CN111860586A - 一种细粒度宫颈细胞图像三阶段识别方法 - Google Patents
一种细粒度宫颈细胞图像三阶段识别方法 Download PDFInfo
- Publication number
- CN111860586A CN111860586A CN202010534407.8A CN202010534407A CN111860586A CN 111860586 A CN111860586 A CN 111860586A CN 202010534407 A CN202010534407 A CN 202010534407A CN 111860586 A CN111860586 A CN 111860586A
- Authority
- CN
- China
- Prior art keywords
- cell
- image
- cervical
- cells
- dimensional
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000012535 impurity Substances 0.000 claims abstract description 13
- 239000012560 cell impurity Substances 0.000 claims abstract description 4
- 210000004027 cell Anatomy 0.000 claims description 165
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 210000003855 cell nucleus Anatomy 0.000 claims description 19
- 230000011218 segmentation Effects 0.000 claims description 17
- 210000000805 cytoplasm Anatomy 0.000 claims description 16
- 230000000877 morphologic effect Effects 0.000 claims description 12
- 238000003709 image segmentation Methods 0.000 claims description 9
- 210000004940 nucleus Anatomy 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 8
- 230000001575 pathological effect Effects 0.000 claims description 8
- 238000007635 classification algorithm Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 4
- 108010077544 Chromatin Proteins 0.000 claims description 3
- 210000003483 chromatin Anatomy 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000007670 refining Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 3
- 230000004927 fusion Effects 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 abstract description 2
- 206010008342 Cervix carcinoma Diseases 0.000 description 5
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 description 5
- 201000010881 cervical cancer Diseases 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000601 blood cell Anatomy 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 210000002777 columnar cell Anatomy 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000001339 epidermal cell Anatomy 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000004969 inflammatory cell Anatomy 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009323 psychological health Effects 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 239000012128 staining reagent Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- 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
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种细粒度宫颈细胞图像三阶段识别方法，首先，对电子成像设备采集到的整张宫颈细胞图像进行去噪处理以提高图像质量，去除背景确定前景细胞区域，分割出细胞核和细胞质。其次，从分割出的细胞区域中提取形状、颜色、纹理、抽象特征，对特征采用多核学习方法进行选择融合，以优化特征模式。最后，根据优化的特征模式先去除非宫颈细胞杂质，再采用基于代价敏感的主动学习方法对宫颈细胞图像进行多分类。本发明的识别流程系统完整，能提取多类型宫颈细胞图像医学特征，并对特征模式进行选择融合优化，用代价敏感学习方法去除杂质，解决了不均衡二分类问题，能有效提升宫颈细胞分类识别准确性。
Description
技术领域
本发明属于计算机视觉的医学图像处理分析领域，具体涉及一种细粒度宫颈细胞图像三阶段识别方法。
背景技术
目前，随着现代科技的进步与发展，生物医学领域的实验手段和研究方向都发生了巨大变革，实验数据呈现出“大数据”趋势，涉及到海量的临床医学数据、基因组学数据、文献数据等。随着医疗信息系统等医疗基础设施逐步完善，许多医院收集和采集到待检测患者的医疗图像越来越多，宫颈细胞图像也是如此。准确的宫颈细胞图像诊断技术能够降低医师过长时间读片疲劳而产生误判概率、改变医疗资源分布不均匀、缓解医患关系紧张等问题。
宫颈癌是全世界女性第二大癌症杀手，严重威胁妇女身心健康。在2012年，据世界卫生组织统计，全世界共有53万余新增宫颈癌患者；且在同年，有近27万例女性死于宫颈癌。医疗人员由大量临床治疗经验得出结论，女性宫颈癌早期确诊，那么其可以治愈且活过5年以上的机率为90%以上。预防宫颈疾病关键是能够及早发现异常、癌变倾向或已恶性癌变细胞。发展到今，宫颈细胞病理图像筛查是最简单、有效的宫颈癌筛查手段。
医院临床宫颈细胞图像诊断工作中，医师可能需要面对不同制片设备、不同染色试剂、不同制片手法的所得切片图像，因此病理科医师工作量大且繁重、筛查细胞往往需要反复肉眼阅片导致易于疲劳、效率降低，难免会有误诊、漏诊、错诊情况出现。宫颈细胞图像准确识别系统就能够有助于上述问题的缓解。
面向医院病理科临床筛查宫颈细胞切片图像自动分析系统问题具有挑战性：染色剂和成像设备不同导致真实宫颈细胞病理图像含大量噪声（如炎症细胞、血细胞、着色沉淀物等）且成像质量不尽相同、涂片制片技术和手法不同导致细胞重叠情况复杂且无法避免、某些类别细胞两两之间相似度过高而难以准确区分开来、细胞样本的不均衡性、类别之间相似度的差异、杂质干扰等因素都给准确地进行细胞多分类带来了困难。
新的计算机视觉方法和模型日益成熟，导致宫颈细胞病理图像处理分析手段方法将会更加高效和智能化，从而使得对于宫颈细胞病理图像准确分析相关问题的研究和应用也日益迫切。但由于宫颈细胞图像多样复杂性和成像质量模糊性，使得宫颈细胞病理图像智能分析研究仍存在许多挑战，识别精度和识别效率均有待于进一步提高。
发明内容
本发明要解决的技术问题是提供一种细粒度宫颈细胞图像三阶段识别方法,从宫颈细胞分类识别实际应用出发，探索研究用代价敏感学习方法应对不均衡二分类问题，以去除杂质；基于主动学习思想方法，研究宫颈细胞不均衡多分类问题，提升分类识别准确性。
为解决上述技术问题，本发明的实施例提供一种细粒度宫颈细胞图像三阶段识别方法，包括如下步骤：
（1）对整幅显微成像的宫颈细胞图像，采用三维块匹配滤波BM3D算法进行去噪，并基于并行编程技术实现BM3D提升图像预处理的速度；
（2）在滤波后的图像上，先建立基于图割模型将图像分为前景和背景，再用MSER算法分割出细胞核；
（3）根据细胞簇团中细胞核的数目断定是否需进行重叠宫颈细胞图像分割，获得对图像中所有细胞质的分割结果；
（4）提取细胞图像的颜色、形态、纹理特征，基于CNN和ResNet模型提取细胞抽象特征；
（5）基于多核学习算法，对宫颈细胞颜色、形态、纹理、抽象特征进行优化，细胞不同类别的特征分别表示为样本的不同通道，从不同侧面刻画宫颈细胞；
（6）先基于代价敏感学习方法去除图像中非细胞杂质，再基于主动学习方法对宫颈细胞图像进行多分类。
其中：步骤（2）的具体步骤为：
（2-1）去除背景：在去噪后图像基础上，使用图割GC算法去除图像背景，确定前景细胞与细胞簇团区；
（2-2）细胞核分割：采用MSER算法分割出图像前景细胞与细胞簇团区的细胞核。
其中，步骤（3）的具体步骤为：
（3-1）对整幅图像中的细胞簇团逐个判断；
（3-2）若细胞簇团仅包含一个细胞核，则通过步骤（2-1）和步骤（2-2）已完成细胞质分割；
（3-3） 若细胞簇团中包含不止一个细胞核，则该细胞簇团包含重叠细胞；
（3-4）采用先粗略分割再精细分割方法进行重叠宫颈细胞图像分割：
①粗分割使用Voronoi基于细胞核中心点对细胞簇团进行粗略划分，得到细胞簇团中每个细胞的候选区域；
②采用MRF模型，根据细胞形状先验、细胞边缘纹路走向、局部像素密度和梯度信息，针对宫颈细胞簇团中重叠区域细胞边缘线条求精，得到整幅图中单个细胞的细胞质边缘轮廓。
其中，步骤（4）的具体步骤为：
（4-1）抽取细胞颜色特征：图像颜色特征分别来自RGB、HSV和LAB三个色彩空间，每个色彩空间有三个通道，分别抽取细胞核和细胞质两个区域的信息，然后从每个色彩空间的每个通道中，每个区域抽取4维亮度信息，分别是区域均值、方差、最大值和最小值；即：从三个色彩空间中一共抽取36维区域亮度特征；此外，从灰度图像中抽取区域最大值和最小值共4维特征，因此，所抽取的宫颈细胞图像颜色特征共40维；
（4-2）抽取细胞形态特征：所抽取的宫颈细胞图像形态特征主要来自三个方面：
（4-3）抽取细胞纹理特征：使用Gabor滤波和局部二值模式LBP两种纹理描述算子来指示细胞核染色质的病变特征；其中，总共有40个Gabor滤波器，每个滤波器
的均值和标准差被分别计算出来作为特征，Gabor滤波器可以描述成80维纹理特征，使用两个尺度的局部二值模式算子为8个邻居且半径为1个像素的LBP特征和16个邻居且半径为2个像素的LBP特征，共抽取了26维LBP纹理特征；
（4-4）抽取细胞抽象特征：基于CNN和ResNet模型先对图像进行编码，再对图像进行解码，得到细胞最小包围盒区域的抽象特征。
其中，步骤（6）的具体步骤为：
（6-1）杂质去除建模为不均衡样本二分类问题：基于代价敏感学习算法假定杂质和细胞的误分类代价不同，训练得到一个优化的代价敏感模型，最小化杂质和细胞的总体代价；
（6-2）基于主动学习提高宫颈细胞分类准确率：选择对当前分类算法最有帮助的细胞样本进行学习，特别强化分类算法模型对难以准确分类的细胞样本辨别力，以不断提升细胞分类模型的性能。
本发明的上述技术方案的有益效果如下：本发明提供的一种细粒度宫颈细胞图像三阶段识别方法，识别流程系统完整，能提取多种类型宫颈细胞图像医学特征，并对特征模式进行选择融合优化，用代价敏感学习方法去除杂质，解决了不均衡二分类问题，此外基于主动学习的异常细胞分类方法能有效提升宫颈细胞分类识别准确性。
附图说明
图1为本发明中宫颈细胞图像分割流程示意图；
图2为本发明中主动学习框架示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
本发明提供了一种细粒度宫颈细胞图像三阶段识别方法，首先，用去噪技术对图像质量优化后，分三步从图像中分割出细胞核、细胞质及背景，重点研究重叠细胞分割并提出用概率模型定位准确细胞边缘的思路；其次，探索更有效的特征提取方法，考虑不同特征的差异，研究基于多核学习进行特征选择融合的方法，同时研究联合特征优化和分类的深度学习技术；最后，在分类决策层，结合医学专家知识研究宫颈细胞不均衡和多分类问题，分别基于代价敏感学习和主动学习提升分类效果。最终基于上述解决方案开发出一系列软件工具以支持研究成果的实际应用。
实施例1：一种细粒度宫颈细胞图像三阶段识别方法，包括如下步骤：
（1）对整幅显微成像的宫颈细胞图像，采用三维块匹配滤波（Block-matching and 3Dfiltering，BM3D）算法进行去噪，并基于并行编程技术实现BM3D提升图像预处理的速度；
（2）在滤波后的图像上，先建立基于图割（Graph Cut）模型将图像分为前景和背景，再用MSER（Maximally Stable Extremal Region）算法分割出细胞核，包括如下步骤：
（2-1）去除背景：在去噪后图像基础上，使用图割GC算法去除图像背景，确定前景细胞与细胞簇团区；
（2-2）细胞核分割：采用MSER算法分割出图像前景细胞与细胞簇团区的细胞核。
（3）根据细胞簇团中细胞核的数目断定是否需进行重叠宫颈细胞图像分割，获得对图像中所有细胞质的分割结果，包括如下步骤：
（3-1）对整幅图像中的细胞簇团逐个判断；
（3-2）若细胞簇团仅包含一个细胞核，则通过步骤（2-1）和步骤（2-2）已完成细胞质分割；
（3-3） 若细胞簇团中包含不止一个细胞核，则该细胞簇团包含重叠细胞；
（3-4）采用先粗略分割再精细分割方法进行重叠宫颈细胞图像分割：
①粗分割使用Voronoi基于细胞核中心点对细胞簇团进行粗略划分，得到细胞簇团中每个细胞的候选区域；
②采用MRF模型，根据细胞形状先验、细胞边缘纹路走向、局部像素密度和梯度信息，针对宫颈细胞簇团中重叠区域细胞边缘线条求精，得到整幅图中单个细胞的细胞质边缘轮廓。
（4）提取细胞图像的颜色、形态、纹理特征，基于CNN（Convolutional NeuralNetwork）和ResNet（Deep residual network）模型提取细胞抽象特征，包括如下步骤：
（4-1）抽取细胞颜色特征：图像颜色特征分别来自RGB、HSV和LAB三个色彩空间，每个色彩空间有三个通道， 分别抽取细胞核和细胞质两个区域的信息，然后从每个色彩空间的每个通道中，每个区域抽取4维亮度信息，分别是区域均值、方差、最大值和最小值；即：从三个色彩空间中一共抽取36维区域亮度特征；此外，从灰度图像中抽取区域最大值和最小值共4维特征，因此，所抽取的宫颈细胞图像颜色特征共40维；
（4-2）抽取细胞形态特征：所抽取的宫颈细胞图像形态特征主要来自三个方面：
（4-3）抽取细胞纹理特征：使用Gabor滤波和局部二值模式LBP两种纹理描述算子来指示细胞核染色质的病变特征；其中，总共有40个Gabor滤波器，每个滤波器
的均值和标准差被分别计算出来作为特征，Gabor滤波器可以描述成80维纹理特征，使用两个尺度的局部二值模式算子为8个邻居且半径为1个像素的LBP特征和16个邻居且半径为2个像素的LBP特征，共抽取了26维LBP纹理特征；
（4-4）抽取细胞抽象特征：基于CNN和ResNet模型先对图像进行编码，再对图像进行解码，得到细胞最小包围盒区域的抽象特征。
（5）基于多核学习算法，基于多核学习算法对宫颈细胞颜色、形态、纹理、抽象特征进行优化，细胞不同类别的特征分别表示为样本的不同通道，从不同侧面刻画宫颈细胞；
（6）先基于代价敏感学习方法去除图像中非细胞杂质，再基于主动学习方法对宫颈细胞图像进行多分类，包括如下步骤：
（6-1）杂质去除建模为不均衡样本二分类问题：基于代价敏感学习算法假定杂质和细胞的误分类代价不同，训练得到一个优化的代价敏感模型，最小化杂质和细胞的总体代价；
（6-2）基于主动学习提高宫颈细胞分类准确率：选择对当前分类算法最有帮助的细胞样本进行学习，特别强化分类算法模型对难以准确分类的细胞样本辨别力，以不断提升细胞分类模型的性能。
Herlev数据集对本发明进行了实验。Herlev数据集共有917张单细胞宫颈细胞图像，其中，正常鳞状表皮细胞144张，正常柱状细胞98张，异常倾向细胞525张，癌细胞150张。首先将整个数据集分成80%的训练集和20%的测试集，然后先用交叉验证法在训练集和验证集的基础上得到模型最佳参数，最后以最佳参数训练出最佳分类模型对测试样本分类，最终测试得到宫颈细胞图像四分类准确率达到85%以上，较现有方法有较大提升，综上，本发明具有重要的价值与应用前景。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种细粒度宫颈细胞图像三阶段识别方法，其特征在于，包括如下步骤：
（1）对整幅显微成像的宫颈细胞图像，采用三维块匹配滤波BM3D算法进行去噪，并基于并行编程技术实现BM3D提升图像预处理的速度；
（2）在滤波后的图像上，先建立基于图割模型将图像分为前景和背景，再用MSER算法分割出细胞核；
（3）根据细胞簇团中细胞核的数目断定是否需进行重叠宫颈细胞图像分割，获得对图像中所有细胞质的分割结果；
（4）提取细胞图像的颜色、形态、纹理特征，基于CNN和ResNet模型提取细胞抽象特征；
（5）基于多核学习算法，对宫颈细胞颜色、形态、纹理、抽象特征进行优化，细胞不同类别的特征分别表示为样本的不同通道，从不同侧面刻画宫颈细胞；
（6）先基于代价敏感学习方法去除图像中非细胞杂质，再基于主动学习方法对宫颈细胞图像进行多分类。
2.根据权利要求1所述的细粒度宫颈细胞图像三阶段识别方法，其特征在于，步骤（2）的具体步骤为：
（2-1）去除背景：在去噪后图像基础上，使用图割GC算法去除图像背景，确定前景细胞与细胞簇团区；
（2-2）细胞核分割：采用MSER算法分割出图像前景细胞与细胞簇团区的细胞核。
3.根据权利要求1所述的细粒度宫颈细胞图像三阶段识别方法，其特征在于，步骤（3）的具体步骤为：
（3-1）对整幅图像中的细胞簇团逐个判断；
（3-2）若细胞簇团仅包含一个细胞核，则通过步骤（2-1）和步骤（2-2）已完成细胞质分割；
（3-3） 若细胞簇团中包含不止一个细胞核，则该细胞簇团包含重叠细胞；
（3-4）采用先粗略分割再精细分割方法进行重叠宫颈细胞图像分割：
①粗分割使用Voronoi基于细胞核中心点对细胞簇团进行粗略划分，得到细胞簇团中每个细胞的候选区域；
②采用MRF模型，根据细胞形状先验、细胞边缘纹路走向、局部像素密度和梯度信息，针对宫颈细胞簇团中重叠区域细胞边缘线条求精，得到整幅图中单个细胞的细胞质边缘轮廓。
4.根据权利要求1所述的细粒度宫颈细胞图像三阶段识别方法，其特征在于，步骤（4）的具体步骤为：
（4-1）抽取细胞颜色特征：图像颜色特征分别来自RGB、HSV和LAB三个色彩空间，每个色彩空间有三个通道，分别抽取细胞核和细胞质两个区域的信息，然后从每个色彩空间的每个通道中，每个区域抽取4维亮度信息，分别是区域均值、方差、最大值和最小值；即：从三个色彩空间中一共抽取36维区域亮度特征；此外，从灰度图像中抽取区域最大值和最小值共4维特征，因此，所抽取的宫颈细胞图像颜色特征共40维；
（4-2）抽取细胞形态特征：所抽取的宫颈细胞图像形态特征主要来自三个方面：
（4-3）抽取细胞纹理特征：使用Gabor滤波和局部二值模式LBP两种纹理描述算子来指示细胞核染色质的病变特征；其中，总共有40个Gabor滤波器，每个滤波器
的均值和标准差被分别计算出来作为特征，Gabor滤波器可以描述成80维纹理特征，使用两个尺度的局部二值模式算子为8个邻居且半径为1个像素的LBP特征和16个邻居且半径为2个像素的LBP特征，共抽取了26维LBP纹理特征；
（4-4）抽取细胞抽象特征：基于CNN和ResNet模型先对图像进行编码，再对图像进行解码，得到细胞最小包围盒区域的抽象特征。
5.根据权利要求1所述的细粒度宫颈细胞图像三阶段识别方法，其特征在于，步骤（6）的具体步骤为：
（6-1）杂质去除建模为不均衡样本二分类问题：基于代价敏感学习算法假定杂质和细胞的误分类代价不同，训练得到一个优化的代价敏感模型，最小化杂质和细胞的总体代价；
（6-2）基于主动学习提高宫颈细胞分类准确率：选择对当前分类算法最有帮助的细胞样本进行学习，特别强化分类算法模型对难以准确分类的细胞样本辨别力，以不断提升细胞分类模型的性能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010534407.8A CN111860586A (zh) | 2020-06-12 | 2020-06-12 | 一种细粒度宫颈细胞图像三阶段识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010534407.8A CN111860586A (zh) | 2020-06-12 | 2020-06-12 | 一种细粒度宫颈细胞图像三阶段识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111860586A true CN111860586A (zh) | 2020-10-30 |
Family
ID=72987627
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010534407.8A Pending CN111860586A (zh) | 2020-06-12 | 2020-06-12 | 一种细粒度宫颈细胞图像三阶段识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111860586A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112766048A (zh) * | 2020-12-28 | 2021-05-07 | 宁波江丰生物信息技术有限公司 | 一种用于dna倍体分析的svm细胞核分类器训练方法 |
| CN113516022A (zh) * | 2021-04-23 | 2021-10-19 | 黑龙江机智通智能科技有限公司 | 一种宫颈细胞的细粒度分类系统 |
| CN114037699A (zh) * | 2021-12-07 | 2022-02-11 | 中国医学科学院北京协和医院 | 一种病理图像分类方法、设备、系统及存储介质 |
| CN114708589A (zh) * | 2022-04-02 | 2022-07-05 | 大连海事大学 | 一种基于深度学习的宫颈细胞分类方法 |
| CN115409834A (zh) * | 2022-10-30 | 2022-11-29 | 四川大学华西医院 | 一种用于跟腱病诊断的特征提取方法、系统和存储介质 |
| CN116612117A (zh) * | 2023-07-19 | 2023-08-18 | 广州盛安医学检验有限公司 | 一种基于形态学的女性生殖道病原体识别系统 |
| CN118333957A (zh) * | 2024-04-07 | 2024-07-12 | 广州锟元方青医疗科技有限公司 | 针对宫颈癌细胞核的特异性图像特征挖掘方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107492084A (zh) * | 2017-07-06 | 2017-12-19 | 哈尔滨理工大学 | 基于随机性的典型成团细胞核图像合成方法 |
| CN108509982A (zh) * | 2018-03-12 | 2018-09-07 | 昆明理工大学 | 一种处理二分类不平衡医学数据的方法 |
| US20200160997A1 (en) * | 2018-11-02 | 2020-05-21 | University Of Central Florida Research Foundation, Inc. | Method for detection and diagnosis of lung and pancreatic cancers from imaging scans |
-
2020
- 2020-06-12 CN CN202010534407.8A patent/CN111860586A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107492084A (zh) * | 2017-07-06 | 2017-12-19 | 哈尔滨理工大学 | 基于随机性的典型成团细胞核图像合成方法 |
| CN108509982A (zh) * | 2018-03-12 | 2018-09-07 | 昆明理工大学 | 一种处理二分类不平衡医学数据的方法 |
| US20200160997A1 (en) * | 2018-11-02 | 2020-05-21 | University Of Central Florida Research Foundation, Inc. | Method for detection and diagnosis of lung and pancreatic cancers from imaging scans |
Non-Patent Citations (4)
| Title |
|---|
| 史颖欢: "医学图像处理中的机器学习方法及其应用研究", 《中国博士学位论文全文数据库》, pages 4 * |
| 杨轩: "基于块匹配的医学图像去噪方法研究", 《中国硕士学位论文全文数据库》, pages 40 - 47 * |
| 王齐耀: "基于深度学习的医学影像 多特征融合分类算法研究", 《中国硕士学位论文全文数据库》, pages 35 - 36 * |
| 赵理莉: "宫颈细胞图像智能分析关键技术研究", 《中国博士学位论文全文数据库》, pages 4 - 6 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112766048A (zh) * | 2020-12-28 | 2021-05-07 | 宁波江丰生物信息技术有限公司 | 一种用于dna倍体分析的svm细胞核分类器训练方法 |
| CN113516022A (zh) * | 2021-04-23 | 2021-10-19 | 黑龙江机智通智能科技有限公司 | 一种宫颈细胞的细粒度分类系统 |
| CN113516022B (zh) * | 2021-04-23 | 2023-01-10 | 黑龙江机智通智能科技有限公司 | 一种宫颈细胞的细粒度分类系统 |
| CN114037699A (zh) * | 2021-12-07 | 2022-02-11 | 中国医学科学院北京协和医院 | 一种病理图像分类方法、设备、系统及存储介质 |
| CN114708589A (zh) * | 2022-04-02 | 2022-07-05 | 大连海事大学 | 一种基于深度学习的宫颈细胞分类方法 |
| CN115409834A (zh) * | 2022-10-30 | 2022-11-29 | 四川大学华西医院 | 一种用于跟腱病诊断的特征提取方法、系统和存储介质 |
| CN115409834B (zh) * | 2022-10-30 | 2023-02-28 | 四川大学华西医院 | 一种用于跟腱病诊断的特征提取方法、系统和存储介质 |
| CN116612117A (zh) * | 2023-07-19 | 2023-08-18 | 广州盛安医学检验有限公司 | 一种基于形态学的女性生殖道病原体识别系统 |
| CN116612117B (zh) * | 2023-07-19 | 2023-10-13 | 广州盛安医学检验有限公司 | 一种基于形态学的女性生殖道病原体识别系统 |
| CN118333957A (zh) * | 2024-04-07 | 2024-07-12 | 广州锟元方青医疗科技有限公司 | 针对宫颈癌细胞核的特异性图像特征挖掘方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111860586A (zh) | 一种细粒度宫颈细胞图像三阶段识别方法 | |
| CN108961208B (zh) | 一种聚集白细胞分割计数系统及方法 | |
| Kowal et al. | Cell nuclei segmentation in cytological images using convolutional neural network and seeded watershed algorithm | |
| Pan et al. | An accurate nuclei segmentation algorithm in pathological image based on deep semantic network | |
| Zhao et al. | Automatic screening of cervical cells using block image processing | |
| Shirazi et al. | Efficient leukocyte segmentation and recognition in peripheral blood image | |
| Batool et al. | Lightweight EfficientNetB3 model based on depthwise separable convolutions for enhancing classification of leukemia white blood cell images | |
| Razzak | Automatic detection and classification of malarial parasite | |
| Plissiti et al. | A review of automated techniques for cervical cell image analysis and classification | |
| Mohapatra et al. | Blood microscopic image segmentation using rough sets | |
| CN112233085A (zh) | 一种基于像素预测增强的宫颈细胞图像分割方法 | |
| Mohapatra et al. | Unsupervised leukocyte image segmentation using rough fuzzy clustering | |
| Samikannu et al. | An efficient image analysis framework for the classification of glioma brain images using CNN approach | |
| Damahe et al. | Segmentation based approach to detect parasites and RBCs in blood cell images | |
| Duarte et al. | Brain Extraction in Multiple T1-weighted Magnetic Resonance Imaging slices using Digital Image Processing techniques | |
| CN113850792A (zh) | 一种基于计算机视觉的细胞分类计数方法及系统 | |
| Patgiri et al. | Red blood cell and sickle cell detection from microscopic blood images of sickle cell anemic patient | |
| Bouzid-Daho et al. | Detection of abnormal blood cells by segmentation and classification | |
| Fakhouri et al. | A hybrid methodology for automation the diagnosis of leukemia based on quantitative and morphological feature analysis | |
| CN115689984A (zh) | 一种基于线粒体的单细胞特征提取和分析方法及系统 | |
| Umamaheswari et al. | Fuzzy-C means segmentation of lymphocytes for the identification of the differential counting of WBC | |
| Nandy et al. | Automatic nuclei segmentation and spatial FISH analysis for cancer detection | |
| Masoudi et al. | Diagnosis of Hodgkin's disease by identifying Reed-Sternberg cell nuclei in histopathological images of lymph nodes stained with Hematoxylin and Eosin | |
| Sheikh et al. | Leukocytic cell nucleus identification using boundary cell detection algorithm with dilation and erosion based morphometry | |
| Mandal et al. | Computer aided system for automatic detection and marking instance of nuclei |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201030 |