CN111429761A - 一种骨髓细胞形态学人工智能模拟教学系统及其方法 - Google Patents

一种骨髓细胞形态学人工智能模拟教学系统及其方法 Download PDF

Info

Publication number
CN111429761A
CN111429761A CN202010126811.1A CN202010126811A CN111429761A CN 111429761 A CN111429761 A CN 111429761A CN 202010126811 A CN202010126811 A CN 202010126811A CN 111429761 A CN111429761 A CN 111429761A
Authority
CN
China
Prior art keywords
cell
image
module
information
area
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
Application number
CN202010126811.1A
Other languages
English (en)
Other versions
CN111429761B (zh
Inventor
杨武晨
彭贤贵
张曦
张�诚
张洪洋
墙星
李佳
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.)
Second Affiliated Hospital Army Medical University
Original Assignee
Second Affiliated Hospital Army Medical University
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 Second Affiliated Hospital Army Medical University filed Critical Second Affiliated Hospital Army Medical University
Priority to CN202010126811.1A priority Critical patent/CN111429761B/zh
Publication of CN111429761A publication Critical patent/CN111429761A/zh
Application granted granted Critical
Publication of CN111429761B publication Critical patent/CN111429761B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B5/00—Electrically-operated educational appliances
    • G09B5/02—Electrically-operated educational appliances with visual presentation of the material to be studied, e.g. using film strip
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于图像识别技术领域，具体涉及一种骨髓细胞形态学人工智能模拟教学系统及其方法，包括显微镜、CCD摄像机、计算机系统、储存器和显示器；计算机系统包括细胞信息单元、细胞识别单元、和细胞信息显示单元；细胞识别单元包括图像采集模块、图像预处理模块、图像分割模块、细胞圈定模块、特征提取模块、特征选择识别模块、分类识别模块、信息提取模块。本发明在学习细胞的状态下，开启人工智能细胞识别模式，在点击目的细胞，进行学习指导求助的情况下，点击该细胞，系统将提示该细胞的名称，并报告实时检测的数据，如名称、大小、纹理、形状、颜色等特征，解决学生的困惑，将大大的提高学生的学习兴趣，也能提高细胞形态教学的教学效率。

Description

一种骨髓细胞形态学人工智能模拟教学系统及其方法
技术领域
本发明属于影像教学系统技术领域，具体涉及一种骨髓细胞形态学人工智能模拟教学系统及其方法。
背景技术
“血液学检验”是医学检验专业的主干课程之一，教师在讲授骨髓细胞和血液系统疾病细胞的形态特征及检验方法时，由于内容抽象、细胞形态千变万化，使得学生对教学内容的兴趣、理解、记忆、观察、辨认都感到有很大的难度。因此，实践课教学将是这一教学问题最好的解决方式。
实验课教学的目的是使学生掌握血细胞形态观察的基本原理、基本技能和主要方法，提高识别、记忆细胞的能力，培养动手能力，进一步理解理论知识。但以往的传统教学中，教师课堂讲解后就让学生单独读片识别细胞形态，学生看到镜下骨髓片中无数个不曾相识的细胞马上就感到满脑空白，教师也在无数个问题中一一解答学生的重复疑问，不仅浪费时间，而且浪费精力，学生也失去了读片的兴趣。而且血细胞形态的千变万化义给学生观察、识别和记忆细胞形态带来了很多困难，增加了学习的难度。
针对这种情况，研究开发出一种骨髓细胞形态学人工智能模拟教学系统将有很大必要，这样的模拟系统将大大的提高学生的学习兴趣，也能提高细胞形态教学的教学效率。
发明内容
本发明的目的是针对现有骨髓细胞形态教学中存在的问题，提供一种骨髓细胞形态学人工智能模拟教学系统及其方法，在学生学习细胞的状态下，同时开启人工智能细胞识别模式，在学生点击目的细胞，进行学习指导求助的情况下，点击该细胞，人工智能识别系统，提示该细胞的名称，并报告实时检测的数据，如名称、大小、纹理、形状、颜色等特征，解决学生的困惑，将大大的提高学生的学习兴趣，也能提高细胞形态教学的教学效率。
为实现上述技术目的，本发明采用的技术方案如下：
一种骨髓细胞形态学人工智能模拟教学系统，包括显微镜、CCD摄像机、计算机系统、储存器和显示器；所述计算机系统包括细胞信息单元、细胞识别单元、和细胞信息显示单元；
所述细胞识别单元包括用于对骨髓细胞切片的放大图像进行采集的图像采集模块、用于消除图像毛刺噪音的图像预处理模块、用于对图像进行目标分割的图像分割模块、对指定细胞进行圈定的细胞圈定模块、对重叠细胞进行细胞图像分离的细胞分离模块、对圈定细胞进行特征提取的特征提取模块、对圈定细胞进行特征识别的特征选择识别模块、对圈定细胞进行分类识别的分类识别模块、将圈定细胞根据识别的信息，与细胞信息单元进行比对，对细胞的信息进行提取的信息提取模块。
显微镜用于对骨髓切片进行光学放大，形成模拟的显微图像，然后通过CCD相机将显微镜显示的图像AD转换，生成视频信号，传输到计算机系统，由计算机系统和显示器对骨髓切片细胞图像进行显示；细胞信息单元储存于储存器内，包括有各种细胞的信息，信息包括细胞名称、大小、形状、纹理、颜色等细胞信息；细胞识别单元对骨髓切片细胞进行图像采集、图像去燥、图像分割、细胞特征提取、细胞特征提取、分类识别，细胞分类识别完成后，利用信息提取模块从存储于存储器中的细胞信息单元中将细胞信息进行提取，由细胞信息显示单元在显示器上对圈定的细胞信息进行显示。
其中，图像采集模块将获得细胞的真彩图像；预处理模块可以将图像边界的毛刺去掉，保证边界的清晰；图像分割模块将对预处理模块处理过的图像进行目标分割，并将分割结果保存到相应的数据结构中；细胞圈定模块指的是操作者将鼠标指定到图像中的某个位置时，由细胞圈定模块对距离细胞中心最近的细胞进行圈定；利用特征提取模块根据图像获得的目标区域，进行细胞名称、大小、形状、纹理、颜色等细胞信息的提取；特征选择识别模块则运用类别可分离性判断和特征搜索算法来实现对原始特征量降维的目的；分类识别模块根据特征选择所给如的对象特征值以及样本集，首先对分类器进行训练，然后再利用分类器对该对象进行分类。
进一步，一种骨髓细胞形态学人工智能模拟教学系统的方法，包括以下步骤，
A1、图像获取：显微镜对骨髓切片进行光学放大，形成模拟的显微图像，然后通过CCD相机将显微镜显示的图像AD转换，生成视频信号，由图像采集模块对图像进行图像采集；
A2、图像预处理：将图像采集模块采集的图像进行滤波、去除毛边、增强、平滑和锐化预处理，保证边界清晰，提高图像质量；
A3、图像分割：对预处理模块处理过的图像进行目标分割，并将分割结果保存到相应的数据结构中；
A4、细胞圈定：操作者将鼠标指定到图像中的某个位置时，由细胞圈定模块对距离细胞中心最近的细胞进行圈定；
A5、细胞分离：利用细胞分离模块，对图像中重叠的细胞进行细胞分离，以便于特征提取；
A6、特征提取：根据图像分割模块获得的目标区域，进行细胞名称、大小、形状、纹理、颜色等细胞信息的提取；
A7、特征选择识别：运用类别可分离性判断和特征搜索算法来实现对原始特征量降维；
A8、分类识别：根据特征选择所给如的对象特征值以及样本集，首先对分类器进行训练，然后再利用分类器对该对象进行分类；
A9、细胞信息显示：信息提取模块从存储于存储器中的细胞信息单元中将细胞信息进行提取，由细胞信息显示单元在显示器上对圈定的细胞信息进行显示。
进一步，所述图像预处理模块的预处理方法为领域平滑滤波方法，包括以下步骤：
B1、以待处理像素为中心，做一个m×m的作用模板；
B2、在模板中，选择K个与待处理像素的灰度差为最小的像素；
B3、将这K个像素的灰度均值替换掉原来的像素值。
进一步，所述图像分割模块的图片分割的方法为，
利用
Figure BDA0002394642660000031
将输入的图像的f输出为图像g，其中T为阈值；对于物体的图像元素，g(i，j)＝1，对于背景的图像元素，g(i，j)＝0。
本分割算法先确定一个适合的阈值，将图像分割开来，阈值确定后，阈值与像素点的灰度值比较和像素分割可对各像素并行地进行，分割的结果直接给出图像区域；本方法的图像分割方法计算简单、运算效率较高、速度快。
进一步，所述信息提取模块的提取特征，包括名称、大小、形状、纹理、颜色提取。
进一步，所述大小、形状、纹理、颜色提取方法为，
C1、细胞大小提取时，采用面积提取，将细胞区域内的所有像素点进行计数累加来获得细胞区域的面积特征；
C2、细胞纹理特征提取时，将M*M大小的图像分割成若干个S*S的子块，s是介于1和M/2之间的整数，令尺度因子r＝r/M；将图像制成三维空间xyz，其中(x，y)表示象素点的平面位置，z表示其灰度值，于是xy平面被分割成若干大小为s*s的网格，在每个网格上，是s*s*s的盒子，设图像在第(i，j)网格中的灰度最小值和最大值分别落在第k和第1个盒子中，则覆盖第(i，j)网格中的图像所需的盒子数为：nr(i，j)＝l-k+1；需要的盒子数
Figure BDA0002394642660000032
盒子维数
Figure BDA0002394642660000033
对应于不同的r值，可以得到不同的Nr值，采用最小二乘线性回归法拟合出(log(Nr)，log(1/r))的斜率，即为分形维D；
C3、细胞颜色提取，采用
Figure BDA0002394642660000041
其中
Figure BDA0002394642660000042
分别表示区域的红色均值、绿色均值、蓝色均值；
C4、细胞形状提取，使用原点矩、中心矩、长轴、短轴来和偏心率来表征细胞形状特征。
进一步，所述原点矩、中心矩、长轴、短轴来和偏心率的计算公式分别为，
原点矩的计算公式为：
Figure BDA0002394642660000043
中心矩的计算公式为：
Figure BDA0002394642660000044
长轴的计算公式为：
Figure BDA0002394642660000045
短轴的计算公式为：
Figure BDA0002394642660000046
偏心率的计算公式为：e＝a/b。
进一步，所述分类识别的方法为使用BP算法，分别由正向传播和误差信号的反向传播两个过程构成，所述正向传播设BP网络的输入层有n个节点，隐层有q个节点，输出层有m个节点，输入层与隐层之间的权值为vki，隐层与输出层之闻的权值为Wjk，隐层的传递函数为f1，输出层的传递函数为f2，则隐层节点的输出为：
Figure BDA0002394642660000047
输出层节点的输出为：
Figure BDA0002394642660000048
完成了理维空间向量对m维空间的近似映射。
进一步，对重叠细胞进行分离的方法，包括以下步骤，D1、提取重写细胞中的各个区域，对每个重叠区域计算核心坐标，得到核心数；
D2、提取重叠区域中的凹区域，计算出凹区域的个数；
D3、根据凹区域个数，判断重叠细胞属于串联或者并联；
D4、若为串联，从凹区域中寻找凹点，做凹点件的连线，分理出重叠区域；若为并联，从凹区域中寻找凹点，做凹点和中心线的连线，分离重叠区域。
因为压片中，可能存在细胞重叠的问题，对重叠的细胞先进行分离，分离之后再利用特征提取模块对细胞特征进行提取并识别，并将相应细胞信息进行显示，更能够方便学生的学习。
本发明有益效果如下：
1、本发明的人工智能模拟教学系统在学生学习细胞的状态下，同时开启人工智能细胞识别模式，在学生点击目的细胞，进行学习指导求助的情况下，点击该细胞，人工智能识别系统，提示该细胞的名称，并报告实时检测的数据，如名称、大小、纹理、形状、颜色等特征，解决学生的困惑，将大大的提高学生的学习兴趣，也能提高细胞形态教学的教学效率。
2、本发明还能对因为压片中存在细胞重叠的问题，对重叠的细胞先进行分离，分离之后再利用特征提取模块对细胞特征进行提取并识别，并将相应细胞信息进行显示，更能够方便学生的学习。
3、本发明的人工智能模拟教学系统的方法，其方法计算简单、运算效率较高、速度快，不会造成系统的卡顿，使用起来更加的方便。
附图说明
图1为本发明一种骨髓细胞形态学人工智能模拟教学系统的示意图；
图2是本发明一种骨髓细胞形态学人工智能模拟教学系统的方法的流程图。
具体实施方式
为了使本领域的技术人员可以更好地理解本发明，下面以实施例对本发明技术方案进一步说明。
如图1、图2所示：
一种骨髓细胞形态学人工智能模拟教学系统，包括显微镜、CCD摄像机、计算机系统、储存器和显示器；所述计算机系统包括细胞信息单元、细胞识别单元、和细胞信息显示单元；
所述细胞识别单元包括用于对骨髓细胞切片的放大图像进行采集的图像采集模块、用于消除图像毛刺噪音的图像预处理模块、用于对图像进行目标分割的图像分割模块、对指定细胞进行圈定的细胞圈定模块、对重叠细胞进行细胞图像分离的细胞分离模块、对圈定细胞进行特征提取的特征提取模块、对圈定细胞进行特征识别的特征选择识别模块、对圈定细胞进行分类识别的分类识别模块、将圈定细胞根据识别的信息，与细胞信息单元进行比对，对细胞的信息进行提取的信息提取模块。
一种骨髓细胞形态学人工智能模拟教学系统的方法，包括以下步骤，
A1、图像获取：显微镜对骨髓切片进行光学放大，形成模拟的显微图像，然后通过CCD相机将显微镜显示的图像AD转换，生成视频信号，由图像采集模块对图像进行图像采集；
A2、图像预处理：将图像采集模块采集的图像进行滤波、去除毛边、增强、平滑和锐化预处理，保证边界清晰，提高图像质量；所述图像预处理模块的预处理方法为领域平滑滤波方法，包括以下步骤：
B1、以待处理像素为中心，做一个m×m的作用模板；
B2、在模板中，选择K个与待处理像素的灰度差为最小的像素；
B3、将这K个像素的灰度均值替换掉原来的像素值。
A3、图像分割：对预处理模块处理过的图像进行目标分割，并将分割结果保存到相应的数据结构中；所述图像分割模块的图片分割的方法为，
利用
Figure BDA0002394642660000061
将输入的图像的f输出为图像g，其中T为阈值；对于物体的图像元素，g(i,j)＝1，对于背景的图像元素，g(i,j)＝0。
A4、细胞圈定：操作者将鼠标指定到图像中的某个位置时，由细胞圈定模块对距离细胞中心最近的细胞进行圈定；
A5、细胞分离：利用细胞分离模块，对图像中重叠的细胞进行细胞分离，以便于特征提取；进行细胞分离时，首先提取重写细胞中的各个区域，对每个重叠区域计算核心坐标，得到核心数；再提取重叠区域中的凹区域，计算出凹区域的个数；然后再根据凹区域个数，判断重叠细胞属于串联或者并联；最后，若为串联，从凹区域中寻找凹点，做凹点件的连线，分理出重叠区域；若为并联，从凹区域中寻找凹点，做凹点和中心线的连线，分离重叠区域。
A5、特征提取：根据图像分割模块获得的目标区域，进行细胞名称、大小、形状、纹理、颜色等细胞信息的提取；所述信息提取模块的提取特征，包括名称、大小、形状、纹理、颜色提取；所述大小、形状、纹理、颜色提取方法为，
C1、细胞大小提取时，采用面积提取，将细胞区域内的所有像素点进行计数累加来获得细胞区域的面积特征；
C2、细胞纹理特征提取时，将M*M大小的图像分割成若干个S*S的子块，s是介于1和M/2之间的整数，令尺度因子r＝r/M；将图像制成三维空间xyz，其中(x，y)表示象素点的平面位置，z表示其灰度值，于是xy平面被分割成若干大小为s*s的网格，在每个网格上，是s*s*s的盒子，设图像在第(i，j)网格中的灰度最小值和最大值分别落在第k和第1个盒子中，则覆盖第(i，j)网格中的图像所需的盒子数为：nr(i，j)＝l-k+1；需要的盒子数
Figure BDA0002394642660000071
盒子维数
Figure BDA0002394642660000072
对应于不同的r值，可以得到不同的Nr值，采用最小二乘线性回归法拟合出(log(Nr)，log(1/r))的斜率，即为分形维D；
C3、细胞颜色提取，采用
Figure BDA0002394642660000073
其中
Figure BDA0002394642660000074
分别表示区域的红色均值、绿色均值、蓝色均值；
细胞颜色特征表
细胞类型 细胞核 细胞浆
原始粒细胞 淡紫红色 淡蓝或深蓝色
早幼粒细胞 紫红色 淡蓝色
嗜中性中幼粒细胞 紫红色 淡红色
原始红细胞 蓝色 深蓝色
早幼红细胞 棕红色 灰蓝色
中幼红细胞 深紫色 蓝中带，附近星灰红色
晚幼红细胞 紫黑 粉红色
C4、细胞形状提取，使用原点矩、中心矩、长轴、短轴来和偏心率来表征细胞形状特征。所述原点矩、中心矩、长轴、短轴来和偏心率的计算公式分别为，
原点矩的计算公式为：
Figure BDA0002394642660000075
中心矩的计算公式为：
Figure BDA0002394642660000081
长轴的计算公式为：
Figure BDA0002394642660000082
短轴的计算公式为：
Figure BDA0002394642660000083
偏心率的计算公式为：e＝a/b。
细胞类型 直径/um 细胞核大小公式
原始粒细胞 10-20 巨大、占细胞的2/3以上、圆或稍呈椭图形
早幼粒细胞 15-25 大、圆或稍带卵圆形
中幼粒细胞 10-18 较小，圆或椭圆，有时可略有凹陷
杆核粒细胞 9-16 细长弯曲盘绕，可呈马蹄型S型U型V型W型
分叶核粒细胞 8-14 核分2-5叶或更多的叶，叶间以核丝或核桥相连
原始红细胞 12-20 大，约占细胞的4/5，圆形或稍带卵圆形
早幼红细胞 10-18 占细胞2/3以上，圆或椭圆
中幼红细胞 8-15 占细胞2/3至1/2，圆或稍带卵圆形
晚幼红细胞 7-10 较小，占细胞1/2以下，圆或卵圆形
A6、特征选择识别：运用类别可分离性判断和特征搜索算法来实现对原始特征量降维；
A7、分类识别：根据特征选择所给如的对象特征值以及样本集，首先对分类器进行训练，然后再利用分类器对该对象进行分类；所述分类识别的方法为使用BP算法，分别由正向传播和误差信号的反向传播两个过程构成，所述正向传播设BP网络的输入层有n个节点，隐层有q个节点，输出层有m个节点，输入层与隐层之间的权值为vki，隐层与输出层之闻的权值为Wjk，隐层的传递函数为f1，输出层的传递函数为f2，则隐层节点的输出为：
Figure BDA0002394642660000084
输出层节点的输出为：
Figure BDA0002394642660000085
完成了理维空间向量对m维空间的近似映射。
A8、细胞信息显示：信息提取模块从存储于存储器中的细胞信息单元中将细胞信息进行提取，由细胞信息显示单元在显示器上对圈定的细胞信息进行显示。
在应用本系统时，具体如下：
显微镜用于对骨髓切片进行光学放大，形成模拟的显微图像，然后通过CCD相机将显微镜显示的图像AD转换，生成视频信号，传输到计算机系统，由计算机系统和显示器对骨髓切片细胞图像进行显示；细胞信息单元储存于储存器内，包括有各种细胞的信息，信息包括细胞名称、大小、形状、纹理、颜色等细胞信息；细胞识别单元对骨髓切片细胞进行图像采集、图像去燥、图像分割、细胞特征提取、细胞特征提取、分类识别，细胞分类识别完成后，利用信息提取模块从存储于存储器中的细胞信息单元中将细胞信息进行提取，由细胞信息显示单元在显示器上对圈定的细胞信息进行显示。
其中，图像采集模块将获得细胞的真彩图像；预处理模块可以将图像边界的毛刺去掉，保证边界的清晰；图像分割模块将对预处理模块处理过的图像进行目标分割，并将分割结果保存到相应的数据结构中；细胞圈定模块指的是操作者将鼠标指定到图像中的某个位置时，由细胞圈定模块对距离细胞中心最近的细胞进行圈定；利用特征提取模块根据图像获得的目标区域，进行细胞名称、大小、形状、纹理、颜色等细胞信息的提取；特征选择识别模块则运用类别可分离性判断和特征搜索算法来实现对原始特征量降维的目的；分类识别模块根据特征选择所给如的对象特征值以及样本集，首先对分类器进行训练，然后再利用分类器对该对象进行分类。
以上对本发明提供的一种骨髓细胞形态学人工智能模拟教学系统及其方法进行了详细介绍。具体实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (9)

1.一种骨髓细胞形态学人工智能模拟教学系统，其特征在于：包括以下步骤，包括显微镜、CCD摄像机、计算机系统、储存器和显示器；所述计算机系统包括细胞信息单元、细胞识别单元、和细胞信息显示单元；
所述细胞识别单元包括用于对骨髓细胞切片的放大图像进行采集的图像采集模块、用于消除图像毛刺噪音的图像预处理模块、用于对图像进行目标分割的图像分割模块、对指定细胞进行圈定的细胞圈定模块、对重叠细胞进行细胞图像分离的细胞分离模块、对圈定细胞进行特征提取的特征提取模块、对圈定细胞进行特征识别的特征选择识别模块、对圈定细胞进行分类识别的分类识别模块、将圈定细胞根据识别的信息，与细胞信息单元进行比对，对细胞的信息进行提取的信息提取模块。
2.根据权利要求1所述的一种骨髓细胞形态学人工智能模拟教学系统的方法，其特征在于：包括以下步骤，
A1、图像获取：显微镜对骨髓切片进行光学放大，形成模拟的显微图像，然后通过CCD相机将显微镜显示的图像AD转换，生成视频信号，由图像采集模块对图像进行图像采集；
A2、图像预处理：将图像采集模块采集的图像进行滤波、去除毛边、增强、平滑和锐化预处理，保证边界清晰，提高图像质量；
A3、图像分割：对预处理模块处理过的图像进行目标分割，并将分割结果保存到相应的数据结构中；
A4、细胞圈定：操作者将鼠标指定到图像中的某个位置时，由细胞圈定模块对距离细胞中心最近的细胞进行圈定；
A5、细胞分离：利用细胞分离模块，对图像中重叠的细胞进行细胞分离，以便于特征提取；
A6、特征提取：根据图像分割模块获得的目标区域，进行细胞名称、大小、形状、纹理、颜色等细胞信息的提取；
A7、特征选择识别：运用类别可分离性判断和特征搜索算法来实现对原始特征量降维；
A8、分类识别：根据特征选择所给如的对象特征值以及样本集，首先对分类器进行训练，然后再利用分类器对该对象进行分类；
A9、细胞信息显示：信息提取模块从存储于存储器中的细胞信息单元中将细胞信息进行提取，由细胞信息显示单元在显示器上对圈定的细胞信息进行显示。
3.根据权利要求2所述的一种骨髓细胞形态学人工智能模拟教学系统的方法，其特征在于：所述图像预处理模块的预处理方法为领域平滑滤波方法，包括以下步骤，
B1、以待处理像素为中心，做一个m×m的作用模板；
B2、在模板中，选择K个与待处理像素的灰度差为最小的像素；
B3、将这K个像素的灰度均值替换掉原来的像素值。
4.根据权利要求3所述的一种骨髓细胞形态学人工智能模拟教学系统的方法，其特征在于：所述图像分割模块的图片分割的方法为，
利用
Figure FDA0002394642650000021
将输入的图像的f输出为图像g，其中T为阈值；对于物体的图像元素，g(i,j)＝1，对于背景的图像元素，g(i,j)＝0。
5.根据权利要求4所述的一种骨髓细胞形态学人工智能模拟教学系统的方法，其特征在于：所述信息提取模块的提取特征，包括名称、大小、形状、纹理、颜色提取。
6.根据权利要求5所述的一种骨髓细胞形态学人工智能模拟教学系统的方法，其特征在于：所述大小、形状、纹理、颜色提取的提取方法为，
C1、细胞大小提取时，采用面积提取，将细胞区域内的所有像素点进行计数累加来获得细胞区域的面积特征；
C2、细胞纹理特征提取时，将M*M大小的图像分割成若干个S*S的子块，s是介于l和M/2之间的整数，令尺度因子r＝r/M；将图像制成三维空间xyz，其中(x,y)表示象素点的平面位置，z表示其灰度值，于是xy平面被分割成若干大小为s*s的网格，在每个网格上，是s*s*s的盒子，设图像在第(i，j)网格中的灰度最小值和最大值分别落在第k和第l个盒子中，则覆盖第(i，j)网格中的图像所需的盒子数为：nr(i，j)＝l-k+1；需要的盒子数
Figure FDA0002394642650000022
盒子维数
Figure FDA0002394642650000023
对应于不同的r值，可以得到不同的Nr值，采用最小二乘线性回归法拟合出(log(Nr)，log(1/r))的斜率，即为分形维D；
C3、细胞颜色提取，采用
Figure FDA0002394642650000024
其中
Figure FDA0002394642650000025
分别表示区域的红色均值、绿色均值、蓝色均值；
C4、细胞形状提取，使用原点矩、中心矩、长轴、短轴来和偏心率来表征细胞形状特征。
7.根据权利要求6所述的一种骨髓细胞形态学人工智能模拟教学系统的方法，其特征在于：所述原点矩、中心矩、长轴、短轴来和偏心率的计算公式分别为，
原点矩的计算公式为：
Figure FDA0002394642650000026
中心矩的计算公式为：
Figure FDA0002394642650000031
长轴的计算公式为：
Figure FDA0002394642650000032
短轴的计算公式为：
Figure FDA0002394642650000033
偏心率的计算公式为：e＝a/b。
8.根据权利要求7所述的一种骨髓细胞形态学人工智能模拟教学系统的方法，其特征在于：所述分类识别的方法为使用BP算法，分别由正向传播和误差信号的反向传播两个过程构成，所述正向传播设BP网络的输入层有n个节点，隐层有q个节点，输出层有m个节点，输入层与隐层之间的权值为vki，隐层与输出层之闻的权值为wjk，隐层的传递函数为f1，输出层的传递函数为f2，则隐层节点的输出为:
Figure FDA0002394642650000034
输出层节点的输出为：
Figure FDA0002394642650000035
完成了理维空间向量对m维空间的近似映射。
9.根据权利要求8所述的一种骨髓细胞形态学人工智能模拟教学系统的方法，其特征在于：对重叠细胞进行分离的方法，包括以下步骤，D1、提取重写细胞中的各个区域，对每个重叠区域计算核心坐标，得到核心数；
D2、提取重叠区域中的凹区域，计算出凹区域的个数；
D3、根据凹区域个数，判断重叠细胞属于串联或者并联；
D4、若为串联，从凹区域中寻找凹点，做凹点件的连线，分理出重叠区域；若为并联，从凹区域中寻找凹点，做凹点和中心线的连线，分离重叠区域。
CN202010126811.1A 2020-02-28 2020-02-28 一种骨髓细胞形态学人工智能模拟教学系统及其方法 Active CN111429761B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010126811.1A CN111429761B (zh) 2020-02-28 2020-02-28 一种骨髓细胞形态学人工智能模拟教学系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010126811.1A CN111429761B (zh) 2020-02-28 2020-02-28 一种骨髓细胞形态学人工智能模拟教学系统及其方法

Publications (2)

Publication Number Publication Date
CN111429761A true CN111429761A (zh) 2020-07-17
CN111429761B CN111429761B (zh) 2022-10-21

Family

ID=71547831

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010126811.1A Active CN111429761B (zh) 2020-02-28 2020-02-28 一种骨髓细胞形态学人工智能模拟教学系统及其方法

Country Status (1)

Country Link
CN (1) CN111429761B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113012494A (zh) * 2021-02-26 2021-06-22 重庆三峡医药高等专科学校 一种细胞地图系统
CN113240952A (zh) * 2021-04-14 2021-08-10 佛山科学技术学院 一种基于虚拟实验的原核细胞观察系统
CN116703917A (zh) * 2023-08-07 2023-09-05 广州盛安医学检验有限公司 一种女性生殖道细胞病理智能分析系统

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001033573A1 (en) * 1999-11-03 2001-05-10 Amersham Biosciences Ab Method of analysing cell samples, by creating and analysing a resultant image
US20030231791A1 (en) * 2002-06-12 2003-12-18 Torre-Bueno Jose De La Automated system for combining bright field and fluorescent microscopy
CN1620102A (zh) * 2003-11-17 2005-05-25 北京中视联数字系统有限公司 一种静态图像抗闪烁处理方法
CN101493886A (zh) * 2009-02-24 2009-07-29 武汉兰丁医学高科技有限公司 特征参数不完整情况下的细胞核分类与识别方法
CN101639941A (zh) * 2009-01-13 2010-02-03 中国人民解放军军事医学科学院放射与辐射医学研究所 Cb法微核图像中双核淋巴细胞的准确快速提取方法
CN102075356A (zh) * 2010-12-31 2011-05-25 深圳市永达电子股份有限公司 一种网络风险评估方法与系统
US20110188728A1 (en) * 2009-12-17 2011-08-04 The Charles Stark Draper Laboratory, Inc. Methods of generating trophectoderm and neurectoderm from human embryonic stem cells
CN102212460A (zh) * 2011-04-27 2011-10-12 中国人民解放军第三军医大学第二附属医院 干细胞筛选系统、其制备方法及干细胞的筛选方法
CN102565316A (zh) * 2010-12-08 2012-07-11 浙江海洋学院 外周血单个核细胞的核纹理分析方法
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
CN105938563A (zh) * 2016-04-14 2016-09-14 北京工业大学 一种基于图像纹理的焊缝表面缺陷识别方法
CN107274386A (zh) * 2017-05-18 2017-10-20 深思考人工智能机器人科技（北京）有限公司 一种宫颈细胞液基涂片人工智能辅助阅片系统
CN107609503A (zh) * 2017-09-05 2018-01-19 刘宇红 智能癌变细胞识别系统及方法、云平台、服务器、计算机
CN108531450A (zh) * 2018-04-02 2018-09-14 中国人民解放军陆军军医大学第二附属医院 一种提取骨髓间充质干细胞的方法及应用
CN108961208A (zh) * 2018-05-21 2018-12-07 江苏康尚生物医疗科技有限公司 一种聚集白细胞分割计数系统及方法
CN109087318A (zh) * 2018-07-26 2018-12-25 东北大学 一种基于优化U-net网络模型的MRI脑肿瘤图像分割方法
CN109448061A (zh) * 2018-10-09 2019-03-08 西北工业大学 一种无需摄像机标定的水下双目视觉定位方法
CN109903282A (zh) * 2019-02-28 2019-06-18 安徽省农业科学院畜牧兽医研究所 一种细胞计数方法、系统、装置和存储介质
CN110132844A (zh) * 2019-05-13 2019-08-16 贵州大学 一种细胞图像数据采集系统及方法、信息数据处理终端
CN110503648A (zh) * 2019-08-30 2019-11-26 中国人民解放军陆军军医大学第二附属医院 一种细胞图像调整方法及装置
CN110544262A (zh) * 2019-08-07 2019-12-06 上海师范大学 一种基于机器视觉的子宫颈细胞图像分割方法

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001033573A1 (en) * 1999-11-03 2001-05-10 Amersham Biosciences Ab Method of analysing cell samples, by creating and analysing a resultant image
US20030231791A1 (en) * 2002-06-12 2003-12-18 Torre-Bueno Jose De La Automated system for combining bright field and fluorescent microscopy
CN1620102A (zh) * 2003-11-17 2005-05-25 北京中视联数字系统有限公司 一种静态图像抗闪烁处理方法
CN101639941A (zh) * 2009-01-13 2010-02-03 中国人民解放军军事医学科学院放射与辐射医学研究所 Cb法微核图像中双核淋巴细胞的准确快速提取方法
CN101493886A (zh) * 2009-02-24 2009-07-29 武汉兰丁医学高科技有限公司 特征参数不完整情况下的细胞核分类与识别方法
US20110188728A1 (en) * 2009-12-17 2011-08-04 The Charles Stark Draper Laboratory, Inc. Methods of generating trophectoderm and neurectoderm from human embryonic stem cells
CN102565316A (zh) * 2010-12-08 2012-07-11 浙江海洋学院 外周血单个核细胞的核纹理分析方法
CN102075356A (zh) * 2010-12-31 2011-05-25 深圳市永达电子股份有限公司 一种网络风险评估方法与系统
CN102212460A (zh) * 2011-04-27 2011-10-12 中国人民解放军第三军医大学第二附属医院 干细胞筛选系统、其制备方法及干细胞的筛选方法
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
CN105938563A (zh) * 2016-04-14 2016-09-14 北京工业大学 一种基于图像纹理的焊缝表面缺陷识别方法
CN107274386A (zh) * 2017-05-18 2017-10-20 深思考人工智能机器人科技（北京）有限公司 一种宫颈细胞液基涂片人工智能辅助阅片系统
CN107609503A (zh) * 2017-09-05 2018-01-19 刘宇红 智能癌变细胞识别系统及方法、云平台、服务器、计算机
CN108531450A (zh) * 2018-04-02 2018-09-14 中国人民解放军陆军军医大学第二附属医院 一种提取骨髓间充质干细胞的方法及应用
CN108961208A (zh) * 2018-05-21 2018-12-07 江苏康尚生物医疗科技有限公司 一种聚集白细胞分割计数系统及方法
CN109087318A (zh) * 2018-07-26 2018-12-25 东北大学 一种基于优化U-net网络模型的MRI脑肿瘤图像分割方法
CN109448061A (zh) * 2018-10-09 2019-03-08 西北工业大学 一种无需摄像机标定的水下双目视觉定位方法
CN109903282A (zh) * 2019-02-28 2019-06-18 安徽省农业科学院畜牧兽医研究所 一种细胞计数方法、系统、装置和存储介质
CN110132844A (zh) * 2019-05-13 2019-08-16 贵州大学 一种细胞图像数据采集系统及方法、信息数据处理终端
CN110544262A (zh) * 2019-08-07 2019-12-06 上海师范大学 一种基于机器视觉的子宫颈细胞图像分割方法
CN110503648A (zh) * 2019-08-30 2019-11-26 中国人民解放军陆军军医大学第二附属医院 一种细胞图像调整方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
COLBY SUIRE等: "Isolation of the stromal-vascular fraction of mouse bone marrow markedly enhances the yield of clonogenic stromal progenitors", 《BLOOD》 *
邢更彦: "《骨肌疾病体外冲击波疗法》", 31 December 2015 *
陈林伟: ""基于极限学习机的骨髓细胞识别技术研究"", 《中国优秀硕士学位论文全文数据库信息科技集》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113012494A (zh) * 2021-02-26 2021-06-22 重庆三峡医药高等专科学校 一种细胞地图系统
CN113240952A (zh) * 2021-04-14 2021-08-10 佛山科学技术学院 一种基于虚拟实验的原核细胞观察系统
CN116703917A (zh) * 2023-08-07 2023-09-05 广州盛安医学检验有限公司 一种女性生殖道细胞病理智能分析系统
CN116703917B (zh) * 2023-08-07 2024-01-26 广州盛安医学检验有限公司 一种女性生殖道细胞病理智能分析系统

Also Published As

Publication number Publication date
CN111429761B (zh) 2022-10-21

Similar Documents

Publication Publication Date Title
CN111429761B (zh) 一种骨髓细胞形态学人工智能模拟教学系统及其方法
CN107563381B (zh) 基于全卷积网络的多特征融合的目标检测方法
CN109033998B (zh) 基于注意力机制卷积神经网络的遥感影像地物标注方法
CN110647875B (zh) 一种血细胞分割、识别模型构造的方法及血细胞识别方法
CN111915148B (zh) 一种基于信息技术的课堂教学评价方法和系统
CN107688856B (zh) 基于深度强化学习的室内机器人场景主动识别方法
CN111860375A (zh) 一种植保无人机地面监控系统及其监控方法
CN107408211A (zh) 用于物体的再识别的方法
CN107067043A (zh) 一种农作物病虫害检测方法
CN112561863B (zh) 一种基于改进ResNet的医学图像多分类识别系统
CN113128335B (zh) 微体古生物化石图像检测、分类及发现方法、系统及应用
CN106340016A (zh) 一种基于细胞显微镜图像的dna定量分析方法
CN111414954B (zh) 一种岩石图像检索方法及其系统
CN112232328A (zh) 基于卷积神经网络的遥感影像建筑区提取方法、装置
CN107392251B (zh) 一种使用分类图片提升目标检测网络性能的方法
CN111079620A (zh) 基于迁移学习的白细胞图像检测识别模型构建方法及应用
CN111709477A (zh) 一种基于改进MobileNet网络进行垃圾分类的方法及工具
CN114140665A (zh) 一种基于改进YOLOv5的密集小目标检测方法
CN114170511A (zh) 基于Cascade RCNN的路面裂缝病害识别方法
CN110889335B (zh) 基于多通道时空融合网络人体骨架双人交互行为识别方法
CN115410087A (zh) 一种基于改进YOLOv4的输电线路异物检测方法
CN113378831B (zh) 一种小鼠胚胎器官识别与评分方法与系统
CN114627553A (zh) 一种基于卷积神经网络的教室场景学生行为检测的方法
CN113077438B (zh) 针对多细胞核彩色图像的细胞核区域提取方法及成像方法
CN114120359A (zh) 一种基于堆叠沙漏网络的群养猪体尺测量方法

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
GR01 Patent grant
GR01 Patent grant