CN113989799A - 一种宫颈异常细胞识别方法、装置和电子设备 - Google Patents

一种宫颈异常细胞识别方法、装置和电子设备 Download PDF

Info

Publication number
CN113989799A
CN113989799A CN202111287860.4A CN202111287860A CN113989799A CN 113989799 A CN113989799 A CN 113989799A CN 202111287860 A CN202111287860 A CN 202111287860A CN 113989799 A CN113989799 A CN 113989799A
Authority
CN
China
Prior art keywords
image
cell
cervical
dab
channel
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
Application number
CN202111287860.4A
Other languages
English (en)
Inventor
赵帅
袁莎
曹岗
赵健
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Zhiyuan Artificial Intelligence Research Institute
Original Assignee
Beijing Zhiyuan Artificial Intelligence Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Zhiyuan Artificial Intelligence Research Institute filed Critical Beijing Zhiyuan Artificial Intelligence Research Institute
Priority to CN202111287860.4A priority Critical patent/CN113989799A/zh
Publication of CN113989799A publication Critical patent/CN113989799A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color 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
    • G06T2207/10—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
    • G06T2207/20081—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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明公开了一种宫颈异常细胞识别方法、装置和电子设备，该方法包括：获取宫颈细胞切片图像；将宫颈细胞切片图像输入预先训练的通道分离模块，得到H图像和DAB图像，H图像为苏木精染色图像，DAB图像为免疫组化染色图像；利用H图像和DAB图像识别宫颈异常细胞。本发明的技术方案在宫颈癌阳性细胞检测中能够明显提升细胞检测速度，增强识别准确率，提高算法执行效率。

Description

一种宫颈异常细胞识别方法、装置和电子设备
技术领域
本发明涉及图像识别技术领域，尤其涉及一种宫颈异常细胞识别方法、装置和电子设备。
本发明是科技创新2030重大项目“人工智能试验区创新发展与应用”(2020AAA0105203)的研究成果。
背景技术
宫颈癌是女性特异性癌症相关死亡的重要原因，如果患者在癌前病变阶段或更早期被诊断，治愈率可高达98％，死亡率会显著降低。近年来使用计算机图像处理、人工智能等技术的医学显微图像处理技术正在迅速发展中。当前，对于宫颈癌异常细胞的识别一般通过以下方法进行：在图像RGB空间通过传统图像处理方法或者基于人工智能检测方法找到疑似异常细胞定位，然后采用分割等任务得到细胞核、细胞膜轮廓信息，提取颜色、纹理、轮廓等统计特征，最后采用分类算法对细胞的异常与否进行分类判断。
医学研究证明，瘤变的子宫颈细胞，均不同程度的显示表达过量的P16蛋白，因此，P16是宫颈瘤变细胞的生物学标记，检测宫颈脱落细胞的P16蛋白，对于提高异常细胞的检出率具有重要参考价值。而现有技术的方法针对P16染色的宫颈细胞这些方法存在以下不足：首先，所有的图像处理操作都是基于RGB颜色空间，没有充分考虑宫颈细胞P16染色原理，将异常细胞阳性表达强行与RGB值进行关联，无法有效得出异常细胞染色强度；再者，尝试对检测到的每个细胞进行特征提取和分类，大大制约了系统识别速度。例如，每张宫颈细胞切片图像在20倍镜扫描下约50,000*50,000像素大小，即使在采用非重叠滑窗方式下，也将产生2,000张子图(单张子图以1000*1000像素大小计算)。无法满足临床上对数据处理速度和实时性的要求。
发明内容
为了解决现有技术中存在的问题，本发明提供了如下技术方案。
本发明首先在第一方面提供了一种宫颈异常细胞识别方法，包括：
获取宫颈细胞切片图像；
将所述宫颈细胞切片图像输入预先训练的通道分离模块，得到H图像和DAB图像，所述H图像为苏木精染色图像，所述DAB图像为免疫组化染色图像；
利用所述H图像和DAB图像识别宫颈异常细胞。
可选地，所述获取宫颈细胞切片图像，进一步包括：
获取宫颈细胞全切片数字图像的低分辨率图像，对所述低分辨率图像进行粗分割预处理；
对预处理之后的切片图像进行切分，得到所述宫颈细胞切片图像。
可选地，所述粗分割预处理包括：
对所述低分辨率图像进行中值滤波处理，然后采用自适应二值化算法，从所述中值滤波后的图像中分割出所述图像前景区域和背景区域。
可选地，所述通道分离模块包括神经网络和空间变换矩阵，所述通道分离矩阵的训练过程包括：
将训练数据中的切片图像转换到光密度空间，得到光密图像；
将所述光密图像输入神经网络，提取所述光密图像的高维特征向量；
将所述高维特征向量输入空间变换矩阵，利用预设的损失函数L对所述神经网络和空间变换矩阵进行无监督训练，得到所述通道分离模块。
可选地，所述通道分离模块包括空间变换矩阵，所述通道分离模块的训练过程包括：
将训练数据中的切片图像转换到光密度空间，得到光密图像；
将所述光密图像输入所述空间变换矩阵，利用预设的损失函数L对所述空间变换矩阵进行无监督训练，得到所述通道分离模块。
可选地，所述空间变换矩阵为：
OD＝[cosαsinβ，cosαcosβ，sinβ]T
其中OD是一个R3*3矩阵，矩阵的每一行分别表示一种染色试剂对应RGB空间中每个通道的光密度值。
可选地，所述无监督训练中预设的损失函数L为第三通道损失Lerr、重建损失lr以及染色强度损失lh之和，即：
l＝Lerr+λrLr+λhLh
其中λr，λh为权重参数。
可选地，所述第三通道损失Lerr定义为：
Figure BDA0003333566040000041
其中，M、N分别表示所述切片图像的宽度和高度，
Figure BDA0003333566040000042
表示所述切片图像在坐标i，j处经过变换矩阵运算后的第三通道图像的像素值；
所述重建损失Lr定义为：
Figure BDA0003333566040000043
其中，si,j表示原始图像在坐标i，j处像素值，ri,j表示重建后的图像在坐标i，j处像素值；
所述染色强度损失Lh定义为：
Lh＝Lh1+Lh2
Figure BDA0003333566040000044
Figure BDA0003333566040000045
其中平衡超参数γ∈(0,1)，通道调解超参数δ∈(0,1)；hi,j和di,j分别表示通道分离后的前两个通道图像在坐标i，j处像素值。
可选地，所述利用所述H图像和DAB图像识别宫颈异常细胞，进一步包括：
根据染色阳性区域轮廓位置，寻找对应H图像的细胞核区域；
提取H图像的细胞核区域和DAB图像的染色阳性区域的细胞统计特征；
根据所提取的细胞统计特征确定细胞类型。
本发明另一方面提供了一种宫颈异常细胞识别装置，包括：
获取模块，用于获取宫颈细胞切片图像；
计算模块，用于将所述宫颈细胞切片图像输入预先训练的通道分离模块，得到H图像和DAB图像，所述H图像为苏木精染色图像，所述DAB图像为免疫组化染色图像；
识别模块，用于利用所述H图像和DAB图像识别宫颈异常细胞。
本发明的第三方面提供了一种电子设备，包括处理器和存储器，所述存储器存储有多条指令，所述处理器用于读取所述指令并执行如上述第一方面所述的宫颈异常细胞识别方法。
本发明的第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有多条指令，所述多条指令可被处理器读取并执行如上述第一方面所述的宫颈异常细胞识别方法。
本发明的有益效果是：借助自适应染色通道分离算法推导出异常细胞P16染色试剂强度，更加符合医学染色模型的特性；将在DAB染色通道对阳性细胞进行识别替代了在原图中对每个细胞进行检测识别，大大提升了算法速度；在异常细胞分类过程中，融入阳性细胞平均光密度、积分光密度特征，提升了异常细胞识别效果。
附图说明
图1为根据本发明实施例的宫颈异常细胞识别方法的概要流程图。
图2为根据本发明实施例的宫颈异常细胞识别方法的详细流程图。
图3为根据本发明实施例的对通道分离模块进行无监督训练的流程图。
图4为根据本发明实施例的利用染色图像H和染色图像DAB识别宫颈异常细胞的流程图。
图5为根据本发明所述的宫颈异常细胞识别装置的模块图。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
本发明提供的方法可以在如下的终端环境中实施，该终端可以包括一个或多个如下部件：处理器、存储器和显示屏。其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行以实现下述实施例所述的方法。
处理器可以包括一个或者多个处理核心。处理器利用各种接口和线路连接整个终端内的各个部分，通过运行或执行存储在存储器内的指令、程序、代码集或指令集，以及调用存储在存储器内的数据，执行终端的各种功能和处理数据。
存储器可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory，ROM)。存储器可用于存储指令、程序、代码、代码集或指令。
显示屏用于显示各个应用程序的用户界面。
除此之外，本领域技术人员可以理解，上述终端的结构并不构成对终端的限定，终端可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。比如，终端中还包括射频电路、输入单元、传感器、音频电路、电源等部件，在此不再赘述。
实施例一
如图1所示，本发明实施例首先提供了一种宫颈异常细胞识别方法，其特征在于，包括：
S1、获取宫颈细胞切片图像；
S2、将所述宫颈细胞切片图像输入预先训练的通道分离模块，得到H图像和DAB图像，所述H图像为苏木精染色图像，所述DAB图像为免疫组化染色图像；
S3、利用所述H图像和DAB图像识别宫颈异常细胞。
上述宫颈异常细胞识别方法通过自适应的宫颈细胞P16染色图像通道分离算法，有效地将RGB空间的P16染色图像分离为苏木精染色图像H和免疫组化染色图像DAB(二氨基联苯胺法染色)，其中H通道图像主要显示细胞核染色，DAB通道图像主要显示P16阳性表达情况。因为分离出的DAB通道大部分呈现的是非阳性背景区域，因此在该通道下进行阳性细胞检测可明显提升细胞检测速度，增强识别准确率，提高算法执行效率。
参见图2，在具体的实施例中，上述步骤S1可进一步包括：
S101、对宫颈细胞染色的制片玻片进行全切片扫描，得到全切片数字图像。
首先，在细胞样本采集阶段，对预先制作的宫颈细胞P16染色的制片玻片在20倍镜下进行全切片扫描，得到切片数字扫描图像(Whole slide)。
S102、获取全切片数字图像的低分辨率图像，对所述低分辨率图像进行粗分割预处理，得到图像前景区域和背景区域。
即，获取全切片数字图像低分辨率图像(例如1/64)，进行图像预处理，以粗分割出切片中的P16细胞区域。由于在低分辨率下对图像进行预处理，所处理的像素数量明显少于原始图像，因此能够加快图像分割速度，更实时地得出初步分割结果。在一个优选的实施例中，粗分割的具体流程为：
对低分辨率图像进行中值滤波处理，采用自适应二值化初步分割出图像前景区域。将除前景区域以外的剩余部分作为背景区域。
S103、对全切片数字图像的前景区域进行切分，以将原始P16染色的全切片数字图像切分为多个宫颈细胞切片图像。
基于上述粗分割出的前景背景区域，对全切片数字图像的前景区域采用滑窗方式切分，切分图像大小例如可以是1024*1024像素，重叠区域为256像素。以此将原始P16染色大图分割为约400张子图像。
根据一个实施例，上述步骤S2中的所述通道分离模块包括串联的神经网络和空间变换矩阵，所述通道分离模型的训练过程可选地包括：
将训练数据中的切片图像转换到光密度空间，得到光密图像；
将所述光密图像输入神经网络，提取所述光密图像的高维特征向量；
将所述高维特征向量输入空间变换矩阵，利用预设的损失函数L对所述神经网络和空间变换矩阵进行无监督训练，得到所述通道分离模块。
根据另一个实施例，上述步骤S2中的所述通道分离模块包括空间变换矩阵，所述通道分离模块的训练过程可选地包括：
将训练数据中的切片图像转换到光密度空间，得到光密图像；
将所述光密图像输入空间变换矩阵，利用预设的损失函数L对所述空间变换矩阵进行无监督训练，得到所述通道分离模块。
在通道分离模块的训练过程中，本发明采用基于无监督训练的自适应P16染色图像分离方法，利用预设训练数据对所述通道分离模块进行无监督训练，学习出切片图像的空间变换矩阵，实现图像由RGB空间到染色空间(H-DAB)的转换，得到细胞核染色图像H和P16表达图像DAB。
根据Lambert-Beer成像法则可知透射光强度与染色计量大小相关，公式如下：
Figure BDA0003333566040000091
其中，I0,为入射光强度，Ic为透射光强度，A指的是染色剂的剂量强度，
Figure BDA0003333566040000092
为吸收系数，C表示染色试剂种类，从上述公式可以看到，透射光的强度与染色剂的浓度并不是线性相关，也就是说每个通道的灰度值是以非线性方式依赖于染色试剂浓度。在全切片扫描过程中，每个像素值是由CCD感光器件获得的，因此单纯依靠灰度值直接进行颜色分离、染色强度定量分析是不准确的。物理学上，图像的光密度(Optical density，OD)大小被定义为：
Figure BDA0003333566040000101
从上式可以看出，每个通道的光密度强度与染色剂量呈现线性关系，因此在训练之前，需要将训练数据中RGB图像形式的切片图像转到光密度空间，然后对空间变换矩阵进行无监督训练。
如图3所示，以通道分离模块包括串联的神经网络和空间变换矩阵为例，该过程具体如下：
首先将训练数据中的切片图像(即P16子图像)转换到光密度空间，得到第一光密图像，然后输入神经网络。所述神经网络的主干网利用分类网络，如VGG、ResNet、DenseNet等，提取所述第一光密图像的高维特征向量。具体地，如果输出层输出的是6维列向量，则将6维列向量重构(reshape)为2个1*3的向量，表示为α＝[a1，a2，a3]和β＝[b1，b2，b3]。
将上述向量输入空间变换矩阵，得出通道H和DAB在光密空间中的图像。所述空间变换矩阵为：
OD＝[cosαsinβ，cosαcosβ，sinβ]T
其中OD是一个R3*3矩阵，R是一个正交阵，矩阵每一行表示一种染色试剂对应RGB空间中每个通道的光密度值。然后，通过计算第一光密度图像与OD矩阵乘积，即可计算得出通道H和DAB在光密度空间中的图像，即第二光密度图像。
最后，对通道H和DAB在光密度空间中的图像进行由光密度空间至RGB空间转换，从而可获得单通道细胞核染色H和单通道P16阳性细胞染色DAB图像。在训练过程中，利用预设的神经网络损失函数L对所述神经网络和空间变换矩阵进行无监督训练，训练得到通道分离模块。
根据免疫组化染色原理，本发明使用的神经网络损失函数L主要考虑以下三个部分：第三通道损失Lerr、重建损失Lr以及染色强度损失Lh。
1)第三通道损失Lerr：P16染色过程主要包含苏木精和DAB两种着色试剂，因此在理想情况下，采用通道分离的第三通道数值应该为0，公式如下：
Figure BDA0003333566040000111
上式中，M，N分别表示图像的宽度和高度，
Figure BDA0003333566040000112
表示所述切片图像在坐标i，j处经过变换矩阵运算后的第三通道图像的像素值。
2)重建损失Lr：为了保证原始图像在经过空间变化矩阵运算以后，信息尽可能少的丢失，计算H-DAB图像通过反变换以后生成的图像与原始图像的差值，数学表达如下：
Figure BDA0003333566040000121
其中，si,j表示原始图像在坐标i，j处像素值，ri,j表示重建后的图像在坐标i，j处像素值。
3)染色强度损失Lh：两种染色试剂在通道分离中同等重要，因此为了避免过于偏向某一种染色，设置一个超参数γ，用于平衡两种染色试剂。
Figure BDA0003333566040000122
上式中，hi,j和di,j分别表示通道分离后的前两个通道图像在坐标i，j处像素值，γ为平衡超参数，实验中采用的是0.6。
另外，为了避免单通道图像染色浓度过高，本发明设计通道调解超参数δ∈(0，1)来控制染色强度，实验中采用的是δ＝0.8；
Figure BDA0003333566040000123
因此，染色强度损失Lh可表示为：
Lh＝Lh1+Lh2
神经网络损失函数L为
L＝Lerr+λrLr+λhLh
其中λr,λh为权重参数。
作为可选的实施例，为进一步提升算法执行速度，在变换矩阵训练过程中，不经过神经网络，直接对空间变换矩阵进行训练，学习得到一个变换矩阵(只有6个训练参数)，利用训练好的变换矩阵作为通道分离矩阵同样能够实现切片图像由RGB空间到H-DAB空间的转换。与上述方法相比，该实施例的图像分离质量有所降低，但算法执行速度可提高60％。
在优选的实施例中，上述步骤S2进一步包括：
输入步骤S1得到的所述宫颈细胞切片图像，将所述切片图像从RGB空间转换到光密度空间，使用训练完成的通道分离模块进行通道分离，得出单通道H、DAB在光密度空间中的图像，然后对单通道图像进行光密度空间到RGB空间的转换，输出单通道的细胞核染色图像H和阳性细胞染色图像DAB。
在优选的实施例中，上述步骤S3进一步包括：
对DAB图像进行预处理，提取染色阳性区域轮廓；
根据染色阳性区域轮廓位置，寻找对应H图像的细胞核区域；
提取H图像的细胞核区域和DAB图像的染色阳性区域的细胞统计特征；
根据所提取的细胞统计特征进行识别，确定细胞类型。
即在染色通道分离的基础上，对DAB图像进行异常细胞检测，并识别阳性区域是否为异常细胞。参见图4，在异常细胞检测阶段，首先需要对DAB图像进行预处理。预处理过程例如可以包括图像伽马矫正，选择颜色直方图前20％作为二值化阈值，进行二值化运算，然后以核大小为15的矩形kernel进行开运算，过滤比较小的块状区域，然后提取染色阳性区域轮廓。
鉴于宫颈细胞制片过程中的人工操作可能存在误染色的情况，因此，需要对提取的轮廓进行初步筛选，过滤掉一些明显杂质的阳性区域。
具体地，根据DAB通道中的阳性轮廓位置，搜索对应H通道细胞核轮廓，若找不到细胞核，同样可以认为是误染色情况。若找到细胞核，则提取H通道细胞核统计特征，包括细胞核面积、周长、椭圆近似程度等特征，同样提取DAB通道阳性区域面积、周长等特征，此外，同样计算阳性细胞平均光密度值和积分光密度值作为后续判别使用的细胞核、细胞质特征。
最后，根据上述过程提取的细胞核、细胞质特征信息进行异常细胞识别。细胞识别步骤可以认为是一个传统分类任务，这里本发明将细胞识别结果分为三种类型：异常细胞、正常细胞和杂质。在这种分类任务中，使用传统的任何一种分类算法即可，例如本发明采用一个三层全连接神经网络进行分类，其中输入层为18维向量，隐藏层参数分别为256，256，激活函数使用ReLu，输出层为3，激活函数为sigmoid，损失采用交叉熵损失。训练样本5500份，其中异常细胞1900份，正常细胞1500份，杂质2100份。
在可选的实施例中，分类步骤可以采用非神经网络的传统分类模型进行异常细胞识别，如SVM、随机森林等，同样能够得到良好的分类效果。
可以看出，本发明的上述宫颈异常细胞识别方法，借助自适应染色通道分离算法对宫颈切片细胞进行有效识别。与现有技术的细胞识别方法相比，具备以下优点：
第一，通过自适应染色通道分离方法，推导出异常细胞P16染色试剂强度，更加符合医学上的染色模型原理。
第二，通过在DAB染色通道中对阳性细胞进行识别，替代了在原图直接对每个细胞进行检测识别，大大提升了算法的速度和效率。
第三，在异常细胞分类过程中，融合了阳性细胞平均光密度、积分光密度等多维度的判别特征，提升了异常细胞的识别效果和准确度。
实施例二
如图5所示，本发明的另一方面还包括和前述方法流程完全对应一致的功能模块架构，即本发明实施例还提供了宫颈异常细胞识别装置，包括：
获取模块201，用于获取宫颈细胞切片图像；
计算模块202，用于将所述宫颈细胞切片图像输入预先训练的通道分离模块，得到H图像和DAB图像，所述H图像为苏木精染色图像，所述DAB图像为免疫组化染色图像；
识别模块203，用于利用所述H图像和DAB图像识别宫颈异常细胞
该装置可通过上述实施例一提供的宫颈异常细胞识别方法实现，具体的实现方法可参见实施例一中的描述，在此不再赘述。
本发明还提供了一种存储器，存储有多条指令，所述指令用于实现如实施例一所述的宫颈异常细胞识别方法。
本发明还提供了一种电子设备，包括处理器和与所述处理器连接的存储器，所述存储器存储有多条指令，所述指令可被所述处理器加载并执行，以使所述处理器能够执行如实施例一所述的方法。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。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 (12)

1.一种宫颈异常细胞识别方法，其特征在于，包括：
获取宫颈细胞切片图像；
将所述宫颈细胞切片图像输入预先训练的通道分离模块，得到H图像和DAB图像，所述H图像为苏木精染色图像，所述DAB图像为免疫组化染色图像；
利用所述H图像和DAB图像识别宫颈异常细胞。
2.根据权利要求1所述的方法，其特征在于，所述获取宫颈细胞切片图像，进一步包括：
获取宫颈细胞全切片数字图像的低分辨率图像，对所述低分辨率图像进行粗分割预处理；
对预处理之后的切片图像进行切分，得到所述宫颈细胞切片图像。
3.根据权利要求2所述的方法，其特征在于，所述粗分割预处理包括：
对所述低分辨率图像进行中值滤波处理，然后采用自适应二值化算法，从所述中值滤波后的图像中分割出所述图像前景区域和背景区域。
4.根据权利要求1所述的方法，其特征在于，所述通道分离模块包括神经网络和空间变换矩阵，所述通道分离模块的训练过程包括：
将训练数据中的切片图像转换到光密度空间，得到光密图像；
将所述光密图像输入神经网络，提取所述光密图像的高维特征向量；
将所述高维特征向量输入空间变换矩阵，利用预设的损失函数L对所述神经网络和空间变换矩阵进行无监督训练，得到所述通道分离模块。
5.根据权利要求1所述的方法，其特征在于，所述通道分离模块包括空间变换矩阵，所述通道分离模块的训练过程包括：
将训练数据中的切片图像转换到光密度空间，得到光密图像；
将所述光密图像输入所述空间变换矩阵，利用预设的损失函数L对所述空间变换矩阵进行无监督训练，得到所述通道分离模块。
6.根据权利要求4或5所述的方法，其特征在于，所述空间变换矩阵为：
OD＝[cosαsinβ，cosαcosβ，sinβ]T
其中OD是一个R3*3矩阵，矩阵的每一行分别表示一种染色试剂对应RGB空间中每个通道的光密度值；α＝[a1，a2，a3]和β＝[b1，b2，b3]分别为图像的特征向量。
7.根据权利要求6所述的方法，其特征在于，所述无监督训练中预设的损失函数L为第三通道损失Lerr、重建损失Lr以及染色强度损失Lh之和，即：
L＝Lerr+λrLr+λhLh
其中λr，λh为权重参数。
8.根据权利要求7所述的方法，其特征在于，所述第三通道损失Lerr定义为：
Figure FDA0003333566030000021
其中，M、N分别表示所述切片图像的宽度和高度，
Figure FDA0003333566030000031
表示所述切片图像在坐标i，j处经过变换矩阵运算后的第三通道图像的像素值；
所述重建损失Lr定义为：
Figure FDA0003333566030000032
其中，Si，j表示原始图像在坐标i，j处像素值，ri，j表示重建后的图像在坐标i，j处像素值；
所述染色强度损失Lh定义为：
Lh＝Lh1+Lh2
Figure FDA0003333566030000033
Figure FDA0003333566030000034
其中平衡超参数γ∈(0，1)，通道调解超参数δ∈(0，1)；hi，j和di，j分别表示通道分离后的前两个通道图像在坐标i，j处像素值。
9.根据权利要求1所述的方法，其特征在于，所述利用所述H图像和DAB图像识别宫颈异常细胞，进一步包括：
对DAB图像进行预处理，提取染色阳性区域轮廓；
根据染色阳性区域轮廓位置，寻找对应H图像的细胞核区域；
提取H图像的细胞核区域和DAB图像的染色阳性区域的细胞统计特征；
根据所提取的细胞统计特征确定细胞类型。
10.一种宫颈异常细胞识别装置，其特征在于，包括：
获取模块，用于获取宫颈细胞切片图像；
计算模块，用于将所述宫颈细胞切片图像输入预先训练的通道分离模块，得到H图像和DAB图像，所述H图像为苏木精染色图像，所述DAB图像为免疫组化染色图像；
识别模块，用于利用所述H图像和DAB图像识别宫颈异常细胞。
11.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有多条指令，所述处理器用于读取所述指令并执行如权利要求1至9任一所述的宫颈异常细胞识别方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有多条指令，所述多条指令可被处理器读取并执行如权利要求1至9任一所述的宫颈异常细胞识别方法。
CN202111287860.4A 2021-11-02 2021-11-02 一种宫颈异常细胞识别方法、装置和电子设备 Pending CN113989799A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111287860.4A CN113989799A (zh) 2021-11-02 2021-11-02 一种宫颈异常细胞识别方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111287860.4A CN113989799A (zh) 2021-11-02 2021-11-02 一种宫颈异常细胞识别方法、装置和电子设备

Publications (1)

Publication Number Publication Date
CN113989799A true CN113989799A (zh) 2022-01-28

Family

ID=79745757

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111287860.4A Pending CN113989799A (zh) 2021-11-02 2021-11-02 一种宫颈异常细胞识别方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN113989799A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115791640A (zh) * 2023-02-06 2023-03-14 杭州华得森生物技术有限公司 基于分光光谱的肿瘤细胞检测设备及其方法
CN117831030A (zh) * 2023-11-15 2024-04-05 中康智慧(上海)生命科技有限公司 基于多模态的癌症早期器官病变症状智能识别方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115791640A (zh) * 2023-02-06 2023-03-14 杭州华得森生物技术有限公司 基于分光光谱的肿瘤细胞检测设备及其方法
CN117831030A (zh) * 2023-11-15 2024-04-05 中康智慧(上海)生命科技有限公司 基于多模态的癌症早期器官病变症状智能识别方法

Similar Documents

Publication Publication Date Title
US10839510B2 (en) Methods and systems for human tissue analysis using shearlet transforms
Kang et al. Stainnet: a fast and robust stain normalization network
CN107194937B (zh) 一种开放环境下中医舌象图像分割方法
Sommer et al. Learning-based mitotic cell detection in histopathological images
Smal et al. Quantitative comparison of spot detection methods in fluorescence microscopy
US8600143B1 (en) Method and system for hierarchical tissue analysis and classification
CN108288506A (zh) 一种基于人工智能技术的癌症病理辅助诊断方法
CN111784671A (zh) 基于多尺度深度学习的病理图像病灶区域检测方法
CN113989799A (zh) 一种宫颈异常细胞识别方法、装置和电子设备
CN110853009A (zh) 基于机器学习的视网膜病理图像分析系统
CN111583201B (zh) 一种用于构建超分辨率病理显微镜的迁移学习方法
GB2466818A (en) Cell image segmentation using binary threshold and greyscale image processing
CN112990015B (zh) 一种病变细胞自动识别方法、装置和电子设备
CN112348059A (zh) 基于深度学习的多种染色病理图像分类方法及系统
CN115909006B (zh) 基于卷积Transformer的乳腺组织图像分类方法及系统
CN115546187A (zh) 基于YOLO v5的农业病虫害检测方法及装置
Jiang et al. Convolutional neural networks in automatic recognition of trans-differentiated neural progenitor cells under bright-field microscopy
CN112330613A (zh) 一种细胞病理数字图像质量的评价方法及系统
CN116758336A (zh) 一种基于人工智能的医学图像智能分析系统
Shang et al. Identifying rumen protozoa in microscopic images of ruminant with improved YOLACT instance segmentation
Wang et al. Infrared and visible image fusion based on Laplacian pyramid and generative adversarial network.
CN112257730A (zh) 植物害虫图像识别方法、装置、设备及存储介质
Patki et al. A review: Cotton leaf disease detection
Sukmana et al. Blight segmentation on corn crop leaf using connected component extraction and CIELAB color space transformation
CN114170224B (zh) 应用生成式染色归一化的细胞病理分类的系统及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination