CN113160159A - Hpv检测及病理分析系统和方法 - Google Patents
Hpv检测及病理分析系统和方法 Download PDFInfo
- Publication number
- CN113160159A CN113160159A CN202110396111.9A CN202110396111A CN113160159A CN 113160159 A CN113160159 A CN 113160159A CN 202110396111 A CN202110396111 A CN 202110396111A CN 113160159 A CN113160159 A CN 113160159A
- Authority
- CN
- China
- Prior art keywords
- hpv
- sample
- image
- module
- data
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 76
- 238000004458 analytical method Methods 0.000 title claims abstract description 39
- 230000007170 pathology Effects 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 26
- 210000004027 cell Anatomy 0.000 claims abstract description 87
- 230000001575 pathological effect Effects 0.000 claims abstract description 55
- 238000003062 neural network model Methods 0.000 claims abstract description 22
- 238000010827 pathological analysis Methods 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 210000004754 hybrid cell Anatomy 0.000 claims abstract description 8
- 238000011065 in-situ storage Methods 0.000 claims abstract description 8
- 241000701806 Human papillomavirus Species 0.000 claims description 178
- 238000013528 artificial neural network Methods 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 42
- 239000003153 chemical reaction reagent Substances 0.000 claims description 26
- 238000003384 imaging method Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 21
- 230000009466 transformation Effects 0.000 claims description 21
- 238000012163 sequencing technique Methods 0.000 claims description 20
- 238000005381 potential energy Methods 0.000 claims description 19
- 238000001914 filtration Methods 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 18
- 238000012216 screening Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 10
- 238000005352 clarification Methods 0.000 claims description 9
- 238000013519 translation Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 241000701828 Human papillomavirus type 11 Species 0.000 claims description 6
- 239000012634 fragment Substances 0.000 claims description 6
- 238000007901 in situ hybridization Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000005859 cell recognition Effects 0.000 claims 2
- 230000009286 beneficial effect Effects 0.000 description 11
- 206010008342 Cervix carcinoma Diseases 0.000 description 5
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 description 5
- 201000010881 cervical cancer Diseases 0.000 description 5
- 206010059313 Anogenital warts Diseases 0.000 description 4
- 208000009608 Papillomavirus Infections Diseases 0.000 description 4
- 230000003321 amplification Effects 0.000 description 4
- 238000003199 nucleic acid amplification method Methods 0.000 description 4
- 201000010153 skin papilloma Diseases 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 208000000907 Condylomata Acuminata Diseases 0.000 description 2
- 241000700605 Viruses Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 206010061424 Anal cancer Diseases 0.000 description 1
- 208000007860 Anus Neoplasms Diseases 0.000 description 1
- 208000000260 Warts Diseases 0.000 description 1
- 208000025009 anogenital human papillomavirus infection Diseases 0.000 description 1
- 201000004201 anogenital venereal wart Diseases 0.000 description 1
- 201000011165 anus cancer Diseases 0.000 description 1
- 201000004196 common wart Diseases 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000008508 epithelial proliferation Effects 0.000 description 1
- 210000005002 female reproductive tract Anatomy 0.000 description 1
- 210000004392 genitalia Anatomy 0.000 description 1
- 208000021145 human papilloma virus infection Diseases 0.000 description 1
- 210000004877 mucosa Anatomy 0.000 description 1
- 208000003154 papilloma Diseases 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000036555 skin type Effects 0.000 description 1
- 208000024891 symptom Diseases 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
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
Abstract
本发明提供了一种HPV检测及病理分析系统与方法，系统包括采集模块、切片模块、增强模块、特征提取模块和分析模块；所述采集模块利用显微拍摄装置对待测样本进行荧光原位杂交细胞图像采集，获取样本细胞图像；所述切片模块用于对样本细胞图像进行裁切，分成多个图像切片构成样本集；所述增强模块用于以数据增强方法扩增样本集；所述特征提取模块用于提取扩增后样本数据集的特征数据；所述分析模块设置深度神经网络模型，用于对扩增后样本数据集的特征数据进行HPV病理分析，得到HPV病理数据。本发明可能提高HPV检测与病理的准确性，降低判断的偏差率。
Description
技术领域
本发明涉及HPV检测技术领域，特别涉及一种HPV检测及病理分析系统和方法。
背景技术
HPV(人乳头瘤病毒)是一种属于乳多空病毒科的乳头瘤空泡病毒A属，是球形DNA病毒，能引起人体皮肤黏膜的鳞状上皮增殖。表现为寻常疣、生殖器疣(尖锐湿疣)等症状。随着性病中尖锐湿疣的发病率急速上升和宫颈癌、肛门癌等的增多，人乳头瘤病毒感染越来越引起人们的关注。
目前，皮肤型的HPV人群感染率非常普遍，如常见的寻常疣、趾疣、扁平疣等，无法得到具体的感染率，比较引起注意到是高危型的HPV感染和外生殖器的低危型HPV感染造成的生殖器疣和宫颈癌；女性生殖道感染HPV易引发宫颈癌，我国每年约有13.15万新发现的宫颈癌，宫颈癌发病年龄年轻化，且发病率和死亡率都有增加趋势。
HPV的早期检测与发现，有利于相关疾病的预防、诊断与治疗，但是目前HPV检测及病理分析的准确度还需要进一步提高。
发明内容
为了解决上述技术问题，本发明提供了一种HPV检测及病理分析系统，包括采集模块、切片模块、增强模块、特征提取模块和分析模块；
所述采集模块利用显微拍摄装置对待测样本进行荧光原位杂交细胞图像采集，获取样本细胞图像；
所述切片模块用于对样本细胞图像进行裁切，分成多个图像切片构成样本集；
所述增强模块用于以数据增强方法扩增样本集；
所述特征提取模块用于提取扩增后样本数据集的特征数据；
所述分析模块设置深度神经网络模型，用于对扩增后样本数据集的特征数据进行HPV病理分析，得到HPV病理数据。
可选的，所述深度神经网络模型包括抽象网络、筛选网络、池化层及分类与回归层：
所述抽象网络用于对输入的图像特征进行抽象并生成卷积特征图；
所述筛选网络用于根据卷积网络输出的卷积特征图进行筛选，推荐候选区域；
所述池化层用于对所述卷积特征图以及所述候选区域进行卷积操作，将不同大小的输入信号转换为固定长度的输出信号，得到一组低维特征向量；
所述分类与回归层用于构建一个预测病理等级的放射组学模型，以放射组学模型对低维特征向量进行放射学特征分析，得到HPV病理数据。
可选的，所述切片模块内设细胞识别子模块，所述细胞识别子模块用于在裁切前进行细胞识别，过程如下：
采用以下公式对样本细胞图像进行滤波处理：
上式中，g()表示滤波函数；μ，λ分别表示在x轴，y轴上的空间平移量；σ表示函数的包络值，
k表示中心频率与带宽之间的比例，f表示中心频率；
是正弦波的波长；θ表示复数调制部分函数的辐角；γ表示高斯函数的纵横比；i表示虚数符号；τ表示偏移度；
再采用以下公式进行中值滤波：
P(x)＝med{w(x-ε)，(ε∈W)}
上式中，P()表示中值滤波处理后的样本细胞图像；w()表示中值滤波处理前的样本细胞图像；x表示样本细胞图像坐标值；ε表示5*21的矩阵区域的滑动模板；
然后，对中值滤波后的样本细胞图像进行细胞识别；
所述切片模块根据细胞识别情况进行裁切，使得单个图像切片至少包括一个细胞的图像，且单个细胞的图像位于同一图像切片上。
可选的，所述系统还包括变换模块和明晰模块，所述变换模块与切片模块连接，所述明晰模块分别变换模块和增强模块连接；
所述变换模块用于将图像切片组成一个样本序列，采用以下公式对切片模块裁切的图像切片进行离散小波变换：
上式中，P(x)表示样本序列的离散小波变换；N表示尺度；Xw(p0,q)表示变换函数；
表示尺度函数；p0表示初始尺度因子；f(p,q)(x)表示小波基函数；p表示尺度因子；q表示平移因子；
所述明晰模块用于获取图像切片的碎片特征，采用以下公式计算图像切片的似然能量：
上式中，表示；E表示成像平面坐标集合，
α表示样品序列的帧数；δ表示高斯因子；g表示时间；t表示时刻；N表示尺度；
和
表示t时刻样品帧的特征点i在成像平面的投影；
和
表示t+1时刻样品帧的特征点i在成像平面的投影；
采用惩罚函数方法，通过以下公式得到的势能：
Q(wi,αi)＝min{||αi-αi+1||2,ε}
上式中，Q(wi,αi)表示第α帧样品的特征点i的势能；wi表示特征点i的尺度函数；i和i+1表示第α帧样品的两个相邻特征点；ε表示势能阈值，取值大于零。
可选的，还包括试剂检测模块和预测模块；当HPV病理数据反映存在HPV时，
所述试剂检测模块用于采用HPV检测试剂对待测样本进行检测，得到HPV检测数据；所述HPV检测试剂包括人乳头瘤病毒测序引物溶液，所述人乳头瘤病毒测序引物溶液中含有一种或多种人乳头瘤病毒亚型的测序引物，所述人乳头瘤病毒亚型选自：HPV10、HPV11、HPV 12、HPV 13、HPV 14、HPV 15、HPV 16、HPV 17、HPV 18、HPV 19、HPV1a、HPVme、HPV20、RTRX7、HPV21、HPV22、HPV23、HPV24、HPV25、HPV26、HPV27b、HPV27、HPV28、HPV29、HPV2a、HPV30、HPV31、HPV32、HPV33、HPV34、HPV35、HPV36、HPV37、HPV38b、HPV38、HPV39、HPV3、HPV40、HPV41、HPV42、HPV43、HPV44、HPV45、HPV47、HPV48、HPV49、HPV4、HPV50、HPV51、HPV52、HPV53、HPV54、HPV56、HPV57b、HPV57c、HPV57、HPV58、HPV59、HPV5b、HPV5、HPV60、HPV61、HPV62、HPV63、HPV65、HPV66、HPV67、HPV68a、HPV69、HPV6a、HPV6b、HPV70、HPV72、HPV73、HPV7、HPV82、HPV8、HPV94或HPV9；
所述预测模块用于结合HPV病理数据和HPV检测数据进行病理预测，得到HPV病理预测结果。
本发明还提供了一种HPV检测及病理分析方法，包括以下步骤：
S100利用显微拍摄装置对待测样本进行荧光原位杂交细胞图像采集，获取样本细胞图像；
S200对样本细胞图像进行裁切，分成多个图像切片构成样本集，以数据增强方法扩增样本集；
S300提取扩增后样本数据集的特征数据，采用深度神经网络模型对扩增后样本数据集的特征数据进行HPV病理分析，得到HPV病理数据。
可选的，在S300步骤中，所述HPV病理分析的方式如下：
对输入的图像特征进行抽象并生成卷积特征图，根据卷积特征图进行筛选，推荐候选区域；
对所述卷积特征图以及所述候选区域进行卷积操作，将不同大小的输入信号转换为固定长度的输出信号，得到一组低维特征向量；
构建一个预测病理等级的放射组学模型，以放射组学模型对低维特征向量进行放射学特征分析，得到HPV病理数据。
可选的，在S300步骤中，所述深度神经网络模型通过以下方式构建：
S310构建神经网络原始模型，在神经网络原始模型内设置源图像库和分类器输出维度为M的源神经网络，源图像库保存有标记好的源图像；
S320通过显微拍摄装置对HPV样本进行荧光原位杂交细胞图像采集，获取HPV细胞图像，将HPV细胞图像输入神经网络原始模型；
S330神经网络原始模型对源图像库中的源图像和输入的HPV细胞图像进行预处理并设置对应标签，并提取图像特征，基于源图像特征和标签构建源数据集，基于HPV细胞图像的图像特征和标签构建目标数据集；
S340用所述源数据集对所述源神经网络进行训练，通过BP神经网络算法优化模型参数，得到源训练模型；
S350基于所述源训练模型建立分类器输出维度为N的目标神经网络，用所述源训练模型的参数对所述目标神经网络初始化；
S360用所述目标数据集对所述目标神经网络进行训练，进行梯度下降优化模型参数，得到深度神经网络模型。
可选的，在S200步骤中，将图像切片组成一个样本序列，并进行以下处理：
采用以下公式进行离散小波变换：
上式中，P(x)表示样本序列的离散小波变换；N表示尺度；Xw(p0,q)表示变换函数；
表示尺度函数；p0表示初始尺度因子；f(p,q)(x)表示小波基函数；p表示尺度因子；q表示平移因子；
然后，获取图像切片的碎片特征，采用以下公式计算图像切片的似然能量：
上式中，表示；E表示成像平面坐标集合，
α表示样品序列的帧数；δ表示高斯因子；g表示时间；t表示时刻；N表示尺度；
和
表示t时刻样品帧的特征点i在成像平面的投影；
和
表示t+1时刻样品帧的特征点i在成像平面的投影；
采用惩罚函数方法，通过以下公式得到的势能：
Q(wi,αi)＝min{||αi-αi+1||2,ε}
上式中，Q(wi,αi)表示第α帧样品的特征点i的势能；wi表示特征点i的尺度函数；i和i+1表示第α帧样品的两个相邻特征点；ε表示势能阈值，取值大于零。
可选的，所述方法还包括以下步骤：
S400当HPV病理数据反映存在HPV时，采用HPV检测试剂对待测样本进行检测，得到HPV检测数据；所述HPV检测试剂包括人乳头瘤病毒测序引物溶液，所述人乳头瘤病毒测序引物溶液中含有一种或多种人乳头瘤病毒亚型的测序引物，所述人乳头瘤病毒亚型选自：HPV10、HPV 11、HPV 12、HPV 13、HPV 14、HPV 15、HPV 16、HPV 17、HPV 18、HPV 19、HPV1a、HPVme、HPV20、RTRX7、HPV21、HPV22、HPV23、HPV24、HPV25、HPV26、HPV27b、HPV27、HPV28、HPV29、HPV2a、HPV30、HPV31、HPV32、HPV33、HPV34、HPV35、HPV36、HPV37、HPV38b、HPV38、HPV39、HPV3、HPV40、HPV41、HPV42、HPV43、HPV44、HPV45、HPV47、HPV48、HPV49、HPV4、HPV50、HPV51、HPV52、HPV53、HPV54、HPV56、HPV57b、HPV57c、HPV57、HPV58、HPV59、HPV5b、HPV5、HPV60、HPV61、HPV62、HPV63、HPV65、HPV66、HPV67、HPV68a、HPV69、HPV6a、HPV6b、HPV70、HPV72、HPV73、HPV7、HPV82、HPV8、HPV94或HPV9；
S500结合HPV病理数据和HPV检测数据进行病理预测，得到HPV病理预测结果。
本发明的HPV检测及病理分析系统和方法，通过荧光原位杂交显微成像获取待测样本的样本细胞图像，进行裁切与数据增强获得扩增后的样本数据集，通过特征提取，再以深度神经网络模型对扩增后样本数据集的特征数据进行HPV病理分析，得到HPV病理数据；本发明可能提高HPV检测与病理的准确性，降低判断的偏差率。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种HPV检测及病理分析系统示意图；
图2为本发明的HPV检测及病理分析方法实施例一流程图；
图3为本发明的HPV检测及病理分析方法实施例采用的深度神经网络模型构建流程图；
图4为本发明的HPV检测及病理分析方法实施例二流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
如图1所示，本发明实施例提供了一种HPV检测及病理分析系统，包括采集模块、切片模块、增强模块、特征提取模块和分析模块；
所述采集模块利用显微拍摄装置对待测样本进行荧光原位杂交细胞图像采集，获取样本细胞图像；
所述切片模块用于对样本细胞图像进行裁切，分成多个图像切片构成样本集；
所述增强模块用于以数据增强方法扩增样本集；
所述特征提取模块用于提取扩增后样本数据集的特征数据；
所述分析模块设置深度神经网络模型，用于对扩增后样本数据集的特征数据进行HPV病理分析，得到HPV病理数据。
上述技术方案的工作原理和有益效果为：本方案通过荧光原位杂交显微成像获取待测样本的样本细胞图像，进行裁切与数据增强获得扩增后的样本数据集，通过特征提取，再以深度神经网络模型对扩增后样本数据集的特征数据进行HPV病理分析，得到HPV病理数据；本发明可能提高HPV检测与病理的准确性，降低判断的偏差率。
在一个实施例中，所述深度神经网络模型包括抽象网络、筛选网络、池化层及分类与回归层：
所述抽象网络用于对输入的图像特征进行抽象并生成卷积特征图；
所述筛选网络用于根据卷积网络输出的卷积特征图进行筛选，推荐候选区域；
所述池化层用于对所述卷积特征图以及所述候选区域进行卷积操作，将不同大小的输入信号转换为固定长度的输出信号，得到一组低维特征向量；
所述分类与回归层用于构建一个预测病理等级的放射组学模型，以放射组学模型对低维特征向量进行放射学特征分析，得到HPV病理数据。
上述技术方案的工作原理和有益效果为：本方案提供了一种可选的深度神经网络模型，该模型可以通过筛选与卷积提高数据分析的精准度；构建并采用预测病理等级的放射组学模型分析低维特征向量的放射学特征，可以得到准确的HPV病理数据。
在一个实施例中，所述切片模块内设细胞识别子模块，所述细胞识别子模块用于在裁切前进行细胞识别，过程如下：
采用以下公式对样本细胞图像进行滤波处理：
上式中，g()表示滤波函数；μ，λ分别表示在x轴，y轴上的空间平移量；σ表示函数的包络值，
k表示中心频率与带宽之间的比例，f表示中心频率；
是正弦波的波长；θ表示复数调制部分函数的辐角；γ表示高斯函数的纵横比；i表示虚数符号；τ表示偏移度；
再采用以下公式进行中值滤波：
P(x)＝med{w(x-ε)，(ε∈W)}
上式中，P()表示中值滤波处理后的样本细胞图像；w()表示中值滤波处理前的样本细胞图像；x表示样本细胞图像坐标值；ε表示5*21的矩阵区域的滑动模板；
然后，对中值滤波后的样本细胞图像进行细胞识别；
所述切片模块根据细胞识别情况进行裁切，使得单个图像切片至少包括一个细胞的图像，且单个细胞的图像位于同一图像切片上。
上述技术方案的工作原理和有益效果为：本方案通过对样本细胞图像进行滤波处理和中值滤波，然后进行细胞识别，以准确界定细胞轮廓，根据细胞轮廓进行裁切，方便在裁切保细胞的图像在某一图像切片的完整性，可以避免图像切片上的细胞不完整影响后续的分析；通过过滤提高了识别精度，防止细胞识别错误导致误判。
在一个实施例中，所述系统还包括变换模块和明晰模块，所述变换模块与切片模块连接，所述明晰模块分别变换模块和增强模块连接；
所述变换模块用于将图像切片组成一个样本序列，采用以下公式对切片模块裁切的图像切片进行离散小波变换：
上式中，P(x)表示样本序列的离散小波变换；N表示尺度；Xw(p0,q)表示变换函数；
表示尺度函数；p0表示初始尺度因子；f(p,q)(x)表示小波基函数；p表示尺度因子；q表示平移因子；
所述明晰模块用于获取图像切片的碎片特征，采用以下公式计算图像切片的似然能量：
上式中，表示；E表示成像平面坐标集合，
α表示样品序列的帧数；δ表示高斯因子；g表示时间；t表示时刻；N表示尺度；
和
表示t时刻样品帧的特征点i在成像平面的投影；
和
表示t+1时刻样品帧的特征点i在成像平面的投影；
采用惩罚函数方法，通过以下公式得到的势能：
Q(wi,αi)＝min{||αi-αi+1||2,ε}
上式中，Q(wi,αi)表示第α帧样品的特征点i的势能；wi表示特征点i的尺度函数；i和i+1表示第α帧样品的两个相邻特征点；ε表示势能阈值，取值大于零。
上述技术方案的工作原理和有益效果为：本方案通过离散小波变换，过滤干扰因素，提高图像切片质量，消除可能存在的线条重影；依据像素基团能量的原理对图像切片进行明晰处理，势能计算反映了相邻特征点的模糊变化参数的关联程度，以该关联度可增强图像切片的清晰度，可以得到高质量的图像切片，进一步增强后续分析的准确性。
在一个实施例中，还包括试剂检测模块和预测模块；当HPV病理数据反映存在HPV时，
所述试剂检测模块用于采用HPV检测试剂对待测样本进行检测，得到HPV检测数据；所述HPV检测试剂包括人乳头瘤病毒测序引物溶液，所述人乳头瘤病毒测序引物溶液中含有一种或多种人乳头瘤病毒亚型的测序引物，所述人乳头瘤病毒亚型选自：HPV10、HPV11、HPV 12、HPV 13、HPV 14、HPV 15、HPV 16、HPV 17、HPV 18、HPV 19、HPV1a、HPVme、HPV20、RTRX7、HPV21、HPV22、HPV23、HPV24、HPV25、HPV26、HPV27b、HPV27、HPV28、HPV29、HPV2a、HPV30、HPV31、HPV32、HPV33、HPV34、HPV35、HPV36、HPV37、HPV38b、HPV38、HPV39、HPV3、HPV40、HPV41、HPV42、HPV43、HPV44、HPV45、HPV47、HPV48、HPV49、HPV4、HPV50、HPV51、HPV52、HPV53、HPV54、HPV56、HPV57b、HPV57c、HPV57、HPV58、HPV59、HPV5b、HPV5、HPV60、HPV61、HPV62、HPV63、HPV65、HPV66、HPV67、HPV68a、HPV69、HPV6a、HPV6b、HPV70、HPV72、HPV73、HPV7、HPV82、HPV8、HPV94或HPV9；
所述预测模块用于结合HPV病理数据和HPV检测数据进行病理预测，得到HPV病理预测结果。
上述技术方案的工作原理和有益效果为：本方案通过设置试剂检测模块和预测模块，对于HPV病理数据反映存在HPV的待测样本，进一步以试剂检测模块对待测样本进行检测，得到HPV检测数据，一方面，减少了试剂检测模块的检测工作量，有利于控制检测成本，另一方面，以预测模块结合HPV病理数据和HPV检测数据进行病理预测，得到的HPV病理预测结果准确度更高；其中采用的HPV检测试剂中人乳头瘤病毒测序引物溶液所含的亚型数目覆盖全面，可以减少亚型漏检率。
如图2所示，本发明实施例提供了一种HPV检测及病理分析方法，包括以下步骤：
S100利用显微拍摄装置对待测样本进行荧光原位杂交细胞图像采集，获取样本细胞图像；
S200对样本细胞图像进行裁切，分成多个图像切片构成样本集，以数据增强方法扩增样本集；
S300提取扩增后样本数据集的特征数据，采用深度神经网络模型对扩增后样本数据集的特征数据进行HPV病理分析，得到HPV病理数据。
上述技术方案的工作原理和有益效果为：本方案通过荧光原位杂交显微成像获取待测样本的样本细胞图像，进行裁切与数据增强获得扩增后的样本数据集，通过特征提取，再以深度神经网络模型对扩增后样本数据集的特征数据进行HPV病理分析，得到HPV病理数据；本发明可能提高HPV检测与病理的准确性，降低判断的偏差率。
在一个实施例中，在S300步骤中，所述HPV病理分析的方式如下：
对输入的图像特征进行抽象并生成卷积特征图，根据卷积特征图进行筛选，推荐候选区域；
对所述卷积特征图以及所述候选区域进行卷积操作，将不同大小的输入信号转换为固定长度的输出信号，得到一组低维特征向量；
构建一个预测病理等级的放射组学模型，以放射组学模型对低维特征向量进行放射学特征分析，得到HPV病理数据。
上述技术方案的工作原理和有益效果为：本方案提供了一种可选的深度神经网络模型，该模型可以通过筛选与卷积提高数据分析的精准度；构建并采用预测病理等级的放射组学模型分析低维特征向量的放射学特征，可以得到准确的HPV病理数据。
在一个实施例中，如图3所示，在S300步骤中，所述深度神经网络模型通过以下方式构建：
S310构建神经网络原始模型，在神经网络原始模型内设置源图像库和分类器输出维度为M的源神经网络，源图像库保存有标记好的源图像；
S320通过显微拍摄装置对HPV样本进行荧光原位杂交细胞图像采集，获取HPV细胞图像，将HPV细胞图像输入神经网络原始模型；
S330神经网络原始模型对源图像库中的源图像和输入的HPV细胞图像进行预处理并设置对应标签，并提取图像特征，基于源图像特征和标签构建源数据集，基于HPV细胞图像的图像特征和标签构建目标数据集；
S340用所述源数据集对所述源神经网络进行训练，通过BP神经网络算法优化模型参数，得到源训练模型；
S350基于所述源训练模型建立分类器输出维度为N的目标神经网络，用所述源训练模型的参数对所述目标神经网络初始化；
S360用所述目标数据集对所述目标神经网络进行训练，进行梯度下降优化模型参数，得到深度神经网络模型。
上述技术方案的工作原理为：本方案通过显微拍摄装置对HPV样本进行荧光原位杂交细胞图像采集，获取HPV细胞图像，构建神经网络原始模型，设置源图像库和源神经网络，提取源图像特征和HPV细胞图像的图像特征，并设置对应标签，将源图像特征和标签构建源数据集，将HPV细胞图像的图像特征和标签构建目标数据集，以源数据集进行训练源神经网络，采用BP神经网络算法优化模型参数，得到源训练模型；基于源训练模型建立分类器输出维度为N的目标神经网络，以源训练模型的参数对所述目标神经网络进行初始化；再用目标数据集对所述目标神经网络进行训练，通过动态选-K更新算法进行梯度下降优化模型参数，得到读写判断模型；源数据集和所述目标数据集为多维向量集，其中，所述源数据集的向量集形式为{(Xsi，Ysi)}，其中i＝1，2，3，…，ns，ns为源图像数量，Xsi表示源图像，每个源图像有ms个特征，源神经网络输入层的神经元个数与源图像的特征个数对应；Ysi表示源图像对应的标签，对于第i个标签，设其属于第k个读写姿态，则对任意维度j，当j＝k时Ysi＝1，否则Ysi＝0；所述源数据集和所述目标数据集为多维向量集，所述目标数据集的向量集形式为{(Xvi，Yvi)}，其中i＝1，2，3，…，nv，nv为HPV细胞图像样本数量，Xvi表示HPV细胞图像样本，每个源图像有mv个特征，目标神经网络输入层的神经元个数与HPV细胞图像样本的特征个数对应；Yvi表示HPV细胞图像样本对应的标签，对于第i个标签，设其属于第k个读写姿态，则对任意维度j，当j＝k时Yvi＝1，否则Yvi＝0。
上述技术方案的有益效果为：本方案通过数据训练，在初始化过程，采用HPV细胞图像，给神经网络原始模型赋予了HPV细胞特征，采用神经网络进行深度学习和数据训练，引入了BP神经网络算法，其中进行梯度下降优化模型参数可采用动态选-K更新算法，可以神经网络原始模型进行分析的精确性。
在一个实施例中，在S200步骤中，将图像切片组成一个样本序列，并进行以下处理：
采用以下公式进行离散小波变换：
上式中，P(x)表示样本序列的离散小波变换；N表示尺度；Xw(p0,q)表示变换函数；
表示尺度函数；p0表示初始尺度因子；f(p,q)(x)表示小波基函数；p表示尺度因子；q表示平移因子；
然后，获取图像切片的碎片特征，采用以下公式计算图像切片的似然能量：
上式中，表示；E表示成像平面坐标集合，
α表示样品序列的帧数；δ表示高斯因子；g表示时间；t表示时刻；N表示尺度；
和
表示t时刻样品帧的特征点i在成像平面的投影；
和
表示t+1时刻样品帧的特征点i在成像平面的投影；
采用惩罚函数方法，通过以下公式得到的势能：
Q(wi,αi)＝min{||αi-αi+1||2,ε}
上式中，Q(wi,αi)表示第α帧样品的特征点i的势能；wi表示特征点i的尺度函数；i和i+1表示第α帧样品的两个相邻特征点；ε表示势能阈值，取值大于零。
上述技术方案的工作原理和有益效果为：本方案通过离散小波变换，过滤干扰因素，提高图像切片质量，消除可能存在的线条重影；依据像素基团能量的原理对图像切片进行明晰处理，势能计算反映了相邻特征点的模糊变化参数的关联程度，以该关联度可增强图像切片的清晰度，可以得到高质量的图像切片，进一步增强后续分析的准确性。
在一个实施例中，如图4所示，所述方法还包括以下步骤：
S400当HPV病理数据反映存在HPV时，采用HPV检测试剂对待测样本进行检测，得到HPV检测数据；所述HPV检测试剂包括人乳头瘤病毒测序引物溶液，所述人乳头瘤病毒测序引物溶液中含有一种或多种人乳头瘤病毒亚型的测序引物，所述人乳头瘤病毒亚型选自：HPV10、HPV 11、HPV 12、HPV 13、HPV 14、HPV 15、HPV 16、HPV 17、HPV 18、HPV 19、HPV1a、HPVme、HPV20、RTRX7、HPV21、HPV22、HPV23、HPV24、HPV25、HPV26、HPV27b、HPV27、HPV28、HPV29、HPV2a、HPV30、HPV31、HPV32、HPV33、HPV34、HPV35、HPV36、HPV37、HPV38b、HPV38、HPV39、HPV3、HPV40、HPV41、HPV42、HPV43、HPV44、HPV45、HPV47、HPV48、HPV49、HPV4、HPV50、HPV51、HPV52、HPV53、HPV54、HPV56、HPV57b、HPV57c、HPV57、HPV58、HPV59、HPV5b、HPV5、HPV60、HPV61、HPV62、HPV63、HPV65、HPV66、HPV67、HPV68a、HPV69、HPV6a、HPV6b、HPV70、HPV72、HPV73、HPV7、HPV82、HPV8、HPV94或HPV9；
S500结合HPV病理数据和HPV检测数据进行病理预测，得到HPV病理预测结果。
上述技术方案的工作原理和有益效果为：本方案通过设置试剂检测模块和预测模块，对于HPV病理数据反映存在HPV的待测样本，进一步以试剂检测模块对待测样本进行检测，得到HPV检测数据，一方面，减少了试剂检测模块的检测工作量，有利于控制检测成本，另一方面，以预测模块结合HPV病理数据和HPV检测数据进行病理预测，得到的HPV病理预测结果准确度更高；其中采用的HPV检测试剂中人乳头瘤病毒测序引物溶液所含的亚型数目覆盖全面，可以减少亚型漏检率。
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 (10)
1.一种HPV检测及病理分析系统，其特征在于，包括采集模块、切片模块、增强模块、特征提取模块和分析模块；
所述采集模块利用显微拍摄装置对待测样本进行荧光原位杂交细胞图像采集，获取样本细胞图像；
所述切片模块用于对样本细胞图像进行裁切，分成多个图像切片构成样本集；
所述增强模块用于以数据增强方法扩增样本集；
所述特征提取模块用于提取扩增后样本数据集的特征数据；
所述分析模块设置深度神经网络模型，用于对扩增后样本数据集的特征数据进行HPV病理分析，得到HPV病理数据。
2.根据权利要求1所述的HPV检测及病理分析系统，其特征在于，所述深度神经网络模型包括抽象网络、筛选网络、池化层及分类与回归层：
所述抽象网络用于对输入的图像特征进行抽象并生成卷积特征图；
所述筛选网络用于根据卷积网络输出的卷积特征图进行筛选，推荐候选区域；
所述池化层用于对所述卷积特征图以及所述候选区域进行卷积操作，将不同大小的输入信号转换为固定长度的输出信号，得到一组低维特征向量；
所述分类与回归层用于构建一个预测病理等级的放射组学模型，以放射组学模型对低维特征向量进行放射学特征分析，得到HPV病理数据。
3.根据权利要求1所述的HPV检测及病理分析系统，其特征在于，所述切片模块内设细胞识别子模块，所述细胞识别子模块用于在裁切前进行细胞识别，过程如下：
采用以下公式对样本细胞图像进行滤波处理：
上式中，g()表示滤波函数；μ，λ分别表示在x轴，y轴上的空间平移量；σ表示函数的包络值，
k表示中心频率与带宽之间的比例，f表示中心频率；
是正弦波的波长；θ表示复数调制部分函数的辐角；γ表示高斯函数的纵横比；i表示虚数符号；τ表示偏移度；
再采用以下公式进行中值滤波：
P(x)＝med{w(x-ε)，(ε∈W)}
上式中，P()表示中值滤波处理后的样本细胞图像；w()表示中值滤波处理前的样本细胞图像；x表示样本细胞图像坐标值；ε表示5*21的矩阵区域的滑动模板；
然后，对中值滤波后的样本细胞图像进行细胞识别；
所述切片模块根据细胞识别情况进行裁切，使得单个图像切片至少包括一个细胞的图像，且单个细胞的图像位于同一图像切片上。
4.根据权利要求1所述的HPV检测及病理分析系统，其特征在于，所述系统还包括变换模块和明晰模块，所述变换模块与切片模块连接，所述明晰模块分别变换模块和增强模块连接；
所述变换模块用于将图像切片组成一个样本序列，采用以下公式对切片模块裁切的图像切片进行离散小波变换：
上式中，P(x)表示样本序列的离散小波变换；N表示尺度；Xw(p0,q)表示变换函数；
表示尺度函数；p0表示初始尺度因子；f(p,q)(x)表示小波基函数；p表示尺度因子；q表示平移因子；
所述明晰模块用于获取图像切片的碎片特征，采用以下公式计算图像切片的似然能量：
上式中，表示；E表示成像平面坐标集合，
α表示样品序列的帧数；δ表示高斯因子；g表示时间；t表示时刻；N表示尺度；
和
表示t时刻样品帧的特征点i在成像平面的投影；
和
表示t+1时刻样品帧的特征点i在成像平面的投影；
采用惩罚函数方法，通过以下公式得到的势能：
Q(wi,αi)＝min{||αi-αi+1||2,ε}
上式中，Q(wi,αi)表示第α帧样品的特征点i的势能；wi表示特征点i的尺度函数；i和i+1表示第α帧样品的两个相邻特征点；ε表示势能阈值，取值大于零。
5.根据权利要求1所述的HPV检测及病理分析系统，其特征在于，还包括试剂检测模块和预测模块；当HPV病理数据反映存在HPV时，
所述试剂检测模块用于采用HPV检测试剂对待测样本进行检测，得到HPV检测数据；所述HPV检测试剂包括人乳头瘤病毒测序引物溶液，所述人乳头瘤病毒测序引物溶液中含有一种或多种人乳头瘤病毒亚型的测序引物，所述人乳头瘤病毒亚型选自：HPV10、HPV 11、HPV 12、HPV 13、HPV 14、HPV 15、HPV 16、HPV 17、HPV 18、HPV 19、HPV1a、HPVme、HPV20、RTRX7、HPV21、HPV22、HPV23、HPV24、HPV25、HPV26、HPV27b、HPV27、HPV28、HPV29、HPV2a、HPV30、HPV31、HPV32、HPV33、HPV34、HPV35、HPV36、HPV37、HPV38b、HPV38、HPV39、HPV3、HPV40、HPV41、HPV42、HPV43、HPV44、HPV45、HPV47、HPV48、HPV49、HPV4、HPV50、HPV51、HPV52、HPV53、HPV54、HPV56、HPV57b、HPV57c、HPV57、HPV58、HPV59、HPV5b、HPV5、HPV60、HPV61、HPV62、HPV63、HPV65、HPV66、HPV67、HPV68a、HPV69、HPV6a、HPV6b、HPV70、HPV72、HPV73、HPV7、HPV82、HPV8、HPV94或HPV9；
所述预测模块用于结合HPV病理数据和HPV检测数据进行病理预测，得到HPV病理预测结果。
6.一种HPV检测及病理分析方法，其特征在于，包括以下步骤：
S100利用显微拍摄装置对待测样本进行荧光原位杂交细胞图像采集，获取样本细胞图像；
S200对样本细胞图像进行裁切，分成多个图像切片构成样本集，以数据增强方法扩增样本集；
S300提取扩增后样本数据集的特征数据，采用深度神经网络模型对扩增后样本数据集的特征数据进行HPV病理分析，得到HPV病理数据。
7.根据权利要求6所述的HPV检测及病理分析方法，其特征在于，在S300步骤中，所述HPV病理分析的方式如下：
对输入的图像特征进行抽象并生成卷积特征图，根据卷积特征图进行筛选，推荐候选区域；
对所述卷积特征图以及所述候选区域进行卷积操作，将不同大小的输入信号转换为固定长度的输出信号，得到一组低维特征向量；
构建一个预测病理等级的放射组学模型，以放射组学模型对低维特征向量进行放射学特征分析，得到HPV病理数据。
8.根据权利要求6所述的HPV检测及病理分析方法，其特征在于，在S300步骤中，所述深度神经网络模型通过以下方式构建：
S310构建神经网络原始模型，在神经网络原始模型内设置源图像库和分类器输出维度为M的源神经网络，源图像库保存有标记好的源图像；
S320通过显微拍摄装置对HPV样本进行荧光原位杂交细胞图像采集，获取HPV细胞图像，将HPV细胞图像输入神经网络原始模型；
S330神经网络原始模型对源图像库中的源图像和输入的HPV细胞图像进行预处理并设置对应标签，并提取图像特征，基于源图像特征和标签构建源数据集，基于HPV细胞图像的图像特征和标签构建目标数据集；
S340用所述源数据集对所述源神经网络进行训练，通过BP神经网络算法优化模型参数，得到源训练模型；
S350基于所述源训练模型建立分类器输出维度为N的目标神经网络，用所述源训练模型的参数对所述目标神经网络初始化；
S360用所述目标数据集对所述目标神经网络进行训练，进行梯度下降优化模型参数，得到深度神经网络模型。
9.根据权利要求6所述的HPV检测及病理分析方法，其特征在于，在S200步骤中，将图像切片组成一个样本序列，并进行以下处理：
采用以下公式进行离散小波变换：
上式中，P(x)表示样本序列的离散小波变换；N表示尺度；Xw(p0,q)表示变换函数；
表示尺度函数；p0表示初始尺度因子；f(p,q)(x)表示小波基函数；p表示尺度因子；q表示平移因子；
然后，获取图像切片的碎片特征，采用以下公式计算图像切片的似然能量：
上式中，表示；E表示成像平面坐标集合，
α表示样品序列的帧数；δ表示高斯因子；g表示时间；t表示时刻；N表示尺度；
和
表示t时刻样品帧的特征点i在成像平面的投影；
和
表示t+1时刻样品帧的特征点i在成像平面的投影；
采用惩罚函数方法，通过以下公式得到的势能：
Q(wi,αi)＝min{||αi-αi+1||2,ε}
上式中，Q(wi,αi)表示第α帧样品的特征点i的势能；wi表示特征点i的尺度函数；i和i+1表示第α帧样品的两个相邻特征点；ε表示势能阈值，取值大于零。
10.根据权利要求6所述的HPV检测及病理分析方法，其特征在于，所述方法还包括以下步骤：
S400当HPV病理数据反映存在HPV时，采用HPV检测试剂对待测样本进行检测，得到HPV检测数据；所述HPV检测试剂包括人乳头瘤病毒测序引物溶液，所述人乳头瘤病毒测序引物溶液中含有一种或多种人乳头瘤病毒亚型的测序引物，所述人乳头瘤病毒亚型选自：HPV10、HPV 11、HPV 12、HPV 13、HPV 14、HPV 15、HPV 16、HPV 17、HPV 18、HPV 19、HPV1a、HPVme、HPV20、RTRX7、HPV21、HPV22、HPV23、HPV24、HPV25、HPV26、HPV27b、HPV27、HPV28、HPV29、HPV2a、HPV30、HPV31、HPV32、HPV33、HPV34、HPV35、HPV36、HPV37、HPV38b、HPV38、HPV39、HPV3、HPV40、HPV41、HPV42、HPV43、HPV44、HPV45、HPV47、HPV48、HPV49、HPV4、HPV50、HPV51、HPV52、HPV53、HPV54、HPV56、HPV57b、HPV57c、HPV57、HPV58、HPV59、HPV5b、HPV5、HPV60、HPV61、HPV62、HPV63、HPV65、HPV66、HPV67、HPV68a、HPV69、HPV6a、HPV6b、HPV70、HPV72、HPV73、HPV7、HPV82、HPV8、HPV94或HPV9；
S500结合HPV病理数据和HPV检测数据进行病理预测，得到HPV病理预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110396111.9A CN113160159A (zh) | 2021-04-13 | 2021-04-13 | Hpv检测及病理分析系统和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110396111.9A CN113160159A (zh) | 2021-04-13 | 2021-04-13 | Hpv检测及病理分析系统和方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113160159A true CN113160159A (zh) | 2021-07-23 |
Family
ID=76890243
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110396111.9A Pending CN113160159A (zh) | 2021-04-13 | 2021-04-13 | Hpv检测及病理分析系统和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113160159A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101864493A (zh) * | 2009-04-17 | 2010-10-20 | 上海生物信息技术研究中心 | 检测人乳头瘤病毒的检测试剂盒及其制备和使用 |
| CN105931226A (zh) * | 2016-04-14 | 2016-09-07 | 南京信息工程大学 | 基于深度学习的自适应椭圆拟合细胞自动检测分割方法 |
| CN107589446A (zh) * | 2016-07-06 | 2018-01-16 | 中国石油化工股份有限公司 | 利用高斯束计算波路径的层析成像速度建模方法 |
| CN108182427A (zh) * | 2018-01-30 | 2018-06-19 | 电子科技大学 | 一种基于深度学习模型和迁移学习的人脸识别方法 |
| CN108395986A (zh) * | 2018-03-23 | 2018-08-14 | 余晖 | 基于深度学习的人类乳头状瘤病毒自动分型检测装置 |
| CN110705583A (zh) * | 2019-08-15 | 2020-01-17 | 平安科技（深圳）有限公司 | 细胞检测模型训练方法、装置、计算机设备及存储介质 |
| CN111145058A (zh) * | 2019-12-27 | 2020-05-12 | 吉林省点创科技有限公司 | 一种基于人工智能的教学行为分析系统及分析方法 |
| CN111292304A (zh) * | 2020-01-22 | 2020-06-16 | 青岛大学附属医院 | 一种基于深度神经网络的胰腺肿瘤病理自动诊断系统 |
-
2021
- 2021-04-13 CN CN202110396111.9A patent/CN113160159A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101864493A (zh) * | 2009-04-17 | 2010-10-20 | 上海生物信息技术研究中心 | 检测人乳头瘤病毒的检测试剂盒及其制备和使用 |
| CN105931226A (zh) * | 2016-04-14 | 2016-09-07 | 南京信息工程大学 | 基于深度学习的自适应椭圆拟合细胞自动检测分割方法 |
| CN107589446A (zh) * | 2016-07-06 | 2018-01-16 | 中国石油化工股份有限公司 | 利用高斯束计算波路径的层析成像速度建模方法 |
| CN108182427A (zh) * | 2018-01-30 | 2018-06-19 | 电子科技大学 | 一种基于深度学习模型和迁移学习的人脸识别方法 |
| CN108395986A (zh) * | 2018-03-23 | 2018-08-14 | 余晖 | 基于深度学习的人类乳头状瘤病毒自动分型检测装置 |
| CN110705583A (zh) * | 2019-08-15 | 2020-01-17 | 平安科技（深圳）有限公司 | 细胞检测模型训练方法、装置、计算机设备及存储介质 |
| CN111145058A (zh) * | 2019-12-27 | 2020-05-12 | 吉林省点创科技有限公司 | 一种基于人工智能的教学行为分析系统及分析方法 |
| CN111292304A (zh) * | 2020-01-22 | 2020-06-16 | 青岛大学附属医院 | 一种基于深度神经网络的胰腺肿瘤病理自动诊断系统 |
Non-Patent Citations (3)
| Title |
|---|
| 孙大雷: "基于像素小基团增强的网络课件图像清晰化算法", 《科技通报》 * |
| 王明强等: "《数字图像处理与识别技术研究》" * |
| 蒋先刚: "《数字图像模式识别工程项目研究》", 31 March 2014 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230419696A1 (en) | Image analysis method, apparatus, program, and learned deep learning algorithm | |
| CN110021425B (zh) | 一种比较检测器及其构建方法与宫颈癌细胞检测方法 | |
| WO2021062904A1 (zh) | 基于病理图像的tmb分类方法、系统及tmb分析装置 | |
| JP2021520959A (ja) | 生体組織のコンピュータ分類 | |
| Habibzadeh et al. | Comparative study of shape, intensity and texture features and support vector machine for white blood cell classification | |
| CN112132166B (zh) | 一种数字细胞病理图像智能分析方法、系统及装置 | |
| JP7422235B2 (ja) | 腫瘍検出および分析を支援するための非腫瘍セグメンテーション | |
| CN108734108B (zh) | 一种基于ssd网络的裂纹舌识别方法 | |
| CN110111895A (zh) | 一种鼻咽癌远端转移预测模型的建立方法 | |
| CN113378791B (zh) | 基于双注意力机制和多尺度特征融合的宫颈细胞分类方法 | |
| CN113724842B (zh) | 一种基于注意力机制的宫颈组织病理辅助诊断方法 | |
| CN113066093A (zh) | 一种基于子宫内膜超声图像的自动分割分型及厚度测量方法 | |
| Sornapudi et al. | Deepcin: Attention-based cervical histology image classification with sequential feature modeling for pathologist-level accuracy | |
| CN113450305A (zh) | 医疗图像的处理方法、系统、设备及可读存储介质 | |
| CN112017208A (zh) | 一种基于深度学习的多细胞球识别与分类方法 | |
| CN117036288A (zh) | 一种面向全切片病理图像的肿瘤亚型诊断方法 | |
| CN116664932A (zh) | 一种基于主动学习的结直肠癌病理组织图像分类方法 | |
| CN113160159A (zh) | Hpv检测及病理分析系统和方法 | |
| Mulmule et al. | Classification of overlapping cells in microscopic cervical images: a transfer learning approach | |
| CN113178228B (zh) | 基于细胞核dna分析的细胞分析方法、计算机设备、存储介质 | |
| CN114782948A (zh) | 一种对宫颈液基细胞学涂片的全局判读方法及系统 | |
| CN109948706B (zh) | 结合深度学习与特征多尺度融合的微钙化簇检测方法 | |
| Wei et al. | A study of image processing on identifying cucumber disease | |
| CN116758068B (zh) | 一种基于人工智能的骨髓图片细胞形态分析方法 | |
| CN117496276B (zh) | 肺癌细胞形态学分析、识别方法及计算机可读存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210723 |