CN112951427B - 异常细胞的分级系统 - Google Patents
异常细胞的分级系统 Download PDFInfo
- Publication number
- CN112951427B CN112951427B CN202110281068.1A CN202110281068A CN112951427B CN 112951427 B CN112951427 B CN 112951427B CN 202110281068 A CN202110281068 A CN 202110281068A CN 112951427 B CN112951427 B CN 112951427B
- Authority
- CN
- China
- Prior art keywords
- cell
- nuclear
- abnormal
- diagnosis
- cells
- 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 63
- 238000003745 diagnosis Methods 0.000 claims abstract description 61
- 230000003902 lesion Effects 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 11
- 210000004027 cell Anatomy 0.000 claims description 161
- 210000003855 cell nucleus Anatomy 0.000 claims description 19
- 230000001086 cytosolic effect Effects 0.000 claims description 18
- 238000004043 dyeing Methods 0.000 claims description 16
- 210000004940 nucleus Anatomy 0.000 claims description 14
- 238000000034 method Methods 0.000 claims description 12
- 230000000762 glandular Effects 0.000 claims description 10
- 230000002380 cytological effect Effects 0.000 claims description 9
- 230000000120 cytopathologic effect Effects 0.000 claims description 9
- 210000003934 vacuole Anatomy 0.000 claims description 9
- 230000003780 keratinization Effects 0.000 claims description 8
- 238000012758 nuclear staining Methods 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 210000000805 cytoplasm Anatomy 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 230000007547 defect Effects 0.000 claims description 2
- 239000006059 cover glass Substances 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 206010008342 Cervix carcinoma Diseases 0.000 description 7
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 description 7
- 201000010881 cervical cancer Diseases 0.000 description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 208000035475 disorder Diseases 0.000 description 4
- 238000009595 pap smear Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010046914 Vaginal infection Diseases 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
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005194 fractionation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
Abstract
异常细胞的分级系统,属于人工智能和医疗领域。本发明是为了解决现有的辅助诊断系统仅能筛选异常细胞且不能对异常细胞进行分级处理,而导致无法提供给医生全面的辅助诊断信息的问题。本发明所述的系统基于以下步骤实现:步骤一、获取细胞诊断指标;步骤二、将获取的细胞诊断指标公式化;步骤三、根据提取的诊断指标划分诊断指标等级;步骤四、根据划分等级,建立多组训练数据集;步骤五、学习诊断指标等级的数值化范围,确定每个划分的等级的分值;步骤六、拟合异常细胞各级别与诊断指标关系;步骤七、计算异常细胞在各个病变级别的概率,确定该细胞的病变级别。本发明用于细胞的分级。
Description
技术领域
本发明涉及细胞的分级系统。属于人工智能和医疗领域。
背景技术
宫颈癌是当今严重危害女性身体健康的一种恶性肿瘤。宫颈细胞学检查是目前最常用的宫颈癌筛查技术,实施宫颈癌筛查项目的地区,宫颈癌死亡率下降了70%,大量实践已经证明该检查技术可以大大降低宫颈癌的发生率。我国基层较差的细胞病理诊断水平一直是宫颈癌筛查中存在的难点和痛点。
近年来,随着人工智能在医学诊断领域的发展,智能辅助诊断产品的应用,有效改善了基层病理医生资源不足的问题。但是目前大部分智能辅助诊断系统仅能筛选出异常细胞,未能按照细胞学(The Bethesda System,阴道细胞学的分类及报告细则)诊断的分级标准对异常细胞进行分级处理,从而无法提供给病理医生更加全面的辅助诊断信息。
发明内容
本发明是为了解决现有技术中辅助诊断系统仅能筛选异常细胞且不能对异常细胞进行分级处理,而导致无法提供给病理医生全面的辅助诊断信息的问题。现提出异常细胞的分级系统。
异常细胞的分级系统,用于执行以下步骤:
步骤一、获取细胞诊断指标;
步骤二、将获取的细胞诊断指标公式化;
步骤三、根据提取的诊断指标划分诊断指标等级;
步骤四、根据划分等级,建立多组训练数据集;
步骤五、学习诊断指标等级的数值化范围,确定每个划分的等级的分值;
步骤六、拟合异常细胞各级别与诊断指标关系;
步骤七、计算异常细胞在各个病变级别的概率,确定该细胞的病变级别。
有益效果
现有的异常细胞识别技术以数据驱动,不能输出具体的测量结果,导致医生不能根据结果做出定量的判断。本发明通过研读细胞学诊断标准,提取关键诊断指标,定义各指标的公式,精确测量细胞各项特征。在精准测量的基础上对细胞分级,医生根据测量和分级结果可以探索未知的规律,为癌症病理学的研究提供有力的工具。
附图说明
图1为本发明的流程图;
图2为LeNet-5网络结构图。
具体实施方式
具体实施方式一:结合图1具体说明本实施方式,异常细胞的分级系统,所述系统用于执行以下步骤:
步骤一、提取诊断指标:从细胞学诊断标准中提取细胞的诊断指标;具体过程为:
根据细胞学诊断标准,从细胞的形态特征、颜色特征、纹理特征、细胞团特征四个方面进行归纳,得到18个具有表示性、针对性的诊断指标;其中,形态特征指标有核质比、核分裂度、核极性、核偏心位、核异型度、细胞圆形拟合度、细胞核面积系数,颜色特征指标有空泡/细胞质面积比、核仁/细胞核面积比、角化度,纹理特征有核沟内凹面积、核染色深浅度、核染色均匀度、细胞质丰富度、细胞轮廓清晰度,细胞团特征有腺细胞混乱度、细胞团拥挤度、细胞团大小分布情况;
步骤二、定义指标公式:利用细胞的形态学先验和数学基本公式定义诊断指标的计算公式;即将步骤一中的诊断指标公式化;具体过程为:
在形状特征中,核质比的具体公式为:
其中,R为核质比,Ac为细胞面积,An为细胞核面积;
核分裂度的计算方法需要先计算轮廓上所有点的曲率,选取曲率最大的10个点的累加和作为核分裂度,计算公式如下:
其中,xp、xpp分别表示曲线x分量的一阶导数和二阶导数,yp、ypp分别表示曲线y分量的一阶导数和二阶导数;
核极性的具体公式为:
其中,Pn为核极性值,N为该玻片中细胞总数,θi为第i个细胞偏心角度,为偏心角度平均值,x1是细胞中心点的横坐标,y1是细胞中心点的纵坐标,x2是细胞核中心点的横坐标,y2是细胞核中心点的纵坐标;
核偏心位的具体公式为:
其中,d为核偏心位,P1(x1,y1)为细胞中心,P2(x2,y2)为细胞核中心;
核异型度的具体公式为:
式中,C为核异型度,D为细胞核外接矩形短轴,L为细胞核外接矩形长轴,An为细胞核面积;
细胞圆形拟合度的具体公式为:
其中,
An为细胞核面积,d1和d2分别为细胞核的长轴和短轴,P为细胞核周长,计算过程如下所示:
对于细胞核边界上的点,依次求相邻两点间的欧氏距离,最终求得边界上所有相邻点欧式距离之和,即为细胞核边界的周长;两点间的欧氏距离公式如式(7)
所示:
其中,(xi,yi)、(xi+1,yi+1)分别为细胞核边界上相邻两点;
细胞核面积系数的具体公式为:
其中,Aindex为细胞核面积系数,An为细胞核面积,Am为同层细胞核面积均值;
在颜色特征中,主要采用HSV颜色模型,综合考虑色调、饱和度、明度信息,空泡/细胞质面积比Kvacuoles的具体公式为:
其中,HSVvacuoles为白色程度,Avacuoles为空泡面积,Acy为细胞质面积;
核仁/细胞核面积比Knucleolus的具体公式为:
其中,HSVnucleolus为黑色程度,Anucleolus为模型输出的核仁面积,An为细胞核面积;
角化度的计算公式为:
其中,Korange为角化度,HSVorange为橘黄色程度,Aorange为角化面积;
在纹理特征中,核沟内凹面积Agroove的具体公式为:
其中,使用Line_gauss算法检测细胞核中所有线条及其宽度加和得到,n表示检测到的线条数,xi表示每条线的宽度;
核染色深浅度的具体公式为:
其中,表示核染色深浅度,f(x,y)是细胞核核图像(x,y)位置的灰度值,l是细胞核图像长度;d为细胞核图像宽度;
核染色均匀度的具体公式为:
其中,S表示核染色不均度,f(x,y)是细胞核核图像(x,y)位置的灰度值,l是细胞核图像长度,d是细胞核图像宽度;
细胞质丰富度的具体公式为:
其中,Tcy表示细胞质丰富度,S(x,y)为sobel卷积核在图像细胞质中的点(x,y)处的梯度值,n是细胞质像素点的个数;
细胞轮廓清晰度的具体公式为:
其中,F表示细胞轮廓清晰度,G(x,y)为在细胞质核轮廓中的(x,y)点处Laplace算子与图像卷积后的梯度值;
在细胞团特征中,腺细胞混乱度的具体公式为:
其中,Hgc表示腺细胞混乱度,p(xi)为单位矩形中有腺细胞概率,Ng为单位矩形个数;
细胞团拥挤度的具体公式为:
其中,Ocm为细胞团拥挤度,Aoverlap为重叠细胞面积,Ancm为细胞团中细胞核总面积,Nncm为重叠细胞个数;
细胞团大小分布情况的具体公式为:
其中,Bcm表示细胞团大小分布情况,Ai为第i个细胞团面积,为细胞团平均面积,Ncm为细胞团个数;
步骤三、划分指标等级:对提取的诊断指标初步划分等级;划分结果如下所示:
核质比:正常、轻度增高、增高、高、严重增高
核分裂度:正常时期、分裂期、多核期
核极性:明显、模糊、消失
核偏心位:无偏离、正常范围内偏离、严重偏离
核异型度:无异型、轻微异型、严重异型
细胞圆形拟合度:低拟合、基本拟合、高拟合
细胞核面积系数:1~1.5、1.5~2.5、2.5~3、>3
空泡/细胞质面积比:有空泡、无空泡
核仁/细胞核面积比:正常核仁、小核仁、大核仁、无核仁
角化度:无角化、轻微角化、严重角化
核沟内凹面积:有核沟、无核沟
核染色深浅度:深染、常染、浅染
核染色均匀度:染色均匀、染色不均
细胞质丰富度:浓厚、成熟、多样、少
细胞轮廓清晰度:清晰、模糊
腺细胞混乱度:高、中、低
细胞团拥挤程度:拥挤、正常、稀疏
细胞团大小分布情况:大小不一、大小一致
步骤四、建立数据集:根据划分等级,建立多组训练数据集;具体过程为:
步骤四一、可以以宫颈细胞为例,获取100个宫颈涂片(采用液基细胞学制片方式),宫颈脱落细胞采集自不同年龄、不同病情的人群,其中包含细胞学(The BethesdaSystem,阴道细胞学的分类及报告细则)诊断标准的所有病变级别;
步骤四二、使用数字扫描仪获得宫颈细胞图像,然后利用Unet模型分割图像,获得图像中的所有细胞图像,细胞图像中的细胞核与细胞浆的轮廓位置被记录;这些细胞包含2345个异常细胞,5000个正常细胞
步骤四三、使用诊断指标初步等级划分结果作为宫颈涂片细胞的标注标签,对宫颈涂片细胞的所有诊断指标依次进行标注,标注格式如“核质比-正常、核分裂-分裂期、核极性-明显”,标注完成后会得到18组标签。以每组标签作为数据集的划分标准,得到18个诊断指标数据集;
步骤四四、医生完成100个宫颈涂片细胞的标注任务,找出异常细胞,按照细胞学诊断标准的分级规范,对每一个异常细胞赋予细胞异常等级标签;
步骤五、学习诊断指标等级的数值化范围,确定每个等级的分值,具体步骤如下:
步骤五一、使用步骤二中的公式,分别计算数据集中细胞的所有诊断指标数值,并进行归一化操作;
步骤五二、利用混合高斯模型为每一个诊断指标的等级建模,即每一个高斯分量代表不同的等级,获得诊断指标等级模型Mi(i=0,1,2…17,代表18个诊断指标)。利用Mi识别新细胞诊断指标等级,并得到相应的概率值xi
步骤六、拟合异常细胞各级别与诊断指标关系;具体过程为:
步骤六一、根据细胞学诊断标准,每一种异常细胞病变级别侧重观察不同方面的细胞形态学特征,即在判断不同异常细胞病变级别时需要参照不同的诊断指标,提取诊断指标与异常细胞分级的对应关系,如表1所示;该表由经验丰富的医生校准是医生的先验知识的体现。但是在判别某一种异常细胞病变级别时,不同诊断指标所占的权重略有不同
表1诊断指标与异常细胞病变级别的对应关系
步骤六二、为了得到上述步骤所述的权重向量其中,j表示异常细胞病变级别,Yj为异常细胞病变级别的预测值,公式如下:
选用弹性回归模型,结合细胞异常等级标签,对诊断指标分类器的输出结果进行训练,拟合诊断指标和细胞异常级别间的关系:
其中,yj为异常细胞病变级别的真实值,设置为1;如表1所示,不同病变级别诊断时需要不同的诊断指标,将第j个病变级别所需的诊断指标组成一个向量Xj,Xj中诊断指标的概率值为xi,由步骤五二获得;λ1||ωj||1、分别为弹性回归的两个惩罚项;利用步骤四四的数据集训练该模型,获得相应权重;
步骤七、计算异常细胞在各个病变级别的概率,确定该细胞的病变级别;具体步骤如下:
(1)根据步骤二中定义的公式计算输入细胞的诊断指标,然后使用高斯混合模型预测获得输入细胞的诊断指标等级和概率值。
(2)根据细胞诊断指标的等级来查询表1,确定该细胞的疑似病变级别。
(3)根据上述步骤获得的概率值和公式20计算出每个疑似病变级别的预测值,缺项的诊断指标等级的概率值为零。最后比较预测值,取预测值最大的定为该细胞的病变级别。
Claims (6)
1.异常细胞的分级系统,其特征在于,所述系统用于执行的步骤包括:
步骤一、获取细胞诊断指标;
步骤二、将获取的细胞诊断指标公式化;
步骤三、根据提取的诊断指标划分诊断指标等级;
步骤四、根据划分等级,建立多组训练数据集;
步骤五、学习诊断指标等级的数值化范围,确定每个划分的等级的分值;
步骤六、拟合异常细胞各级别与诊断指标关系;
步骤七、计算异常细胞在各个病变级别的概率,确定该细胞的病变级别;
所述步骤一获取细胞诊断指标;具体过程为:
根据细胞学诊断标准,从细胞的形态特征、颜色特征、纹理特征、细胞团特征四个方面进行归纳,得到诊断指标;其中,形态特征指标有核质比、核分裂度、核极性、核偏心位、核异型度、细胞圆形拟合度、细胞核面积系数,颜色特征指标有空泡/细胞质面积比、核仁/细胞核面积比、角化度,纹理特征有核沟内凹面积、核染色深浅度、核染色均匀度、细胞质丰富度、细胞轮廓清晰度,细胞团特征有腺细胞混乱度、细胞团拥挤度、细胞团大小分布;
所述步骤二将获取的细胞诊断指标公式化;具体过程为:
在形状特征中,核质比的具体公式为:
其中,R为核质比,Ac为细胞面积,An为细胞核面积;
核分裂度计算公式为:
其中,xp、xpp分别表示曲线x分量的一阶导数和二阶导数,yp、ypp分别表示曲线y分量的一阶导数和二阶导数;
核极性的具体公式为:
其中,Pn为核极性值,N为盖玻片中细胞总数,θi为第i个细胞偏心角度,为偏心角度平均值,x1是细胞中心点的横坐标,y1是细胞中心点的纵坐标,x2是细胞核中心点的横坐标,y2是细胞核中心点的纵坐标;
核偏心位的具体公式为:
其中,d为核偏心位,P1(x1,y1)为细胞中心,P2(x2,y2)为细胞核中心;
核异型度的具体公式为:
式中C为核异型度,D为细胞核外接矩形短轴,L为细胞核外接矩形长轴,An为细胞核面积;
细胞圆形拟合度的具体公式为:
其中,An为细胞核面积,d1和d2分别为细胞核的长轴和短轴,P为细胞核周长,其中,(xi,yi)、(xi+1,yi+1)分别为细胞核边界上相邻两点;
细胞核面积系数的具体公式为:
其中,Aindex为细胞核面积系数,An为细胞核面积,Am为同层细胞核面积均值;
在颜色特征中,空泡/细胞质面积比Kvacuoles的具体公式为:
其中,HSVvacuoles为白色程度,Avacuoles为空泡面积,Acy为细胞质面积;
核仁/细胞核面积比Knucleolus的具体公式为:
其中,Knucleolus为核仁存在概率,HSVnucleolus为黑色程度,Anucleolus为模型输出的核仁面积,An为细胞核面积;
角化度的计算公式为:
其中,Korange为角化度,HSVorange为橘黄色程度,Aorange为角化面积;
在纹理特征中,核沟内凹面积的具体公式为:
其中,n表示检测到的线条数,xi表示每条线的宽度;
核染色深浅度的具体公式为:
其中,表示核染色深浅度,f(x,y)是细胞核核图像(x,y)位置的灰度值,l是细胞核图像长度;d为细胞核图像宽度;
核染色均匀度的具体公式为:
其中,S表示核染色不均度,f(x,y)是细胞核核图像(x,y)位置的灰度值,l是细胞核图像长度,d是细胞核图像宽度;
细胞质丰富度的具体公式为:
其中,Tcy表示细胞质丰富度,S(x,y)为sobel卷积核在图像细胞质中的点(x,y)处的梯度值,n是细胞质像素点的个数;
细胞轮廓清晰度的具体公式为:
其中,F表示细胞轮廓清晰度,G(x,y)为在细胞质核轮廓中的(x,y)点处Laplace算子与图像卷积后的梯度值;
在细胞团特征中,腺细胞混乱度的具体公式为:
其中,Hgc表示腺细胞混乱度,p(xi)为单位矩形中有腺细胞概率,Ng为单位矩形个数;
细胞团拥挤度的具体公式为:
其中,Ocm为细胞团拥挤度,Aoverlap为重叠细胞面积,Ancm为细胞团中细胞核总面积,Nncm为重叠细胞个数;
细胞团大小分布情况的具体公式为:
其中,Bcm表示细胞团大小分布情况,Ai为第i个细胞团面积,为细胞团平均面积,Ncm为细胞团个数。
2.根据权利要求1所述异常细胞的分级系统,其特征在于,所述步骤三根据提取的诊断指标划分诊断指标等级;具体过程为:
核质比:正常、轻度增高、增高、高、严重增高
核分裂度:正常时期、分裂期、多核期
核极性:明显、模糊、消失
核偏心位:无偏离、正常范围内偏离、严重偏离
核异型程度:无异型、轻微异型、严重异型
细胞圆形拟合度:低拟合、基本拟合、高拟合
细胞核面积系数:1~1.5、1.5~2.5、2.5~3、>3
空泡/细胞质面积比:有空泡、无空泡
核仁/细胞核面积比:正常核仁、小核仁、大核仁、无核仁
角化度:无角化、轻微角化、严重角化
核沟内凹面积:有核沟、无核沟
核染色深浅度:深染、常染、浅染
核染色均匀度:染色均匀、染色不均
细胞质丰富度:浓厚、成熟、多样、少
细胞轮廓清晰度:清晰、模糊
腺细胞混乱度:高、中、低
细胞团拥挤度:拥挤、正常、稀疏
细胞团大小分布情况:大小不一、大小一致。
3.根据权利要求2所述异常细胞的分级系统,其特征在于,所述步骤四根据划分等级,建立多组训练数据集;具体过程为:
步骤四一、获取细胞涂片;
步骤四二、从细胞涂片中获取细胞图像,利用Unet模型分割图像,获得图像中的所有细胞图像,记录细胞图像中的细胞核与细胞浆的轮廓位置;细胞包括异常细胞和正常细胞;
步骤四三、使用诊断指标初步等级划分结果作为细胞的标注标签,对细胞的所有诊断指标依次进行标注,标注格式为“核质比-正常、核分裂-分裂期、核极性-明显”,标注完成后会得到18组标签,以每组标签作为数据集的划分标准,得到18个诊断指标数据集;
步骤四四、医生完成细胞的标注任务,找出异常细胞,按照细胞学诊断标准的分级规范,对每一个异常细胞赋予细胞异常等级标签。
4.根据权利要求3所述异常细胞的分级系统,其特征在于,所述步骤五学习诊断指标等级的数值化范围,确定每个划分的等级的分值;根据细胞学诊断标准,提取诊断指标与异常细胞级别的对应关系;利用细胞异常等级标签对训练指标分类器的输出结果进行训练,并拟合诊断指标和细胞异常级别的关系;具体过程为:
步骤五一、使用步骤二中的公式计算数据集中细胞的诊断指标数值,并进行归一化;
步骤五二、利用混合高斯模型为每一个诊断指标的等级建模,即每一个高斯分量代表不同的等级,获得诊断指标等级模型Mii=0,1,2…18,表示18个诊断指标;利用Mi识别新细胞诊断指标等级,并得到相应的概率值xi。
5.根据权利要求4所述异常细胞的分级系统,其特征在于,所述步骤六拟合异常细胞各级别与诊断指标关系;具体过程为:
步骤六一、根据细胞学诊断标准,提取诊断指标与异常细胞分级的对应关系;
步骤六二、计算权重向量其中,j表示异常细胞病变级别,Yj为异常细胞病变级别的预测值,公式如下:
选用弹性回归模型,结合细胞异常等级标签,对诊断指标分类器的输出结果进行训练,拟合诊断指标和细胞异常级别间的关系:
其中,yj为异常细胞病变级别的真实值,设置为1;如表1所示,不同病变级别诊断时需要不同的诊断指标,将第j个病变级别所需的诊断指标组成一个向量Xj,Xj中诊断指标的概率值为xi,由步骤五二获得;
λ1||ωj||1、分别为弹性回归的两个惩罚项;利用步骤四四的数据集训练该模型,获得相应权重;
表1诊断指标与异常细胞病变级别的对应关系
。
6.根据权利要求5所述异常细胞的分级系统,其特征在于,所述步骤七计算异常细胞在各个病变级别的概率,确定细胞的病变级别;具体过程为:
步骤七一、根据步骤二中定义的公式计算输入细胞的诊断指标,然后使用高斯混合模型预测获得输入细胞的诊断指标等级和概率值;
步骤七二、根据细胞诊断指标的等级来查询表1,确定该细胞的疑似病变级别;
步骤七三、根据获得的概率值和公式19计算出每个疑似病变级别的预测值,缺项的诊断指标等级的概率值为零;最后比较预测值,取预测值最大的定为该细胞的病变级别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110281068.1A CN112951427B (zh) | 2021-03-16 | 2021-03-16 | 异常细胞的分级系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110281068.1A CN112951427B (zh) | 2021-03-16 | 2021-03-16 | 异常细胞的分级系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112951427A CN112951427A (zh) | 2021-06-11 |
CN112951427B true CN112951427B (zh) | 2023-12-08 |
Family
ID=76230135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110281068.1A Active CN112951427B (zh) | 2021-03-16 | 2021-03-16 | 异常细胞的分级系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112951427B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116912255B (zh) * | 2023-09-14 | 2023-12-19 | 济南宝林信息技术有限公司 | 一种用于卵巢组织分析的卵泡区域分割方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3955559A (en) * | 1974-08-13 | 1976-05-11 | Velta Mikelevna Bramberga | Method of cytological diagnosis of precancer conditions and cancer |
CN106991673A (zh) * | 2017-05-18 | 2017-07-28 | 深思考人工智能机器人科技(北京)有限公司 | 一种可解释性的宫颈细胞图像快速分级识别方法及系统 |
CN109145838A (zh) * | 2018-08-29 | 2019-01-04 | 常州市第二人民医院 | 基于随机高斯场神经网络辅助的肾透明细胞癌诊断方法 |
CN110335686A (zh) * | 2019-06-06 | 2019-10-15 | 广州金域医学检验中心有限公司 | 细胞类型识别方法、装置、计算机设备及存储介质 |
CN112365471A (zh) * | 2020-11-12 | 2021-02-12 | 哈尔滨理工大学 | 基于深度学习的宫颈癌细胞智能检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102202617B1 (ko) * | 2018-11-07 | 2021-01-13 | 원광대학교산학협력단 | 의료 영상 기반 복부 질환 분석 방법 및 장치 |
-
2021
- 2021-03-16 CN CN202110281068.1A patent/CN112951427B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3955559A (en) * | 1974-08-13 | 1976-05-11 | Velta Mikelevna Bramberga | Method of cytological diagnosis of precancer conditions and cancer |
CN106991673A (zh) * | 2017-05-18 | 2017-07-28 | 深思考人工智能机器人科技(北京)有限公司 | 一种可解释性的宫颈细胞图像快速分级识别方法及系统 |
CN109145838A (zh) * | 2018-08-29 | 2019-01-04 | 常州市第二人民医院 | 基于随机高斯场神经网络辅助的肾透明细胞癌诊断方法 |
CN110335686A (zh) * | 2019-06-06 | 2019-10-15 | 广州金域医学检验中心有限公司 | 细胞类型识别方法、装置、计算机设备及存储介质 |
CN112365471A (zh) * | 2020-11-12 | 2021-02-12 | 哈尔滨理工大学 | 基于深度学习的宫颈癌细胞智能检测方法 |
Non-Patent Citations (3)
Title |
---|
"MACD R-CNN: An Abnormal Cell Nucleus Detection Method";BAOYAN MA 等;《IEEE ACCESS》;第8卷;166658-166669 * |
"复杂背景下的宫颈细胞核分割方法";赵晶 等;《哈尔滨理工大学学报》;第24卷(第3期);22-28 * |
"细胞核形态和DNA 指数分析在星形细胞瘤分级诊断中的应用";竺可青 等;《临床与实验病理学杂志》;第19卷(第6期);623-625 * |
Also Published As
Publication number | Publication date |
---|---|
CN112951427A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108364288B (zh) | 用于乳腺癌病理图像的分割方法和装置 | |
CN108376400B (zh) | 一种骨髓细胞自动分类方法 | |
Gertych et al. | Machine learning approaches to analyze histological images of tissues from radical prostatectomies | |
CN112070772B (zh) | 基于UNet++和ResNet的血液白细胞图像分割方法 | |
Malon et al. | Classification of mitotic figures with convolutional neural networks and seeded blob features | |
Kazemi et al. | Automatic recognition of acute myelogenous leukemia in blood microscopic images using k-means clustering and support vector machine | |
CN102682305B (zh) | 宫颈液基细胞学自动筛查方法和系统 | |
Agaian et al. | A new acute leukaemia-automated classification system | |
Mathur et al. | Scalable system for classification of white blood cells from Leishman stained blood stain images | |
CN103020639A (zh) | 一种白细胞自动识别计数方法 | |
CN111931811B (zh) | 一种基于超像素图像相似度的计算方法 | |
CN105893925A (zh) | 基于肤色的人手检测方法及装置 | |
CN110120056B (zh) | 基于自适应直方图阈值和轮廓检测的血液白细胞分割方法 | |
Pan et al. | Mitosis detection techniques in H&E stained breast cancer pathological images: A comprehensive review | |
Duan et al. | A WBC segmentation methord based on HSI color space | |
Zhang et al. | Segmentation of overlapping cells in cervical smears based on spatial relationship and overlapping translucency light transmission model | |
CN103679184A (zh) | 一种基于相关向量机的白细胞自动识别方法 | |
CN110264454B (zh) | 基于多隐藏层条件随机场的宫颈癌组织病理图像诊断方法 | |
CN107730499A (zh) | 一种基于nu‑支持向量机的白细胞分类方法 | |
CN108288265A (zh) | 一种面向hcc病理图像细胞核的分割与分类方法 | |
CN116630971B (zh) | 基于CRF_ResUnet++网络的小麦赤霉病孢子分割方法 | |
CN108280469A (zh) | 一种基于稀疏表示的超市商品图像识别方法 | |
CN111210447B (zh) | 一种苏木精-伊红染色病理图像层次分割的方法及终端 | |
Anari et al. | Computer-aided detection of proliferative cells and mitosis index in immunohistichemically images of meningioma | |
Liu et al. | A novel color-texture descriptor based on local histograms for image segmentation |
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 |