CN111403004A - 一种人工智能ana检测图文报告系统 - Google Patents
一种人工智能ana检测图文报告系统 Download PDFInfo
- Publication number
- CN111403004A CN111403004A CN202010119492.1A CN202010119492A CN111403004A CN 111403004 A CN111403004 A CN 111403004A CN 202010119492 A CN202010119492 A CN 202010119492A CN 111403004 A CN111403004 A CN 111403004A
- Authority
- CN
- China
- Prior art keywords
- image
- report
- karyotype
- acquisition
- positioning
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 8
- 238000001514 detection method Methods 0.000 title abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000007619 statistical method Methods 0.000 claims abstract description 10
- 238000005516 engineering process Methods 0.000 claims abstract description 8
- 238000013500 data storage Methods 0.000 claims abstract description 7
- 210000004027 cell Anatomy 0.000 claims description 20
- 238000000034 method Methods 0.000 claims description 9
- 210000003855 cell nucleus Anatomy 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000003460 anti-nuclear Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000008953 ANA Detect Methods 0.000 claims 1
- 230000001575 pathological effect Effects 0.000 abstract description 3
- 238000009825 accumulation Methods 0.000 abstract description 2
- 238000011161 development Methods 0.000 abstract description 2
- 208000023275 Autoimmune disease Diseases 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010166 immunofluorescence Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 108020004414 DNA Proteins 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 102000019040 Nuclear Antigens Human genes 0.000 description 1
- 108010051791 Nuclear Antigens Proteins 0.000 description 1
- 102000043141 Nuclear RNA Human genes 0.000 description 1
- 108020003217 Nuclear RNA Proteins 0.000 description 1
- 239000000427 antigen Substances 0.000 description 1
- 102000036639 antigens Human genes 0.000 description 1
- 108091007433 antigens Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 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
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000002073 fluorescence micrograph Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000028993 immune response Effects 0.000 description 1
- 208000026278 immune system disease Diseases 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000008506 pathogenesis Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000000405 serological effect Effects 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
Images
Classifications
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
一种人工智能ANA检测图文报告系统，包括有图像采集系统，负责从自动化设备标准化采集图像，也可以人为操作采集图像；图像前处理系统，负责对图像采集系统采集的图像进行前处理；图像识别和定位系统，负责定位和识别图像中的细胞核型属于哪一类，滴度有多强结果统计分析系统，负责对图像识别和定位系统输出的结果进行分类统计、计数，报告生成系统，根据报告模板生成报告；人工审核系统，为病理医生提供平台检查审核系统生成的报告；数据存储系统，将图像和结果存储分类储存。节省人力，判读和报告环节可以由系统自动完成，病理医生仅需审核报告，随着数据的积累、技术的发展，甚至可以不需要人工审核，直接完成报告，大大减轻病理工作的劳动强度。提供高度稳定、准确的核型分类和滴度检测结果，避免人为因素造成的干扰。
Description
技术领域
涉及免疫检测技术领域。
背景技术
自身免疫病是由于免疫功能紊乱，机体产生针对自身抗原的病理性免疫应答反应而引起器官或系统损伤的一类疾病。自身免疫病的发病机制尚不完全清楚，目前认为是遗传易感个体在环境因素如感染、紫外线、肿瘤及药物等多种因素共同作用下发生。由于自身抗体的产生是自身免疫病的基本特征之一，因而，自身抗体本身就成为大多数自身免疫病的血清学标记物。
ANA 是一组将自身真核细胞的各种成分脱氧核糖核蛋白、DNA、可提取核抗原和RNA 等作为靶抗原的自身抗体的总称，是自身免疫病最重要的诊断指标之一。ANA 的检测方法很多，目前间接免疫荧光法仍然是 ANA 检测首选方法。
ANA检测的标准方法为间接免疫荧光法，传统上，都是在荧光显微镜下由病理医生进行检查和复核。这种做法存在以下问题：一是花费时间长，由于玻片面积远大于显微镜成像视野，一张荧光涂片的检查是比较费时的，而在检查之后对病变区进行复核，则几乎需要花费同等的精力来找到病变细胞所在区域。从开始检查到复核结束一般需要花费20~30分钟。二是长时间观察标本，会加速荧光衰减，影响结果准确度。三是ANA核型可以细分为29型，由于病理医生的水平不同，工作繁忙等原因难以做到精细分型，普遍的做法是仅报告5~6种分型结果。四是病理医生长时间高强度工作产生的疲劳感会导致报告准确度下降。
现有的辅助诊断方法多是提供专家库标准图像，然后让病理医生将镜下图像与与专家库图像同屏比对，并不能实现自动化判读，另外针对不典型图像，也难以帮助医生下诊断建议。
发明内容
针对现有技术存在的问题，本发明目的是提供一种人工智能ANA检测图文报告系统，实现ANA荧光图像的自动判读和报告，以解决上述问题。
为达到上述目的，本发明提出的人工智能ANA检测图文报告系统，其特征在于所述系统包括有：图像采集系统、 图像前处理系统、图像识别和定位系统、结果统计分析系统、报告生成系统、自动审核系统、人工审核系统及数据存储系统；
图像采集系统，用于从自动化设备标准化采集标本图像，或人为操作采集图像；其中自动采集支持全采集、定点采集或随机采集；其中全采集放大倍率为200倍以上以上，扫描路径为回形，扫描方式为重叠式扫描，重叠面积不小于20%，获得所有区域的图像；其中定点采集放大倍率为200倍以上，根据用户预先设定好的采样位置，采集固定数量的数据；其中随机采集放大倍率为200倍以上，系统根据预先用户设定好的采集数量，随机选取采样位置进行图像采集；
图像前处理系统，负责对图像采集系统采集的图像进行前处理；包括亮度、对比度等的调节以使图像进一步标准化；
图像识别和定位系统，负责定位图像中的细胞核并进行标记，同时识别图像中的抗核抗体荧光模式属于哪一类，滴度有多强；使用人工智能算法，包括使用残差神经网络为主干网络，使用全卷积网路进行细胞标记，使用关注区连接技术进一步提高定位精度等技术搭建网络模型，进行训练，获得表现较好参数；应用时将经过前处理的图像送入训练好的神经网络模型，定位细胞，并识别核型；
结果统计分析系统，负责对图像识别和定位系统输出的结果进行分类统计、计数，将每一细胞的核型进行汇总，报告相应核型的细胞各有多少个，相同核型下各滴度的细胞各有多少个；其中核型计数最多的核型称为主核型；同一核型下，取最高的滴度为该核型滴度。
报告生成系统，根据报告模板将上述统计分析数据、典型图像填入模板，生成报告；其中典型图像为主核型细胞最多、准确度得分最高的图像；
人工审核系统，为病理医生提供平台检查审核系统生成的报告；
数据存储系统，将图像和结果存储分类储存；对经过确认的数据进行持久化保存，进一步积累数据量，用于模型训练，提高模型准确度和效率。
本发明的有益效果为：
1.节省人力，判读和报告环节可以由系统自动完成，病理医生仅需审核报告，随着数据的积累、技术的发展，甚至可以不需要人工审核，直接完成报告，大大减轻病理工作的劳动强度。
2. 提供高度稳定、准确的核型分类和滴度检测结果，避免人为因素造成的干扰。
本发明具备持续学习、改善能力，可以在稳定前提下进一步提高结果准确性。
附图说明
图1为本发明的系统结构图。
具体实施方式
以下结合附图和本发明优选的具体实施例对本发明的内容作进一步地说明。
以下结合附图和本发明优选的具体实施方式对本发明作进一步地说明。
参照图1中所示，本发明人工智能ANA检测图文报告系统，包括有：图像采集系统，图像前处理系统，图像识别和定位系统，结果统计分析系统，报告生成系统，自动审核系统，人工审核系统，数据存储系统。
图像采集系统，用于从自动化设备标准化采集标本图像，也可以人为操作采集图像；其中自动采集支持全采集、定点采集、随机采集；其中全采集放大倍率为200倍以上，扫描路径为回形，扫描方式为重叠式扫描，重叠面积不少于20%，获得所有区域的图像；其中定点采集放大倍率为200倍以上，根据用户预先设定好的采样位置，采集固定数量的数据；其中随机采集放大倍率为200倍以上，系统根据预先用户设定好的采集数量，随机选取采样位置进行图像采集。
图像前处理系统，负责对图像采集系统采集的图像进行前处理；主要包括亮度、对比度等的调节以使图像进一步标准化。
图像识别和定位系统，负责定位图像中的细胞核并进行标记，同时识别图像中的抗核抗体荧光模式属于哪一类，滴度有多强。主要是使用人工智能算法，包括使用残差神经网络为主干网络，使用全卷积网路进行细胞标记，使用关注区连接技术进一步提高定位精度等技术搭建网络模型，进行训练，获得表现较好参数。实际应用时将经过前处理的图像送入训练好的神经网络模型，定位细胞，并识别核型。
结果统计分析系统，负责对图像识别和定位系统输出的结果进行分类统计、计数，将每一细胞的核型进行汇总，报告相应核型的细胞各有多少个，相同核型下各滴度的细胞各有多少个。其中核型计数最多的核型称为主核型。同一核型下，取最高的滴度为该核型滴度。
报告生成系统，根据报告模板将上述统计分析数据、典型图像填入模板，生成报告；其中典型图像为主核型细胞最多、准确度得分最高的图像。
人工审核系统，为病理医生提供平台检查审核系统生成的报告；
数据存储系统，将图像和结果存储分类储存。对经过确认的数据进行持久化保存，进一步积累数据量，用于模型训练，提高模型准确度和效率。
Claims (2)
1.人工智能ANA检测图文报告系统，其特征在于所述系统包括有：图像采集系统、 图像前处理系统、图像识别和定位系统、结果统计分析系统、报告生成系统、自动审核系统、人工审核系统及数据存储系统；
图像采集系统，用于从自动化设备标准化采集标本图像，或人为操作采集图像；其中自动采集支持全采集、定点采集或随机采集；其中全采集放大倍率为200倍以上，扫描路径为回形，扫描方式为重叠式扫描，重叠面积不小于20%，获得所有区域的图像；其中定点采集放大倍率为200倍以上，根据用户预先设定好的采样位置，采集固定数量的数据；其中随机采集放大倍率为200倍以上，系统根据预先用户设定好的采集数量，随机选取采样位置进行图像采集；
图像前处理系统，负责对图像采集系统采集的图像进行前处理；包括亮度、对比度等的调节以使图像进一步标准化；
图像识别和定位系统，负责定位图像中的细胞核并进行标记，同时识别图像中的抗核抗体荧光模式属于哪一类，滴度有多强；使用人工智能算法，包括使用残差神经网络为主干网络，使用全卷积网路进行细胞标记，使用关注区连接技术进一步提高定位精度等技术搭建网络模型，进行训练，获得表现较好参数；应用时将经过前处理的图像送入训练好的神经网络模型，定位细胞，并识别核型；
结果统计分析系统，负责对图像识别和定位系统输出的结果进行分类统计、计数，将每一细胞的核型进行汇总，报告相应核型的细胞各有多少个，相同核型下各滴度的细胞各有多少个；其中核型计数最多的核型称为主核型；同一核型下，取最高的滴度为该核型滴度。
2.报告生成系统，根据报告模板将上述统计分析数据、典型图像填入模板，生成报告；其中典型图像为主核型细胞最多、准确度得分最高的图像；
人工审核系统，为病理医生提供平台检查审核系统生成的报告；
数据存储系统，将图像和结果存储分类储存；对经过确认的数据进行持久化保存，进一步积累数据量，用于模型训练，提高模型准确度和效率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010119492.1A CN111403004A (zh) | 2020-02-26 | 2020-02-26 | 一种人工智能ana检测图文报告系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010119492.1A CN111403004A (zh) | 2020-02-26 | 2020-02-26 | 一种人工智能ana检测图文报告系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111403004A true CN111403004A (zh) | 2020-07-10 |
Family
ID=71432099
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010119492.1A Pending CN111403004A (zh) | 2020-02-26 | 2020-02-26 | 一种人工智能ana检测图文报告系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111403004A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112700833A (zh) * | 2021-01-14 | 2021-04-23 | 四川大学华西医院 | 医疗检查报告集中审核方法、系统、存储介质和电子装置 |
| CN117152745A (zh) * | 2023-10-23 | 2023-12-01 | 杭州迪安医学检验中心有限公司 | 一种基于图像处理技术的支原体识别和录入方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102365641A (zh) * | 2009-03-26 | 2012-02-29 | 皇家飞利浦电子股份有限公司 | 基于诊断信息自动检索报告模板的系统 |
| CN102622505A (zh) * | 2012-01-01 | 2012-08-01 | 张弢 | 自身抗体荧光显微图文采集报告系统 |
| WO2014177700A1 (en) * | 2013-05-02 | 2014-11-06 | Universite D'aix-Marseille | Indirect immunofluorescence method for detecting antinuclear autoantibodies. |
| CN109858428A (zh) * | 2019-01-28 | 2019-06-07 | 四川大学 | 基于机器学习和深度学习的ana荧光片自动识别方法 |
| US20190189263A1 (en) * | 2017-12-15 | 2019-06-20 | International Business Machines Corporation | Automated report generation based on cognitive classification of medical images |
| CN110443105A (zh) * | 2018-05-03 | 2019-11-12 | 长庚医疗财团法人林口长庚纪念医院 | 自体免疫抗体的免疫荧光影像型态识别方法 |
| CN110543806A (zh) * | 2018-05-29 | 2019-12-06 | 长庚医疗财团法人林口长庚纪念医院 | 一种自体免疫抗体的免疫荧光影像分类系统及其分类方法 |
| CN110705632A (zh) * | 2019-09-27 | 2020-01-17 | 北京工业大学 | 一种抗核抗体荧光核型自动标注方法 |
-
2020
- 2020-02-26 CN CN202010119492.1A patent/CN111403004A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102365641A (zh) * | 2009-03-26 | 2012-02-29 | 皇家飞利浦电子股份有限公司 | 基于诊断信息自动检索报告模板的系统 |
| CN102622505A (zh) * | 2012-01-01 | 2012-08-01 | 张弢 | 自身抗体荧光显微图文采集报告系统 |
| WO2014177700A1 (en) * | 2013-05-02 | 2014-11-06 | Universite D'aix-Marseille | Indirect immunofluorescence method for detecting antinuclear autoantibodies. |
| US20190189263A1 (en) * | 2017-12-15 | 2019-06-20 | International Business Machines Corporation | Automated report generation based on cognitive classification of medical images |
| CN110443105A (zh) * | 2018-05-03 | 2019-11-12 | 长庚医疗财团法人林口长庚纪念医院 | 自体免疫抗体的免疫荧光影像型态识别方法 |
| CN110543806A (zh) * | 2018-05-29 | 2019-12-06 | 长庚医疗财团法人林口长庚纪念医院 | 一种自体免疫抗体的免疫荧光影像分类系统及其分类方法 |
| CN109858428A (zh) * | 2019-01-28 | 2019-06-07 | 四川大学 | 基于机器学习和深度学习的ana荧光片自动识别方法 |
| CN110705632A (zh) * | 2019-09-27 | 2020-01-17 | 北京工业大学 | 一种抗核抗体荧光核型自动标注方法 |
Non-Patent Citations (2)
| Title |
|---|
| 姚旭峰: "医用CT技术及设备", 复旦大学出版社, pages: 75 * |
| 彭亮;刘晓云;汪子伟;: "抗核抗体荧光图谱计算机辅助系统的应用和评价", no. 11 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112700833A (zh) * | 2021-01-14 | 2021-04-23 | 四川大学华西医院 | 医疗检查报告集中审核方法、系统、存储介质和电子装置 |
| CN117152745A (zh) * | 2023-10-23 | 2023-12-01 | 杭州迪安医学检验中心有限公司 | 一种基于图像处理技术的支原体识别和录入方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108288506A (zh) | 一种基于人工智能技术的癌症病理辅助诊断方法 | |
| CN109903284B (zh) | 一种her2免疫组化图像自动判别方法及系统 | |
| CN111178197B (zh) | 基于Mask R-CNN和Soft-NMS融合的群养粘连猪实例分割方法 | |
| CN107247971B (zh) | 一种超声甲状腺结节风险指标的智能分析方法及系统 | |
| CN111462076B (zh) | 一种全切片数字病理图像模糊区域检测方法及系统 | |
| CN111340130A (zh) | 一种基于深度学习和影像组学的泌尿结石检测分类方法 | |
| CN110555836A (zh) | 一种超声图像中胎儿标准切面的自动识别方法和系统 | |
| CN110647874A (zh) | 一种端到端的血细胞识别模型构造方法及应用 | |
| CN113576508B (zh) | 一种基于神经网络的脑出血辅助诊断系统 | |
| CN110853005A (zh) | 一种免疫组化膜染色切片诊断方法及装置 | |
| CN109086679A (zh) | 一种毫米波雷达安检仪异物检测方法 | |
| CN110728666B (zh) | 基于数字病理玻片进行慢性鼻窦炎的分型方法及其系统 | |
| CN111403004A (zh) | 一种人工智能ana检测图文报告系统 | |
| CN110838094B (zh) | 病理切片染色风格转换方法和电子设备 | |
| CN113130049A (zh) | 基于云服务的智能病理图像诊断系统 | |
| CN115909006B (zh) | 基于卷积Transformer的乳腺组织图像分类方法及系统 | |
| CN111161272A (zh) | 一种基于生成对抗网络的胚胎组织分割方法 | |
| CN109979546A (zh) | 基于人工智能数字病理的网络模型分析平台及构建方法 | |
| CN114235539A (zh) | 基于深度学习的pd-l1病理切片自动判读方法及系统 | |
| CN116597895A (zh) | 一种基于图卷积神经网络的蛋白质亚细胞定位方法 | |
| CN114140437A (zh) | 一种基于深度学习的眼底硬渗出物分割方法 | |
| CN111899214B (zh) | 一种病理切片扫描分析装置及病理切片扫描方法 | |
| CN112949723A (zh) | 一种子宫内膜病理图像分类方法 | |
| Park et al. | Segmentation of sperms using the strategic Hough transform | |
| CN111882521A (zh) | 一种细胞涂片的图像处理方法 |
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: 20200710 |
|
| RJ01 | Rejection of invention patent application after publication |