CN114018924A - 一种自动检测尿脱落细胞中异常细胞的方法 - Google Patents
一种自动检测尿脱落细胞中异常细胞的方法 Download PDFInfo
- Publication number
- CN114018924A CN114018924A CN202111389900.6A CN202111389900A CN114018924A CN 114018924 A CN114018924 A CN 114018924A CN 202111389900 A CN202111389900 A CN 202111389900A CN 114018924 A CN114018924 A CN 114018924A
- Authority
- CN
- China
- Prior art keywords
- cells
- abnormal cells
- digital image
- algorithm
- urine
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 60
- 210000002700 urine Anatomy 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 238000009432 framing Methods 0.000 claims abstract description 21
- 238000003745 diagnosis Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 7
- 210000004027 cell Anatomy 0.000 claims description 91
- 108010077544 Chromatin Proteins 0.000 claims description 3
- 238000012550 audit Methods 0.000 claims description 3
- 210000003483 chromatin Anatomy 0.000 claims description 3
- 210000000633 nuclear envelope Anatomy 0.000 claims description 3
- 238000012758 nuclear staining Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 206010005084 bladder transitional cell carcinoma Diseases 0.000 abstract description 7
- 230000002980 postoperative effect Effects 0.000 abstract description 5
- 238000012216 screening Methods 0.000 abstract description 4
- 238000001574 biopsy Methods 0.000 description 4
- 230000002485 urinary effect Effects 0.000 description 4
- 238000013399 early diagnosis Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 206010005003 Bladder cancer Diseases 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- 208000007097 Urinary Bladder Neoplasms Diseases 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 201000005112 urinary bladder cancer Diseases 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 201000000545 bladder carcinoma in situ Diseases 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000001086 cytosolic effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 238000007901 in situ hybridization Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及一种自动检测尿脱落细胞中异常细胞的方法,包括以下步骤:(1)将采集的患者尿液制作玻片样本;(2)对玻片样本进行扫描拍摄取得尿脱落细胞图像,并生成数字图像;(3)根据数字图像中异常细胞特征制定框选识别异常细胞的算法;(4)算法框选和识别数字图像中的全部有核细胞,标记异常细胞及位置;(5)人工框选和识别数字图像中的全部有核细胞,标记异常细胞及位置;(6)将算法框选结果与人工框选结果进行对比,根据对比结果训练优化框选识别异常细胞的算法;适用于膀胱尿路上皮癌的早期初诊筛查和术后复查,具有早期无创检测、分析和报告方便、操作简单和标准化、适用于仪器自动分析等优点。
Description
技术领域
本发明属于医学检验技术领域,具体涉及一种自动检测尿脱落细胞中异常细胞的方法。
背景技术
膀胱癌是泌尿系统常见的恶性肿瘤,膀胱尿路上皮癌占膀胱癌的90%以上,术后5年复发率高达30%-80%,因此膀胱尿路上皮癌的早期筛查及检测复发尤为重要。目前膀胱尿路上皮癌的初诊筛查和术后复查的方法主要有膀胱镜活检、尿脱落细胞学检测和尿脱落细胞荧光原位杂交技术(fluorescent in situ hybridization,FISH)检测。
膀胱镜活检是膀胱尿路上皮癌诊断的金标准,特异性好,但是活检是有创检测,并且操作复杂,患者需要承受很大痛苦,同时难以进行早期诊断,需要肿瘤达到一定体积才能检出,对膀胱原位癌的敏感性较差,使其用于早期诊断和术后检测的作用受到限制。
尿脱落细胞学检测具有无创、简单易行、可重复检测、特异性好等优点,是广泛应用的非侵袭性检测,但是也存在敏感性较差、无法对低级别癌诊断、国内医院重视不够、缺乏专业细胞形态学技术人员给出可靠检测结果;同时尿脱落细胞学人工镜检主观性强、依赖医生个人经验,诊断标准和结果报告形式依赖检验技术人员的个人经验、难以量化和统一。
尿脱落细胞FISH检测敏感性高,特异性与尿脱落细胞相当,但是检测费用高昂,技术复杂,仍需与镜检配合才能确诊。
发明内容
本发明的目的在于克服现有技术中存在的上述不足,而提供一种自动检测尿脱落细胞中异常细胞的方法,该发明能够提高尿脱落细胞的镜检效率及灵敏度,及时发现尿脱落细胞中的异常细胞。
本发明解决上述问题所采用的技术方案是:提供一种自动检测尿脱落细胞中异常细胞的方法,包括以下步骤:
(1)将采集的患者尿液制作玻片样本;
(2)对玻片样本进行扫描拍摄取得尿脱落细胞图像,并生成数字图像;
(3)根据数字图像中异常细胞特征制定框选识别异常细胞的算法;
(4)算法框选和识别数字图像中的全部有核细胞,标记异常细胞及位置;
(5)人工框选和识别数字图像中的全部有核细胞,标记异常细胞及位置;
(6)将算法框选结果与人工框选结果进行对比,根据对比结果训练优化框选识别异常细胞的算法;
(7)当算法框选识别异常细胞的准确率≥95%时停止训练优化,算法完成;
(8)采集患者尿液制作尿脱落细胞玻片样本;
(9)对玻片样本进行扫描拍摄取得尿脱落细胞图像,并生成数字图像;
(10)利用算法框选识别数字图像中的异常细胞,对异常细胞进行诊断识别,生成初步检测报告;
(11)将数字图像缩放4倍即等效于在10倍物镜下对玻片样本全片进行观察和标记异常细胞位置;
(12)将数字图像尺寸还原即等效于在40倍物镜下对异常细胞进行重点观察和审核标记;
(13)统计数字图像中异常细胞种类及数量;
(14)根据异常细胞种类及数量审核及填写检测报告结果,出具尿脱落细胞中异常细胞的最终检测报告。
作为优选,所述步骤(3)中采用的异常细胞的特征为核质比升高程度、细胞核深染程度、细胞核膜不规则程度和染色质状态。
作为优选,所述步骤(4)中算法框选和识别数字图像中的全部有核细胞采用的路线为“S”形。
作为优选,所述步骤(5)中人工框选和识别数字图像中的全部有核细胞采用的路线为“S”形。
本发明与现有技术相比,具有以下优点和效果:适用于膀胱尿路上皮癌的早期初诊筛查和术后复查,具有早期无创检测、分析和报告方便、操作简单和标准化、适用于仪器自动分析等优点,判断指标定量化,减小了对医生个人经验的依赖性。
附图说明
图1是本发明的工作流程图。
具体实施方式
下面结合附图并通过实施例对本发明作进一步的详细说明,以下实施例是对本发明的解释而本发明并不局限于以下实施例。
实施例1。
参见图1,本发明提供的一种自动检测尿脱落细胞中异常细胞的方法,包括算法制定及确定和异常细胞框选及识别统计两大块,具体包括以下步骤:
(1)将采集的患者尿液制作玻片样本;
(2)对玻片样本进行扫描拍摄取得尿脱落细胞图像,并生成数字图像;
(3)根据数字图像中异常细胞特征制定框选识别异常细胞的算法;
(4)算法采用“S”形路线框选和识别数字图像中的全部有核细胞,标记异常细胞及位置;
(5)人工采用“S”形路线框选和识别数字图像中的全部有核细胞,标记异常细胞及位置;
(6)将算法框选结果与人工框选结果进行对比,根据对比结果训练优化框选识别异常细胞的算法;
(7)当算法框选识别异常细胞的准确率≥95%时停止训练优化,算法完成;
(8)采集患者尿液制作尿脱落细胞玻片样本;
(9)对玻片样本进行扫描拍摄取得尿脱落细胞图像,并生成数字图像;
(10)利用算法框选识别数字图像中的异常细胞,对异常细胞进行诊断识别,生成初步检测报告;
(11)将数字图像缩放4倍即等效于在10倍物镜下对玻片样本全片进行观察和标记异常细胞位置;
(12)将数字图像尺寸还原即等效于在40倍物镜下对异常细胞进行重点观察和审核标记;
(13)统计数字图像中异常细胞种类及数量;
(14)根据异常细胞种类及数量审核及填写检测报告结果,出具尿脱落细胞中异常细胞的最终检测报告。
本实施例中步骤(3)中采用的异常细胞的特征为核质比升高程度、细胞核深染程度、细胞核膜不规则程度和染色质状态。
本发明的尿脱落细胞中的异常细胞是借助基于神经网络系统研发算法对尿脱落细胞进行识别和分类,其中尿脱落细胞分类详见表1:
表1 尿脱落细胞种类
根据尿脱落细胞中异常细胞的种类及数量出具尿脱落细胞的检测结果,可以达到对膀胱尿路上皮癌的早期诊断和检测,降低患者的痛苦,并提高诊断效率。
此外,需要说明的是,本说明书中所描述的以上内容仅仅是对本发明所作的举例说明。凡依据本发明专利构思所述的特征及原理所做的等效变化或者简单变化,均包括于本发明专利的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离本发明的技术方案或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (4)
1.一种自动检测尿脱落细胞中异常细胞的方法,其特征在于,包括以下步骤:
(1)将采集的患者尿液制作玻片样本;
(2)对玻片样本进行扫描拍摄取得尿脱落细胞图像,并生成数字图像;
(3)根据数字图像中异常细胞特征制定框选识别异常细胞的算法;
(4)算法框选和识别数字图像中的全部有核细胞,标记异常细胞及位置;
(5)人工框选和识别数字图像中的全部有核细胞,标记异常细胞及位置;
(6)将算法框选结果与人工框选结果进行对比,根据对比结果训练优化框选识别异常细胞的算法;
(7)当算法框选识别异常细胞的准确率≥95%时停止训练优化,算法完成;
(8)采集患者尿液制作尿脱落细胞玻片样本;
(9)对玻片样本进行扫描拍摄取得尿脱落细胞图像,并生成数字图像;
(10)利用算法框选识别数字图像中的异常细胞,对异常细胞进行诊断识别,生成初步检测报告;
(11)将数字图像缩放4倍即等效于在10倍物镜下对玻片样本全片进行观察和标记异常细胞位置;
(12)将数字图像尺寸还原即等效于在40倍物镜下对异常细胞进行重点观察和审核标记;
(13)统计数字图像中异常细胞种类及数量;
(14)根据异常细胞种类及数量审核及填写检测报告结果,出具尿脱落细胞中异常细胞的最终检测报告。
2.根据权利要求1所述的一种自动检测尿脱落细胞中异常细胞的方法,其特征在于,所述步骤(3)中采用的异常细胞的特征为核质比升高程度、细胞核深染程度、细胞核膜不规则程度和染色质状态。
3.根据权利要求1所述的一种自动检测尿脱落细胞中异常细胞的方法,其特征在于,所述步骤(4)中算法框选和识别数字图像中的全部有核细胞采用的路线为“S”形。
4.根据权利要求1所述的一种自动检测尿脱落细胞中异常细胞的方法,其特征在于,所述步骤(5)中人工框选和识别数字图像中的全部有核细胞采用的路线为“S”形。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111389900.6A CN114018924A (zh) | 2021-11-23 | 2021-11-23 | 一种自动检测尿脱落细胞中异常细胞的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111389900.6A CN114018924A (zh) | 2021-11-23 | 2021-11-23 | 一种自动检测尿脱落细胞中异常细胞的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114018924A true CN114018924A (zh) | 2022-02-08 |
Family
ID=80065625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111389900.6A Pending CN114018924A (zh) | 2021-11-23 | 2021-11-23 | 一种自动检测尿脱落细胞中异常细胞的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114018924A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116046643A (zh) * | 2023-03-30 | 2023-05-02 | 深圳市帝迈生物技术有限公司 | 辅助诊断信息提供装置及血液分析系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110082049A1 (en) * | 2009-07-21 | 2011-04-07 | Neodiagnostix, Inc. | Method and system for automated image analysis in cancer cells |
CN108896363A (zh) * | 2018-05-28 | 2018-11-27 | 杭州智微信息科技有限公司 | 一种骨髓涂片数字化的流程方法 |
CN109033936A (zh) * | 2018-06-01 | 2018-12-18 | 齐鲁工业大学 | 一种宫颈脱落细胞核图像识别方法 |
CN110533630A (zh) * | 2019-07-11 | 2019-12-03 | 上海大学 | 一种基于神经网络的膀胱癌检测方法 |
CN112634243A (zh) * | 2020-12-28 | 2021-04-09 | 吉林大学 | 一种强干扰因素下基于深度学习的图像分类识别系统 |
CN113130049A (zh) * | 2021-04-15 | 2021-07-16 | 黑龙江机智通智能科技有限公司 | 基于云服务的智能病理图像诊断系统 |
-
2021
- 2021-11-23 CN CN202111389900.6A patent/CN114018924A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110082049A1 (en) * | 2009-07-21 | 2011-04-07 | Neodiagnostix, Inc. | Method and system for automated image analysis in cancer cells |
CN108896363A (zh) * | 2018-05-28 | 2018-11-27 | 杭州智微信息科技有限公司 | 一种骨髓涂片数字化的流程方法 |
CN109033936A (zh) * | 2018-06-01 | 2018-12-18 | 齐鲁工业大学 | 一种宫颈脱落细胞核图像识别方法 |
CN110533630A (zh) * | 2019-07-11 | 2019-12-03 | 上海大学 | 一种基于神经网络的膀胱癌检测方法 |
CN112634243A (zh) * | 2020-12-28 | 2021-04-09 | 吉林大学 | 一种强干扰因素下基于深度学习的图像分类识别系统 |
CN113130049A (zh) * | 2021-04-15 | 2021-07-16 | 黑龙江机智通智能科技有限公司 | 基于云服务的智能病理图像诊断系统 |
Non-Patent Citations (1)
Title |
---|
谢能付 等: "《智能农业》", 中国铁道出版社, pages: 69 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116046643A (zh) * | 2023-03-30 | 2023-05-02 | 深圳市帝迈生物技术有限公司 | 辅助诊断信息提供装置及血液分析系统 |
CN116046643B (zh) * | 2023-03-30 | 2024-01-16 | 深圳市帝迈生物技术有限公司 | 辅助诊断信息提供装置及血液分析系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10018622B2 (en) | Methods and kits for differential staining of abnormal urinary system cells | |
CN103907023A (zh) | 检测生物学样品中的异常的系统和方法 | |
CN109124660B (zh) | 基于深度学习的胃肠间质瘤术后风险检测方法和系统 | |
CA2830501A1 (en) | Systems and compositions for diagnosing barrett's esophagus and methods of using the same | |
Vlajnic et al. | The Paris System for reporting urinary cytology in daily practice with emphasis on ancillary testing by multiprobe FISH | |
WO2012065117A2 (en) | Oral cancer point of care diagnostics | |
CA2818577C (en) | Methods and kits for differential staining of abnormal urinary system cells | |
Pham et al. | Quantitative phase imaging to improve the diagnostic accuracy of urine cytology | |
CN114018924A (zh) | 一种自动检测尿脱落细胞中异常细胞的方法 | |
EP3117259A1 (en) | Assessment of staining quality | |
DK2707505T3 (en) | SPECTRAL IMAGE FOR MEASUREMENT OF NUCLEAR PATHOLOGICAL FEATURES IN CANCER CELLS PREPARED FOR IN SITU ANALYSIS | |
CN112001315A (zh) | 基于迁移学习和图像纹理特征的骨髓细胞分类识别方法 | |
Sauter et al. | Nipple aspirate fluid and ductoscopy to detect breast cancer | |
Zhang et al. | Developing a machine learning algorithm for identifying abnormal urothelial cells: a feasibility study | |
KR20110072098A (ko) | 디지털 병리학의 이미지 표준화 방법 | |
CN114387596A (zh) | 细胞病理涂片自动判读系统 | |
CN111598880A (zh) | 荧光原位杂交样本病理检测系统 | |
Friedrich et al. | Identification of prostate cancer cell nuclei for DNA-grading of malignancy | |
Sakumo et al. | The usefulness of nuclear area in the diagnosis of high‐grade urothelial carcinoma cells in voided urine cytology | |
Wegelin et al. | The effects of instrumentation on urine cytology and CK-20 analysis for the detection of bladder cancer | |
CN107578411A (zh) | 基于计算机图像分析测试宫颈鳞状上皮细胞参数的方法 | |
Raab et al. | Urine cytology | |
Marcuzzo et al. | Her2 immunohistochemical evaluation by traditional microscopy and by digital analysis, and the consequences for FISH testing | |
Dong et al. | Automated quantitative cytology imaging analysis system in cervical cancer screening in Shanxi Province, China | |
CN109182453A (zh) | 一种dna倍体分析设备的控制方法 |
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 |