CN112396583A - 一种基于巴氏染色方式的dna倍体定量分析的方法及系统 - Google Patents
一种基于巴氏染色方式的dna倍体定量分析的方法及系统 Download PDFInfo
- Publication number
- CN112396583A CN112396583A CN202011294658.XA CN202011294658A CN112396583A CN 112396583 A CN112396583 A CN 112396583A CN 202011294658 A CN202011294658 A CN 202011294658A CN 112396583 A CN112396583 A CN 112396583A
- Authority
- CN
- China
- Prior art keywords
- cell
- region
- neural network
- image
- staining
- 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.)
- Granted
Links
- 238000010186 staining Methods 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000004445 quantitative analysis Methods 0.000 title claims abstract description 33
- 102000053602 DNA Human genes 0.000 title description 72
- 108020004414 DNA Proteins 0.000 title description 72
- 210000004027 cell Anatomy 0.000 claims abstract description 208
- 238000013528 artificial neural network Methods 0.000 claims abstract description 77
- 210000003855 cell nucleus Anatomy 0.000 claims abstract description 50
- 238000004458 analytical method Methods 0.000 claims abstract description 43
- 210000000805 cytoplasm Anatomy 0.000 claims abstract description 36
- 238000004364 calculation method Methods 0.000 claims abstract description 31
- 230000011218 segmentation Effects 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 20
- 102000004169 proteins and genes Human genes 0.000 claims abstract description 8
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 8
- 238000011002 quantification Methods 0.000 claims abstract description 5
- 210000004940 nucleus Anatomy 0.000 claims description 28
- 238000001514 detection method Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 11
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 230000001413 cellular effect Effects 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 17
- 238000005516 engineering process Methods 0.000 description 9
- 206010028980 Neoplasm Diseases 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004043 dyeing Methods 0.000 description 5
- 238000012512 characterization method Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000007447 staining method Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 201000011510 cancer Diseases 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 208000036878 aneuploidy Diseases 0.000 description 2
- 230000001086 cytosolic effect Effects 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 208000026350 Inborn Genetic disease Diseases 0.000 description 1
- 206010036790 Productive cough Diseases 0.000 description 1
- 210000000683 abdominal cavity Anatomy 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000002835 absorbance Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 231100001075 aneuploidy Toxicity 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000001124 body fluid Anatomy 0.000 description 1
- 239000010839 body fluid Substances 0.000 description 1
- 231100000357 carcinogen Toxicity 0.000 description 1
- 239000003183 carcinogenic agent Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 210000003679 cervix uteri Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 208000024971 chromosomal disease Diseases 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002380 cytological effect Effects 0.000 description 1
- 238000012303 cytoplasmic staining Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000002900 effect on cell Effects 0.000 description 1
- 210000001035 gastrointestinal tract Anatomy 0.000 description 1
- 208000016361 genetic disease Diseases 0.000 description 1
- 230000000762 glandular Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000000265 leukocyte Anatomy 0.000 description 1
- 230000000394 mitotic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000000214 mouth Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 210000003802 sputum Anatomy 0.000 description 1
- 208000024794 sputum Diseases 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 210000002700 urine Anatomy 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical 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)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明实施例公开了一种基于巴氏染色方式的细胞图像进行遗传物质(DNA)倍体定量分析的方法及系统，本发明实施例对采用巴氏染色方式进行染色得到的细胞玻片进行扫描，得到细胞图像，对得到的细胞图像采用训练得到的神经网络进行检测及分割处理后，分割得到细胞区域中的细胞质区域和细胞核区域；对所述分割出的细胞核区域进行基于巴氏染色方式下染色特性的细胞积分光密度计算(IOD)后，得到DNA倍体的分析结果。这样，本发明实施例实现对各种类型细胞进行DNA倍体定量的准确分析，减少耗时时间。
Description
技术领域
本发明涉及医学细胞图像处理技术，特别涉及一种基于巴氏染色方式的细胞图像进行遗传物质(DNA)倍体定量分析的方法及系统。
背景技术
癌症是一种染色体疾病，致癌物质、罕见的遗传病症以及偶发的有丝分裂错误都可以产生非整倍体继而引起肿瘤。研究显示，细胞基因组改变以及标本当中非整倍体细胞的出现，是癌症发展中的早期事件，可作为肿瘤检测标志。采用DNA倍体定量分析技术，对细胞核DNA含量和倍体状况进行测定和分析，是目前恶性肿瘤诊断中的一种重要方法，已广泛应用于各类细胞学检查中，过程为：基于获取到的细胞标本制作细胞玻片；对细胞玻片进行细胞图像的采集后，对所采集的细胞图像进行分析，得到其中的细胞区域，对细胞区域进行DNA倍体定量分析，得到定量分析结果。在这里，标本可以为诸如宫颈、口腔等表面刮取的标本，痰液、尿液等分泌排泄的标本，胸腔、腹腔等体液或肿瘤穿刺的标本，消化道、呼吸道内窥镜刷片及组织印片的标本等。
目前，在DNA倍体定量分析方法中制作细胞玻片时，大多采用福尔根染色(Feulgen-stained)方式对细胞标本进行染色后得到细胞玻片，福尔根染色是一种能专一显示细胞中的细胞核的DNA染色方法，细胞中的细胞核染色后的颜色深浅与DNA含量有关，但该染色技术耗时较长，且传统的DNA倍体定量分析方法存在腺细胞无法识别、过多的人工参与以及分析时间过长等问题。
发明内容
有鉴于此，本发明实施例提供了一种基于巴氏染色方式的细胞图像进行DNA倍体定量分析的方法，该方法能够实现对各种类型细胞进行DNA倍体定量的准确分析，减少耗时时间。
本发明实施例还提供一种基于巴氏染色方式的细胞图像进行DNA倍体定量分析的系统，该系统能够对实现对各种类型细胞进行DNA倍体定量的准确分析，减少耗时时间。
本发明实施例是这样实现的：
一种基于巴氏染色方式的细胞图像进行遗传物质DNA倍体定量分析的方法，包括：
对采用巴氏染色方式进行染色得到的细胞玻片进行扫描，得到细胞图像；
对得到的细胞图像采用训练得到的第一神经网络进行检测及分割处理后，分割出细胞区域中的细胞质区域和细胞核区域；
对所述细胞区域中的细胞核区域进行基于巴氏染色方式下染色特性的IOD计算后，得到DNA倍体的分析结果。
较佳地，所述得到细胞图像包括：
采用了巴氏染色方式对细胞标本进行染色后，制作得到细胞玻片；
采用数字扫描仪扫描得到细胞图像。
较佳地，所述对得到的细胞图像采用训练得到的第一神经网络进行检测及分割处理包括：
将所述细胞图像进行多区域划分，采用设置的第一子神经网络对于每个图像区域进行清晰化判断处理，得到具有清晰细胞的图像区域；
针对每个具有清晰细胞的图像区域，采用设置的第二子神经网络进行检测，检测得到细胞区域；
对得到的细胞区域采用第三子神经网络进行分割，分割得到细胞区域中的细胞质区域和细胞核区域。
较佳地，所述第二子神经网络是采用特征金字塔网络FPN结构；
所述第三子神经网络是基于注意力机制的神经网络。
较佳地，所述对所述细胞区域中的细胞核区域进行基于巴氏染色方式下染色特性的IOD计算采用公式实现：
其中，λ0 *背景像素平均值表示，λi *细胞核内第i个像素的值，β为权重参数，λ为该细胞的细胞质的像素平均值，n为细胞核内像素点数量。
较佳地，所述得到DNA倍体的分析结果之前，还包括：
采用训练好的第二神经网络对所述IOD计算后得到的计算结果，进行校准，所述第二神经网络是采用以福尔根染色获取的DNA倍体定量为基准进行训练。
一种基于巴氏染色方式的细胞图像进行遗传物质DNA倍体定量分析的系统，包括：扫描单元、检测及分割单元、及分析单元，其中，
扫描单元，用于对采用巴氏染色方式进行染色得到的细胞玻片进行扫描，得到细胞图像；
检测及分割单元，用于对得到的细胞图像采用训练得到的第一神经网络进行检测及分割处理后，分割出细胞区域中的细胞质和细胞核区域；
分析单元，用于对所述细胞区域中的细胞核区域进行基于巴氏染色方式下染色特性的IOD计算后，得到DNA倍体的分析结果。
较佳地，所述检测及分割单元，还用于将所述细胞图像进行多区域划分，采用设置的第一子神经网络对于每个图像区域进行清晰化判断处理，得到具有清晰细胞的图像区域；针对每个具有清晰细胞的图像区域，采用设置的第二子神经网络进行检测，检测得到细胞区域；对得到的细胞区域采用第三子神经网络进行分割，分割得到细胞质区域和细胞核区域。
较佳地，所述分析单元，还用于根据下述公式对所述细胞区域中的细胞核区域进行基于巴氏染色方式下染色特性的IOD计算：
其中，λ0 *背景像素平均值表示，λi *细胞核内第i个像素的值，β为权重参数，λ为该细胞的细胞质的像素平均值，n为细胞核内像素点数量。
较佳地，所述分析单元，还用于采用训练好的第二神经网络对所述IOD计算后得到的计算结果，进行校准，得到DNA倍体的分析结果。
如上所见，本发明实施例对采用巴氏染色方式进行染色得到的细胞玻片进行扫描，得到细胞图像，对得到的细胞图像采用训练得到的神经网络进行检测及分割处理后，分割得到细胞区域中的细胞质和细胞核区域；对所述分割出的细胞核区域进行基于巴氏染色方式下染色特性的细胞积分光密度计算(IOD)后，得到DNA倍体的分析结果。这样，本发明实施例实现对各种类型细胞进行DNA倍体定量的准确分析，减少耗时时间。
附图说明
图1为本发明实施例提供的一种基于巴氏染色方式的细胞图像进行DNA倍体定量分析的方法流程图；
图2为本发明实施例提供的一种基于巴氏染色方式的细胞图像进行DNA倍体定量分析的方法具体例子流程图；
图3为本发明实施例提供的单个细胞区域的检测过程示意图；
图4为本发明实施例提供的细胞区域进行分割的过程示意图；
图5为本发明实施例提供的一种基于巴氏染色方式的细胞图像进行DNA倍体定量分析的系统结构示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举实施例，对本发明进一步详细说明。
本发明实施例为了解决背景技术中基于福尔根染色的DNA倍体定量分析方法中染色环节及分析环节存在的耗时长及操作复杂的等问题，及分析不准确问题，提出了对采用巴氏染色方式进行染色得到的细胞玻片进行扫描，得到细胞图像，对得到的细胞图像采用训练得到的神经网络进行检测及分割处理后，分割得到细胞区域中的细胞质和细胞核区域；对所述分割出的细胞核区域进行基于巴氏染色方式下染色特性的IOD后，得到DNA倍体的分析结果。
可以看出，本发明实施例采用了训练好的神经网络进行检测及分割处理，减少了人工参与的分析过程，有效提高工作效率。本发明实施例是基于巴氏染色方式下的细胞检测及分割，且根据巴氏染色方式下的染色特性的DNA倍体定量计算，可以得到准确的DNA倍体分析结果，且采用巴氏染色方式下细胞图像的DNA倍体定量分析，适用的细胞可以有多种类型。
这样，本发明实施例对各种类型细胞进行DNA倍体定量的准确分析，减少耗时时间。
图1为本发明实施例提供的一种基于巴氏染色方式的细胞图像进行DNA倍体定量分析的方法流程图，其具体步骤包括：
步骤101、对采用巴氏染色方式进行染色得到的细胞玻片进行扫描，得到细胞图像；
步骤102、对得到的细胞图像采用训练得到的第一神经网络进行检测及分割处理后，分割出细胞区域中的细胞质和细胞核区域；
步骤103、对所述细胞区域中的细胞核区域进行基于巴氏染色方式下染色特性的IOD计算后，得到DNA倍体的分析结果；
在该步骤中，得到DNA倍体的分析结果之前，采用训练好的第二神经网络对所述IOD计算后得到的计算结果，进行校准。
在该方法中，步骤101实现了细胞图像的扫描，主要包括两个步骤：
第一个步骤：采用了巴氏染色方式对细胞标本进行染色后，制作得到细胞玻片；
第二个步骤：采用数字扫描仪扫描得到细胞图像。
在该方法中，步骤102中对得到的细胞图像采用训练得到的第一神经网络进行检测及分割处理包括：
将所述细胞图像进行多区域划分，采用设置的第一子神经网络对于每个图像区域进行清晰化判断处理，得到具有清晰细胞的图像区域，记为清晰(patch)图像；
针对每个具有清晰细胞的图像区域，采用设置的第二子神经网络进行检测，检测得到细胞区域；
对得到的细胞区域采用第三子神经网络进行分割，分割得到细胞质区域和细胞核区域。
在上述过程中，设置的第一子神经网络分别对每个patch图像进行处理，根据其中的细胞模糊及清晰程度、干扰物等信息对每个patch图像进行清晰化判断处理，从中筛选出具有清晰细胞的图像区域。
在采用设置的第二子神经网络进行检测时，可以对其中的细胞进行类别标注，具体直接对细胞区域进行多种精细类别的类别标注，识别出其中的细胞区域。设置的第二子神经网络是基于类别标注的检测模型，能够对细胞的病变程度给出初始判断，在训练得到第二子神经网络时，考虑到不同细胞的形态尺寸差异较大，因此采用了特征金字塔网络(FPN，Feature Pyramid Networks)训练得到第二子神经网络，可以检测融合不同尺度的细胞特征信息，增加了所检测的细胞特征的表征能力，有效提升细胞区域的检出率。
由于巴氏染色方式对细胞标本中的细胞质和细胞核均进行染色，而DNA倍体定量分析是对细胞核区域内存在的DNA含量进行统计的计算。因此，采用训练得到的第三子神经网络进行分割得到区域分割，分割得到细胞质区域和细胞核区域。训练得到的第三子神经网络是采用基于注意力机制的神经网络，该基于注意力机制的神经网络可以进行实例分割，使得第三子神经网络在训练时重点关注细胞区域中的细胞核区域，提高对细胞区域分割的适应能力，以更精确的细胞质及细胞核的分割结果，为DNA倍体定量分析提供良好的基础。
在该方法中，对所述细胞区域中的细胞核区域进行基于巴氏染色方式下染色特性的IOD计算采用公式(1)实现：
其中，λ0 *背景像素平均值表示，λi *细胞核内第i个像素的值，β为权重参数，λ为该细胞的细胞质的像素平均值，n为细胞核内像素点数量。
本发明实施例采用巴氏染色方式对细胞标本中的细胞核及细胞质均具有染色作用，且对细胞核中DNA及蛋白质等多种物质染色都具有着色作用，因此在计算IOD时，考虑到了巴氏染色方式的染色特性，为了排除细胞质染色的影响，采用了上述的公式(1)。
在该方法中，在得到DNA倍体的分析结果还包括：
采用训练好的第二神经网络对所述IOD计算后得到的计算结果，进行校准。具体地说，对细胞核进行基于巴氏染色方式下染色特性的IOD计算后，即可对细胞中含有DNA倍体进行定量分析，考虑到采用巴氏染色方式细胞标本中的细胞核及细胞质均具有染色作用，计算得到的DNA倍体同真实值会具有一定差异，因此，需要精确校准，采用了基于深度学习的第二神经网络，以福尔根染色获取的DNA倍体定量为基准进行训练后，得到第二神经网络，采用得到的第二神经网络进行精确校准，以此实现对巴氏染色方式的细胞完成DNA倍体定量分析目标。
可以看出，本发明实施例是为简化背景技术提供的基于福尔根染色的DNA倍体定量分析流程，并提高DNA倍体分析的精准度，提出的。本发明实施例基于巴氏染色方式，构建了一整套基于深度学习的DNA倍体分析方案；本发明实施例简化背景技术的DNA倍体定量分析时的染色操作流程，缩短DNA倍体分析的时间；本发明实施例在检测过程算中，引入FPN，融合不同尺度的细胞信息，可适应于各扫描仪倍数差异及不同种类细胞大小差异等实际问题，具有较高的鲁棒性；本发明实施例中使用了分割过程，并在其中引入了神经网络的注意力机制，增强提取特征的表征能力，可有效提高细胞质区域和细胞核区域的分割准确率。
本发明提出的巴氏染色方式的DNA倍体分析方案，可适应于细胞癌症早筛方面，具有较高的使用价值。
举一个具体例子对本发明实施例进行详细说明。
图2为本发明实施例提供的一种基于巴氏染色方式的细胞图像进行DNA倍体定量分析的方法具体例子流程图，其具体步骤包括：
步骤201、对采用巴氏染色方式进行染色得到的细胞玻片进行扫描，得到细胞图像。
在本步骤中，对细胞玻片的图像进行电子化采集，具体是对采用巴氏染色方式进行染色得到的细胞玻片，使用玻片自动扫描仪进行扫描并保存细胞图像，其扫描范围应完全覆盖细胞玻片所在范围，允许出现其中细胞区域外的少量空白区域。
步骤202、对得到的细胞图像进行分割，得到多个patch图像。
针对扫描得到的细胞图像，把其有重叠式的切分成若干个大小为512*512的patch图像。若图像长宽不能被512整除，则舍弃边缘处的剩余像素。
步骤203、对每个patch图像采用训练得到的第一子神经网络进行清晰化判断处理。
在本步骤中，得到清晰化判断处理的过程为：
第一步：针对每个patch图像进行色彩矫正、噪声去除、图像归一化等预处理操作，以消除不同制片方式，不同扫描设备造成的差异；
第二步：采用训练得到的第一子神经网络根据细胞模糊及清晰程度、干扰物等信息分别对每个patch图像进行三分类，得到清晰的patch图像。
步骤204、针对每个清晰的patch图像，采用训练得到的第二子神经网络进行检测，检测得到细胞区域，该细胞区域为待检测的细胞区域。
在本步骤中，也就是在patch图像中获取单个细胞的检测过程，图3为本发明实施例提供的单个细胞区域的检测过程示意图，结合该示意图，对检测过程进行详细说明。
现有的DNA倍体定量分析技术通过计算细胞核的IOD方法，来统计所有细胞的倍体数量，虽然该技术可对细胞核的IOD精准测量，但是对所有细胞核进行计算的，因此在区分细胞中的细胞质和杂质白细胞方面，能力较弱；另一方面，现有方法在区分正常细胞和异常细胞倍体时，按照细胞核IOD的大小，统计不同IOD间隔内的细胞数量，并以高斯拟合曲线的方法确定2倍体细胞核归一化IOD值，因此，并不能对细胞区域做到精准区分。
因此，该例子在进行数据标注时，直接对细胞区域进行多种精细类别的标注，基于训练得到的第二子神经网络能够对细胞区域的病变程度给出初始判断。在训练得到的第二子神经网络时，考虑到不同细胞的形态尺寸差异较大，因此使用FPN融合不同尺度的细胞特征信息，增强所提特征的表征能力，可有效提升细胞区域的检出率，最终检测得到细胞区域。
步骤205、对得到的细胞区域采用训练得到的第三子神经网络进行分割，分割得到细胞质区域和细胞核区域。
在本步骤中，也就是将细胞区域进行分割的过程。图4为本发明实施例提供的细胞区域进行分割的过程示意图，结合该示意图，对分割过程进行详细说明。
由于巴氏染色方式会对细胞玻片中的细胞质和细胞核均进行染色，而DNA倍体定量分析是对细胞核区域内存在的DNA含量进行统计的一项技术。因此，该例子采用细胞分割方法对细胞区域内的细胞质区域和细胞核区域进行区域分割。细胞质区域和细胞核区域进行区域分割的主要难点主要包括：细胞堆叠和折叠导致细胞质区域和细胞核区域颜色差异降低，边缘无法清楚分辨；细胞图像中存在类似细胞核的杂质，造成细胞核区域分割的错误。另一方面，细胞图像中的细胞结构中双核和多核情况时有发生，因此在进行细胞核分割时，需要所训练得到的的第三子神经网络能够识别出细胞区域中存在的双核或多核情况。因此，训练得到的第三子神经网络是采用基于注意力机制的神经网络，该基于注意力机制的神经网络可以进行实例分割，使得第三子神经网络在训练时重点关注细胞区域中的细胞核区域，提高对细胞区域分割的适应能力，以获得更精确的细胞质及细胞核的分割结果，为DNA倍体定量分析提供良好的基础。
步骤206、对所述细胞区域中的细胞核区域进行基于巴氏染色方式下染色特性的IOD计算。
在该步骤中，现有的DNA倍体定量分析技术，利用目标细胞核的IOD与正常细胞核积分光密度IOD，均值的比值来表示DNA倍体数量。IOD可反映细胞核结构的光密度与面积的综合变化。IOD的计算依据采用Lambert-Beer定律，即单色光的吸光度正比于物质的含量，物质含量越多，吸收光越多，光的透射越低。计算公式表示为，
其中，λ0背景像素平均值表示，代表光线通过背景区域时的入射光强度平均值，λi细胞核内第i个像素的值，n为细胞核内像素点数量。
在该例子中，在福尔根染色DNA倍体计算方式上，提出了一种基于巴氏染色方式的DNA倍体计算方式。巴氏染色方式对细胞核、细胞质均具有染色作用，并且对细胞核中DNA、蛋白质等多种物质染色都具有着色作用，因而在计算DNA倍体的IOD时，需着重考虑巴氏染色方式的特点，为排除细胞质颜色的影响，提出细胞核积分光密度计算公式如下：
其中，λ0 *背景像素平均值表示，λi *细胞核内第i个像素的值，β为权重参数，λ为该细胞的细胞质的像素平均值。
步骤207、采用训练好的第二神经网络对所述IOD计算后得到的计算结果，进行校准，得到DNA倍体的分析结果。
在本步骤中，采用了基于深度学习的第二神经网络，以福尔根染色获取的DNA倍体为基准进行训练后，得到第二神经网络，采用得到的第二神经网络进行精确校准，以此实现对巴氏染色方式的细胞完成DNA倍体定量分析目标。
图5为本发明实施例提供的一种基于巴氏染色方式的细胞图像进行DNA倍体定量分析的系统结构示意图，所述系统包括：扫描单元、检测及分割单元、及分析单元，其中，
扫描单元，用于对采用巴氏染色方式进行染色得到的细胞玻片进行扫描，得到细胞图像；
检测及分割单元，用于对得到的细胞图像采用训练得到的第一神经网络进行检测及分割处理后，分割出细胞区域中的细胞质和细胞核区域；
分析单元，用于对所述细胞区域中的细胞核区域进行基于巴氏染色方式下染色特性的IOD计算后，得到DNA倍体的分析结果。
在该系统中，所述扫描单元，还用于采用数字扫描仪扫描得到细胞图像。
在该系统中，所述检测及分割单元，还用于将所述细胞图像进行多区域划分，采用设置的第一子神经网络对于每个图像区域进行清晰化判断处理，得到具有清晰细胞的图像区域；针对每个具有清晰细胞的图像区域，采用设置的第二子神经网络进行检测，检测得到细胞区域；对得到的细胞区域采用第三子神经网络进行分割，分割得到细胞质区域和细胞核区域。
在该系统中，所述分析单元，还用于根据公式(1)对所述细胞区域中的细胞核区域进行基于巴氏染色方式下染色特性的IOD计算：
其中，λ0 *背景像素平均值表示，λi *细胞核内第i个像素的值，β为权重参数，λ为该细胞的细胞质的像素平均值，n为细胞核内像素点数量。
在该系统中，所述分析单元，还用于采用训练好的第二神经网络对所述IOD计算后得到的计算结果，进行校准，得到DNA倍体的分析结果。
本发明实施例提供的基于巴氏染色方式的DNA倍体分析方案，可适应于细胞癌症早筛方面，具有较高的使用价值；本发明实施例提供的基于巴氏染色方式的DNA倍体分析方案中的检测过程，引入了FPN结构，融合不同尺度的细胞信息，可适应于各扫描仪倍数差异、不同种类细胞大小差异等实际问题，具有较高的鲁棒性；本发明实施例提供的基于巴氏染色方式的DNA倍体分析方案中的分割过程，引入了基于注意力机制的神经网络，增强提取特征的表征能力，可有效提高细胞质区域和细胞核区域的分割准确率。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。
Claims (10)
1.一种基于巴氏染色方式的细胞图像进行遗传物质DNA倍体定量分析的方法，其特征在于，包括：
对采用巴氏染色方式进行染色得到的细胞玻片进行扫描，得到细胞图像；
对得到的细胞图像采用训练得到的第一神经网络进行检测及分割处理后，分割出细胞区域中的细胞质区域和细胞核区域；
对所述细胞区域中的细胞核区域进行基于巴氏染色方式下染色特性的IOD计算后，得到DNA倍体的分析结果。
2.如权利要求1所述的方法，其特征在于，所述得到细胞图像包括：
采用了巴氏染色方式对细胞标本进行染色后，制作得到细胞玻片；
采用数字扫描仪扫描得到细胞图像。
3.如权利要求1所述的方法，其特征在于，所述对得到的细胞图像采用训练得到的第一神经网络进行检测及分割处理包括：
将所述细胞图像进行多区域划分，采用设置的第一子神经网络对于每个图像区域进行清晰化判断处理，得到具有清晰细胞的图像区域；
针对每个具有清晰细胞的图像区域，采用设置的第二子神经网络进行检测，检测得到细胞区域；
对得到的细胞区域采用第三子神经网络进行分割，分割得到细胞区域中的细胞质区域和细胞核区域。
4.如权利要求3所述的方法，其特征在于，所述第二子神经网络是采用特征金字塔网络FPN结构；
所述第三子神经网络是基于注意力机制的神经网络。
5.如权利要求1所述的方法，其特征在于，所述对所述细胞区域中的细胞核区域进行基于巴氏染色方式下染色特性的IOD计算采用公式实现：
其中，λ0 *背景像素平均值表示，λi *细胞核内第i个像素的值，β为权重参数，λ为该细胞的细胞质的像素平均值，n为细胞核内像素点数量。
6.如权利要求1所述的方法，其特征在于，所述得到DNA倍体的分析结果之前，还包括：
采用训练好的第二神经网络对所述IOD计算后得到的计算结果，进行校准，所述第二神经网络是采用以福尔根染色获取的DNA倍体定量为基准进行训练。
7.一种基于巴氏染色方式的细胞图像进行遗传物质DNA倍体定量分析的系统，其特征在于，包括：扫描单元、检测及分割单元、及分析单元，其中，
扫描单元，用于对采用巴氏染色方式进行染色得到的细胞玻片进行扫描，得到细胞图像；
检测及分割单元，用于对得到的细胞图像采用训练得到的第一神经网络进行检测及分割处理后，分割出细胞区域中的细胞质和细胞核区域；
分析单元，用于对所述细胞区域中的细胞核区域进行基于巴氏染色方式下染色特性的IOD计算后，得到DNA倍体的分析结果。
8.如权利要求7所述的系统，其特征在于，所述检测及分割单元，还用于将所述细胞图像进行多区域划分，采用设置的第一子神经网络对于每个图像区域进行清晰化判断处理，得到具有清晰细胞的图像区域；针对每个具有清晰细胞的图像区域，采用设置的第二子神经网络进行检测，检测得到细胞区域；对得到的细胞区域采用第三子神经网络进行分割，分割得到细胞质区域和细胞核区域。
9.如权利要求7所述的系统，其特征在于，所述分析单元，还用于根据下述公式对所述细胞区域中的细胞核区域进行基于巴氏染色方式下染色特性的IOD计算：
其中，λ0 *背景像素平均值表示，λi *细胞核内第i个像素的值，β为权重参数，λ为该细胞的细胞质的像素平均值，n为细胞核内像素点数量。
10.如权利要求7所述的系统，其特征在于，所述分析单元，还用于采用训练好的第二神经网络对所述IOD计算后得到的计算结果，进行校准，得到DNA倍体的分析结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011294658.XA CN112396583B (zh) | 2020-11-18 | 2020-11-18 | 一种基于巴氏染色方式的dna倍体定量分析的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011294658.XA CN112396583B (zh) | 2020-11-18 | 2020-11-18 | 一种基于巴氏染色方式的dna倍体定量分析的方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112396583A true CN112396583A (zh) | 2021-02-23 |
| CN112396583B CN112396583B (zh) | 2024-01-26 |
Family
ID=74607447
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011294658.XA Active CN112396583B (zh) | 2020-11-18 | 2020-11-18 | 一种基于巴氏染色方式的dna倍体定量分析的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112396583B (zh) |
Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6246785B1 (en) * | 1996-04-27 | 2001-06-12 | Roche Diagnostics Gmbh | Automated, microscope-assisted examination process of tissue or bodily fluid samples |
| CN1553166A (zh) * | 2003-12-19 | 2004-12-08 | 武汉大学 | 显微多光谱骨髓及外周血细胞自动分析仪和方法 |
| US20080044849A1 (en) * | 2006-08-15 | 2008-02-21 | Alfred Bocking | Method for cell analysis |
| CN102084399A (zh) * | 2008-05-30 | 2011-06-01 | 诺维茨公司 | 通过虚拟分析板进行的试样细胞分析方法 |
| US20110313746A1 (en) * | 2009-02-13 | 2011-12-22 | Novacyt | Method for preparing a processed virtual analysis plate |
| US20120237107A1 (en) * | 2010-09-16 | 2012-09-20 | University Of Kansas | System and methods for digital evaluation of cellblock preparations |
| CN106340016A (zh) * | 2016-08-31 | 2017-01-18 | 湖南品信生物工程有限公司 | 一种基于细胞显微镜图像的dna定量分析方法 |
| CN106645153A (zh) * | 2016-12-23 | 2017-05-10 | 麦克奥迪（厦门）医疗诊断系统有限公司 | 一种细胞病理切片快速染色检测方法 |
| CN107256558A (zh) * | 2017-05-18 | 2017-10-17 | 深思考人工智能机器人科技（北京）有限公司 | 一种无监督式的宫颈细胞图像自动分割方法及系统 |
| CN107274386A (zh) * | 2017-05-18 | 2017-10-20 | 深思考人工智能机器人科技（北京）有限公司 | 一种宫颈细胞液基涂片人工智能辅助阅片系统 |
| US20170309017A1 (en) * | 2016-04-26 | 2017-10-26 | Metal Industries Research & Development Centre | Device and method for finding cell nucleus of target cell from cell image |
| CN108364288A (zh) * | 2018-03-01 | 2018-08-03 | 北京航空航天大学 | 用于乳腺癌病理图像的分割方法和装置 |
| CN108389198A (zh) * | 2018-02-27 | 2018-08-10 | 深思考人工智能机器人科技（北京）有限公司 | 一种宫颈细胞涂片中非典型异常腺细胞的识别方法 |
| CN109272492A (zh) * | 2018-08-24 | 2019-01-25 | 深思考人工智能机器人科技（北京）有限公司 | 一种细胞病理涂片的处理方法及系统 |
| CN109815888A (zh) * | 2019-01-21 | 2019-05-28 | 武汉兰丁医学高科技有限公司 | 一种新型巴氏染色方法及异常宫颈细胞自动识别方法 |
| 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 |
| CN110211108A (zh) * | 2019-05-29 | 2019-09-06 | 武汉兰丁医学高科技有限公司 | 一种新型的基于Feulgen染色方法的异常宫颈细胞自动识别方法 |
| CN110736747A (zh) * | 2019-09-03 | 2020-01-31 | 深思考人工智能机器人科技（北京）有限公司 | 一种细胞液基涂片镜下定位的方法及系统 |
| US20200342597A1 (en) * | 2017-12-07 | 2020-10-29 | Ventana Medical Systems, Inc. | Deep-learning systems and methods for joint cell and region classification in biological images |
| CN111863118A (zh) * | 2020-07-20 | 2020-10-30 | 湖南莱博赛医用机器人有限公司 | 基于tct制片进行tct和dna倍体分析的方法 |
-
2020
- 2020-11-18 CN CN202011294658.XA patent/CN112396583B/zh active Active
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6246785B1 (en) * | 1996-04-27 | 2001-06-12 | Roche Diagnostics Gmbh | Automated, microscope-assisted examination process of tissue or bodily fluid samples |
| CN1553166A (zh) * | 2003-12-19 | 2004-12-08 | 武汉大学 | 显微多光谱骨髓及外周血细胞自动分析仪和方法 |
| US20080044849A1 (en) * | 2006-08-15 | 2008-02-21 | Alfred Bocking | Method for cell analysis |
| CN102084399A (zh) * | 2008-05-30 | 2011-06-01 | 诺维茨公司 | 通过虚拟分析板进行的试样细胞分析方法 |
| US20110313746A1 (en) * | 2009-02-13 | 2011-12-22 | Novacyt | Method for preparing a processed virtual analysis plate |
| US20120237107A1 (en) * | 2010-09-16 | 2012-09-20 | University Of Kansas | System and methods for digital evaluation of cellblock preparations |
| US20170309017A1 (en) * | 2016-04-26 | 2017-10-26 | Metal Industries Research & Development Centre | Device and method for finding cell nucleus of target cell from cell image |
| CN106340016A (zh) * | 2016-08-31 | 2017-01-18 | 湖南品信生物工程有限公司 | 一种基于细胞显微镜图像的dna定量分析方法 |
| CN106645153A (zh) * | 2016-12-23 | 2017-05-10 | 麦克奥迪（厦门）医疗诊断系统有限公司 | 一种细胞病理切片快速染色检测方法 |
| CN107256558A (zh) * | 2017-05-18 | 2017-10-17 | 深思考人工智能机器人科技（北京）有限公司 | 一种无监督式的宫颈细胞图像自动分割方法及系统 |
| CN107274386A (zh) * | 2017-05-18 | 2017-10-20 | 深思考人工智能机器人科技（北京）有限公司 | 一种宫颈细胞液基涂片人工智能辅助阅片系统 |
| US20200342597A1 (en) * | 2017-12-07 | 2020-10-29 | Ventana Medical Systems, Inc. | Deep-learning systems and methods for joint cell and region classification in biological images |
| CN108389198A (zh) * | 2018-02-27 | 2018-08-10 | 深思考人工智能机器人科技（北京）有限公司 | 一种宫颈细胞涂片中非典型异常腺细胞的识别方法 |
| CN108364288A (zh) * | 2018-03-01 | 2018-08-03 | 北京航空航天大学 | 用于乳腺癌病理图像的分割方法和装置 |
| CN109272492A (zh) * | 2018-08-24 | 2019-01-25 | 深思考人工智能机器人科技（北京）有限公司 | 一种细胞病理涂片的处理方法及系统 |
| CN109815888A (zh) * | 2019-01-21 | 2019-05-28 | 武汉兰丁医学高科技有限公司 | 一种新型巴氏染色方法及异常宫颈细胞自动识别方法 |
| 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 |
| CN110211108A (zh) * | 2019-05-29 | 2019-09-06 | 武汉兰丁医学高科技有限公司 | 一种新型的基于Feulgen染色方法的异常宫颈细胞自动识别方法 |
| CN110736747A (zh) * | 2019-09-03 | 2020-01-31 | 深思考人工智能机器人科技（北京）有限公司 | 一种细胞液基涂片镜下定位的方法及系统 |
| CN111863118A (zh) * | 2020-07-20 | 2020-10-30 | 湖南莱博赛医用机器人有限公司 | 基于tct制片进行tct和dna倍体分析的方法 |
Non-Patent Citations (3)
| Title |
|---|
| ERIC K. ROWINSKY ETC.: "The clinical pharmacology and use of antimicrotubule agents in cancer chemotherapeutics", PHARMACOLOGY & THERAPEUTICS * |
| 杨森: "深度学习下的宫颈细胞病理分析", 《中国优秀硕士学位论文全文数据库》 * |
| 艾大萍;尹晓红;刘伯强;刘忠国;袁清伟;李晓梅;: "一种骨髓细胞识别分类算法的研究", 中国生物医学工程学报, no. 04 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112396583B (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP2734828B1 (en) | Identifying and measuring reticulocytes | |
| US10281382B2 (en) | Measuring volume and constituents of cells | |
| US7555161B2 (en) | Image analysis | |
| CN113723573B (zh) | 基于自适应比例学习的肿瘤组织病理分类系统及方法 | |
| CN107798679B (zh) | 乳腺钼靶图像乳房区域分割与钙化点检测方法 | |
| AU2003258417B2 (en) | A method and a system for detection of malignancy-associated changes | |
| US8094915B2 (en) | “In vitro” diagnostic method for diseases affecting human or animal tissues | |
| CN111340128A (zh) | 一种肺癌转移性淋巴结病理图像识别系统及方法 | |
| CN115760858B (zh) | 基于深度学习的肾脏病理切片细胞识别方法及系统 | |
| Shakhawat et al. | Automatic grading of invasive breast cancer patients for the decision of therapeutic plan | |
| CN112396583B (zh) | 一种基于巴氏染色方式的dna倍体定量分析的方法及系统 | |
| CN112750493B (zh) | 基于巴氏染色方式的dna倍体定量分析方法及系统 | |
| Ballerini et al. | Fractal analysis of microscopic images of breast tissue | |
| Xu et al. | Automatic separation of overlapping seedlings by network optimization | |
| US11263781B2 (en) | Process for determining the infiltration of biological cells in a biological object of interest | |
| CN117576127B (zh) | 一种基于病理图像的肝癌区域自动勾画方法 | |
| Han et al. | Multi-resolution tile-based follicle detection using color and textural information of follicular lymphoma IHC slides | |
| Sheikhzadeh | Improving cervical neoplasia diagnosis via novel in vivo imaging technologies and deep learning algorithms | |
| CN101013502A (zh) | 组织切片图像分割所致测量偏差的校正方法 | |
| CN117705754A (zh) | 一种基于高光谱成像的纺织品聚酯纤维含量在线检测方法 | |
| CN117649413A (zh) | 一种基于中医舌象的肠癌深度学习辅助诊断方法 | |
| Ko et al. | Improving the evaluation accuracies of histopathologic grade and ki-67 immunohistochemistry expression of breast carcinoma using computer image processing (II) | |
| CN114299044A (zh) | 一种判读淋巴细胞的方法及装置 |
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 |