CN113870222A - Dna染色和伊红染色的对比分析方法及系统 - Google Patents
Dna染色和伊红染色的对比分析方法及系统 Download PDFInfo
- Publication number
- CN113870222A CN113870222A CN202111142059.0A CN202111142059A CN113870222A CN 113870222 A CN113870222 A CN 113870222A CN 202111142059 A CN202111142059 A CN 202111142059A CN 113870222 A CN113870222 A CN 113870222A
- Authority
- CN
- China
- Prior art keywords
- cell nucleus
- dna
- staining
- model
- nuclei
- 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
- 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
- G06F18/21—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
Abstract
本发明揭示了一种DNA染色和伊红染色的对比分析方法及系统,所述对比分析方法包括:通过玻片加载器将DNA染色玻片放到光学扫描仪中,通过控制器生成数字图像,将图像传输到服务器;通过第一人工智能算法将数字图片进行分割,并将数字图片中的细胞核分类为上皮细胞核、中性粒细胞核、淋巴细胞核;识别出DNA指数大于设定阈值的上皮细胞核,并保存该上皮细胞核在整个玻片的位置;将玻片再次进行DNA伊红染色,再次对该玻片进行扫描,将细胞核的胞质通过染色剂显现出来;将DNA指数大于设定阈值的上皮细胞核从该整个图片中裁剪出来;通过服务器中的第二人工智能算法将裁剪出来的上皮细胞核进行再定验证,确定是否为上皮细胞核。本发明可提高分析的正确率。
Description
技术领域
本发明属于人工智能技术领域,涉及一种染色分析方法,尤其涉及一种DNA染色和伊红染色的对比分析方法及系统。
背景技术
目前传统的诊断是通过染色制成玻片后,由检验科专家通过显微镜来逐个视野观看。由于片子视野范围比较大,细胞核数量众多,这需要专家很长时间才能确定好一个病理玻片的诊断,而且很有可能由于视觉疲劳导致遗漏可能的癌细胞。
除此之外,由于每个检验医师都有自己的主观判断容易导致同一张片子不同的医生检查,会有不用的结果。
有鉴于此,如今迫切需要设计一种新的染色玻片对比分析方式,以便克服现有染色玻片对比分析方式存在的上述至少部分缺陷。
发明内容
本发明提供一种DNA染色和伊红染色的对比分析方法及系统,可提高分析的正确率。
为解决上述技术问题,根据本发明的一个方面,采用如下技术方案:
一种DNA染色和伊红染色的对比分析方法,所述对比分析方法包括:
步骤S1、通过玻片加载器将DNA染色玻片放到光学扫描仪中,通过控制器生成数字图像,将图像传输到服务器;
步骤S2、通过第一人工智能算法将数字图片进行分割,并将数字图片中的细胞核分类为上皮细胞核、中性粒细胞核、淋巴细胞核;识别出DNA指数大于设定阈值的上皮细胞核,并保存该上皮细胞核在整个玻片的位置;
步骤S3、将玻片再次进行DNA伊红染色,再次对该玻片进行扫描,将细胞核的胞质通过染色剂显现出来;将DNA指数大于设定阈值的上皮细胞核从该整个图片中裁剪出来;
步骤S4、通过服务器中的第二人工智能算法将步骤S3中裁剪出来的上皮细胞核进行再定验证,确定是否为上皮细胞核。
作为本发明的一种实施方式,所述第一人工智能算法包括利用DNA染色细胞核识别模型对DNA染色细胞核进行识别;
所述对比分析方法进一步包括:
DNA染色细胞核识别模型构建步骤,包括:将获得的DNA染色数字图片进行色域转换,从而定位细胞核的位置;根据细胞核位置,将单个的细胞核从整张DNA染色图中裁剪下来,并进行分类,分为中性粒细胞核、淋巴细胞核、上皮细胞核或杂质;生成足够多的数据量,建立数据集;将数据集按照设定比例分为训练集及测试集;构建DNA染色细胞核识别模型;
DNA染色细胞核识别模型训练步骤,包括:在DNA染色细胞核识别模型的训练过程中,采用小批量随机梯度下降法来迭代模型的参数,损失函数模型采用交叉熵损失函数;训练结束后,测试集效果最好的模型作为深度学习算法最优模型。
作为本发明的一种实施方式,所述第二人工智能算法包括利用伊红染色细胞核识别模型对伊红染色细胞核进行识别;
所述对比分析方法进一步包括:
伊红染色细胞核识别模型构建步骤,包括:将获得的伊红染色数字图片进行色域转换,从而定位细胞核的位置;根据细胞核位置,将单个的细胞核从整张伊红染色图中裁剪下来,并进行分类,分为非上皮细胞或上皮细胞;生成足够多的数据量,建立数据集;将数据集按照设定比例分为训练集及测试集;构建伊红染色细胞核识别模型;
伊红染色细胞核识别模型训练步骤:在伊红染色细胞核识别模型的训练过程中,采用小批量随机梯度下降法来迭代模型的参数,损失函数模型采用交叉熵损失函数;训练结束后,测试集效果最好的模型作为深度学习算法最优模型。
作为本发明的一种实施方式,所述对比分析方法进一步包括步骤S5、将最终确认的DNA指数大于设定阈值的上皮细胞按照数值大小依次排列,通过客户端进行展示。
作为本发明的一种实施方式,步骤S1中,通过玻片加载器将DNA染色玻片放到40倍光学扫描仪中。
作为本发明的一种实施方式,所述设定阈值为2。
根据本发明的另一个方面,采用如下技术方案:一种DNA染色和伊红染色的对比分析系统,所述对比分析系统包括:
第一扫描模块,用以扫描DNA染色玻片,生成数字图像;
图片分割模块,用以将数字图片进行分割;
细胞核分类模块,用以将数字图片中的细胞核分类为上皮细胞核、中性粒细胞核、淋巴细胞核;
上皮细胞核识别模块,用以通过第一人工智能算法识别出DNA指数大于设定阈值的上皮细胞核,并保存该上皮细胞核在整个玻片的位置;
第二扫描模块,用以将经DNA伊红染色的玻片进行扫描,将细胞核的胞质通过染色剂显现出来;
图片裁剪模块,用以将DNA指数大于设定阈值的上皮细胞核从该整个图片中裁剪出来;
上皮细胞核验证模块,用以通过第二人工智能算法将所述图片裁剪模块裁剪出来的上皮细胞核进行再定验证,确定是否为上皮细胞核。
作为本发明的一种实施方式,所述第一人工智能算法包括利用DNA染色细胞核识别模型对DNA染色细胞核进行识别;
所述对比分析系统进一步包括:
DNA染色细胞核识别模型构建模块,用以将获得的DNA染色数字图片进行色域转换,从而定位细胞核的位置;根据细胞核位置,将单个的细胞核从整张DNA染色图中裁剪下来,并进行分类,分为中性粒细胞核、淋巴细胞核、上皮细胞核或杂质;生成足够多的数据量,建立数据集;将数据集按照设定比例分为训练集及测试集;构建DNA染色细胞核识别模型;
DNA染色细胞核识别模型训练模块,用以在DNA染色细胞核识别模型的训练过程中,采用小批量随机梯度下降法来迭代模型的参数,损失函数模型采用交叉熵损失函数;训练结束后,测试集效果最好的模型作为深度学习算法最优模型。
作为本发明的一种实施方式,所述第二人工智能算法包括利用伊红染色细胞核识别模型对伊红染色细胞核进行识别;
所述对比分析系统进一步包括:
伊红染色细胞核识别模型构建模块,用以将获得的伊红染色数字图片进行色域转换,从而定位细胞核的位置;根据细胞核位置,将单个的细胞核从整张伊红染色图中裁剪下来,并进行分类,分为非上皮细胞或上皮细胞;生成足够多的数据量,建立数据集;将数据集按照设定比例分为训练集及测试集;构建伊红染色细胞核识别模型;
伊红染色细胞核识别模型训练模块,用以在伊红染色细胞核识别模型的训练过程中,采用小批量随机梯度下降法来迭代模型的参数,损失函数模型采用交叉熵损失函数;训练结束后,测试集效果最好的模型作为深度学习算法最优模型。
作为本发明的一种实施方式,所述对比分析系统进一步包括:数据展示模块,用以将最终确认的DNA指数大于设定阈值的上皮细胞按照数值大小依次排列,通过客户端进行展示。
作为本发明的一种实施方式,所述第一扫描模块包括40倍光学扫描仪。
作为本发明的一种实施方式,所述对比分析系统进一步包括:玻片加载器,用以将DNA染色玻片放到40倍光学扫描仪中。
作为本发明的一种实施方式,所述设定阈值为2。
本发明的有益效果在于:本发明提出的DNA染色和伊红染色的对比分析方法及系统,可提高分析的正确率。
附图说明
图1为本发明DNA染色和伊红染色的对比分析方法的流程图。
图2为本发明DNA染色和伊红染色的对比分析系统的组成示意图。
图3为本发明DNA染色和伊红染色的对比分析系统的组成示意图。
具体实施方式
下面结合附图详细说明本发明的优选实施例。
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。
该部分的描述只针对几个典型的实施例,本发明并不仅局限于实施例描述的范围。相同或相近的现有技术手段与实施例中的一些技术特征进行相互替换也在本发明描述和保护的范围内。
说明书中各个实施例中的步骤的表述只是为了方便说明,本申请的实现方式不受步骤实现的顺序限制。说明书中的“连接”既包含直接连接,也包含间接连接。
本发明揭示了一种DNA染色和伊红染色的对比分析方法,图1为本发明DNA染色和伊红染色的对比分析方法的流程图;请参阅图1,所述对比分析方法包括:
步骤S1、通过玻片加载器将DNA染色玻片放到光学扫描仪中,通过控制器生成数字图像,将图像传输到服务器;在本发明的一实施例中,通过玻片加载器将DNA染色玻片放到40倍光学扫描仪中。
步骤S2、通过第一人工智能算法将数字图片进行分割,并将数字图片中的细胞核分类为上皮细胞核、中性粒细胞核、淋巴细胞核;识别出DNA指数大于设定阈值的上皮细胞核,并保存该上皮细胞核在整个玻片的位置。在本发明的一实施例中,所述设定阈值为2。
在本发明的一实施例中,所述第一人工智能算法包括利用DNA染色细胞核识别模型对DNA染色细胞核进行识别。
所述对比分析方法进一步包括:
DNA染色细胞核识别模型构建步骤,包括:将获得的DNA染色数字图片进行色域转换,从而定位细胞核的位置;根据细胞核位置,将单个的细胞核从整张DNA染色图中裁剪下来,并进行分类,分为中性粒细胞核、淋巴细胞核、上皮细胞核或杂质;生成足够多的数据量,建立数据集;将数据集按照设定比例分为训练集及测试集;构建DNA染色细胞核识别模型;
DNA染色细胞核识别模型训练步骤,包括:在DNA染色细胞核识别模型的训练过程中,采用小批量随机梯度下降法来迭代模型的参数,损失函数模型采用交叉熵损失函数;训练结束后,测试集效果最好的模型作为深度学习算法最优模型。
步骤S3、将玻片再次进行DNA伊红染色,再次对该玻片进行扫描,将细胞核的胞质通过染色剂显现出来;将DNA指数大于设定阈值的上皮细胞核从该整个图片中裁剪出来;
步骤S4、通过服务器中的第二人工智能算法将步骤S3中裁剪出来的上皮细胞核进行再定验证,确定是否为上皮细胞核。
在本发明的一实施例中,所述第二人工智能算法包括利用伊红染色细胞核识别模型对伊红染色细胞核进行识别。
所述对比分析方法进一步包括:
伊红染色细胞核识别模型构建步骤,包括:将获得的伊红染色数字图片进行色域转换,从而定位细胞核的位置;根据细胞核位置,将单个的细胞核从整张伊红染色图中裁剪下来,并进行分类,分为非上皮细胞或上皮细胞;生成足够多的数据量,建立数据集;将数据集按照设定比例分为训练集及测试集;构建伊红染色细胞核识别模型;
伊红染色细胞核识别模型训练步骤:在伊红染色细胞核识别模型的训练过程中,采用小批量随机梯度下降法来迭代模型的参数,损失函数模型采用交叉熵损失函数;训练结束后,测试集效果最好的模型作为深度学习算法最优模型。
在本发明的一实施例中,所述对比分析方法进一步包括步骤S5、将最终确认的DNA指数大于设定阈值的上皮细胞按照数值大小依次排列,通过客户端进行展示。
本发明进一步揭示一种DNA染色和伊红染色的对比分析系统,图2、图3为本发明DNA染色和伊红染色的对比分析系统的组成示意图;请参阅图2、图3,所述对比分析系统包括:第一扫描模块1、图片分割模块2、细胞核分类模块3、上皮细胞核识别模块4、第二扫描模块5、图片裁剪模块6、上皮细胞核验证模块7。
所述第一扫描模块1用以扫描DNA染色玻片,生成数字图像;所述图片分割模块2用以将数字图片进行分割;所述细胞核分类模块3用以将数字图片中的细胞核分类为上皮细胞核、中性粒细胞核、淋巴细胞核。
所述上皮细胞核识别模块4用以通过第一人工智能算法识别出DNA指数大于设定阈值的上皮细胞核,并保存该上皮细胞核在整个玻片的位置。在一实施例中,所述设定阈值可以为2。
在本发明的一实施例中,所述第一人工智能算法包括利用DNA染色细胞核识别模型对DNA染色细胞核进行识别。所述对比分析系统进一步包括:DNA染色细胞核识别模型构建模块及DNA染色细胞核识别模型训练模块。
DNA染色细胞核识别模型构建模块用以将获得的DNA染色数字图片进行色域转换,从而定位细胞核的位置;根据细胞核位置,将单个的细胞核从整张DNA染色图中裁剪下来,并进行分类,分为中性粒细胞核、淋巴细胞核、上皮细胞核或杂质;生成足够多的数据量,建立数据集;将数据集按照设定比例分为训练集及测试集;构建DNA染色细胞核识别模型。
DNA染色细胞核识别模型训练模块用以在DNA染色细胞核识别模型的训练过程中,采用小批量随机梯度下降法来迭代模型的参数,损失函数模型采用交叉熵损失函数;训练结束后,测试集效果最好的模型作为深度学习算法最优模型。
所述第二扫描模块5用以将经DNA伊红染色的玻片进行扫描,将细胞核的胞质通过染色剂显现出来;所述图片裁剪模块6用以将DNA指数大于设定阈值的上皮细胞核从该整个图片中裁剪出来。
所述上皮细胞核验证模块7用以通过第二人工智能算法将所述图片裁剪模块裁剪出来的上皮细胞核进行再定验证,确定是否为上皮细胞核。
在本发明的一实施例中,所述第二人工智能算法包括利用伊红染色细胞核识别模型对伊红染色细胞核进行识别。
所述对比分析系统进一步包括:伊红染色细胞核识别模型构建模块及伊红染色细胞核识别模型训练模块。
伊红染色细胞核识别模型构建模块用以将获得的伊红染色数字图片进行色域转换,从而定位细胞核的位置;根据细胞核位置,将单个的细胞核从整张伊红染色图中裁剪下来,并进行分类,分为非上皮细胞或上皮细胞;生成足够多的数据量,建立数据集;将数据集按照设定比例分为训练集及测试集;构建伊红染色细胞核识别模型。
伊红染色细胞核识别模型训练模块用以在伊红染色细胞核识别模型的训练过程中,采用小批量随机梯度下降法来迭代模型的参数,损失函数模型采用交叉熵损失函数;训练结束后,测试集效果最好的模型作为深度学习算法最优模型。
请继续参阅图2,在本发明的一实施例中,所述对比分析系统进一步包括数据展示模块8,数据展示模块8用以将最终确认的DNA指数大于设定阈值的上皮细胞按照数值大小依次排列,通过客户端进行展示。
请参阅图3,在本发明的一实施例中,所述第一扫描模块包括40倍光学扫描仪。在一实施例中,所述对比分析系统进一步包括玻片加载器,用以将DNA染色玻片放到40倍光学扫描仪中。
综上所述,本发明提出的DNA染色和伊红染色的对比分析方法及系统,可提高分析的正确率。
需要注意的是,本申请可在软件和/或软件与硬件的组合体中被实施;例如,可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一些实施例中,本申请的软件程序可以通过处理器执行以实现上文步骤或功能。同样地,本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中;例如,RAM存储器,磁或光驱动器或软磁盘及类似设备。另外,本申请的一些步骤或功能可采用硬件来实现;例如,作为与处理器配合从而执行各个步骤或功能的电路。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
这里本发明的描述和应用是说明性的,并非想将本发明的范围限制在上述实施例中。实施例中所涉及的效果或优点可因多种因素干扰而可能不能在实施例中体现,对于效果或优点的描述不用于对实施例进行限制。这里所披露的实施例的变形和改变是可能的,对于那些本领域的普通技术人员来说实施例的替换和等效的各种部件是公知的。本领域技术人员应该清楚的是,在不脱离本发明的精神或本质特征的情况下,本发明可以以其它形式、结构、布置、比例,以及用其它组件、材料和部件来实现。在不脱离本发明范围和精神的情况下,可以对这里所披露的实施例进行其它变形和改变。
Claims (10)
1.一种DNA染色和伊红染色的对比分析方法,其特征在于,所述对比分析方法包括:
步骤S1、通过玻片加载器将DNA染色玻片放到光学扫描仪中,通过控制器生成数字图像,将图像传输到服务器;
步骤S2、通过第一人工智能算法将数字图片进行分割,并将数字图片中的细胞核分类为上皮细胞核、中性粒细胞核、淋巴细胞核;识别出DNA指数大于设定阈值的上皮细胞核,并保存该上皮细胞核在整个玻片的位置;
步骤S3、将玻片再次进行DNA伊红染色,再次对该玻片进行扫描,将细胞核的胞质通过染色剂显现出来;将DNA指数大于设定阈值的上皮细胞核从该整个图片中裁剪出来;
步骤S4、通过服务器中的第二人工智能算法将步骤S3中裁剪出来的上皮细胞核进行再定验证,确定是否为上皮细胞核。
2.根据权利要求1所述的DNA染色和伊红染色的对比分析方法,其特征在于:
所述第一人工智能算法包括利用DNA染色细胞核识别模型对DNA染色细胞核进行识别;
所述对比分析方法进一步包括:
DNA染色细胞核识别模型构建步骤,包括:将获得的DNA染色数字图片进行色域转换,从而定位细胞核的位置;根据细胞核位置,将单个的细胞核从整张DNA染色图中裁剪下来,并进行分类,分为中性粒细胞核、淋巴细胞核、上皮细胞核或杂质;生成足够多的数据量,建立数据集;将数据集按照设定比例分为训练集及测试集;构建DNA染色细胞核识别模型;
DNA染色细胞核识别模型训练步骤,包括:在DNA染色细胞核识别模型的训练过程中,采用小批量随机梯度下降法来迭代模型的参数,损失函数模型采用交叉熵损失函数;训练结束后,测试集效果最好的模型作为深度学习算法最优模型。
3.根据权利要求1所述的DNA染色和伊红染色的对比分析方法,其特征在于:
所述第二人工智能算法包括利用伊红染色细胞核识别模型对伊红染色细胞核进行识别;
所述对比分析方法进一步包括:
伊红染色细胞核识别模型构建步骤,包括:将获得的伊红染色数字图片进行色域转换,从而定位细胞核的位置;根据细胞核位置,将单个的细胞核从整张伊红染色图中裁剪下来,并进行分类,分为非上皮细胞或上皮细胞;生成足够多的数据量,建立数据集;将数据集按照设定比例分为训练集及测试集;构建伊红染色细胞核识别模型;
伊红染色细胞核识别模型训练步骤:在伊红染色细胞核识别模型的训练过程中,采用小批量随机梯度下降法来迭代模型的参数,损失函数模型采用交叉熵损失函数;训练结束后,测试集效果最好的模型作为深度学习算法最优模型。
4.根据权利要求1所述的DNA染色和伊红染色的对比分析方法,其特征在于:
所述对比分析方法进一步包括步骤S5、将最终确认的DNA指数大于设定阈值的上皮细胞按照数值大小依次排列,通过客户端进行展示。
5.根据权利要求1所述的DNA染色和伊红染色的对比分析方法,其特征在于:
步骤S1中,通过玻片加载器将DNA染色玻片放到40倍光学扫描仪中;
所述设定阈值为2。
6.一种DNA染色和伊红染色的对比分析系统,其特征在于,所述对比分析系统包括:
第一扫描模块,用以扫描DNA染色玻片,生成数字图像;
图片分割模块,用以将数字图片进行分割;
细胞核分类模块,用以将数字图片中的细胞核分类为上皮细胞核、中性粒细胞核、淋巴细胞核;
上皮细胞核识别模块,用以通过第一人工智能算法识别出DNA指数大于设定阈值的上皮细胞核,并保存该上皮细胞核在整个玻片的位置;
第二扫描模块,用以将经DNA伊红染色的玻片进行扫描,将细胞核的胞质通过染色剂显现出来;
图片裁剪模块,用以将DNA指数大于设定阈值的上皮细胞核从该整个图片中裁剪出来;
上皮细胞核验证模块,用以通过第二人工智能算法将所述图片裁剪模块裁剪出来的上皮细胞核进行再定验证,确定是否为上皮细胞核。
7.根据权利要求6所述的DNA染色和伊红染色的对比分析系统,其特征在于:
所述第一人工智能算法包括利用DNA染色细胞核识别模型对DNA染色细胞核进行识别;
所述对比分析系统进一步包括:
DNA染色细胞核识别模型构建模块,用以将获得的DNA染色数字图片进行色域转换,从而定位细胞核的位置;根据细胞核位置,将单个的细胞核从整张DNA染色图中裁剪下来,并进行分类,分为中性粒细胞核、淋巴细胞核、上皮细胞核或杂质;生成足够多的数据量,建立数据集;将数据集按照设定比例分为训练集及测试集;构建DNA染色细胞核识别模型;
DNA染色细胞核识别模型训练模块,用以在DNA染色细胞核识别模型的训练过程中,采用小批量随机梯度下降法来迭代模型的参数,损失函数模型采用交叉熵损失函数;训练结束后,测试集效果最好的模型作为深度学习算法最优模型。
8.根据权利要求6所述的DNA染色和伊红染色的对比分析系统,其特征在于:
所述第二人工智能算法包括利用伊红染色细胞核识别模型对伊红染色细胞核进行识别;
所述对比分析系统进一步包括:
伊红染色细胞核识别模型构建模块,用以将获得的伊红染色数字图片进行色域转换,从而定位细胞核的位置;根据细胞核位置,将单个的细胞核从整张伊红染色图中裁剪下来,并进行分类,分为非上皮细胞或上皮细胞;生成足够多的数据量,建立数据集;将数据集按照设定比例分为训练集及测试集;构建伊红染色细胞核识别模型;
伊红染色细胞核识别模型训练模块,用以在伊红染色细胞核识别模型的训练过程中,采用小批量随机梯度下降法来迭代模型的参数,损失函数模型采用交叉熵损失函数;训练结束后,测试集效果最好的模型作为深度学习算法最优模型。
9.根据权利要求6所述的DNA染色和伊红染色的对比分析系统,其特征在于:
所述对比分析系统进一步包括:数据展示模块,用以将最终确认的DNA指数大于设定阈值的上皮细胞按照数值大小依次排列,通过客户端进行展示。
10.根据权利要求6所述的DNA染色和伊红染色的对比分析系统,其特征在于:
所述第一扫描模块包括40倍光学扫描仪;所述设定阈值为2;
所述对比分析系统进一步包括:玻片加载器,用以将DNA染色玻片放到40倍光学扫描仪中。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2021111014120 | 2021-09-18 | ||
CN202111101412 | 2021-09-18 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113870222A true CN113870222A (zh) | 2021-12-31 |
Family
ID=78991855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111142059.0A Pending CN113870222A (zh) | 2021-09-18 | 2021-09-28 | Dna染色和伊红染色的对比分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113870222A (zh) |
-
2021
- 2021-09-28 CN CN202111142059.0A patent/CN113870222A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Steiner et al. | Impact of deep learning assistance on the histopathologic review of lymph nodes for metastatic breast cancer | |
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 | |
Vaickus et al. | Automating the Paris System for urine cytopathology—A hybrid deep‐learning and morphometric approach | |
JP2017168123A (ja) | 病理学における品質保証のためのシステムおよび方法 | |
JP2019095853A (ja) | 画像解析方法、装置、プログラムおよび学習済み深層学習アルゴリズムの製造方法 | |
CN114072879A (zh) | 用于处理图像以对经处理的用于数字病理的图像进行分类的系统和方法 | |
CN111488921A (zh) | 一种全景数字病理图像智能分析系统及方法 | |
CN112200793A (zh) | 数字病理切片质量的实时监控方法及系统、计算机设备 | |
CN113785361A (zh) | 染色体自动化分析方法 | |
CN113657449A (zh) | 一种含噪标注数据的中医舌象腐腻分类方法 | |
JP4864709B2 (ja) | 分散プロット分布を用いてスライドの染色品質を決定するシステム | |
Lee et al. | Image analysis using machine learning for automated detection of hemoglobin H inclusions in blood smears-a method for morphologic detection of rare cells | |
RU2732895C1 (ru) | Метод для выделения и классификации типов клеток крови с помощью глубоких сверточных нейронных сетей | |
WO2023283321A1 (en) | Stain-free detection of embryo polarization using deep learning | |
Brixtel et al. | Whole slide image quality in digital pathology: review and perspectives | |
CN112703531A (zh) | 生成组织图像的注释数据 | |
WO2018128091A1 (ja) | 画像解析プログラム及び画像解析方法 | |
CN113393454A (zh) | 活检组织中病理目标实例分割方法和装置 | |
JP2014235033A (ja) | 画像処理装置及びプログラム | |
JP4897488B2 (ja) | 分散プロット分布を用いてスライドを分類するシステム | |
CN116843974A (zh) | 基于残差神经网络的乳腺癌病理图像分类方法 | |
CN113870222A (zh) | Dna染色和伊红染色的对比分析方法及系统 | |
Guerrero et al. | Improvements in lymphocytes detection using deep learning with a preprocessing stage | |
CN115036011B (zh) | 基于数字病理图像进行实体肿瘤预后评估的系统 | |
CN116128863B (zh) | 一种医学图像处理方法、装置及设备 |
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 |