于所述第三通道图像中不存在对应的所述轮廓图像。
7.根据权利要求1所述的识别方法,其特征在于,所述神经网络模型通过以下步骤获得:
接收至少两个样本通道图像;
对每一所述样本通道图像分别进行轮廓图像提取以获得每一样本通道图像中的多个样本轮廓图像以及对应于每一所述样本轮廓图像的特征参数;
依据所述第一判断条件和所述特征参数对所述样本轮廓图像进行筛选获得一样本轮廓图像集合;
响应所述样本轮廓图像集合产生多个样本细胞图像;
依据所述多个样本细胞图像生成一训练集;以及
依据所述训练集训练获得所述神经网络模型。
8.根据权利要求7所述的识别方法,其特征在于,所述依据所述多个样本细胞图像获得一训练集还包括:对所述样本细胞图像进行图像增广操作以增加所述样本细胞图像的数量。
9.根据权利要求8所述的识别方法,其特征在于,所述图像増广操作包括下列操作中的至少一个操作:
对所述样本细胞图像旋转一预设角度;
对所述样本细胞图像进行转置;
对所述样本细胞图像进行随机亮度变换;
对所述样本细胞图像进行极坐标系变换。
10.根据权利要求7所述的识别方法,其特征在于,还包括:
依据所述多个样本细胞图像生成一测试集和一评估集;
依据所述测试集对所述神经网络模型进行测试,以获得所述鉴别概率阈值;以及
依据所述评估集对所述神经网络模型进行评估。
11.一种细胞图像的识别系统,其特征在于,包括:
轮廓图像提取模块,被配置为接收至少两个通道图像以及对每一所述通道图像分别进行轮廓图像提取以获得每一图像中的多个轮廓图像以及对应于每一所述轮廓图像的特征参数;
筛选模块,被配置为依据一第一判断条件和所述特征参数对所述轮廓图像进行筛选获得一第一轮廓图像集合以及依据一第二判断条件对所述第一轮廓图像集合进行筛选获得一第二轮廓图像集合以及一第三轮廓图像集合;
图像合成模块,被配置为响应所述第二轮廓图像集合产生至少一第一细胞图像以及响应所述第三轮廓图像集合产生至少一待鉴别的第二细胞图像;
鉴别模块,被配置为通过一神经网络模型获得每一待鉴别的所述第二细胞图像的目标细胞概率值以及依据一鉴别概率阈值和所述目标细胞概率值鉴别所述第二细胞图像;
输出模块,被配置为将鉴别后的第二细胞图像和所述第一细胞图像输出。
12.一种细胞图像的识别装置,其特征在于,包括:
处理器;
存储器,其中存储有所述处理器的可执行指令;
其中,所述处理器被配置为经由执行所述可执行指令来执行以下步骤:
接收至少两个通道图像;
对每一所述通道图像分别进行轮廓图像提取以获得每一图像中的多个轮廓图像以及对应于每一所述轮廓图像的特征参数;
依据一第一判断条件和所述特征参数对所述轮廓图像进行筛选获得一第一轮廓图像集合;
依据一第二判断条件对所述第一轮廓图像集合进行筛选获得一第二轮廓图像集合以及一第三轮廓图像集合;
响应所述第二轮廓图像集合产生至少一第一细胞图像;
响应所述第三轮廓图像集合产生至少一待鉴别的第二细胞图像;
通过一神经网络模型获得每一待鉴别的所述第二细胞图像的目标细胞概率值;
依据一鉴别概率阈值和所述目标细胞概率值鉴别所述第二细胞图像;
将鉴别后的第二细胞图像和所述第一细胞图像输出。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911216358.7A CN111079579B (zh) | 2019-12-02 | 2019-12-02 | 细胞图像的识别方法、装置以及系统 |
TW109103155A TWI715428B (zh) | 2019-12-02 | 2020-02-03 | 細胞圖像的識別方法、裝置以及系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911216358.7A CN111079579B (zh) | 2019-12-02 | 2019-12-02 | 细胞图像的识别方法、装置以及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111079579A true CN111079579A (zh) | 2020-04-28 |
CN111079579B CN111079579B (zh) | 2023-07-25 |
Family
ID=70312428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911216358.7A Active CN111079579B (zh) | 2019-12-02 | 2019-12-02 | 细胞图像的识别方法、装置以及系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111079579B (zh) |
TW (1) | TWI715428B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971128A (zh) * | 2014-05-23 | 2014-08-06 | 北京理工大学 | 一种面向无人驾驶车的交通标志识别方法 |
CN106190945A (zh) * | 2015-05-05 | 2016-12-07 | 深圳华大基因研究院 | 自动识别稀有细胞的方法及系统 |
US20170169567A1 (en) * | 2014-05-23 | 2017-06-15 | Ventana Medical Systems, Inc. | Systems and methods for detection of structures and/or patterns in images |
US20170178321A1 (en) * | 2015-12-18 | 2017-06-22 | Abbott Laboratories | Methods and Systems for Assessing Cell Morphology |
CN108364288A (zh) * | 2018-03-01 | 2018-08-03 | 北京航空航天大学 | 用于乳腺癌病理图像的分割方法和装置 |
CN108918500A (zh) * | 2018-07-14 | 2018-11-30 | 北京航空航天大学青岛研究院 | 基于免疫磁珠标记的sers分选方法 |
CN109034208A (zh) * | 2018-07-03 | 2018-12-18 | 怀光智能科技(武汉)有限公司 | 一种高低分辨率组合的宫颈细胞病理切片分类方法 |
CN109191467A (zh) * | 2018-08-01 | 2019-01-11 | 华中科技大学鄂州工业技术研究院 | 一种细胞自噬表型的预测方法及装置 |
CN109863398A (zh) * | 2016-04-15 | 2019-06-07 | 蒙彼利埃大学医疗中心 | 用于检测和/或表征肿瘤细胞的方法及相关装置 |
CN110119710A (zh) * | 2019-05-13 | 2019-08-13 | 广州锟元方青医疗科技有限公司 | 细胞分类方法、装置、计算机设备和存储介质 |
CN110135271A (zh) * | 2019-04-19 | 2019-08-16 | 上海依智医疗技术有限公司 | 一种细胞分类方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011050103A1 (en) * | 2009-10-21 | 2011-04-28 | The Scripps Research Institute | Method of using non-rare cells to detect rare cells |
TW202109037A (zh) * | 2012-07-16 | 2021-03-01 | 大陸商昌和生物醫學科技(揚州)有限公司 | 增強疾病檢測與鑒定的器件與方法 |
CN105894490A (zh) * | 2015-11-05 | 2016-08-24 | 广西师范大学 | 基于模糊积分多分类器融合的宫颈细胞图像识别方法及装置 |
-
2019
- 2019-12-02 CN CN201911216358.7A patent/CN111079579B/zh active Active
-
2020
- 2020-02-03 TW TW109103155A patent/TWI715428B/zh active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971128A (zh) * | 2014-05-23 | 2014-08-06 | 北京理工大学 | 一种面向无人驾驶车的交通标志识别方法 |
US20170169567A1 (en) * | 2014-05-23 | 2017-06-15 | Ventana Medical Systems, Inc. | Systems and methods for detection of structures and/or patterns in images |
CN106190945A (zh) * | 2015-05-05 | 2016-12-07 | 深圳华大基因研究院 | 自动识别稀有细胞的方法及系统 |
US20170178321A1 (en) * | 2015-12-18 | 2017-06-22 | Abbott Laboratories | Methods and Systems for Assessing Cell Morphology |
CN109863398A (zh) * | 2016-04-15 | 2019-06-07 | 蒙彼利埃大学医疗中心 | 用于检测和/或表征肿瘤细胞的方法及相关装置 |
CN108364288A (zh) * | 2018-03-01 | 2018-08-03 | 北京航空航天大学 | 用于乳腺癌病理图像的分割方法和装置 |
CN109034208A (zh) * | 2018-07-03 | 2018-12-18 | 怀光智能科技(武汉)有限公司 | 一种高低分辨率组合的宫颈细胞病理切片分类方法 |
CN108918500A (zh) * | 2018-07-14 | 2018-11-30 | 北京航空航天大学青岛研究院 | 基于免疫磁珠标记的sers分选方法 |
CN109191467A (zh) * | 2018-08-01 | 2019-01-11 | 华中科技大学鄂州工业技术研究院 | 一种细胞自噬表型的预测方法及装置 |
CN110135271A (zh) * | 2019-04-19 | 2019-08-16 | 上海依智医疗技术有限公司 | 一种细胞分类方法及装置 |
CN110119710A (zh) * | 2019-05-13 | 2019-08-13 | 广州锟元方青医疗科技有限公司 | 细胞分类方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111079579B (zh) | 2023-07-25 |
TW202123071A (zh) | 2021-06-16 |
TWI715428B (zh) | 2021-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111292305B (zh) | 一种改进型yolo-v3的金属加工表面缺陷检测方法 | |
CN116721106B (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
CN109816644B (zh) | 一种基于多角度光源影像的轴承缺陷自动检测系统 | |
US11580647B1 (en) | Global and local binary pattern image crack segmentation method based on robot vision | |
CN111611643B (zh) | 户型矢量化数据获得方法、装置、电子设备及存储介质 | |
CN111985329A (zh) | 基于FCN-8s和改进Canny边缘检测的遥感图像信息提取方法 | |
CN110309781B (zh) | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 | |
JP2011527055A (ja) | 有糸分裂像検出装置および計数システム、および有糸分裂像を検出して計数する方法 | |
CN104182763A (zh) | 一种基于花朵特征的植物种类识别系统 | |
CN110648322A (zh) | 一种子宫颈异常细胞检测方法及系统 | |
CN106980852A (zh) | 基于角点检测与匹配的药品识别系统及其识别方法 | |
CN112200121A (zh) | 基于evm和深度学习的高光谱未知目标检测方法 | |
CN111582359A (zh) | 一种图像识别方法、装置、电子设备及介质 | |
CN117392733B (zh) | 一种痤疮分级检测方法、装置、电子设备及存储介质 | |
CN113177456A (zh) | 基于单阶段全卷积网络和多特征融合的遥感目标检测方法 | |
CN109726660A (zh) | 一种遥感图像船舶识别方法 | |
CN109543498A (zh) | 一种基于多任务网络的车道线检测方法 | |
CN114092456A (zh) | 细胞荧光图像判别方法及系统 | |
CN114092491A (zh) | 一种建筑户型语义分割图矢量化方法及装置 | |
Pratomo et al. | Parking detection system using background subtraction and HSV color segmentation | |
CN111079579B (zh) | 细胞图像的识别方法、装置以及系统 | |
CN108985216B (zh) | 一种基于多元logistic回归特征融合的行人头部检测方法 | |
Kaur et al. | 2-D geometric shape recognition using canny edge detection technique | |
CN206363347U (zh) | 基于角点检测与匹配的药品识别系统 | |
CN111523605B (zh) | 一种图像识别方法、装置、电子设备及介质 |
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 |