CN112597852A - 细胞分类方法、装置、电子设备及存储介质 - Google Patents
细胞分类方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112597852A CN112597852A CN202011479508.6A CN202011479508A CN112597852A CN 112597852 A CN112597852 A CN 112597852A CN 202011479508 A CN202011479508 A CN 202011479508A CN 112597852 A CN112597852 A CN 112597852A
- Authority
- CN
- China
- Prior art keywords
- image
- cell
- target
- slide image
- power
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013145 classification model Methods 0.000 claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 238000005070 sampling Methods 0.000 claims description 37
- 239000013598 vector Substances 0.000 claims description 24
- 238000013136 deep learning model Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 210000004027 cell Anatomy 0.000 abstract description 204
- 210000000601 blood cell Anatomy 0.000 abstract description 28
- 238000004458 analytical method Methods 0.000 abstract description 12
- 230000000877 morphologic effect Effects 0.000 abstract description 11
- 230000003287 optical effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 239000011521 glass Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 210000000265 leukocyte Anatomy 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 210000003651 basophil Anatomy 0.000 description 2
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 2
- 210000003979 eosinophil Anatomy 0.000 description 2
- 210000004698 lymphocyte Anatomy 0.000 description 2
- 210000001616 monocyte Anatomy 0.000 description 2
- 210000000440 neutrophil Anatomy 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000003556 assay Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 210000003743 erythrocyte Anatomy 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000007762 localization of cell Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/693—Acquisition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明实施例公开了一种细胞分类方法、装置、电子设备及存储介质，所述方法包括：获取低倍玻片图像；通过图像预测模型将所述低倍玻片图像转换成高倍玻片图像；通过目标检测算法从所述高倍玻片图像提取单个目标细胞为目标细胞图像；通过细胞分类模型对所述目标细胞图像进行分类。本发明实施例通过获取低倍玻片图像即可实现对扫描获得的细胞图像进行自动搜索、识别、标记和定位单个血细胞，并根据其形态特点进行分类，操作方式简单，节省了细胞分类时间，提高了血细胞分析效率。
Description
技术领域
本发明实施例涉及细胞分析技术领域，尤其涉及一种细胞分类方法、装置、电子设备及存储介质。
背景技术
目前，对血细胞进行形态分析，主要分为两种途径：人工镜检和血细胞形态分析仪。前者的一般流程为：将制作好的血细胞涂片置于光学显微镜下，先在低倍镜(10X，40X)下选择观察视野，寻找目标细胞；然后手动在涂片上加油，切换高倍镜(100X)，手动涂油，在油镜下调焦；最后进行目标细胞形态观察和人工计数。后者则是仿照和全自动化实现人工镜检的操作流程，实现细胞分类。
不管上述哪一种分析途径，细胞成像都依赖于油镜。而依赖于油镜的分析方法，存在调整高倍镜头、浸油等繁琐操作，这使得当前的数字病理扫描仪无法快速生成高分辨率图像，使得血细胞分析耗时长、效率低。此外，由于高倍镜分辨率高，使得扫描仪感光视野范围小，单次扫描的细胞数量很少。
发明内容
有鉴于此，本发明实施例提供一种细胞分类方法、装置、电子设备及存储介质，以降低血细胞分析的操作时间，提高分析效率。
第一方面，本发明实施例提供一种细胞分类方法，包括：
获取低倍玻片图像；
通过图像预测模型将所述低倍玻片图像转换成高倍玻片图像；
通过目标检测算法从所述高倍玻片图像提取单个目标细胞为目标细胞图像；
通过细胞分类模型对所述目标细胞图像进行分类。
进一步的，获取低倍玻片图像包括：
通过低倍镜的干镜扫描获取低倍玻片图像。
进一步的，通过图像预测模型将所述低倍玻片图像转换成高倍玻片图像之前，还包括：
获取多个样本玻片的低倍样本玻片图像和高倍样本玻片图像，所述高倍样本玻片图像包括第一分辨率；
对当前输入深度学习模型的低倍样本玻片图像进行多次卷积和多次降采样训练，得到降采样玻片图像；
对所述降采样玻片图像进行多次升采样重建训练，得到升采样图像，所述升采样图像包括第二分辨率；
将所述升采样图像的第二分辨率与对应的所述高倍样本玻片图像的第一分辨率的误差反馈至所述深度学习模型，以使所述深度学习模型对模型参数进行调整，并将另一个低倍样本玻片图像作为当前输入的低倍样本玻片图像，返回对当前输入的低倍样本玻片图像进行多次卷积和多次降采样训练的步骤，直至所述第二分辨率与所述第一分辨率的误差符合预设阈值，得到图像预测模型。
进一步的，通过目标检测算法从所述高倍玻片图像提取单个目标细胞为目标细胞图像包括：
通过目标检测算法从所述高倍玻片图像提取属于目标细胞大类的目标区域图像；
对所述目标区域图像中的目标细胞进行定位，得到细胞坐标；
以所述细胞坐标为中心，在所述目标区域图像上裁切一个能够包含对应目标细胞的图像区域，形成对应的目标细胞图像。
进一步的，通过目标检测算法从所述高倍玻片图像提取属于目标细胞大类的目标区域图像包括：
通过图像处理算法从所述高倍玻片图像中提取多个独立类别区域；
通过卷积神经网络提取每个独立类别区域的特征向量，得到多个特征向量；
通过支持向量机对每个特征向量进行分类，以确定属于目标细胞大类的目标特征向量；
在所述目标特征向量对应的独立类别区域选择目标包围框，并通过目标区域回归函数调整所述目标包围框的大小，以得到目标区域图像。
进一步的，对所述目标区域图像中的目标细胞进行定位，得到细胞坐标包括：
对所述目标包围框的中心点进行定位，得到中心点坐标，将所述中心点坐标作为细胞坐标。
进一步的，通过细胞分类模型对所述目标细胞图像进行分类之前，还包括：
获取多个已标识细胞类别的样本细胞图像；
对多个所述样本细胞图像进行数据增强后将其输入至初始分类模型进行训练，得到细胞分类模型。
第二方面，本发明实施例提供一种细胞分类装置，包括：
图像获取模块，用于获取低倍玻片图像；
第一图像处理模块，用于通过图像预测模型将所述低倍玻片图像转换成高倍玻片图像；
第二图像处理模块，用于通过目标检测算法从所述高倍玻片图像提取单个目标细胞为目标细胞图像；
细胞分类模块，用于通过细胞分类模型对所述目标细胞图像进行分类。
第三方面，本发明实施例提供一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或至少一个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例提供的细胞分类方法。
第四方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例提供的细胞分类方法。
本发明实施例提供的一种细胞分类方法通过获取低倍玻片图像；通过图像预测模型将所述低倍玻片图像转换成高倍玻片图像；通过目标检测算法从所述高倍玻片图像提取单个目标细胞为目标细胞图像；通过细胞分类模型对所述目标细胞图像进行分类。通过获取低倍玻片图像即可实现对扫描获得的细胞图像进行自动搜索、识别、标记和定位单个血细胞，并根据其形态特点进行分类，操作方式简单，节省了细胞分类时间，提高了血细胞分析效率。
附图说明
图1为本发明实施例一提供的一种细胞分类方法的流程示意图；
图2为本发明实施例二提供的一种细胞分类方法的流程示意图；
图3为本发明实施例三提供的一种细胞分类装置的结构示意图。
图4为本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时处理可以被终止，但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等等。
此外，术语“第一”、“第二”等可在本文中用于描述各种方向、动作、步骤或元件等，但这些方向、动作、步骤或元件不受这些术语限制。这些术语仅用于将第一个方向、动作、步骤或元件与另一个方向、动作、步骤或元件区分。术语“第一”、“第二”等而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”、“批量”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
实施例一
图1为本发明实施例一提供的一种细胞分类方法的流程示意图，本实施例可适用于血细胞形态分析，如脑脊液分析。如图1所示，本发明实施例一提供的细胞分类方法包括：
S110、获取低倍玻片图像。
具体的，低倍玻片图像是指显微镜或血细胞形态扫描仪在低倍镜下对血细胞涂片进行干镜扫描得到的玻片图像。干镜扫描是指获取玻片图像的过程中，无需对玻片进行滴油操作，直接扫描即可。由于操作方式更加简单，故而获取低倍玻片图像所需时间远小于直接获取高倍玻片图像所需时间。
S120、通过图像预测模型将所述低倍玻片图像转换成高倍玻片图像。
具体的，图像预测模型对低倍玻片图像进行特征提取、卷积计算、降采样和升采样重建等操作之后，将其转换成高倍玻片图像。高倍玻片图像的分辨率高于低倍玻片图像的分辨率。通过图像预测模型转换得到的高倍玻片图像，与通过高倍镜的油镜扫描得到的玻片图像达到了相同的效果，而图像预测模型转换耗时更短。
S130、通过目标检测算法从所述高倍玻片图像提取单个目标细胞为目标细胞图像。
具体的，细胞大类是指细胞种类，如红细胞、白细胞、神经细胞等，一般的，在每一细胞大类下，还会有更加细分的细胞小类。目标细胞大类则是指目标细胞的种类，目标细胞即为当前需要进行分析的血细胞。高倍玻片图像中一般包括多个种类的血细胞，每个种类的血细胞可能有多个且分布于不同的区域，目标细胞图像则是从高倍玻片图像中提取的单个目标细胞所在的图像区域。
S140、通过细胞分类模型对所述目标细胞图像进行分类。
具体的，细胞分类模型是基于某一确定的细胞大类下的具体细胞小类进行分类，确定目标细胞具体属于哪一种类别的细胞。由于目标细胞图像中仅包括单个目标细胞，因此，对目标细胞图像进行分类，也就是对目标细胞进行分类。如，细胞大类为白细胞，对应的细胞小类则包括中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞、淋巴细胞和单核细胞这五种类别，每种类别的细胞均具有不同形态特点，细胞分类模型根据各类型细胞的形态特点对每一张目标细胞图像进行分类，以确定目标细胞具体属于这五种类别中哪一种类别。
本发明实施例一提供的一种细胞分类方法通过获取低倍玻片图像；通过图像预测模型将所述低倍玻片图像转换成高倍玻片图像；通过目标检测算法从所述高倍玻片图像提取单个目标细胞为目标细胞图像；通过细胞分类模型对所述目标细胞图像进行分类。通过获取低倍玻片图像即可实现对扫描获得的细胞图像进行自动搜索、识别、标记和定位单个血细胞，并根据其形态特点进行分类，操作方式简单，节省了细胞分类时间，提高了血细胞分析效率。
实施例二
图2为本发明实施例二提供的一种细胞分类方法的流程示意图，本实施例是对上述实施例的进一步细化。如图2所示，本发明实施例二提供的细胞分类方法包括：
S201、通过低倍镜的干镜扫描获取低倍玻片图像。
具体的，低倍玻片图像是指显微镜或血细胞形态扫描仪在低倍镜下对血细胞涂片进行干镜扫描得到的玻片图像。干镜扫描是指获取玻片图像的过程中，无需对玻片进行滴油操作，直接扫描即可。由于操作方式更加简单，故而获取低倍玻片图像所需时间远小于直接获取高倍玻片图像所需时间。
S202、获取多个样本玻片的低倍样本玻片图像和高倍样本玻片图像，所述高倍样本玻片图像包括第一分辨率。
具体的，低倍样本玻片图像是通过低倍镜对样本玻片进行干镜扫描所获得的图像，高倍样本玻片图像是通过高倍镜对样本玻片进行油镜扫描所获得的图像。多个样本玻片可以获得多个低倍样本玻片图像以及对应的多个高倍样本玻片图像。其中，高倍样本玻片图像的分辨率为第一分辨率，对应的低倍样本玻片图像的分辨率为第三分辨率。
S203、对当前输入深度学习模型的低倍样本玻片图像进行多次卷积和多次降采样训练，得到降采样玻片图像。
具体的，构建一个深度学习模型，然后将低倍样本玻片图像输入至该深度学习模型中，对该模型进行训练。深度学习模型的训练过程，首先对低倍样本玻片图像进行若干个小区域的卷积，学习到一些特征信息之后，再对该图像进行降采样，采样之后再次对各个区域进行卷积学习和降采样学习，如此重复训练多次，该深度学习模型能基本学习到低倍样本玻片图像的全部特征信息，每一个低倍样本玻片图像均进行上述训练。低倍样本玻片图像转化为降采样玻片图像，此时降采样玻片图像的分辨率为第四分辨率，第四分辨率小于第三分辨率。
S204、对所述降采样玻片图像进行多次升采样重建训练，得到升采样图像，所述升采样图像包括第二分辨率。
具体的，对降采样玻片图像进行多次升采样重建，使降采样玻片图像的分辨率恢复为原来的分辨率，即使第四分辨率恢复为第三分辨率。当降采样玻片图像恢复为第三分辨率后，再次对其进行一次升采样重建，使其转化为升采样图像，此时升采样图像的分辨率为第二分辨率。
S205、将所述升采样图像的第二分辨率与对应的所述高倍样本玻片图像的第一分辨率的误差反馈至所述深度学习模型，以使所述深度学习模型对模型参数进行调整，并将另一个低倍样本玻片图像作为当前输入的低倍样本玻片图像，返回步骤S203，直至所述第二分辨率与所述第一分辨率的误差符合预设阈值，得到图像预测模型。
具体的，把升采样图像的第二分辨率与对应的高倍样本玻片图像的第一分辨率进行比较，将二者误差反馈给深度学习模型。深度学习模型在收到反馈的误差后，对于模型中的数学参数进行细微调整之后，再次对新输入的低倍样本玻片图像进行学习，也即将另一个未进行训练的低倍样本玻片图像作为当前输入的低倍样本玻片图像，返回步骤S203。深度学习模型对多个低倍样本玻片图像和对应的高倍样本玻片图像进行重复训练后，当升采样图像的第二分辨率与对应的高倍样本玻片图像的第一分辨率的误差符合预设阈值时，说明深度学习模型的训练已经达到预期效果，得到图像预测模型。
S206、通过图像预测模型将所述低倍玻片图像转换成高倍玻片图像。
具体的，图像预测模型对低倍玻片图像进行特征提取、卷积计算、降采样和升采样重建等操作之后，将其转换成高倍玻片图像。高倍玻片图像的分辨率高于低倍玻片图像的分辨率。通过图像预测模型转换得到的高倍玻片图像，与通过高倍镜的油镜扫描得到的玻片图像达到了相同的效果，而图像预测模型转换耗时更短。
S207、通过目标检测算法从所述高倍玻片图像提取属于目标细胞大类的目标区域图像。
具体的，通过目标检测算法从高倍玻片图像中提取目标区域图像，该目标区域图像中包含单个目标细胞，目标细胞的种类属于目标细胞大类。
进一步的，提取目标区域图像具体包括：通过图像处理算法从所述高倍玻片图像中提取多个独立类别区域；通过卷积神经网络提取每个独立类别区域的特征向量，得到多个特征向量；通过支持向量机对每个特征向量进行分类，以确定属于目标细胞大类的目标特征向量；在所述目标特征向量对应的独立类别区域选择目标包围框，并通过目标区域回归函数调整所述目标包围框的大小，以得到目标区域图像。
具体的，独立类别区域是指该区域图像属于某一独立类别。本实施例中，对于提取独立类别区域的图像处理算法不做限制，能够实现对应的提取功能即可，如颜色空间变换和计算连通域的方法。对于每个独立类别区域利用卷积神经网络来获取一个目标特征向量；对于每个目标特征向量，利用支持向量机SVM(Support Vector Machines)进行分类，以确定属于目标细胞大类的目标特征向量，进而确定目标特征向量对应的独立类别区域，也即确定目标细胞大类所对应的独立类别区域。此时确定的目标细胞大类所对应的独立类别区域，其区域范围可能较大，为了获取一个合适的区域范围，用目标包围框对该独立类别区域进行框选，并通过一个目标区域回归函数来调整目标包围框的大小，最终得到大小合适的目标区域图像。
S208、对所述目标区域图像中的目标细胞进行定位，得到细胞坐标。
具体的，由于不同目标区域图像中的细胞可能属于不同的细胞小类，故需要对目标区域图像中的目标细胞进行进一步的分类。而目标区域图像虽然包括单个目标细胞，但是还包括除单个目标细胞外的背景区域，这些较多的背景区域对会降低细胞分类的准确性，故需要将每个目标细胞单独提取出来。故而需要对每个目标细胞进行定位，确定其细胞坐标，以对目标区域图像进行进一步的裁切。
本实施例中，对目标包围框的中心点进行定位，得到中心点坐标，将该中心点坐标作为细胞坐标。
S209、以每个细胞坐标为中心，在所述目标区域图像上裁切一个能够包含对应目标细胞的图像区域，形成对应的目标细胞图像。
具体的，以目标细胞的细胞坐标为中心(也就是以目标细胞为中心)，在目标区域图像上裁切一个能够包含该目标细胞的合适区域形成目标细胞图像，该目标细胞图像中包括单个目标细胞。对目标区域图像中的每一个目标细胞进行区域裁切，得到多个目标细胞图像。
S210、获取多个已标识细胞类别的样本细胞图像。
具体的，样本细胞图像是单个样本细胞图像，其上具有细胞类别标识，也即样本细胞图像的细胞类别(细胞小类)已知。
S211、对多个所述样本细胞图像进行数据增强后将其输入至初始分类模型进行训练，得到细胞分类模型。
具体的，对样本细胞图像进行数据增强包括旋转、平移、放大、缩小等。将进行数据增强后的样本细胞图像输入至初始分类模型中进行训练，即可得到细胞分类模型。细胞分类模型是基于某一确定的细胞大类下的具体细胞小类进行分类，确定目标细胞具体属于哪一种类别的细胞。本实施例中，初始分类模型采用Inception网络结构框架。
S212、通过细胞分类模型对所述目标细胞图像进行分类。
具体的，由于目标细胞图像中仅包括单个目标细胞，因此，对目标细胞图像进行分类，也就是对目标细胞进行分类。如，细胞大类为白细胞，对应的细胞小类则包括中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞、淋巴细胞和单核细胞这五种类别，每种类别的细胞均具有不同形态特点，细胞分类模型根据各类型细胞的形态特点对每一张目标细胞图像进行分类，以确定目标细胞具体属于这五种类别中哪一种类别。
本发明实施例实现了血细胞涂片的快速高分辨率的全景扫描，无需用到传统高分辨扫描所必须的显微油镜，只通过干镜就可以完成，操作简单，大大节省操作时间；由于使用的是干镜，扫描视野比油镜等高倍镜要大500倍以上，能够支持快速的全景扫描；通过图像预测模型的超分辨率重建算法，能够实现干镜扫描结果的超分辨率重建，得到的高倍玻片图像与油镜下扫描无异。本发明实施例还能够对扫描获得的细胞图像，自动搜索、识别、标记和定位单个血细胞，并且根据其形态特点进行分类。
实施例三
图3为本发明实施例三提供的一种细胞分类装置的结构示意图，本实施例可适用于血细胞形态分析，如脑脊液分析。本实施例提供的细胞分类装置能够实现本发明任意实施例提供的细胞分类方法，具备实现方法的相应功能结构和有益效果，本实施例中未详尽描述的内容可参考本发明任意方法实施例的描述。
如图3所示，本发明实施例三提供的细胞分类装置包括：图像获取模块310、第一图像处理模块320、第二图像处理模块330和细胞分类模块340，其中：
图像获取模块310用于获取低倍玻片图像；
第一图像处理模块320用于通过图像预测模型将所述低倍玻片图像转换成高倍玻片图像；
第二图像处理模块330用于通过目标检测算法从所述高倍玻片图像提取单个目标细胞为目标细胞图像；
细胞分类模块340用于通过细胞分类模型对所述目标细胞图像进行分类。
进一步的，图像获取模块310具体用于：
通过低倍镜的干镜扫描获取低倍玻片图像。
进一步的，还包括图像预测模型构建模块，所述图像预测模型构建模块具体用于：
获取多个样本玻片的低倍样本玻片图像和高倍样本玻片图像，所述高倍样本玻片图像包括第一分辨率；
对当前输入深度学习模型的低倍样本玻片图像进行多次卷积和多次降采样训练，得到降采样玻片图像；
对所述降采样玻片图像进行多次升采样重建训练，得到升采样图像，所述升采样图像包括第二分辨率；
将所述升采样图像的第二分辨率与对应的所述高倍样本玻片图像的第一分辨率的误差反馈至所述深度学习模型，以使所述深度学习模型对模型参数进行调整，并将另一个低倍样本玻片图像作为当前输入的低倍样本玻片图像，返回对当前输入的低倍样本玻片图像进行多次卷积和多次降采样训练的步骤，直至所述第二分辨率与所述第一分辨率的误差符合预设阈值，得到图像预测模型。
进一步的，第二图像处理模块330包括：
目标区域图像提取单元，用于通过目标检测算法从所述高倍玻片图像提取属于目标细胞大类的目标区域图像；
目标细胞定位单元，用于对所述目标区域图像中的目标细胞进行定位，得到细胞坐标；
目标细胞图像提取单元，用于以所述细胞坐标为中心，在所述目标区域图像上裁切一个能够包含对应目标细胞的图像区域，形成对应的目标细胞图像。
进一步的，所述目标区域图像提取单元具体用于：
通过图像处理算法从所述高倍玻片图像中提取多个独立类别区域；
通过卷积神经网络提取每个独立类别区域的特征向量，得到多个特征向量；
通过支持向量机对每个特征向量进行分类，以确定属于目标细胞大类的目标特征向量；
在所述目标特征向量对应的独立类别区域选择目标包围框，并通过目标区域回归函数调整所述目标包围框的大小，以得到目标区域图像。
进一步的，所述目标细胞定位单元具体用于：
对所述目标包围框的中心点进行定位，得到中心点坐标，将所述中心点坐标作为细胞坐标。
进一步的，还包括细胞分类模型构建模块，所述细胞分类模型构建模块具体用于：
获取多个已标识细胞类别的样本细胞图像；
对多个所述样本细胞图像进行数据增强后将其输入至初始分类模型进行训练，得到细胞分类模型。
本发明实施例三提供的细胞分类装置通过图像获取模块、第一图像处理模块、第二图像处理模块和细胞分类模块，通过获取低倍玻片图像即可实现对扫描获得的细胞图像进行自动搜索、识别、标记和定位单个血细胞，并根据其形态特点进行分类，操作方式简单，节省了细胞分类时间，提高了血细胞分析效率。
实施例四
图4为本发明实施例四提供的一种电子设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性电子设备412的框图。图4显示的电子设备412仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，电子设备412以通用电子设备的形式表现。电子设备412的组件可以包括但不限于：一个或者多个处理器416，存储装置428，连接不同系统组件(包括存储装置428和处理器416)的总线418。
总线418表示几类总线结构中的一种或多种，包括存储装置总线或者存储装置控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry SubversiveAlliance，ISA)总线，微通道体系结构(Micro Channel Architecture，MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics Standards Association，VESA)局域总线以及外围组件互连(Peripheral Component Interconnect，PCI)总线。
电子设备412典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备412访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储装置428可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory，RAM)430和/或高速缓存存储器432。电子设备412可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统434可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘，例如只读光盘(Compact Disc Read-Only Memory，CD-ROM),数字视盘(Digital Video Disc-Read Only Memory，DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线418相连。存储装置428可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块442的程序/实用工具440，可以存储在例如存储装置428中，这样的程序模块442包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块442通常执行本发明所描述的实施例中的功能和/或方法。
电子设备412也可以与一个或多个外部设备414(例如键盘、指向终端、显示器424等)通信，还可与一个或者多个使得用户能与该电子设备412交互的终端通信，和/或与使得该电子设备412能与一个或多个其它计算终端进行通信的任何终端(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口422进行。并且，电子设备412还可以通过网络适配器420与一个或者多个网络(例如局域网(Local Area Network，LAN)，广域网(Wide Area Network，WAN)和/或公共网络，例如因特网)通信。如图4所示，网络适配器420通过总线418与电子设备412的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备412使用其它硬件和/或软件模块，包括但不限于：微代码、终端驱动器、冗余处理器、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of Independent Disks，RAID)系统、磁带驱动器以及数据备份存储系统等。
处理器416通过运行存储在存储装置428中的程序，从而执行各种功能应用以及数据处理，例如实现本发明任意实施例所提供的细胞分类方法，该方法可以包括：
获取低倍玻片图像；
通过图像预测模型将所述低倍玻片图像转换成高倍玻片图像；
通过目标检测算法从所述高倍玻片图像提取单个目标细胞为目标细胞图像；
通过细胞分类模型对所述目标细胞图像进行分类。
实施例五
本发明实施例五还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所提供的细胞分类方法，该方法可以包括：
获取低倍玻片图像；
通过图像预测模型将所述低倍玻片图像转换成高倍玻片图像；
通过目标检测算法从所述高倍玻片图像提取单个目标细胞为目标细胞图像；
通过细胞分类模型对所述目标细胞图像进行分类。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是，但不限于，电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言(诸如Java、Smalltalk、C++)，还包括常规的过程式程序设计语言(诸如“C”语言或类似的程序设计语言)。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或终端上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络(包括局域网(LAN)或广域网(WAN))连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种细胞分类方法，其特征在于，包括：
获取低倍玻片图像；
通过图像预测模型将所述低倍玻片图像转换成高倍玻片图像；
通过目标检测算法从所述高倍玻片图像提取单个目标细胞为目标细胞图像；
通过细胞分类模型对所述目标细胞图像进行分类。
2.如权利要求1所述的方法，其特征在于，获取低倍玻片图像包括：
通过低倍镜的干镜扫描获取低倍玻片图像。
3.如权利要求1所述的方法，其特征在于，通过图像预测模型将所述低倍玻片图像转换成高倍玻片图像之前，还包括：
获取多个样本玻片的低倍样本玻片图像和高倍样本玻片图像，所述高倍样本玻片图像包括第一分辨率；
对当前输入深度学习模型的低倍样本玻片图像进行多次卷积和多次降采样训练，得到降采样玻片图像；
对所述降采样玻片图像进行多次升采样重建训练，得到升采样图像，所述升采样图像包括第二分辨率；
将所述升采样图像的第二分辨率与对应的所述高倍样本玻片图像的第一分辨率的误差反馈至所述深度学习模型，以使所述深度学习模型对模型参数进行调整，并将另一个低倍样本玻片图像作为当前输入的低倍样本玻片图像，返回对当前输入的低倍样本玻片图像进行多次卷积和多次降采样训练的步骤，直至所述第二分辨率与所述第一分辨率的误差符合预设阈值，得到图像预测模型。
4.如权利要求1所述的方法，其特征在于，通过目标检测算法从所述高倍玻片图像提取单个目标细胞为目标细胞图像包括：
通过目标检测算法从所述高倍玻片图像提取属于目标细胞大类的目标区域图像；
对所述目标区域图像中的目标细胞进行定位，得到细胞坐标；
以所述细胞坐标为中心，在所述目标区域图像上裁切一个能够包含对应目标细胞的图像区域，形成对应的目标细胞图像。
5.如权利要求4所述的方法，其特征在于，通过目标检测算法从所述高倍玻片图像提取属于目标细胞大类的目标区域图像包括：
通过图像处理算法从所述高倍玻片图像中提取多个独立类别区域；
通过卷积神经网络提取每个独立类别区域的特征向量，得到多个特征向量；
通过支持向量机对每个特征向量进行分类，以确定属于目标细胞大类的目标特征向量；
在所述目标特征向量对应的独立类别区域选择目标包围框，并通过目标区域回归函数调整所述目标包围框的大小，以得到目标区域图像。
6.如权利要求5所述的方法，其特征在于，对所述目标区域图像中的目标细胞进行定位，得到细胞坐标包括：
对所述目标包围框的中心点进行定位，得到中心点坐标，将所述中心点坐标作为细胞坐标。
7.如权利要求1所述的方法，其特征在于，通过细胞分类模型对所述目标细胞图像进行分类之前，还包括：
获取多个已标识细胞类别的样本细胞图像；
对多个所述样本细胞图像进行数据增强后将其输入至初始分类模型进行训练，得到细胞分类模型。
8.一种细胞分类装置，其特征在于，包括：
图像获取模块，用于获取低倍玻片图像；
第一图像处理模块，用于通过图像预测模型将所述低倍玻片图像转换成高倍玻片图像；
第二图像处理模块，用于通过目标检测算法从所述高倍玻片图像提取单个目标细胞为目标细胞图像；
细胞分类模块，用于通过细胞分类模型对所述目标细胞图像进行分类。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或至少一个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一项所述的细胞分类方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的细胞分类方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011479508.6A CN112597852B (zh) | 2020-12-15 | 2020-12-15 | 细胞分类方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011479508.6A CN112597852B (zh) | 2020-12-15 | 2020-12-15 | 细胞分类方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112597852A true CN112597852A (zh) | 2021-04-02 |
| CN112597852B CN112597852B (zh) | 2024-05-24 |
Family
ID=75195869
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011479508.6A Active CN112597852B (zh) | 2020-12-15 | 2020-12-15 | 细胞分类方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112597852B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114152610A (zh) * | 2021-11-02 | 2022-03-08 | 桂林优利特医疗电子有限公司 | 一种基于可视化目标标记的玻片细胞扫描方法 |
| CN114418863A (zh) * | 2022-03-31 | 2022-04-29 | 北京小蝇科技有限责任公司 | 细胞图像修复方法、装置、计算机存储介质及电子设备 |
| CN115050024A (zh) * | 2022-06-21 | 2022-09-13 | 广州医科大学 | 一种可解释性的粒细胞智能实时识别方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0854333A (ja) * | 1994-05-02 | 1996-02-27 | Biometric Imaging Inc | 細胞計数及び細胞分類方法及び装置 |
| CN110110799A (zh) * | 2019-05-13 | 2019-08-09 | 广州锟元方青医疗科技有限公司 | 细胞分类方法、装置、计算机设备和存储介质 |
| JP2020039490A (ja) * | 2018-09-07 | 2020-03-19 | キヤノン株式会社 | 画像処理装置、医用診断システム、学習済モデル、画像処理方法、及びプログラム |
| CN111696084A (zh) * | 2020-05-20 | 2020-09-22 | 平安科技（深圳）有限公司 | 细胞图像分割方法、装置、电子设备及可读存储介质 |
| WO2020242341A1 (ru) * | 2019-05-27 | 2020-12-03 | Общество С Ограниченной Ответственностью "Лаб Кмд" | Метод для выделения и классификации типов клеток крови с помощью глубоких сверточных нейронных сетей |
-
2020
- 2020-12-15 CN CN202011479508.6A patent/CN112597852B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0854333A (ja) * | 1994-05-02 | 1996-02-27 | Biometric Imaging Inc | 細胞計数及び細胞分類方法及び装置 |
| JP2020039490A (ja) * | 2018-09-07 | 2020-03-19 | キヤノン株式会社 | 画像処理装置、医用診断システム、学習済モデル、画像処理方法、及びプログラム |
| CN110110799A (zh) * | 2019-05-13 | 2019-08-09 | 广州锟元方青医疗科技有限公司 | 细胞分类方法、装置、计算机设备和存储介质 |
| WO2020242341A1 (ru) * | 2019-05-27 | 2020-12-03 | Общество С Ограниченной Ответственностью "Лаб Кмд" | Метод для выделения и классификации типов клеток крови с помощью глубоких сверточных нейронных сетей |
| CN111696084A (zh) * | 2020-05-20 | 2020-09-22 | 平安科技（深圳）有限公司 | 细胞图像分割方法、装置、电子设备及可读存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| MOHAMED H. ALI等: "A simple model for cell type recognition using 2D-correlation analysis of FTIR images from breast cancer tissue", JOURNAL OF MOLECULAR STRUCTURE, vol. 1163 * |
| 宁旭: "细胞分类识别技术的研究", 中国优秀博硕士学位论文全文数据库 (硕士) 信息科技辑(季刊), no. 02 * |
| 金婷;缪雪燕;徐燕;: "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, no. 01, 15 January 2020 (2020-01-15) * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114152610A (zh) * | 2021-11-02 | 2022-03-08 | 桂林优利特医疗电子有限公司 | 一种基于可视化目标标记的玻片细胞扫描方法 |
| CN114152610B (zh) * | 2021-11-02 | 2023-06-27 | 桂林优利特医疗电子有限公司 | 一种基于可视化目标标记的玻片细胞扫描方法 |
| CN114418863A (zh) * | 2022-03-31 | 2022-04-29 | 北京小蝇科技有限责任公司 | 细胞图像修复方法、装置、计算机存储介质及电子设备 |
| CN114418863B (zh) * | 2022-03-31 | 2022-06-07 | 北京小蝇科技有限责任公司 | 细胞图像修复方法、装置、计算机存储介质及电子设备 |
| CN115050024A (zh) * | 2022-06-21 | 2022-09-13 | 广州医科大学 | 一种可解释性的粒细胞智能实时识别方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112597852B (zh) | 2024-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112597852B (zh) | 细胞分类方法、装置、电子设备及存储介质 | |
| US5787189A (en) | Biological analysis system self calibration 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 | |
| CN111462076A (zh) | 一种全切片数字病理图像模糊区域检测方法及系统 | |
| CN110728666B (zh) | 基于数字病理玻片进行慢性鼻窦炎的分型方法及其系统 | |
| WO2021074694A1 (en) | Methods for automated chromosome analysis | |
| CN111462075A (zh) | 一种全切片数字病理图像模糊区域的快速重聚焦方法及系统 | |
| 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 | |
| CN111192678A (zh) | 病理显微图像诊断、模型训练方法、装置、设备及介质 | |
| CN115272330A (zh) | 基于电池表面图像的缺陷检测方法、系统及相关设备 | |
| Graham et al. | The diff3T. M. Analyzer: A Parallel/Serial Golay Image Processor | |
| CN115909006A (zh) | 基于卷积Transformer的乳腺组织图像分类方法及系统 | |
| Lee et al. | Image analysis using machine learning for automated detection of hemoglobin H inclusions in blood smears-a method for morphologic detection of rare cells | |
| CN114694130A (zh) | 基于深度学习的铁路沿线电线杆及杆号检测方法和装置 | |
| CN113160175B (zh) | 一种基于级联网络的肿瘤淋巴管浸润检测方法 | |
| CN111861916A (zh) | 病理图片的处理方法 | |
| CN116735463A (zh) | 一种基于有向目标检测的硅藻尺寸自动测量方法 | |
| KR20230133808A (ko) | Roi 검출 모델 훈련 방법, 검출 방법, 장치, 설비 및 매체 | |
| CN113763315B (zh) | 玻片图像的信息获取方法、装置、设备及介质 | |
| CN112258480B (zh) | 一种基于点标注的弱监督腺体实例分割方法 | |
| CN114943834A (zh) | 一种少标注样本下基于原型队列学习的全场景语义分割方法 | |
| CN117425914A (zh) | 细胞图像处理方法、电子设备以及存储介质 | |
| CN114387489A (zh) | 电力设备识别方法、装置和终端设备 | |
| CN113469087A (zh) | 建筑图纸中的图框检测方法、装置、设备及介质 | |
| CN113762017A (zh) | 一种动作识别方法、装置、设备及存储介质 |
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 |