CN114638782A - 一种宫颈脱落细胞标本的检测方法 - Google Patents

一种宫颈脱落细胞标本的检测方法 Download PDF

Info

Publication number
CN114638782A
CN114638782A CN202210018992.5A CN202210018992A CN114638782A CN 114638782 A CN114638782 A CN 114638782A CN 202210018992 A CN202210018992 A CN 202210018992A CN 114638782 A CN114638782 A CN 114638782A
Authority
CN
China
Prior art keywords
cell
visual field
cells
positive
classification
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.)
Granted
Application number
CN202210018992.5A
Other languages
English (en)
Other versions
CN114638782B (zh
Inventor
张珺
梅春明
狄媛媛
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.)
Wuhan Zhongji Biotechnology Co ltd
Original Assignee
Wuhan Zhongji Biotechnology Co ltd
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 Wuhan Zhongji Biotechnology Co ltd filed Critical Wuhan Zhongji Biotechnology Co ltd
Priority to CN202210018992.5A priority Critical patent/CN114638782B/zh
Publication of CN114638782A publication Critical patent/CN114638782A/zh
Application granted granted Critical
Publication of CN114638782B publication Critical patent/CN114638782B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30024—Cell structures in vitro; Tissue sections in vitro

Landscapes

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

Abstract

本发明的一种宫颈脱落细胞标本的检测方法，可以综合视野分类分布统计、整片细胞量估计、阳性细胞分布统计,给出综合辅助判断，判断更加精准，且由于玻片扫描时会扫描出不含细胞的背景区域,先扣除此部分区域,减少了算法计算量；而且对于有效区域,进行阳性细胞检测,由于图像的复杂性,会检出大量的阳性细胞,其中仅有极少部分为真正的阳性细胞，病理诊断中,诊断阳性细胞主要依据是其细胞核形态特征,故再对检测后的细胞进行细胞核分割、特征提取、特征分类,通过多层的筛选,去除假阳性细胞，不仅降低了其计算量而且提高了其整体的判断精准度。

Description

一种宫颈脱落细胞标本的检测方法
技术领域
本发明涉及标本检测技术领域，更具体地，涉及一种宫颈脱落细 胞标本的检测方法。
背景技术
在妇女疾病里面，宫颈癌是发病率和致死率比较高的一类疾病， 每年全世界新增的宫颈癌患者数量达到50万，中国的发病率占到了 26％。同时，宫颈癌是人类恶性肿瘤中唯一可知病因的恶性肿瘤。有研 究显示，人乳头状瘤病毒(human papilloma virus,HPV)感染是宫颈癌的 主要病因，有研究表明，约90％的宫颈癌与HPV感染有关。宫颈癌的 发病率在女性生殖系统肿瘤中仅次于乳腺癌，居第二位。然而,宫颈癌 也是一种可以治愈的癌症，只要早发现，早治疗，大多愈后较好。所 以宫颈癌准确高效的筛查显得尤为重要。
专利CN108364032A，提出了一种基于卷积神经网络的宫颈癌细胞 图片识别算法，该方法通过分水岭算法定位细胞核并以细胞核为中心 对细胞图片进行分割；然后使用LeNet5卷积神经网络对分割出的图像 进行分类得对应细胞的分类结果。该专利仅对人工指定的细胞进行分 类处理，无法给出基于整片阳性结论,无法给出其它诊断建议。
专利CN109087283A，提出了一种基于细胞团的宫颈细胞病理切片 病变细胞识别方法。该方法以细胞团为处理和识别单位，通过二值化 处理得出细胞团前景图像；然后通过深度卷积神经网络的分类模型， 对提取的前景进行细胞团分类,无法给出基于整片阳性结论，无法给出 基于整片阳性结论,无法给出其它诊断建议。
专利CN109190567A，提出了一种基于深度卷积神经网络的异常宫 颈细胞自动检测方法。该方法主要针对数字图像中的阴性细胞(正常细 胞)进行分类，而对阳性仅分为“阳性宫颈细胞”一个单类。该专利不 对阳性细胞进行详细分类,无法给出基于整片阳性结论。
专利CN110163102A，提出了一种基于卷积神经网络的宫颈细胞图 像分类识别方法。该方法使用图像分割出待检测的细胞核区域；然后 通过利用稠密卷积网络对分割的细胞核区域进行分类得出该细胞的类 别。该专利使用的网络为分类网络而不具有定位的功能,无法给出基于 整片阳性结论。
目前检索到的所有专利及文献中的技术发明,均仅从一个角度试 图解决宫颈癌诊断中的局部问题,如制片质量评价、阳性细胞的分割、 阳性细胞的定位、阳性细胞的分类、阴性细胞的分类，这种单一的局 部特定问题的解决没有考虑在实际场景中可能受到的其它因素的干扰 (如成团较多会干扰阳性及阳性细胞的分割、细胞量不足时应给出提示该样本不足以诊断等),所以并不能实际有效的辅助医师进行诊断,这 也是目前计算机辅助诊断在妇科筛查中无法有效使用的根本原因。
另一方面，宫颈癌中当HPV病毒与宫颈上皮细胞整合之后，会使 得宫颈上皮细胞呈现一种特有的状态，在病理学上称其为“挖空细胞”。 “挖空细胞”是由鳞状上皮细胞的“底层细胞”(幼稚细胞或储备细 胞)在受到人乳头瘤病毒(HPV)所致的损害后，加速受损细胞的成 熟化而形成的表层鳞状细胞，其核较正常细胞核有所增大且核深染的 情况，可见双核或多核，核周形成特有的空化区，与核周空晕形状不 同，在挖空细胞内常有一个明显的核周透明带，周围有较致密的胞质 凝聚。是细胞学诊断低级别病变的重要指标之一。而细胞学诊断低级 别鳞状上皮内病变，更多的是从病变的细胞核较正常中层细胞核增大3倍及以上，同时细胞核深染、异型等方面诊断，“挖空细胞”与这些 典型的低级别鳞状上皮内病变细胞相比，其细胞核的异常变化没有那 么明显，细胞核增大一般为正常中层细胞核2.5倍左右，最显著的特征 是在细胞浆内出现空化区的变化上。
而在实际工作中，有时会因为制片、染色等不规范操作，会人为 造成细胞浆形成“挖空”样变化，无论是有经验的医生还是计算机辅 助诊断技术均难以辨认其是否真正属于“挖空细胞”，故而对该类样 本的诊断造成困难。
按照ASCCP发布的宫颈癌筛查指南中，对低级别鳞状上皮内病变 的诊断结果，下一步需要进行阴道镜下取活检，进行组织病理的诊断， 该检查属于有创检查，对病人的宫颈会造成一定的损伤和痛苦。如果 因为这些人为造成的“不典型挖空细胞”被判定为低级别鳞状上皮内 病变，而实际上是宫颈正常的病人被要求做活检，在临床上属于过度 治疗；如果将一些由病毒引起的，只是病程处于初始阶段的“不典型 挖空细胞”诊断为正常，则可能会延误病人的病情，在临床上属于漏 诊。无论是过度治疗或是漏诊都不是宫颈癌筛查工作的理想结果，因 此，如何准确的识别“挖空细胞”及“非典型挖空细胞”，是我们主 要想解决的问题。
发明内容
本发明提供一种多角度、多维度、准确、高效、全面的宫颈脱落 细胞标本的检测方法，以解决现有的技术问题。
根据本发明的一个方面，提供一种宫颈脱落细胞标本的检测方法， 包括以下步骤：
步骤A1，对样本玻片扫描得到数字图像，并拆分成多个视野图像；
步骤A2，将所述视野图像送入深度神经分类模型，进行视野分类， 得到整片视野分类分布统计数据，所述视野分类包括非背景视野图像 和典型非背景视野图像；
步骤A3，将典型非背景视野图像送入深度神经检测模型进行细胞 检测，得到平均单个视野的细胞个数，以获取整片细胞量估计数据；
步骤A4，将非背景视野图像送入深度神经检测模型进行阳性细胞 检测，定位出阳性细胞区域和类别；
步骤A5，将步骤A4检测出的阳性细胞送入深度神经分割网络， 进行细胞核的分割，对于分割出来的细胞核,分别计算平均灰度、RGB 通道平均值、拟合椭圆长短直径、椭圆拟合偏差、细胞核区域灰度偏 差；
步骤A6，对于提取的阳性细胞核特征，送入特征分类器进行细胞 核的分类，得到阳性细胞分布统计数据；
步骤A7，结合整片视野分类分布统计数据、整片细胞量估计数据、 阳性细胞分布统计数据，以得到整片阴/阳性结论、标本满意度结论、 微生物评价。
在上述发明基础上优选，所述步骤A1还包括将拆分成多个视野图 像进行区分，剔除不含细胞的背景区域。
在上述发明基础上优选，所述深度神经分类模型为残差网络模型。
在上述发明基础上优选，所述深度神经检测模型为Faster R-CNN 网络模型。
在上述发明基础上优选，所述深度神经分割网络模型为Mask R-CNN网络模型。
在上述发明基础上优选，所述步骤A7之前还设有如下步骤：
对于所述步骤A4检测出的阳性细胞中的"挖空细胞",送入深度 神经分类网络进行二次分类,并去除假"挖空细胞",得到"挖空细胞"分 布统计数据。
本发明的一种宫颈脱落细胞标本的检测方法，可以综合视野分类 分布统计、整片细胞量估计、阳性细胞分布统计,给出综合辅助判断， 判断更加精准，且由于玻片扫描时会扫描出不含细胞的背景区域,先扣 除此部分区域,减少了算法计算量；而且对于有效区域,进行阳性细胞 检测,由于图像的复杂性,会检出大量的阳性细胞,其中仅有极少部分 为真正的阳性细胞，病理诊断中,诊断阳性细胞主要依据是其细胞核形 态特征,故再对检测后的细胞进行细胞核分割、特征提取、特征分类, 通过多层的筛选,去除假阳性细胞，不仅降低了其计算量而且提高了其 整体的判断精准度。
本发明的输入数据是单张视野数据,不需要整完整大图,即不需 要等待整个玻片扫描完成,整个产品可边扫描边分析处理,算法的执 行时间与设备扫描玻片的时间可以很大程度的重合，提高整个产品的 处理速度。
附图说明
图1为本发明的宫颈脱落细胞标本的检测方法的流程图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细 描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
请参阅图1所示，本发明的一种宫颈脱落细胞标本的检测方法， 包括以下步骤：
步骤A1，对样本玻片扫描得到数字图像，并拆分成多个视野图像， 其中，在拆分过程中，按照标准图样大小如2048*2048像素进行拆分， 以得到相同大小的视野图像，并且拆分完成后，为了降低计算量，可 以将不含细胞的背景区域剔除；
步骤A2，将所述视野图像送入深度神经分类模型，进行视野分类， 得到整片视野分类分布统计数据，视野分类包括非背景视野图像和典 型非背景视野图像；
其中，本发明中的在一个典型视野图像(20倍物镜一倍C接口)内, 正常细胞密度条件下,约有200个细胞,当细胞量低于10个时,即 为细胞量极少,定义为非背景视野图像。
值得说明的是进行视野分类可以按照以下标签进行：
背景视野:视野内无细胞；
少量表层视野:视野内细胞量较少(低于20个)；
表层视野:视野内主要为表层细胞；
中表层视野:视野内主要为中层及表层细胞；
中层视野:视野内主要为中层细胞；
底中表视野:视野内底层、中层、表层细胞均可见
腺视野:视野内以腺细胞为主,其它细胞极少
萎缩视野:视野内以萎缩形态的表层、中层、底层细胞为主
出血视野:视野内呈现血液处理残留形态；
线索视野:视野内细胞表面呈现线索细菌感染形态；
念珠菌视野:视野内有念珠菌大量分布；
HSIL+表层视野:视野内呈现大量散在裸核、高核质比细胞；
炎症视野:视野内主要为炎症细胞,底层、中层、表层细胞量极少；
成团视野:视野内以细胞聚集成团为主；
以上视野分类中,背景视野以外的均为非背景视野；非背景视野中, 少量表层视野、炎症视野、腺视野、成团视野以外的视野均作为典型 非背影视野。
步骤A3，将典型非背景视野图像送入深度神经检测模型进行细胞 检测，得到平均单个视野的细胞个数，以获取整片细胞量估计数据；
步骤A4，将非背景视野图像送入深度神经检测模型进行阳性细胞 检测，定位出阳性细胞区域和类别；其中，阳性细胞类别遵照《子宫 颈细胞学Bethesda报告系统》中定义,包括:ASCUS:意义不明确的非 典型鳞状细胞；ASCUS-H:不排除高级别鳞状上皮内病变的非典型鳞 状细胞；LSIL:低级别鳞状上皮内病变；HSIL:高级别鳞状上皮内病 变；挖空细胞:HPV病毒感染导致形态改变的细胞；
步骤A5，将步骤A4检测出的阳性细胞送入深度神经分割网络， 进行细胞核的分割，对于分割出来的细胞核,分别计算平均灰度、RGB 通道平均值、拟合椭圆长短直径、椭圆拟合偏差、细胞核区域灰度偏 差；
步骤A6，对于提取的阳性细胞核特征，送入特征分类器进行细胞 核的分类，得到阳性细胞分布统计数据；
细胞核分类型为:阴性核、ASCUS核、LSIL核、HSIL核、挖空 核,其中非阴性核均定义为阳性核。
对一某一阳性区域,只有当区域内至少有一个被特征分类器分类 为阳性核时,保留整个阳性区域,否则认为此区域为误判,丢弃此区 域。
步骤A7,对A4中检出的挖空细胞,送入挖空细胞分类模型进 行进一步的分类,分类标签为:挖空细胞、核周空晕、水纹细胞、气泡 光斑。扣除分类结果为"核周空晕、水纹细胞、气泡光斑"的假挖空细胞, 得到高敏感性的挖空细胞分布。
步骤A8，结合整片视野分类分布统计数据、整片细胞量估计数据、 阳性细胞分布统计数据，以得到整片阴/阳性结论、标本满意度结论、 微生物评价，具体评价如下表：
表1：各统计数据与"整片阴/阳性结论"对应表
Figure BDA0003461695120000071
表2：整片细胞量估计与"标本满意度"对应表
整片细胞量估计 标本满意度结论
鳞状上皮细胞量高于阈值 标本满意
鳞状上皮细胞量低于阈值 标本不满意
表3：视野分类分布统计与"微生物评价及其它结论"对应表
视野分类分布统计 微生物评价及其它结论
线索细胞感染视野为主 线索感染
出血特征视野为主 出血
萎缩特征视野为主 萎缩
炎症视野为主 炎症
腺细胞视野个数高于阈值 腺细胞可见
优选的，在本发明的步骤A1中还包括将拆分成多个视野图像进行 区分，剔除不含细胞的背景区域。
其中，本发明的深度神经分类模型为残差网络(Residual Network), 在本实例中采用resnet34模型,分类类别为:挖空细胞、核周空晕、水 纹细胞、气泡光斑。本发明的深度神经检测模型为FasterR-CNN网络, 在本实例中采用fasterrcnn_resnet50_fpn模型。且本发明的深度神经分 割网络为Mask R-CNN网络,在本实例中使用maskrcnn_resnet50_fpn模型。
本发明的一种宫颈脱落细胞标本的检测方法，可以综合视野分类 分布统计、整片细胞量估计、阳性细胞分布统计,给出综合辅助判断， 判断更加精准，且由于玻片扫描时会扫描出不含细胞的背景区域,先扣 除此部分区域,减少了算法计算量；而且对于有效区域,进行阳性细胞 检测,由于图像的复杂性,会检出大量的阳性细胞,其中仅有极少部分 为真正的阳性细胞，病理诊断中,诊断阳性细胞主要依据是其细胞核形 态特征,故再对检测后的细胞进行细胞核分割、特征提取、特征分类, 通过多层的筛选,去除假阳性细胞，不仅降低了其计算量而且提高了其 整体的判断精准度。
本发明的输入数据是单张视野数据,不需要整完整大图,即不需 要等待整个玻片扫描完成,整个产品可边扫描边分析处理,算法的执 行时间与设备扫描玻片的时间可以很大程度的重合，提高整个产品的 处理速度。
最后，本申请的方法仅为较佳的实施发明，并非用于限定本发明 的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同 替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种宫颈脱落细胞标本的检测方法，其特征在于，包括以下步骤：
步骤A1，对样本玻片扫描得到数字图像，并拆分成多个视野图像；
步骤A2，将所述视野图像送入深度神经分类模型，进行视野分类，得到整片视野分类分布统计数据，所述视野分类包括非背景视野图像和典型非背景视野图像；
步骤A3，将典型非背景视野图像送入深度神经检测模型进行细胞检测，得到平均单个视野的细胞个数，以获取整片细胞量估计数据；
步骤A4，将非背景视野图像送入深度神经检测模型进行阳性细胞检测，定位出阳性细胞区域和类别；
步骤A5，将步骤A4检测出的阳性细胞送入深度神经分割网络，进行细胞核的分割，对于分割出来的细胞核,分别计算平均灰度、RGB通道平均值、拟合椭圆长短直径、椭圆拟合偏差、细胞核区域灰度偏差；
步骤A6，对于提取的阳性细胞核特征，送入特征分类器进行细胞核的分类，得到阳性细胞分布统计数据；
步骤A7，结合整片视野分类分布统计数据、整片细胞量估计数据、阳性细胞分布统计数据，以得到整片阴/阳性结论、标本满意度结论、微生物评价。
2.如权利要求1所述的一种宫颈脱落细胞标本的检测方法，其特征在于，所述步骤A1还包括将拆分成多个视野图像进行区分，剔除不含细胞的背景区域。
3.如权利要求2所述的一种宫颈脱落细胞标本的检测方法，其特征在于，所述深度神经分类模型为残差网络模型。
4.如权利要求1所述的一种宫颈脱落细胞标本的检测方法，其特征在于，所述深度神经检测模型为FasterR-CNN网络模型。
5.如权利要求1所述的一种宫颈脱落细胞核分割方法,其特征在于，所述深度神经分割网络模型为Mask R-CNN网络模型。
6.如权利要求1所述的一种宫颈脱落细胞核分割方法,其特征在于，所述步骤A7之前还设有如下步骤：
对于所述步骤A4检测出的阳性细胞中的"挖空细胞",送入深度神经分类网络进行二次分类,并去除假"挖空细胞",得到"挖空细胞"分布统计数据。
CN202210018992.5A 2022-01-10 2022-01-10 一种宫颈脱落细胞标本的检测方法 Active CN114638782B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210018992.5A CN114638782B (zh) 2022-01-10 2022-01-10 一种宫颈脱落细胞标本的检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210018992.5A CN114638782B (zh) 2022-01-10 2022-01-10 一种宫颈脱落细胞标本的检测方法

Publications (2)

Publication Number Publication Date
CN114638782A true CN114638782A (zh) 2022-06-17
CN114638782B CN114638782B (zh) 2023-02-07

Family

ID=81946070

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210018992.5A Active CN114638782B (zh) 2022-01-10 2022-01-10 一种宫颈脱落细胞标本的检测方法

Country Status (1)

Country Link
CN (1) CN114638782B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030190602A1 (en) * 2001-03-12 2003-10-09 Monogen, Inc. Cell-based detection and differentiation of disease states
JP2013541767A (ja) * 2010-09-16 2013-11-14 ユニバーシティ・オブ・カンザス セルブロック調製物のデジタル評価のためのシステム及び方法
EP3054279A1 (en) * 2015-02-06 2016-08-10 St. Anna Kinderkrebsforschung e.V. Methods for classification and visualization of cellular populations on a single cell level based on microscopy images
US20170285029A1 (en) * 2016-04-01 2017-10-05 Agilent Technologies, Inc. Immunohistochemistry scoring methods and compositions
CN109035269A (zh) * 2018-07-03 2018-12-18 怀光智能科技（武汉）有限公司 一种宫颈细胞病理切片病变细胞分割方法及系统
CN110853022A (zh) * 2019-11-14 2020-02-28 腾讯科技（深圳）有限公司 病理切片图像的处理方法、装置、系统及存储介质
CN112215790A (zh) * 2019-06-24 2021-01-12 杭州迪英加科技有限公司 基于深度学习的ki67指数分析方法
US20210065367A1 (en) * 2019-08-26 2021-03-04 Wuhan University Automatic abnormal cell recognition method based on image splicing
CN112991263A (zh) * 2021-02-06 2021-06-18 杭州迪英加科技有限公司 用于提升pd-l1免疫组化病理切片tps计算准确度的方法及设备
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
CN113724235A (zh) * 2021-09-02 2021-11-30 山东省千佛山医院 镜下环境改变条件时半自动化的Ki67/ER/PR阴性、阳性细胞计数系统及方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030190602A1 (en) * 2001-03-12 2003-10-09 Monogen, Inc. Cell-based detection and differentiation of disease states
JP2013541767A (ja) * 2010-09-16 2013-11-14 ユニバーシティ・オブ・カンザス セルブロック調製物のデジタル評価のためのシステム及び方法
EP3054279A1 (en) * 2015-02-06 2016-08-10 St. Anna Kinderkrebsforschung e.V. Methods for classification and visualization of cellular populations on a single cell level based on microscopy images
US20170285029A1 (en) * 2016-04-01 2017-10-05 Agilent Technologies, Inc. Immunohistochemistry scoring methods and compositions
CN109035269A (zh) * 2018-07-03 2018-12-18 怀光智能科技（武汉）有限公司 一种宫颈细胞病理切片病变细胞分割方法及系统
CN112215790A (zh) * 2019-06-24 2021-01-12 杭州迪英加科技有限公司 基于深度学习的ki67指数分析方法
US20210065367A1 (en) * 2019-08-26 2021-03-04 Wuhan University Automatic abnormal cell recognition method based on image splicing
CN110853022A (zh) * 2019-11-14 2020-02-28 腾讯科技（深圳）有限公司 病理切片图像的处理方法、装置、系统及存储介质
CN112991263A (zh) * 2021-02-06 2021-06-18 杭州迪英加科技有限公司 用于提升pd-l1免疫组化病理切片tps计算准确度的方法及设备
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
CN113724235A (zh) * 2021-09-02 2021-11-30 山东省千佛山医院 镜下环境改变条件时半自动化的Ki67/ER/PR阴性、阳性细胞计数系统及方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SHENGHUA CHENG ET AL.: "Robust whole slide image analysis for cervical cancer screening using deep learning", 《NATURE COMMUNICATIONS》 *
朱雪琼等: "局部晚期子宫颈癌新辅助动脉化疗疗效的评价", 《实用肿瘤杂志》 *
韩鑫: "宫颈液基病理图像细胞检测算法研究", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 *

Also Published As

Publication number Publication date
CN114638782B (zh) 2023-02-07

Similar Documents

Publication Publication Date Title
CN108334909B (zh) 基于ResNet的宫颈癌TCT数字切片数据分析系统
EP2745111B1 (en) System and method for the detection of precancer or cancer cells in a biological sample
Sukumar et al. Computer aided detection of cervical cancer using pap smear images based on adaptive neuro fuzzy inference system classifier
EP2027567B1 (en) Method for processing biomedical images
Win et al. Automated segmentation of cell nuclei in cytology pleural fluid images using OTSU thresholding
EP2685881A2 (en) Medical instrument for examining the cervix
CN111476754B (zh) 一种骨髓细胞影像人工智能辅助分级诊断系统及方法
CN109785310A (zh) 一种基于乳腺淋巴结全景图像计算的自动分期系统
CN108765411B (zh) 一种基于影像组学的肿瘤分型系统
Kaaviya et al. PAP smear image analysis for cervical cancer detection
Fazilov et al. Improvement of Image Enhancement Technique for Mammography Images
CN117541864A (zh) 基于深度学习的乳腺病理数据的病理特征识别分类方法
CN114638782B (zh) 一种宫颈脱落细胞标本的检测方法
Cheng et al. Automated cell nuclei segmentation from microscopic images of cervical smear
Sobrevilla et al. Fuzzy-based analysis of microscopic color cervical pap smear images: nuclei detection
Rahmadwati et al. Morphological characteristics of cervical cells for cervical cancer diagnosis
Lakshmi et al. Multiple feature extraction from cervical cytology images by Gaussian mixture model
CN113838020B (zh) 一种基于钼靶影像的病变区域量化方法
Ko et al. A computer-aided grading system of breast carcinoma: scoring of tubule formation
Supriyanto et al. Automatic detection system of cervical cancer cells using color intensity classification
Forsberg et al. Evaluating cell nuclei segmentation for use on whole-slide images in lung cytology
Ramya et al. A methodical review of diagnosis and classification of leukemia using blood microscopic images
Narayan et al. Cervical Cancer Detection Based on Novel Decision Tree Approach.
Ray et al. Detection of cervical cancer at an early stage using hybrid segmentation techniques from PAP smear images
Kim Nucleus Recognition of Uterine Cervical Pap-Smears using FCM Clustering Algorithm

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