CN115468893A - 液基细胞分析方法、设备和存储介质 - Google Patents
液基细胞分析方法、设备和存储介质 Download PDFInfo
- Publication number
- CN115468893A CN115468893A CN202210429355.7A CN202210429355A CN115468893A CN 115468893 A CN115468893 A CN 115468893A CN 202210429355 A CN202210429355 A CN 202210429355A CN 115468893 A CN115468893 A CN 115468893A
- Authority
- CN
- China
- Prior art keywords
- cell
- nuclear
- cells
- heterogeneous
- image
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 104
- 239000007788 liquid Substances 0.000 title claims abstract description 34
- 230000000877 morphologic effect Effects 0.000 claims abstract description 67
- 230000002159 abnormal effect Effects 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 25
- 210000004027 cell Anatomy 0.000 claims description 362
- 210000003855 cell nucleus Anatomy 0.000 claims description 37
- 239000012530 fluid Substances 0.000 claims description 28
- 210000004940 nucleus Anatomy 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 6
- 210000004085 squamous epithelial cell Anatomy 0.000 claims description 6
- 206010008263 Cervical dysplasia Diseases 0.000 claims description 4
- 208000032124 Squamous Intraepithelial Lesions Diseases 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 239000010410 layer Substances 0.000 description 70
- 238000012549 training Methods 0.000 description 17
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 230000003628 erosive effect Effects 0.000 description 4
- 238000002372 labelling Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000005435 mesosphere Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 208000015698 cervical squamous intraepithelial neoplasia Diseases 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000002380 cytological effect Effects 0.000 description 1
- 210000000805 cytoplasm Anatomy 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000004881 tumor cell Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
-
- 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
- G06N3/08—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
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N2015/1006—Investigating individual particles for cytology
-
- 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
- G06T2207/20036—Morphological image processing
-
- 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]
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Dispersion Chemistry (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Data Mining & Analysis (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
本申请提供了一种液基细胞分析方法、设备和存储介质,该方法包括:获取细胞切片图像;将所述细胞切片图像输入预先训练完成的核异质分析模型进行分析,得到所述细胞切片图像中的各核异质细胞和各中层细胞;根据所述各核异质细胞和所述各中层细胞,得到至少一张核异质细胞图和至少一张中层细胞图;对各所述核异质细胞图和各所述中层细胞图进行形态学运算,得到异常核细胞。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种液基细胞分析方法、设备和存储介质。
背景技术
核异质细胞是指细胞核发生异常改变,但胞质分化正常的细胞。由于核异质细胞介于正常细胞和肿瘤细胞之间,因此,判别核异质细胞对疾病的诊断具有重要的意义。目前,常通过对比细胞核与基准细胞核的大小来判别核异质细胞。而在宫颈核异质细胞判别中,由于选取的基准细胞核可能存在尺寸差异且核异质细胞与中层细胞的大小高度相似,导致无法高效准确地定位出核异质细胞。
发明内容
本申请提供了一种液基细胞分析方法、设备和存储介质,通过核异质分析模型和形态学分析规则的结合,能够有效提高异常核细胞的识别精度和效率。
第一方面,本申请实施例提供了一种液基细胞分析方法,所述方法包括:
获取细胞切片图像;
将所述细胞切片图像输入预先训练完成的核异质分析模型进行分析,得到所述细胞切片图像中的各第一核异质细胞和各中层细胞;
根据所述各第一核异质细胞和所述各中层细胞,得到至少一张核异质细胞图和至少一张中层细胞图;
对各所述核异质细胞图和各所述中层细胞图进行形态学运算,得到异常核细胞。
在一实施例中,所述核异质分析模型包括:
细胞特征提取层,用于提取所述细胞切片图像中的细胞核特征信息;
细胞特征增强层,用于将所述细胞核特征信息进行增强处理;
细胞分类定位层,用于从增强处理后的细胞核特征信息中分类定位出所述核异质细胞以及所述中层细胞。
在一实施例中,所述对各所述核异质细胞图和各所述中层细胞图进行形态学运算,得到异常核细胞,包括:
对各所述核异质细胞图进行形态学运算,提取第一形态学特征;
对各所述中层细胞图进行形态学运算,提取第二形态学特征;
根据所述第一形态学特征,分别计算各所述核异质细胞图中所述核异质细胞的第一细胞核面积;
基于所述第二形态学特征,计算所述中层细胞图中各中层细胞的细胞核平均面积;
根据所述第一细胞核面积和所述细胞核平均面积,确定出所述异常核细胞。
在一实施例中,在所述对各所述核异质细胞图进行形态学运算之前,还包括:
分别对各所述核异质细胞图进行归一化处理,得到各所述核异质细胞图的第一二值图;
分别对各所述中层细胞图进行归一化处理,得到各所述中层细胞图的第二二值图;
所述对各所述核异质细胞图进行形态学运算,包括:
分别对各所述第一二值图和各所述第二二值图进行形态学运算。
在一实施例中,所述根据所述第一细胞核面积和所述细胞核平均面积,确定出所述异常核细胞,包括:
分别确定各所述第一细胞核面积与所述细胞核的平均面积的比值;
根据所述比值与预设比值范围确定出所述异常核细胞。
在一实施例中,所述核异质细胞包括核大异常细胞,所述异常核细胞包括非典型核细胞和低级别病变细胞。
在一实施例中,所述细胞切片图像为宫颈液基细胞切片图像。
在一实施例中,所述异常核细胞包括非典型鳞状上皮细胞和低级别鳞状上皮内病变细胞。
第二方面,本申请实施例提供了一种液基细胞分析设备,包括存储器和处理器;
所述存储器用于存储计算机程序;
所述处理器,用于执行所述计算机程序并在执行所述计算机程序时,实现如上第一方面所述的液基细胞分析方法的步骤。
第三方面,本申请实施例还提供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计算机程序,所述计算机程序被处理器执行时使所述处理器实现如上第一方面所述的液基细胞分析方法的步骤。
本申请实施例提供了一种液基细胞分析方法、设备及存储介质,其中,细胞分析方法通过利用预先训练完成的核异质分析模型对细胞切片图像进行分析,得到细胞切片图像中的各第一核异质细胞和各中层细胞之后,根据各第一核异质细胞和各中层细胞,得到至少一张核异质细胞图和至少一张中层细胞图,再对各核异质细胞图和各中层细胞图进行形态学运算,能够准确提取出各核异质细胞图中的异常核细胞。旨在将核异质分析模型和形态学运算相结合,来提高异常核细胞分析的准确性和精度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请实施例的公开内容。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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的附图。
图1是本申请一实施例提供的液基细胞分析方法的实现流程示意图;
图2是本申请实施例提供的液基细胞分析方法中核异质分析模型的训练应用场景图;
图3是图1中S104的具体实现流程图;
图4是本申请实施例提供的液基细胞分析方法应用于宫颈液基异常核细胞检测的应用场景示意图;
图5是本申请一实施例提供的液基细胞分析设备的示意性框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
附图中所示的流程图仅是示例说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。
需要说明的是,本申请提供的细胞分析方法、设备及存储介质。其中,细胞分析方法基于深度学习算法能够高效准确地定位出细胞切片图像中的核异质细胞和中层细胞,再通过形态学方法有效地降低核异质细胞和中层细胞的差异程度和细胞核大小高度相似性的影响,实现细胞切片图像中核异质细胞检测的精度。
请查阅图1所示,图1是本申请一实施例提供的细胞分析方法的实现流程示意图。
本实施例提供的细胞分析方法由细胞分析设备执行。其中,细胞分析设备可以是终端或服务器。终端包括但不限于电脑、笔记本、个人数字机、机器人或者可穿戴智能设备,服务器包括本地服务器、云端服务器或服务器集群。
由图1可知,本实施例提供的细胞分析包括步骤S101至步骤S104。详述如下:
S101,获取细胞切片图像。
其中,细胞切片图像为基于预设的拍摄装置拍摄的细胞玻片图像。具体地,拍摄装置可以是各种电子显微镜或者拍摄仪等。例如,预设的拍摄装置为液基阅片仪。细胞切片图片为基于液基阅片仪拍摄的宫颈液基玻片的图像。
S102,将所述细胞切片图像输入预先训练完成的核异质分析模型进行分析,得到所述细胞切片图像中的各第一核异质细胞和各中层细胞。
其中,所述核异质分析模型由预设数量的细胞切片图像训练完成。所述预设数量可以根据核异质分析模型的训练效果进行确定。例如,所述细胞切片图像为宫颈液基细胞切片图像,所述预设数量的细胞切片图像为基于液基阅片仪拍摄的1000张宫颈液基细胞切片图像。具体地,宫颈液基细胞切片图像的分辨率受液基阅片仪的拍摄分辨率影响,例如,为2048×2048。
应理解,在将所述细胞切片图像输入预先训练完成的核异质分析模型之前,还包括对所述核异质分析模型的训练步骤。具体地,对所述核异质分析模型的训练步骤包括将所述预设数量的细胞切片图像输入预设的神经网络模型进行训练,得到所述训练完成的核异质分析模型。例如,所述核异质分析模型为宫颈液基细胞核异质分析模型,对所述宫颈液基细胞核异质分析模型的训练步骤包括将1000张宫颈液基细胞切片图像输入预设的神经网络模型进行训练,得到训练完成的宫颈液基细胞核异质分析模型。
应理解,对所述核异质分析模型训练之后,为了提高核异质分析模型的识别精度,还需对所述核异质分析模型进行测试。具体地,可以将预设数量的细胞切片图像分为预设比例的训练样本集和测试样本集,例如7比3。
此外,为了提高核异质分析模型对第一核异质细胞和中层细胞的检测效率,预先可以对用于训练核异质分析模型的细胞切片图像进行第一核异质细胞和中层细胞的标注。具体地,可以基于LabelImg标注工具对细胞切片图像进行第一核异质细胞和中层细胞的标注。
示例性地,所述核异质分析模型包括:细胞特征提取层,用于提取所述细胞切片图像中的细胞核特征信息;细胞特征增强层,用于将所述细胞核特征信息进行增强处理;细胞分类定位层,用于从增强处理后的细胞核特征信息中分类定位出第一核异质细胞以及中层细胞。
具体地,细胞特征提取层采用Darknet53网络进行核大异常细胞及其中层细胞特征提取,获取细胞核特征信息;细胞特征增强层用于将细胞核特征信息输送到特征金字塔网络FPN和路径聚合网络PAN所结合的Neck模块中进行特征增强;细胞分类定位层基于YOLOV3改进的Decoupled Head检测,对第一核异质细胞及其中层细胞进行分类识别和定位,并输出识别定位框。
需要说明的是,所述核异子分析模型的训练过程可以由云端训练完成,并下发至所述细胞分析设备,或者当所述细胞分析设备的计算力足够强时,可以直接由所述细胞分析设备直接训练完成。
示例性地,如图2所示,图2是本申请实施例提供的细胞分析方法中核异质分析模型的训练应用场景图。在图2中,所述核异质分析模型由服务器210训练完成,在训练完成之后下发至细胞分析设备220。以使细胞分析设备220基于所述核异质分析模型对细胞切片图像进行分析,得到所述细胞切片图像中的各第一核异质细胞核各中层细胞。
其中,服务器210可以是本地服务器、云端服务器或者服务器集群。在服务器210上运行有核异质分析模型训练系统,用于基于预设数量的训练样本对预设模型进行训练,得到核异质分析模型。具体地,在本实施例中,对核异质分析模型训练系统不做详细赘述。
S103,根据所述各核异质细胞和所述各中层细胞,得到至少一张核异质细胞图和至少一张中层细胞图。
其中,预先训练完成的核异质分析模型对细胞切片图像进行分析后,输出对所述细胞切片图像中的各核异质细胞进行标定的第一定位框和对各中层细胞进行标定的第二定位框,基于各所述第一定位框和各所述第二定位框可以分别裁剪得到所述各核异质细胞和所述各中层细胞,得到至少一张核异质细胞图和至少一张中层细胞图。具体地,通过核异质分析模型分别对各核异质细胞和各中层细胞进行标定,并对标定后的第一定位框和第二定位框进行裁剪,从细胞切片图像中将相识度极高的核异质细胞图和中层细胞图进行裁剪,以利于基于形态学运算从核异质细胞图和中层细胞图中准确地提取出异常核细胞。
例如,所述细胞切片图像为宫颈液基细胞切片图像,所述核异质分析模型为宫颈液基细胞核异质分析模型,将所述宫颈液基细胞切片图像输入所述宫颈液基细胞核异质分析模型,输出对宫颈液基细胞切片图像中的各宫颈液基核异质细胞的第一定位框和各宫颈液基中层细胞的第二定位框。基于所述第一定位框和所述第二定位框从所述细胞切片图像中裁剪出至少一张宫颈液基细胞核异质图和至少一张宫颈液基中层细胞图。进而基于形态学运算从宫颈液基细胞核异图和宫颈液基中层细胞图中提取出异常宫颈液基核细胞。其中,异常宫颈液基核细胞包括非典型宫颈鳞状上皮细胞和低级别宫颈鳞状上皮内病变细胞。能够实现高效准确地提取出异常宫颈液基核细胞。
S104,对各所述核异质细胞图和各所述中层细胞图进行形态学运算,得到异常核细胞。
其中,形态学运算为数学形态学运算,包括腐蚀和膨胀。在形态学运算过程中需要利用一定形状的结构元素来作为模板,常用的结构元素有圆形、方形、菱形、扁平形等预设形状。
在本申请的实施例中,可以通过先腐蚀后膨胀的方式对各所述核异质细胞图和各所述中层细胞图进行形态学运算,也就是形态学开运算。具体地,对各所述核异质细胞图和各所述中层细胞图分别先腐蚀,再膨胀。其中,腐蚀和膨胀使用的模板是一样大小的,其目的是为了放大核异质细胞的裂缝和低密度区域,消除小核异质细胞,平滑较大核异质细胞的边界且保持其对应的面积不变,能够有效消除核细胞表面的突起。
其中,小核异质细胞为尺寸小于预设尺寸阈值的核异质细胞,较大核异质细胞为尺寸大于所述预设尺寸阈值的核异质细胞。
具体地,所述非核异质细胞包括非典型核细胞,例如,非典型鳞状上皮细胞;所述异常核细胞包括低级别病变细胞,例如,低级别鳞状上皮内病变细胞。
示例性地,请参阅图3,图3是图1中S104的具体实现流程图。由图3可知,在本实施例中,S104包括S1041至S1045。详述如下:
S1041,对各所述核异质细胞图进行形态学运算,提取第一形态学特征。
具体地,对各所述核异质细胞图采用相同大小的模板先进行腐蚀再进行膨胀,放大各核异质细胞的裂缝和低密度区域,消除小核异质细胞,并在不改变较大核异质细胞面积的同时平滑较大核异质细胞的边界,得到所述核异质细胞的第一形态学特征。
S1042,对各所述中层细胞图进行形态学运算,提取第二形态学特征。
具体地,对各所述中层细胞图采用相同大小的模板先进行腐蚀再进行膨胀,放大各中层细胞的裂缝和低密度区域,消除小中层细胞,并在不改变较大中层细胞面积的同时平滑较大中层细胞的边界,得到所述中层细胞的第二形态学特征。
其中,小中层细胞为尺寸小于预设尺寸阈值的核异质细胞,较大中层细胞为尺寸大于所述预设尺寸阈值的中层细胞。
S1043,根据所述第一形态学特征,分别计算各所述核异质细胞图中所述核异质细胞的第一细胞核面积。
在一实施例中,分别计算各核异质细胞图中第一形态学特征对应的核异质细胞的第一细胞核面积。其中,第一形态学特征为较大核异质细胞对应的像素值。例如,较大核异质细胞对应的像素值为1,也即第一形态学特征为1。
S1044,基于所述第二形态学特征,计算所述中层细胞图中各中层细胞的细胞核平均面积。
在一实施例中,计算所有中层细胞图中第二形态学特征对应的中层细胞的第二细胞核面积,并计算各所述第二细胞核面积的平均值,得到所述细胞核平均面积。其中,第二形态学特征为中层细胞对应的像素值。例如,中层细胞对应的像素值为1,也即第二形态学特征为1。
S1045,根据所述第一细胞核面积和所述细胞核平均面积,确定出所述异常核细胞。
在一实施例中,分别计算所述第一细胞核面积与所述细胞核平均面积的比值,根据所述比值确定出所述异常核细胞。具体地,若有核异质细胞的第一细胞核面积与所述细胞核平均面积的比值在预设第一比值范围内,则确定该核异质细胞为正常核异质细胞;若有核异质细胞的第一细胞核面积与所述细胞核平均面积的比值大于预设的第二比值,则确定该核异质细胞为异常核细胞。例如第一比值范围为大于等于2.5,小于等于3;第二比值为3。
此外,在对各所述核异质细胞图进行形态学运算之前,还可以分别对各所述核异质细胞图进行归一化处理,得到各所述核异质细胞图的第一二值图;然后分别对各所述第一二值图进行形态学运算。
具体地,对核异质细胞图进行归一化处理的过程包括对核异质细胞图进行图像去噪处理,对去噪处理之后的图像再进行灰度处理。具体地,可以此阿勇中值滤波的方式对核异质细胞图进行图像去噪处理。其中,中值滤波的数学表达式为:
G(x,y)=mid{f(x±k,y±k),k≤(n-1)/2}
其中,G(x,y)和f(x,y)分别为图像中像素坐标为(x,y)的像素点的像素值和像素灰度值,k为模板窗口大小,n为正整数。
此外,在对在所述对各所述中层细胞图进行形态学运算之前,还包括:分别对各所述中层细胞图进行归一化处理,得到各所述中层细胞图的第二二值图;对应地,所述对各所述中层细胞图进行形态学运算,包括:对各所述第二二值图进行形态学运算。
应理解,对各所述中层细胞图进行归一化处理的过程与对各所述核异质细胞图进行归一化处理的过程相同,在此不再赘述。
通过上述分析可知,本申请实施例提供的细胞分析方法,通过利用预先训练完成的核异质分析模型对细胞切片图像进行分析,得到细胞切片图像中的各第一核异质细胞和各中层细胞之后,根据各第一核异质细胞和各中层细胞,得到至少一张核异质细胞图和至少一张中层细胞图,再对各核异质细胞图和各中层细胞图进行形态学运算,能够准确提取出各核异质细胞图中的异常核细胞。旨在将核异质分析模型和形态学运算相结合,来提高异常核细胞分析的准确性和精度。
请参阅图4所示,图4是本申请实施例提供的细胞分析方法应用于宫颈细胞核异质检测的应用场景示意图。
在本实施例中,细胞分析设备220为医疗诊断机构,例如医院里用于疾病诊断的服务器或者终端。其中,细胞切片图像可以是如宫颈基液细胞切片图像,该宫颈基液细胞切片图像可以预先上传至细胞分析设备220中。细胞分析设备220中预存有预先训练完成的核异质分析模型,如宫颈基液细胞核异质分析模型。细胞分析设备220利用宫颈基液细胞核异质分析模型对宫颈基液细胞切片图像进行分析,得到宫颈基液细胞切片图像中的宫颈基液核异质细胞和宫颈基液中层细胞,进而利用预设的裁剪工具对所述宫颈基液核异质细胞核宫颈基液中层细胞进行裁剪,得到至少一张宫颈基液核异质细胞图和至少一张宫颈基液中层细胞图。进一步对各宫颈基液核异质细胞图和宫颈基液中层细胞图进行形态学运算,从各宫颈基液核异质细胞中提取出非典型鳞状上皮细胞核低级别鳞状上皮内病变细胞。完成对宫颈基液细胞中异常核细胞的精准检测,提高疾病预防及诊断的准确性。
请参阅图5所示,图5是本申请一实施例提供的细胞分析设备的示意性框图。
示例性的,细胞分析设备220包括但不限于手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等终端设备,也可以是本地服务器、云端服务器或者服务器集群。
所述细胞分析设备220包括处理器501和存储器502。
示例性的,处理器501和存储器502通过总线503连接,所述总线503比如为I2C(Inter-integrated Circuit)总线。
具体地,处理器501可以是微控制单元(Micro-controller Unit,MCU)、中央处理单元(Central Processing Unit,CPU)或数字信号处理器(Digital Signal Processor,DSP)等。
具体地,存储器502可以是Flash芯片、只读存储器(ROM,Read-Only Memory)磁盘、光盘、U盘或移动硬盘等。
其中,所述处理器501用于运行存储在存储器502中的计算机程序,并在执行所述计算机程序时实现上述细胞分析方法的步骤。
示例性的,所述处理器501用于运行存储在存储器502中的计算机程序,并在执行所述计算机程序时实现如下步骤:
获取细胞切片图像;
将所述细胞切片图像输入预先训练完成的核异质分析模型进行分析,得到所述细胞切片图像中的各第一核异质细胞和各中层细胞;
根据所述各第一核异质细胞和所述各中层细胞,得到至少一张核异质细胞图和至少一张中层细胞图;
对各所述核异质细胞图和各所述中层细胞图进行形态学运算,得到异常核细胞。
在一实施例中,所述核异质分析模型包括:
细胞特征提取层,用于提取所述细胞切片图像中的细胞核特征信息;
细胞特征增强层,用于将所述细胞核特征信息进行增强处理;
细胞分类定位层,用于从增强处理后的细胞核特征信息中分类定位出所述核异质细胞以及所述中层细胞。
在一实施例中,所述对各所述核异质细胞图和各所述中层细胞图进行形态学运算,得到异常核细胞,包括:
对各所述核异质细胞图进行形态学运算,提取第一形态学特征;
对各所述中层细胞图进行形态学运算,提取第二形态学特征;
根据所述第一形态学特征,分别计算各所述核异质细胞图中所述核异质细胞的第一细胞核面积;
基于所述第二形态学特征,计算所述中层细胞图中各中层细胞的细胞核平均面积;
根据所述第一细胞核面积和所述细胞核平均面积,确定出所述异常核细胞。
在一实施例中,在所述对各所述核异质细胞图进行形态学运算之前,还包括:
分别对各所述核异质细胞图进行归一化处理,得到各所述核异质细胞图的第一二值图;
分别对各所述中层细胞图进行归一化处理,得到各所述中层细胞图的第二二值图;
所述对各所述核异质细胞图进行形态学运算,包括:
分别对各所述第一二值图和各所述第二二值图进行形态学运算。
在一实施例中,所述根据所述第一细胞核面积和所述细胞核平均面积,确定出所述异常核细胞,包括:
分别确定各所述第一细胞核面积与所述细胞核的平均面积的比值;
根据所述比值与预设比值范围确定出所述异常核细胞。
在一实施例中,所述核异质细胞包括核大异常细胞,所述异常核细胞包括非典型核细胞和低级别病变细胞。
在一实施例中,所述细胞切片图像为宫颈液基细胞切片图像。
在一实施例中,所述异常核细胞包括非典型鳞状上皮细胞和低级别鳞状上皮内病变细胞。
本实施例提供的细胞分析设备的具体原理和实现方式均与前述实施例中细胞分析方法实现过程类似,此处不再赘述。
本申请实施例还提供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计算机程序,所述计算机程序被处理器执行时使所述处理器实现如上实施例提供的细胞分析方法的步骤。
其中,所述计算机可读存储介质可以是前述实施例中所述的细胞分析设备的内部存储单元,例如所述细胞分析设备的硬盘或内存。所述计算机可读存储介质也可以是所述细胞分析设备的外部存储设备,例如所述细胞分析设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
应当理解,在此本申请中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。
还应当理解,在本申请和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
以上所述,仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种液基细胞分析方法,其特征在于,所述方法包括:
获取细胞切片图像;
将所述细胞切片图像输入预先训练完成的核异质分析模型进行分析,得到所述细胞切片图像中的各核异质细胞和各中层细胞;
根据所述各核异质细胞和所述各中层细胞,得到至少一张核异质细胞图和至少一张中层细胞图;
对各所述核异质细胞图和各所述中层细胞图进行形态学运算,得到异常核细胞。
2.根据权利要求1所述的方法,其特征在于,所述核异质分析模型包括:
细胞特征提取层,用于提取所述细胞切片图像中的细胞核特征信息;
细胞特征增强层,用于将所述细胞核特征信息进行增强处理;
细胞分类定位层,用于从增强处理后的细胞核特征信息中分类定位出所述核异质细胞以及所述中层细胞。
3.根据权利要求1所述的方法,其特征在于,所述对各所述核异质细胞图和各所述中层细胞图进行形态学运算,得到异常核细胞,包括:
对各所述核异质细胞图进行形态学运算,提取第一形态学特征;
对各所述中层细胞图进行形态学运算,提取第二形态学特征;
根据所述第一形态学特征,分别计算各所述核异质细胞图中所述核异质细胞的第一细胞核面积;
基于所述第二形态学特征,计算所述中层细胞图中各中层细胞的细胞核平均面积;
根据所述第一细胞核面积和所述细胞核平均面积,确定出所述异常核细胞。
4.根据权利要求3所述的方法,其特征在于,在所述对各所述核异质细胞图进行形态学运算之前,还包括:
分别对各所述核异质细胞图进行归一化处理,得到各所述核异质细胞图的第一二值图;
分别对各所述中层细胞图进行归一化处理,得到各所述中层细胞图的第二二值图;
所述对各所述核异质细胞图进行形态学运算,包括:
分别对各所述第一二值图和各所述第二二值图进行形态学运算。
5.根据权利要求3所述的方法,其特征在于,所述根据所述第一细胞核面积和所述细胞核的平均面积,确定出所述异常核细胞,包括:
分别确定各所述第一细胞核面积与所述细胞核的平均面积的比值;
根据所述比值与预设比值范围确定出所述异常核细胞。
6.根据权利要求1所述的方法,其特征在于,所述核异质细胞包括核大异常细胞,所述异常核细胞包括非典型核细胞和低级别病变细胞。
7.根据权利要求1所述的方法,其特征在于,所述细胞切片图像为宫颈液基细胞切片图像。
8.根据权利要求7所述的方法,其特征在于,所述异常核细胞包括非典型鳞状上皮细胞和低级别鳞状上皮内病变细胞。
9.一种液基细胞分析设备,其特征在于,包括存储器和处理器;
所述存储器用于存储计算机程序;
所述处理器,用于执行所述计算机程序并在执行所述计算机程序时,实现如权利要求1至8任一项所述液基细胞方法的步骤。
10.一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计算机程序,所述计算机程序被处理器执行时使所述处理器实现如权利要求1至8任一项所述液基细胞分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210429355.7A CN115468893A (zh) | 2022-04-22 | 2022-04-22 | 液基细胞分析方法、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210429355.7A CN115468893A (zh) | 2022-04-22 | 2022-04-22 | 液基细胞分析方法、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115468893A true CN115468893A (zh) | 2022-12-13 |
Family
ID=84364559
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210429355.7A Pending CN115468893A (zh) | 2022-04-22 | 2022-04-22 | 液基细胞分析方法、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115468893A (zh) |
-
2022
- 2022-04-22 CN CN202210429355.7A patent/CN115468893A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11681418B2 (en) | Multi-sample whole slide image processing in digital pathology via multi-resolution registration and machine learning | |
US9480439B2 (en) | Segmentation and fracture detection in CT images | |
Al-Hafiz et al. | Red blood cell segmentation by thresholding and Canny detector | |
CN110245657B (zh) | 病理图像相似性检测方法及检测装置 | |
WO2021003938A1 (zh) | 图像分类方法、装置、计算机设备和存储介质 | |
WO2011137411A1 (en) | Probability density function estimator | |
CN111524137A (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
Li et al. | Texton analysis for mass classification in mammograms | |
US10679094B2 (en) | Automatic ruler detection | |
Gandomkar et al. | BI-RADS density categorization using deep neural networks | |
CN109376717A (zh) | 人脸对比的身份识别方法、装置、电子设备及存储介质 | |
Raha et al. | Fully automated computer aided diagnosis system for classification of breast mass from ultrasound images | |
CN113781387A (zh) | 模型训练方法、图像处理方法、装置、设备及存储介质 | |
CN109460768B (zh) | 一种用于组织病理学显微图像的文本检测与去除方法 | |
Sadik Croock et al. | Edge detection and features extraction for dental X-ray | |
CN111325282A (zh) | 适应多机型的乳腺x射线影像识别方法和装置 | |
WO2021139447A1 (zh) | 一种宫颈异常细胞检测装置及方法 | |
CN115468893A (zh) | 液基细胞分析方法、设备和存储介质 | |
Suhail et al. | Histogram-based approach for mass segmentation in mammograms | |
CN114399494A (zh) | 异常细胞检测分割方法、装置、设备及存储介质 | |
CN114399432A (zh) | 目标识别方法、装置、设备、介质及产品 | |
CN111179226A (zh) | 视野图的识别方法、装置及计算机存储介质 | |
Polejowska et al. | Impact of visual image quality on lymphocyte detection using yolov5 and retinanet algorithms | |
US11961618B2 (en) | Task interaction network for prostate cancer diagnosis | |
Lakshmanan et al. | Detection of architectural distortion in mammograms using geometrical properties of thinned edge structures |
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 |