CN111815607B - 一种面向造血系统的骨髓细胞数据集构建方法及系统 - Google Patents
一种面向造血系统的骨髓细胞数据集构建方法及系统 Download PDFInfo
- Publication number
- CN111815607B CN111815607B CN202010663503.2A CN202010663503A CN111815607B CN 111815607 B CN111815607 B CN 111815607B CN 202010663503 A CN202010663503 A CN 202010663503A CN 111815607 B CN111815607 B CN 111815607B
- Authority
- CN
- China
- Prior art keywords
- bone marrow
- cell
- cells
- data set
- marrow cells
- 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
- 210000002798 bone marrow cell Anatomy 0.000 title claims abstract description 143
- 238000010276 construction Methods 0.000 title claims abstract description 18
- 230000003394 haemopoietic effect Effects 0.000 title claims abstract description 14
- 210000004027 cell Anatomy 0.000 claims abstract description 66
- 210000001185 bone marrow Anatomy 0.000 claims abstract description 49
- 238000001514 detection method Methods 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 28
- 230000002452 interceptive effect Effects 0.000 claims abstract description 16
- 238000012937 correction Methods 0.000 claims abstract description 14
- 210000000805 cytoplasm Anatomy 0.000 claims description 9
- 230000001086 cytosolic effect Effects 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 230000014759 maintenance of location Effects 0.000 claims description 5
- 210000004180 plasmocyte Anatomy 0.000 claims description 5
- 210000003743 erythrocyte Anatomy 0.000 claims description 4
- 230000005859 cell recognition Effects 0.000 claims description 3
- 210000004698 lymphocyte Anatomy 0.000 claims description 3
- 210000001616 monocyte Anatomy 0.000 claims description 3
- 210000000440 neutrophil Anatomy 0.000 claims description 3
- 230000007170 pathology Effects 0.000 claims description 3
- 210000004940 nucleus Anatomy 0.000 claims 8
- 210000003855 cell nucleus Anatomy 0.000 claims 2
- 210000001167 myeloblast Anatomy 0.000 claims 2
- 230000000717 retained effect Effects 0.000 claims 2
- 230000001413 cellular effect Effects 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 description 7
- 210000000777 hematopoietic system Anatomy 0.000 description 7
- 201000011510 cancer Diseases 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 208000034578 Multiple myelomas Diseases 0.000 description 2
- 201000003793 Myelodysplastic syndrome Diseases 0.000 description 2
- 206010035226 Plasma cell myeloma Diseases 0.000 description 2
- 210000003887 myelocyte Anatomy 0.000 description 2
- 206010000830 Acute leukaemia Diseases 0.000 description 1
- 208000033776 Myeloid Acute Leukemia Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 208000032839 leukemia Diseases 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000003593 megakaryocyte Anatomy 0.000 description 1
- 238000001000 micrograph Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000000066 myeloid cell Anatomy 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G06T2207/30012—Spine; Backbone
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Probability & Statistics with Applications (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种面向造血系统的骨髓细胞数据集构建方法及系统，包括：根据骨髓显微图像中骨髓细胞的类型和位置构建骨髓细胞基本数据集；根据经骨髓细胞基本数据集训练后的骨髓细胞检测模型对待测骨髓显微图像进行细胞检测，得到待确认的骨髓细胞；对待确认的骨髓细胞进行交互纠错，根据得到的已确认的骨髓细胞的类型和位置，将已确认的骨髓细胞和所属骨髓显微图像添加至骨髓细胞基本数据集中，对骨髓细胞基本数据集进行更新。实现对骨髓细胞基本数据集的持续完善，解决医学图像数据集缺乏问题、提高数据集质量。
Description
技术领域
本发明涉及医学图像处理技术领域，特别是涉及一种面向造血系统的骨髓细胞数据集构建方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
本发明的发明人发现，基于深度学习的造血系统恶性肿瘤辅助诊断方法的研究中存在诸多问题：在对医疗图像数据集的构建中，手动标注图像数据集需要专业的医学知识和大量时间，难以获取大规模医疗图像数据集；不同机构的设备所采集的图像在分辨率、图像噪声和组织外观等方面存在差异，无法对数据集做统一标准的处理，无法得到格式标准且错误率较小的医疗图像数据集；以及显微骨髓图像中存在大量噪声，如破损、不完整的细胞等，难以在医学图像数据集中进行标注。
发明内容
为了解决上述问题，本发明提出了一种面向造血系统的骨髓细胞数据集构建方法及系统，根据骨髓细胞的类型和位置构建骨髓细胞基本数据集，并训练骨髓细胞检测模型，通过采用交互纠错方法不断更新骨髓细胞基本数据集，并以更新后的骨髓细胞基本数据集再次训练骨髓细胞检测模型，实现骨髓显微图像中个体细胞的自动检测，实现对骨髓细胞基本数据集的持续完善，解决医学图像数据集缺乏问题、提高数据集质量。
为了实现上述目的，本发明采用如下技术方案：
第一方面，本发明提供一种面向造血系统的骨髓细胞数据集构建方法，包括：
根据骨髓显微图像中骨髓细胞的类型和位置构建骨髓细胞基本数据集；
根据经骨髓细胞基本数据集训练后的骨髓细胞检测模型对待测骨髓显微图像进行细胞检测，得到待确认的骨髓细胞；
对待确认的骨髓细胞进行交互纠错，根据得到的已确认的骨髓细胞的类型和位置，将已确认的骨髓细胞和所属骨髓显微图像添加至骨髓细胞基本数据集中，对骨髓细胞基本数据集进行更新。
第二方面，本发明提供一种面向造血系统的骨髓细胞数据集构建系统，包括：
基本数据集构建模块，用于根据骨髓显微图像中骨髓细胞的类型和位置构建骨髓细胞基本数据集；
检测模块，用于根据经骨髓细胞基本数据集训练后的骨髓细胞检测模型对待测骨髓显微图像进行细胞检测，得到待确认的骨髓细胞；
纠错模块，用于对待确认的骨髓细胞进行交互纠错，根据得到的已确认的骨髓细胞的类型和位置，将已确认的骨髓细胞和所属骨髓显微图像添加至骨髓细胞基本数据集中，对骨髓细胞基本数据集进行更新。
第三方面，本发明提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述的方法。
第四方面，本发明提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。
与现有技术相比，本发明的有益效果为：
本发明采用标记8类细胞的骨髓图像基本数据集，利用基本数据集训练细胞检测模型，对新输入的骨髓显微图像，利用训练好的检测模型检测个体细胞，采用交互式的方法纠错，不断更新、完善数据集。解决医学图像数据集缺乏、医疗图像标记困难的问题。获得准确的医学标注数据集，减少人工标注的成本的同时保证了数据集的质量，便于数据集持续完善。
本发明所述的显微图像数据集构建方法除了面向造血系统恶性肿瘤辅助诊断，也适用于医学影像其他领域和技术性要求较高的工业领域的数据集的构建及持续完善，用于解决缺乏医学数据集问题、提高数据集质量。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例1提供的面向造血系统的骨髓细胞数据集构建方法流程图；
图2为本发明实施例1提供的骨髓细胞标记方法流程图；
图3为本发明实施例1提供的骨髓显微图像标注样本示意图；
图4为本发明实施例1提供的检测结果及交互纠错示意图。
具体实施方式：
下面结合附图与实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
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。
实施例1
如图1所示，本实施例提供一种面向造血系统的骨髓细胞数据集构建方法，包括：
S1：根据骨髓显微图像中骨髓细胞的类型和位置构建骨髓细胞基本数据集；
S2：根据经骨髓细胞基本数据集训练后的骨髓细胞检测模型对待测骨髓显微图像进行细胞检测，得到待确认的骨髓细胞；
S3：对待确认的骨髓细胞进行交互纠错，根据得到的已确认的骨髓细胞的类型和位置，将已确认的骨髓细胞和所属骨髓显微图像添加至骨髓细胞基本数据集中，对骨髓细胞基本数据集进行更新。
所述步骤S1中，依据造血系统恶性肿瘤病理原理及诊断需求，将骨髓显微图像中的骨髓细胞分成8类，使用labelImg工具手工标记，根据利用细胞病理、形态、颜色、纹理特征构建骨髓细胞基本数据集；
优选地，8类骨髓细胞包括原始细胞、中性粒细胞、红细胞、淋巴细胞、中幼粒细胞、单核细胞、晚幼粒细胞和浆细胞；
所述步骤S1包括以下步骤：
S11：根据细胞病理、形态、颜色、纹理特征，识别骨髓显微图像中具备准确属性的各类细胞，定义类别标签；
S12：采用boundingbox标记出完整的骨髓细胞，标记区域包括细胞核和细胞质区域，生成.xml文件，构建骨髓细胞基本数据集。
所述步骤S11中，在骨髓显微图像中，原始细胞、中性粒细胞、红细胞、淋巴细胞、中幼粒细胞、单核细胞、晚幼粒细胞和浆细胞具备形态、颜色、纹理等特征的视觉可区分性，选择标记的个体细胞满足的个体细胞选择规则为：
具有准确的形态、颜色和纹理属性特征，且信息完整的独立个体细胞，保存类别标签；
对重叠、黏连区域的细胞，保存属性信息完整准确的部分个体细胞的标签；
对破损、不完整的个体细胞，依据其属性信息残留程度保存个体细胞标签；
所述信息残留程度定义如下：
其中，Areanucleus表示细胞核的残留度，Areacytoplasm表示细胞质的残留度，Ci表示个体细胞的残留度，残留度为区间[0,1]中实数值，依据残留面积评估，当Ci＝1时，保存类别标签。
如图2所示，在所述步骤S11中，对骨髓显微图像的标记过程包括：
S11-1：读取待处理的骨髓显微图像，判断图像中是否存在待标记个体细胞；
S11-2：若是，读取图像中待标记的个体细胞信息，并判断个体细胞信息残留度Ci是否为1，若是定义细胞标签、标记该细胞；否则不做标记；
S11-3：若不存在待标记个体细胞，则重新读取骨髓显微图像；骨髓显微图像标注样本示意图如图3所示。
所述步骤S2中，训练过程包括：
步骤S21：将骨髓细胞基本数据集划分为标记的训练数据集和测试数据集，用于训练卷积神经网络构建得到骨髓细胞检测模型。
步骤S22：提取.xml文件中标注的类别信息和box位置信息，利用kmeans聚类对训练数据集的box进行聚类，生成nchor box，以实现准确的捕捉完整的个体细胞信息；
步骤S23：利用现有网络配置参数，采用迁移学习的方法，对骨髓细胞检测模型进行训练。
所述步骤S21中，采集的骨髓显微图像中，各类细胞比例数差异较大，为了保持类间均衡，选择足够数量的、具备代表性的骨髓显微图像构建训练集；为了验证数据集的有效性，测试集中选择具备代表性的骨髓显微图像，且包含满足数量要求的8类细胞。
所述步骤S3中，利用训练的骨髓细胞检测模型检测新输入的骨髓显微图像，对检测到的个体细胞，采用交互式的方法纠错，更新完善骨髓细胞数据集，如图4所示，包括：
步骤S31：利用训练好的模型检测新输入的骨髓显微图像，输出检测到的个体细胞，设置输出的预测box的边界框和字体，保存box的类别信息、置信度信息和位置信息；
步骤S32：对检测到的个体细胞，保存为待确认细胞；
步骤S33：采用交互方式对待确认细胞纠错；
步骤S34：将已确认个体细胞的box类别信息、位置信息及其所属图像合并加入基本数据集，转换生成.XML文件；继续步骤S31，直到新输入骨髓显微图像检测结束；
步骤S35：利用更新的骨髓显微图像数据集重新训练检测模型，用于提高检测到的个体细胞信息的准确性。
所述步骤S33中，判断个体细胞识别准确性的规则如下：
其中，cli表示类别判定值，cli＝1表示类别标签正确，cli＝0表示类别标签有待纠正；Pcelli表示个体细胞识别准确性，Pcelli＝1表示可确认的个体细胞，Pcelli＝0表示丢弃该类个体细胞，Pcelli＝-1表示有待纠错的个体细胞，经过交互方式纠错的个体细胞保存为已确认个体细胞Celli。
所述步骤S34包括以下步骤：
步骤S34-1：读取已确认的个体细胞Celli的类型标签、位置信息；
步骤S34-2：读取.xml文件的路径信息；
步骤S34-3：检索Celli所属图像，读取图像属性信息；
步骤S34-4：添加Celli信息至.xml文件中，继续步骤S34-1，直至已确认的个体细胞信息完全合并入数据集。
本实施例是一种面向造血系统恶性肿瘤检测的骨髓显微图像数据集构建方法，利用该方法能够建立并不断完善用于骨髓细胞检测的数据集，解决医学图像数据集缺乏、医疗图像标记困难的问题；利用构建的骨髓细胞数据集可作为中间数据集，辅助分析造血系统恶性肿瘤；
如在一些实施例中，依据细胞病理、形态、颜色、纹理特征，将骨髓显微图像中的细胞分成8类，通过计算原始细胞的百分占比，有助于急性白血病、骨髓异性增生、多发性骨髓瘤等造血系统恶性肿瘤的辅助诊断；
在一些实施例中，通过比较原始细胞的形态特征，有助于白血病和髓系急性白血病的辅助诊断及其细分的确认；
在一些实施例中，通过寻找红细胞、巨核细胞和髓细胞的发育异常特征，有助于骨髓异性增生的辅助诊断；
在一些实施例中，通过计算浆细胞百分率和识别异常浆细胞，有助于浆细胞性骨髓瘤的辅助诊断。
实施例2
本实施例提供一种面向造血系统的骨髓细胞数据集构建系统，包括：
基本数据集构建模块，用于根据骨髓显微图像中骨髓细胞的类型和位置构建骨髓细胞基本数据集；
检测模块，用于根据经骨髓细胞基本数据集训练后的骨髓细胞检测模型对待测骨髓显微图像进行细胞检测，得到待确认的骨髓细胞；
纠错模块，用于对待确认的骨髓细胞进行交互纠错，根据得到的已确认的骨髓细胞的类型和位置，将已确认的骨髓细胞和所属骨髓显微图像添加至骨髓细胞基本数据集中，对骨髓细胞基本数据集进行更新。
此处需要说明的是，上述模块对应于实施例1中的步骤S1至S3，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
在更多实施例中，还提供：
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1中所述的方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1中所述的方法。
实施例1中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (9)
1.一种面向造血系统的骨髓细胞数据集构建方法，其特征在于，包括：
根据骨髓显微图像中骨髓细胞的类型和位置构建骨髓细胞基本数据集；
根据经骨髓细胞基本数据集训练后的骨髓细胞检测模型对待测骨髓显微图像进行细胞检测，得到待确认的骨髓细胞；
对待确认的骨髓细胞进行交互纠错，根据得到的已确认的骨髓细胞的类型和位置，将已确认的骨髓细胞和所属骨髓显微图像添加至骨髓细胞基本数据集中，对骨髓细胞基本数据集进行更新；
根据细胞核和细胞质的残留度，对骨髓显微图像中骨髓细胞的类型和位置进行标记；
交互纠错时，根据骨髓细胞的所属类型的正确性以及骨髓细胞的信息残留度判断骨髓细胞识别的准确性；
判断骨髓细胞识别的准确性的规则如下：
其中，Areanucleus表示细胞核的残留度，Areacytoplasm表示细胞质的残留度，cli表示类别判定值，cli＝1表示类别标签正确，cli＝0表示类别标签有待纠正；Pcelli表示个体细胞识别准确性，Pcelli＝1表示可确认的个体细胞，Pcelli＝0表示丢弃该类个体细胞，Pcelli＝-1表示有待纠错的个体细胞，经过交互方式纠错的个体细胞保存为已确认个体细胞Celli；
所述信息残留度为：根据细胞核和细胞质的残留度定义骨髓细胞的残留度，当细胞核完整，细胞质残留度大于70％时，保留该骨髓细胞。
2.如权利要求1所述的一种面向造血系统的骨髓细胞数据集构建方法，其特征在于，根据细胞病理、形态、颜色和纹理特征，识别骨髓显微图像中各类骨髓细胞，定义类别标签；
对完整的骨髓细胞进行标记，标记区域包括细胞核和细胞质区域，构建骨髓细胞基本数据集。
3.如权利要求2所述的一种面向造血系统的骨髓细胞数据集构建方法，其特征在于，对完整的骨髓细胞进行标记的细胞选择规则为：
具有准确的形态、颜色和纹理属性特征，且信息完整的独立骨髓细胞，保存类别标签；
对重叠、黏连区域的骨髓细胞，保存属性信息完整准确的部分骨髓细胞的类别标签；
对破损、不完整的骨髓细胞，依据其属性信息残留度保存骨髓细胞的类别标签。
4.如权利要求2所述的一种面向造血系统的骨髓细胞数据集构建方法，其特征在于，所述对完整的骨髓细胞进行标记的过程包括：
读取待处理的骨髓显微图像，判断骨髓显微图像中是否存在待标记骨髓细胞；
若是，读取骨髓显微图像中待标记的骨髓细胞，并判断个体细胞信息残留度是否为1，若是定义类别标签、标记该骨髓细胞；否则不做标记；
若不存在待标记骨髓细胞，则重新读取骨髓显微图像。
5.如权利要求1所述的一种面向造血系统的骨髓细胞数据集构建方法，其特征在于，对待确认的骨髓细胞进行交互纠错的过程包括：在骨髓细胞的所属类型正确，且骨髓细胞的细胞核完整、细胞质残留度大于70％时，则判断骨髓细胞为已确认的骨髓细胞。
6.如权利要求1所述的一种面向造血系统的骨髓细胞数据集构建方法，其特征在于，将所述骨髓细胞分成8类，8类骨髓细胞包括原始细胞、中性粒细胞、红细胞、淋巴细胞、中幼粒细胞、单核细胞、晚幼粒细胞和浆细胞。
7.一种面向造血系统的骨髓细胞数据集构建系统，其特征在于，包括：
基本数据集构建模块，用于根据骨髓显微图像中骨髓细胞的类型和位置构建骨髓细胞基本数据集；
检测模块，用于根据经骨髓细胞基本数据集训练后的骨髓细胞检测模型对待测骨髓显微图像进行细胞检测，得到待确认的骨髓细胞；
纠错模块，用于对待确认的骨髓细胞进行交互纠错，根据得到的已确认的骨髓细胞的类型和位置，将已确认的骨髓细胞和所属骨髓显微图像添加至骨髓细胞基本数据集中，对骨髓细胞基本数据集进行更新；
根据细胞核和细胞质的残留度，对骨髓显微图像中骨髓细胞的类型和位置进行标记；
交互纠错时，根据骨髓细胞的所属类型的正确性以及骨髓细胞的信息残留度判断骨髓细胞识别的准确性；
判断骨髓细胞识别的准确性的规则如下：
其中，Areanucleus表示细胞核的残留度，Areacytoplasm表示细胞质的残留度，cli表示类别判定值，cli＝1表示类别标签正确，cli＝0表示类别标签有待纠正；Pcelli表示个体细胞识别准确性，Pcelli＝1表示可确认的个体细胞，Pcelli＝0表示丢弃该类个体细胞，Pcelli＝-1表示有待纠错的个体细胞，经过交互方式纠错的个体细胞保存为已确认个体细胞Celli；
所述信息残留度为：根据细胞核和细胞质的残留度定义骨髓细胞的残留度，当细胞核完整，细胞质残留度大于70％时，保留该骨髓细胞。
8.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-6任一项所述的方法。
9.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010663503.2A CN111815607B (zh) | 2020-07-10 | 2020-07-10 | 一种面向造血系统的骨髓细胞数据集构建方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010663503.2A CN111815607B (zh) | 2020-07-10 | 2020-07-10 | 一种面向造血系统的骨髓细胞数据集构建方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111815607A CN111815607A (zh) | 2020-10-23 |
| CN111815607B true CN111815607B (zh) | 2022-10-14 |
Family
ID=72841686
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010663503.2A Active CN111815607B (zh) | 2020-07-10 | 2020-07-10 | 一种面向造血系统的骨髓细胞数据集构建方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111815607B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112419262A (zh) * | 2020-11-19 | 2021-02-26 | 上海联影智能医疗科技有限公司 | 骨髓涂片显微图像分析方法、装置、电子设备及存储介质 |
Citations (3)
| 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 |
| CN108573279A (zh) * | 2018-03-19 | 2018-09-25 | 精锐视觉智能科技（深圳）有限公司 | 图像标注方法及终端设备 |
| CN111325103A (zh) * | 2020-01-21 | 2020-06-23 | 华南师范大学 | 一种细胞标注系统和方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106529485A (zh) * | 2016-11-16 | 2017-03-22 | 北京旷视科技有限公司 | 用于获取训练数据的方法及装置 |
| CN108985214A (zh) * | 2018-07-09 | 2018-12-11 | 上海斐讯数据通信技术有限公司 | 图像数据的标注方法和装置 |
| CN109544561A (zh) * | 2018-11-07 | 2019-03-29 | 杭州迪英加科技有限公司 | 细胞标注方法、系统和装置 |
| 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 |
| CN109740571A (zh) * | 2019-01-22 | 2019-05-10 | 南京旷云科技有限公司 | 图像采集的方法、图像处理的方法、装置和电子设备 |
-
2020
- 2020-07-10 CN CN202010663503.2A patent/CN111815607B/zh active Active
Patent Citations (3)
| 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 |
| CN108573279A (zh) * | 2018-03-19 | 2018-09-25 | 精锐视觉智能科技（深圳）有限公司 | 图像标注方法及终端设备 |
| CN111325103A (zh) * | 2020-01-21 | 2020-06-23 | 华南师范大学 | 一种细胞标注系统和方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111815607A (zh) | 2020-10-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10853695B2 (en) | Method and system for cell annotation with adaptive incremental learning | |
| WO2020253629A1 (zh) | 检测模型训练方法、装置、计算机设备和存储介质 | |
| Sharma et al. | Crowdsourcing for chromosome segmentation and deep classification | |
| Gamarra et al. | Split and merge watershed: A two-step method for cell segmentation in fluorescence microscopy images | |
| CN111325103B (zh) | 一种细胞标注系统和方法 | |
| CN109977780A (zh) | 一种基于深度学习算法的硅藻的检测与识别方法 | |
| CN110556179B (zh) | 使用深度神经网络标记全脊柱图像的方法和系统 | |
| TWI743544B (zh) | 用於自動腫瘤偵測和分類的方法及系統 | |
| CN109378052B (zh) | 图像标注的预处理方法及系统 | |
| CN112699869A (zh) | 基于深度学习的肋骨骨折辅助检测方法及图像识别方法 | |
| CN110543912B (zh) | 自动获取胎儿关键切面超声视频中心动周期视频的方法 | |
| CN112037180B (zh) | 染色体分割方法及装置 | |
| WO2021170085A1 (zh) | 标注方法、关系抽取方法、存储介质和运算装置 | |
| Ferlaino et al. | Towards deep cellular phenotyping in placental histology | |
| Chen et al. | AI-PLAX: AI-based placental assessment and examination using photos | |
| CN111815609B (zh) | 基于情境感知及多模型融合的病理图像分类方法及系统 | |
| CN112381762A (zh) | 一种基于深度学习算法的ct肋骨骨折辅助诊断系统 | |
| CN107292346A (zh) | 一种基于局部子空间学习的mr图像海马体分割算法 | |
| CN111815607B (zh) | 一种面向造血系统的骨髓细胞数据集构建方法及系统 | |
| CN110414317B (zh) | 基于胶囊网络的全自动白细胞分类计数方法 | |
| CN117576195A (zh) | 一种植物叶片形态识别方法 | |
| Aristoteles et al. | Identification of human sperm based on morphology using the you only look once version 4 algorithm | |
| CN108805181B (zh) | 一种基于多分类模型的图像分类装置及分类方法 | |
| CN115176289A (zh) | 使用卷积神经网络的细胞系发育图像表征 | |
| CN117372416A (zh) | 一种对抗训练的高鲁棒性数字病理切片诊断系统及方法 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240531 Address after: 310000, Room 14568, No. 260 Jiangshu Road, Xixing Street, Binjiang District, Hangzhou City, Zhejiang Province (self declared) Patentee after: Hangzhou Ershida Technology Development Co., Ltd.","from":"zh","to":"en"} Country or region after: China Address before: 250022 No. 336, South Xin Zhuang West Road, Shizhong District, Ji'nan, Shandong Patentee before: University of Jinan Country or region before: China |