CN112233060B - 数字病理图像异常样本的筛选方法、装置、设备及介质 - Google Patents
数字病理图像异常样本的筛选方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN112233060B CN112233060B CN202010922194.6A CN202010922194A CN112233060B CN 112233060 B CN112233060 B CN 112233060B CN 202010922194 A CN202010922194 A CN 202010922194A CN 112233060 B CN112233060 B CN 112233060B
- Authority
- CN
- China
- Prior art keywords
- cell
- cells
- standard
- cell clusters
- analyzed
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 103
- 230000001575 pathological effect Effects 0.000 title claims abstract description 102
- 238000012216 screening Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 39
- 210000004027 cell Anatomy 0.000 claims abstract description 430
- 210000003855 cell nucleus Anatomy 0.000 claims abstract description 67
- 238000003860 storage Methods 0.000 claims abstract description 9
- 230000007170 pathology Effects 0.000 claims description 54
- 210000004940 nucleus Anatomy 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 12
- 238000003745 diagnosis Methods 0.000 abstract description 12
- 230000003902 lesion Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 230000000762 glandular Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 210000001703 glandular epithelial cell Anatomy 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 201000007490 Adenocarcinoma in Situ Diseases 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000120 cytopathologic effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000008771 Lymphadenopathy Diseases 0.000 description 1
- 208000013228 adenopathy Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000009841 epithelial lesion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06T2207/30—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)
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本申请涉及一种数字病理图像异常样本的筛选方法，该方法包括：获取待分析的数字病理图像；对所述数字病理图像中的细胞核进行检测定位；根据检测定位到的细胞核确定出符合预设条件的细胞簇，所述细胞簇中包括多个细胞核；根据确定出的所述细胞簇的数量确定所述待分析的数字病理图像是否为异常样本。该数字病理图像异常样本的筛查方法，作为一种辅助手段，可以准确地筛选出数字病理图像是否为异常样本，减少了漏筛漏诊的情况。此外，还提出了一种数字病理图像异常样本的筛选装置、计算机设备及存储介质。
Description
技术领域
本发明涉及计算机技术领域，尤其是涉及一种数字病理图像异常样本的筛选方法、装置、设备及介质。
背景技术
数字病理技术是指将光学扫描、计算机和互联网结合并应用于病理学领域的技术。通过现代数字系统与传统光学放大装置的有机结合，采用全自动显微镜或光学放大系统对病理切片进行扫描采集得到高分辨率的数字病理图像。数字病理图像被广泛用于病理学的各个领域。随着人工智能技术的高速发展，利用机器学习或深度学习等计算机技术对数字病理图像进行辅助判断以及筛查的技术正处于方兴未艾之中。
但是由于细胞病变的多样性，有些细胞的病变采用机器学习仍然不能得到很好的辅助判读。比如，对于高危腺体病变，像Atypical glandular cells(AGC)和Adenocarcinoma in situ(AIS)等的筛查一直是行业痛点，常常造成漏筛漏诊。主要原因有两个：第一，腺上皮病变在整个妇科体检细胞筛查中所占比例不高，病例量相对较少，所以对于深度学习的训练集来说，数据量难以满足大数据训练需求；第二，腺上皮细胞往往呈现为三维的立体结构，难以扫描和分割。
针对这种难以用现有机器学习进行辅助判读的情况，亟需一种可以减少漏筛漏诊情况的辅助判断方法。
发明内容
基于此，有必要针对上述问题，提供了一种数字病理图像异常样本的筛选方法、装置、设备及介质，该数字病理图像异常样本的筛选方法可以较准确地筛选出数字病理图像是否为异常样本，减少了漏筛漏诊的情况。
第一方面，本发明实施例提供了一种数字病理图像异常样本的筛选方法，所述方法包括：
获取待分析的数字病理图像；
对所述数字病理图像中的细胞核进行检测定位；
根据检测定位到的细胞核确定出符合预设条件的细胞簇，所述细胞簇中包括多个细胞核；
根据确定出的所述细胞簇的数量确定所述待分析的数字病理图像是否为异常样本。
第二方面，本发明实施例提供一种数字病理图像异常样本的筛选装置，所述装置包括：
获取模块，用于获取待分析的数字病理图像；
定位模块，用于对所述数字病理图像中的细胞核进行检测定位；
第一确定模块，根据检测定位到的细胞核确定出符合预设条件的细胞簇，所述细胞簇中包括多个细胞核；
第二确定模块，根据确定出的所述细胞簇的数量确定所述待分析的数字病理图像是否为异常样本。
第三方面，本发明实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
获取待分析的数字病理图像；
对所述数字病理图像中的细胞核进行检测定位；
根据检测定位到的细胞核确定出符合预设条件的细胞簇，所述细胞簇中包括多个细胞核；
根据确定出的所述细胞簇的数量确定所述待分析的数字病理图像是否为异常样本。
第四方面，本发明实施例提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
获取待分析的数字病理图像；
对所述数字病理图像中的细胞核进行检测定位；
根据检测定位到的细胞核确定出符合预设条件的细胞簇，所述细胞簇中包括多个细胞核；
根据确定出的所述细胞簇的数量确定所述待分析的数字病理图像是否为异常样本。
上述的数字病理图像异常样本的筛选方法、装置、计算机设备及存储介质，首先对待分析的数字病理图像中的细胞核进行检测定位，然后基于定位得到的细胞核确定出待分析的数字病理图像中包含的细胞簇，继而又根据细胞簇的数量来确定待分析的数字病理图像是否为异常样本。该方法创新性地提出了利用待分析的数字病理图像中的细胞簇的数量来确定数字病理图像中是否存在异常，该方法作为辅助判读手段，提高了数字病理图像异常样本筛选的准确度，减少了漏筛漏诊的情况。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1为一个实施例中数字病理图像异常样本的筛选方法的流程图；
图2为一个实施例中数字病理图像的示意图；
图3A为一个实施例中正常宫颈细胞样本图；
图3B为一个实施例中正常宫颈细胞模式图；
图4A为一个实施例中异常宫颈细胞样本图；
图4B为一个实施例中异常宫颈细胞模式图；
图5为一个实施例中确定出符合预设条件的细胞簇的流程图；
图6位一个实施例中带有标识的宫颈细胞病理模式图；
图7为一个实施例中确定待分析的数字病理图像是否为异常样本的流程图；
图8为一个实施例中数字病理图像异常样本的筛选装置的结构框图；
图9为另一个实施例中数字病理图像异常样本的筛选装置的结构框图；
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，提出了一种数字病理图像异常样本的筛选方法，该数字病理图像异常样本的筛选方法可以应用于终端，本实施例以应用于终端举例说明。该异常样本的筛选方法具体包括以下步骤：
步骤102，获取待分析的数字病理图像。
其中，待分析的数字病理图像是指对待分析样本进行拍照获得的图像。如图2所示，为一个实施例中，数字病理图像的示意图。
步骤104，对数字病理图像中的细胞核进行检测定位。
其中，细胞核经过染色后在显微镜下呈现的是蓝色，且细胞核呈现圆形。所以数字病理图像中的细胞核的颜色是蓝色，形状呈现为圆形。基于细胞核这些明显的特点，利用现有技术很容易检测定位出数字病理图像中的细胞核。
步骤106，根据检测定位到的细胞核确定出符合预设条件的细胞簇，细胞簇中包括多个细胞核。
其中，细胞簇，顾名思义，是由距离很近的多个细胞组成的，细胞的距离可以用细胞核之间的距离来度量。预设条件可以是预先设置的细胞核之间的预设距离，以及组成细胞簇的最少细胞数量（比如，10个）。当细胞核之间的距离小于预设距离时，则说明对应的细胞相隔很近，然后多个相隔很近的细胞组成了细胞簇。
步骤108，根据确定出的细胞簇的数量确定待分析的数字病理图像是否为异常样本。
其中，异常样本是指可能存在异常病变的数字病理图像。细胞簇的数量往往能够反映出数字病理图像中是否存在病变。在一个实施例中，正常样本中细胞簇的数量一般比较少，如果检测发现样本中的细胞簇的数量比正常情况下多很多，那么说明该数字病理图像是存在异常情况的可疑样本。如图3和4所示，图3A为正常宫颈细胞样本图，图3B为相应的正常宫颈细胞模式图，图4A为异常宫颈细胞样本图，图4B异常宫颈细胞模式图，从图3和图4中可以明显看出异常样本中的细胞簇数量比正常情况下的多很多。通过细胞簇数量的变化找出异常样本，后续可以由医生进一步对样本进行观察判断，得出诊断结果。该技术在医学上作为初步筛查手段，可以有效辅助判读，大幅度降低细胞病变被漏诊、漏筛的情况，而且该方法在少量的训练数据集中就能得到很好的效果，减少了传统的人为标注的工作量，同时也避免了人为标注质量不稳定造成的数据混淆，同时该方法简单易操作，有利于降低运算成本，提升效率与效益。
上述数字病理图像异常样本的筛选方法，首先对待分析的数字病理图像中的细胞核进行检测定位，然后基于定位得到的细胞核确定出待分析的数字病理图像中包含的细胞簇，继而又根据细胞簇的数量来确定待分析的数字病理图像是否为异常样本。该方法创新性地提出了利用待分析的数字病理图像中的细胞簇的数量来确定数字病理图像中是否存在异常，该方法作为辅助手段，提高了筛选的准确度，减少了漏筛漏诊的情况。
如图5所示，在一个实施例中，所述根据检测定位到的细胞核确定出符合预设条件的细胞簇，所述细胞簇中包括多个细胞核，包括：
步骤106A，计算细胞核之间的距离，当细胞核之间的距离小于预设距离时，则将相应的两个细胞归为相近细胞，并将具有共同相近细胞的细胞也归为相近细胞，形成相近细胞集。
其中，细胞核之间的距离是指两个细胞核之间的直线距离。当两个细胞核之间的距离小于预设距离时，则将相应的两个细胞判读为细胞相近，归为相近细胞，否则，判断为细胞相远。需要说明的是，具有共同相近细胞的两个细胞也互为相近细胞，比如，A和B为相近细胞，B和C为相近细胞，那么将A和C也归为相近细胞，这样就可以将聚集在一起的细胞归为一个细胞簇。
步骤106B，当相近细胞集中的相近细胞的数量大于预设数量时，则将相近细胞集归为一个细胞簇。
其中，计算相近细胞集中的细胞数量，当细胞数量大于预设数量（比如，10个）时，则将相近细胞集归为一个细胞簇。如果相近细胞集中的细胞数量较少，那么不能将相应的相近细胞归为一个细胞簇。
在一个实施例中，如图6所示，为带有标识的宫颈细胞病理模式图，若细胞核之间的距离大于a微米（比如，a=10），则判读为细胞相远，判读为鳞状细胞，如果该细胞单个出现，与周围细胞核关系距离较远，如图中的虚线方框，判读为独立出现的鳞状细胞，如果与周围细胞核关系距离相对较近，但是距离仍然大于a微米，如图中的椭圆框，则判读为成堆出现的鳞状细胞。如果细胞核距离小于a微米，可能为腺上皮细胞的可能性增加，当临近的腺上皮细胞数量大于b（比如，b=10）时，如图中的实线方框，则判读为一个腺上皮细胞簇。
在一个实施例中，所述根据检测定位到的细胞核确定出符合预设条件的细胞簇，所述细胞簇中包括多个细胞核，包括：获取单位面积内细胞核的数量，当所述单位面积内细胞核的数量大于预设阈值时，则将相应的细胞归为一个细胞簇。
其中，可以预先将待分析标本的数字病理图像切分为若干个单位面积的图像，然后计算各个单位面积上的细胞核数量，如果单位面积内细胞核的数量大于预设阈值（比如，15个），那么将该单位面积上的细胞归为一个细胞簇。
如图7所示，在一个实施例中，所述根据确定出的所述细胞簇的数量确定所述待分析的数字病理图像是否为异常样本，包括：
步骤108A，获取每个细胞簇中的细胞数量。
其中，计算待分析的数字病理图像中包含的细胞簇的数量以及每个细胞簇中包含的细胞数量。
步骤108B，获取标准细胞簇数量和标准细胞簇中的标准细胞数量。
其中，标准细胞簇数量是正常标本中包含的细胞簇数量。该细胞簇数量是通过对正常标本中包含的细胞簇数量进行统计平均得到的。标准细胞数量是指正常标本中的正常细胞簇中所包含的细胞数量的统计值。
步骤108C，根据细胞簇数量、细胞簇中的细胞数量、标准细胞簇数量和标准细胞数量确定待分析的数字病理图像是否为异常样本。
其中，通过将细胞簇数量与标准细胞簇数量进行比较，以及将细胞簇中的细胞数量与标准细胞簇中的标准细胞数量进行比较来判断待分析的数字病理图像是否为异常样本。在一个实施例中，判断细胞簇数量与标准细胞簇数量的差值是否大于第一预设差值，以及判断细胞簇中的细胞数量与标准细胞数量的差值是否大于第二预设差值，若细胞簇数量与标准细胞簇数量的差值大于第一预设差值，同时细胞簇中的细胞数量与标准细胞数量的差值大于第二预设差值，则判读待分析的数字病理图像为异常样本。在另一个实施例中，计算细胞簇数量与标准细胞簇数量的第一比值，然后计算细胞簇中的细胞数量与标准细胞数量的第二比值，并将第一比值和标准第一比值，第二比值和标准第二比值做比较，根据比较结果来分析待分析的数字病理图像是否为异常样本。
在一个实施例中，所述根据所述细胞簇数量、所述细胞簇中的细胞数量、所述标准细胞簇数量和所述标准细胞数量确定所述待分析的数字病理图像是否为异常样本，包括：计算所述细胞簇数量与所述标准细胞簇数量的第一比值；计算所述细胞簇中的细胞数量的平均值，计算所述平均值与所述标准细胞数量的第二比值；获取第一标准比值和第二标准比值，根据所述第一比值、所述第二比值、所述第一标准比值和所述第二标准比值确定所述待分析的数字病理图像是否为异常样本。
其中，第一标准比值是指经过统计计算得到的正常标本中细胞簇数量与标准细胞簇数量的比值。第二标准比值是指统计计算得到的正常标本中细胞簇中的细胞数量的平均值与标准细胞数量的比值。以腺上皮病例为例，在足够数量的正常样本或非腺病变的样本，计算各个样本中的细胞簇的数量N值以及单个细胞簇内所包含细胞数量M值，然后进行统计得到各自的平均值。然后计算腺病变标本与其他标本中的N值和M值的分界值（cut-off）。最后经过统计计算得出腺病变中的N值与非腺病变N之间的比值X；腺病变中的M值与非腺体病变M之间的比值Y，然后经过大量数据腺病变与其他标本的统计分析，计算得出具有临界值的阈值，设定为X0值和Y0值。计算待分析的数字病理图像中的X值和Y值，分别与X0值和Y0值作比较，如果大于分界值，则提示为疑似异常腺病变，然后将病变移交给细胞病理医生进一步诊断。
在一个实施例中，所述根据确定出的所述细胞簇的数量确定所述待分析的数字病理图像是否为异常样本，包括：获取所述待分析的数字病理图像中的非细胞簇中的细胞数量；根据所述细胞簇的数量和所述非细胞簇中的细胞数量确定所述待的数字病理图像是否为异常样本。
其中，正常标本中细胞簇的数量与非细胞簇的细胞数量是相对稳定的，所以通过分析待分析的数字病理图像中细胞簇的数量和非细胞簇中的细胞数量来确定待分析的数字病理图像是否为异常样本。在一个实施例中，以腺病变为例，定量计算待分析的数字病理图像中细胞簇N和鳞状细胞（Sq）的比值（R1），并与正常标准或者非腺病变标本中细胞簇N和鳞状细胞（Sq）的比值（R2）进行比较，若R1>R2，则计算机判读待分析的数字病理图像中存在疑似异常腺病变，后续移交给医生进一步进行诊断。
在一个实施例中，所述根据所述细胞簇的数量和所述非细胞簇中的细胞数量确定所述待分析的数字病理图像是否为异常样本，包括：计算所述细胞簇的数量与所述非细胞簇中的细胞数量的比值；获取标准比值，根据所述比值和所述标准比值确定所述待分析的数字病理图像是否为异常样本。
其中，标准比值是指正常样本中细胞簇的数量与非细胞簇中的细胞数量的比值。通过对多个正常样本中细胞簇的数量和非细胞簇中的细胞数量进行统计分析确定得到标准比值。计算待分析的数字病理图像中细胞簇的数量与非细胞簇中的细胞数量的比值，然后将该比值与预先统计计算得到的标准比值进行比较，在一个实施例中，当该比值比标准比值大时，则将待分析的数字病理图像判定为异常样本。在另一个实施例中，计算比值与标准比值的差值，当该差值超出了预设范围时，则将待分析的数字病理图像判定为异常样本。
在一个实施例中，上述异常样本的筛选方法还包括：当判定所述待分析的数字病理图像为异常样本时，根据细胞簇中包含的细胞数量从待分析的数字病理图像中筛选出预设个数的目标细胞簇，将筛选出的所述目标细胞簇进行展示。
其中，异常样本为疑似病变的样本，还需要医生对疑似病变的样本进行进一步判断，为了便于医生观看，根据细胞簇中包含的细胞数量选择包含细胞数量最多的细胞簇若干个（比如，10个），然后在医生端的显示屏上进行显示，以提醒医生关注。医生根据显示屏端所展示的图像，进行最终的诊断，该方案提高了疾病的检出率，减少了漏诊的可能性。
如图8所示，在一个实施例中，提出了一种数字病理图像异常样本的筛选装置，该装置包括：
获取模块802，用于获取待分析的数字病理图像；
定位模块804，用于对所述数字病理图像中的细胞核进行检测定位；
第一确定模块806，根据检测定位到的细胞核确定出符合预设条件的细胞簇，所述细胞簇中包括多个细胞核；
第二确定模块808，根据确定出的所述细胞簇的数量确定所述待分析的数字病理图像是否为异常样本。
在一个实施例中，所述第一确定模块还用于计算细胞核之间的距离，当细胞核之间的距离小于预设距离时，则将相应的两个细胞归为相近细胞，并将具有共同相近细胞的细胞也归为相近细胞，形成相近细胞集；当所述相近细胞集中的相近细胞的数量大于预设数量时，则将所述相近细胞集归为一个细胞簇。
在一个实施例中，所述第一确定模块还用于获取单位面积内细胞核的数量，当所述单位面积内细胞核的数量大于预设阈值时，则将相应的细胞归为一个细胞簇。
在一个实施例中，所述第二确定模块还用于获取每个所述细胞簇中的细胞数量；获取标准细胞簇数量和标准细胞簇中的标准细胞数量；根据所述细胞簇数量、所述细胞簇中的细胞数量、所述标准细胞簇数量和所述标准细胞数量确定所述待分析的数字病理图像是否为异常样本。
在一个实施例中，所述第二确定模块还用于计算所述细胞簇数量与所述标准细胞簇数量的第一比值；计算所述细胞簇中的细胞数量的平均值，计算所述平均值与所述标准细胞数量的第二比值；获取第一标准比值和第二标准比值，根据所述第一比值、所述第二比值、所述第一标准比值和所述第二标准比值确定所述待分析的数字病理图像是否为异常样本。
在一个实施例中，所述第二确定模块还用于获取所述待分析的数字病理图像中的非细胞簇中的细胞数量；根据所述细胞簇的数量和所述非细胞簇中的细胞数量确定所述待分析的数字病理图像是否为异常样本。
在一个实施例中，所述第二确定模块还用于计算所述细胞簇的数量与所述非细胞簇中的细胞数量的比值；获取标准比值，根据所述比值和所述标准比值确定所述待分析的数字病理图像是否为异常样本。
如图9所示，在一个实施例中，上述数字病理图像异常样本的筛选装置还包括：
展示模块810，用于当判定所述待分析的数字病理图像为异常样本时，根据细胞簇中包含的细胞数量从待分析的数字病理图像中筛选出预设个数的目标细胞簇，将筛选出的所述目标细胞簇进行展示。
图10示出了一个实施例中计算机设备的内部结构图。该计算机设备可以是终端。如图10所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现异常样本的筛选方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行异常样本的筛选方法。网络接口用于与外界进行通信。本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，本申请提供的异常样本的筛选方法可以实现为一种计算机程序的形式，计算机程序可在如图10所示的计算机设备上运行。计算机设备的存储器中可存储组成该异常样本的筛选装置的各个程序模板。比如，获取模块802、定位模块804、第一确定模块806、第二确定模块808。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：获取待分析的数字病理图像的数字病理图像；对所述数字病理图像中的细胞核进行检测定位；根据检测定位到的细胞核确定出符合预设条件的细胞簇，所述细胞簇中包括多个细胞核；根据确定出的所述细胞簇的数量确定所述待分析的数字病理图像是否为异常样本。
在一个实施例中，所述根据检测定位到的细胞核确定出符合预设条件的细胞簇，所述细胞簇中包括多个细胞核，包括：计算细胞核之间的距离，当细胞核之间的距离小于预设距离时，则将相应的两个细胞归为相近细胞，并将具有共同相近细胞的细胞也归为相近细胞，形成相近细胞集；当所述相近细胞集中的相近细胞的数量大于预设数量时，则将所述相近细胞集归为一个细胞簇。
在一个实施例中，所述根据检测定位到的细胞核确定出符合预设条件的细胞簇，所述细胞簇中包括多个细胞核，包括：获取单位面积内细胞核的数量，当所述单位面积内细胞核的数量大于预设阈值时，则将相应的细胞归为一个细胞簇。
在一个实施例中，所述根据确定出的所述细胞簇的数量确定所述待分析的数字病理图像是否为异常样本，包括：获取每个所述细胞簇中的细胞数量；获取标准细胞簇数量和标准细胞簇中的标准细胞数量；根据所述细胞簇数量、所述细胞簇中的细胞数量、所述标准细胞簇数量和所述标准细胞数量确定所述待分析的数字病理图像是否为异常样本。
在一个实施例中，所述根据所述细胞簇数量、所述细胞簇中的细胞数量、所述标准细胞簇数量和所述标准细胞数量确定所述待分析的数字病理图像是否为异常样本，包括：计算所述细胞簇数量与所述标准细胞簇数量的第一比值；计算所述细胞簇中的细胞数量的平均值，计算所述平均值与所述标准细胞数量的第二比值；获取第一标准比值和第二标准比值，根据所述第一比值、所述第二比值、所述第一标准比值和所述第二标准比值确定所述待分析的数字病理图像是否为异常样本。
在一个实施例中，所述根据确定出的所述细胞簇的数量确定所述待分析的数字病理图像是否为异常样本，包括：获取所述待分析的数字病理图像中的非细胞簇中的细胞数量；根据所述细胞簇的数量和所述非细胞簇中的细胞数量确定所述待分析的数字病理图像是否为异常样本。
在一个实施例中，所述根据所述细胞簇的数量和所述非细胞簇中的细胞数量确定所述待分析的数字病理图像是否为异常样本，包括：计算所述细胞簇的数量与所述非细胞簇中的细胞数量的比值；获取标准比值，根据所述比值和所述标准比值确定所述待分析的数字病理图像是否为异常样本。
在一个实施例中，所述计算机程序被所述处理器执行时，使得所述处理器还执行如下步骤：当判定所述待分析的数字病理图像为异常样本时，根据细胞簇中包含的细胞数量从待分析的数字病理图像中筛选出预设个数的目标细胞簇，将筛选出的所述目标细胞簇进行展示。
一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：获取待分析的数字病理图像的数字病理图像；对所述数字病理图像中的细胞核进行检测定位；根据检测定位到的细胞核确定出符合预设条件的细胞簇，所述细胞簇中包括多个细胞核；根据确定出的所述细胞簇的数量确定所述待分析的数字病理图像是否为异常样本。
在一个实施例中，所述根据检测定位到的细胞核确定出符合预设条件的细胞簇，所述细胞簇中包括多个细胞核，包括：计算细胞核之间的距离，当细胞核之间的距离小于预设距离时，则将相应的两个细胞归为相近细胞，并将具有共同相近细胞的细胞也归为相近细胞，形成相近细胞集；当所述相近细胞集中的相近细胞的数量大于预设数量时，则将所述相近细胞集归为一个细胞簇。
在一个实施例中，所述根据检测定位到的细胞核确定出符合预设条件的细胞簇，所述细胞簇中包括多个细胞核，包括：获取单位面积内细胞核的数量，当所述单位面积内细胞核的数量大于预设阈值时，则将相应的细胞归为一个细胞簇。
在一个实施例中，所述根据确定出的所述细胞簇的数量确定所述待分析的数字病理图像是否为异常样本，包括：获取每个所述细胞簇中的细胞数量；获取标准细胞簇数量和标准细胞簇中的标准细胞数量；根据所述细胞簇数量、所述细胞簇中的细胞数量、所述标准细胞簇数量和所述标准细胞数量确定所述待分析的数字病理图像是否为异常样本。
在一个实施例中，所述根据所述细胞簇数量、所述细胞簇中的细胞数量、所述标准细胞簇数量和所述标准细胞数量确定所述待分析的数字病理图像是否为异常样本，包括：计算所述细胞簇数量与所述标准细胞簇数量的第一比值；计算所述细胞簇中的细胞数量的平均值，计算所述平均值与所述标准细胞数量的第二比值；获取第一标准比值和第二标准比值，根据所述第一比值、所述第二比值、所述第一标准比值和所述第二标准比值确定所述待分析的数字病理图像是否为异常样本。
在一个实施例中，所述根据确定出的所述细胞簇的数量确定所述待分析的数字病理图像是否为异常样本，包括：获取所述待分析的数字病理图像中的非细胞簇中的细胞数量；根据所述细胞簇的数量和所述非细胞簇中的细胞数量确定所述待分析的数字病理图像是否为异常样本。
在一个实施例中，所述根据所述细胞簇的数量和所述非细胞簇中的细胞数量确定所述待分析的数字病理图像是否为异常样本，包括：计算所述细胞簇的数量与所述非细胞簇中的细胞数量的比值；获取标准比值，根据所述比值和所述标准比值确定所述待分析的数字病理图像是否为异常样本。
在一个实施例中，所述计算机程序被所述处理器执行时，使得所述处理器还执行如下步骤：当判定所述待分析的数字病理图像为异常样本时，根据细胞簇中包含的细胞数量从待分析的数字病理图像中筛选出预设个数的目标细胞簇，将筛选出的所述目标细胞簇进行展示。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种数字病理图像异常样本的筛选方法，其特征在于，所述方法包括：
获取待分析的数字病理图像；
对所述数字病理图像中的细胞核进行检测定位；
根据检测定位到的细胞核确定出符合预设条件的细胞簇，所述细胞簇中包括多个细胞核；
根据确定出的所述细胞簇的数量确定所述待分析的数字病理图像是否为异常样本；
其中，所述根据确定出的所述细胞簇的数量确定所述待分析的数字病理图像是否为异常样本，包括：
获取每个所述细胞簇中的细胞数量；
获取标准细胞簇数量和标准细胞簇中的标准细胞数量；
根据所述细胞簇数量、所述细胞簇中的细胞数量、所述标准细胞簇数量和所述标准细胞数量确定所述待分析的数字病理图像是否为异常样本；
其中，所述根据所述细胞簇数量、所述细胞簇中的细胞数量、所述标准细胞簇数量和所述标准细胞数量确定所述待分析的数字病理图像是否为异常样本，包括：
计算所述细胞簇数量与所述标准细胞簇数量的第一比值；
计算所述细胞簇中的细胞数量的平均值，计算所述平均值与所述标准细胞数量的第二比值；
获取第一标准比值和第二标准比值，根据所述第一比值、所述第二比值、所述第一标准比值和所述第二标准比值确定所述待分析的数字病理图像是否为异常样本；
其中，所述根据确定出的所述细胞簇的数量确定所述待分析的数字病理图像是否为异常样本，包括：
获取所述待分析的数字病理图像中的非细胞簇中的细胞数量；
根据所述细胞簇的数量和所述非细胞簇中的细胞数量确定所述待分析的数字病理图像是否为异常样本；
其中，所述根据所述细胞簇的数量和所述非细胞簇中的细胞数量确定所述待分析的数字病理图像是否为异常样本，包括：
计算所述细胞簇的数量与所述非细胞簇中的细胞数量的比值；
获取标准比值，根据所述比值和所述标准比值确定所述待分析的数字病理图像是否为异常样本。
2.根据权利要求1所述的方法，其特征在于，所述根据检测定位到的细胞核确定出符合预设条件的细胞簇，所述细胞簇中包括多个细胞核，包括：
计算细胞核之间的距离，当细胞核之间的距离小于预设距离时，则将相应的两个细胞归为相近细胞，并将具有共同相近细胞的细胞也归为相近细胞，形成相近细胞集；
当所述相近细胞集中的相近细胞的数量大于预设数量时，则将所述相近细胞集归为一个细胞簇。
3.根据权利要求1所述的方法，其特征在于，所述根据检测定位到的细胞核确定出符合预设条件的细胞簇，所述细胞簇中包括多个细胞核，包括：
获取单位面积内细胞核的数量，当所述单位面积内细胞核的数量大于预设阈值时，则将相应的细胞归为一个细胞簇。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
当判定所述待分析的数字病理图像为异常样本时，根据细胞簇中包含的细胞数量从待分析的数字病理图像中筛选出预设个数的目标细胞簇，将筛选出的所述目标细胞簇进行展示。
5.一种数字病理图像异常样本的筛选装置，其特征在于，所述装置包括：
获取模块，用于获取待分析的数字病理图像；
定位模块，用于对所述数字病理图像中的细胞核进行检测定位；
第一确定模块，根据检测定位到的细胞核确定出符合预设条件的细胞簇，所述细胞簇中包括多个细胞核；
第二确定模块，根据确定出的所述细胞簇的数量确定所述待分析的数字病理图像是否为异常样本；
所述第二确定模块还用于获取每个所述细胞簇中的细胞数量；
获取标准细胞簇数量和标准细胞簇中的标准细胞数量；
根据所述细胞簇数量、所述细胞簇中的细胞数量、所述标准细胞簇数量和所述标准细胞数量确定所述待分析的数字病理图像是否为异常样本；
所述第二确定模块还用于计算所述细胞簇数量与所述标准细胞簇数量的第一比值；
计算所述细胞簇中的细胞数量的平均值，计算所述平均值与所述标准细胞数量的第二比值；
获取第一标准比值和第二标准比值，根据所述第一比值、所述第二比值、所述第一标准比值和所述第二标准比值确定所述待分析的数字病理图像是否为异常样本；
所述第二确定模块还用于获取所述待分析的数字病理图像中的非细胞簇中的细胞数量；
根据所述细胞簇的数量和所述非细胞簇中的细胞数量确定所述待分析的数字病理图像是否为异常样本；
所述第二确定模块还用于计算所述细胞簇的数量与所述非细胞簇中的细胞数量的比值；
获取标准比值，根据所述比值和所述标准比值确定所述待分析的数字病理图像是否为异常样本。
6.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至4中任一项所述方法的步骤。
7.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至4中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010922194.6A CN112233060B (zh) | 2020-09-04 | 2020-09-04 | 数字病理图像异常样本的筛选方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010922194.6A CN112233060B (zh) | 2020-09-04 | 2020-09-04 | 数字病理图像异常样本的筛选方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112233060A CN112233060A (zh) | 2021-01-15 |
| CN112233060B true CN112233060B (zh) | 2024-03-29 |
Family
ID=74116452
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010922194.6A Active CN112233060B (zh) | 2020-09-04 | 2020-09-04 | 数字病理图像异常样本的筛选方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112233060B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115564776B (zh) * | 2022-12-05 | 2023-03-10 | 珠海圣美生物诊断技术有限公司 | 基于机器学习的异常细胞样本检测方法和装置 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102298700A (zh) * | 2011-06-09 | 2011-12-28 | 华东师范大学 | 一种骨髓病理图像中细胞识别与定位方法 |
| CN102369473A (zh) * | 2009-02-13 | 2012-03-07 | 诺瓦西特公司 | 用于制备经处理的虚拟分析板的方法 |
| CN103907023A (zh) * | 2011-09-13 | 2014-07-02 | 皇家飞利浦有限公司 | 检测生物学样品中的异常的系统和方法 |
| CN106846310A (zh) * | 2017-01-19 | 2017-06-13 | 宁波江丰生物信息技术有限公司 | 一种基于免疫组化技术的病理辅助分析方法 |
| 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 |
| CN109145941A (zh) * | 2018-07-03 | 2019-01-04 | 怀光智能科技（武汉）有限公司 | 一种非规则宫颈细胞团图像分类方法及系统 |
| CN109554432A (zh) * | 2018-11-30 | 2019-04-02 | 苏州深析智能科技有限公司 | 一种细胞类型分析方法、分析装置及电子设备 |
| CN109978849A (zh) * | 2019-03-20 | 2019-07-05 | 广州金域医学检验中心有限公司 | 基于数字病理图像的基线细胞确定方法、装置及可读介质 |
| CN110021013A (zh) * | 2019-03-27 | 2019-07-16 | 广州金域医学检验中心有限公司 | 病理切片细胞的类型识别方法、装置和计算机设备 |
| CN110334604A (zh) * | 2019-06-06 | 2019-10-15 | 广州金域医学检验中心有限公司 | 细胞展示方法、装置、计算机设备和计算机可读存储介质 |
| WO2019209657A1 (en) * | 2018-04-23 | 2019-10-31 | The Board Of Trustees Of The Leland Stanford Junior University | Labeling of molecular probes with nonmetal and metalloid isotopes for multiplexed high resolution analysis |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030101470A1 (en) * | 2001-06-26 | 2003-05-29 | Allen Keith E. | Protein tyrosine phosphatase 2 gene disruptions, compositions and methods related thereto |
| US20060189893A1 (en) * | 2005-01-06 | 2006-08-24 | Diamics, Inc. | Systems and methods for detecting abnormal cells |
| WO2011022552A2 (en) * | 2009-08-19 | 2011-02-24 | The Cleveland Clinic Foundation | Marker Detection for Characterizing the Risk of Cardiovascular Disease or Complications Thereof |
| US20110286654A1 (en) * | 2010-05-21 | 2011-11-24 | Siemens Medical Solutions Usa, Inc. | Segmentation of Biological Image Data |
-
2020
- 2020-09-04 CN CN202010922194.6A patent/CN112233060B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102369473A (zh) * | 2009-02-13 | 2012-03-07 | 诺瓦西特公司 | 用于制备经处理的虚拟分析板的方法 |
| CN102298700A (zh) * | 2011-06-09 | 2011-12-28 | 华东师范大学 | 一种骨髓病理图像中细胞识别与定位方法 |
| CN103907023A (zh) * | 2011-09-13 | 2014-07-02 | 皇家飞利浦有限公司 | 检测生物学样品中的异常的系统和方法 |
| CN106846310A (zh) * | 2017-01-19 | 2017-06-13 | 宁波江丰生物信息技术有限公司 | 一种基于免疫组化技术的病理辅助分析方法 |
| WO2019209657A1 (en) * | 2018-04-23 | 2019-10-31 | The Board Of Trustees Of The Leland Stanford Junior University | Labeling of molecular probes with nonmetal and metalloid isotopes for multiplexed high resolution analysis |
| 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 |
| CN109145941A (zh) * | 2018-07-03 | 2019-01-04 | 怀光智能科技（武汉）有限公司 | 一种非规则宫颈细胞团图像分类方法及系统 |
| CN109554432A (zh) * | 2018-11-30 | 2019-04-02 | 苏州深析智能科技有限公司 | 一种细胞类型分析方法、分析装置及电子设备 |
| CN109978849A (zh) * | 2019-03-20 | 2019-07-05 | 广州金域医学检验中心有限公司 | 基于数字病理图像的基线细胞确定方法、装置及可读介质 |
| CN110021013A (zh) * | 2019-03-27 | 2019-07-16 | 广州金域医学检验中心有限公司 | 病理切片细胞的类型识别方法、装置和计算机设备 |
| CN110334604A (zh) * | 2019-06-06 | 2019-10-15 | 广州金域医学检验中心有限公司 | 细胞展示方法、装置、计算机设备和计算机可读存储介质 |
Non-Patent Citations (5)
| Title |
|---|
| "Classification of Breast Cancer Histopathological Images Using Discriminative Patches Screened by Generative Adversarial Networks";R. Man等;《IEEE Access》;第8卷;第155362-155377页 * |
| "Visualizing histopathologic deep learning classification and anomaly detection using nonlinear feature space dimensionality reduction";Faust等;《BMC bioinformatics》;第19卷;第1-15页 * |
| "盘基网柄菌发育缺陷突变株和趋电性突变株的初步筛选";魏喆;《中国优秀硕士学位论文全文数据库 基础科学辑》(第4期);第A006-290页 * |
| "骨髓病理图像中细胞与骨小梁的识别与定位技术研究";李玲;《中国优秀硕士学位论文全文数据库 信息科技辑》(第10期);第I138-779页 * |
| "细胞病理图像的特征分析与分类识别";赵明珠;《中国优秀硕士学位论文全文数据库 信息科技辑》(第7期);第 I138-1336页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112233060A (zh) | 2021-01-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111524137B (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
| US9488639B2 (en) | Cell-based tissue analysis | |
| US9489562B2 (en) | Image processing method and apparatus | |
| CN112200793B (zh) | 数字病理切片质量的实时监控方法及系统、计算机设备 | |
| CN110853005A (zh) | 一种免疫组化膜染色切片诊断方法及装置 | |
| CN111753692B (zh) | 目标对象提取方法、产品检测方法、装置、计算机和介质 | |
| CN113962976B (zh) | 用于病理玻片数字图像的质量评估方法 | |
| CN110736748A (zh) | 免疫组化核浆染色切片诊断方法及系统 | |
| CN110335686B (zh) | 细胞类型识别方法、装置、计算机设备及存储介质 | |
| CN112508854B (zh) | 一种基于unet的肾小管检测分割方法 | |
| López et al. | Digital image analysis in breast cancer: an example of an automated methodology and the effects of image compression | |
| CN111899246A (zh) | 玻片数字化信息质量检测方法、装置、设备及介质 | |
| CN116228764B (zh) | 一种新生儿疾病筛查血片采集质量检测方法及系统 | |
| CN103489187A (zh) | 基于质量检测的宫颈lct图像中细胞核的分割方法 | |
| CN112464802B (zh) | 一种玻片样本信息的自动识别方法、装置和计算机设备 | |
| CN112233060B (zh) | 数字病理图像异常样本的筛选方法、装置、设备及介质 | |
| CN113376327A (zh) | 基于大数据的环境监测信息管理方法及系统 | |
| CN111161212B (zh) | 数字病理切片有丝核分裂象统计方法、装置、设备和介质 | |
| CN109978849B (zh) | 基于数字病理图像的基线细胞确定方法、装置及可读介质 | |
| CN116230208B (zh) | 基于深度学习的胃粘膜炎症分型辅助诊断系统 | |
| Guo et al. | Pathological detection of micro and fuzzy gastric cancer cells based on deep learning | |
| CN111048183B (zh) | 数字病理图像均一化的方法、装置、设备及存储介质 | |
| CN117495986B (zh) | 一种布料图案颜色采集方法及系统 | |
| CN118570206B (zh) | 一种毛细管生产数据监测系统及方法 | |
| CN116152806B (zh) | 一种基于卷积神经网络的骨髓细胞识别方法及系统 |
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 | ||
| CB02 | Change of applicant information |
Address after: 510700 No. 10, helix 3 Road, International Biological Island, Huangpu District, Guangzhou City, Guangdong Province Applicant after: GUANGZHOU KINGMED CENTER FOR CLINICAL LABORATORY Applicant after: GUANGZHOU KINGMED DIAGNOSTICS GROUP Co.,Ltd. Address before: 510330 Guangdong Guangzhou Haizhuqu District Xingang East Road 2429, 3rd floor. Applicant before: GUANGZHOU KINGMED CENTER FOR CLINICAL LABORATORY Applicant before: GUANGZHOU KINGMED DIAGNOSTICS GROUP Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |