CN113052806B - 一种癌变程度分级系统 - Google Patents
一种癌变程度分级系统 Download PDFInfo
- Publication number
- CN113052806B CN113052806B CN202110275545.3A CN202110275545A CN113052806B CN 113052806 B CN113052806 B CN 113052806B CN 202110275545 A CN202110275545 A CN 202110275545A CN 113052806 B CN113052806 B CN 113052806B
- Authority
- CN
- China
- Prior art keywords
- cell
- nuclear
- cervical
- cells
- abnormal
- 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
- 238000003745 diagnosis Methods 0.000 claims abstract description 85
- 230000002159 abnormal effect Effects 0.000 claims abstract description 83
- 230000003902 lesion Effects 0.000 claims abstract description 72
- 208000015181 infectious disease Diseases 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 239000000203 mixture Substances 0.000 claims abstract description 13
- 210000004027 cell Anatomy 0.000 claims description 300
- 206010008263 Cervical dysplasia Diseases 0.000 claims description 36
- 238000001959 radiotherapy Methods 0.000 claims description 36
- 238000009595 pap smear Methods 0.000 claims description 34
- 230000008859 change Effects 0.000 claims description 32
- 230000007850 degeneration Effects 0.000 claims description 31
- 230000005906 menstruation Effects 0.000 claims description 29
- 230000000813 microbial effect Effects 0.000 claims description 27
- 230000000120 cytopathologic effect Effects 0.000 claims description 23
- 210000000805 cytoplasm Anatomy 0.000 claims description 21
- 210000003855 cell nucleus Anatomy 0.000 claims description 16
- 230000004992 fission Effects 0.000 claims description 16
- 210000004940 nucleus Anatomy 0.000 claims description 16
- 210000003934 vacuole Anatomy 0.000 claims description 16
- 230000003780 keratinization Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 208000007879 Atypical Squamous Cells of the Cervix Diseases 0.000 claims description 12
- 238000012758 nuclear staining Methods 0.000 claims description 12
- 201000003379 Townes-Brocks syndrome Diseases 0.000 claims description 11
- 208000009956 adenocarcinoma Diseases 0.000 claims description 11
- 230000003821 menstrual periods Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 230000001086 cytosolic effect Effects 0.000 claims description 10
- 230000000394 mitotic effect Effects 0.000 claims description 9
- 230000002380 cytological effect Effects 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000015556 catabolic process Effects 0.000 claims description 7
- 238000006731 degradation reaction Methods 0.000 claims description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 7
- 201000009030 Carcinoma Diseases 0.000 claims description 6
- 201000003908 endometrial adenocarcinoma Diseases 0.000 claims description 6
- 208000029382 endometrium adenocarcinoma Diseases 0.000 claims description 6
- 230000000762 glandular Effects 0.000 claims description 6
- 238000011065 in-situ storage Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 208000035475 disorder Diseases 0.000 claims description 5
- 206010007134 Candida infections Diseases 0.000 claims description 4
- 208000005623 Carcinogenesis Diseases 0.000 claims description 4
- 208000029433 Herpesviridae infectious disease Diseases 0.000 claims description 4
- 208000005448 Trichomonas Infections Diseases 0.000 claims description 4
- 230000036952 cancer formation Effects 0.000 claims description 4
- 201000003984 candidiasis Diseases 0.000 claims description 4
- 231100000504 carcinogenesis Toxicity 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 210000004914 menses Anatomy 0.000 claims description 4
- 230000002175 menstrual effect Effects 0.000 claims description 4
- 230000027758 ovulation cycle Effects 0.000 claims description 4
- 206010011831 Cytomegalovirus infection Diseases 0.000 claims description 2
- 210000004460 N cell Anatomy 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 206010001197 Adenocarcinoma of the cervix Diseases 0.000 claims 1
- 208000034246 Adenocarcinoma of the cervix uteri Diseases 0.000 claims 1
- 201000006662 cervical adenocarcinoma Diseases 0.000 claims 1
- 244000005700 microbiome Species 0.000 abstract description 9
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000004043 dyeing Methods 0.000 description 10
- 239000007788 liquid Substances 0.000 description 6
- 206010028980 Neoplasm Diseases 0.000 description 5
- 201000011510 cancer Diseases 0.000 description 5
- 206010008342 Cervix carcinoma Diseases 0.000 description 4
- 206010020649 Hyperkeratosis Diseases 0.000 description 4
- 208000001126 Keratosis Diseases 0.000 description 4
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 description 4
- 201000010881 cervical cancer Diseases 0.000 description 4
- 230000036285 pathological change Effects 0.000 description 4
- 231100000915 pathological change Toxicity 0.000 description 4
- 241000701022 Cytomegalovirus Species 0.000 description 3
- 230000004662 cellular morphological change Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004660 morphological change Effects 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 206010006187 Breast cancer Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- 241000222120 Candida <Saccharomycetales> Species 0.000 description 1
- 108010077544 Chromatin Proteins 0.000 description 1
- 241000224526 Trichomonas Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 210000003483 chromatin Anatomy 0.000 description 1
- 238000002573 colposcopy Methods 0.000 description 1
- 230000006003 cornification Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000000981 epithelium Anatomy 0.000 description 1
- 229940011871 estrogen Drugs 0.000 description 1
- 239000000262 estrogen Substances 0.000 description 1
- 210000004907 gland Anatomy 0.000 description 1
- 239000005337 ground glass Substances 0.000 description 1
- 206010020718 hyperplasia Diseases 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000000633 nuclear envelope Anatomy 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003439 radiotherapeutic effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 241001529453 unidentified herpesvirus Species 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
-
- 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
-
- 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
-
- G01N15/01—
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30096—Tumor; Lesion
Abstract
一种癌变程度分级系统，涉及癌变程度分级系统。为了解决现有技术并没有一种癌变程度分析工具问题。本发明所述系统包括：获取宫颈细胞诊断指标的宫颈细胞诊断指标获取模块，利用每项诊断指标对应的混合高斯模型确定细胞的不同诊断指标的程度等级及相应的概率值，并确定该细胞的病变级别的细胞病变分级模块，判断宫颈细胞图像是否存在微生物感染并确定微生物感染的类别的细胞微生物感染情况检测模块，对诊断指标和异常细胞病变级别的关系模型的权重向量中的诊断指标权重进行调整的异常细胞病变级别调整模块，以及根据异常细胞病变级别调整模块调整后的所有细胞的病变级别确定患者癌变级别患者癌变级别确定模块。主要用于癌变程度的辅助分析。
Description
技术领域
本发明涉及癌变程度分级系统，属于医疗辅助分析工具领域。
背景技术
宫颈癌是女性第二常见的癌症，仅次于乳腺癌。全球每年新增病例60万，死于宫颈癌的妇女每年可达20万。早期宫颈癌可以完全治愈，所以早诊断早治疗是应对癌症爆发的有效手段。宫颈病变有三种筛查方法：液基薄层细胞检测(Thinprep cytologic test,TCT)、阴道镜、病理学诊断。其中，TCT是临床医学最值得信赖和有效的细胞学检查方式，对癌前病变的检出率可达90％以上。传统的病理诊断耗时、耗力，无法满足宫颈癌的普查要求，近年来，人工智能、大数据技术被成功用于病理学中，智能辅助诊断系统就此诞生。但是目前大部分智能辅助诊断系统仅能筛选出异常细胞，未能具体描述异常细胞的癌变程度、患者病情的严重程度，不能给医生提供更为全面的诊断参考信息。
发明内容
本发明是为了解决现有技术并没有一种癌变程度分析工具问题。
一种癌变程度分级系统，包括：
宫颈细胞诊断指标获取模块，根据TBS诊断标准，获取宫颈细胞诊断指标；
细胞病变分级模块，基于异常细胞的各项诊断指标，利用每项诊断指标对应的混合高斯模型Mi确定细胞的不同诊断指标的程度等级及相应的概率值xi，并利用诊断指标与异常细胞病变级别关系模型得到异常细胞在各个病变级别的预测值，取预测值最大的病变级别作为该细胞的病变级别；
细胞微生物感染情况检测模块，判断宫颈细胞图像是否存在微生物感染并确定微生物感染的类别；
异常细胞病变级别调整模块，根据患者的年龄、经期、放疗史信息和微生物感染信息，对诊断指标和异常细胞病变级别的关系模型的权重向量ωj中的诊断指标权重进行调整；
患者癌变级别确定模块，根据异常细胞病变级别调整模块调整后的所有细胞的病变级别确定患者癌变级别。
进一步地，所述系统还包括患者信息获取模块，用于获取患者的年龄、经期、放疗史信息。
进一步地，所述诊断指标与异常细胞病变级别关系模型的确定过程包括以下步骤：
2.1、基于宫颈涂片图像，根据TBS诊断标准，获取宫颈细胞诊断指标；将宫颈细胞诊断指标归一化；
2.2、针对每个诊断指标划分程度等级：
2.3、建立数据集，数据集标签包括诊断指标程度等级标签和异常细胞病变级别标签；
异常细胞病变级别包括：ASC-US、ASC-H、LSIL、HSIL、SCC角化、SCC非角化、子宫颈管原位腺癌、子宫颈管腺癌、子宫内膜腺癌；
2.4、利用混合高斯模型为每一项诊断指标的程度等级建模Mi，利用高斯混合模型Mi从数据集中学习诊断指标程度等级概率分布，利用高斯混合模型Mi能够确定细胞的不同诊断指标的程度等级，并获得程度等级相应的概率值xi；
2.5、构建诊断指标和异常细胞病变级别的关系模型：
Yj＝ωj TXj (1)
选用弹性回归模型对异常细胞的每种病变级别及其对应的诊断指标间的关系进行拟合；
其中，ωj为权重向量；j代表异常细胞的病变级别；Yj为异常细胞病变级别的预测值；
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2.4获得；利用步骤2.3的数据集训练该模型，获得诊断指标和异常细胞病变级别的关系，即诊断指标与异常细胞病变级别关系模型。
进一步地，所述细胞微生物感染情况检测模块判断宫颈细胞图像是否存在微生物感染并确定微生物感染的类别的过程是通过神经网络模型实现的。
进一步地，所述的诊断指标包括：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、空泡/细胞质面积比、核仁/细胞核面积比、角化度、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。
进一步地，所述异常细胞病变级别调整模块包括：
第一调整单元，对患者的年龄进行判断，对于年龄大于55岁的宫颈涂片细胞，在诊断指标和异常细胞病变级别的关系模型的权重向量中的核质比权重上乘以核质比权重的年龄影响因子λ，即对核质比权重调整；
第二调整单元，对患者的经期结束时间进行判断，对于经期结束10日内的宫颈涂片细胞，在诊断指标和异常细胞病变级别的关系模型的权重向量中的核分裂度权重上乘以核分裂度权重的月经影响因子η，即对核分裂度权重调整；
第三调整单元，对患者的放疗史信息进行判断，对于上一次放疗距离细胞学取样检查间隔时间在2～6月以内的宫颈涂片细胞，判断当前细胞是否具有细胞退化改变，如果具有退化改变，则将诊断指标和异常细胞病变级别的关系模型的权重向量中的核质比权重、空泡/细胞质面积比权重置零；
第四调整单元，根据细胞微生物感染情况检测模块的检测结果进行如下调整：
若为滴虫感染，则将诊断指标和异常细胞病变级别的关系模型的权重向量中的空泡/细胞质面积比权重置零；
若为念球菌感染，则将诊断指标和异常细胞病变级别的关系模型的权重向量中的核质比权重置零；
若为疱疹病毒感染，则将诊断指标和异常细胞病变级别的关系模型的权重向量中的核分裂度、核染色均匀度、成团细胞拥挤度权重置零；
若为巨细胞病毒感染，则将诊断指标和异常细胞病变级别的关系模型的权重向量中的核质比、空泡/细胞质面积比权重置零。
进一步地，核质比权重的年龄影响因子λ的确定过程包括以下步骤：
准备多张年龄超过55岁的阴性宫颈涂片，使用数字扫描仪获得宫颈细胞图像，然后分割图像，获得图像中的所有正常细胞图像，并记录细胞核与细胞质位置；
统计从年龄信息数据集获取的所有正常细胞个数n；然后根据正常细胞的核质比R得到核质比的偏离值σ和核质比权重的年龄影响因子λ，具体计算公式如下：
核质比的偏离值
其中，Ri为当前细胞的核质比，Rnor-max为TBS中正常细胞的核质比最大值；
核质比权重的年龄影响因子
进一步地，核分裂度权重的月经影响因子η的确定过程包括以下步骤：
准备多张具有月经结束10日内的阴性宫颈涂片，多张具有月经结束10日外的阴性宫颈涂片，宫颈脱落细胞采集自不同年龄人群；使用数字扫描仪获得宫颈细胞图像，然后分割图像，获得图像中的所有细胞图像；
分别统计月经周期细胞数据集中的每一张宫颈涂片的细胞总个数和处于核分裂期的细胞个数，按如下公式分别计算月经结束10日内与月经结束10日外核分裂期细胞数占细胞总数比例均值
和
其中，N10-in-CD(k)是其中一张月经结束10日内宫颈涂片中处于分裂期的细胞个数，N10-in-CN(k)是其中一张月经结束10日内宫颈涂片中细胞总个数，N10-out-CD(k)是其中一张月经结束10日外宫颈涂片中处于分裂期的细胞个数，N10-out-CN(k)是其中一张月经结束10日外宫颈涂片中细胞总个数；
然后得到核分裂度权重的月经影响因子
进一步地，第三调整单元判断当前细胞是否具有细胞退化改变的过程是利用细胞退化改变识别模型进行的，所述细胞退化改变识别模型的确定过程包括以下步骤：
准备多张具有放疗引起的细胞退化的阴性宫颈涂片，宫颈脱落细胞采集自不同年龄人群，放疗距离细胞学取样检查间隔时间范围在2～24个月；
使用数字扫描仪获得宫颈细胞图像，然后分割图像，获得图像中的所有放疗细胞图像；对放疗引起的细胞退化细胞图像进行数据扩充，最终获得放疗引起的细胞退化细胞N个，并对细胞图像赋予“退化改变”标签；构建放疗引起的细胞退化改变数据集；
利用放疗引起的细胞退化改变数据集对神经网络进行训练，得到训练好的神经网络模型即细胞退化改变识别模型。
进一步地，所述患者癌变级别确定模块确定患者癌变级别的过程包括以下步骤：
患者的癌变级别从轻到重可分为5类，具体为ASC-US、LSIL、ASC-H、HSIL、癌，其中癌可细分为SCC角化、SCC非角化、子宫颈管原位腺癌、子宫颈管腺癌、子宫内膜腺癌；
采用宫颈细胞涂片的异常细胞的最高病变级别作为患者的癌变级别，若仅有非典型病变级别，即ASC-US、ASC-H，需要二者细胞数量分别达到6个及以上，才能将患者的癌变级别定为ASC-US或ASC-H。
有益效果：
本发明的一种癌变程度分级系统，融入TBS(The Bethesda System,阴道细胞学的分类及报告细则)诊断标准和病理医生的经验，首先获取异常细胞的病变级别，而后使用患者基本信息、细胞微生物感染信息用于更新异常细胞的病变级别，最后依据异常细胞的病变级别诊断患者的癌变级别，所以本发明的分级结果更加准确。
与现有的人工判断相比，本发明不仅具有客观、准确的优点，而且具有效率高、检测快的有点。利用本发明可以更好地辅助医生诊断，减少医生工作量。
附图说明
图1为系统的癌变程度分级的流程示意图。
具体实施方式
具体实施方式一：
本实施方式为一种癌变程度分级系统，是一种可以被设备存储和/或执行的系统，所述设备包括但不限于PC机、工作站、移动终端设备、用于癌症相关分析的专用医疗设备等。
本实施方式所述的一种癌变程度分级系统，包括：
1、宫颈细胞诊断指标获取模块，根据TBS诊断标准，获取宫颈细胞诊断指标；
所述宫颈细胞诊断指标可以是根据TBS诊断标准确定的任意诊断指标，本实施方式中基于细胞形态学确定诊断指标，包括：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、空泡/细胞质面积比、核仁/细胞核面积比、角化度、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；
(1)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；
(2)核分裂度的计算方法需要先计算轮廓上所有点的曲率，取曲率最大的10个点的累加和作为核分裂度，曲率的计算公式如下：
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。
(3)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；
(4)核偏心位的具体公式为：
其中，d为核偏心位，(x1,y1)为细胞中心，(x2,y2)为细胞核中心；
(5)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；
(6)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，(x1,y1)、(x2,y2)分别为细胞核边界上相邻两点；
(7)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。
(8)空泡/细胞质面积比的具体公式为：
其中，Kvacuoles为空泡面积，HSVvacuoles为白色程度，Avacuoles为空泡面积，Acy为细胞质面积；
(9)核仁/细胞核面积比的具体公式为：
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；
(10)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；
(11)在纹理特征中，核沟内凹面积的具体公式为：
其中，Agroove表示核沟内凹面积，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；
(12)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；
(13)核染色均匀度的具体公式为
式中S表示核染色均匀度，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；
(14)细胞质丰富度的具体公式为
式中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；
(15)细胞轮廓清晰度的具体公式为
式中F表示细胞轮廓清晰度，G(x”,y”)为在(x”,y”)点处Laplace算子与图像卷积后的梯度值；
(16)在细胞团特征中，腺细胞混乱度的具体公式为
式中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；
(17)细胞团拥挤度的具体公式为
式中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；
(18)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、细胞病变分级模块，基于异常细胞的各项诊断指标，利用每项诊断指标对应的混合高斯模型Mi确定细胞的不同诊断指标的程度等级及相应的概率值xi，并利用诊断指标与异常细胞病变级别关系模型得到异常细胞在各个病变级别的预测值，取预测值最大的病变级别作为该细胞的病变级别；
诊断指标与异常细胞病变级别关系模型可以集成在细胞病变分级模块中，也可以被细胞病变分级模块调用来实现上述功能；诊断指标与异常细胞病变级别关系模型是预先训练好的，具体训练过程包括以下步骤：
2.1、基于宫颈涂片图像，根据TBS诊断标准，获取宫颈细胞诊断指标；
本实施方式中宫颈涂片图像来源于100个宫颈涂片，制片细胞采集自不同年龄、不同病情的人群；
将宫颈细胞诊断指标归一化；
2.2、针对每个诊断指标划分程度等级：
细胞核面积系数：1～1.5、1.5～2.5、2.5～3、>3
核质比：正常、轻度增高、增高、高、严重增高
核异型度：无异型、轻微异型、严重异型
核染色深染度：轻度深染、常染、中度深染、深度深染
核染色均匀度：染色均匀、染色不均
角化度：无角化、轻微角化、严重角化
空泡/细胞质面积比：有空泡、无空泡
核分裂度：正常时期、分裂期、多核期
核仁/细胞核面积比：无核仁、正常核仁、小核仁、大核仁
核沟内凹面积：有核沟、无核沟
核偏心位：无偏离、正常范围内偏离、严重偏离
细胞质丰富度：浓厚、成熟、多样、少
细胞轮廓清晰度：清晰、模糊
细胞圆形拟合度：低拟合、基本拟合、高拟合
腺细胞混乱度：高、中、低
细胞团大小分布情况：大小不一、大小一致
细胞团核极性：明显、模糊、消失
细胞团拥挤度：拥挤、正常、稀疏
2.3、建立数据集，数据集标签包括诊断指标程度等级标签和异常细胞病变级别标签；
异常细胞病变级别包括：ASC-US、ASC-H、LSIL、HSIL、SCC角化、SCC非角化、子宫颈管原位腺癌、子宫颈管腺癌、子宫内膜腺癌；
2.4、利用混合高斯模型为每一项诊断指标的程度等级建模Mi，利用高斯混合模型Mi从数据集中学习诊断指标程度等级概率分布，利用高斯混合模型Mi能够确定细胞的不同诊断指标的程度等级，并获得程度等级相应的概率值xi；
表1诊断指标与异常细胞病变级别的对应关系
2.5、构建诊断指标和异常细胞病变级别的关系模型：
Yj＝ωj TXj (1)
选用弹性回归模型对异常细胞的每种病变级别及其对应的诊断指标间的关系进行拟合；优化的目标函数：
其中，ωj为权重向量；j代表异常细胞的病变级别；Yj为异常细胞病变级别的预测值；yj为异常细胞病变级别的真实值，统一设置为1；
分别为弹性回归的两个惩罚项；
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2.4获得；利用步骤2.3的数据集训练该模型，获得诊断指标和异常细胞病变级别的关系，即诊断指标与异常细胞病变级别关系模型。
3、患者信息获取模块，用于获取患者的年龄、经期、放疗史信息；
根据医生的先验知识，患者的年龄、经期、放疗史会改变细胞的形态学特征，因此了解患者基本信息有助于准确诊断出异常细胞的病变等级；主要需要了解的信息有：年龄、距离月经结束是否在10日以内、上一次放疗距离细胞学取样检查间隔时间。典型影响有：年龄超过55岁，细胞多有固缩现象，即核质比增大；距离月经结束在10日以内，雌性激素分泌旺盛，细胞处于分裂期，即易出现多核现象；上一次放疗距离细胞学取样检查间隔时间在2～6月以内，细胞退化改变，即胞质变大、变空、变色、变形，胞核变模糊。
基于上述情况的影响，需要通过核质比权重的年龄影响因子、核分裂度权重的月经影响因子和细胞退化改变识别模型对异常细胞病变级别进行调解，核质比权重的年龄影响因子、核分裂度权重的月经影响因子和细胞退化改变识别模型分别如下：
a、准备患者年龄信息数据集，并计算核质比权重的年龄影响因子：
准备100张年龄超过55岁的阴性宫颈涂片(采用液基细胞学制片方式)，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，获得图像中的所有正常细胞图像，并记录细胞核与细胞质位置；
统计从年龄信息数据集获取的所有正常细胞个数n，然后依次计算所有正常细胞的核质比R、核质比的偏离值σ和核质比权重的年龄影响因子λ，具体计算公式如下：
核质比的计算公式为：
其中，Ac为细胞面积，An为细胞核面积；
核质比的偏离值公式为：
其中，Ri为当前细胞的核质比，Rnor-max为TBS中正常细胞的核质比最大值，具体值为2.5，n为正常细胞个数；
核质比权重的年龄影响因子计算公式为：
b、准备患者月经周期细胞数据集，并计算核分裂度权重的月经影响因子：
准备100张具有月经结束10日内的阴性宫颈涂片(采用液基细胞学制片方式)，100张具有月经结束10日外的阴性宫颈涂片(采用液基细胞学制片方式)，宫颈脱落细胞采集自不同年龄人群；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；
分别统计月经周期细胞数据集中的每一张宫颈涂片的细胞总个数和处于核分裂期的细胞个数，按如下公式分别计算月经结束10日内与月经结束10日外核分裂期细胞数占细胞总数比例均值
和
其中，N10-in-CD(k)是其中一张月经结束10日内宫颈涂片中处于分裂期的细胞个数，N10-in-CN(k)是其中一张月经结束10日内宫颈涂片中细胞总个数，N10-out-CD(k)是其中一张月经结束10日外宫颈涂片中处于分裂期的细胞个数，N10-out-CN(k)是其中一张月经结束10日外宫颈涂片中细胞总个数；
然后计算核分裂度权重的月经影响因子η：
c、准备放疗引起的细胞退化改变数据集，训练细胞退化改变识别模型：
准备200张具有放疗引起的细胞退化的阴性宫颈涂片(采用液基细胞学制片方式)，宫颈脱落细胞采集自不同年龄人群，放疗距离细胞学取样检查间隔时间范围在2～24个月；
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，获得图像中的所有放疗细胞图像。对放疗引起的细胞退化细胞图像进行数据扩充，最终获得放疗引起的细胞退化细胞4000个，并对细胞图像赋予“退化改变”标签；
使用ResNet18网络在放疗引起的细胞退化改变数据集上循环训练，调节模型参数，获得退化改变细胞分类器。该分类器可判断输入的细胞是否有放疗引起的细胞退化改变。
4、细胞微生物感染情况检测模块，判断宫颈细胞图像是否存在微生物感染并确定微生物感染的类别；该过程是通过神经网络模型实现的；
根据TBS诊断标准，微生物感染会引起多种细胞形态学变化。微生物感染带来的典型细胞形态学变化有：滴虫感染会带来嗜双色胞质改变及虫蚀样外观胞质，即空泡/细胞质面积比增大；念球菌感染会引起鳞状上皮的轻度弥漫性增生，即核质比略微增大；疱疹病毒感染会引起毛玻璃样的核改变、多核、染色质边缘化、细胞核塑性，即核分裂度增大、核染色均匀度下降、成团细胞拥挤度增加；巨细胞病毒感染的细胞会特征性增大，核膜增厚，出现卫星包涵体，即核质比略微增大、空泡/细胞质面积比增大。准确区分微生物感染带来的形态学变化与异常细胞病变带来的形态学变化，有助于准确诊断出异常细胞的病变等级。
判断宫颈细胞图像是否存在微生物感染并确定微生物感染的类别的神经网络模型的训练过程包括以下步骤：
4.1、准备微生物感染细胞数据集：
准备800张具有微生物感染的宫颈涂片(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，其中滴虫感染、念球菌感染、疱疹病毒感染、巨细胞病毒感染各占200张；
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，获得图像中的所有被微生物感染的细胞图像。对各类微生物感染细胞图像进行数据扩充，最终获得每类微生物感染细胞各1000个，并为每类微生物感染细胞图像赋予相应标签。
4.2、训练微生物感染细胞分类器：
使用ResNet18网络在微生物感染细胞数据集上循环训练，调节模型参数，获得多类微生物感染细胞分类器。该分类器可判断输入的细胞是否有微生物感染，且微生物感染具体为哪类。
5、异常细胞病变级别调整模块，根据患者的年龄、经期、放疗史信息和微生物感染信息，对诊断指标和异常细胞病变级别的关系模型的权重向量ωj中的诊断指标权重进行调整；
异常细胞病变级别调整模块包括：
第一调整单元，对患者的年龄进行判断，对于年龄大于55岁的宫颈涂片细胞，在公式(1)的核质比权重上乘以核质比权重的年龄影响因子λ，即对核质比权重调整；
第二调整单元，对患者的经期结束时间进行判断，对于经期结束10日内的宫颈涂片细胞，在公式(1)的核分裂度权重上乘以核分裂度权重的月经影响因子η，即对核分裂度权重调整；
第三调整单元，对患者的放疗史信息进行判断，对于上一次放疗距离细胞学取样检查间隔时间在2～6月以内的宫颈涂片细胞，使用细胞退化改变识别模型判断当前细胞是否具有细胞退化改变，如果具有退化改变，则将公式(1)的核质比权重、空泡/细胞质面积比权重置零；
第四调整单元，根据细胞微生物感染情况检测模块的检测结果进行如下调整：
若为滴虫感染，则将公式(1)的空泡/细胞质面积比权重置零；
若为念球菌感染，则将公式(1)的核质比权重置零；
若为疱疹病毒感染，则将公式(1)的核分裂度、核染色均匀度、成团细胞拥挤度权重置零；
若为巨细胞病毒感染，则将公式(1)的核质比、空泡/细胞质面积比权重置零。
6、患者癌变级别确定模块，根据异常细胞病变级别调整模块调整后的所有细胞的病变级别确定患者癌变级别，具体确定患者癌变级别的过程包括以下步骤：
患者的癌变级别从轻到重可分为5类，具体为ASC-US、LSIL、ASC-H、HSIL、癌，其中癌可细分为SCC角化、SCC非角化、子宫颈管原位腺癌、子宫颈管腺癌、子宫内膜腺癌；
采用宫颈细胞涂片的异常细胞的最高病变级别作为患者的癌变级别，若仅有非典型病变级别，即ASC-US、ASC-H，需要二者细胞数量分别达到6个及以上，才能将患者的癌变级别定为ASC-US或ASC-H。
实际上利用本发明进行患者癌变级别判别过程中，需要使用数字扫描仪获得患者的宫颈细胞图像，然后利用Unet模型分割图像，获得图像中的所有细胞；对于每个细胞，首先得到当前细胞的病变级别，然后再对细胞的病变级别进行调整，最后根据得到的患者宫颈细胞图像中所有细胞的病变级别判定患者癌变级别，系统的处理流程如图1所示。
Claims (10)
1.一种癌变程度分级系统，其特征在于，包括：
宫颈细胞诊断指标获取模块，根据TBS诊断标准，获取宫颈细胞诊断指标；
细胞病变分级模块，基于异常细胞的各项诊断指标，利用每项诊断指标对应的混合高斯模型Mi确定细胞的不同诊断指标的程度等级及相应的概率值xi，并利用诊断指标与异常细胞病变级别关系模型得到异常细胞在各个病变级别的预测值，取预测值最大的病变级别作为该细胞的病变级别；
细胞微生物感染情况检测模块，判断宫颈细胞图像是否存在微生物感染并确定微生物感染的类别；
异常细胞病变级别调整模块，根据患者的年龄、经期、放疗史信息和微生物感染信息，对诊断指标和异常细胞病变级别的关系模型的权重向量ωj中的诊断指标权重进行调整；
患者癌变级别确定模块，根据异常细胞病变级别调整模块调整后的所有细胞的病变级别确定患者癌变级别。
2.根据权利要求1所述的一种癌变程度分级系统，其特征在于，所述系统还包括患者信息获取模块，用于获取患者的年龄、经期、放疗史信息。
3.根据权利要求1所述的一种癌变程度分级系统，其特征在于，所述诊断指标与异常细胞病变级别关系模型的确定过程包括以下步骤：
2.1、基于宫颈涂片图像，根据TBS诊断标准，获取宫颈细胞诊断指标；将宫颈细胞诊断指标归一化；
2.2、针对每个诊断指标划分程度等级：
2.3、建立数据集，数据集标签包括诊断指标程度等级标签和异常细胞病变级别标签；
异常细胞病变级别包括：ASC-US、ASC-H、LSIL、HSIL、SCC角化、SCC非角化、子宫颈管原位腺癌、子宫颈管腺癌、子宫内膜腺癌；
2.4、利用混合高斯模型为每一项诊断指标的程度等级建模Mi，利用混合高斯模型Mi从数据集中学习诊断指标程度等级概率分布，利用混合高斯模型Mi能够确定细胞的不同诊断指标的程度等级，并获得程度等级相应的概率值xi；
2.5、构建诊断指标和异常细胞病变级别的关系模型：
Yj＝ωj TXj (1)
选用弹性回归模型对异常细胞的每种病变级别及其对应的诊断指标间的关系进行拟合；
其中，ωj为权重向量；j代表异常细胞的病变级别；Yj为异常细胞病变级别的预测值；
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2.4获得；利用步骤2.3的数据集训练该模型，获得诊断指标和异常细胞病变级别的关系，即诊断指标与异常细胞病变级别关系模型。
4.根据权利要求1所述的一种癌变程度分级系统，其特征在于，所述细胞微生物感染情况检测模块判断宫颈细胞图像是否存在微生物感染并确定微生物感染的类别的过程是通过神经网络模型实现的。
5.根据权利要求1、2、3或4所述的一种癌变程度分级系统，其特征在于，所述的诊断指标包括：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、空泡/细胞质面积比、核仁/细胞核面积比、角化度、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。
6.根据权利要求5所述的一种癌变程度分级系统，其特征在于，所述异常细胞病变级别调整模块包括：
第一调整单元，对患者的年龄进行判断，对于年龄大于55岁的宫颈涂片细胞，在诊断指标和异常细胞病变级别的关系模型的权重向量中的核质比权重上乘以核质比权重的年龄影响因子λ，即对核质比权重调整；
第二调整单元，对患者的经期结束时间进行判断，对于经期结束10日内的宫颈涂片细胞，在诊断指标和异常细胞病变级别的关系模型的权重向量中的核分裂度权重上乘以核分裂度权重的月经影响因子η，即对核分裂度权重调整；
第三调整单元，对患者的放疗史信息进行判断，对于上一次放疗距离细胞学取样检查间隔时间在2～6月以内的宫颈涂片细胞，判断当前细胞是否具有细胞退化改变，如果具有退化改变，则将诊断指标和异常细胞病变级别的关系模型的权重向量中的核质比权重、空泡/细胞质面积比权重置零；
第四调整单元，根据细胞微生物感染情况检测模块的检测结果进行如下调整：
若为滴虫感染，则将诊断指标和异常细胞病变级别的关系模型的权重向量中的空泡/细胞质面积比权重置零；
若为念球菌感染，则将诊断指标和异常细胞病变级别的关系模型的权重向量中的核质比权重置零；
若为疱疹病毒感染，则将诊断指标和异常细胞病变级别的关系模型的权重向量中的核分裂度、核染色均匀度、成团细胞拥挤度权重置零；
若为巨细胞病毒感染，则将诊断指标和异常细胞病变级别的关系模型的权重向量中的核质比、空泡/细胞质面积比权重置零。
7.根据权利要求6所述的一种癌变程度分级系统，其特征在于，核质比权重的年龄影响因子λ的确定过程包括以下步骤：
准备多张年龄超过55岁的阴性宫颈涂片，使用数字扫描仪获得宫颈细胞图像，然后分割图像，获得图像中的所有正常细胞图像，并记录细胞核与细胞质位置；
统计从年龄信息数据集获取的所有正常细胞个数n；然后根据正常细胞的核质比R得到核质比的偏离值σ和核质比权重的年龄影响因子λ，具体计算公式如下：
核质比的偏离值
其中，Ri为当前细胞的核质比，Rnor-max为TBS中正常细胞的核质比最大值；
核质比权重的年龄影响因子
8.根据权利要求6所述的一种癌变程度分级系统，其特征在于，核分裂度权重的月经影响因子η的确定过程包括以下步骤：
准备100张具有月经结束10日内的阴性宫颈涂片，100张具有月经结束10日外的阴性宫颈涂片，宫颈脱落细胞采集自不同年龄人群；使用数字扫描仪获得宫颈细胞图像，然后分割图像，获得图像中的所有细胞图像；
分别统计月经周期细胞数据集中的每一张宫颈涂片的细胞总个数和处于核分裂期的细胞个数，按如下公式分别计算月经结束10日内与月经结束10日外核分裂期细胞数占细胞总数比例均值
和
其中，N10-in-CD(k)是其中一张月经结束10日内宫颈涂片中处于分裂期的细胞个数，N10-in-CN(k)是其中一张月经结束10日内宫颈涂片中细胞总个数，N10-out-CD(m)是其中一张月经结束10日外宫颈涂片中处于分裂期的细胞个数，N10-out-CN(m)是其中一张月经结束10日外宫颈涂片中细胞总个数；
然后得到核分裂度权重的月经影响因子
9.根据权利要求6所述的一种癌变程度分级系统，其特征在于，第三调整单元判断当前细胞是否具有细胞退化改变的过程是利用细胞退化改变识别模型进行的，所述细胞退化改变识别模型的确定过程包括以下步骤：
准备多张具有放疗引起的细胞退化的阴性宫颈涂片，宫颈脱落细胞采集自不同年龄人群，放疗距离细胞学取样检查间隔时间范围在2～24个月；
使用数字扫描仪获得宫颈细胞图像，然后分割图像，获得图像中的所有放疗细胞图像；对放疗引起的细胞退化细胞图像进行数据扩充，最终获得放疗引起的细胞退化细胞N个，并对细胞图像赋予“退化改变”标签；构建放疗引起的细胞退化改变数据集；
利用放疗引起的细胞退化改变数据集对神经网络进行训练，得到训练好的神经网络模型即细胞退化改变识别模型。
10.根据权利要求6所述的一种癌变程度分级系统，其特征在于，所述患者癌变级别确定模块确定患者癌变级别的过程包括以下步骤：
患者的癌变级别从轻到重可分为5类，具体为ASC-US、LSIL、ASC-H、HSIL、癌，其中癌可细分为SCC角化、SCC非角化、子宫颈管原位腺癌、子宫颈管腺癌、子宫内膜腺癌；
采用宫颈细胞涂片的异常细胞的最高病变级别作为患者的癌变级别，若仅有非典型病变级别，即ASC-US、ASC-H，需要二者细胞数量分别达到6个及以上，才能将患者的癌变级别定为ASC-US或ASC-H。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110275545.3A CN113052806B (zh) | 2021-03-15 | 2021-03-15 | 一种癌变程度分级系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110275545.3A CN113052806B (zh) | 2021-03-15 | 2021-03-15 | 一种癌变程度分级系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113052806A CN113052806A (zh) | 2021-06-29 |
| CN113052806B true CN113052806B (zh) | 2023-02-28 |
Family
ID=76512172
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110275545.3A Active CN113052806B (zh) | 2021-03-15 | 2021-03-15 | 一种癌变程度分级系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113052806B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113762395B (zh) * | 2021-09-09 | 2022-08-19 | 深圳大学 | 一种胰胆管型壶腹癌分类模型生成方法及图像分类方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107145747A (zh) * | 2017-05-09 | 2017-09-08 | 山东省千佛山医院 | 乳腺癌及女性生殖系统的病理诊断报告生成系统及方法 |
| CN107274386A (zh) * | 2017-05-18 | 2017-10-20 | 深思考人工智能机器人科技（北京）有限公司 | 一种宫颈细胞液基涂片人工智能辅助阅片系统 |
| 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 |
| CN110675411A (zh) * | 2019-09-26 | 2020-01-10 | 重庆大学 | 基于深度学习的宫颈鳞状上皮内病变识别算法 |
| KR20200126303A (ko) * | 2019-04-29 | 2020-11-06 | 계명대학교 산학협력단 | 자궁경부암 세포 영상 자동 분석을 위한 인공지능 컴퓨터 보조 진단 시스템 및 그 제어 방법 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040137551A1 (en) * | 2003-01-13 | 2004-07-15 | Markovic Nenad S. | Cervical acid phosphatase - papanicolaou (CAP-PAP) test kit, method and accesories, processes for producing and using the same |
| US7524631B2 (en) * | 2005-02-02 | 2009-04-28 | Patterson Bruce K | HPV E6, E7 mRNA assay and methods of use thereof |
| CN106991673B (zh) * | 2017-05-18 | 2019-10-22 | 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 |
| CN112365471B (zh) * | 2020-11-12 | 2022-06-24 | 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 |
-
2021
- 2021-03-15 CN CN202110275545.3A patent/CN113052806B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107145747A (zh) * | 2017-05-09 | 2017-09-08 | 山东省千佛山医院 | 乳腺癌及女性生殖系统的病理诊断报告生成系统及方法 |
| CN107274386A (zh) * | 2017-05-18 | 2017-10-20 | 深思考人工智能机器人科技（北京）有限公司 | 一种宫颈细胞液基涂片人工智能辅助阅片系统 |
| 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 |
| KR20200126303A (ko) * | 2019-04-29 | 2020-11-06 | 계명대학교 산학협력단 | 자궁경부암 세포 영상 자동 분석을 위한 인공지능 컴퓨터 보조 진단 시스템 및 그 제어 방법 |
| CN110675411A (zh) * | 2019-09-26 | 2020-01-10 | 重庆大学 | 基于深度学习的宫颈鳞状上皮内病变识别算法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于联合特征PCANet的宫颈细胞图像分类识别方法研究;卢磊;《中国知网硕士学位论文电子期刊》;20180115;正文第35-40页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113052806A (zh) | 2021-06-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Song et al. | A deep learning based framework for accurate segmentation of cervical cytoplasm and nuclei | |
| US20190042826A1 (en) | Automatic nuclei segmentation in histopathology images | |
| CN110866893B (zh) | 基于病理图像的tmb分类方法、系统及tmb分析装置 | |
| EP2847738B1 (en) | Method and apparatus for image scoring and analysis | |
| 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 | |
| CN109815888B (zh) | 一种基于新型巴氏染色方法的异常宫颈细胞自动识别方法 | |
| Anand et al. | Deep learning to estimate human epidermal growth factor receptor 2 status from hematoxylin and eosin-stained breast tissue images | |
| CN109635846A (zh) | 一种多类医学图像判断方法和系统 | |
| CN113130049A (zh) | 基于云服务的智能病理图像诊断系统 | |
| CN110148126B (zh) | 基于颜色分量组合和轮廓拟合的血液白细胞分割方法 | |
| CN103679184A (zh) | 一种基于相关向量机的白细胞自动识别方法 | |
| CN107730499A (zh) | 一种基于nu‑支持向量机的白细胞分类方法 | |
| Alegro et al. | Automating cell detection and classification in human brain fluorescent microscopy images using dictionary learning and sparse coding | |
| CN114283407A (zh) | 一种自适应的白细胞自动分割、亚类检测方法及系统 | |
| EP4046061A1 (en) | Weakly supervised multi-task learning for cell detection and segmentation | |
| Salvi et al. | Automatic discrimination of neoplastic epithelium and stromal response in breast carcinoma | |
| Anari et al. | Computer-aided detection of proliferative cells and mitosis index in immunohistichemically images of meningioma | |
| CN113011257A (zh) | 一种乳腺癌免疫组化人工智能判读方法 | |
| CN112504947A (zh) | 一种外周血细胞形态学分析计数方法 | |
| CN113052806B (zh) | 一种癌变程度分级系统 | |
| JP7326316B2 (ja) | 細胞学的試料中の少なくとも１つの異常を有する細胞を検出するための方法 | |
| Sangworasil et al. | Automated screening of cervical cancer cell images | |
| Rahmadwati et al. | Computer aided decision support system for cervical cancer classification | |
| Saxena et al. | Study of Computerized Segmentation & Classification Techniques: An Application to Histopathological Imagery | |
| Kim et al. | Nucleus segmentation and recognition of uterine cervical pap-smears |
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 |