CN112541895A - 一种基于组织形态分析的小鼠生精管自动分期系统 - Google Patents
一种基于组织形态分析的小鼠生精管自动分期系统 Download PDFInfo
- Publication number
- CN112541895A CN112541895A CN202011464934.2A CN202011464934A CN112541895A CN 112541895 A CN112541895 A CN 112541895A CN 202011464934 A CN202011464934 A CN 202011464934A CN 112541895 A CN112541895 A CN 112541895A
- Authority
- CN
- China
- Prior art keywords
- stage
- staging
- mouse
- features
- tissue
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 210000002863 seminiferous tubule Anatomy 0.000 title claims abstract description 43
- 238000004458 analytical method Methods 0.000 title claims abstract description 12
- 238000013145 classification model Methods 0.000 claims abstract description 7
- 210000001519 tissue Anatomy 0.000 claims description 23
- 210000004027 cell Anatomy 0.000 claims description 11
- 210000003855 cell nucleus Anatomy 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 10
- 238000000605 extraction Methods 0.000 abstract description 4
- 230000001575 pathological effect Effects 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 230000011218 segmentation Effects 0.000 description 6
- 230000021595 spermatogenesis Effects 0.000 description 6
- 210000001550 testis Anatomy 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000002546 full scan Methods 0.000 description 2
- 210000004602 germ cell Anatomy 0.000 description 2
- 231100000915 pathological change Toxicity 0.000 description 2
- 230000036285 pathological change Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000920 spermatogeneic effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000001755 duct epithelial cell Anatomy 0.000 description 1
- 230000036732 histological change Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 208000000509 infertility Diseases 0.000 description 1
- 230000036512 infertility Effects 0.000 description 1
- 231100000535 infertility Toxicity 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 210000004940 nucleus Anatomy 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 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
- G06T7/0014—Biomedical image inspection using an image reference approach
- G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- G06T7/40—Analysis of texture
- G06T7/49—Analysis of texture based on structural texture description, e.g. using primitives or placement rules
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (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
本发明公开了一种基于组织形态分析的小鼠生精管自动分期系统。属于机器学习和图像处理领域；具体步骤：基于深度残差网络(ResNet)构建小鼠生精管分类模型；提取生精管图像内的细胞层次和组织层次的特征。本发明运用深度学习方法对小鼠睾丸内多类生精管、生精管内多类细胞、生精管内多类区域进行自动分割；另外在特征提取和特征选择的工作中，在现有的病理学特征基础上手动设计长形精子方向特征；最终所选出来的特征分类准确率良好，与病理医生的分期经验相符，可以有效地相互解释，充分验证了所选取出来特征的正确性；另外VI、VII‑mVIII和lateVIII分期系统的成功建立可以为病理医生在分期诊断时提供定量化的信息，辅助病理医生进行分期鉴定。
Description
技术领域
本发明涉及机器学习和图像处理领域，具体涉及一种基于组织形态分析的小鼠生精管自动分期系统。
背景技术
由于哺乳动物的睾丸病理结构很相似，因此人类生殖方面病理缺陷导致的不育症的早期病变研究通常在小鼠睾丸进行实验。在精子发生过程中，处于不同发育阶段的生殖细胞形成的特定的细胞组合称为生精时相。通过观察精子发生过程中生精时相周期性形态变化的特点，把小鼠生精过程分为I-XII期。由于生精管内生殖细胞类型众多、结构复杂，而且两个连续的生精时相差异很小，这导致以人工的方式进行分期比较困难。然而，准确划分精子发生过程，将精子发生的连续复杂动态过程静态化，可以更准确地描述不同影响因素对生精管上皮细胞产生的组织学，病理学变化。因此，开发计算机辅助自动分期系统可以辅助病理医生更准确地进行分期判断和病变研究。
小鼠生精管自动分期系统的建立不仅可以辅助病理医生进行更精确的分期，还可以在未来的研究中与小鼠基因数据结合来探索新的综合性分期标准。
发明内容
针对上述问题，本发明提供了一种基于组织形态分析的小鼠生精管自动分期系统。
本发明的技术方案是：一种基于组织形态分析的小鼠生精管自动分期系统，具体步骤包括如下：
步骤(1.1)、基于深度残差网络构建小鼠生精管分类模型；
步骤(1.2)、提取生精管图像内的细胞层次和组织层次的特征。
进一步的，在步骤(1.1)中，所述构建小鼠生精管分类模型具体如下：
(1.1.1)、先把生精管分为三个阶段组，包括早期(I-V期)，中期(VI-VIII期)、晚期(IX-XII期)；
(1.1.2)、将中期中期(VI-VIII期)根据新开发的组织形态学特征自动分类为不同的阶段VI、VII-mVIII和lateVIII。
进一步的，在步骤(1.2)中，所述提取生精管图像内的细胞层次和组织层次的特征的具体选择方法是采用经典的mRMR算法，使用100次三折交叉验证的方式对每类细胞核或区域的特征，分别选择出现频率最高的11个特征作为最终的高判别性特征。
进一步的，进一步的，在步骤(1.2)中，选用LDA、QDA、SVM、RF上述四种分类器与每类细胞核或区域选出的前11个特征相结合，并进行100次三折交叉验证评估；
其中，将长形精子区域所提取的纹理特征与方向特征结合的mRMR-LDA分类器作为最优的分期分类器。
进一步的，在步骤(1.2)中，所述细胞层次的特征包括细胞核形态学特征、细胞核空间方向特征及细胞核纹理特征；所述组织层次的特征包括长形精子的空间方向特征及各类区域的纹理特征。
本发明的有益效果是：1、在小鼠生精管分期系统的图像分析模块，运用深度学习方法对小鼠睾丸内多类生精管、生精管内多类细胞、生精管内多类区域进行自动分割；并且深度模型的分类准确率均已达到比较高的水平，完全可以支持特征提取与选择工作的进行。
2、本发明探究基于组织形态学分析的小鼠生精管VI、VII-mVIII和lateVIII三期自动分期系统的建立；在特征提取和特征选择的工作中，在现有的病理学特征基础上手动设计长形精子方向特征；并且最终所选出来的特征分类准确率良好，与病理医生的分期经验相符，可以有效地相互解释，充分验证了所选取出来特征的正确性；另外分期系统的成功建立可以为病理医生在分期诊断时提供定量化的信息，辅助病理医生进行分期鉴定。
附图说明
图1是本发明的结构流程图；
图2是本发明中基于ResNet的小鼠生精管分类流程图；
图3是本发明中特征提取部分结构示意图；
图4是本发明中特征选择部分结构示意图；
图5是本发明中建立小鼠生精管自动分期系统的工作流程图。
具体实施方式
为了更清楚地说明本发明的技术方案，下面结合附图对本发明的技术方案做进一步的详细说明：
对病理医生来说，VI、VII-mVIII和lateVIII三期为Ⅰ-Ⅻ期中最难分辨的三个连续的生精时相，本发明的目标是构建小鼠生精管VVI、VII-mVIII和lateVIII三期的自动分期系统。
本发明的主要解决的技术问题有：1)构建了生精管分类模型，先把生精管分为三个阶段组分为早期(I-V期)，中期(VI-VIII期)、晚期(IX-XII期)；3)将中期(VI-VIII期)根据新开发的组织形态学特征自动分类为不同的阶段VI、VII-mVIII和lateVIII。
具体的，如图1所述一种基于组织形态分析的小鼠生精管自动分期系统，具体步骤包括如下：
步骤(1.1)、基于深度残差网络构建小鼠生精管分类模型，如图2(d)所示，采用ResNet模型进行分类；具体如下：
(1.1.1)、先把生精管分为三个阶段组，包括早期(I-V期)，中期(VI-VIII期)、晚期(IX-XII期)；
(1.1.2)、将中期(VI-VIII期)根据新开发的组织形态学特征自动分类为不同的阶段VI、VII-mVIII、lateVIII。
步骤(1.2)、接下来，提取了VI-VIII期的生精管图像内的细胞层次和组织层次的特征；所述细胞层次的特征包括细胞核形态学特征、细胞核空间方向特征及细胞核纹理特征；所述组织层次的特征包括长形精子的空间方向特征及各类区域的纹理特征；如图3所示；
本发明的特征选择方法是采用经典的mRMR算法，使用100次三折交叉验证的方式对每类细胞核或区域的特征，分别选择出现频率最高的11个特征作为最终的高判别性特征；如图4所示。
进一步的，本发明选用LDA、QDA、SVM、RF上述四种分类器与每类细胞核或区域选出的前11个特征相结合，并进行100次三折交叉验证评估；
其中，将长形精子区域所提取的纹理特征与方向特征结合的mRMR-LDA分类器作为最优的分期分类器；如图4所示的分类结果。
具体实施例：如图4所述，小鼠生精管自动分期系统的工作流程如下：
1、首先，首先，把一张小鼠睾丸切片全扫描图像缩放致原始大小的1/400(长宽分别缩小20倍)，然后送深度卷积神经网络里进行逐像素点分割，得到小鼠生精管预分割结果；利用双线性插值法，把分割结果映射到原图大小。
2、然后，把全扫描图像中预分割出来的生精管依次提取出来并送进深度卷积神经网络里进行分类，得到Ⅰ-Ⅵ期、Ⅶ-Ⅷ期、Ⅺ-Ⅻ期的分类结果，如图2所述；
3、再次，把Ⅶ-Ⅷ期分类出来的生精管提取出来，并利用深度卷积神经网络对其进行细胞核分割、利用深度全卷积神经网络(Unet)对其进行区域分割，如图5所述；
4、最后，对组织区域分割结果提取细胞层次和组织层次的特征，利用已经训练好的RF最优分类器进行分类，得到VI、VII-mVIII和lateVIII三期的分期结果，如图5所述。
最后，应当理解的是，本发明中所述实施例仅用以说明本发明实施例的原则；其他的变形也可能属于本发明的范围；相应地，本发明的实施例不限于本发明明确介绍和描述的实施例。
Claims (5)
1.一种基于组织形态分析的小鼠生精管自动分期系统，其特征在于，具体步骤包括如下：
步骤(1.1)、基于深度残差网络构建小鼠生精管分类模型；
步骤(1.2)、提取生精管图像内的细胞层次和组织层次的特征。
2.根据权利要求1所述的一种基于组织形态分析的小鼠生精管自动分期系统，其特征在于，
在步骤(1.1)中，所述构建小鼠生精管分类模型具体如下：
(1.1.1)、先把生精管分为三个阶段组，包括早期(I-V期)，中期(VI-VIII期)、晚期(IX-XII期)；
(1.1.2)、将中期(VI-VIII期)根据新开发的组织形态学特征自动分类为不同的阶段VI、VII-mVIII和lateVIIII。
3.根据权利要求1所述的一种基于组织形态分析的小鼠生精管自动分期系统，其特征在于，
在步骤(1.2)中，所述提取生精管图像内的细胞层次和组织层次的特征的具体选择方法是采用经典的mRMR算法，使用100次三折交叉验证的方式对每类细胞核或区域的特征，分别选择出现频率最高的11个特征作为最终的高判别性特征。
4.根据权利要求3所述的一种基于组织形态分析的小鼠生精管自动分期系统，其特征在于，
在步骤(1.2)中，选用LDA、QDA、SVM、RF上述四种分类器与每类细胞核或区域选出的前11个特征相结合，并进行100次三折交叉验证评估；
其中，将长形精子区域所提取的纹理特征与方向特征结合的mRMR-LDA分类器作为最优的分期分类器。
5.据权利要求1所述的一种基于组织形态分析的小鼠生精管自动分期系统，其特征在于，
在步骤(1.2)中，所述细胞层次的特征包括细胞核形态学特征、细胞核空间方向特征及细胞核纹理特征；所述组织层次的特征包括长形精子的空间方向特征及各类区域的纹理特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011464934.2A CN112541895A (zh) | 2020-12-14 | 2020-12-14 | 一种基于组织形态分析的小鼠生精管自动分期系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011464934.2A CN112541895A (zh) | 2020-12-14 | 2020-12-14 | 一种基于组织形态分析的小鼠生精管自动分期系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112541895A true CN112541895A (zh) | 2021-03-23 |
Family
ID=75018573
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011464934.2A Pending CN112541895A (zh) | 2020-12-14 | 2020-12-14 | 一种基于组织形态分析的小鼠生精管自动分期系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112541895A (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060127880A1 (en) * | 2004-12-15 | 2006-06-15 | Walter Harris | Computerized image capture of structures of interest within a tissue sample |
| CN110376365A (zh) * | 2019-07-19 | 2019-10-25 | 安领生物医药(苏州)有限公司 | 区分不同时期精母细胞的方法及在生精分期等方面的应用 |
-
2020
- 2020-12-14 CN CN202011464934.2A patent/CN112541895A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060127880A1 (en) * | 2004-12-15 | 2006-06-15 | Walter Harris | Computerized image capture of structures of interest within a tissue sample |
| CN110376365A (zh) * | 2019-07-19 | 2019-10-25 | 安领生物医药(苏州)有限公司 | 区分不同时期精母细胞的方法及在生精分期等方面的应用 |
Non-Patent Citations (2)
| Title |
|---|
| JUN XU 等: "Computerized spermatogenesis staging (CSS) of mouse testis sections via quantitative histomorphological analysis", 《MEDICAL IMAGE ANALYSIS》, pages 1 - 15 * |
| 贺晓舟,张远强,张金山: "大鼠睾丸生精小管上皮精子发生周期的PAS法判定", 《动物学杂志》, no. 04, pages 50 - 52 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110659692B (zh) | 基于强化学习和深度神经网络的病理图像自动标注方法 | |
| CN107256558B (zh) | 一种无监督式的宫颈细胞图像自动分割方法及系统 | |
| CN109325942B (zh) | 基于全卷积神经网络的眼底图像结构分割方法 | |
| CN106570505B (zh) | 对组织病理图像进行分析的方法和系统 | |
| CN112508850B (zh) | 基于深度学习的甲状腺细胞病理切片恶性区域的检测方法 | |
| WO2021203795A1 (zh) | 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法 | |
| Pan et al. | An accurate nuclei segmentation algorithm in pathological image based on deep semantic network | |
| CN103984958A (zh) | 宫颈癌细胞分割方法及系统 | |
| CN110675411A (zh) | 基于深度学习的宫颈鳞状上皮内病变识别算法 | |
| CN106340016A (zh) | 一种基于细胞显微镜图像的dna定量分析方法 | |
| CN109815974A (zh) | 一种细胞病理玻片分类方法、系统、设备、存储介质 | |
| CN109117703A (zh) | 一种基于细粒度识别的混杂细胞种类鉴定方法 | |
| CN114972254A (zh) | 一种基于卷积神经网络的宫颈细胞图像分割方法 | |
| CN112132827A (zh) | 病理图像的处理方法、装置、电子设备及可读存储介质 | |
| CN115100467A (zh) | 一种基于核注意力网络的病理全切片图像分类方法 | |
| CN105405152B (zh) | 基于结构化支持向量机的自适应尺度目标跟踪方法 | |
| CN115439493A (zh) | 一种乳腺组织切片癌变区域分割方法及装置 | |
| CN109919216B (zh) | 一种用于计算机辅助诊断前列腺癌的对抗学习方法 | |
| CN115471701A (zh) | 基于深度学习和迁移学习的肺腺癌组织学亚型分类方法 | |
| CN117670895B (zh) | 基于切片重染色技术的免疫组化病理图像细胞分割方法 | |
| CN117496512B (zh) | 宫颈tct切片的多类型细胞核标注及多任务处理方法 | |
| CN114511588A (zh) | 一种乳腺组织病理图像良恶性判别方法及装置 | |
| CN114240822A (zh) | 基于YOLOv3及多尺度特征融合的棉布瑕疵检测方法 | |
| CN113241154B (zh) | 一种人工智能血液涂片细胞标注系统及方法 | |
| CN114037720A (zh) | 基于半监督学习的病理图像分割与分类的方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210323 |