CN111667472A - 骨髓细胞形态学人工智能分析方法 - Google Patents
骨髓细胞形态学人工智能分析方法 Download PDFInfo
- Publication number
- CN111667472A CN111667472A CN202010510879.XA CN202010510879A CN111667472A CN 111667472 A CN111667472 A CN 111667472A CN 202010510879 A CN202010510879 A CN 202010510879A CN 111667472 A CN111667472 A CN 111667472A
- Authority
- CN
- China
- Prior art keywords
- bone marrow
- cells
- marrow cells
- neural network
- convolutional neural
- 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
- 210000002798 bone marrow cell Anatomy 0.000 title claims abstract description 50
- 238000004458 analytical method Methods 0.000 title claims abstract description 14
- 210000001185 bone marrow Anatomy 0.000 claims abstract description 17
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 11
- 230000000877 morphologic effect Effects 0.000 claims abstract description 11
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 8
- 210000004027 cell Anatomy 0.000 claims description 11
- 210000003958 hematopoietic stem cell Anatomy 0.000 claims description 4
- 210000004967 non-hematopoietic stem cell Anatomy 0.000 claims description 4
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000004321 preservation Methods 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 208000014951 hematologic disease Diseases 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 210000004976 peripheral blood cell Anatomy 0.000 description 1
- 238000006467 substitution reaction 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明提供了一种骨髓细胞形态学人工智能分析方法,该方法包括以下步骤:(1)建立模型:利用计算机,构建卷积神经网络模型,以骨髓细胞不同阶段的形态图像作为训练数据集,对卷积神经网络模型进行训练;(2)采集待分析的骨髓细胞图像:利用显微镜,提取骨髓片的图像,并将骨髓片的图像传输给计算机;(3)骨髓细胞形态学分析:将骨髓片的图像输入到步骤(1)训练后的卷积神经网络模型中,并输出结果。该方法通过AI实现骨髓细胞的数字化,便于提取、识别和保存,使骨髓细胞的判断更加客观和更加精准。
Description
技术领域
本发明涉及利用计算机分析骨髓细胞的方法,具体涉及骨髓细胞形态学人工智能(AI)分析方法。
背景技术
在血液学疾病检测中,骨髓细胞和外周血细胞形态学检测及病理学诊断是其重要的组成部分。目前细胞形态学及病理学诊断,被医学界公认为疾病诊断的重要依据。然而,从医疗现状来看,现有医疗机构细胞形态学的病理学检测依赖于专家医生的主观意识,检测和诊断效率低,成本高。基层医生对骨髓细胞的识别存在较大差异,病人需要转诊或提供骨髓片会诊等方式提高骨髓细胞的判断。
发明内容
本发明的目的是提供一种骨髓细胞形态学人工智能分析方法,用于快速对骨髓细胞进行分类、计数。
本发明提供的一种骨髓细胞形态学人工智能分析方法,包括以下步骤:
(1)建立模型:利用计算机,构建卷积神经网络模型,以骨髓细胞不同阶段的形态图像作为训练数据集,对卷积神经网络模型进行训练;
(2)采集待分析的骨髓细胞图像:利用显微镜,提取骨髓片的图像,并将骨髓片的图像传输给计算机;
(3)骨髓细胞形态学分析:将骨髓片的图像输入到步骤(1)训练后的卷积神经网络模型中,并输出结果。
进一步地,在步骤(1)中,构建卷积神经网络模型的特征包括骨髓细胞的类型、骨髓细胞的阶段。
进一步地,所述骨髓细胞的类型包括造血细胞和非造血细胞。
进一步地,在步骤(2)中,从骨髓片的头部以城墙式的方式向尾部推进,一一提取骨髓片的图像。
进一步地,在步骤(3)中,输出的结果包括骨髓细胞的分类(有哪些骨髓细胞)、数量(每种细胞各有多少个)和百分比(在总的骨髓细胞个数中每种细胞所占的比例)。
本发明的有益效果:通过AI实现骨髓细胞的数字化,便于提取、识别和保存,使骨髓细胞的判断更加客观和更加精准。
附图说明
图1是本发明实施例采用的计算机的示意图。
图2是本发明实施例采用的显微镜的示意图。
图3是本发明实施例采集的骨髓细胞图像。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。
在实施本发明的骨髓细胞形态学人工智能分析方法时,可以采用一台带摄像头的显微镜、一台能连接显微镜的计算机和一套AI的骨髓有核细胞分析系统。
根据本发明的方法,执行以下操作过程:
(1)先在计算机中输入大量的骨髓细胞不同阶段的形态。骨髓细胞包括造血细胞和非造血细胞,其中造血细胞又细分六大系,每系的细胞又至少可分3个阶段;而非造血细胞众多,典型的有30种左右。这些细胞至少每个要有100个典型特点的图片,从而建立庞大的骨髓细胞库。根据骨髓细胞的这些特征,建立模型,以骨髓细胞不同阶段的形态图像作为训练数据集,对模型进行训练。骨髓细胞不同阶段的形态图像的数量越多、内容越丰富,得到的预测模型就越精确。
(2)将患者骨髓片置于显微镜上,系统开始提取骨髓片上的数字切片(从骨髓片的片头以城墙式的方式向尾部推进,一一提取画面),并保存。骨髓片的数字切片图像,就是待分析的骨髓细胞图像。
(3)利用系统内的骨髓细胞库,通过对患者数字切片中的骨髓细胞进行一一识别和比对;最终得出患者骨髓细胞的分类(有哪些骨髓细胞)及数量(每种细胞各有多少个)和百分比(在总的骨髓细胞个数中每种细胞所占的比例),从而根据结果帮助临床医生对患者疾病的诊断。
在一个具体实施例中,由1000份骨髓细胞不同阶段的形态图像组成训练数据集,对模型进行训练;然后输入100份骨髓片的数字切片图像进行分析,结果显示,模型能够准确地区分出骨髓细胞的类别、数量和百分比。
综上所述,本发明的人工智能辅助诊断骨髓细胞形态分析系统将提升形态学和病理学的准确率与效率,有助于提高患者的确诊率。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (5)
1.一种骨髓细胞形态学人工智能分析方法,包括以下步骤:
(1)建立模型:利用计算机,构建卷积神经网络模型,以骨髓细胞不同阶段的形态图像作为训练数据集,对卷积神经网络模型进行训练;
(2)采集待分析的骨髓细胞图像:利用显微镜,提取骨髓片的图像,并将骨髓片的图像传输给计算机;
(3)骨髓细胞形态学分析:将骨髓片的图像输入到步骤(1)训练后的卷积神经网络模型中,并输出结果。
2.根据权利要求1所述的方法,其特征在于:在步骤(1)中,构建卷积神经网络模型的特征包括骨髓细胞的类型、骨髓细胞的阶段。
3.根据权利要求2所述的方法,其特征在于:所述骨髓细胞的类型包括造血细胞和非造血细胞。
4.根据权利要求1所述的方法,其特征在于:在步骤(2)中,从骨髓片的头部以城墙式的方式向尾部推进,一一提取骨髓片的图像。
5.根据权利要求1所述的方法,其特征在于:在步骤(3)中,输出的结果包括骨髓细胞的分类、数量和百分比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010510879.XA CN111667472A (zh) | 2020-06-08 | 2020-06-08 | 骨髓细胞形态学人工智能分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010510879.XA CN111667472A (zh) | 2020-06-08 | 2020-06-08 | 骨髓细胞形态学人工智能分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111667472A true CN111667472A (zh) | 2020-09-15 |
Family
ID=72386960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010510879.XA Pending CN111667472A (zh) | 2020-06-08 | 2020-06-08 | 骨髓细胞形态学人工智能分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111667472A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112432948A (zh) * | 2020-12-03 | 2021-03-02 | 中国人民解放军陆军军医大学第二附属医院 | 一种外周血细胞形态学自动检测方法 |
CN113408480A (zh) * | 2021-07-13 | 2021-09-17 | 上海交通大学医学院附属瑞金医院 | 基于骨髓细胞形态学的血液疾病人工智能辅助诊断系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108376400A (zh) * | 2018-02-12 | 2018-08-07 | 华南理工大学 | 一种骨髓细胞自动分类方法 |
CN109360198A (zh) * | 2018-10-08 | 2019-02-19 | 北京羽医甘蓝信息技术有限公司 | 基于深度学习的骨髓细胞分类方法及分类装置 |
CN109598224A (zh) * | 2018-11-27 | 2019-04-09 | 微医云(杭州)控股有限公司 | 基于区域推荐卷积神经网络的骨髓切片中白细胞检测方法 |
CN109633143A (zh) * | 2018-12-28 | 2019-04-16 | 广东省心血管病研究所 | 一种测定造血干细胞移植后患者骨髓微循环环境检测的系统和方法 |
CN109754398A (zh) * | 2019-01-14 | 2019-05-14 | 武汉兰丁医学高科技有限公司 | 一种基于计算机的骨髓白细胞自动标记方法及系统 |
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 |
CN110974220A (zh) * | 2019-12-24 | 2020-04-10 | 中国人民解放军陆军军医大学第二附属医院 | 一种脑电波骨髓细胞分类计数系统及方法 |
-
2020
- 2020-06-08 CN CN202010510879.XA patent/CN111667472A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108376400A (zh) * | 2018-02-12 | 2018-08-07 | 华南理工大学 | 一种骨髓细胞自动分类方法 |
CN109360198A (zh) * | 2018-10-08 | 2019-02-19 | 北京羽医甘蓝信息技术有限公司 | 基于深度学习的骨髓细胞分类方法及分类装置 |
CN109598224A (zh) * | 2018-11-27 | 2019-04-09 | 微医云(杭州)控股有限公司 | 基于区域推荐卷积神经网络的骨髓切片中白细胞检测方法 |
CN109633143A (zh) * | 2018-12-28 | 2019-04-16 | 广东省心血管病研究所 | 一种测定造血干细胞移植后患者骨髓微循环环境检测的系统和方法 |
CN109754398A (zh) * | 2019-01-14 | 2019-05-14 | 武汉兰丁医学高科技有限公司 | 一种基于计算机的骨髓白细胞自动标记方法及系统 |
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 |
CN110974220A (zh) * | 2019-12-24 | 2020-04-10 | 中国人民解放军陆军军医大学第二附属医院 | 一种脑电波骨髓细胞分类计数系统及方法 |
Non-Patent Citations (2)
Title |
---|
邓进进;: "血涂片分析在血常规检验中的重要性分析", 临床合理用药杂志, no. 35, 20 December 2018 (2018-12-20) * |
高丽娟;: "血涂片分析在血常规检验中的重要性", 哈尔滨医药, no. 03, 25 June 2013 (2013-06-25), pages 1 - 3 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112432948A (zh) * | 2020-12-03 | 2021-03-02 | 中国人民解放军陆军军医大学第二附属医院 | 一种外周血细胞形态学自动检测方法 |
CN113408480A (zh) * | 2021-07-13 | 2021-09-17 | 上海交通大学医学院附属瑞金医院 | 基于骨髓细胞形态学的血液疾病人工智能辅助诊断系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106780475B (zh) | 一种基于病理组织切片图像组织区域的图像处理装置 | |
CN106056595B (zh) | 基于深度卷积神经网络自动识别甲状腺结节良恶性的辅助诊断系统 | |
CN111951246B (zh) | 一种基于深度学习的多方位x光胸片肺炎诊断方法 | |
CN107330263A (zh) | 一种计算机辅助乳腺浸润性导管癌组织学分级的方法 | |
CN110911009A (zh) | 一种临床诊断辅助决策系统和医学知识图谱积累方法 | |
CN111798425B (zh) | 基于深度学习的胃肠道间质瘤中核分裂象智能检测方法 | |
CN113011485A (zh) | 多模态多病种长尾分布眼科疾病分类模型训练方法和装置 | |
CN108511056A (zh) | 基于脑卒中患者相似性分析的治疗方案推荐方法及系统 | |
CN111476754B (zh) | 一种骨髓细胞影像人工智能辅助分级诊断系统及方法 | |
CN109009102B (zh) | 一种基于脑电图深度学习的辅助诊断方法及系统 | |
Alreza et al. | Design a new algorithm to count white blood cells for classification leukemic blood image using machine vision system | |
CN109003269A (zh) | 一种能提高医生效率的医学影像病灶的标注提取方法 | |
CN111160135A (zh) | 基于改进的Faster R-cnn的尿红细胞病变识别与统计方法和系统 | |
CN106548038A (zh) | 一种基于知识的医疗影像采集分析系统 | |
CN111667472A (zh) | 骨髓细胞形态学人工智能分析方法 | |
CN112365471B (zh) | 基于深度学习的宫颈癌细胞智能检测方法 | |
CN108596174A (zh) | 一种皮肤病影像的病灶定位方法 | |
CN115359483A (zh) | 一种针对宫颈液基细胞分类的训练方法 | |
CN112579808A (zh) | 数据标注处理方法及装置、系统 | |
Pellegrino et al. | Automated RBC morphology counting and grading using image processing and support vector machine | |
CN115082448A (zh) | 肠道清洁度评分方法、装置和计算机设备 | |
CN110782441A (zh) | 一种基于深度学习的dr影像肺结核智能分割与检测方法 | |
CN109036506A (zh) | 互联网医疗问诊的监管方法、电子装置及可读存储介质 | |
CN109192312A (zh) | 一种心力衰竭患者不良事件智能管理系统及方法 | |
CN109635646A (zh) | 一种头部图像处理方法、系统、设备、存储介质 |
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 |