CN113256634B - 基于深度学习的宫颈癌tct切片排阴方法和系统 - Google Patents
基于深度学习的宫颈癌tct切片排阴方法和系统 Download PDFInfo
- Publication number
- CN113256634B CN113256634B CN202110787267.XA CN202110787267A CN113256634B CN 113256634 B CN113256634 B CN 113256634B CN 202110787267 A CN202110787267 A CN 202110787267A CN 113256634 B CN113256634 B CN 113256634B
- Authority
- CN
- China
- Prior art keywords
- image
- detection
- probability
- target
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- 208000019065 cervical carcinoma Diseases 0.000 title claims abstract description 7
- 210000001215 vagina Anatomy 0.000 title claims description 23
- 238000001514 detection method Methods 0.000 claims abstract description 118
- 206010008342 Cervix carcinoma Diseases 0.000 claims abstract description 40
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 claims abstract description 40
- 201000010881 cervical cancer Diseases 0.000 claims abstract description 40
- 238000013145 classification model Methods 0.000 claims abstract description 25
- 238000012216 screening Methods 0.000 claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims abstract description 10
- 230000001575 pathological effect Effects 0.000 claims description 18
- 206010028980 Neoplasm Diseases 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 201000011510 cancer Diseases 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 3
- 230000007717 exclusion Effects 0.000 claims description 2
- 230000008030 elimination Effects 0.000 abstract description 7
- 238000003379 elimination reaction Methods 0.000 abstract description 7
- 238000007599 discharging Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000010827 pathological analysis Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 230000036210 malignancy Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010006187 Breast cancer Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012258 culturing Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Abstract
本发明提供了一种基于深度学习的宫颈癌TCT切片排阴方法，包括如下步骤：对宫颈癌TCT图像进行切分预处理，将目标图像分切为若干具有部分重叠区域的图像块；使用目标检测模型对每个图像块进行检测并输出该图像块下的宫颈癌阳性目标检测框和对应的检测框置信度；设置检测框置信度阈值，基于所述检测框置信度阈值筛选保留检测框置信度大于所述检测框置信度阈值的检测框；使用排阴分类模型对保留的检测框中的检出目标图像进行检测，输出所有检出目标图像的阳性概率，并计算整体平均阳性概率；设置排阴概率阈值，若所述整体平均阳性概率小于等于预设排阴概率阈值则判定所述目标图像整体为阴性，否则判定为待人工排查图像，由医生进行人工查看。
Description
技术领域
本发明涉及医学图像分析领域，特别是涉及一种基于深度学习的宫颈癌TCT切片排阴方法和系统。
背景技术
目前，宫颈癌是女性最常见的恶性肿瘤之一，在中国每年的新发病例约有13万，发病率在女性恶性肿瘤中仅次于乳腺癌。通过宫颈液基薄层细胞学检查(ThinprepCytologic Test, TCT)可达到对患者早诊断早治疗的目的，需要医生对每位病人的TCT玻片进行细胞学检查，是目前最主要的宫颈癌筛查手段。据统计，我国宫颈癌筛查人群高达3.5亿人，但目前国内注册的病理医生不到2万人，而培养一位有经验的病理医生需要花费5~10年，庞大的医生缺口导致宫颈癌筛查难以推广。
近年来，人工智能技术的蓬勃发展带动了相关医学领域的不断进步，基于深度学习的病理图像处理软件改变了传统病理诊断行业耗时费力的现状，减轻了病理医生的工作量，提高了病理诊断行业的效率和准确性。借助深度学习技术协助病理医生诊断使得解决我国当前TCT诊断面临的问题成为可能。实际实践中，通过大量宫颈癌TCT标注图像训练深度学习目标检测模型可检出图像中的宫颈癌阳性细胞。然而，目标检测模型对细胞的大小、细粒度特征特别敏感，在一些非典型病变样本检测结果中的阳性细胞中可能存在假阳性细胞，存在一定的误差，直接使用目标检测模型往往无法准确有效地对宫颈癌TCT图像进行整体判读。
发明内容
为改善上述技术现状，提出了本申请。本申请所要解决的技术问题是实现一种效率高、排除性能可靠的基于深度学习的宫颈癌TCT切片排阴方法和系统，用于TCT病理诊断场景下，辅助医生筛除阴性病例。
为了实现上述目的，本发明采用的技术方案为：
本发明第一个方面为一种基于深度学习的宫颈癌TCT切片排阴方法，包括如下步骤：
S1、对宫颈癌TCT图像进行切分预处理，将目标图像分切为若干具有部分重叠区域的图像块；
S2、使用目标检测模型对每个图像块进行检测并输出该图像块下的宫颈癌阳性目标检测框和对应的检测框置信度；
S3、设置检测框置信度阈值，基于所述检测框置信度阈值筛选保留检测框置信度大于所述检测框置信度阈值的检测框；
S4、使用排阴分类模型对保留的检测框中的检出目标图像进行检测，输出所有检出目标图像的阳性概率，并计算整体平均阳性概率；
S5、设置排阴概率阈值，若所述整体平均阳性概率小于等于预设排阴概率阈值则判断所述目标图像整体为阴性，否则判定为待人工排查图像。
进一步的，所述目标检测模型包括Yolo系列及衍生算法、Cascade R-CNN、FasterR-CNN或 RetinaNet中的一种或几种的组合，所述排阴分类模型包括ResNet34、ResNext101、ResNeXt50或EfficientNet b0~b7中的一种或几种的组合。
进一步的，步骤S1具体包括：
将待检测TCT病理图像进行分切，得到图像块集合
，其中
表示该图像集合，该集合共包含
个图像块，对于其中任意第
个图像块可表示为
，
。
进一步的，步骤S2具体包括：
使用目标检测模型
对图像块集合
中的每个图像块进行检测，得到宫颈癌阳
性目标的检测框位置集合
和检测框置信度集合
，
集合中元素
为
集合中元素
的置信度。
进一步的，步骤S3中，设置检测框置信度阈值具体包括：
选取a组已完成阳性癌细胞标注的TCT病理图像，使用所述目标检测模型进行检
测，基于检测结果结合医生的人工标注计算出每一组数据的阈值，得到阈值集合
；
然后对阈值进行统计分析，根据肖维特（Chanwennt准则），找出符合所述目标检测
模型输出阈值集合
的正态分布模型
，计算出所有阈值在该正态分布模型
中的概率
，将概率偏离模型
的均值
超过
的阈值作为离群值
去除后对阈值集合求平均，得到最终的检测框置信度阈值
；
通过筛选后的检测框集合
中所有元素均大于检
测框置信度阈值
。
进一步的，步骤S4具体包括：
建立排阴分类模型，使用所述排阴分类模型
对保留的检测框中的检出目标图像
进行检测，通过所有目标图像的RGB三颜色通道数据输出所有检出目标图像的阳性概率；
提取出检测框所包含的目标图像集合
，对所有目标图像的边
缘进行填充至统一大小；
使用排阴分类模型
得到目标图像集合中所有元素的阳性概率集合
，并对阳性概率集合
求平均，得出整体阳性概率
。
进一步的，步骤S5中设置排阴概率阈值具体包括：
使用b组数据求出多组整体阳性概率，根据Chanwennt准则，找出符合所述分类模
型输出阈值集合
的正态分布模型
，计算出所有阈值在该正态分布模型
中的概率
，将概率偏离模型
的均值
超过
的阈值作为离群值
去除后对阈值集合求平均，去除离群值后取平均值作为排阴概率阈值
。
进一步的，该方法还包括：
S6、基于检测精准度、召回率及阴性准确率对检测结果进行评价，并确定最优的目标检测模型、排阴分类模型及检测框置信度和排阴概率阈值。
进一步的，基于阴性准确率对检测结果进行评价具体包括：
使用不同目标检测模型和排阴分类模型及多组实验取得的不同检测框置信度和排阴概率阈值检测固定的TCT测试数据集，以医生标注的结果作为真值，计算检测结果中结果为阴性的玻片中真值为阴性的数量与预测为阴性的玻片数量比值，基于该比值最接近1时使用的模型及参数建立最终检测模型。
本发明的第二个方面为一种基于深度学习的宫颈癌TCT切片排阴系统，包括：
一个以上的处理器；
一个以上的显卡设备；
存储器；
以及一个或多个程序，被存储在所述的存储器中，被配置为可由所述一个或多个处理器来完成执行，并由一个或多个显卡设备进行计算，所述程序包括用于执行以下过程：
接收来自数字病理扫描仪的宫颈癌TCT图像文件；
所述系统程序中预处理模块对图像进行切分预处理，得到该图像的若干具有部分重叠区域的图像块；每个图像块经由目标检测模型程序处理输出该图像块下的检测框和对应的检测框置信度；由程序对所有图像块中的检测框进行整合，保留大于预设检测框置信度阈值的检测框；使用排阴分类模型对保留的检测框中对应检出目标图像继续处理，输出所有检出目标图像的阳性概率；求出TCT图像的整体平均阳性概率，如果不大于预设排阴概率阈值则输出TCT图像整体为阴性，否则判定为待人工排查图像。
与现有技术相比，本发明提出的方法和系统具有如下优点：
1）图像处理过程中采用重叠分割，可有效避免受图像处理所带来的识别缺陷。
2）将目标检测模型和排阴分类模型相结合，通过多阈值判断筛除机制，有效地保证了排阴过程的稳定性和可靠性。
3）在阈值设定过程中结合Chanwennt准则统计学分析，去除识别和分类过程中的离群值，使本发明的方法和系统具有更好的鲁棒性。
采用本发明的方法和系统，判定为阴性的玻片病理医生不需要再进行人工查看，使医生能够将更多注意力放在疑似阳性的患者玻片上，有效提高了医生的工作效率。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1是本发明方法实施例的流程示意图。
图2是本发明方法实施例中宫颈癌TCT病理图像分割重叠区域示意图。
图3是本发明方法实施例中预测的宫颈癌阳性细胞检测框。
图4是本发明实施例中宫颈癌TCT切片深度学习排阴系统结构示意图。
具体实施方式
为了进一步理解本发明，下面结合实施例对本发明优选实施方案进行描述，但是应当理解，这些描述只是为进一步说明本发明的特征和优点，而不是对本发明权利要求的限制。
申请概述
病理图像的长宽尺度一般多达数千至数十万个像素单位，包含的细胞量级可达到十万级以上，病理医生需要对阳性玻片图像中的细胞进行详细诊断，而实际上，约有9成的玻片均为宫颈癌阴性，耗费了医生大量的时间，如何通过深度学习方法辅助医生有效地排除阴性玻片是一个亟待解决的技术问题。通过大量宫颈癌TCT标注图像训练深度学习目标检测模型可检出图像中的宫颈癌阳性细胞。目标检测模型对细胞的大小、细粒度特征特别敏感，在一些非典型病变样本推理结果中的阳性细胞中可能存在假阳性细胞，存在一定的误差，直接使用目标检测模型往往无法准确有效地对宫颈癌TCT图像进行整体判读。
本发明的思想为使用目标检测模型、分类模型与统计方法结合，减少排阴系统的整体误差。
在介绍了本发明的基本原理之后，下面将参考附图来具体介绍本发明的各种非限制性实施例。
参考附图1，本发明示出的基于深度学习的宫颈癌TCT切片排阴方法，包括如下步骤：
S1、对宫颈癌TCT图像进行切分预处理，将目标图像分切为若干具有部分重叠区域的图像块；
S2、使用目标检测模型对每个图像块进行检测并输出该图像块下的宫颈癌阳性目标检测框和对应的检测框置信度；
S3、设置检测框置信度阈值，基于所述检测框置信度阈值筛选保留检测框置信度大于所述检测框置信度阈值的检测框；
S4、使用排阴分类模型对保留的检测框中的检出目标图像进行检测，输出所有检出目标图像的阳性概率，并计算整体平均阳性概率；
S5、设置排阴概率阈值，若所述整体平均阳性概率小于等于预设排阴概率阈值则判断所述目标图像整体为阴性，否则判定为阳性。
下面结合附图进一步介绍本发明的若干示例性方法。
数字切片扫描仪对TCT玻片标本进行40X扫描，可记录标本中所有染色细胞的特征，每个像素的分辨率可达到微米级别，一例TCT病理图像一般包含数十至上百亿个像素点，常规计算机设备难以对如此庞大的图像数据直接进行处理。对原始TCT扫描图像进行分割，相邻的分割图像之间保存部分重叠区域，避免分割处的细胞特征被破坏，降低本申请所述系统检测识别错误的可能性，如图2所示。
（1）宫颈癌阳性细胞检测
分割后的图像使用深度学习检测模型对图像中存在的宫颈癌阳性细胞位置进行推理。在一些示出实施例中，可采用Yolo系列及衍生算法、Cascade R-CNN、Faster R-CNN或RetinaNet等深度学习检测模型中的一种或几种的组合作为本发明中使用的目标检测模型，对分割后的图像块进行检测。
一种示出检测方案为：将待检测图像块RGB三个颜色通道的数据矩阵经归一化后
输入目标检测模型
，
首先在给定的图像上选择一些候选的区域，然后对这些区域提取
特征，最后对这些区域的类别进行判别，得到宫颈癌阳性目标的检测框位置集合
和检测框置信度集合
，
集合中元素
为
集合中元素
的置信度。
然后对目标检测模型
输出的检测框集合
与检测框置信度集合
进行阈
值筛选，该操作可以筛除大量置信度较低的目标，这些目标中存在一些假阳性细胞，会影响
系统的后续排阴判断。阈值的选择可结合测试数据集进行实验选取。选取n组已完成阳性癌
细胞标注的TCT病理图像，使用目标检测模型进行推理，推理结果结合医生的人工标注计算
出每一组数据的阈值，得到阈值集合
,然后对阈值进行统计分析，根据
Chanwennt准则，找出符合本模型输出阈值集合
的正态分布模型
，计算出所
有阈值在本正态分布模型
中的概率
，概率偏离模型
的均值
超过
的阈值被视为离群值，在去除掉离群值后，对阈值集合求平均，可求出较合理的检
测框置信度阈值
。通过筛选后的检测框集合
中所有元
素均大于检测框置信度阈值
，如图3所示。
（2）宫颈癌病理图像排阴
提取出检测框所包含的目标图像集合
，对所有目标图像的边
缘进行填充至统一大小，便于下一步使用排阴分类模型推理。
在一些示出实施例中，可采用ResNet34、ResNext101、ResNeXt50或EfficientNetb0~b7等模型中的一种或几种的组合作为本发明中使用的排阴分类模型。
使用分类模型
推理得出目标图像集合中所有元素的阳性概率集合
，并对概率集合
求平均，得出玻片的整体阳性概率
，进一步减小噪声数据对检测结果的影响。使用多组数据求出多组整体阳
性概率，再重复以上统计分析过程去除离群值，求出合理的整体阳性概率阈值
，所求
小于等于的
被系统判定为阴性。至此，完成了对宫颈癌TCT病理图像的排阴过程。
本发明所提出的宫颈癌排阴系统评价指标包括精准度、召回率及阴性准确率，所
述指标越接近1表示当前系统的能越优，可以根据实际应用场景对排阴率的要求使用不同
的指标进行最优方法的判别。以阴性准确率指标为例，使用不同目标检测模型和排阴分类
模型及多组实验取得的不同
和
预测固定的TCT测试数据集，以医生标注的结果作为
真值，计算系统的排阴预测结果中预测为阴性的玻片中真值为阴性的数量与预测为阴性的
玻片数量比值，该比值即阴性准确率，越接近1排阴效果就越好。
本发明所提出的方法包含深度学习检测模型、分类模型，图像处理过程中采用重叠分割，可有效避免受图像处理所带来的识别缺陷。结合Chanwennt准则统计学分析，去除识别和分类过程中的离群值可为系统带来更好的鲁棒性。
本发明的另一示出实例为基于上述的深度学习的宫颈癌TCT切片排阴方法实现的宫颈癌TCT切片排阴系统，其包括：
一个以上的处理器；
一个以上的显卡设备；
存储器；
以及一个或多个程序，被存储在所述的存储器中，被配置为可由所述一个或多个处理器来完成执行，并由一个或多个显卡设备进行计算，参考附图4，所述程序包括用于执行以下过程：
接收来自数字病理扫描仪的宫颈癌TCT图像文件；
所述系统程序中预处理模块对图像进行切分预处理，得到该图像的若干具有部分重叠区域的图像块；每个图像块经由目标检测模型程序处理输出该图像块下的检测框和对应的检测框置信度；由程序对所有图像块中的检测框进行整合，保留大于预设检测框置信度阈值的检测框；使用排阴分类模型对保留的检测框中对应检出目标图像继续处理，输出所有检出目标图像的阳性概率；求出TCT图像的整体平均阳性概率，如果不大于预设排阴概率阈值则输出TCT图像整体为阴性，否则将由医生判读该TCT图像是否为阳性。
在辅助诊断流程上，本系统实时搜索病理扫描仪在计算机中生成的TCT病理图像数据，经系统判断为阴性的玻片被直接排除，未被本系统判断为阴性的玻片则再交由病理医生进行定性分析，继续判断该玻片样本是否为宫颈癌阳性。
在本申请的方法中，各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请所述发明。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制如示例所示的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了示例和描述的目的已经给出了以上描述。此外，此描述不意图将本申请限制于在此公开的所述示例形式。尽管以上已经讨论了多个示例方面和实施例，但是所述技术对于本领域相关人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (4)
1.一种基于深度学习的宫颈癌TCT切片排阴方法，其特征在于，包括如下步骤：
S1、对宫颈癌TCT图像进行切分预处理，将目标图像分切为若干具有部分重叠区域的图像块；
S2、使用目标检测模型对每个图像块进行检测并输出该图像块下的宫颈癌阳性目标检测框和对应的检测框置信度，具体包括：
使用目标检测模型D对图像块集合X中的每个图像块进行检测，得到宫颈癌阳性目标的检测框位置集合Dbbox＝{b1,b2,…,bm}和检测框置信度集合Dc＝{c1,c1,…,cm}，Dc集合中元素ci为Dbbox集合中元素bi的置信度；
S3、设置检测框置信度阈值，基于所述检测框置信度阈值筛选保留检测框置信度大于所述检测框置信度阈值的检测框，其中，设置检测框置信度阈值具体包括：
选取a组已完成阳性癌细胞标注的TCT病理图像，使用所述目标检测模型进行检测，基于检测结果结合医生的人工标注计算出每一组数据的阈值，得到阈值集合T＝{t1,t2,…,ta}；
然后对阈值进行统计分析，找出符合所述目标检测模型输出阈值集合T的正态分布模型N1(μ1,δ1)，计算出所有阈值在该正态分布模型N1中的概率
将概率偏离模型N1的均值μ1超过
的阈值作为离群值去除后对阈值集合求平均，得到最终的检测框置信度阈值Ts；
S4、建立排阴分类模型，使用排阴分类模型对保留的检测框中的检出目标图像进行检测，输出所有检出目标图像的阳性概率，并计算整体平均阳性概率，具体包括：
提取出检测框所包含的目标图像集合I＝{i1,i2,…,ik}，对所有目标图像的边缘进行填充至统一大小；
使用排阴分类模型C得到目标图像集合中所有元素的阳性概率集合P＝{p1,p2,…,pk},pj＝C(ij)，j∈{1,2,…,k}，并对阳性概率集合P求平均，得出整体阳性概率
S5、设置排阴概率阈值，若所述整体平均阳性概率小于等于预设排阴概率阈值则判定所述目标图像整体为阴性，否则判定为待人工排查图像，其中，设置排阴概率阈值具体包括：
使用b组数据求出多组整体平均阳性概率组成整体平均阳性概率集合，找出符合所述整体平均阳性概率集合的正态分布模型N2(μ2,δ2)，计算出所有整体平均阳性概率在该正态分布模型N2中的概率
将概率偏离模型N2的均值μ2超过
的整体平均阳性概率作为离群值去除后对整体平均阳性概率集合求平均，取平均值作为排阴概率阈值pT；
S6、基于检测精准度、召回率及阴性准确率对检测结果进行评价，并确定最优的目标检测模型、排阴分类模型及检测框置信度和排阴概率阈值，具体包括：
使用不同目标检测模型和排阴分类模型及多组实验取得的不同检测框置信度和排阴概率阈值检测固定的TCT测试数据集，以医生标注的结果作为真值，计算检测结果中结果为阴性的玻片中真值为阴性的数量与预测为阴性的玻片数量比值，基于该比值最接近1时使用的模型及参数建立最终检测模型。
2.如权利要求1所述的基于深度学习的宫颈癌TCT切片排阴方法，其特征在于，所述目标检测模型包括Yolo、Cascade R-CNN、Faster R-CNN或RetinaNet，所述排阴分类模型包括ResNet34、ResNext101、ResNeXt50或EfficientNet b0～b7。
3.如权利要求1所述的基于深度学习的宫颈癌TCT切片排阴方法，其特征在于，步骤S1具体包括：
将待检测TCT病理图像进行分切，得到图像块集合X＝{x1,x2,…,xn}，其中X表示该图像集合，该集合共包含n个图像块，对于其中任意第i个图像块可表示为xi，i∈{1,2,…,n}。
4.一种基于深度学习的宫颈癌TCT切片排阴系统，其特征在于，包括：
一个以上的处理器；
一个以上的显卡设备；
存储器；
以及一个或多个程序，被存储在所述的存储器中，被配置为可由所述一个或多个处理器来完成执行，并由一个或多个显卡设备进行计算，所述程序用于执行如权利要求1-3任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110787267.XA CN113256634B (zh) | 2021-07-13 | 2021-07-13 | 基于深度学习的宫颈癌tct切片排阴方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110787267.XA CN113256634B (zh) | 2021-07-13 | 2021-07-13 | 基于深度学习的宫颈癌tct切片排阴方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113256634A CN113256634A (zh) | 2021-08-13 |
| CN113256634B true CN113256634B (zh) | 2021-11-23 |
Family
ID=77191123
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110787267.XA Active CN113256634B (zh) | 2021-07-13 | 2021-07-13 | 基于深度学习的宫颈癌tct切片排阴方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113256634B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114187277B (zh) * | 2021-12-14 | 2023-09-15 | 赛维森(广州)医疗科技服务有限公司 | 基于深度学习的甲状腺细胞学多种类型细胞的检测方法 |
| CN114445768A (zh) * | 2021-12-30 | 2022-05-06 | 深圳云天励飞技术股份有限公司 | 目标识别方法、装置、电子设备及存储介质 |
| CN115831354B (zh) * | 2022-12-16 | 2023-11-17 | 杭州医策科技有限公司 | 一种人工智能的辅助阅片方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6760468B1 (en) * | 1996-02-06 | 2004-07-06 | Deus Technologies, Llc | Method and system for the detection of lung nodule in radiological images using digital image processing and artificial neural network |
| CN107016665A (zh) * | 2017-02-16 | 2017-08-04 | 浙江大学 | 一种基于深度卷积神经网络的ct肺结节检测方法 |
| CN108010021A (zh) * | 2017-11-30 | 2018-05-08 | 上海联影医疗科技有限公司 | 一种医学图像处理系统和方法 |
| 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 |
| CN111738987A (zh) * | 2020-06-01 | 2020-10-02 | 湖南品信生物工程有限公司 | 一种多任务宫颈癌细胞自动识别方法及装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110400338B (zh) * | 2019-07-11 | 2022-02-18 | Oppo广东移动通信有限公司 | 深度图处理方法、装置和电子设备 |
| CN110827310A (zh) * | 2019-11-01 | 2020-02-21 | 北京航空航天大学 | Ct图像自动检测方法与系统 |
-
2021
- 2021-07-13 CN CN202110787267.XA patent/CN113256634B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6760468B1 (en) * | 1996-02-06 | 2004-07-06 | Deus Technologies, Llc | Method and system for the detection of lung nodule in radiological images using digital image processing and artificial neural network |
| CN107016665A (zh) * | 2017-02-16 | 2017-08-04 | 浙江大学 | 一种基于深度卷积神经网络的ct肺结节检测方法 |
| CN108010021A (zh) * | 2017-11-30 | 2018-05-08 | 上海联影医疗科技有限公司 | 一种医学图像处理系统和方法 |
| 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 |
| CN111738987A (zh) * | 2020-06-01 | 2020-10-02 | 湖南品信生物工程有限公司 | 一种多任务宫颈癌细胞自动识别方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 基于深度学习技术的乳腺健康智能检测系统在乳腺肿瘤检测中的应用;宋张骏 等;《中华乳腺病杂志》;20190228;第13卷(第1期);第37-43页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113256634A (zh) | 2021-08-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113256634B (zh) | 基于深度学习的宫颈癌tct切片排阴方法和系统 | |
| Li et al. | Deep learning based gastric cancer identification | |
| US8712142B2 (en) | Method and apparatus for analysis of histopathology images and its application to cancer diagnosis and grading | |
| Kothari et al. | Eliminating tissue-fold artifacts in histopathological whole-slide images for improved image-based prediction of cancer grade | |
| CN112435243A (zh) | 一种全切片数字病理图像的自动分析系统及方法 | |
| WO2021139258A1 (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
| US9002081B2 (en) | Computer-aided bone scan assessment with automated lesion detection and quantitative assessment of bone disease burden changes | |
| Cosatto et al. | Automated gastric cancer diagnosis on h&e-stained sections; ltraining a classifier on a large scale with multiple instance machine learning | |
| CN112184657A (zh) | 一种肺结节自动检测方法、装置及计算机系统 | |
| CN111985536A (zh) | 一种基于弱监督学习的胃镜病理图像分类方法 | |
| CN111402267B (zh) | 前列腺癌病理图像中上皮细胞核的分割方法、装置和终端 | |
| JP2013111420A (ja) | 画像処理装置、画像処理方法、及び画像処理プログラム | |
| CN112990214A (zh) | 一种医学图像特征识别预测模型 | |
| Xu et al. | Using transfer learning on whole slide images to predict tumor mutational burden in bladder cancer patients | |
| CN110766670A (zh) | 一种基于深度卷积神经网络的乳腺钼靶图像肿瘤定位算法 | |
| CN112132166A (zh) | 一种数字细胞病理图像智能分析方法、系统及装置 | |
| CN113160185A (zh) | 一种利用生成边界位置指导宫颈细胞分割的方法 | |
| US20230360208A1 (en) | Training end-to-end weakly supervised networks at the specimen (supra-image) level | |
| CN116912240B (zh) | 基于半监督学习的突变tp53免疫学检测方法 | |
| He et al. | Multiphase level set model with local K-means energy for histology image segmentation | |
| CN116468690B (zh) | 基于深度学习的浸润性非粘液性肺腺癌的亚型分析系统 | |
| Taher et al. | Identification of lung cancer based on shape and color | |
| CN112446881A (zh) | 一种病理图像分割的系统及方法 | |
| CN112767325A (zh) | 一种癌症病理图像自动检测方法及系统 | |
| US20210166076A1 (en) | System and method for analysis of microscopic image data and for generating an annotated data set for classifier training |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Deep Learning Based Method and System for Negative Screening of Cervical Cancer TCT Slices Effective date of registration: 20231103 Granted publication date: 20211123 Pledgee: The Bank of Hangzhou branch of Limited by Share Ltd. sea park Pledgor: Hangzhou Yice Technology Co.,Ltd. Registration number: Y2023980063766 |