CN112508909A - 一种外周血细胞形态学自动检测系统的疾病联想方法 - Google Patents

一种外周血细胞形态学自动检测系统的疾病联想方法 Download PDF

Info

Publication number
CN112508909A
CN112508909A CN202011395035.1A CN202011395035A CN112508909A CN 112508909 A CN112508909 A CN 112508909A CN 202011395035 A CN202011395035 A CN 202011395035A CN 112508909 A CN112508909 A CN 112508909A
Authority
CN
China
Prior art keywords
peripheral blood
blood cell
disease
cell morphology
standard
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
Application number
CN202011395035.1A
Other languages
English (en)
Other versions
CN112508909B (zh
Inventor
杨武晨
彭贤贵
张曦
陈立
张�诚
张洪洋
陶廷露
张云
李艺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Second Affiliated Hospital Army Medical University
Original Assignee
Second Affiliated Hospital Army Medical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Second Affiliated Hospital Army Medical University filed Critical Second Affiliated Hospital Army Medical University
Priority to CN202011395035.1A priority Critical patent/CN112508909B/zh
Publication of CN112508909A publication Critical patent/CN112508909A/zh
Application granted granted Critical
Publication of CN112508909B publication Critical patent/CN112508909B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
    • 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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Geometry (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Public Health (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明涉及外周血细胞检测技术领域，公开了一种外周血细胞形态学自动检测系统的疾病联想方法，步骤包括对外周血细胞涂片进行扫描；建立正常外周血细胞形态学标准和异常外周血细胞形态学标准；获取人机交互操作系统设置的检测范围；在检测范围内使用卷积神经网络法对扫描图片的外周血细胞形态进行特征提取；将提取的外周血细胞特征对比并分类和计数，对取样计数数据进行计算；建立现有疾病联想数据库，将最终计算的数据，与现有疾病建立联想，并进行联想分析，结合得出最终的联想结果。本发明能够准确的识别外周血细胞中各细胞的形态，并进行分类计数，使得外周血细胞形态学自动检测系统的疾病联想结果准确性更高。

Description

一种外周血细胞形态学自动检测系统的疾病联想方法
技术领域
本发明涉及外周血细胞检测技术领域，尤其涉及一种外周血细胞形态学自动检测系统的疾病联想方法。
背景技术
在临床上，外周血细胞的形态学检测具有重要的意义，其中红细胞形态学改变主要有大小、形态、染色异常及胞内出现异常结构，如点彩红、豪周小体，卡波环、有核红细胞等，可见于贫血、骨髓增生异常综合征、红白血病、骨髓纤维化、肝硬化、多发性骨髓瘤等疾病。白细胞形态学改变主要有数量的改变，中性粒细胞出现核左移、核右移、毒性变化及出现幼稚细胞等；白细胞形态学检查有助于急慢性白血病诊断、鉴别诊断及治疗后缓解情况的观察，可以了解感染的程度，提示各种血液相关性疾病；血小板形态学改变主要有大小、形态、数量的异常，可见于贫血、特发性血小板减少性紫癜、白血病、骨髓增生异常综合征等。
目前在外周血细胞的形态学报告的诊断结论受人的专业知识水平制约，其中外周血形态学报告的诊断结论是由实验数据、诊断标准以及疾病个体的症状体征等因素综合分析而来的。不同的镜检者对同一份病例会因为自身的认知水平得出不同的诊断结论，这就会给临床诊断带来疑惑和困难。将临床资料、实验数据和诊断标准标准化、信息化，通过智能手段进行分析评判，可以得到一个稳定而规范的诊断结论，从而提高整体诊断水平。
申请号为202010449387.4的专利公开了一种骨髓细胞形态学自动检测系统的疾病联想方法，包括以下步骤：S1：对在筛选区域的细胞进行计数识别统计；S2:将大小、形态、染色以及结构异常的细胞截图，放入审核系统进行人工描述。该方案结合骨髓象和血液象的数据以及异常细胞的形态特征展开疾病联想，所筛选出来的疾病精准度高，大量的节省了医生的时间，减少了医生的工作量，提高了医生的诊断效率，而且也可以避免最终报告受到人的专业水平的制约问题，使得最终可以得到一个稳定而规范的诊断结论，从而提高整体诊断水平。
但在外周血细胞形态学自动检测系统的疾病联想中，因为目前的外周血细胞检测分析系统只能提供正常血液标本中各种细胞数目的大致分布情况，仍不能准确辨别各类原始细胞、幼稚细胞以及细胞的内部结构，如核的形状、染色质的粗细、有无核仁、胞浆着色性、浆内颗粒性质有无内含物等，导致外周血细胞形态学自动检测系统的疾病联想结果准确性不高。
发明内容
有鉴于此，本发明的目的是提供一种外周血细胞形态学自动检测系统的疾病联想方法，能够准确的识别外周血细胞中各细胞的形态，并进行分类计数，使得外周血细胞形态学自动检测系统的疾病联想结果准确性更高。
本发明通过以下技术手段解决上述技术问题：
一种外周血细胞形态学自动检测系统的疾病联想方法，包括以下步骤；
A1、使用电子扫描镜对外周血细胞涂片进行扫描，形成扫描图片；
A2、建立正常外周血细胞形态学标准和异常外周血细胞形态学标准；
A3、获取人机交互操作系统设置的检测范围；
A4、在检测范围内使用卷积神经网络法对扫描图片的外周血细胞形态进行特征提取；
A5、将提取的外周血细胞特征与正常外周血细胞形态学标准和异常外周血细胞形态学标准对比并分类和计数，对取样计数数据进行计算，获得最终计算数据；
A6、建立现有疾病联想数据库，将最终计算的数据，与现有疾病建立联想，并进行联想分析；
A7、将联想的疾病与审核系统对于异常细胞描述的结果结合得出最终的联想结果。
进一步，所述步骤A2中建立正常外周血细胞形态学标准和异常外周血细胞形态学标准的标准项包括细胞核的形状标准、染色质的粗细标准、有无核仁标准、胞浆着色性标准、浆内颗粒性质有无内含物标准。
进一步，所述步骤A4中使用卷积神经网络法对扫描图片的外周血细胞形态进行特征提取，包括以下步骤，
先建立Hessian矩阵，然后构建尺度空间和精确定位特征点，以每个特征点为中心，画出2s为半径的圆领域，s为特征点的尺度，并计算半径内所有特征点x和y方向上的Haar小波响应，根据特征点与中心点的距离赋权值，越近权值较大；然后将360°范围内响应的特征点形成新的矢量，遍历整个圆形区域后，选择最长矢量方向作为该特征点的主方向；根据确定的主方向，生成特征描述符。
本特征提取方法在匹配准确度方面得到了极大提高；因为本特征提取方法中的算法产生的视觉单词更具有代表性，而且特征提取方法可一定程度上避免外周血细胞涂片在电子扫描时的背景信息和位置变化等带来的干扰和影响，能够较好的将外周血细胞的形态特征从复杂的背景分离出来，使得对外周血细胞的特征提取更加的准确。
进一步，在步骤A4中，所述构建Hessian矩阵为在图像中X＝(x,y)处的点，在尺度σ上的Hessian矩阵定义为公式1，
所述公式1为
Figure BDA0002814529250000031
式中，LxxLxx为高斯滤波二阶导数
Figure BDA0002814529250000032
和I＝(x,y)的卷积，
Figure BDA0002814529250000033
LxyLxy为高斯滤波二阶导数
Figure BDA0002814529250000034
和I＝(x,y)的卷积，
Figure BDA0002814529250000035
LyyLyy为高斯滤波二阶导数
Figure BDA0002814529250000041
和I＝(x,y)的卷积，
Figure BDA0002814529250000042
经过高斯滤波二阶导数的卷积，能够提取到外周血细胞中异常细胞的各个微小的区别特征，这些微小的区别特征，对后面的外周血细胞的识别非常重要，可以使得外周血细胞的识别分类更加的准确。
进一步，所述步骤A5中对外周血细胞进行分类，包括以下步骤，
B1、设定卷积核的元素个数m，初始化加速常数c1、c2和惯性权重ω值，将元子位置X向量和原子速度V向量初始化为(0,2)之间的随机数；
B2、对步骤B1中设定的m个卷积核的元素中的每一个元素，在卷积神经网络中进行计算，得到前向传播；
B3、在步骤B2计算得到前向传播后，计算得到误差；
B4、对步骤B3得到的误差值，若误差值达到误差阀值范围的极小值则停止。
通过进化计算之后，再将其前向传播，多次迭代调整网络连接权矩阵，直到误差收敛停止，使得图像识别的正确率上高于常规神经网络，并提高了算法收敛的性能。
进一步，所述步骤A6中与现有疾病建立联想，并进行联想分析，包括以下步骤：
C1：先根据计算的外周血细胞数据与数据库中的现有疾病进行联想；
C2：建立筛选出的数据与联想疾病之间的相似度和相异度评判体系；
C3：将每种联想疾病的相似度与相异度作对比，当相似度大于相异度时，将该疾病归纳为疑似疾病；
C4：将外周血像中的疑似疾病与外周血象中的疑似疾病名词相匹配；
C5：将完成匹配的疑似疾病的相似度相乘和相异度相乘，得出整体的检测结果，即所检测的外周血细胞与疾病的相似度和相异度；
C6：将相似度按照从高到低排序，完成对数据的分析和与疾病的联想。
进一步，所述的A7中的结合是指将种类对应的疾病的异常细胞与现有疾病的指向度与疾病联想结果的相似度进行相加，其最终表示为疾病联想的相似度加异常细胞与现有疾病的指向度，并按照相两者之和进行最终排序。
本发明的有益效果：
1、本发明结合正常外周血细胞的标准，以及异常外周血细胞的形态特征展开疾病联想，所筛选出来的疾病精准度高，大量的节省了医生的时间，减少了医生的工作量，提高了医生的诊断效率，而且也可以避免最终报告受到人的专业水平的制约问题，使得最终可以得到一个稳定而规范的诊断结论，从而提高整体诊断水平。
2、本发明的特征提取方法中的算法产生的视觉单词更具有代表性，而且特征提取方法可一定程度上避免外周血细胞涂片在电子扫描时的背景信息和位置变化等带来的干扰和影响，能够较好的将外周血细胞的形态特征从复杂的背景分离出来，使得对外周血细胞的特征提取更加的准确。
3、本发明经过高斯滤波二阶导数的卷积，能够提取到外周血细胞中异常细胞的各个微小的区别特征，这些微小的区别特征，对后面的外周血细胞的识别非常重要，可以使得外周血细胞的识别分类更加的准确。
具体实施方式
以下将结合实施例对本发明进行详细说明：
在某医院取100例患者的外周血细胞涂片，先由具有副高职称以上的医务人员进行外周血细胞的看片和诊断，然后再由本发明的方法进行特征提取和疾病诊断。
其中，利用本发明的方法具体如下：
一种外周血细胞形态学自动检测系统的疾病联想方法，包括以下步骤；
A1、使用高性能的电子扫描显微镜对外周血细胞涂片进行扫描，形成扫描图片；
A2、建立正常外周血细胞形态学标准和异常外周血细胞形态学标准，建立正常外周血细胞形态学标准和异常外周血细胞形态学标准的标准项包括细胞核的形状标准、染色质的粗细标准、有无核仁标准、胞浆着色性标准、浆内颗粒性质有无内含物标准；
A3、获取人机交互操作系统设置的检测范围；
A4、在检测范围内使用卷积神经网络法对扫描图片的外周血细胞形态进行特征提取，具体为先建立Hessian矩阵，所述构建Hessian矩阵为在图像中X＝(x,y)处的点，在尺度σ上的Hessian矩阵定义为公式1，
所述公式1为
Figure BDA0002814529250000061
式中，LxxLxx为高斯滤波二阶导数
Figure BDA0002814529250000062
和I＝(x,y)的卷积，
Figure BDA0002814529250000063
LxyLxy为高斯滤波二阶导数
Figure BDA0002814529250000064
和I＝(x,y)的卷积，
Figure BDA0002814529250000065
LyyLyy为高斯滤波二阶导数
Figure BDA0002814529250000066
和I＝(x,y)的卷积，
Figure BDA0002814529250000067
然后构建尺度空间和精确定位特征点，以每个特征点为中心，画出2s为半径的圆领域，s为特征点的尺度，并计算半径内所有特征点x和y方向上的Haar小波响应，根据特征点与中心点的距离赋权值，越近权值较大；然后将360°范围内响应的特征点形成新的矢量，遍历整个圆形区域后，选择最长矢量方向作为该特征点的主方向；根据确定的主方向，生成特征描述符。
A5、将提取的外周血细胞特征与正常外周血细胞形态学标准和异常外周血细胞形态学标准对比并分类和计数，对取样计数数据进行计算，获得最终计算数据；其中分类时对外周血细胞进行分类，包括以下步骤，
设定卷积核的元素个数m，初始化加速常数c1、c2和惯性权重ω值，将元子位置X向量和原子速度V向量初始化为(0,2)之间的随机数；对步骤B1中设定的m个卷积核的元素中的每一个元素，在卷积神经网络中进行计算，得到前向传播；在计算得到前向传播后，计算得到误差；对得到的误差值，若误差值达到误差阀值范围的极小值则停止。
建立现有疾病联想数据库，将最终计算的数据，与现有疾病建立联想，并进行联想分析；具体如下包括以下步骤：
先根据计算的外周血细胞数据与数据库中的现有疾病进行联想；然后建立筛选出的数据与联想疾病之间的相似度和相异度评判体系；将每种联想疾病的相似度与相异度作对比，当相似度大于相异度时，将该疾病归纳为疑似疾病；将外周血像中的疑似疾病与外周血象中的疑似疾病名词相匹配；将完成匹配的疑似疾病的相似度相乘和相异度相乘，得出整体的检测结果，即所检测的外周血细胞与疾病的相似度和相异度；最后将相似度按照从高到低排序，完成对数据的分析和与疾病的联想。
A7、将联想的疾病与审核系统对于异常细胞描述的结果结合，即将种类对应的疾病的异常细胞与现有疾病的指向度与疾病联想结果的相似度进行相加，其最终表示为疾病联想的相似度加异常细胞与现有疾病的指向度，并按照相两者之和进行最终排序；得出最终的联想结果。
最终将医务人员诊断的结果与利用本方法的诊断结果进行对比，结果的相似度为98％。
因此，利用本发明的结合正常外周血细胞的标准，以及异常外周血细胞的形态特征展开疾病联想，所筛选出来的疾病精准度与医务人员诊断的结果基本完全相同。利用本发明的方法进行疾病的联想一般一个外周血细胞疾病需要时间约2-3分钟，低于医务人员的诊断时间，可以大量的节省了医生的时间，减少了医生的工作量，提高了医生的诊断效率。
因为本发明的诊断准确度也与医务人员的诊断结果高度相似，所以本发明还可以避免最终报告受到人的专业水平的制约问题，使得最终可以得到一个稳定而规范的诊断结论，从而提高整体诊断水平。
以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。本发明未详细描述的技术、形状、构造部分均为公知技术。

Claims (7)

1.一种外周血细胞形态学自动检测系统的疾病联想方法，其特征在于：包括以下步骤；
A1、使用电子扫描镜对外周血细胞涂片进行扫描，形成扫描图片；
A2、建立正常外周血细胞形态学标准和异常外周血细胞形态学标准；
A3、获取人机交互操作系统设置的检测范围；
A4、在检测范围内使用卷积神经网络法对扫描图片的外周血细胞形态进行特征提取；
A5、将提取的外周血细胞特征与正常外周血细胞形态学标准和异常外周血细胞形态学标准对比并分类和计数，对取样计数数据进行计算，获得最终计算数据；
A6、建立现有疾病联想数据库，将最终计算的数据，与现有疾病建立联想，并进行联想分析；
A7、将联想的疾病与审核系统对于异常细胞描述的结果结合得出最终的联想结果。
2.根据权利要求1所述的一种外周血细胞形态学自动检测系统的疾病联想方法，其特征在于：所述步骤A2中建立正常外周血细胞形态学标准和异常外周血细胞形态学标准的标准项包括细胞核的形状标准、染色质的粗细标准、有无核仁标准、胞浆着色性标准、浆内颗粒性质有无内含物标准。
3.根据权利要求2所述的一种外周血细胞形态学自动检测系统的疾病联想方法，其特征在于：所述步骤A4中使用卷积神经网络法对扫描图片的外周血细胞形态进行特征提取，包括以下步骤，
先建立Hessian矩阵，然后构建尺度空间和精确定位特征点，以每个特征点为中心，画出2s为半径的圆领域，s为特征点的尺度，并计算半径内所有特征点x和y方向上的Haar小波响应，根据特征点与中心点的距离赋权值，越近权值较大；然后将360°范围内响应的特征点形成新的矢量，遍历整个圆形区域后，选择最长矢量方向作为该特征点的主方向；根据确定的主方向，生成特征描述符。
4.根据权利要求3所述的一种外周血细胞形态学自动检测系统的疾病联想方法，其特征在于：在步骤A4中，所述构建Hessian矩阵为在图像中X＝(x,y)处的点，在尺度σ上的Hessian矩阵定义为公式1，
所述公式1为
Figure FDA0002814529240000021
式中，LxxLxx为高斯滤波二阶导数
Figure FDA0002814529240000022
和I＝(x,y)的卷积，
Figure FDA0002814529240000023
Lxy Lxy为高斯滤波二阶导数
Figure FDA0002814529240000024
和I＝(x,y)的卷积，
Figure FDA0002814529240000025
Lyy Lyy为高斯滤波二阶导数
Figure FDA0002814529240000026
和I＝(x,y)的卷积，
Figure FDA0002814529240000027
5.根据权利要求4所述的一种外周血细胞形态学自动检测系统的疾病联想方法，其特征在于：所述步骤A5中对外周血细胞进行分类，包括以下步骤，
B1、设定卷积核的元素个数m，初始化加速常数c1、c2和惯性权重ω值，将元子位置X向量和原子速度V向量初始化为(0,2)之间的随机数；
B2、对步骤B1中设定的m个卷积核的元素中的每一个元素，在卷积神经网络中进行计算，得到前向传播；
B3、在步骤B2计算得到前向传播后，计算得到误差；
B4、对步骤B3得到的误差值，若误差值达到误差阀值范围的极小值则停止。
6.根据权利要求5所述的一种外周血细胞形态学自动检测系统的疾病联想方法，其特征在于：所述步骤A6中与现有疾病建立联想，并进行联想分析，包括以下步骤：
C1、先根据计算的外周血细胞数据与数据库中的现有疾病进行联想；
C2、建立筛选出的数据与联想疾病之间的相似度和相异度评判体系；
C3、将每种联想疾病的相似度与相异度作对比，当相似度大于相异度时，将该疾病归纳为疑似疾病；
C4、将外周血像中的疑似疾病与外周血象中的疑似疾病名词相匹配；
C5、将完成匹配的疑似疾病的相似度相乘和相异度相乘，得出整体的检测结果，即所检测的外周血细胞与疾病的相似度和相异度；
C6、将相似度按照从高到低排序，完成对数据的分析和与疾病的联想。
7.根据权利要求6所述的一种外周血细胞形态学自动检测系统的疾病联想方法，其特征在于：所述步骤A7中的结合是指将种类对应的疾病的异常细胞与现有疾病的指向度与疾病联想结果的相似度进行相加，其最终表示为疾病联想的相似度加异常细胞与现有疾病的指向度，并按照相两者之和进行最终排序。
CN202011395035.1A 2020-12-03 2020-12-03 一种外周血细胞形态学自动检测系统的疾病联想方法 Active CN112508909B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011395035.1A CN112508909B (zh) 2020-12-03 2020-12-03 一种外周血细胞形态学自动检测系统的疾病联想方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011395035.1A CN112508909B (zh) 2020-12-03 2020-12-03 一种外周血细胞形态学自动检测系统的疾病联想方法

Publications (2)

Publication Number Publication Date
CN112508909A true CN112508909A (zh) 2021-03-16
CN112508909B CN112508909B (zh) 2023-08-25

Family

ID=74969461

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011395035.1A Active CN112508909B (zh) 2020-12-03 2020-12-03 一种外周血细胞形态学自动检测系统的疾病联想方法

Country Status (1)

Country Link
CN (1) CN112508909B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113034479A (zh) * 2021-03-31 2021-06-25 武汉智博见微医疗科技有限公司 Aa、mds、ma的分类方法、设备及可读存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100054575A1 (en) * 2006-10-13 2010-03-04 Honghua Zhou Analysis method for 5-differential complete blood cell based on visual image
CN102565316A (zh) * 2010-12-08 2012-07-11 浙江海洋学院 外周血单个核细胞的核纹理分析方法
CN103345654A (zh) * 2013-06-25 2013-10-09 苏州创继生物科技有限公司 一种基于形态学分类计数白细胞的方法
CN103604737A (zh) * 2013-12-10 2014-02-26 山东大学 一种自动化血细胞识别装置及工作方法
CN105136795A (zh) * 2015-07-20 2015-12-09 爱威科技股份有限公司 血液样本检测装置、方法和系统
US20170109880A1 (en) * 2015-10-16 2017-04-20 General Electric Company System and method for blood vessel analysis and quantification in highly multiplexed fluorescence imaging
US20180286040A1 (en) * 2017-04-04 2018-10-04 Konica Minolta, Inc. Image processing apparatus, image processing method, and computer-readable non-transitory recording medium storing image processing program
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
CN110414317A (zh) * 2019-06-12 2019-11-05 四川大学 基于胶囊网络的全自动白细胞分类计数方法
US20200311384A1 (en) * 2017-11-16 2020-10-01 The United States Of America, As Represented By The Secretary, Department Of Health And Human Servic Clustering methods using a grand canonical ensemble
CN112432902A (zh) * 2020-12-03 2021-03-02 中国人民解放军陆军军医大学第二附属医院 一种外周血细胞形态学判别细胞数目的自动检测系统及方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100054575A1 (en) * 2006-10-13 2010-03-04 Honghua Zhou Analysis method for 5-differential complete blood cell based on visual image
CN102565316A (zh) * 2010-12-08 2012-07-11 浙江海洋学院 外周血单个核细胞的核纹理分析方法
CN103345654A (zh) * 2013-06-25 2013-10-09 苏州创继生物科技有限公司 一种基于形态学分类计数白细胞的方法
CN103604737A (zh) * 2013-12-10 2014-02-26 山东大学 一种自动化血细胞识别装置及工作方法
CN105136795A (zh) * 2015-07-20 2015-12-09 爱威科技股份有限公司 血液样本检测装置、方法和系统
US20170109880A1 (en) * 2015-10-16 2017-04-20 General Electric Company System and method for blood vessel analysis and quantification in highly multiplexed fluorescence imaging
US20180286040A1 (en) * 2017-04-04 2018-10-04 Konica Minolta, Inc. Image processing apparatus, image processing method, and computer-readable non-transitory recording medium storing image processing program
US20200311384A1 (en) * 2017-11-16 2020-10-01 The United States Of America, As Represented By The Secretary, Department Of Health And Human Servic Clustering methods using a grand canonical ensemble
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
CN110414317A (zh) * 2019-06-12 2019-11-05 四川大学 基于胶囊网络的全自动白细胞分类计数方法
CN112432902A (zh) * 2020-12-03 2021-03-02 中国人民解放军陆军军医大学第二附属医院 一种外周血细胞形态学判别细胞数目的自动检测系统及方法

Non-Patent Citations (10)

* Cited by examiner, † Cited by third party
Title
C. PATGIRI等: "Red Blood Cell and Sickle Cell Detection from Microscopic Blood Images of Sickle Cell Anemic Patient", 《2019 INTERNATIONAL CONFERENCE ON WIRELESS COMMUNICATIONS SIGNAL PROCESSING AND NETWORKING (WISPNET)》 *
C. PATGIRI等: "Red Blood Cell and Sickle Cell Detection from Microscopic Blood Images of Sickle Cell Anemic Patient", 《2019 INTERNATIONAL CONFERENCE ON WIRELESS COMMUNICATIONS SIGNAL PROCESSING AND NETWORKING (WISPNET)》, 12 March 2020 (2020-03-12), pages 474 - 478 *
M. L. D. GARCIA等: "A Bag of Features Based Approach for Classification of Motile Sperm Cells", 《2017 IEEE INTERNATIONAL CONFERENCE ON INTERNET OF THINGS (ITHINGS) AND IEEE GREEN COMPUTING AND COMMUNICATIONS (GREENCOM) AND IEEE CYBER, PHYSICAL AND SOCIAL COMPUTING (CPSCOM) AND IEEE SMART DATA (SMARTDATA)》 *
M. L. D. GARCIA等: "A Bag of Features Based Approach for Classification of Motile Sperm Cells", 《2017 IEEE INTERNATIONAL CONFERENCE ON INTERNET OF THINGS (ITHINGS) AND IEEE GREEN COMPUTING AND COMMUNICATIONS (GREENCOM) AND IEEE CYBER, PHYSICAL AND SOCIAL COMPUTING (CPSCOM) AND IEEE SMART DATA (SMARTDATA)》, 1 February 2018 (2018-02-01), pages 104 - 109 *
李碧草等: "基于SURF算法的细胞显微图像拼接方法的改进", 《天津工业大学学报》 *
李碧草等: "基于SURF算法的细胞显微图像拼接方法的改进", 《天津工业大学学报》, 25 February 2012 (2012-02-25), pages 65 - 68 *
柳家胜: "基于组内参考特征的宫颈细胞学辅助诊断系统设计与实现", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 *
柳家胜: "基于组内参考特征的宫颈细胞学辅助诊断系统设计与实现", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》, 15 March 2021 (2021-03-15), pages 068 - 58 *
金婷等: "基于可视化模式识别技术外周血涂片成像的白细胞形态分类研究", 《中国医学装备》 *
金婷等: "基于可视化模式识别技术外周血涂片成像的白细胞形态分类研究", 《中国医学装备》, vol. 17, no. 01, 15 January 2020 (2020-01-15), pages 2 - 5 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113034479A (zh) * 2021-03-31 2021-06-25 武汉智博见微医疗科技有限公司 Aa、mds、ma的分类方法、设备及可读存储介质
CN113034479B (zh) * 2021-03-31 2022-06-03 武汉智博见微医疗科技有限公司 Aa、mds、ma的分类方法、设备及可读存储介质

Also Published As

Publication number Publication date
CN112508909B (zh) 2023-08-25

Similar Documents

Publication Publication Date Title
Labati et al. All-IDB: The acute lymphoblastic leukemia image database for image processing
Huang et al. A computer assisted method for leukocyte nucleus segmentation and recognition in blood smear images
Imran Razzak et al. Microscopic blood smear segmentation and classification using deep contour aware CNN and extreme machine learning
Reta et al. Segmentation of bone marrow cell images for morphological classification of acute leukemia
Wu et al. A hematologist-level deep learning algorithm (BMSNet) for assessing the morphologies of single nuclear balls in bone marrow smears: algorithm development
Naz et al. Robust discrimination of leukocytes protuberant types for early diagnosis of leukemia
Wijesinghe et al. Fully automated detection and classification of white blood cells
CN114494197A (zh) 一种复杂性小样本脑脊液细胞识别与分类方法
GB2093586A (en) Apparatus for classification of cells
Rahman et al. Automatic detection of white blood cells from microscopic images for malignancy classification of acute lymphoblastic leukemia
Malkawi et al. White blood cells classification using convolutional neural network hybrid system
Sriram et al. Classification of Leukemia and Leukemoid Using VGG-16 Convolutional Neural Network Architecture.
Muthumayil et al. Diagnosis of leukemia disease based on enhanced virtual neural network
WO2021152089A1 (en) Systematic characterization of objects in a biological sample
RU2308745C1 (ru) Способ микроскопического исследования образца, содержащего микрообъекты с разнородными зонами
Mattie et al. PathMaster: content-based cell image retrieval using automated feature extraction
Ananth et al. An Advanced Low-cost Blood Cancer Detection System.
CN115270874A (zh) 一种基于密度估计的流式细胞分类和计数的方法和系统
KR20010017092A (ko) 혈구세포의 형태 자동 분석 및 카운트 방법
Aktas et al. Deep convolutional neural networks for detection of abnormalities in chest X-rays trained on the very large dataset
CN112508909B (zh) 一种外周血细胞形态学自动检测系统的疾病联想方法
US20160026851A1 (en) System and method for improved detection of objects of interest in image data by management of false positives
Arunachalam Applications of Machine learning and Image processing techniques in the detection of leukemia
Deore et al. Image analysis framework for automatic extraction of the progress of an infection
US20140010433A1 (en) System and method for improved detection of objects of interest in image data by management of false positives

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