CN112990015B - 一种病变细胞自动识别方法、装置和电子设备 - Google Patents

一种病变细胞自动识别方法、装置和电子设备 Download PDF

Info

Publication number
CN112990015B
CN112990015B CN202110279331.3A CN202110279331A CN112990015B CN 112990015 B CN112990015 B CN 112990015B CN 202110279331 A CN202110279331 A CN 202110279331A CN 112990015 B CN112990015 B CN 112990015B
Authority
CN
China
Prior art keywords
model
cell
image
target detection
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
Application number
CN202110279331.3A
Other languages
English (en)
Other versions
CN112990015A (zh
Inventor
曹岗
赵健
袁莎
赵撼宇
张肖龙
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.)
Beijing Zhiyuan Artificial Intelligence Research Institute
Original Assignee
Beijing Zhiyuan Artificial Intelligence Research Institute
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 Beijing Zhiyuan Artificial Intelligence Research Institute filed Critical Beijing Zhiyuan Artificial Intelligence Research Institute
Priority to CN202110279331.3A priority Critical patent/CN112990015B/zh
Publication of CN112990015A publication Critical patent/CN112990015A/zh
Application granted granted Critical
Publication of CN112990015B publication Critical patent/CN112990015B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V20/695—Preprocessing, e.g. image segmentation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N2015/1006—Investigating individual particles for cytology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Dispersion Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明公开了一种病变细胞自动识别方法、装置和电子设备，包括：对获取到的细胞样本进行细胞P16联合LBP染色制片，得到细胞染色涂片；对所述细胞染色涂片进行扫描，生成细胞染色涂片的数字图像；对所述数字图像进行增强处理，得到增强图像；利用预先训练的目标检测模型识别得到所述增强图像中的病变细胞。自动制片方法有助于提高系统自动识别准确率；自动进行病变细胞分类和疾病筛查，大大减少了人力成本；采用图像增强技术提高了目标识别准确率；采用的目标检测算法准确性高、鲁棒性强、参数量小等，便于工业部署和实施。

Description

一种病变细胞自动识别方法、装置和电子设备
技术领域
本发明涉及智能医疗技术领域，尤其涉及一种病变细胞自动识别方法、装置和电子设备。
背景技术
疾病对人类生命安全具有严重的威胁。比如宫颈癌是妇女最常见的恶性肿瘤之一，其发病率仅次于乳腺癌位居第二，近年来发病率有所上升，且趋于年轻化。每年超过26万的妇女死于宫颈癌，中国占10％左右。如果能在细胞病变前及时发现、诊断和治疗，就能有效降低发病率、死亡率。然而，宫颈癌的早期症状不明显，不易察觉。因此，只能采用筛查手段控制宫颈癌发病率、死亡率，降低该疾病带来的负担和风险。但是，细胞学医生和阴道镜医生的缺乏，严重掣肘了宫颈癌的早期筛查。所以基于人工智能的宫颈癌筛查系统逐渐兴起。
目前，基于人工智能的宫颈癌筛查方法主要是先将细胞采用LBP、HR-HPV、Feulgen等方法染色成片，再经过图像分割、目标检测等图像处理方法进行识别。如兰丁科技通过使用Feulgen染色方法对宫颈细胞进行染色，然后使用显微镜自动扫描载玻片产生数字图像，接着使用Surf结合RegionGrowing算法分割数字图像中的宫颈癌细胞核，并提取形态特征、纹理特征等，最后利用分类模型识别异常细胞。
但现有的筛查方法在细胞染色以及算法识别方面都存在一定的缺陷。其中，在细胞染色方面，比如，采用基于HPV染色的检测法能筛查出大多数患者，其灵敏度较高，但由于大量过性感染的存在，该筛查方法的敏感度高，容易造成误检测阳性，使患者恐慌和过度治疗。采用基于TCT染色的检测法相对于高危型HPV检测法，在检测出阴阳性的同时也可以给出异常位置和异常程度的信息，可以在作为初步筛查方式的同时为后续诊断提供辅助信息。但是，TCT的灵敏度略低于HPV检测，且特异度会受到人工阅片时主观因素影响，一致性较差。所以这些宫颈细胞染色方法可能会对算法识别异常宫颈细胞提供不利的信息。在识别算法方面，现有的宫颈癌筛查算法的准确性和泛化性还有待提高。比如，先采用RegionGrowing算法对宫颈细胞核进行分割，提取细胞核的形态、纹理等特征，最后采用分类模型识别异常宫颈细胞，这种Pipeline式的识别方法不可避免的会导致错误标签传播问题。除此之外，采用如VGG16等深度网络模型进行宫颈癌筛选，在实验室环境中取得了较好的效果，但这些模型安全性差，鲁棒性低，在不同来源的数据上差异性较大，无法用于实际的生产环境。
发明内容
为了解决现有技术中存在的问题，本发明提供了如下技术方案。
本发明一方面提供了一种病变细胞自动识别方法，包括：
对获取到的细胞样本进行细胞P16联合LBP染色制片，得到细胞染色涂片；
对所述细胞染色涂片进行扫描，生成细胞染色涂片的数字图像；
对所述数字图像进行增强处理，得到增强图像；
利用预先训练的目标检测模型识别得到所述增强图像中的病变细胞。
本发明提供的病变细胞自动识别方法，还包括：
统计所述病变细胞的数量，若达到阈值，则判定为阳性，否则判定为阴性。
优选地，所述对所述数字图像进行增强处理，包括图像亮度调节、离线切图和/或马赛克增强。
优选地，所述增强图像中的病变细胞为胞浆或半胞核染色为棕色的细胞。
优选地，所述目标检测模型为改进的Yolov5模型，其包括Yolov5模型和对抗训练部分。
优选地，按照下述方式训练得到所述目标检测模型：
将训练数据输入所述Yolov5模型；
根据Yolov5模型的预测结果和损失函数计算梯度；
对抗训练部分将梯度反向传播到输入的训练数据，计算得到输入的训练数据的梯度；
根据所述输入的训练数据的梯度计算扰动噪声；
将所述扰动噪声和所述输入的训练数据组成对抗样本，输入所述Yolov5模型；
迭代上述过程训练得到所述目标检测模型。
优选地，所述对抗训练部分中，按照下式计算扰动噪声r：
当||radv||∞≤∈时，r＝radv；
当||radv||2>∈时，r＝radv/||radv||2；
radv是扰动噪声计算值；g是计算出的梯度；ε是像素级的干扰量，j(θ,x,y)是给定输入x的条件下y的分布概率，θ是模型的参数。
本发明第二方面提供了一种病变细胞自动识别装置，包括：
细胞染色涂片模块，用于对获取到的细胞样本进行细胞P16联合LBP染色制片，得到细胞染色涂片；
图像扫描模块，用于对所述细胞染色涂片进行扫描，生成细胞染色涂片的数字图像；
图像增强模块，用于对所述数字图像进行增强处理，得到增强图像；
病变细胞识别模块，用于利用预先训练的目标检测模型识别得到所述增强图像中的病变细胞。
本发明第三方面提供了一种存储器，存储有多条指令，所述指令用于实现上述的方法。
本发明还提供了一种电子设备，包括处理器和与所述处理器连接的存储器，所述存储器存储有多条指令，所述指令可被所述处理器加载并执行，以使所述处理器能够执行上述的方法。
本发明的有益效果是：本发明提供的病变细胞自动识别方法、装置和电子设备，包括：对获取到的细胞样本进行细胞P16联合LBP染色制片，得到细胞染色涂片；对所述细胞染色涂片进行扫描，生成细胞染色涂片的数字图像；对所述数字图像进行增强处理，得到增强图像；利用预先训练的目标检测模型识别得到所述增强图像中的病变细胞。其使用全自动免疫细胞染色机和配套的细胞P16抗体检测试剂盒进行染色制片，避免了手工制片带来的人为差异，有助于提高系统自动识别准确率。而且，根据扫描获得的全视野数字化切片图像自动进行宫颈细胞分类和宫颈癌筛查，大大减少了人力成本，减轻了医生的工作负担。另外，采用图像增强技术提高了目标识别准确率。本发明中采用的目标检测算法具有准确性高、鲁棒性强、参数量小等特点，便于工业部署和实施。
附图说明
图1为本发明所述病变细胞自动识别方法流程示意图；
图2为本发明所述病变细胞自动识别装置结构示意图。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
本发明提供的方法可以在如下的终端环境中实施，该终端可以包括一个或多个如下部件：处理器、存储器和显示屏。其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行以实现下述实施例所述的方法。
处理器可以包括一个或者多个处理核心。处理器利用各种接口和线路连接整个终端内的各个部分，通过运行或执行存储在存储器内的指令、程序、代码集或指令集，以及调用存储在存储器内的数据，执行终端的各种功能和处理数据。
存储器可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory，ROM)。存储器可用于存储指令、程序、代码、代码集或指令。
显示屏用于显示各个应用程序的用户界面。
除此之外，本领域技术人员可以理解，上述终端的结构并不构成对终端的限定，终端可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。比如，终端中还包括射频电路、输入单元、传感器、音频电路、电源等部件，在此不再赘述。
实施例一
如图1所示，本发明实施例提供了一种病变细胞自动识别方法，包括：
S101，对获取到的细胞样本进行细胞P16联合LBP染色制片，得到细胞染色涂片；
S102，对所述细胞染色涂片进行扫描，生成细胞染色涂片的数字图像；
S103，对所述数字图像进行增强处理，得到增强图像；
S104，利用预先训练的目标检测模型识别得到所述增强图像中的病变细胞。
上述方法中，首先获取细胞样本，然后对细胞样本进行细胞P16联合LBP染色和制片；然后，可以利用扫描机器进对染色制片得到的涂片行制片扫描，生成清晰的全视野数字化切片图，用于自动进行细胞识别分类和疾病筛查；然后结合数字图像的特点，利用一些图像增强方法对图像进行增强；最后利用目标检测算法识别增强图像中的病变细胞。
其中，使用全自动免疫细胞染色机和配套的细胞P16抗体检测试剂盒进行染色制片，避免了手工制片带来的人为差异，有助于提高系统自动识别准确率。而且可以根据扫描获得的全视野数字化切片图像自动进行细胞分类和疾病筛查，大大减少了人力成本，减轻了医生工作负担。另外，在本发明中，根据细胞P16联合LBP染色制片方法得到的涂片扫描成的数字图像的特点，进行了图像增强处理，剔除了算法识别时的不利因素，增强了算法识别的有利因素，进而有助于提高目标识别的准确率。目标检测算法需要进行预先训练，训练数据可以根据细胞的特性确定，可以根据染色制片得到的涂片的特性确定。
执行步骤S101，对获取到的细胞样本进行细胞P16联合LBP染色制片，得到细胞染色涂片。具体的操作过程可以为：
在LBP取样后取样离心管内剩余的细胞混悬液样本，使用全自动免疫细胞染色机和配套的免疫细胞化学法细胞P16抗体检测试剂盒染色制片，得到细胞染色涂片。
执行步骤S102，对所述细胞染色涂片进行扫描，生成细胞染色涂片的数字图像。具体的操作过程可以为：利用涂片扫描机器自动进行制片扫描，生成比如200张清晰的全视野数字化切片图，其中，扫描过程中使用的物镜可以为普通光学显微镜的10倍或20倍，扫描路径可以为矩形，扫描范围将液基涂片细胞所在范围全部覆盖。
执行步骤S103，对所述数字图像进行增强处理，得到增强图像。增强处理可以包括图像亮度调节、离线切图和/或马赛克增强。其中，由于染色制片人员在操作全自动免疫细胞染色机时调节的光亮可能存在不同，得到的涂片的光亮可能亦有所不同，但目标检测模型的训练数据往往来自同一批次的数字图像数据，亮度基本一致。因此，对数字图像的亮度进行调整，以此来增强目标检测模型的鲁棒性。其次，某些病变细胞的形态较小，目标检测模型对其的识别能力较弱，本发明中，通过采用离线切图的方法对数字图像进行增强处理，可以提高目标检测模型对小目标的识别能力。具体的，可以通过遍历每个bbox，并以该bbox作为切图中心坐标，做中心切图。本发明中采用的马赛克增强方法是将多张图片拼接在一起，使得目标检测模型能在上下文信息中学习到检测信息，减少模型对大框图的依赖，以此来增强对小目标的识别。
执行步骤S104，利用预先训练的目标检测模型识别得到所述增强图像中的病变细胞。
其中，所述增强图像中的病变细胞为胞浆或半胞核染色为棕色的细胞。即在实际操作过程中，利用目标检测模型对细胞进行分类识别时，将胞浆(或半胞核)染色为棕色的识别为病变细胞，胞浆(或半胞核)染色不呈棕色的识别为正常细胞。
本发明中，采用的目标检测模型为改进的Yolov5模型，其包括Yolov5模型和对抗训练部分。
其中，Yolov5模型由Backbone、Neck、Prediction三个部分构成。由于在病变细胞识别中，某些粘液、杂质等也可能被P16染色为病变细胞的颜色，即存在非特异性染色现象，所以需要着重提高目标检测模型的鲁棒性。本发明中，对Yolov5模型进行了改进，具体的，在Yolov5模型中，加入对抗样本进行训练。通过制造对抗样本并引入到Yolov5模型的训练中，来提高模型的安全性和鲁棒性。具体的，本发明中，按照下述方式训练得到所述目标检测模型：
将训练数据输入所述Yolov5模型；
根据Yolov5模型的预测结果和损失函数j(θ,x,y),通过梯度下降法来计算梯度；
对抗训练部分将梯度反向传播到输入的训练数据，计算得到输入的训练数据的梯度
根据所述输入的训练数据的梯度计算扰动噪声radv；
将所述扰动噪声radv和所述输入的训练数据组成对抗样本，输入所述Yolov5模型；
迭代上述过程训练得到所述目标检测模型。
本发明中，采用了上述目标检测模型对染色特异性细胞，比如胞浆(或半胞核)染色为棕色的宫颈细胞进行识别，具有准确性高、鲁棒性强、参数量小等特点，便于工业部署和实施。
由于在神经网络中引入对抗训练方法虽然可以增强网络的鲁棒性，但也会导致模型精确度的降低。为了解决这个问题，本发明中在对抗训练中，按照下式计算扰动噪声r：
当||radv||∞≤∈时，r＝radv；
当||radv||2>∈时，r＝radv/||radv||2；
radv是扰动噪声计算值；g是计算出的梯度；ε是像素级的干扰量，j(θ,x,y)是给定输入x的条件下y的分布概率，θ是模型的参数。
采用上述计算扰动噪声的方法，可以在引入对抗训练部分后，实现模型鲁棒性增强的同时，减少精度的损失。
本发明提供的病变细胞自动识别方法，还可以包括：
S105，统计所述病变细胞的数量，若达到阈值，则判定为阳性，否则判定为阴性。
通过识别病变细胞，并统计病变细胞的数量，实现疾病筛查的目的，可以有效降低疾病的发生率和死亡率，尤其对于一些早期症状不明显，不易被察觉的疾病。作为一个实例，比如，对于宫颈癌的筛查，如果经过染色制片，扫描成数字图像，并采用目标检测模型对宫颈细胞识别分类后统计，若在整张涂片中识别得到的目标(病变细胞)大于等于5个则判定为阳性，小于5个则为阴性。
实施例二
如图2所示，本发明的另一方面还包括和前述方法流程完全对应一致的功能模块架构，即本发明实施例还提供了病变细胞自动识别装置，包括：
细胞染色涂片模块201，用于对获取到的细胞样本进行细胞P16联合LBP染色制片，得到细胞染色涂片；
图像扫描模块202，用于对所述细胞染色涂片进行扫描，生成细胞染色涂片的数字图像；
图像增强模块203，用于对所述数字图像进行增强处理，得到增强图像；
病变细胞识别模块204，用于利用预先训练的目标检测模型识别得到所述增强图像中的病变细胞。
在本发明的一个优选实施例中，该装置还可以包括病变判定模块，用于统计所述病变细胞的数量，若达到阈值，则判定为阳性，否则判定为阴性。
所述图像增强模块具体的用于图像亮度调节、离线切图和/或马赛克增强。
在所述病变细胞识别模块，所述增强图像中的病变细胞为胞浆或半胞核染色为棕色的细胞。
所述目标检测模型为改进的Yolov5模型，其包括Yolov5模型和对抗训练部分。
其中，按照下述方式训练得到所述目标检测模型：
将训练数据输入所述Yolov5模型；
根据Yolov5模型的预测结果和损失函数计算梯度；
对抗训练部分将梯度反向传播到输入的训练数据，计算得到输入的训练数据的梯度；
根据所述输入的训练数据的梯度计算扰动噪声；
将所述扰动噪声和所述输入的训练数据组成对抗样本，输入所述Yolov5模型；
迭代上述过程训练得到所述目标检测模型。
进一步地，所述对抗训练部分中，按照下式计算扰动噪声r：
当||radv||∞≤∈时，r＝radv；
当||radv||2>∈时，r＝radv/||radv||2；
radv是扰动噪声计算值；g是计算出的梯度；ε是像素级的干扰量，j(θ,x,y)是给定输入x的条件下y的分布概率，θ是模型的参数。
该装置可通过上述实施例一提供的病变细胞自动识别方法实现，具体的实现方法可参见实施例一中的描述，在此不再赘述。
本发明还提供了一种存储器，存储有多条指令，所述指令用于实现如实施例一所述的方法。
本发明还提供了一种电子设备，包括处理器和与所述处理器连接的存储器，所述存储器存储有多条指令，所述指令可被所述处理器加载并执行，以使所述处理器能够执行如实施例一所述的方法。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (5)

1.一种病变细胞自动识别方法，其特征在于，包括：
对获取到的细胞样本进行细胞P16联合LBP染色制片，得到细胞染色涂片；
对所述细胞染色涂片进行扫描，生成细胞染色涂片的数字图像；
对所述数字图像进行增强处理，得到增强图像；
利用预先训练的目标检测模型识别得到所述增强图像中的病变细胞；
还包括：统计所述病变细胞的数量，若达到阈值，则判定为阳性，否则判定为阴性；
所述对所述数字图像进行增强处理，包括图像亮度调节、离线切图和/或马赛克增强；所述离线切图是通过遍历每个bbox，并以该bbox作为切图中心坐标，做中心切图；所述马赛克增强是将多张图片拼接在一起，使得目标检测模型能在上下文信息中学习到检测信息，减少模型对大框图的依赖，以此来增强对小目标的识别；
所述目标检测模型为改进的Yolov5模型，其包括Yolov5模型和对抗训练部分；
按照下述方式训练得到所述目标检测模型：
将训练数据输入所述Yolov5模型；
根据Yolov5模型的预测结果和损失函数计算梯度；
对抗训练部分将梯度反向传播到输入的训练数据，计算得到输入的训练数据的梯度；
根据所述输入的训练数据的梯度计算扰动噪声；
将所述扰动噪声和所述输入的训练数据组成对抗样本，输入所述Yolov5模型；
迭代上述过程训练得到所述目标检测模型；
所述对抗训练部分中，按照下式计算扰动噪声r：
；
当时，r=/>；
当时， r=/>；
是扰动噪声计算值；g 是计算出的梯度；ε是像素级的干扰量，/>是给定输入x的条件下y的分布概率，θ是模型的参数。
2.如权利要求1所述的方法，其特征在于，所述增强图像中的病变细胞为胞浆或半胞核染色为棕色的细胞。
3.一种病变细胞自动识别装置，其特征在于，包括：
细胞染色涂片模块，用于对获取到的细胞样本进行细胞P16联合LBP染色制片，得到细胞染色涂片；
图像扫描模块，用于对所述细胞染色涂片进行扫描，生成细胞染色涂片的数字图像；
图像增强模块，用于对所述数字图像进行增强处理，得到增强图像；
病变细胞识别模块，用于利用预先训练的目标检测模型识别得到所述增强图像中的病变细胞，还用于统计所述病变细胞的数量，若达到阈值，则判定为阳性，否则判定为阴性；
所述对所述数字图像进行增强处理，包括图像亮度调节、离线切图和/或马赛克增强；所述离线切图是通过遍历每个bbox，并以该bbox作为切图中心坐标，做中心切图；所述马赛克增强是将多张图片拼接在一起，使得目标检测模型能在上下文信息中学习到检测信息，减少模型对大框图的依赖，以此来增强对小目标的识别；
所述目标检测模型为改进的Yolov5模型，其包括Yolov5模型和对抗训练部分；
按照下述方式训练得到所述目标检测模型：
将训练数据输入所述Yolov5模型；
根据Yolov5模型的预测结果和损失函数计算梯度；
对抗训练部分将梯度反向传播到输入的训练数据，计算得到输入的训练数据的梯度；
根据所述输入的训练数据的梯度计算扰动噪声；
将所述扰动噪声和所述输入的训练数据组成对抗样本，输入所述Yolov5模型；
迭代上述过程训练得到所述目标检测模型；
所述对抗训练部分中，按照下式计算扰动噪声r：
；
当时，r=/>；
当时， r=/>；
是扰动噪声计算值；g 是计算出的梯度；ε是像素级的干扰量，/>是给定输入x的条件下y的分布概率，θ是模型的参数。
4.一种存储器，其特征在于，存储有多条指令，所述指令用于实现如权利要求1-2任一项所述的方法。
5.一种电子设备，其特征在于，包括处理器和与所述处理器连接的存储器，所述存储器存储有多条指令，所述指令可被所述处理器加载并执行，以使所述处理器能够执行如权利要求1-2任一项所述的方法。
CN202110279331.3A 2021-03-16 2021-03-16 一种病变细胞自动识别方法、装置和电子设备 Active CN112990015B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110279331.3A CN112990015B (zh) 2021-03-16 2021-03-16 一种病变细胞自动识别方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110279331.3A CN112990015B (zh) 2021-03-16 2021-03-16 一种病变细胞自动识别方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN112990015A CN112990015A (zh) 2021-06-18
CN112990015B true CN112990015B (zh) 2024-03-19

Family

ID=76336071

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110279331.3A Active CN112990015B (zh) 2021-03-16 2021-03-16 一种病变细胞自动识别方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN112990015B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113855079A (zh) * 2021-09-17 2021-12-31 上海仰和华健人工智能科技有限公司 基于乳腺超声影像的实时检测和乳腺疾病辅助分析方法
CN117058435B (zh) * 2022-06-30 2024-05-17 深圳开立生物医疗科技股份有限公司 一种检查部位识别方法、装置及电子设备和存储介质
CN115861719B (zh) * 2023-02-23 2023-05-30 北京肿瘤医院(北京大学肿瘤医院) 一种可迁移细胞识别工具

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111475797A (zh) * 2020-03-26 2020-07-31 深圳先进技术研究院 一种对抗图像生成方法、装置、设备以及可读存储介质
CN111488916A (zh) * 2020-03-19 2020-08-04 天津大学 一种基于训练集数据的对抗攻击方法
WO2020173056A1 (zh) * 2019-02-25 2020-09-03 百度在线网络技术（北京）有限公司 交通图像识别方法、装置、计算机设备和介质
CN111783890A (zh) * 2020-07-02 2020-10-16 电子科技大学 一种针对图像识别过程中的小像素对抗样本防御方法
CN112132106A (zh) * 2020-10-09 2020-12-25 腾讯科技（北京）有限公司 基于人工智能的图像增广处理方法、装置、设备及存储介质
CN112257704A (zh) * 2020-09-15 2021-01-22 深圳视见医疗科技有限公司 基于深度学习检测模型子宫颈液基细胞数字图像分类方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2020173056A1 (zh) * 2019-02-25 2020-09-03 百度在线网络技术（北京）有限公司 交通图像识别方法、装置、计算机设备和介质
CN111488916A (zh) * 2020-03-19 2020-08-04 天津大学 一种基于训练集数据的对抗攻击方法
CN111475797A (zh) * 2020-03-26 2020-07-31 深圳先进技术研究院 一种对抗图像生成方法、装置、设备以及可读存储介质
CN111783890A (zh) * 2020-07-02 2020-10-16 电子科技大学 一种针对图像识别过程中的小像素对抗样本防御方法
CN112257704A (zh) * 2020-09-15 2021-01-22 深圳视见医疗科技有限公司 基于深度学习检测模型子宫颈液基细胞数字图像分类方法
CN112132106A (zh) * 2020-10-09 2020-12-25 腾讯科技（北京）有限公司 基于人工智能的图像增广处理方法、装置、设备及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ADVERSARIAL TRAINING METHODSFOR SEMI-SUPERVISED TEXT CLASSIFICATION;Takeru Miyato 等;《ICLR 2017》;第1-11页摘要、第3节 *
EXPLAINING AND HARNESSINGADVERSARIAL EXAMPLES;Ian J. Goodfellow 等;《ICLR 2015》;1-11 *
基于对抗训练的文本表示与文本分类方法研究;张晓辉;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;I138-901 *
深度学习的典型目标检测算法研究综述;许德刚 等;《计算机工程与应用》;第57卷(第8期);10-25 *

Also Published As

Publication number Publication date
CN112990015A (zh) 2021-06-18

Similar Documents

Publication Publication Date Title
CN112990015B (zh) 一种病变细胞自动识别方法、装置和电子设备
EP3486836B1 (en) Image analysis method, apparatus, program, and learned deep learning algorithm
JP7458519B2 (ja) 画像解析方法、画像解析装置、プログラム、学習済み深層学習アルゴリズムの製造方法および学習済み深層学習アルゴリズム
JP5822425B2 (ja) 顕微鏡像用に試料を染色する方法
US20150187077A1 (en) Image processing device, program, image processing method, computer-readable medium, and image processing system
JP6791245B2 (ja) 画像処理装置、画像処理方法及び画像処理プログラム
JP2019095212A (ja) 画像解析方法、画像解析装置、プログラム、学習済み深層学習アルゴリズムの製造方法および学習済み深層学習アルゴリズム
CN111815564B (zh) 一种检测丝锭的方法、装置及丝锭分拣系统
CN112132166B (zh) 一种数字细胞病理图像智能分析方法、系统及装置
CN110504032B (zh) 基于苏木精-伊红染片的图像处理来预测肿瘤突变负荷的方法
CN109975196B (zh) 一种网织红细胞检测方法及其系统
US9224199B2 (en) Pathological diagnosis assisting apparatus, pathological diagnosis assisting method and non-transitory computer readable medium storing pathological diagnosis assisting program
CN112819821B (zh) 一种细胞核图像检测方法
US20200193139A1 (en) Systems and methods for automated cell segmentation and labeling in immunofluorescence microscopy
CN113781455B (zh) 宫颈细胞图像异常检测方法、装置、设备及介质
Jia et al. Multi-layer segmentation framework for cell nuclei using improved GVF Snake model, Watershed, and ellipse fitting
Kanwal et al. Quantifying the effect of color processing on blood and damaged tissue detection in whole slide images
CN109147932A (zh) 癌细胞her2基因扩增分析方法及系统
Athinarayanan et al. COMPUTER AIDED DIAGNOSIS FOR DETECTION AND STAGE IDENTIFICATION OF CERVICAL CANCER BY USING PAP SMEAR SCREENING TEST IMAGES.
CN113989799A (zh) 一种宫颈异常细胞识别方法、装置和电子设备
CN113470041A (zh) 免疫组化细胞图像细胞核分割与计数方法和系统
CN113724235A (zh) 镜下环境改变条件时半自动化的Ki67/ER/PR阴性、阳性细胞计数系统及方法
Saxena et al. Study of Computerized Segmentation & Classification Techniques: An Application to Histopathological Imagery
WO2021139447A1 (zh) 一种宫颈异常细胞检测装置及方法
Guerrero et al. Improvements in lymphocytes detection using deep learning with a preprocessing stage

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