CN112132166B - 一种数字细胞病理图像智能分析方法、系统及装置 - Google Patents
一种数字细胞病理图像智能分析方法、系统及装置 Download PDFInfo
- Publication number
- CN112132166B CN112132166B CN201910548420.6A CN201910548420A CN112132166B CN 112132166 B CN112132166 B CN 112132166B CN 201910548420 A CN201910548420 A CN 201910548420A CN 112132166 B CN112132166 B CN 112132166B
- Authority
- CN
- China
- Prior art keywords
- digital
- positive cells
- negative
- image data
- negative 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.)
- Active
Links
- 230000007170 pathology Effects 0.000 title claims abstract description 43
- 238000004458 analytical method Methods 0.000 title claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000012216 screening Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000002372 labelling Methods 0.000 claims abstract description 8
- 238000013145 classification model Methods 0.000 claims abstract description 4
- 238000007635 classification algorithm Methods 0.000 claims description 24
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 abstract description 12
- 238000004422 calculation algorithm Methods 0.000 abstract description 4
- 238000003062 neural network model Methods 0.000 abstract description 2
- 210000004027 cell Anatomy 0.000 description 117
- 239000000047 product Substances 0.000 description 6
- 206010008263 Cervical dysplasia Diseases 0.000 description 5
- 239000012530 fluid Substances 0.000 description 4
- 206010008342 Cervix carcinoma Diseases 0.000 description 3
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 description 3
- 201000010881 cervical cancer Diseases 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000000034 method Methods 0.000 description 3
- 230000001575 pathological effect Effects 0.000 description 3
- 238000004195 computer-aided diagnosis Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000186361 Actinobacteria <class> Species 0.000 description 1
- 206010056292 Androgen-Insensitivity Syndrome Diseases 0.000 description 1
- 208000007879 Atypical Squamous Cells of the Cervix Diseases 0.000 description 1
- 241000701022 Cytomegalovirus Species 0.000 description 1
- 241000233866 Fungi Species 0.000 description 1
- XQFRJNBWHJMXHO-RRKCRQDMSA-N IDUR Chemical compound C1[C@H](O)[C@@H](CO)O[C@H]1N1C(=O)NC(=O)C(I)=C1 XQFRJNBWHJMXHO-RRKCRQDMSA-N 0.000 description 1
- 208000032382 Ischaemic stroke Diseases 0.000 description 1
- 241000224526 Trichomonas Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 210000003567 ascitic fluid Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000012502 diagnostic product Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000005168 endometrial cell Anatomy 0.000 description 1
- 210000004907 gland Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004912 pericardial fluid Anatomy 0.000 description 1
- 210000004910 pleural fluid Anatomy 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Abstract
本发明涉及一种数字细胞病理图像智能分析方法,包括:S10,获取待分析的数字细胞病理图像数据,并进行预处理;S20,筛选数字细胞病理图像的非确定阴性区域;S30,对所述非确定阴性区域内的阳性细胞进行筛选和标注;S40,输出标注后的数字细胞病理图像数据。本申请还涉及一种数字细胞病理图像数据智能分析系统及装置。本申请基于阴性细胞数量远大于阳性细胞数量以及阴性细胞形态的变异性小于阳性细胞形态的变异性的特点,提出基于标注的阴性细胞训练确定阴性区域分类模型,一方面降低了神经网络模型训练数据的获取难度,另一方面通过剔除确定阴性区域大大减少了阳性细胞检出的运算量,提高算法运算速度和效率,同时避免漏诊误诊,提高诊断准确性。
Description
技术领域
本发明涉及病理图像辅助分析领域,特别是涉及一种数字细胞病理图像智能分析方法、系统及装置。
背景技术
细胞病理学是一门相对较新的医学学科,通常用于宫颈癌前病变、体腔内液体(腹膜液、胸膜液、心包液和脑脊液),以及癌变或感染病变组织的研究。现阶段细胞病理学的诊断主要基于肉眼观察,即在显微镜下观察玻片中的所有细胞,并根据细胞形态进行诊断。对于宫颈液基细胞,通过发现癌前病变细胞HSIL、LSIL、AIS、AGC等阳性细胞,对女性宫颈病变进行筛查实现宫颈癌早预防、早发现和早治疗,从而降低宫颈癌发病率。宫颈癌细胞涂片中有上万个细胞,医生需要肉眼观察上万个细胞并确定观察到的细胞类型来做出诊断,由于医疗资源的贫乏和病理医生的稀缺,病理医生通常超负荷工作,在高强度的工作下难免出现误诊漏诊以及诊断质量参差不齐的现象;基于此,出现了计算机辅诊诊断的产品帮助医生提高工作效率和诊断准确性;基于传统的机器学习原理的计算机辅助诊断产品解决了一部分效率和准确性的问题,近年来深度学习的发展促进了新一代智能辅助诊断产品的上市,比传统基于机器学习原理的计算机辅助诊断产品在效率和准确性上均有大的提升;然而现有新一代智能辅助诊断产品在算法效率的提升方面还有很多可以研究的内容。当前细胞病理AI算法模型需要对全片的细胞进行检测分类,对计算机硬件的要求高,运算效率和运算成本均需要优化。
发明内容
本发明的一个目的在于借助阴性细胞与阳性细胞形态数量的差异性,降低阳性细胞检出的难度,提高阳性细胞检出的效率,本发明提供了一种数字细胞病理图像智能分析方法、系统及装置。
本发明通过以下技术方案来实现上述目的:一种数字细胞病理图像智能分析方法,包括:S10,获取待分析的数字细胞病理图像数据,并进行预处理;S20,确定数字细胞病理图像的非确定阴性区域;S30,对所述非确定阴性区域内的阳性细胞进行筛选和标注;S40,输出标注后的数字细胞病理图像数据。
进一步地,所述数字细胞病理图像数据为视频数据,所述步骤S10还包括:将所述视频数据拆分为多个连续的图片,筛选出所述图片中无重叠部分或是重叠部分面积在设定范围内的若干张图片,对筛选出的若干张图片逐一进行预处理。
进一步地,步骤S20具体包括:
S201,将数字细胞病理图像数据分割为多个具有相同尺寸的切片单元;
S202,采用阴性区域分类算法模型对每个切片单元进行阴性预测,确定每个切片单元为阴性的概率;
S203:筛选出所述概率小于设定阈值的切片单元作为非确定阴性区域;
所述阴性区域分类算法模型是以若干个经过阴性标注的切片样本作为第一卷积神经网络的输入,训练得到;所述切片单元的大小与切片样本的大小相适应。
进一步地,步骤S30具体包括:采用阳性细胞检测模型对所述非确定阴性区域的阳性细胞进行检出,并标注出具有阳性细胞的非确定阴性区域及所述阳性细胞的所在位置、阳性细胞的类型和置信度;所述阳性细胞检测模型是以若干个标注阳性细胞的切片样本作为第二卷积神经网络的输入,训练得到。
进一步地,步骤S40:输出标注有阳性细胞所在位置、阳性细胞的类型和置信度的数字细胞病理图像数据。
本发明还提供了一种数字细胞病理图像数据智能分析装置,包括:显示器和一个或多个处理器,处理器采用阳性细胞检测模型对所述非确定阴性区域的阳性细胞进行检出,并标注出具有阳性细胞的非确定阴性区域及所述阳性细胞的所在位置、阳性细胞的类型和置信度,将标注有非确定阴性区域、阳性细胞的位置、阳性细胞的类型、阳性细胞的类型和置信度的数字细胞病理图像数据发送至显示器进行显示。
进一步地,所述处理器包括识别阴性区域的阴性区域分类算法模型,阴性区域分类算法模型以若干个经过阴性标注的切片样本作为输入训练后得到;处理器将数字细胞病理图像数据分割为多个具有相同尺寸的切片单元;采用阴性区域分类算法模型对每个切片单元进行阴性预测,确定每个切片单元为阴性的概率;筛选出所述概率小于设定阈值的切片单元作为非确定阴性区域。
进一步地,所述数字细胞病理图像数据为视频数据或图片数据,如果为视频数据,则处理器将所述视频数据拆分为多个图片数据,筛选出重叠部分面积在设定范围内的多张图片数据,对筛选出的多张图片数据逐一进行预处理后并将每张图片数据分割为多个具有相同尺寸的切片单元。
进一步地,所述处理器包括阳性细胞检测模型,阳性细胞检测模型以若干个标注阳性细胞的切片样本作为输入训练后得到;处理器采用阳性细胞检测模型对所述非确定阴性区域的阳性细胞进行检出,并标注出具有阳性细胞的非确定阴性区域及所述阳性细胞的所在位置、阳性细胞的类型和置信度,将标注有非确定阴性区域、阳性细胞的位置、阳性细胞的类型、阳性细胞的类型和置信度的数字细胞病理图像数据发送至显示器进行显示。
本申请还提供了一种数字细胞病理图像数据智能分析系统,包括:图像获取装置,用于获取待分析的数字细胞病理图像数据;处理器,与所述图像获取装置连接,接收来自图像获取装置的数字细胞病理图像数据,筛选数字细胞病理图像数据的非确定阴性区域,再检出所述非确定阴性区域内的阳性细胞,并对阳性细胞所在位置、阳性细胞的类型和置信度进行标注;显示器,与所述处理器连接,用于接收并显示标注有阳性细胞所在位置、阳性细胞的类型和置信度的数字细胞病理图像数据。
与现有技术相比,本发明的实质性效果如下:本申请基于阴性细胞数量远大于阳性细胞数量以及阴性细胞形态的变异性小于阳性细胞形态的变异性的特点差异,提出基于标注的阴性细胞训练确定阴性区域分类模型,一方面降低了神经网络模型训练数据的获取难度,另一方面通过剔除确定阴性区域大大减少了阳性细胞检出的运算量,提高算法运算速度和效率,同时避免了漏诊误诊,提高了诊断准确性。
附图说明
图1是本发明数字细胞病理图像数据智能分析系统的结构框图。
图2是本发明数字细胞病理图像数据智能分析的流程图。
具体实施方式
下面结合附图对本发明作进一步说明:
一种数字细胞病理图像数据智能分析系统,如图1所示,包括:图像获取装置、处理器以及显示器。图像获取装置用于获取待分析的数字细胞病理图像数据,可以是数字病理扫描仪,将实体病理切片转化为数字细胞病理图像数据,也可以是安装在显微镜下的显微镜摄像头,实时采集显微镜下的实体病理切片局部或全部图像,图像获取模块所获取的数字病理图像数据格式可以是PNG、JPG、mrxs、svs、kfb、ndpi等。数字细胞病理图像数据可以是视频数据,也可以是图片数据,如果是视频数据,由于视频中包含的图片太多,而且相邻图片之间重叠区域过大,如果将视频中包含的所有图片都送入模型中,花费的检测分析时间太多,且有很多的冗余计算,所以,处理器需将视频数据拆分为多个图片数据,选择合适的时间间隔,挑选出能完整展现视频数据所展示的切片内容,又刚好不重叠,或者重叠部分不超过设定范围的若干张图片,然后对这些图片进行检测。处理器与所述图像获取装置连接,用于对数字细胞病理图像数据进行辅助分析,筛选出所述数字细胞病理图像数据中的阳性细胞,并对阳性细胞进行标注。显示器与所述处理器连接,用于接收并显示标注后的数字细胞病理图像数据。
处理器包括识别阴性区域的阴性区域分类算法模型和阳性细胞检测模型,阴性区域分类算法模型以若干个经过阴性标注的切片样本作为输入训练后得到,阳性细胞检测模型以若干个标注阳性细胞的切片样本作为输入训练后得到。处理器将数字细胞病理图像数据分割为多个具有相同尺寸的切片单元,切片单元的个数可为1024的整数倍,与切片样本的大小相适应。再对每个切片单元进行阴性预测,确定每个切片单元为阴性的概率;筛选出所述概率小于设定阈值的切片单元作为非确定阴性区域;对所述非确定阴性区域进行阳性细胞识别,对具有阳性细胞的非确定阴性区域及阳性细胞所在位置、阳性细胞的类型和置信度进行标注,并输出标注有非确定阴性区域、阳性细胞所在位置、阳性细胞的类型和置信度的数字细胞病理图像数据。
以宫颈液基细胞为例,宫颈液基细胞由大量的阴性细胞类型构成,因此获取经过阴性标注的切片样本比直接获取阳性细胞的切片样本容易得多,且所能获取的经过阴性标注的切片样本数据更多,类型更全,况且相较于阳性细胞,阴性细胞的形态特征辨识度更高,所以采用阴性区域分类算法模型先将数字细胞病理图像数据中确定为只包含阴性细胞的确定阴性区域排除掉,而在可能包含阳性细胞的非确定阴性区域进行阳性细胞的筛选,不仅降低了获取训练数据的难度,也大大缩小了阳性细胞的检出范围,使得检出效率和检出可能性都大大提高。
实际操作时,病理图像智能分析系统的功能通过病理图像智能分析装置来实现,分析装置包括显示器;一个或多个处理器,所述处理器获取待分析的数字细胞病理图像数据,对获取的数字细胞病理图像数据进行预处理,确定数字细胞病理图像的非确定阴性区域,对所述非确定阴性区域内的阳性细胞进行筛选和标注,输出标注后的数字细胞病理图像数据至显示器。
分析装置通过以下步骤实现以上功能,处理器包括识别阴性区域的阴性区域分类算法模型和阳性细胞检测模型,阴性区域分类算法模型以若干个经过阴性标注的切片样本作为输入训练后得到,阳性细胞检测模型以若干个标注阳性细胞的切片样本作为输入训练后得到,如图2所示,处理器执行以下步骤:
S10,获取待分析的数字细胞病理图像数据并进行预处理;
这里的数字细胞病理图像数据可以为视频数据或图片数据,如果为视频数据,将所述视频数据拆分为多个连续的图片,筛选出所述图片中无重叠部分或是重叠部分面积在设定范围内的若干张图片,对筛选出的多张图片逐一进行预处理,,预处理包括对数字细胞病理图像数据的去噪、亮度、颜色或是分辨率调整中的一项或是几项,可根据图像质量选择处理方式,
S20,确定数字细胞病理图像的非确定阴性区域,具体包括:
S201,将数字细胞病理图像数据即图片数据分割为多个具有相同尺寸的切片单元,切片单元与阴性区域分类算法模型的训练样本相适应;
S202,采用阴性区域分类算法模型对每个切片单元进行阴性预测,确定每个切片单元为阴性的概率;根据阴性概率确定最终的分类结果作为阳性细胞检测模型的处理对象,最终的分类结果的数量可跟据阴性概率来调整;
S203:筛选出所述概率小于设定阈值的切片单元作为非确定阴性区域。
阴性区域分类算法模型为由若干卷积核组成的层级模型,所谓的卷积核是由不同的权重组成的。切片单元在输入阴性区域分类算法模型后,首先与第一层卷积核中的权重进行矩阵内积运算,运算得到的结果会继续与下一层卷积核进行矩阵内积运算。最后一层卷积核的输出矩阵会展开成一个向量作为全连接层的输入,全连接层的输出个数为两个,这两个输出会通过Softmax函数转变为两个和为1的值,比如[0.7,0.3]这种形式的值,分别表示该切片单元为阴性类型的概率和非阴性类型的概率,设定一个阈值,阴性类型概率值大于这个阈值时,则认为该切片单元属于阴性类型。
初始状态下,阴性区域分类算法模型中的权重都是随机的,要想使输入切片单元后能得到正确的概率,就需要对模型中的参数进行训练。训练过程如下:
第一步:网络进行权值的初始化;
第二步:输入数据经过卷积层、下采样层、全连接层的向前传播得到输出值;
第三步:求出网络的输出值与目标值之间的误差,这里的目标值是[0,1]、[1,0]这样的值;
第四步:当误差大于我们的期望值时,将误差传回网络中,依次求得全连接层,下采样层,卷积层的误差。各层的误差可以理解为对于网络的总误差,网络应承担多少;当误差等于或小于我们的期望值时,结束训练。
第五步:根据求得误差进行权值更新,然后再进入到第二步。
通过这样的方式训练阴性区域分类算法模型中的参数,阴性区域分类算法模型就可以在输入一张图片后得到正确的输出概率值。
S30,采用阳性细胞检测模型对所述非确定阴性区域的阳性细胞进行检出,并标注出具有阳性细胞的非确定阴性区域及所述阳性细胞的所在位置、阳性细胞的类型和置信度;
S40,输出标注有非确定阴性区域、阳性细胞的位置、细胞类型以及置信度的数字细胞病理图像数据。
阳性细胞检测模型处理的是一个目标检测的任务,模型需要输出表示细胞位置的边界框坐标数据,以及该边界框中的细胞的类型。阳性细胞检测模型也是由若干个不同的卷积核构成的层级结构,卷积核的权重也是通过训练得到的,训练过程与阴性区域分类算法模型过程相同。训练数据由图片和对应的标注数据构成,标注数据包括对应图片中细胞的边界框坐标值以及细胞的类型,细分类型包括腺异常、SCC、HSIL、ASC-H、LSIL、ASCUS、疱疹、滴虫、真菌、放线菌、巨细胞病毒、线索细胞以及子宫内膜细胞等,细胞类型同样也是用one-hot编码的格式来表示,形如[0,1,0,0,0]这样的格式,向量中只包含一个值为1的元素,其他位置的元素都为0。向量长度等于细胞的类型数,元素“1”在不同的位置,代表不同的细胞类型。模型在输出结果时,会输出类似[0.05,0.8,0.03,0.05,0.07]这样的值,根据最大值所在的位置来判断细胞的类型。
处理器将输出的经过标注的数字细胞病理图像数据传输至显示器。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。
Claims (6)
1.一种数字细胞病理图像智能分析方法,其特征在于,包括:
S10,获取待分析的数字细胞病理图像数据,并进行预处理;
S20,筛选数字细胞病理图像数据的非确定阴性区域;
S30,对所述非确定阴性区域内的阳性细胞进行筛选和标注;
S40,输出标注后的数字细胞病理图像数据;
其中,所述数字细胞病理图像数据为视频数据或图片数据,所述步骤S10还包括:将所述视频数据拆分为多个连续的图片,筛选出所述图片中无重叠部分或是重叠部分面积在设定范围内的若干张图片,对筛选出的若干张图片逐一进行预处理;
步骤S20具体包括:
S201,将数字细胞病理图像数据分割为多个具有相同尺寸的切片单元;
S202,采用阴性区域分类算法模型对每个切片单元进行阴性预测,确定每个切片单元为阴性的概率;
S203:筛选出所述概率小于设定阈值的切片单元作为非确定阴性区域;
所述阴性区域分类算法模型是以若干个经过阴性标注的切片样本作为第一卷积神经网络的输入,训练得到。
2.根据权利要求1所述的一种数字细胞病理图像智能分析方法,其特征在于,步骤S30具体包括:采用阳性细胞检测模型对所述非确定阴性区域的阳性细胞进行检出,并标注出具有阳性细胞的非确定阴性区域及所述阳性细胞的所在位置、阳性细胞的类型和置信度;所述阳性细胞检测模型是以若干个标注阳性细胞的切片样本作为第二卷积神经网络的输入,训练得到。
3.权利要求2所述的一种数字细胞病理图像智能分析方法,其特征在于,步骤S40:输出标注有非确定阴性区域及非确定阴性区域中阳性细胞所在位置、阳性细胞的类型和置信度的数字细胞病理图像数据。
4.一种数字细胞病理图像智能分析装置,其特征在于,包括:显示器和一个或多个处理器,所述处理器:
获取待分析的数字细胞病理图像数据,并进行预处理;
筛选数字细胞病理图像数据的非确定阴性区域;
对所述非确定阴性区域内的阳性细胞进行筛选和标注;
将标注后的数字细胞病理图像数据发送至显示器进行显示;
所述数字细胞病理图像数据为视频数据或图片数据,如果为视频数据,则处理器将所述视频数据拆分为多个图片数据,筛选出重叠部分面积在设定范围内的多张图片数据,对筛选出的多张图片数据逐一进行预处理;
所述处理器包括识别阴性区域的阴性区域分类算法模型,阴性区域分类模型以若干个经过阴性标注的切片样本作为输入训练后得到;
处理器将数字细胞病理图像数据分割为多个具有相同尺寸的切片单元;
采用阴性区域分类算法模型对每个切片单元进行阴性预测,确定每个切片单元为阴性的概率;
筛选出所述概率小于设定阈值的切片单元作为非确定阴性区域。
5.根据权利要求4所述的一种数字细胞病理图像智能分析装置,其特征在于,所述处理器包括阳性细胞检测模型,阳性细胞检测模型以若干个标注阳性细胞的切片样本作为输入训练后得到;
处理器采用阳性细胞检测模型对所述非确定阴性区域的阳性细胞进行检出,并标注出具有阳性细胞的非确定阴性区域及所述阳性细胞的所在位置、阳性细胞的类型和置信度,将标注有非确定阴性区域、阳性细胞的位置、阳性细胞的类型阳性细胞的类型和置信度的数字细胞病理图像数据发送至显示器进行显示。
6.一种数字细胞病理图像智能分析系统,其特征在于,包括:
图像获取装置,用于获取待分析的数字细胞病理图像数据;
处理器,与所述图像获取装置连接,接收来自图像获取装置的数字细胞病理图像数据,
筛选数字细胞病理图像数据的非确定阴性区域,再检出所述非确定阴性区域内的阳性细胞,并对阳性细胞所在位置、阳性细胞的类型和置信度进行标注;
显示器,与所述处理器连接,用于接收并显示标注有非确定阴性区域及非确定阴性区域中阳性细胞所在位置、阳性细胞的类型和置信度的数字细胞病理图像数据;
其中,所述数字细胞病理图像数据为视频数据或图片数据,如果为视频数据,则处理器将所述视频数据拆分为多个图片数据,筛选出重叠部分面积在设定范围内的多张图片数据,对筛选出的多张图片数据逐一进行预处理;
所述处理器包括识别阴性区域的阴性区域分类算法模型,阴性区域分类模型以若干个经过阴性标注的切片样本作为输入训练后得到;
处理器将数字细胞病理图像数据分割为多个具有相同尺寸的切片单元;
采用阴性区域分类算法模型对每个切片单元进行阴性预测,确定每个切片单元为阴性的概率;
筛选出所述概率小于设定阈值的切片单元作为非确定阴性区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910548420.6A CN112132166B (zh) | 2019-06-24 | 2019-06-24 | 一种数字细胞病理图像智能分析方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910548420.6A CN112132166B (zh) | 2019-06-24 | 2019-06-24 | 一种数字细胞病理图像智能分析方法、系统及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112132166A CN112132166A (zh) | 2020-12-25 |
CN112132166B true CN112132166B (zh) | 2024-04-19 |
Family
ID=73849696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910548420.6A Active CN112132166B (zh) | 2019-06-24 | 2019-06-24 | 一种数字细胞病理图像智能分析方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112132166B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112884725B (zh) * | 2021-02-02 | 2022-12-20 | 杭州迪英加科技有限公司 | 针对用于细胞判别的神经网络模型输出结果的修正方法 |
CN113063778B (zh) * | 2021-03-10 | 2022-07-22 | 南通大学 | 一种应用于非诊断目的的ai识别的胸水单体癌细胞制备方法 |
CN113077876B (zh) * | 2021-03-31 | 2023-02-03 | 广州金域医学检验中心有限公司 | 数字病理图像标注方法、装置、计算机设备及存储介质 |
CN114058682B (zh) * | 2021-10-19 | 2023-07-04 | 杭州迪英加科技有限公司 | 一种用于防伪的原位杂交缓冲液及其应用 |
CN115100151B (zh) * | 2022-06-27 | 2023-02-24 | 武汉兰丁智能医学股份有限公司 | 结果导向的细胞图像高清晰识别标记方法 |
CN115100646B (zh) * | 2022-06-27 | 2023-01-31 | 武汉兰丁智能医学股份有限公司 | 细胞图像高清晰快速拼接识别标记方法 |
CN117115816B (zh) * | 2023-10-24 | 2024-02-09 | 深圳市美侨医疗科技有限公司 | 一种白带显微图像中线索细胞的识别方法及系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102044069A (zh) * | 2010-12-01 | 2011-05-04 | 华中科技大学 | 一种白细胞图像分割方法 |
CN102421916A (zh) * | 2009-04-21 | 2012-04-18 | 日本电气株式会社 | 用于评估癌症的方法 |
CN105975793A (zh) * | 2016-05-23 | 2016-09-28 | 麦克奥迪(厦门)医疗诊断系统有限公司 | 一种基于数字病理图像的癌症辅助诊断方法 |
CN108288506A (zh) * | 2018-01-23 | 2018-07-17 | 雨声智能科技(上海)有限公司 | 一种基于人工智能技术的癌症病理辅助诊断方法 |
CN108334909A (zh) * | 2018-03-09 | 2018-07-27 | 南京天数信息科技有限公司 | 基于ResNet的宫颈癌TCT数字切片数据分析方法 |
CN108346145A (zh) * | 2018-01-31 | 2018-07-31 | 浙江大学 | 一种病理切片中非常规细胞的识别方法 |
CN108550133A (zh) * | 2018-03-02 | 2018-09-18 | 浙江工业大学 | 一种基于Faster R-CNN的癌细胞检测方法 |
CN108765408A (zh) * | 2018-05-31 | 2018-11-06 | 杭州同绘科技有限公司 | 构建癌症病理图像虚拟病例库的方法以及基于卷积神经网络的多尺度癌症检测系统 |
CN109034208A (zh) * | 2018-07-03 | 2018-12-18 | 怀光智能科技(武汉)有限公司 | 一种高低分辨率组合的宫颈细胞病理切片分类方法 |
CN109190441A (zh) * | 2018-06-21 | 2019-01-11 | 丁彦青 | 女性生殖道细胞病理智能分类方法、诊断仪及存储介质 |
JP2019028887A (ja) * | 2017-08-02 | 2019-02-21 | 国立研究開発法人産業技術総合研究所 | 画像処理方法 |
CN109670510A (zh) * | 2018-12-21 | 2019-04-23 | 万达信息股份有限公司 | 一种基于深度学习的胃镜活检病理数据筛查系统和方法 |
CN109886179A (zh) * | 2019-02-18 | 2019-06-14 | 深圳视见医疗科技有限公司 | 基于Mask-RCNN的子宫颈细胞涂片的图像分割方法和系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101628276B1 (ko) * | 2015-04-20 | 2016-06-08 | 주식회사 루닛 | 클라우드 기반 병리 분석 시스템 및 방법 |
CN106803247B (zh) * | 2016-12-13 | 2021-01-22 | 上海交通大学 | 一种基于多级筛选卷积神经网络的微血管瘤图像识别方法 |
-
2019
- 2019-06-24 CN CN201910548420.6A patent/CN112132166B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102421916A (zh) * | 2009-04-21 | 2012-04-18 | 日本电气株式会社 | 用于评估癌症的方法 |
CN102044069A (zh) * | 2010-12-01 | 2011-05-04 | 华中科技大学 | 一种白细胞图像分割方法 |
CN105975793A (zh) * | 2016-05-23 | 2016-09-28 | 麦克奥迪(厦门)医疗诊断系统有限公司 | 一种基于数字病理图像的癌症辅助诊断方法 |
JP2019028887A (ja) * | 2017-08-02 | 2019-02-21 | 国立研究開発法人産業技術総合研究所 | 画像処理方法 |
CN108288506A (zh) * | 2018-01-23 | 2018-07-17 | 雨声智能科技(上海)有限公司 | 一种基于人工智能技术的癌症病理辅助诊断方法 |
CN108346145A (zh) * | 2018-01-31 | 2018-07-31 | 浙江大学 | 一种病理切片中非常规细胞的识别方法 |
CN108550133A (zh) * | 2018-03-02 | 2018-09-18 | 浙江工业大学 | 一种基于Faster R-CNN的癌细胞检测方法 |
CN108334909A (zh) * | 2018-03-09 | 2018-07-27 | 南京天数信息科技有限公司 | 基于ResNet的宫颈癌TCT数字切片数据分析方法 |
CN108765408A (zh) * | 2018-05-31 | 2018-11-06 | 杭州同绘科技有限公司 | 构建癌症病理图像虚拟病例库的方法以及基于卷积神经网络的多尺度癌症检测系统 |
CN109190441A (zh) * | 2018-06-21 | 2019-01-11 | 丁彦青 | 女性生殖道细胞病理智能分类方法、诊断仪及存储介质 |
CN109034208A (zh) * | 2018-07-03 | 2018-12-18 | 怀光智能科技(武汉)有限公司 | 一种高低分辨率组合的宫颈细胞病理切片分类方法 |
CN109670510A (zh) * | 2018-12-21 | 2019-04-23 | 万达信息股份有限公司 | 一种基于深度学习的胃镜活检病理数据筛查系统和方法 |
CN109886179A (zh) * | 2019-02-18 | 2019-06-14 | 深圳视见医疗科技有限公司 | 基于Mask-RCNN的子宫颈细胞涂片的图像分割方法和系统 |
Non-Patent Citations (2)
Title |
---|
免疫组化彩色细胞图像自动分割的研究;傅蓉;;中国医学物理学杂志(第06期);全文 * |
计算机辅助肺癌细胞病理诊断的初步研究;张缨;汪栋;叶玉坤;高阳;赵波;朱亮;郭晓文;;临床肿瘤学杂志(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112132166A (zh) | 2020-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112132166B (zh) | 一种数字细胞病理图像智能分析方法、系统及装置 | |
US20230419696A1 (en) | Image analysis method, apparatus, program, and learned deep learning algorithm | |
CN109741346B (zh) | 感兴趣区域提取方法、装置、设备及存储介质 | |
CN108648172B (zh) | 一种基于3D-Unet的CT图肺结节检测系统 | |
CN111325739B (zh) | 肺部病灶检测的方法及装置,和图像检测模型的训练方法 | |
CN104156967B (zh) | 一种胎儿颈部透明层图像分割方法、装置及超声成像系统 | |
CN108288506A (zh) | 一种基于人工智能技术的癌症病理辅助诊断方法 | |
CN108961229A (zh) | 基于深度学习的心血管oct影像易损失斑块检测方法及系统 | |
CN108257135A (zh) | 基于深度学习方法解读医学图像特征的辅助诊断系统 | |
CN108734108B (zh) | 一种基于ssd网络的裂纹舌识别方法 | |
Han et al. | Automated pathogenesis-based diagnosis of lumbar neural foraminal stenosis via deep multiscale multitask learning | |
CN111462049B (zh) | 一种乳腺超声造影视频中病灶区形态自动标注方法 | |
US20220383661A1 (en) | Method and device for retinal image recognition, electronic equipment, and storage medium | |
CN112365973B (zh) | 基于对抗网络和Faster R-CNN的肺结节辅助诊断系统 | |
CN112001895B (zh) | 一种甲状腺钙化检测装置 | |
CN113781455B (zh) | 宫颈细胞图像异常检测方法、装置、设备及介质 | |
CN104732520A (zh) | 一种胸部数字影像的心胸比测量算法及系统 | |
CN113313680B (zh) | 一种结直肠癌病理图像预后辅助预测方法及系统 | |
CN115909006B (zh) | 基于卷积Transformer的乳腺组织图像分类方法及系统 | |
CN111916206A (zh) | 一种基于级联的ct影像辅助诊断系统 | |
CN111047559A (zh) | 一种数字病理切片异常区域快速检测的方法 | |
CN117274278B (zh) | 基于模拟感受野的视网膜图像病灶部位分割方法及系统 | |
CN114140437A (zh) | 一种基于深度学习的眼底硬渗出物分割方法 | |
CN115880266B (zh) | 一种基于深度学习的肠道息肉检测系统和方法 | |
CN117036288A (zh) | 一种面向全切片病理图像的肿瘤亚型诊断方法 |
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 |