CN113130049A - 基于云服务的智能病理图像诊断系统 - Google Patents
基于云服务的智能病理图像诊断系统 Download PDFInfo
- Publication number
- CN113130049A CN113130049A CN202110406946.8A CN202110406946A CN113130049A CN 113130049 A CN113130049 A CN 113130049A CN 202110406946 A CN202110406946 A CN 202110406946A CN 113130049 A CN113130049 A CN 113130049A
- Authority
- CN
- China
- Prior art keywords
- diagnosis
- image
- pathological
- module
- cell
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 223
- 230000001575 pathological effect Effects 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 claims abstract description 58
- 238000004458 analytical method Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000012552 review Methods 0.000 claims abstract description 7
- 230000002159 abnormal effect Effects 0.000 claims description 140
- 238000001514 detection method Methods 0.000 claims description 42
- 238000002474 experimental method Methods 0.000 claims description 41
- 230000003902 lesion Effects 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 34
- 230000000120 cytopathologic effect Effects 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 28
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 26
- 208000015181 infectious disease Diseases 0.000 claims description 26
- 201000010099 disease Diseases 0.000 claims description 21
- 230000000813 microbial effect Effects 0.000 claims description 21
- 238000001959 radiotherapy Methods 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 15
- 230000007170 pathology Effects 0.000 claims description 10
- 238000011282 treatment Methods 0.000 claims description 10
- 230000002175 menstrual effect Effects 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 201000003379 Townes-Brocks syndrome Diseases 0.000 claims description 7
- 230000003821 menstrual periods Effects 0.000 claims description 7
- 239000000203 mixture Substances 0.000 claims description 7
- 230000002068 genetic effect Effects 0.000 claims description 6
- 238000007447 staining method Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 210000004027 cell Anatomy 0.000 description 263
- 210000003855 cell nucleus Anatomy 0.000 description 21
- 210000000805 cytoplasm Anatomy 0.000 description 21
- 210000001519 tissue Anatomy 0.000 description 21
- 206010008263 Cervical dysplasia Diseases 0.000 description 16
- 210000004940 nucleus Anatomy 0.000 description 16
- 238000004043 dyeing Methods 0.000 description 15
- 230000008859 change Effects 0.000 description 14
- 238000002372 labelling Methods 0.000 description 14
- 230000007850 degeneration Effects 0.000 description 13
- 230000000694 effects Effects 0.000 description 11
- 238000013527 convolutional neural network Methods 0.000 description 10
- 230000002380 cytological effect Effects 0.000 description 10
- 230000004992 fission Effects 0.000 description 10
- 230000005906 menstruation Effects 0.000 description 10
- 238000010827 pathological analysis Methods 0.000 description 10
- 206010028980 Neoplasm Diseases 0.000 description 9
- 201000011510 cancer Diseases 0.000 description 9
- 230000003780 keratinization Effects 0.000 description 9
- 238000012758 nuclear staining Methods 0.000 description 9
- 210000003934 vacuole Anatomy 0.000 description 9
- 230000001086 cytosolic effect Effects 0.000 description 7
- 230000036285 pathological change Effects 0.000 description 7
- 231100000915 pathological change Toxicity 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000000762 glandular Effects 0.000 description 6
- 230000001965 increasing effect Effects 0.000 description 6
- 239000007788 liquid Substances 0.000 description 6
- 208000007879 Atypical Squamous Cells of the Cervix Diseases 0.000 description 5
- 208000035475 disorder Diseases 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 206010020649 Hyperkeratosis Diseases 0.000 description 4
- 208000001126 Keratosis Diseases 0.000 description 4
- 208000009956 adenocarcinoma Diseases 0.000 description 4
- 244000005700 microbiome Species 0.000 description 4
- 230000000877 morphologic effect Effects 0.000 description 4
- 208000035143 Bacterial infection Diseases 0.000 description 3
- 208000022362 bacterial infectious disease Diseases 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 206010007134 Candida infections Diseases 0.000 description 2
- 201000009030 Carcinoma Diseases 0.000 description 2
- 241000701022 Cytomegalovirus Species 0.000 description 2
- 208000029433 Herpesviridae infectious disease Diseases 0.000 description 2
- 108010089610 Nuclear Proteins Proteins 0.000 description 2
- 102000007999 Nuclear Proteins Human genes 0.000 description 2
- 208000032124 Squamous Intraepithelial Lesions Diseases 0.000 description 2
- 208000005448 Trichomonas Infections Diseases 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 201000003984 candidiasis Diseases 0.000 description 2
- 230000004662 cellular morphological change Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 201000003908 endometrial adenocarcinoma Diseases 0.000 description 2
- 208000029382 endometrium adenocarcinoma Diseases 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 230000004660 morphological change Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000027758 ovulation cycle Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001529453 unidentified herpesvirus Species 0.000 description 2
- 208000036174 Actinomycetales Infections Diseases 0.000 description 1
- 208000010920 Actinomycetales infectious disease Diseases 0.000 description 1
- 241000222120 Candida <Saccharomycetales> Species 0.000 description 1
- 108010077544 Chromatin Proteins 0.000 description 1
- 206010011831 Cytomegalovirus infection Diseases 0.000 description 1
- XQFRJNBWHJMXHO-RRKCRQDMSA-N IDUR Chemical compound C1[C@H](O)[C@@H](CO)O[C@H]1N1C(=O)NC(=O)C(I)=C1 XQFRJNBWHJMXHO-RRKCRQDMSA-N 0.000 description 1
- 241000224526 Trichomonas Species 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 210000003483 chromatin Anatomy 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000002573 colposcopy Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000006003 cornification Effects 0.000 description 1
- 230000003583 cytomorphological effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000002708 enhancing effect Effects 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
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000005669 field effect Effects 0.000 description 1
- 210000004907 gland Anatomy 0.000 description 1
- 206010020718 hyperplasia Diseases 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 210000004969 inflammatory cell Anatomy 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000394 mitotic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000633 nuclear envelope Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011369 optimal treatment Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000004171 remote diagnosis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 210000004927 skin cell Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000010863 targeted diagnosis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
基于云服务的智能病理图像诊断系统,本发明涉及人工智能、医疗诊断、深度学习、辅助诊断系统。本发明是为了解决现有技术并没有基于云服务的智能病理图像诊断系统问题。系统包括:信息采集模块用于信息录入人员在云诊断系统中依次录入患者基本信息、切片信息;病理切片图像预处理模块用于获取并处理切片图像,得到切片全景图和切片瓦片图;病理切片图像智能诊断模块用于输出数字病理文件;初步诊断模块用于根据数字病理文件,生成初步诊断意见和初步分析报告;报告生成模块用于医生查看初步诊断意见和初步分析报告,进行人工复核并确诊,生成最终分析报告。本发明用于基于云服务的智能病理图像诊断领域。
Description
技术领域
本发明涉及人工智能、医疗诊断、深度学习、辅助诊断系统。
背景技术
癌症是威胁人们生命安全的头号杀手,已成为我国的一个社会问题。受限于我国的经济水平和检测水平,人们对防癌的认识普遍不足,实际情况可能更加不容乐观。癌症的潜伏期长、早期无症状难以被发现,错过最佳治疗时间,是癌症死亡率居高不下的根本原因。早发现早治疗是应对癌症最为有效的手段。病理学诊断被誉为疾病诊断的“金标准”,是目前具有确诊意义的检查手段。传统的病理诊断先取人体样本(组织或细胞)并制片,然后依赖于医生“手动操作、肉眼观察”进行人工阅片,存在两大痛点:(1)基层医院病理科硬件薄弱、手段滞后,对癌症的诊断准确率普遍较低,存在大量的误诊和漏诊。(2)受限于病理诊断工作量大,高水平病理医生培养周期长、严重缺乏的现状,无法实现癌症的日常普查。近年来,人工智能、大数据技术被成功用于病理学中,病理自动阅片技术应运而生。目前市面上的设备基本完成了病理样本的自动化扫描,支持数字化和病理数据的互联网共享、质控、存档和远程诊断,但在辅助诊断或自动诊断方面还不成熟,无法实现大面积推广。
自动阅片技术尚有两个关键问题急需解决:一是异常组织或异常细胞检测,病理图像内容丰富、情况复杂、细胞数目多,从中准确找出异常组织或异常细胞存在较大难度;二是病理分级诊断,根据异常细胞的数量、病变级别、异常组织浸润性、异型性、增殖活性确定癌变程度是病理医生的迫切需求,病理分级诊断功能既能为医生制定治疗方案提供依据,又能评估治疗方案的效果。
发明内容
本发明是为了解决现有技术并没有基于云服务的智能病理图像诊断系统问题。
基于云服务的智能病理图像诊断系统包括:
信息采集模块、病理切片图像预处理模块、病理切片图像智能诊断模块、初步诊断模块、报告生成模块;
所述信息采集模块用于信息录入人员在云诊断系统中依次录入患者基本信息、切片信息;
所述病理切片图像预处理模块用于获取并处理切片图像,得到切片全景图和切片瓦片图;
所述病理切片图像智能诊断模块用于对切片瓦片图进行初步诊断和标注,输出数字病理文件;
所述初步诊断模块用于根据数字病理文件,生成初步诊断意见和初步分析报告;
所述报告生成模块用于医生查看初步诊断意见和初步分析报告,进行人工复核并确诊,生成最终分析报告。
进一步地,所述信息采集模块用于信息录入人员在云诊断系统中依次录入患者基本信息、切片信息;具体为:
所述患者基本信息包括:患者的年龄、遗传病史、月经史、曾用治疗药物;
所述切片信息包括:切片编号、切片类型、染色方法、采样时间。
进一步地,所述病理切片图像预处理模块用于获取并处理切片图像,得到切片全景图和切片瓦片图;实现步骤如下:
(1)获取切片扫描图:切片扫描图获取来源包括:
1)由显微镜扫描客户端移动拍摄当前视野下的切片病理图像,得到切片扫描图,实时传输至云诊断系统;
2)云诊断系统支持网页上传其他扫描端扫描的不同格式的切片扫描图;
(2)将切片扫描图拼接为全景图;
使用金字塔切割方法对切片全景图进行处理,处理为M×N大小的无重合小图,记录无重合小图与全景图的位置对应关系,得到切片瓦片图;
所述M、N分别代表无重合小图的长、宽。
进一步地,所述病理切片图像智能诊断模块对切片瓦片图进行初步诊断和标注,输出数字病理文件;具体过程为:
(1)确定病理切片图像智能诊断模块的目标检测模型,采用目标检测模型对切片瓦片图进行检测,得到异常细胞;
(2)对异常细胞进行细胞病变程度分级,得到异常细胞的异常等级;
(3)对异常细胞进行病情级别评分,得到患者病情级别;
(4)综合异常细胞的异常等级、患者病情级别进行初步诊断和标注,得到数字病理文件。
进一步地,所述初步诊断模块用于根据数字病理文件,生成初步诊断意见和初步分析报告;实现步骤如下:
根据数字病理文件,得到初步诊断意见;
结合初步诊断意见、患者基本信息、切片信息,生成初步分析报告;
所述患者基本信息包括:患者的年龄、遗传病史、月经史、曾用治疗药物;
所述切片信息包括:切片编号、切片类型、染色方法、采样时间。
进一步地,所述报告生成模块用于医生查看初步诊断意见和初步分析报告,进行人工复核并确诊,生成最终分析报告;实现步骤如下:
医生对数字病理文件、初步分析报告进行核对,给出最终诊断结论,通过报告生成模块生成诊断报告。
进一步地,所述病理切片图像智能诊断模块的目标检测模型的确定过程为:
1)、选取含有异常细胞的样本作为实验样本,录入实验样本数据库;
2)、对实验样本数据库中的所有实验样本进行标注;具体为:
采用语义分割模型对实验样本数据库中的所有异常细胞进行分割;
使用深度神经网络模型对分割后细胞进行分类;
3)、实验人员核对2)中的标注结果,更正错误标注、补全遗漏标注,得到核对后的标注实验样本;
4)、将核对后的标注实验样本输入不同的目标检测模型进行训练,得到不同的训练好的目标检测模型;
计算将核对后的标注实验样本输入不同的训练好的目标检测模型的准确率、精确率、召回率、F1-Measure、loss值;
选择准确率最高的目标检测模型作为病理切片图像智能诊断模块的目标检测模型。
进一步地,所述(2)中对异常细胞进行细胞病变程度分级,得到异常细胞的异常等级;具体过程为:
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。
进一步地,所述(3)对异常细胞进行病情级别评分,得到患者病情级别;具体过程为:
细胞诊断指标获取模块,根据TBS诊断标准,获取细胞诊断指标;
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。
本发明的有益效果为:
本发明提出基于云服务的智能病理图像诊断系统,总技术方案如图1所示,该系统硬件部分由显微成像模块、三维云台控制模块、工业级图像采集模块、高性能服务器及普通服务器集群组成,软件部分由病理切片图像采集模块、病理切片图像预处理模块、病理切片图像智能诊断模块、初步诊断模块、报告生成模块组成。该系统采集并处理病人信息与病理切片图像、对病理切片图像进行初步诊断和标注、生成初步诊断意见和初步分析报告、经医生复核后生成最终分析报告、不断优化诊断时使用的深度学习模型,在自动检测异常组织和异常细胞、实现病理诊断分级方面表现突出,实现了自动病理诊断、辅助病理诊断。
本发明云服务的智能病理图像诊断系统以自动病理诊断和辅助病理诊断为目的,自动检测异常组织和异常细胞并实现病理诊断分级,开发多个软件模块,采用多种深度学习算法。以此为基础、软硬件结合建立一套完整的智云服务的智能病理图像诊断系统。
附图说明
图1为本发明模型框架图。
具体实施方式
具体实施方式一:本实施方式基于云服务的智能病理图像诊断系统,其特征在于,包括:
硬件部分:高清数码摄像机、数码摄像机适配器、电动载物台、控制摇杆、OLYMPUS光学显微镜、显微镜光源盒、控制盒、4台GPU服务器;软件部分:信息采集模块、病理切片图像预处理模块、病理切片图像智能诊断模块、初步诊断模块、报告生成模块;
所述信息采集模块用于信息录入人员在云诊断系统中依次录入患者基本信息、宫颈切片信息;
所述病理切片图像预处理模块用于获取并处理宫颈切片图像,得到宫颈切片全景图和宫颈切片瓦片图;
所述病理切片图像智能诊断模块用于对宫颈切片瓦片图进行初步诊断和标注,输出数字病理文件;
所述初步诊断模块用于根据数字病理文件,生成初步诊断意见和初步分析报告;
所述报告生成模块用于医生查看初步诊断意见和初步分析报告,进行人工复核并确诊,生成最终分析报告。
具体实施方式二:本实施方式与具体实施方式一不同的是,所述信息采集模块用于信息录入人员在云诊断系统中依次录入患者基本信息、宫颈切片信息;具体为:
所述患者基本信息包括:患者的年龄、遗传病史、月经史、曾用治疗药物;
所述宫颈切片信息包括:切片编号、宫颈切片类型、染色方法、采样时间。
其它步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是,所述病理切片图像预处理模块用于获取并处理宫颈切片图像,得到宫颈切片全景图和宫颈切片瓦片图;实现步骤如下:
(1)获取宫颈切片扫描图:宫颈切片扫描图获取来源包括:
1)由显微镜扫描客户端移动拍摄当前视野下的宫颈切片病理图像,得到宫颈切片扫描图,实时传输至云诊断系统;
2)云诊断系统支持网页上传其他扫描端扫描的不同格式的宫颈切片扫描图,如svs、jp2、lif、vsi、tif、tiff等;
显微镜扫描客户端由显微成像系统、三维控制云台、工业级图像采集模块组成,采用变步爬山法实现焦点搜索、低灰度值统计法评价图片清晰度,确保获取局部最佳视野效果。
(2)将宫颈切片扫描图拼接为全景图,统一宫颈切片全景图的图片格式;
使用金字塔切割方法对宫颈切片全景图进行处理,处理为M*N大小的无重合小图,记录无重合小图与全景图的位置对应关系,实现细胞定位功能,得到宫颈切片瓦片图,即若干个存放着数目不同、表示范围相同的宫颈切片图的文件夹,文件夹按其内部图像分辨率由低到高顺序排列,代表不同缩放级别,用于全景图的缩放展示;
所述M、N分别代表无重合小图的长、宽。
将全景图处理为1024*1024大小的无重合小图,供后续模型处理时使用,记录无重合小图与全景图的位置对应关系。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是,所述病理切片图像智能诊断模块对宫颈切片瓦片图进行初步诊断和标注,输出数字病理文件;具体过程为:
(1)确定病理切片图像智能诊断模块的目标检测模型,采用目标检测模型对宫颈切片瓦片图进行检测,得到异常细胞;该网络采用一阶段方式,提高大量图像的实时检测速度;输入端采用Mosaic数据增强的方式,提升小目标检测效果,有利于提高细胞的检出率;
(2)对异常细胞进行细胞病变程度分级,得到异常细胞的异常等级;
按专利《异常细胞的分级系统》中所述方法,得到异常细胞的异常等级;
(异常细胞或异常组织的数目、大小、颜色、质地等信息;);
(3)对异常细胞进行病情级别评分,得到患者病情级别;体过程为:
按专利《一种癌变程度分级系统》中所述方法,得到患者病情级别;
(4)综合异常细胞的异常等级、患者病情级别进行初步诊断和标注,得到数字病理文件。
使用目标检测模型对异常细胞和异常组织进行检测;
使用分割模型对细胞核和细胞浆进行分割;
计算和分析细胞核、细胞浆、组织的常见参数,得到异常细胞或异常组织的数目、大小、颜色、质地等信息;
根据病理学诊断标准,得到异常细胞和异常组织的病变级别,结合患者的基本信息,得到患者病变程度;
综合异常细胞和异常组织的病变级别及标注信息、患者病情级别评分,得到数字病理文件。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是,所述初步诊断模块用于根据数字病理文件,生成初步诊断意见和初步分析报告;实现步骤如下:
根据数字病理文件,得到初步诊断意见,包括:细菌感染情况、诊断结果、医生建议;
结合初步诊断意见、患者基本信息、宫颈切片信息,生成初步分析报告;
所述患者基本信息包括:患者的年龄、遗传病史、月经史、曾用治疗药物;
所述宫颈切片信息包括:切片编号、宫颈切片类型、染色方法、采样时间。
根据数字病理文件,得到初步诊断意见,如使用“样本满意度:满意、细胞量:>5000、炎性细胞数:无”等描述样本基本信息,使用“提示细菌感染、提示放线菌感染、提示霉菌感染、宫颈管细胞、化生细胞、类似疱疹病毒所致细胞学改变”等描述细菌感染情况,使用“初步判定高度鳞状上皮内病变,但结合患者的年龄与曾用治疗药物,最终判定为低度鳞状上皮内病变、阳性染色细胞”描述诊断结果,使用“定期复查、4-6个月复查、临床阴道镜检查必要时活体组织检查、请结合临床、皮细胞数量不满足检测标准建议重新取材”描述医生建议;结合初步诊断意见、患者基本信息、宫颈切片样本信息,生成初步分析报告。
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六:本实施方式与具体实施方式一至五之一不同的是,所述报告生成模块用于医生查看初步诊断意见和初步分析报告,进行人工复核并确诊,生成最终分析报告;实现步骤如下:
医生对数字病理文件、初步分析报告进行核对,给出最终诊断结论,通过报告生成模块生成诊断报告。
其它步骤及参数与具体实施方式一至五之一相同。
具体实施方式七:本实施方式与具体实施方式一至六之一不同的是,所述病理切片图像智能诊断模块的目标检测模型的确定过程为:
1)、从云诊断系统、服务器指定文件夹、上传其他格式全景图三种实验样本中选取含有异常细胞的样本作为实验样本,录入实验样本数据库;
2)、对实验样本数据库中的所有实验样本进行标注;具体为:
采用UNet网络对实验样本数据库中的所有异常细胞进行分割;
使用Resnet模型对分割后细胞进行分类;
细胞分割:对于实验样本中的所有细胞,首先采用分割模型分割细胞核,然后使用GAN网络修复残缺的细胞浆。
异常组织和异常细胞分类;采用分类模型进行异常组织和异常细胞的分类。
所述UNet网络包含一个下采样模块与两个上采样模块;
下采样模块通过卷积和池化操作来降低图片尺寸并提取浅表特征,上采样模块主要通过反卷积和卷积操作实现图片尺寸恢复并提取深层次特征;这样的模型设计使得特征提取模块能够同时关注图片中细胞核与细胞质的特征,而单独的上采样网络能够让分割网络专注于各自分割任务从而提高分割效果。
采用Resnet模型进行异常细胞分类;该网络通过短路机制加入了残差单元,在保持网络复杂度的前提下,避免了深度网络的退化问题,使得异常细胞分类任务效果更佳。
3)、实验人员核对2)中的标注结果,更正错误标注、补全遗漏标注,得到核对后的标注实验样本;
4)、将核对后的标注实验样本输入目标检测模型进行预训练,得到预训练好的目标检测模型;
所述目标检测模型为Yolo5模型和Faster R-CNN模型;
所述Yolo5模型使用pytorch深度学习框架,Yolo5模型文件格式为pth;
效果验证代码是服务器端规定好的,便于统一评估模型效果,不需要用户单独上传。
深度学习框架:支持pytorch、caffe、tensorflow、keras等主流深度学习框架;
实验模型:支持pt、pth、pkl、h5、ckpt等常见深度学习模型类型;
训练代码应包含同名函数:model_train、model_test、model_save、train_loss、val_loss。
计算将核对后的标注实验样本输入预训练好的Yolo5模型的准确率、精确率、召回率、F1-Measure、loss值等;
计算将核对后的标注实验样本输入预训练好的Faster R-CNN模型的准确率、精确率、召回率、F1-Measure、loss值等;
结果如表1所示;
当不同实验任务使用同一个模型时,获取该模型在不同实验中的模型实验信息,进行加权平均,得到模型的综合实验信息;当一个实验任务使用不同模型时,分别统计该实验任务中每个模型的实验信息,可在实验任务的实验结果中进行对比。
5)、实验人员查看4)的结果,扩充后实验样本数据集;具体过程为:
实验人员查看Yolo5和Faster R-CNN的实验结果,同时根据医生建议,分别在检测正确的样本中挑选458个典型异常组织或细胞扩充至实验样本数据集、在误检的样本中挑选109个形成干扰的错误预测组织或细胞单独建立数据集;
6)、将扩充后的实验样本数据集输入预训练好的Yolo5模型,得到训练好的Yolo5模型,计算准确率;
将扩充后的实验样本数据集输入预训练好的Faster R-CNN模型,得到训练好的Faster R-CNN模型,计算准确率;
选择准确率最高的模型作为病理切片图像智能诊断模块的目标检测模型;
使用增量学习,对挑选出的典型异常组织或细胞进行特征学习,扩大Yolo5、Faster R-CNN模型参数规模;
使用在线学习,建立Resnet34模型,对错误预测组织或细胞进行特征学习,用于剔除分类结果中的干扰因素;
对比优化后的Yolo5模型、Faster R-CNN模型与智能诊断任务正在使用的目标检测模型的准确率,选择准确率最高的Yolo5模型替换智能诊断任务使用的模型。
模型优化,选择最优模型替代智能诊断任务使用的模型,实现步骤如下:
S130、支持多种模型优化方式:增量学习、在线学习、离线训练,不同方式的优化步骤如下:
增量学习:使用初始训练集来初步训练模型,当训练集每次被更新时,使用更新部分的数据再次对模型进行训练,使得模型在保留原始训练参数的基础上,扩大参数规模,达到既能保留原有经验又能增加新的知识的目的,进而实现不断优化模型参数的效果;
在线学习:对于数据集中典型的异常组织或细胞,逐条训练,当每条数据达到使模型误差率数值很小的效果时,自动使用下一条异常组织或细胞数据;对于错误预测组织或细胞也采取同样的方式训练一个新的模型;
离线训练:研发人员对现有模型的网络结构进行改良,或设计新的网络结构,使用相同的数据集进行模型训练,上传模型,更新实验时的可选模型列表;
S131、将经过优化的模型与智能诊断任务使用的模型进行准确率对比,得到效果最佳的模型供智能诊断任务使用。
将核对后的标注实验样本输入目标检测模型进行预训练,得到预训练好的目标检测模型;
实现步骤如下:
实验需求:对比不同目标检测模型的准确率;
样本数据集:临床试验数据样本30个,样本中包括了ASC-US、ASC-H、LSIL、HSIL4个异常细胞等级。
实验任务:①选用一阶段目标检测模型Yolo5②选用二阶段目标检测模型FasterR-CNN。
选择实验样本建立样本数据集,选择合适的模型进行实验,实现步骤如下:
S100、根据实验需求,建立实验任务,通过实验任务并行处理模块完成资源调配,实现任务之间地高效并行;
S101、依次为每个实验任务选择合适的实验样本、实验模型;
S102、若无合适的模型,支持在线训练模型。具体过程如下:上传训练代码,使用预训练模型初始化模型参数;设置训练轮数、终止条件等约束信息,在线训练模型。预训练模型分为两种,一种是网上公开预训练模型;一种是云诊断系统内部训练的预训练模型。
S103、在S101、S102的基础上进行实验。
表1 Yolo5模型、Faster R-CNN模型实验信息统计对比图
TP | FP | FN | 召回率% | 精度% | |
Yolo5 | 987 | 56 | 238 | 80.57 | 94.63 |
Faster R-CNN | 951 | 105 | 122 | 88.63 | 90.06 |
其它步骤及参数与具体实施方式一至六之一相同。
具体实施方式八:本实施方式与具体实施方式一至七之一不同的是,所述(2)中对异常细胞进行细胞病变程度分级,得到异常细胞的异常等级;具体过程为:
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。
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:
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下式所示:
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:
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为细胞核图像宽度;
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:
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;
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、获取细胞切片;
步骤四二、从细胞切片中获取细胞图像,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、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。
具体过程为:
可以以宫颈细胞为例,获取100个宫颈切片(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 Bethesda System,阴道细胞学的分类及报告细则)诊断标准的所有病变级别;
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
使用诊断指标初步等级划分结果作为宫颈切片细胞的标注标签,对宫颈切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;
完成100个宫颈切片细胞的标注任务,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;
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。
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,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2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2诊断指标与异常细胞病变级别的对应关系
Yj=ωj TXj
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。
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步骤六二计算出的预测值,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。
其它步骤及参数与具体实施方式一至七之一相同。
具体实施方式九:本实施方式与具体实施方式一至八之一不同的是,所述(3)中对异常细胞进行病情级别评分,得到患者病情级别;具体过程为:
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;
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、基于宫颈切片图像,根据TBS诊断标准,获取宫颈细胞诊断指标;
本实施方式中宫颈切片图像来源于100个宫颈切片,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;
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
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:
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岁的阴性宫颈切片(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日内的阴性宫颈切片(采用液基细胞学制片方式),100张具有月经结束10日外的阴性宫颈切片(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;
其中,N10-in-CD(k)是其中一张月经结束10日内宫颈切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日内宫颈切片中细胞总个数,N10-out-CD(k)是其中一张月经结束10日外宫颈切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日外宫颈切片中细胞总个数;
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切片(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切片(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岁的宫颈切片细胞,在核质比公式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日内的宫颈切片细胞,在核质比公式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月以内的宫颈切片细胞,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,则将核质比公式的核质比权重、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,则将核质比公式的空泡/细胞质面积比权重置零;
若为念球菌感染,则将核质比公式的核质比权重置零;
若为疱疹病毒感染,则将核质比公式的核分裂度、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,则将核质比公式的核质比、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;
采用宫颈细胞切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。
其它步骤及参数与具体实施方式一至八之一相同。
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (9)
1.基于云服务的智能病理图像诊断系统,其特征在于:所述系统包括:
信息采集模块、病理切片图像预处理模块、病理切片图像智能诊断模块、初步诊断模块、报告生成模块;
所述信息采集模块用于信息录入人员在云诊断系统中依次录入患者基本信息、切片信息;
所述病理切片图像预处理模块用于获取并处理切片图像,得到切片全景图和切片瓦片图;
所述病理切片图像智能诊断模块用于对切片瓦片图进行初步诊断和标注,输出数字病理文件;
所述初步诊断模块用于根据数字病理文件,生成初步诊断意见和初步分析报告;
所述报告生成模块用于医生查看初步诊断意见和初步分析报告,进行人工复核并确诊,生成最终分析报告。
2.根据权利要求1所述基于云服务的智能病理图像诊断系统,其特征在于:所述信息采集模块用于信息录入人员在云诊断系统中依次录入患者基本信息、切片信息;具体为:
所述患者基本信息包括:患者的年龄、遗传病史、月经史、曾用治疗药物;
所述切片信息包括:切片编号、切片类型、染色方法、采样时间。
3.根据权利要求1或2所述基于云服务的智能病理图像诊断系统,其特征在于:所述病理切片图像预处理模块用于获取并处理切片图像,得到切片全景图和切片瓦片图;实现步骤如下:
(1)获取切片扫描图:切片扫描图获取来源包括:
1)由显微镜扫描客户端移动拍摄当前视野下的切片病理图像,得到切片扫描图,实时传输至云诊断系统;
2)云诊断系统支持网页上传其他扫描端扫描的不同格式的切片扫描图;
(2)将切片扫描图拼接为全景图;
使用金字塔切割方法对切片全景图进行处理,处理为M×N大小的无重合小图,记录无重合小图与全景图的位置对应关系,得到切片瓦片图;
所述M、N分别代表无重合小图的长、宽。
4.根据权利要求3所述基于云服务的智能病理图像诊断系统,其特征在于:所述病理切片图像智能诊断模块对切片瓦片图进行初步诊断和标注,输出数字病理文件;具体过程为:
(1)确定病理切片图像智能诊断模块的目标检测模型,采用目标检测模型对切片瓦片图进行检测,得到异常细胞;
(2)对异常细胞进行细胞病变程度分级,得到异常细胞的异常等级;
(3)对异常细胞进行病情级别评分,得到患者病情级别;
(4)综合异常细胞的异常等级、患者病情级别进行初步诊断和标注,得到数字病理文件。
5.根据权利要求4所述基于云服务的智能病理图像诊断系统,其特征在于:所述初步诊断模块用于根据数字病理文件,生成初步诊断意见和初步分析报告;实现步骤如下:
根据数字病理文件,得到初步诊断意见;
结合初步诊断意见、患者基本信息、切片信息,生成初步分析报告;
所述患者基本信息包括:患者的年龄、遗传病史、月经史、曾用治疗药物;
所述切片信息包括:切片编号、切片类型、染色方法、采样时间。
6.根据权利要求5所述基于云服务的智能病理图像诊断系统,其特征在于:所述报告生成模块用于医生查看初步诊断意见和初步分析报告,进行人工复核并确诊,生成最终分析报告;实现步骤如下:
医生对数字病理文件、初步分析报告进行核对,给出最终诊断结论,通过报告生成模块生成诊断报告。
7.根据权利要求6所述基于云服务的智能病理图像诊断系统,其特征在于:所述病理切片图像智能诊断模块的目标检测模型的确定过程为:
1)、选取含有异常细胞的样本作为实验样本,录入实验样本数据库;
2)、对实验样本数据库中的所有实验样本进行标注;具体为:
采用语义分割模型对实验样本数据库中的所有异常细胞进行分割;
使用深度神经网络模型对分割后细胞进行分类;
3)、实验人员核对2)中的标注结果,更正错误标注、补全遗漏标注,得到核对后的标注实验样本;
4)、将核对后的标注实验样本输入不同的目标检测模型进行训练,得到不同的训练好的目标检测模型;
计算将核对后的标注实验样本输入不同的训练好的目标检测模型的准确率、精确率、召回率、F1-Measure、loss值;
选择准确率最高的目标检测模型作为病理切片图像智能诊断模块的目标检测模型。
8.根据权利要求7所述基于云服务的智能病理图像诊断系统,其特征在于:所述(2)中对异常细胞进行细胞病变程度分级,得到异常细胞的异常等级;具体过程为:
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。
9.根据权利要求8所述基于云服务的智能病理图像诊断系统,其特征在于:所述(3)对异常细胞进行病情级别评分,得到患者病情级别;具体过程为:
细胞诊断指标获取模块,根据TBS诊断标准,获取细胞诊断指标;
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110406946.8A CN113130049A (zh) | 2021-04-15 | 2021-04-15 | 基于云服务的智能病理图像诊断系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110406946.8A CN113130049A (zh) | 2021-04-15 | 2021-04-15 | 基于云服务的智能病理图像诊断系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113130049A true CN113130049A (zh) | 2021-07-16 |
Family
ID=76776913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110406946.8A Pending CN113130049A (zh) | 2021-04-15 | 2021-04-15 | 基于云服务的智能病理图像诊断系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113130049A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114018924A (zh) * | 2021-11-23 | 2022-02-08 | 杭州智微信息科技有限公司 | 一种自动检测尿脱落细胞中异常细胞的方法 |
CN114202510A (zh) * | 2021-11-11 | 2022-03-18 | 西北大学 | 显微镜下病理切片图像智能分析系统 |
CN114638782A (zh) * | 2022-01-10 | 2022-06-17 | 武汉中纪生物科技有限公司 | 一种宫颈脱落细胞标本的检测方法 |
CN115954100A (zh) * | 2022-12-15 | 2023-04-11 | 东北林业大学 | 胃癌病理图像智能辅助诊断系统 |
CN116994721A (zh) * | 2023-08-09 | 2023-11-03 | 北京透彻未来科技有限公司 | 一种数字病理切片图的快速处理系统 |
CN117116436A (zh) * | 2023-09-11 | 2023-11-24 | 北京透彻未来科技有限公司 | 一种条目化数字病理切片诊断系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102368283A (zh) * | 2011-02-21 | 2012-03-07 | 麦克奥迪实业集团有限公司 | 一种基于数字切片的数字病理远程诊断系统及其方法 |
CN109785943A (zh) * | 2018-12-21 | 2019-05-21 | 程俊美 | 一种病理监控和诊断信息处理系统及方法 |
CN109961847A (zh) * | 2019-03-20 | 2019-07-02 | 武汉千屏影像技术有限责任公司 | 一种图片、文字和语音结合的病理智能诊断系统 |
WO2020253508A1 (zh) * | 2019-06-18 | 2020-12-24 | 平安科技(深圳)有限公司 | 异常细胞检测方法、装置及计算机可读存储介质 |
US20210090248A1 (en) * | 2019-09-19 | 2021-03-25 | Doai Inc. | Cervical cancer diagnosis method and apparatus using artificial intelligence-based medical image analysis and software program therefor |
-
2021
- 2021-04-15 CN CN202110406946.8A patent/CN113130049A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102368283A (zh) * | 2011-02-21 | 2012-03-07 | 麦克奥迪实业集团有限公司 | 一种基于数字切片的数字病理远程诊断系统及其方法 |
CN109785943A (zh) * | 2018-12-21 | 2019-05-21 | 程俊美 | 一种病理监控和诊断信息处理系统及方法 |
CN109961847A (zh) * | 2019-03-20 | 2019-07-02 | 武汉千屏影像技术有限责任公司 | 一种图片、文字和语音结合的病理智能诊断系统 |
WO2020253508A1 (zh) * | 2019-06-18 | 2020-12-24 | 平安科技(深圳)有限公司 | 异常细胞检测方法、装置及计算机可读存储介质 |
US20210090248A1 (en) * | 2019-09-19 | 2021-03-25 | Doai Inc. | Cervical cancer diagnosis method and apparatus using artificial intelligence-based medical image analysis and software program therefor |
Non-Patent Citations (1)
Title |
---|
赵晶 等: "复杂背景下的宫颈细胞核分割方法", 哈尔滨理工大学学报, vol. 24, no. 3, 30 June 2019 (2019-06-30), pages 22 - 28 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114202510A (zh) * | 2021-11-11 | 2022-03-18 | 西北大学 | 显微镜下病理切片图像智能分析系统 |
CN114202510B (zh) * | 2021-11-11 | 2024-01-19 | 西北大学 | 显微镜下病理切片图像智能分析系统 |
CN114018924A (zh) * | 2021-11-23 | 2022-02-08 | 杭州智微信息科技有限公司 | 一种自动检测尿脱落细胞中异常细胞的方法 |
CN114638782A (zh) * | 2022-01-10 | 2022-06-17 | 武汉中纪生物科技有限公司 | 一种宫颈脱落细胞标本的检测方法 |
CN114638782B (zh) * | 2022-01-10 | 2023-02-07 | 武汉中纪生物科技有限公司 | 一种宫颈脱落细胞标本的检测方法 |
CN115954100A (zh) * | 2022-12-15 | 2023-04-11 | 东北林业大学 | 胃癌病理图像智能辅助诊断系统 |
CN115954100B (zh) * | 2022-12-15 | 2023-11-03 | 东北林业大学 | 胃癌病理图像智能辅助诊断系统 |
CN116994721A (zh) * | 2023-08-09 | 2023-11-03 | 北京透彻未来科技有限公司 | 一种数字病理切片图的快速处理系统 |
CN117116436A (zh) * | 2023-09-11 | 2023-11-24 | 北京透彻未来科技有限公司 | 一种条目化数字病理切片诊断系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113130049A (zh) | 基于云服务的智能病理图像诊断系统 | |
CN109903284B (zh) | 一种her2免疫组化图像自动判别方法及系统 | |
CN109063710A (zh) | 基于多尺度特征金字塔的3d cnn鼻咽癌分割方法 | |
CN111798464A (zh) | 基于深度学习的淋巴瘤病理图像智能识别方法 | |
CN109389584A (zh) | 基于cnn的多尺度鼻咽肿瘤分割方法 | |
CN111488921A (zh) | 一种全景数字病理图像智能分析系统及方法 | |
CN112088394A (zh) | 生物组织的计算机分类 | |
Ligabue et al. | Evaluation of the classification accuracy of the kidney biopsy direct immunofluorescence through convolutional neural networks | |
Hu et al. | Classification of metaphase chromosomes using deep convolutional neural network | |
Pan et al. | Mitosis detection techniques in H&E stained breast cancer pathological images: A comprehensive review | |
JP2023544466A (ja) | Pet/ctに基づく肺腺癌扁平上皮癌診断モデルの訓練方法及び装置 | |
CN110728666A (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 | |
CN112365471A (zh) | 基于深度学习的宫颈癌细胞智能检测方法 | |
CN115205250A (zh) | 基于深度学习的病理图像病变分割方法及系统 | |
CN114972254A (zh) | 一种基于卷积神经网络的宫颈细胞图像分割方法 | |
Juhong et al. | Super-resolution and segmentation deep learning for breast cancer histopathology image analysis | |
US20040014165A1 (en) | System and automated and remote histological analysis and new drug assessment | |
CN115471701A (zh) | 基于深度学习和迁移学习的肺腺癌组织学亚型分类方法 | |
Mattie et al. | PathMaster: content-based cell image retrieval using automated feature extraction | |
Panigrahi et al. | Automated classification of oral cancer histopathology images using convolutional neural network | |
Archana et al. | Deep convolutional neural networks for multiclass cervical cell classification | |
Swiderska-Chadaj et al. | Convolutional neural networks for lymphocyte detection in immunohistochemically stained whole-slide images | |
CN113052806B (zh) | 一种癌变程度分级系统 | |
CN109979588A (zh) | 图像扫描病理切片系统 | |
CN114863425A (zh) | 基于有监督对比学习的尿红细胞的分类方法 |
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 |