CN115019305A - 一种根尖细胞的识别方法、装置、设备及可读存储介质 - Google Patents

一种根尖细胞的识别方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN115019305A
CN115019305A CN202210942739.9A CN202210942739A CN115019305A CN 115019305 A CN115019305 A CN 115019305A CN 202210942739 A CN202210942739 A CN 202210942739A CN 115019305 A CN115019305 A CN 115019305A
Authority
CN
China
Prior art keywords
root tip
cell
cells
historical
feature
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
CN202210942739.9A
Other languages
English (en)
Other versions
CN115019305B (zh
Inventor
周永乐
李吉良
张志鸿
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.)
Chengdu Xijiao Zhihui Big Data Technology Co ltd
Original Assignee
Chengdu Xijiao Zhihui Big Data Technology 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 Chengdu Xijiao Zhihui Big Data Technology Co ltd filed Critical Chengdu Xijiao Zhihui Big Data Technology Co ltd
Priority to CN202210942739.9A priority Critical patent/CN115019305B/zh
Publication of CN115019305A publication Critical patent/CN115019305A/zh
Application granted granted Critical
Publication of CN115019305B publication Critical patent/CN115019305B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/60Type of objects
    • G06V20/69Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/695Preprocessing, e.g. image segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/20Image preprocessing
    • G06V10/30Noise filtering
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/44Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/60Type of objects
    • G06V20/69Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698Matching; Classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明提供了一种根尖细胞的识别方法、装置、设备及可读存储介质,涉及图像识别技术领域,包括基于历史根尖细胞图像进行特征提取,获取根尖细胞的特征信息,并计算每个特征所占权重,基于每个根尖细胞的特征对根尖细胞进行分类,并计算分类后的根尖细胞的空间位置,然后计算所述空间位置特征和所述根尖细胞的关联性,最后计算每个根尖细胞的特征和空间位置的组合权重,依据所述组合权重和预设的每个特征分值确定学生实验观察到的玻片图像的得分,确定每个玻片图像的得分是否大于预设阈值,判断所述玻片图像是否为根尖细胞图像,本发明利用根尖细胞的多方面特征来识别根尖细胞,进而增加判断准确性,减少人力物力浪费。

Description

一种根尖细胞的识别方法、装置、设备及可读存储介质
技术领域
本发明涉及图像识别技术领域,具体而言,涉及一种根尖细胞的识别方法、装置、设备及可读存储介质。
背景技术
在实验考试中,往往需要人工对学生的操作和学生观察到的图像进行识别,而学生观察到的图像往往是不会在同一个方向,而且需要大量人工进行检查,现需要一种能够基于根尖细胞的图像特征和空间位置特征对根尖细胞进行识别的方法和装置,以此来对根尖细胞进行识别,进而减少人力物力和减少人工判断的主观性,保障实验评分的准确性。
发明内容
本发明的目的在于提供一种根尖细胞的识别方法、装置、设备及可读存储介质,以改善上述问题。为了实现上述目的,本发明采取的技术方案如下:
第一方面,本申请提供了一种根尖细胞的识别方法,包括:
获取历史根尖细胞图像和学生实验观察到的玻片图像;
将所述历史根尖细胞图像进行特征提取,并基于提取到的根尖细胞特征进行权重计算,得到每个所述根尖细胞的特征权重信息;
基于所述根尖细胞特征对所述历史根尖细胞图像内的所有细胞进行聚类分析和降噪处理,得到分类后的根尖细胞;
将所述分类后的根尖细胞进行空间位置判断和关联度分析,确定每个分类后的根尖细胞和其空间位置的关联度值;
将每个所述根尖细胞的特征权重信息、每个分类后的根尖细胞和根尖细胞的空间位置的关联度值进行计算,并基于计算得到的组合权重和学生实验观察到的玻片图像进行处理,判断所述学生实验观察到的玻片图像是否为根尖细胞图像。
第二方面,本申请还提供了一种根尖细胞的识别装置,包括:
获取单元,用于获取历史根尖细胞图像和学生实验观察到的玻片图像;
第一计算单元,用于将所述历史根尖细胞图像进行特征提取,并基于提取到的根尖细胞特征进行权重计算,得到每个所述根尖细胞的特征权重信息;
第一分析单元,用于基于所述根尖细胞特征对所述历史根尖细胞图像内的所有细胞进行聚类分析和降噪处理,得到分类后的根尖细胞;
第二分析单元,用于将所述分类后的根尖细胞进行空间位置判断和关联度分析,确定每个分类后的根尖细胞和其空间位置的关联度值;
第二计算单元,用于将每个所述根尖细胞的特征权重信息、每个分类后的根尖细胞和根尖细胞的空间位置的关联度值进行计算,并基于计算得到的组合权重和学生实验观察到的玻片图像进行处理,判断所述学生实验观察到的玻片图像是否为根尖细胞图像。
第三方面,本申请还提供了一种根尖细胞的识别设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现所述根尖细胞的识别方法的步骤。
第四方面,本申请还提供了一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述基于根尖细胞的识别方法的步骤。
本发明的有益效果为:
本发明通过对历史根尖细胞图像进行特征分析,根据根尖细胞图像内的细胞特征进行权重分析,确定每个根尖细胞的特征所占的权重值,并基于根尖细胞图像内的细胞特征对所有细胞进行聚类,通过聚类对细胞进行分类,将根尖细胞的四个区域进行分出,并将不属于根尖细胞的四个区域的其他细胞进行删除,进而减少根尖细胞的判断误差;
本发明还通过将根尖细胞的空间位置对分类后的根尖细胞进行关联度分析,确定每个种类的根尖细胞的空间位置与其类别之间的关系,进而为接下来判断玻片图像是否为根尖细胞图像提供多维度的判断路线,并且通过将每个特征的权重和空间位置的关联度进行组合分析,确定根尖细胞的特征和空间位置关系所占权重,进而可以对根尖细胞的判断进行量化分析,增加判断的准确率。
本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例中所述的根尖细胞的识别方法流程示意图;
图2为本发明实施例中所述的根尖细胞的识别装置结构示意图;
图3为本发明实施例中所述的根尖细胞的识别设备结构示意图。
图中标记:701、获取单元;702、第一计算单元;703、第一分析单元;704、第二分析单元;705、第二计算单元;7021、第一处理子单元;7022、第二处理子单元;7023、第一计算子单元;70231、第一分析子单元;70232、第三处理子单元;70233、第二计算子单元;7031、第一聚类子单元;7032、第二聚类子单元;7033、第三聚类子单元;7041、第四处理子单元;7042、第二分析子单元;7043、第三计算子单元;7051、第五处理子单元;7052、第四计算子单元;7053、第五计算子单元;7054、第六处理子单元;800、根尖细胞的识别设备;801、处理器;802、存储器;803、多媒体组件;804、I/O接口;805、通信组件。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1:
本实施例提供了一种根尖细胞的识别方法。
参见图1,图中示出了本方法包括步骤S1、步骤S2、步骤S3、步骤S4和步骤S5。
步骤S1、获取历史根尖细胞图像和学生实验观察到的玻片图像;
可以理解的是本步骤是为了将观察到的所有的历史根尖细胞图像上传和存储,为判断学生实验观察到的玻片图像是否为根尖细胞图像进行判断,其中学生实验观察到的玻片图像为摄像头进行采集并实时上传。
步骤S2、将所述历史根尖细胞图像进行特征提取,并基于提取到的根尖细胞特征进行权重计算,得到每个所述根尖细胞的特征权重信息,所述根尖细胞特征包括历史根尖细胞图像的、轮廓特征和灰度特征;
可以理解的是本步骤通过对历史根尖细胞图像进行特征提取,所述根尖细胞特征包括历史根尖细胞图像的轮廓特征和灰度特征,其中轮廓特征基于线性插值法进行采集,提取每个细胞图像的轮廓,并判断所述轮廓为什么形状,而其中灰度特征的提取方式为基于统计的方式构造灰度共生矩阵,然后基于灰度共生矩阵计算灰度图像的纹理角二阶矩、纹理熵、对比度和均匀性特征,本步骤中,步骤S2包括步骤S21、步骤S22和步骤S23。
步骤S21、将所有的历史根尖细胞图像内的像素点按照灰度值进行连线,其中采用线性插值法将不同灰度值区域的交界处进行插值处理,得到所有的所述根尖细胞的轮廓图像;
可以理解的是本步骤通过图像识别,获取所有历史根尖细胞图像内所有像素点的信息,并通过线性插值法进行插值处理,得到所有根尖细胞的轮廓图像;
步骤S22、基于所有的所述根尖细胞的轮廓图像进行特征提取,确定所有历史根尖细胞图像的特征信息;
可以理解的是本步骤通过对每个轮廓图像的特征进行提取,得到每个轮廓图像的轮廓特征,所述轮廓特征包括面积、周长、质心和边界框等特征,其中本步骤中灰度特征图像的提取可以为基于统计的方式构造灰度共生矩阵,然后基于灰度共生矩阵计算灰度图像的纹理角二阶矩、纹理熵、对比度和均匀性等特征。
步骤S23、基于层次分析法对所有历史根尖细胞图像的特征信息进行权重计算,得到每个特征的权重信息。
可以理解的是本步骤通过层次分析法分析每个特征之间的相对权重,进而为之后的基于特征判断是否为根尖细胞做准备,本步骤中步骤S23包括步骤S231、步骤S232和步骤S233。
步骤S231、将所有历史根尖细胞图像的特征信息进行分析,并建立层次结构模型;
步骤S232、基于所述层次结构模型,依次对每个特征的重要性进行比较,构建得到判别矩阵,其中基于每个特征的重要性进行评分,并将每个特征的重要性分值建立矩阵;
可以理解的是本步骤中通过对所有历史根尖细胞图像的特征信息进行归类分析,划分为由上到下顺序形成的目标层、准则层和方案层的层次结构模型。例如在本实施例中,目标层为每个历史根尖细胞图像的特征的重要性,准则层为历史根尖细胞图像的特征出现次数等,方案层为历史根尖细胞图像的特征比例。
可以理解的是,在本步骤中,基于层次结构模型逐层对两两因素进行比较获得相对重要程度的关系,并使用1-9标度法对每个指标进行打分,并做归一化处理后得到判别矩阵,判别矩阵如下所述:
Figure 209149DEST_PATH_IMAGE001
其中,A为判别矩阵;
Figure 126289DEST_PATH_IMAGE002
为当前层级的特征i和特征j对上一层级的重要性比例标度;i和j分别为不同种类的特征;n为层次结构模型的维度。
步骤S233、基于所述判别矩阵计算每个特征的权重信息并进行一致性检验。
可以理解的是本步骤通过权重计算公式计算每个特征的权重,其中权重计算公式如下所述:
Figure 843709DEST_PATH_IMAGE003
其中,
Figure 238919DEST_PATH_IMAGE004
每个特征的权重系数,
Figure 53291DEST_PATH_IMAGE005
为判别矩阵中每一行各标度数据的几何平均数。
可以理解的是本步骤通过判断一致性指标是否符合要求,来判断每个层次的权重向量是否符合要求,其中一致性指标的计算公式如下:
Figure 875753DEST_PATH_IMAGE006
其中:R为一致性指标;
Figure 142787DEST_PATH_IMAGE007
为判别矩阵的最大特征值;n为判别矩阵的阶数;E为平均随机一致性指标。
步骤S3、基于所述根尖细胞特征对所述历史根尖细胞图像内的所有细胞进行聚类分析和降噪处理,得到分类后的根尖细胞;
可以理解的是本步骤通过对每个根尖细胞的特征进行聚类,将所有细胞分为四个类别,其中将四个类别的细胞对应四个区域,所述四个区域为成熟区、伸长区、分生区和根冠区,进而将其他细胞的特征进行删除,得到每个区域对应的特征,进而减少后面的判断误差,本步骤中步骤S3包括步骤S31、步骤S32和步骤S33。
步骤S31、将所述历史根尖细胞图像内的所有细胞的特征基于距离类的聚类算法进行处理,得到至少八个聚类簇;
步骤S32、依据聚类簇内的聚类点数量从多到少依次排序,确定聚类点数量最多的八个聚类簇,并将其余聚类簇进行删除;
可以理解的是本步骤通过基于距离类的聚类算法,例如K-MEANS算法对所有细胞的特征进行聚类,其中将每个类别的特征进行标号,计算每个特征间的欧式距离,进而将所有细胞之间的特征进行分类,得到至少四个聚类簇,并将其余聚类簇进行删除,其中由于每个区域的细胞特征不同,进而每个区域的细胞都有轮廓特征和灰度特征,进而可以将每个区域的细胞特征选取出一个最重要的轮廓特征和一个最重要的灰度特征。
步骤S33、基于聚类点数量最多的八个聚类簇将所述历史根尖细胞图像内的所有细胞分为四个类别的根尖细胞。
可以理解的是本步骤是通过将所有的轮廓特征和所述灰度特征进行对应,进而将所有的细胞分为四个类别,所述四个类别包括成熟区细胞、伸长区细胞、分生区细胞和根冠区细胞。
步骤S4、将所述分类后的根尖细胞进行空间位置判断和关联度分析,确定每个分类后的根尖细胞和其空间位置的关联度值;
可以理解的是本步骤是为了确定每个类别的细胞的空间位置特征,并计算所述空间位置特征和每个类别的细胞之间关联度,进而判断每个类别的细胞应该在什么位置,本步骤汇总步骤S4包括步骤S41、步骤S42和步骤S43。
步骤S41、将所述分类后的根尖细胞发送至预设的二维空间直角坐标系内进行坐标位置确定,其中将所述分类后的根尖细胞进行关键点识别,并确定识别到的每个根尖细胞的关键点的坐标位置,得到每个根尖细胞的坐标位置;
可以理解的是本步骤通过将所有的分类后的根尖细胞图像发送至预设的二维空间直角坐标系内确定每个的空间位置,其中本步骤中的关键点是指每个细胞轮廓图像内所有像素点的坐标均值作为每个细胞的关键点;
步骤S42、将所述每个根尖细胞的坐标位置和所述每个根尖细胞的类别进行灰色关联分析,其中将每个根尖细胞的类别进行标号,并对标号后的每个根尖细胞的类别和每个根尖细胞的坐标位置进行无纲量化处理,得到无纲量化后的每个根尖细胞的类别和无纲量化后的每个根尖细胞的坐标位置;
步骤S43、基于无纲量化后的每个根尖细胞的类别和无纲量化后的每个根尖细胞的坐标位置进行关联计算,得到每个根尖细胞的类别和每个根尖细胞的坐标位置的关联度值。
可以理解的是本步骤通过对每个所述每个根尖细胞的坐标位置和所述每个根尖细胞的类别进行灰色关联分析确定每个根尖细胞的类别和每个根尖细胞的坐标位置之间的关联系数,进而计算的根尖细胞的类别和每个根尖细胞的坐标位置关联度。
步骤S5、将每个所述根尖细胞的特征权重信息、每个分类后的根尖细胞和根尖细胞的空间位置的关联度值进行计算,并基于计算得到的组合权重和学生实验观察到的玻片图像进行处理,判断所述学生实验观察到的玻片图像是否为根尖细胞图像。
可以理解的是本步骤通过将每个所述根尖细胞的特征权重信息、和所述关联度值进行组合计算,确定每个根尖细胞的轮廓特征权重、灰度特征权重和空间特征权重的组合权重,并将每个特征所占分值均预设为一分,进而在判断所述学生实验观察到的玻片图像是否为根尖细胞图像时将预设分值乘以所述玻片图像内细胞的特征对应的权重,进而判断所述细胞的特征分值之和是否大于预设的阈值,进而判断所述细胞是否为根尖细胞,进而不用人工判断,减少大量人力物力,而且增加评判的准确性和客观性,本步骤中步骤S5包括步骤S51、步骤S52、步骤S53和步骤S54。
步骤S51、依据最小鉴别信息原理建立目标函数,求解所述目标函数从而构建拉格朗日函数;
可以理解的是本步骤中的最小鉴别信息原理描述的是两个概率分别之间的差异性,而根据所述最小鉴别信息原理组合权重应该尽可能地接近两个权重,而不偏向任一个权重,其中本步骤将所述关联度值作为第一权重,将所述根尖细胞的特征权重信息作为第二权重。
可以理解的是上述步骤中构建的目标函数如下:
Figure 30102DEST_PATH_IMAGE008
其中,
Figure 698981DEST_PATH_IMAGE009
为第i个关联度值,
Figure 692345DEST_PATH_IMAGE010
为第i个权重值,
Figure 446674DEST_PATH_IMAGE011
为第i个关联度值和权重值的组合权重向量,n为关联度值总个数;
可以理解的是上述步骤中构建拉格朗日函数如下:
Figure 183686DEST_PATH_IMAGE012
Figure 644754DEST_PATH_IMAGE013
其中,L为拉格朗日函数,
Figure 74599DEST_PATH_IMAGE014
拉格朗日常数,
Figure 316224DEST_PATH_IMAGE015
为第i个关联度值,
Figure 591348DEST_PATH_IMAGE010
为第i个权重值,
Figure 234819DEST_PATH_IMAGE011
为第i个关联度值和权重值的组合权重向量,n为关联度值总个数。
步骤S52、将每个所述根尖细胞的特征权重信息、每个分类后的根尖细胞和其空间位置的关联度值代入到所述拉格朗日函数进行求解,得到每个所述根尖细胞特征的组合权重;
可以理解的是可以理解的是本步骤中的拉格朗日函数求解公式如下所述:
Figure 756936DEST_PATH_IMAGE016
其中,
Figure 485857DEST_PATH_IMAGE015
为第i个关联度值,
Figure 564672DEST_PATH_IMAGE010
为第i个权重值,
Figure 62649DEST_PATH_IMAGE011
为第i个关联度值和权重值的组合权重向量,n为关联度值总个数。
步骤S53、对学生考试观察到的玻片图像进行特征提取,并判断提取到的玻片图像的特征按照预设分值分别与所述组合权重对应相乘,确定所述提取到的玻片图像的特征的权重得分;
可以理解的是本步骤通过将每个玻片图像内的细胞图像的特征分值和对应的组合权重进行相乘,确定每个玻片图像内的特征分值,进而判断每个玻片图像中的细胞是否为根尖细胞。
步骤S54、判断所述玻片图像的特征的权重得分是否大于预设阈值,若所述玻片图像的特征的权重得分大于预设阈值,则判断所述玻片图像为根尖细胞图像。
可以理解的是本步骤中判断依据为若玻片图像内的细胞为根尖细胞,那么玻片图像内的细胞就应该包含有根尖细胞的各个特征,若并没有包含根尖细胞的各个特征,那么所述细胞则不是根尖细胞,而本步骤中通过组合权重,将每个特征所占比例进行调整,进而增加判断的准确率。
实施例2:
如图2所示,本实施例提供了一种根尖细胞的识别装置,所述装置包括获取单元701、第一计算单元702、第一分析单元703、第二分析单元704和第二计算单元705。
获取单元701,用于获取历史根尖细胞图像和学生实验观察到的玻片图像;
第一计算单元702,用于将所述历史根尖细胞图像进行特征提取,并基于提取到的根尖细胞特征进行权重计算,得到每个所述根尖细胞的特征权重信息;
第一分析单元703,用于基于所述根尖细胞特征对所述历史根尖细胞图像内的所有细胞进行聚类分析和降噪处理,得到分类后的根尖细胞;
第二分析单元704,用于将所述分类后的根尖细胞进行空间位置判断和关联度分析,确定每个分类后的根尖细胞和其空间位置的关联度值;
第二计算单元705,用于将每个所述根尖细胞的特征权重信息、每个分类后的根尖细胞和根尖细胞的空间位置的关联度值进行计算,并基于计算得到的组合权重和学生实验观察到的玻片图像进行处理,判断所述学生实验观察到的玻片图像是否为根尖细胞图像。
在本公开的一种具体实施方式中,所述第一计算单元702包括第一处理子单元7021、第二处理子单元7022和第一计算子单元7023。
第一处理子单元7021,用于将所有的历史根尖细胞图像内的像素点按照灰度值进行连线,其中采用线性插值法将不同灰度值区域的交界处进行插值处理,得到所有的所述根尖细胞的轮廓图像;
第二处理子单元7022,用于基于所有的所述根尖细胞的轮廓图像进行特征提取,确定所有历史根尖细胞图像的特征信息;
第一计算子单元7023,用于基于层次分析法对所有历史根尖细胞图像的特征信息进行权重计算,得到每个特征的权重信息。
在本公开的一种具体实施方式中,所述第一计算子单元7023包括第一分析子单元70231、第三处理子单元70232和第二计算子单元70233。
第一分析子单元70231,用于将所有历史根尖细胞图像的特征信息进行分析,并建立层次结构模型;
第三处理子单元70232,用于基于所述层次结构模型,依次对每个特征的重要性进行比较,构建得到判别矩阵,其中基于每个特征的重要性进行评分,并将每个特征的重要性分值建立矩阵;
第二计算子单元70233,用于基于所述判别矩阵计算每个特征的权重信息并进行一致性检验。
在本公开的一种具体实施方式中,所述第一分析单元703包括第一聚类子单元7031、第二聚类子单元7032和第三聚类子单元7033。
第一聚类子单元7031,用于将所述历史根尖细胞图像内的所有细胞的特征基于距离类的聚类算法进行处理,得到至少八个聚类簇;
第二聚类子单元7032,用于依据聚类簇内的聚类点数量从多到少依次排序,确定聚类点数量最多的八个聚类簇,并将其余聚类簇进行删除;
第三聚类子单元7033,用于基于聚类点数量最多的八个聚类簇将所述历史根尖细胞图像内的所有细胞分为四个类别的根尖细胞。
在本公开的一种具体实施方式中,所述第二分析单元704包括第四处理子单元7041、第二分析子单元7042和第三计算子单元7043。
第四处理子单元7041,用于将所述分类后的根尖细胞发送至预设的二维空间直角坐标系内进行坐标位置确定,其中将所述分类后的根尖细胞进行关键点识别,并确定识别到的每个根尖细胞的关键点的坐标位置,得到每个根尖细胞的坐标位置;
第二分析子单元7042,用于将所述每个根尖细胞的坐标位置和所述每个根尖细胞的类别进行灰色关联分析,其中将每个根尖细胞的类别进行标号,并对标号后的每个根尖细胞的类别和每个根尖细胞的坐标位置进行无纲量化处理,得到无纲量化后的每个根尖细胞的类别和无纲量化后的每个根尖细胞的坐标位置;
第三计算子单元7043,用于基于无纲量化后的每个根尖细胞的类别和无纲量化后的每个根尖细胞的坐标位置进行关联计算,得到每个根尖细胞的类别和每个根尖细胞的坐标位置的关联度值。
在本公开的一种具体实施方式中,所述第二计算单元705包括第五处理子单元7051、第四计算子单元7052、第五计算子单元7053和第六处理子单元7054。
第五处理子单元7051,用于依据最小鉴别信息原理建立目标函数,求解所述目标函数从而构建拉格朗日函数;
第四计算子单元7052,用于将每个所述根尖细胞的特征权重信息、每个分类后的根尖细胞和其空间位置的关联度值代入到所述拉格朗日函数进行求解,得到每个所述根尖细胞特征的组合权重;
第五计算子单元7053,用于对学生考试观察到的玻片图像进行特征提取,并判断提取到的玻片图像的特征按照预设分值分别与所述组合权重对应相乘,确定所述提取到的玻片图像的特征的权重得分;
第六处理子单元7054,用于判断所述玻片图像的特征的权重得分是否大于预设阈值,若所述玻片图像的特征的权重得分大于预设阈值,则判断所述玻片图像为根尖细胞图像。
需要说明的是,关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
实施例3:
相应于上面的方法实施例,本实施例中还提供了一种根尖细胞的识别设备,下文描述的一种根尖细胞的识别设备与上文描述的一种根尖细胞的识别方法可相互对应参照。
图3是根据示例性实施例示出的一种根尖细胞的识别设备800的框图。如图3所示,该根尖细胞的识别设备800可以包括:处理器801,存储器802。该根尖细胞的识别设备800还可以包括多媒体组件803, I/O接口804,以及通信组件805中的一者或多者。
其中,处理器801用于控制该根尖细胞的识别设备800的整体操作,以完成上述的根尖细胞的识别方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该根尖细胞的识别设备800的操作,这些数据例如可以包括用于在该根尖细胞的识别设备800上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-OnlyMemory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-OnlyMemory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该根尖细胞的识别设备800与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件805可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,根尖细胞的识别设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的根尖细胞的识别方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的根尖细胞的识别方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器802,上述程序指令可由根尖细胞的识别设备800的处理器801执行以完成上述的根尖细胞的识别方法。
实施例4:
相应于上面的方法实施例,本实施例中还提供了一种可读存储介质,下文描述的一种可读存储介质与上文描述的一种根尖细胞的识别方法可相互对应参照。
一种可读存储介质,可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例的根尖细胞的识别方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种根尖细胞的识别方法,其特征在于,包括:
获取历史根尖细胞图像和学生实验观察到的玻片图像;
将所述历史根尖细胞图像进行特征提取,并基于提取到的根尖细胞特征进行权重计算,得到每个所述根尖细胞的特征权重信息;
基于所述根尖细胞特征对所述历史根尖细胞图像内的所有细胞进行聚类分析和降噪处理,得到分类后的根尖细胞;
将所述分类后的根尖细胞进行空间位置判断和关联度分析,确定每个分类后的根尖细胞和其空间位置的关联度值;
将每个所述根尖细胞的特征权重信息、每个分类后的根尖细胞和根尖细胞的空间位置的关联度值进行计算,并基于计算得到的组合权重和学生实验观察到的玻片图像进行处理,判断所述学生实验观察到的玻片图像是否为根尖细胞图像。
2.根据权利要求1所述的根尖细胞的识别方法,其特征在于,将所述历史根尖细胞图像进行特征提取,并基于提取到的根尖细胞特征进行权重计算,包括:
将所有的历史根尖细胞图像内的像素点按照灰度值进行连线,其中采用线性插值法将不同灰度值区域的交界处进行插值处理,得到所有的所述根尖细胞的轮廓图像;
基于所有的所述根尖细胞的轮廓图像进行特征提取,确定所有历史根尖细胞图像的特征信息;
基于层次分析法对所有历史根尖细胞图像的特征信息进行权重计算,得到每个特征的权重信息。
3.根据权利要求2所述的根尖细胞的识别方法,其特征在于,所述基于层次分析法对所有历史根尖细胞图像的特征信息进行权重计算,得到每个特征的权重信息,包括:
将所有历史根尖细胞图像的特征信息进行分析,并建立层次结构模型;
基于所述层次结构模型,依次对每个特征的重要性进行比较,构建得到判别矩阵,其中基于每个特征的重要性进行评分,并将每个特征的重要性分值建立矩阵;
基于所述判别矩阵计算每个特征的权重信息并进行一致性检验。
4.根据权利要求1所述的根尖细胞的识别方法,其特征在于,所述基于所述根尖细胞特征对所述历史根尖细胞图像内的所有细胞进行聚类分析和降噪处理,包括:
将所述历史根尖细胞图像内的所有细胞的特征基于距离类的聚类算法进行处理,得到至少八个聚类簇;
依据聚类簇内的聚类点数量从多到少依次排序,确定聚类点数量最多的八个聚类簇,并将其余聚类簇进行删除;
基于聚类点数量最多的八个聚类簇将所述历史根尖细胞图像内的所有细胞分为四个类别的根尖细胞。
5.一种根尖细胞的识别装置,其特征在于,包括:
获取单元,用于获取历史根尖细胞图像和学生实验观察到的玻片图像;
第一计算单元,用于将所述历史根尖细胞图像进行特征提取,并基于提取到的根尖细胞特征进行权重计算,得到每个所述根尖细胞的特征权重信息;
第一分析单元,用于基于所述根尖细胞特征对所述历史根尖细胞图像内的所有细胞进行聚类分析和降噪处理,得到分类后的根尖细胞;
第二分析单元,用于将所述分类后的根尖细胞进行空间位置判断和关联度分析,确定每个分类后的根尖细胞和其空间位置的关联度值;
第二计算单元,用于将每个所述根尖细胞的特征权重信息、每个分类后的根尖细胞和根尖细胞的空间位置的关联度值进行计算,并基于计算得到的组合权重和学生实验观察到的玻片图像进行处理,判断所述学生实验观察到的玻片图像是否为根尖细胞图像。
6.根据权利要求5所述的根尖细胞的识别装置,其特征在于,所述装置包括:
第一处理子单元,用于将所有的历史根尖细胞图像内的像素点按照灰度值进行连线,其中采用线性插值法将不同灰度值区域的交界处进行插值处理,得到所有的所述根尖细胞的轮廓图像;
第二处理子单元,用于基于所有的所述根尖细胞的轮廓图像进行特征提取,确定所有历史根尖细胞图像的特征信息;
第一计算子单元,用于基于层次分析法对所有历史根尖细胞图像的特征信息进行权重计算,得到每个特征的权重信息。
7.根据权利要求6所述的根尖细胞的识别装置,其特征在于,所述装置包括:
第一分析子单元,用于将所有历史根尖细胞图像的特征信息进行分析,并建立层次结构模型;
第三处理子单元,用于基于所述层次结构模型,依次对每个特征的重要性进行比较,构建得到判别矩阵,其中基于每个特征的重要性进行评分,并将每个特征的重要性分值建立矩阵;
第二计算子单元,用于基于所述判别矩阵计算每个特征的权重信息并进行一致性检验。
8.根据权利要求7所述的根尖细胞的识别装置,其特征在于,所述装置包括:
第一聚类子单元,用于将所述历史根尖细胞图像内的所有细胞的特征基于距离类的聚类算法进行处理,得到至少八个聚类簇;
第二聚类子单元,用于依据聚类簇内的聚类点数量从多到少依次排序,确定聚类点数量最多的八个聚类簇,并将其余聚类簇进行删除;
第三聚类子单元,用于基于聚类点数量最多的八个聚类簇将所述历史根尖细胞图像内的所有细胞分为四个类别的根尖细胞。
9.一种根尖细胞的识别设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至4任一项所述根尖细胞的识别方法的步骤。
10.一种可读存储介质,其特征在于:所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述根尖细胞的识别方法的步骤。
CN202210942739.9A 2022-08-08 2022-08-08 一种根尖细胞的识别方法、装置、设备及可读存储介质 Active CN115019305B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210942739.9A CN115019305B (zh) 2022-08-08 2022-08-08 一种根尖细胞的识别方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210942739.9A CN115019305B (zh) 2022-08-08 2022-08-08 一种根尖细胞的识别方法、装置、设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN115019305A true CN115019305A (zh) 2022-09-06
CN115019305B CN115019305B (zh) 2022-11-11

Family

ID=83065598

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210942739.9A Active CN115019305B (zh) 2022-08-08 2022-08-08 一种根尖细胞的识别方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN115019305B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115393846A (zh) * 2022-10-28 2022-11-25 成都西交智汇大数据科技有限公司 一种血细胞识别方法、装置、设备及可读存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100002929A1 (en) * 2004-05-13 2010-01-07 The Charles Stark Draper Laboratory, Inc. Image-based methods for measuring global nuclear patterns as epigenetic markers of cell differentiation
JP2013069045A (ja) * 2011-09-21 2013-04-18 Honda Elesys Co Ltd 画像認識装置、画像認識方法および画像認識プログラム
CN110110807A (zh) * 2019-05-16 2019-08-09 福州大学 一种基于改进K-means及卷积神经网络的白细胞提取和分类方法
CN110321968A (zh) * 2019-07-11 2019-10-11 广东工业大学 一种超声图像分类装置
CN110705403A (zh) * 2019-09-19 2020-01-17 平安科技(深圳)有限公司 细胞分类方法、装置、介质及电子设备
CN110832597A (zh) * 2018-04-12 2020-02-21 因美纳有限公司 基于深度神经网络的变体分类器
CN112330671A (zh) * 2020-11-30 2021-02-05 深圳市瑞图生物技术有限公司 细胞分布状态的分析方法、装置、计算机设备和存储介质
CN113763315A (zh) * 2021-05-18 2021-12-07 腾讯医疗健康(深圳)有限公司 玻片图像的信息获取方法、装置、设备及介质
CN113793336A (zh) * 2021-11-17 2021-12-14 成都西交智汇大数据科技有限公司 一种检测血细胞的方法、装置、设备及可读存储介质
CN114091603A (zh) * 2021-11-22 2022-02-25 上海交通大学 一种空间转录组细胞聚类、分析方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100002929A1 (en) * 2004-05-13 2010-01-07 The Charles Stark Draper Laboratory, Inc. Image-based methods for measuring global nuclear patterns as epigenetic markers of cell differentiation
JP2013069045A (ja) * 2011-09-21 2013-04-18 Honda Elesys Co Ltd 画像認識装置、画像認識方法および画像認識プログラム
CN110832597A (zh) * 2018-04-12 2020-02-21 因美纳有限公司 基于深度神经网络的变体分类器
CN110110807A (zh) * 2019-05-16 2019-08-09 福州大学 一种基于改进K-means及卷积神经网络的白细胞提取和分类方法
CN110321968A (zh) * 2019-07-11 2019-10-11 广东工业大学 一种超声图像分类装置
CN110705403A (zh) * 2019-09-19 2020-01-17 平安科技(深圳)有限公司 细胞分类方法、装置、介质及电子设备
CN112330671A (zh) * 2020-11-30 2021-02-05 深圳市瑞图生物技术有限公司 细胞分布状态的分析方法、装置、计算机设备和存储介质
CN113763315A (zh) * 2021-05-18 2021-12-07 腾讯医疗健康(深圳)有限公司 玻片图像的信息获取方法、装置、设备及介质
CN113793336A (zh) * 2021-11-17 2021-12-14 成都西交智汇大数据科技有限公司 一种检测血细胞的方法、装置、设备及可读存储介质
CN114091603A (zh) * 2021-11-22 2022-02-25 上海交通大学 一种空间转录组细胞聚类、分析方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LI-QUN LIN 等: "Automatic Extraction of Fuzzy and Touching Leukocyte Using Improved FWSA K-means in Peripheral Blood and Bone Marrow Cell Images", 《JOURNAL OF COMPUTERS》 *
缪琦: "基于随机森林和支持向量机的糖尿病风险预测方法研究", 《中国优秀硕士论文论文全文数据库医药卫生科技辑》 *
车力: "视觉感知优化的虚拟场景生成关键技术研究", 《中国博士学位论文信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115393846A (zh) * 2022-10-28 2022-11-25 成都西交智汇大数据科技有限公司 一种血细胞识别方法、装置、设备及可读存储介质
CN115393846B (zh) * 2022-10-28 2023-03-03 成都西交智汇大数据科技有限公司 一种血细胞识别方法、装置、设备及可读存储介质

Also Published As

Publication number Publication date
CN115019305B (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
JP2014232533A (ja) Ocr出力検証システム及び方法
CN111275082A (zh) 一种基于改进端到端神经网络的室内物体目标检测方法
CN112001932B (zh) 人脸识别方法、装置、计算机设备和存储介质
CN113793336B (zh) 一种检测血细胞的方法、装置、设备及可读存储介质
CN114241548A (zh) 一种基于改进YOLOv5的小目标检测算法
CN106845358B (zh) 一种手写体字符图像特征识别的方法及系统
CN106372624B (zh) 人脸识别方法及系统
JPWO2006073081A1 (ja) 識別用データ学習システム、学習装置、識別装置及び学習方法
CN113269257A (zh) 一种图像分类方法、装置、终端设备及存储介质
CN105550641B (zh) 基于多尺度线性差分纹理特征的年龄估计方法和系统
CN111400528B (zh) 一种图像压缩方法、装置、服务器及存储介质
EP2535787B1 (en) 3D free-form gesture recognition system and method for character input
CN111245103A (zh) 一种基于神经计算棒的电网变压器铭牌的显示和存储系统
CN114676777A (zh) 一种基于孪生网络的自监督学习细粒度图像分类方法
CN111444802B (zh) 一种人脸识别方法、装置及智能终端
CN111694954B (zh) 图像分类方法、装置和电子设备
CN115019305B (zh) 一种根尖细胞的识别方法、装置、设备及可读存储介质
CN111340213B (zh) 神经网络的训练方法、电子设备、存储介质
Muzakir et al. Model for Identification and Prediction of Leaf Patterns: Preliminary Study for Improvement
CN117351484A (zh) 基于ai的肿瘤干细胞特征提取及分类系统
CN114445716B (zh) 关键点检测方法、装置、计算机设备、介质及程序产品
CN114240928A (zh) 板卡质量的分区检测方法、装置、设备及可读存储介质
Loderer et al. Optimization of LBP parameters
CN112183336A (zh) 表情识别模型训练方法、装置、终端设备及存储介质
CN110728615B (zh) 基于序贯假设检验的隐写分析方法、终端设备及存储介质

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