CN113111926A - 基于tct制片的异常宫颈血细胞筛选方法 - Google Patents
基于tct制片的异常宫颈血细胞筛选方法 Download PDFInfo
- Publication number
- CN113111926A CN113111926A CN202110348332.9A CN202110348332A CN113111926A CN 113111926 A CN113111926 A CN 113111926A CN 202110348332 A CN202110348332 A CN 202110348332A CN 113111926 A CN113111926 A CN 113111926A
- Authority
- CN
- China
- Prior art keywords
- cervical
- image
- cell
- abnormal
- tct
- 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
Images
Classifications
-
- 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
- G06F18/21—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
- 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
-
- 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
Abstract
本发明公开了一种基于TCT制片的异常宫颈血细胞筛选方法,通过构建异常细胞筛选模型;训练自动编码仪;训练单类SVM分类器;获取患者的宫颈细胞图像,并将所述宫颈细胞图像切割,得到多个宫颈图像包;将多个所述宫颈图像包输入至所述异常细胞筛选模型,获得多个所述宫颈图像包对应的预测结果;依据获取的所述预测结果筛选出对应的所述宫颈图像包,并记为第一宫颈子图像集;将多个所述宫颈图像包输入至所述自动编码仪,获得多个所述宫颈图像包中所有的所述阳性区域;将获得的所有的所述阳性区域带入所述单类SVM分类器,提取属于阳性特征的所述宫颈图像包,记为第二宫颈子图像集;设定比对模型,以此快速精准的筛选出宫颈异常血细胞。
Description
技术领域
本发明涉及医疗检测技术领域,尤其涉及一种基于TCT制片的异常宫颈血细胞筛选方法。
背景技术
宫颈癌是最常见的妇科恶性肿瘤,且近年来其发病率有低龄化趋势,全世界每年有50万新发病例和27.4万死亡病例。宫颈癌又是目前唯一可以早发现并治愈的癌症,因此早期的筛查和诊断是防治宫颈癌的关键环节。
目前,在各大体检中心和医院,一般需要医生在显微镜下从成千上万个细胞中找出异常细胞,并依据异常细胞进行诊断,但这种异常细胞筛选方式精准度低。
发明内容
本发明的目的在于提供一种基于TCT制片的异常宫颈血细胞筛选方法,旨在解决现有技术中的医生在显微镜下从成千上万个细胞中找出异常细胞,此异常细胞筛选方式精准度低的技术问题。
为实现上述目的,本发明采用的一种基于TCT制片的异常宫颈血细胞筛选方法,包括如下步骤:
构建异常细胞筛选模型;
训练自动编码仪,利用所述自动编码仪获取宫颈切片图像的阳性区域和阴性区域;
训练单类SVM分类器,利用所述单类SVM分类器获取所述阳性区域的阳性特征;
获取患者的宫颈细胞图像,并将所述宫颈细胞图像切割,得到多个宫颈图像包;
将多个所述宫颈图像包输入至所述异常细胞筛选模型,获得多个所述宫颈图像包对应的预测结果;
依据获取的所述预测结果筛选出对应的所述宫颈图像包,并记为第一宫颈子图像集;
将多个所述宫颈图像包输入至所述自动编码仪,获得多个所述宫颈图像包中所有的所述阳性区域;
将获得的所有的所述阳性区域带入所述单类SVM分类器,提取属于阳性特征的所述宫颈图像包,记为第二宫颈子图像集;
设定比对模型,并将所述第一宫颈子图像集和所述第二宫颈子图像集输入至所述比对模型中进行比较,判断是否存在相同特征图像,若具有相同特征图像,则判定该图像中的细胞为异常宫颈血细胞,若不存在相同特征图像,则判定该图像中的细胞为正常宫颈血细胞。
其中,所述阳性区域为细胞病变或者细胞癌变的区域,所述阴性区域为细胞正常区域,所述阳性特征为细胞病变或者细胞癌变的特征。
其中,获取患者的宫颈细胞图像,并将所述宫颈细胞图像切割,得到多个宫颈图像包,包括:
基于所述宫颈细胞图像中像素点的灰度值切分所述宫颈细胞图像以得到多个所述宫颈图像包。
其中,基于所述宫颈细胞图像中像素点的灰度值切分所述宫颈细胞图像以得到多个所述宫颈图像包,具体为:
获取所述宫颈细胞图像中每个像素点对应的灰度值;
根据所述宫颈细胞图像中每个像素点对应的灰度值确定灰度值最小的像素点;
从所述像素点中选取任意一个像素点作为切分所述宫颈细胞图像的坐标原点;
以所述坐标原点为基础在所述宫颈细胞图像上建立坐标系,其中,所述坐标系以所述宫颈细胞图像的横向正方向为x轴,以所述宫颈细胞图像的纵向正方向为y轴;
从所述坐标原点出发切分所述宫颈细胞图像,以得到多个所述宫颈图像包。
其中,在获取患者的宫颈细胞图像,并将所述宫颈细胞图像切割,得到多个宫颈图像包的步骤之后还包括:
对多个所述宫颈图像包进行去噪处理。
其中,在对多个所述宫颈图像包进行去噪处理的步骤中:
所述去噪处理采用双边滤波处理方式。
本发明的有益效果体现在:通过所述构建异常细胞筛选模型;训练自动编码仪,利用所述自动编码仪获取宫颈切片图像的阳性区域和阴性区域;训练单类SVM分类器,利用所述单类SVM分类器获取所述阳性区域的阳性特征;获取患者的宫颈细胞图像,并将所述宫颈细胞图像切割,得到多个宫颈图像包;将多个所述宫颈图像包输入至所述异常细胞筛选模型,获得多个所述宫颈图像包对应的预测结果;依据获取的所述预测结果筛选出对应的所述宫颈图像包,并记为第一宫颈子图像集;将多个所述宫颈图像包输入至所述自动编码仪,获得多个所述宫颈图像包中所有的所述阳性区域;将获得的所有的所述阳性区域带入所述单类SVM分类器,提取属于阳性特征的所述宫颈图像包,记为第二宫颈子图像集;设定比对模型,并将所述第一宫颈子图像集和所述第二宫颈子图像集输入至所述比对模型中进行比较,判断是否存在相同特征图像,若具有相同特征图像,则判定该图像中的细胞为异常宫颈血细胞,若不存在相同特征图像,则判定该图像中的细胞为正常宫颈血细胞。利用所述异常细胞筛选模型筛选出异常图像,以及利用所述训练自动编码仪和所述训练单类SVM分类器相配合,选出异常区域图像这一方式,然后将两者在所述比对模型中进行比较,即可快速精准的筛选出宫颈异常血细胞。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的基于TCT制片的异常宫颈血细胞筛选方法的步骤流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
请参阅图1,本发明提供了一种基于TCT制片的异常宫颈血细胞筛选方法,包括如下步骤:
S1:构建异常细胞筛选模型;
S2:训练自动编码仪,利用所述自动编码仪获取宫颈切片图像的阳性区域和阴性区域;
S3:训练单类SVM分类器,利用所述单类SVM分类器获取所述阳性区域的阳性特征;
S4:获取患者的宫颈细胞图像,并将所述宫颈细胞图像切割,得到多个宫颈图像包;
S5:将多个所述宫颈图像包输入至所述异常细胞筛选模型,获得多个所述宫颈图像包对应的预测结果;
S6:依据获取的所述预测结果筛选出对应的所述宫颈图像包,并记为第一宫颈子图像集;
S7:将多个所述宫颈图像包输入至所述自动编码仪,获得多个所述宫颈图像包中所有的所述阳性区域;
S8:将获得的所有的所述阳性区域带入所述单类SVM分类器,提取属于阳性特征的所述宫颈图像包,记为第二宫颈子图像集;
S9:设定比对模型,并将所述第一宫颈子图像集和所述第二宫颈子图像集输入至所述比对模型中进行比较,判断是否存在相同特征图像,若具有相同特征图像,则判定该图像中的细胞为异常宫颈血细胞,若不存在相同特征图像,则判定该图像中的细胞为正常宫颈血细胞。
所述阳性区域为细胞病变或者细胞癌变的区域,所述阴性区域为细胞正常区域,所述阳性特征为细胞病变或者细胞癌变的特征。
获取患者的宫颈细胞图像,并将所述宫颈细胞图像切割,得到多个宫颈图像包,包括:
基于所述宫颈细胞图像中像素点的灰度值切分所述宫颈细胞图像以得到多个所述宫颈图像包。
基于所述宫颈细胞图像中像素点的灰度值切分所述宫颈细胞图像以得到多个所述宫颈图像包,具体为:
获取所述宫颈细胞图像中每个像素点对应的灰度值;
根据所述宫颈细胞图像中每个像素点对应的灰度值确定灰度值最小的像素点;
从所述像素点中选取任意一个像素点作为切分所述宫颈细胞图像的坐标原点;
以所述坐标原点为基础在所述宫颈细胞图像上建立坐标系,其中,所述坐标系以所述宫颈细胞图像的横向正方向为x轴,以所述宫颈细胞图像的纵向正方向为y轴;
从所述坐标原点出发切分所述宫颈细胞图像,以得到多个所述宫颈图像包。
在获取患者的宫颈细胞图像,并将所述宫颈细胞图像切割,得到多个宫颈图像包的步骤之后还包括:
对多个所述宫颈图像包进行去噪处理。
在对多个所述宫颈图像包进行去噪处理的步骤中:
所述去噪处理采用双边滤波处理方式。
在本实施方式中,训练自动编码仪,利用所述自动编码仪获取宫颈切片图像的阳性区域和阴性区域的步骤中,通过获取宫颈TCT数字切片内的阳性区域,基于获取的所述阳性区域样本训练自动编码仪,得到训练好的自动编码仪,将获取的阳性区域输入到训练好的自动编码仪,获得阳性区域中的阳性特征,将多个阳性区域中的阳性特征作为样本对单类SVM分类器进行训练,得到训练好的单类SVM分类器,所述阳性特征为病变特征。
获取患者的宫颈细胞图像,并将所述宫颈细胞图像切割,得到多个宫颈图像包;其中基于所述宫颈细胞图像中像素点的灰度值切分所述宫颈细胞图像以得到多个所述宫颈图像包。所述基于所述宫颈细胞图像中像素点的灰度值切分所述宫颈细胞图像以得到多个所述宫颈图像包,具体为:获取所述宫颈细胞图像中每个像素点对应的灰度值;根据所述宫颈细胞图像中每个像素点对应的灰度值确定灰度值最小的像素点;从所述像素点中选取任意一个像素点作为切分所述宫颈细胞图像的坐标原点;以所述坐标原点为基础在所述宫颈细胞图像上建立坐标系,其中,所述坐标系以所述宫颈细胞图像的横向正方向为x轴,以所述宫颈细胞图像的纵向正方向为y轴;从所述坐标原点出发切分所述宫颈细胞图像,以得到多个所述宫颈图像包,之后对多个所述宫颈图像包进行双边滤波处理的方式去噪,在对多个所述宫颈图像包进行去噪处理后,对所述宫颈图像包进行统一化处理。所述统一化处理包括图像格式的颜色空间统一为RGB格式,以及将多个所述宫颈图像包的分辨率统一为一致。之后将统一化处理后的多个所述宫颈图像包输入至所述异常细胞筛选模型,获得多个所述宫颈图像包对应的预测结果;依据获取的所述预测结果筛选出对应的所述宫颈图像包,并记为第一宫颈子图像集;将多个所述宫颈图像包输入至所述自动编码仪,获得多个所述宫颈图像包中所有的所述阳性区域;将获得的所有的所述阳性区域带入所述单类SVM分类器,提取属于阳性特征的所述宫颈图像包,记为第二宫颈子图像集;设定比对模型,并将所述第一宫颈子图像集和所述第二宫颈子图像集输入至所述比对模型中进行比较,判断是否存在相同特征图像,若具有相同特征图像,则判定该图像中的细胞为异常宫颈血细胞,若不存在相同特征图像,则判定该图像中的细胞为正常宫颈血细胞。
综上所述,本发明提供的一种基于TCT制片的异常宫颈血细胞筛选方法,利用所述异常细胞筛选模型筛选出异常图像,以及利用所述训练自动编码仪和所述训练单类SVM分类器相配合,选出异常区域图像这一方式,然后将两者在所述比对模型中进行比较,即可快速精准的筛选出宫颈异常血细胞。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (6)
1.一种基于TCT制片的异常宫颈血细胞筛选方法,其特征在于,包括如下步骤:
构建异常细胞筛选模型;
训练自动编码仪,利用所述自动编码仪获取宫颈切片图像的阳性区域和阴性区域;
训练单类SVM分类器,利用所述单类SVM分类器获取所述阳性区域的阳性特征;
获取患者的宫颈细胞图像,并将所述宫颈细胞图像切割,得到多个宫颈图像包;
将多个所述宫颈图像包输入至所述异常细胞筛选模型,获得多个所述宫颈图像包对应的预测结果;
依据获取的所述预测结果筛选出对应的所述宫颈图像包,并记为第一宫颈子图像集;
将多个所述宫颈图像包输入至所述自动编码仪,获得多个所述宫颈图像包中所有的所述阳性区域;
将获得的所有的所述阳性区域带入所述单类SVM分类器,提取属于阳性特征的所述宫颈图像包,记为第二宫颈子图像集;
设定比对模型,并将所述第一宫颈子图像集和所述第二宫颈子图像集输入至所述比对模型中进行比较,判断是否存在相同特征图像,若具有相同特征图像,则判定该图像中的细胞为异常宫颈血细胞,若不存在相同特征图像,则判定该图像中的细胞为正常宫颈血细胞。
2.如权利要求1所述的基于TCT制片的异常宫颈血细胞筛选方法,其特征在于,
所述阳性区域为细胞病变或者细胞癌变的区域,所述阴性区域为细胞正常区域,所述阳性特征为细胞病变或者细胞癌变的特征。
3.如权利要求1所述的基于TCT制片的异常宫颈血细胞筛选方法,其特征在于,获取患者的宫颈细胞图像,并将所述宫颈细胞图像切割,得到多个宫颈图像包,包括:
基于所述宫颈细胞图像中像素点的灰度值切分所述宫颈细胞图像以得到多个所述宫颈图像包。
4.如权利要求3所述的基于TCT制片的异常宫颈血细胞筛选方法,其特征在于,基于所述宫颈细胞图像中像素点的灰度值切分所述宫颈细胞图像以得到多个所述宫颈图像包,具体为:
获取所述宫颈细胞图像中每个像素点对应的灰度值;
根据所述宫颈细胞图像中每个像素点对应的灰度值确定灰度值最小的像素点;
从所述像素点中选取任意一个像素点作为切分所述宫颈细胞图像的坐标原点;
以所述坐标原点为基础在所述宫颈细胞图像上建立坐标系,其中,所述坐标系以所述宫颈细胞图像的横向正方向为x轴,以所述宫颈细胞图像的纵向正方向为y轴;
从所述坐标原点出发切分所述宫颈细胞图像,以得到多个所述宫颈图像包。
5.如权利要求1至4任一项所述的基于TCT制片的异常宫颈血细胞筛选方法,其特征在于,在获取患者的宫颈细胞图像,并将所述宫颈细胞图像切割,得到多个宫颈图像包的步骤之后还包括:
对多个所述宫颈图像包进行去噪处理。
6.如权利要求5所述的基于TCT制片的异常宫颈血细胞筛选方法,其特征在于,在对多个所述宫颈图像包进行去噪处理的步骤中:
所述去噪处理采用双边滤波处理方式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110348332.9A CN113111926A (zh) | 2021-03-31 | 2021-03-31 | 基于tct制片的异常宫颈血细胞筛选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110348332.9A CN113111926A (zh) | 2021-03-31 | 2021-03-31 | 基于tct制片的异常宫颈血细胞筛选方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113111926A true CN113111926A (zh) | 2021-07-13 |
Family
ID=76713254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110348332.9A Pending CN113111926A (zh) | 2021-03-31 | 2021-03-31 | 基于tct制片的异常宫颈血细胞筛选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113111926A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060257013A1 (en) * | 2002-05-14 | 2006-11-16 | Peter Ramm | System and methods for rapid and automated screening of cells |
WO2011011527A2 (en) * | 2009-07-21 | 2011-01-27 | Neodiagnostix, Inc. | Method and system for automated image analysis in cancer cells |
CN104834914A (zh) * | 2015-05-15 | 2015-08-12 | 广西师范大学 | 宫颈细胞图像特征识别方法及宫颈细胞特征识别装置 |
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 |
CN108334909A (zh) * | 2018-03-09 | 2018-07-27 | 南京天数信息科技有限公司 | 基于ResNet的宫颈癌TCT数字切片数据分析方法 |
CN109190567A (zh) * | 2018-09-10 | 2019-01-11 | 哈尔滨理工大学 | 基于深度卷积神经网络的异常宫颈细胞自动检测方法 |
CN110992303A (zh) * | 2019-10-29 | 2020-04-10 | 平安科技(深圳)有限公司 | 一种异常细胞筛选方法、装置、电子设备和存储介质 |
-
2021
- 2021-03-31 CN CN202110348332.9A patent/CN113111926A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060257013A1 (en) * | 2002-05-14 | 2006-11-16 | Peter Ramm | System and methods for rapid and automated screening of cells |
WO2011011527A2 (en) * | 2009-07-21 | 2011-01-27 | Neodiagnostix, Inc. | Method and system for automated image analysis in cancer cells |
CN104834914A (zh) * | 2015-05-15 | 2015-08-12 | 广西师范大学 | 宫颈细胞图像特征识别方法及宫颈细胞特征识别装置 |
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 |
CN108334909A (zh) * | 2018-03-09 | 2018-07-27 | 南京天数信息科技有限公司 | 基于ResNet的宫颈癌TCT数字切片数据分析方法 |
CN109190567A (zh) * | 2018-09-10 | 2019-01-11 | 哈尔滨理工大学 | 基于深度卷积神经网络的异常宫颈细胞自动检测方法 |
CN110992303A (zh) * | 2019-10-29 | 2020-04-10 | 平安科技(深圳)有限公司 | 一种异常细胞筛选方法、装置、电子设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
刘艳红;罗晓曙;陈锦;郭磊;: "宫颈细胞图像的特征提取与识别研究", 广西师范大学学报(自然科学版), no. 02 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110232719B (zh) | 一种医学图像的分类方法、模型训练方法和服务器 | |
WO2022063199A1 (zh) | 一种肺结节自动检测方法、装置及计算机系统 | |
CN107316077B (zh) | 一种基于图像分割及边缘检测的脂肪细胞自动计数方法 | |
EP2294964A1 (en) | Image processing apparatus, image processing program and image processing method | |
WO1995014966A1 (en) | Automated method and system for the segmentation of medical images | |
CN110838100A (zh) | 一种基于滑动窗口的结肠镜病理切片筛查与分割系统 | |
Vogado et al. | Unsupervised leukemia cells segmentation based on multi-space color channels | |
CN108510489B (zh) | 一种基于深度学习的尘肺检测方法与系统 | |
CN113256634B (zh) | 基于深度学习的宫颈癌tct切片排阴方法和系统 | |
CN115272647A (zh) | 一种肺部图像的识别处理方法及系统 | |
US9972086B2 (en) | Method of determining image quality in digital pathology system | |
CN112200815B (zh) | 基于语义分割网络PSPNet的甲状腺结节超声图像的分割方法 | |
CN116228767B (zh) | 基于计算机视觉的x光肺部肿块图像处理方法 | |
CN113781468A (zh) | 一种基于轻量级卷积神经网络的舌图像分割方法 | |
CN108921171B (zh) | 一种骨关节x线片自动识别分级方法 | |
CN116128774B (zh) | 一种胃部螺旋ct数据增强处理方法 | |
CN113111926A (zh) | 基于tct制片的异常宫颈血细胞筛选方法 | |
CN115393314A (zh) | 一种基于深度学习的口腔医疗图像识别方法及系统 | |
WO2021139447A1 (zh) | 一种宫颈异常细胞检测装置及方法 | |
Kiratiratanapruk et al. | Worm egg segmentation based centroid detection in low contrast image | |
CN115359022A (zh) | 一种电源芯片质量检测方法及系统 | |
CN113920100A (zh) | 基于知识蒸馏的弱监督骨扫描图像热点分割方法及系统 | |
CN110458042B (zh) | 一种荧光ctc中的探针数目检测方法 | |
CN113130050A (zh) | 一种医学信息显示方法及显示系统 | |
CN113989588A (zh) | 一种基于自学习的五边形绘图测试智能评价系统及方法 |
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 |