CN115564776B - 基于机器学习的异常细胞样本检测方法和装置 - Google Patents

基于机器学习的异常细胞样本检测方法和装置 Download PDF

Info

Publication number
CN115564776B
CN115564776B CN202211545563.XA CN202211545563A CN115564776B CN 115564776 B CN115564776 B CN 115564776B CN 202211545563 A CN202211545563 A CN 202211545563A CN 115564776 B CN115564776 B CN 115564776B
Authority
CN
China
Prior art keywords
cell
abnormal
training
cell sample
sample
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.)
Active
Application number
CN202211545563.XA
Other languages
English (en)
Other versions
CN115564776A (zh
Inventor
邝英兰
吕行
范献军
王华嘉
叶莘
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.)
Zhuhai Hengqin Shengao Yunzhi Technology Co ltd
Zhuhai Livzon Cynvenio Diagnostics Ltd
Original Assignee
Zhuhai Hengqin Shengao Yunzhi Technology Co ltd
Zhuhai Livzon Cynvenio Diagnostics 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 Zhuhai Hengqin Shengao Yunzhi Technology Co ltd, Zhuhai Livzon Cynvenio Diagnostics Ltd filed Critical Zhuhai Hengqin Shengao Yunzhi Technology Co ltd
Priority to CN202211545563.XA priority Critical patent/CN115564776B/zh
Publication of CN115564776A publication Critical patent/CN115564776A/zh
Application granted granted Critical
Publication of CN115564776B publication Critical patent/CN115564776B/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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/695—Preprocessing, e.g. image segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698—Matching; Classification
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • 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
    • G06T2207/30242—Counting objects in image

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Immunology (AREA)
  • Evolutionary Computation (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Dispersion Chemistry (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明提供一种基于机器学习的异常细胞样本检测方法和装置，其中方法包括：对待检测细胞样本进行显微镜扫描，获取待检测细胞样本对应各类异常特征类型的特征数据；将待检测细胞样本对应各类异常特征类型的特征数据输入至异常细胞样本检测模型，得到待检测细胞样本的异常检测结果；其中，异常特征类型是基于如下步骤确定的：对多个训练细胞样本进行显微镜扫描，得到多个训练细胞样本对应各类细胞特征的特征数据；对多个训练细胞样本对应各类细胞特征的特征数据与对应训练细胞样本的异常指征进行相关性分析，并基于各类细胞特征对应的相关系数确定异常特征类型。本发明实现了异常细胞样本的准确检出。

Description

基于机器学习的异常细胞样本检测方法和装置
技术领域
本发明涉及图像分类技术领域，尤其涉及一种基于机器学习的异常细胞样本检测方法和装置。
背景技术
在细胞分割任务的卷积神经网络中，模型训练数据以及实际分割任务中的输入数据通常来源于临床细胞样本，在海量数据集下，其数据分布特征基本符合正常临床样本的分布特征，因此能够作为细胞分割任务的训练数据提升分割模型的分割精度或是作为实际分割任务中的输入数据进行细胞分割。
然而，在部分异常情况下，例如显微镜固件异常、实验环境异常等，将导致所回传的独立细胞样本不符合正常临床样本的分布特征，最终导致细胞分割模型结果不符合预期。例如，若将大量异常的独立细胞样本作为训练数据对细胞分割模型进行训练，模型将难以从上述细胞样本中学习到足够的分割能力，导致模型分割能力较差；若将异常的独立细胞样本输入至细胞分割模型进行分割，即使细胞分割模型的性能较佳，也难以从该细胞样本中准确分割出独立细胞。因此，亟需一种检测上述异常的细胞样本的方法，以将异常的细胞样本从细胞分割模型的训练集或是待分割数据集中滤除，从而避免影响下游的细胞分割任务。
发明内容
本发明提供一种基于机器学习的异常细胞样本检测方法和装置，用以解决现有技术中异常的细胞样本导致细胞分割模型结果不符合预期的缺陷。
本发明提供一种基于机器学习的异常细胞样本检测方法，包括：
对待检测细胞样本进行显微镜扫描，获取所述待检测细胞样本对应各类异常特征类型的特征数据；
将所述待检测细胞样本对应各类异常特征类型的特征数据输入至异常细胞样本检测模型，得到所述异常细胞样本检测模型输出的所述待检测细胞样本的异常检测结果；
其中，所述异常特征类型是基于如下步骤确定的：
对多个训练细胞样本进行显微镜扫描，得到所述多个训练细胞样本对应各类细胞特征的特征数据；
对所述多个训练细胞样本对应各类细胞特征的特征数据与对应训练细胞样本的异常指征进行相关性分析，并基于各类细胞特征对应的相关系数确定所述异常特征类型。
根据本发明提供的一种基于机器学习的异常细胞样本检测方法，任一训练细胞样本的异常指征是基于如下步骤确定的：
基于细胞分割模型和信号点检测模型依次对所述任一训练细胞样本的通道图像进行细胞分割和信号点检测，得到所述任一训练细胞样本中各细胞的信号点检测结果，并基于所述各细胞的信号点检测结果统计所述任一训练细胞样本的第一判读细胞数；
对所述任一训练细胞样本进行显微镜扫描后，依次基于内置的图像分割算法和细胞分类算法获取所述任一训练细胞样本中各细胞的细胞分类信息，并基于所述各细胞的细胞分类信息统计所述任一训练细胞样本的第二判读细胞数；
基于所述任一训练细胞样本的第一判读细胞数与第二判读细胞数之间的比值，确定所述任一训练细胞样本的异常指征。
根据本发明提供的一种基于机器学习的异常细胞样本检测方法，所述对所述多个训练细胞样本对应各类细胞特征的特征数据与对应训练细胞样本的异常指征进行相关性分析，并基于各类细胞特征对应的相关系数确定所述异常特征类型，具体包括：
对所述多个训练细胞样本对应各类细胞特征的特征数据与对应训练细胞样本的异常指征进行相关性分析，得到各类细胞特征对应的相关系数，并筛选出相关系数高于预设阈值的细胞特征作为候选细胞特征；
基于所述多个训练细胞样本的异常标签，对各个候选细胞特征进行重要性排序，得到所述各个候选细胞特征的重要性排序结果；其中，任一训练细胞样本的异常标签是基于所述任一训练细胞样本的异常指征确定的；
基于所述各个候选细胞特征对应的相关系数及其重要性排序结果，确定所述异常特征类型。
根据本发明提供的一种基于机器学习的异常细胞样本检测方法，任一训练细胞样本的异常标签是基于如下步骤确定的：
确定所述细胞分割模型和信号点检测模型的联合分割性能等级，并基于所述联合分割性能等级确定判读阈值；其中，所述联合分割性能等级越高，所述判读阈值越低；
基于所述任一训练细胞样本的异常指征与所述判读阈值，确定所述任一训练细胞样本的异常标签。
根据本发明提供的一种基于机器学习的异常细胞样本检测方法，所述基于所述任一训练细胞样本的异常指征与所述判读阈值，确定所述任一训练细胞样本的异常标签，具体包括：
确定所述细胞分割模型和信号点检测模型的联合分割召回率；
基于所述任一训练细胞样本的第一判读细胞数与所述联合分割召回率，确定所述任一训练细胞样本的第三判读细胞数；
确定所述任一训练细胞样本的第三判读细胞数与第二判读细胞数之间的比值，作为所述任一训练细胞样本的更新异常指征；
基于所述任一训练细胞样本的更新异常指征与所述判读阈值，确定所述任一训练细胞样本的异常标签。
根据本发明提供的一种基于机器学习的异常细胞样本检测方法，所述异常细胞样本检测模型是基于训练细胞样本对应各类异常特征类型的特征数据以及所述训练细胞样本的异常标签训练得到的。
根据本发明提供的一种基于机器学习的异常细胞样本检测方法，所述基于所述多个训练细胞样本的异常标签，对各个候选细胞特征进行重要性排序，得到所述各个候选细胞特征的重要性排序结果，具体包括：
基于树模型对各个候选细胞特征进行重要性排序，得到所述各个候选细胞特征的重要性排序结果。
本发明还提供一种基于机器学习的异常细胞样本检测装置，包括：
显微镜扫描单元，用于对待检测细胞样本进行显微镜扫描，获取所述待检测细胞样本对应各类异常特征类型的特征数据；
样本异常检测单元，用于将所述待检测细胞样本对应各类异常特征类型的特征数据输入至异常细胞样本检测模型，得到所述异常细胞样本检测模型输出的所述待检测细胞样本的异常检测结果；
其中，所述异常特征类型是基于如下步骤确定的：
对多个训练细胞样本进行显微镜扫描，得到所述多个训练细胞样本对应各类细胞特征的特征数据；
对所述多个训练细胞样本对应各类细胞特征的特征数据与对应训练细胞样本的异常指征进行相关性分析，并基于各类细胞特征对应的相关系数确定所述异常特征类型。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于机器学习的异常细胞样本检测方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于机器学习的异常细胞样本检测方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于机器学习的异常细胞样本检测方法。
本发明提供的基于机器学习的异常细胞样本检测方法和装置，通过对多个训练细胞样本进行显微镜扫描，对多个训练细胞样本对应各类细胞特征的特征数据与对应训练细胞样本的异常指征进行相关性分析，并基于各类细胞特征对应的相关系数确定异常特征类型，可以筛选出对于异常细胞样本和正常细胞样本的区分性更强的特征作为异常细胞样本检测的依据，再对待检测细胞样本进行显微镜扫描，获取待检测细胞样本对应各类异常特征类型的特征数据，并基于异常细胞样本检测模型对待检测细胞样本对应各类异常特征类型的特征数据进行异常检测，实现了异常细胞样本的准确检出。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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是本发明提供的基于机器学习的异常细胞样本检测方法的流程示意图；
图2是本发明提供的异常特征类型筛选方法的流程示意图；
图3是本发明提供的细胞特征的示意图；
图4是本发明提供的候选细胞特征重要性排序的示意图；
图5是本发明提供的基于机器学习的异常细胞样本检测装置的结构示意图；
图6是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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。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。
图1是本发明提供的基于机器学习的异常细胞样本检测方法的流程示意图，如图1所示，该方法包括：
步骤110，对待检测细胞样本进行显微镜扫描，获取所述待检测细胞样本对应各类异常特征类型的特征数据；
步骤120，将所述待检测细胞样本对应各类异常特征类型的特征数据输入至异常细胞样本检测模型，得到所述异常细胞样本检测模型输出的所述待检测细胞样本的异常检测结果；
其中，如图2所示，所述异常特征类型是基于如下步骤确定的：
步骤210，对多个训练细胞样本进行显微镜扫描，得到所述多个训练细胞样本对应各类细胞特征的特征数据；
步骤220，对所述多个训练细胞样本对应各类细胞特征的特征数据与对应训练细胞样本的异常指征进行相关性分析，并基于各类细胞特征对应的相关系数确定所述异常特征类型。
具体地，可以使用细胞显微镜对待检测细胞样本进行扫描，扫描时会采集该待检测细胞样本在包含 Dapi、Dapi-low、Red、Green、Gold、Aqua等各个通道下的图像数据。需要说明的是，采集何种通道下的图像数据可以根据实际细胞分割场景的需求进行设定，本发明实施例对此不作具体限定。其中，Dapi、Dapi-low通道对应不同曝光时间下细胞核的成像数据，Red、Green、Gold、Aqua对应四个探针通道下信号点的成像数据，且Dapi-low的曝光时间较短，细胞核的强度较低；Dapi的曝光时间较长，细胞核的强度较高。细胞显微镜在对待检测细胞样本进行显微镜扫描时，会调用显微镜内置的图像处理算法（例如Bioview扫描系统中内置的传统图像处理算法）对待检测细胞样本在上述多个通道下对应各类异常特征类型的特征数据。其中，异常特征类型是指与异常的细胞样本关联较大的特征，其对于异常细胞样本和正常细胞样本具备较高的区分性，例如细胞样本在Dapi-low通道下的细胞分割阈值、无法分割的细胞数量等。通过在显微镜扫描过程中获取待检测细胞样本对应各类异常特征类型的特征数据，可以作为判断该待检测细胞样本是否为异常样本的依据。
随后，将待检测细胞样本对应各类异常特征类型的特征数据输入至已训练的异常细胞样本检测模型进行异常检测，得到该异常细胞样本检测模型输出的该待检测细胞样本的异常检测结果。其中，待检测细胞样本的异常检测结果表征了该细胞样本是否为异常样本。此处，异常细胞样本检测模型是基于训练细胞样本对应各类异常特征类型的特征数据以及该训练细胞样本的异常标签训练得到的，其中模型训练过程中采用的异常特征类型与其在实际进行异常细胞样本检测时采用的异常特征类型是一致的。在训练异常细胞样本检测模型之前，可以首先获取大量的训练细胞样本以构建训练集，同时对训练集中的各个训练细胞样本进行异常标注，得到各个训练细胞样本的异常标签以表征对应训练细胞样本是否为异常的细胞样本。然后，利用细胞显微镜对训练细胞样本进行显微镜扫描，获取训练细胞样本对应各类异常特征类型的特征数据作为模型的输入，将训练细胞样本的异常标签作为模型输出的约束对异常细胞样本检测模型进行训练，直至模型收敛得到训练好的异常细胞样本检测模型。训练好的异常细胞样本检测模型构建了各类异常特征类型的特征数据与异常细胞样本之间的映射关系，具备了自动提取各类异常特征类型的特征数据中的关键语义信息从而据此判断对应细胞样本是否异常的能力，从而得以准确地检测出异常的细胞样本。
考虑到显微镜扫描过程中利用其内置的图像处理算法能够获取对应细胞样本的多类细胞特征，如图3所示，但并非所有细胞特征都有助于辨别异常细胞样本，若将所有细胞特征的特征数据都作为细胞样本异常检测的判断依据，则可能会受到其中大量的无用信息干扰，导致异常细胞样本的检测精度降低。因此，从大量细胞特征中筛选出具备区分性的异常特征类型将是提高异常细胞样本检测精度的关键。对此，本发明实施例在确定异常特征类型时，利用细胞显微镜对训练细胞样本进行显微镜扫描，得到训练细胞样本对应各类细胞特征的特征数据。
其中，细胞特征dapilow_threshold_2、dapilow_threshold_3和dapilow_threshold_1是基于自适应多阈值算法确定的dapi-low通道下的细胞分割阈值。scan_time和density为扫描时间和细胞密度，其可以直接在扫描时获得。edge_num、un_segment_cells、small_cells、single_cells、cluster_2/3/4/5/6/7/8/9/10分别为位于视野边缘细胞数量、无法分割的细胞数量、面积过小的细胞数量、单细胞的数量以及2个和2个以上的成团细胞的数量，其可以根据显微镜内置的图像分割算法得到的细胞分割结果以及正常细胞的尺寸确定。例如，若分割的细胞位于显微镜视野边缘，可以确定该细胞为视野边缘细胞；若分割的单个细胞尺寸明显超过正常细胞尺寸，可以确定该单个细胞是无法分割的细胞；若分割的单个细胞尺寸明显小于正常细胞尺寸，可以确定该单个细胞是面积过小的细胞；若分割的单个细胞尺寸接近于正常细胞尺寸，可以确定该单个细胞是单细胞；若分割的多个细胞之间的距离较近，可以确定该多个细胞是成团细胞。
随后，对多个训练细胞样本对应各类细胞特征的特征数据与对应训练细胞样本的异常指征进行相关性分析，并基于各类细胞特征对应的相关系数确定所述异常特征类型。其中，训练细胞样本的异常指征是一个能够反映该训练细胞样本是否异常的数值。例如，针对某一类细胞特征，可以根据多个训练细胞样本对应该类细胞特征的特征数据以及各个训练细胞样本的异常指征进行细胞特征与异常指征之间的相关性分析，得到该类细胞特征对应的相关系数。任一类细胞特征对应的相关系数的绝对值越高（相关系数为正表明是正相关，相关系数为负表明是负相关），表明该类细胞特征与异常指征之间的相关性越高，该类细胞特征对于异常细胞样本和正常细胞样本的区分性越强。因此，可以基于各类细胞特征对应的相关系数确定异常特征类型，其中相关系数越高的细胞特征越可能作为异常特征类型，从而可以提升异常细胞样本的检测精度。
本发明实施例提供的方法，通过对多个训练细胞样本进行显微镜扫描，对多个训练细胞样本对应各类细胞特征的特征数据与对应训练细胞样本的异常指征进行相关性分析，并基于各类细胞特征对应的相关系数确定异常特征类型，可以筛选出对于异常细胞样本和正常细胞样本的区分性更强的特征作为异常细胞样本检测的依据，再对待检测细胞样本进行显微镜扫描，获取待检测细胞样本对应各类异常特征类型的特征数据，并基于异常细胞样本检测模型对待检测细胞样本对应各类异常特征类型的特征数据进行异常检测，实现了异常细胞样本的准确检出。
基于上述实施例，任一训练细胞样本的异常指征是基于如下步骤确定的：
基于细胞分割模型和信号点检测模型依次对所述任一训练细胞样本的通道图像进行细胞分割和信号点检测，得到所述任一训练细胞样本中各细胞的信号点检测结果，并基于所述各细胞的信号点检测结果统计所述任一训练细胞样本的第一判读细胞数；
对所述任一训练细胞样本进行显微镜扫描后，依次基于内置的图像分割算法和细胞分类算法获取所述任一训练细胞样本中各细胞的细胞分类信息，并基于所述各细胞的细胞分类信息统计所述任一训练细胞样本的第二判读细胞数；
基于所述任一训练细胞样本的第一判读细胞数与第二判读细胞数之间的比值，确定所述任一训练细胞样本的异常指征。
具体地，通常情况下基于深度学习模型的细胞分割结果要优于基于显微镜内置图像处理算法的细胞分割结果，且根据同一应用场景（例如循环异常细胞的分割）下的测试结果，在细胞样本正常的情况下，基于深度学习模型的判读细胞数约为基于显微镜内置图像处理算法的判读细胞数的0.5倍，其中这个倍数和深度学习模型的性能有关，深度学习模型的性能越差，该倍数可能越高。因此，根据基于深度学习模型的判读细胞数与基于显微镜内置图像处理算法的判读细胞数之间的比值，可以确认相应细胞样本是否异常，故可将基于深度学习模型的判读细胞数与基于显微镜内置图像处理算法的判读细胞数之间的比值作为细胞样本的异常指征。其中，若上述比值大于上述倍数，可以认为该细胞样本异常，从而导致深度学习模型难以进行准确的细胞分割。
具体而言，为了获取基于深度学习模型的判读细胞数，可以基于细胞分割模型和信号点检测模型依次对任一训练细胞样本的通道图像（例如Dapi-low通道图像）进行细胞分割和信号点检测，得到该训练细胞样本中各细胞的信号点检测结果，并基于各细胞的信号点检测结果统计该训练细胞样本的第一判读细胞数。其中，细胞分割模型可以采用MaskRCNN，信号点检测模型可以采用Yolo，细胞分割模型的输入数据是训练细胞样本的通道图像，输出数据为细胞分割结果，信号点检测模型的输入数据为根据细胞分割结果获取的每个细胞在四个探针通道下的细胞图像，输出数据为每个细胞在四个探针通道下的信号点检测结果。根据每个细胞在四个探针通道下的信号点检测结果，可以确定每个细胞的分类信息，从而统计得到某一类或某几类细胞（例如CACs、Single_gain、Single_gain_aqua、Clumps）的数量，即得到该训练细胞样本的第一判读细胞数。
另外，为了获取基于显微镜内置图像处理算法的判读细胞数，可以对该训练细胞样本进行显微镜扫描后，依次基于显微镜内置的非机器学习的传统图像分割算法和细胞分类算法获取该训练细胞样本中各细胞的细胞分类信息，并基于各细胞的细胞分类信息统计得到某一类或某几类细胞（类别与上述获取第一判读细胞数时的类别一致）的数量，即得到该训练细胞样本的第二判读细胞数。随后，基于该训练细胞样本的第一判读细胞数与第二判读细胞数之间的比值，确定该训练细胞样本的异常指征。例如，可以直接将上述比值作为该训练细胞样本的异常指征，也可以对该比值进行一定的数据处理后，作为该训练细胞样本的异常指征，本发明实施例对此不作具体限定。
基于上述任一实施例，所述对所述多个训练细胞样本对应各类细胞特征的特征数据与对应训练细胞样本的异常指征进行相关性分析，并基于各类细胞特征对应的相关系数确定所述异常特征类型，具体包括：
对所述多个训练细胞样本对应各类细胞特征的特征数据与对应训练细胞样本的异常指征进行相关性分析，得到各类细胞特征对应的相关系数，并筛选出相关系数高于预设阈值的细胞特征作为候选细胞特征；
基于所述多个训练细胞样本的异常标签，对各个候选细胞特征进行重要性排序，得到所述各个候选细胞特征的重要性排序结果；其中，任一训练细胞样本的异常标签是基于所述任一训练细胞样本的异常指征确定的；
基于所述各个候选细胞特征对应的相关系数及其重要性排序结果，确定所述异常特征类型。
具体地，基于多个训练细胞样本对应各类细胞特征的特征数据与对应训练细胞样本的异常指征，进行细胞特征与异常指征间的相关性分析，得到各类细胞特征对应的相关系数。例如，可以计算任一细胞特征与异常指征间的皮尔森（pearson）相关系数、斯皮尔曼（spearman）相关系数或肯德尔（kendall）相关系数。随后，可以筛选出相关系数高于预设阈值（例如0.2）的细胞特征作为候选细胞特征。
随后，基于上述多个训练细胞样本的异常标签，对各个候选细胞特征进行重要性排序，得到各个候选细胞特征的重要性排序结果，如图4所示。其中，任一训练细胞样本的异常标签是基于该训练细胞样本的异常指征确定的。通过将任一类细胞特征置为随机数，确定该类细胞特征对于异常细胞样本检测模型的性能造成的负面影响，从而确定该类细胞特征的重要性。该类细胞特征随机化后对于异常细胞样本检测模型的性能造成的负面影响越大，表明该类细胞特征对于异常细胞样本和正常细胞样本的区分性越强，其重要性越高。此处，可以利用树模型，例如随机森林，对各个候选细胞特征进行重要性排序。基于各个训练细胞样本的异常标签，树模型可以构造多个决策树，以统计利用某一候选细胞特征进行样本分类（样本是否异常）的性能，从而评估各个候选细胞特征的重要性，再对各个候选细胞特征的重要性进行排序。基于各个候选细胞特征对应的相关系数及其重要性排序结果，可以确定相关系数较高且重要性排序靠前的候选细胞特征作为异常特征类型，例如dapilow_threshold_1, dapilow_threshold_3, dapilow_threshold_2, un_segment_cells等，以提升异常特征类型在异常细胞样本检测场景下的区分性，提高异常细胞样本检测的准确性。
基于上述任一实施例，任一训练细胞样本的异常标签是基于如下步骤确定的：
确定所述细胞分割模型和信号点检测模型的联合分割性能等级，并基于所述联合分割性能等级确定判读阈值；其中，所述联合分割性能等级越高，所述判读阈值越低；
基于所述任一训练细胞样本的异常指征与所述判读阈值，确定所述任一训练细胞样本的异常标签。
具体地，可以基于测试数据对细胞分割模型和信号点检测模型进行联合性能测试，以得到细胞分割模型和信号点检测模型的联合分割性能等级。其中，可以基于细胞分割模型和信号点检测模型对测试数据进行某一类或某几类细胞的细胞分割，统计得到相应类别细胞的数量，并基于测试数据的标记结果确定模型输出的相应类别细胞的数量的准确度，从而衡量细胞分割模型和信号点检测模型的联合分割性能等级。细胞分割模型和信号点检测模型的联合分割性能等级越高，表明其针对相应类别细胞的分割能力越强。例如，联合分割性能等级可以为最差、折中、理想等三个等级中的一种。基于该联合分割性能等级可以确定判读阈值，且联合分割性能等级越高，该判读阈值越低。以联合分割性能等级分别为最差、折中、理想为例，判读阈值可以如下进行如下设置：
1、若联合分割性能等级为最差，则判读阈值为1；
2、若联合分割性能等级为折中，则判读阈值为0.6；
3）若联合分割性能等级为理想，则判读阈值为0.5。
随后，基于任一训练细胞样本的异常指征与上述判读阈值，可以确定该训练细胞样本的异常标签。例如，若该训练细胞样本的异常指征小于上述判读阈值，则其异常标签为1（表明该训练细胞样本为正常样本），否则其异常标签为0（表明该训练细胞样本为异常样本）。
基于上述任一实施例，所述基于所述任一训练细胞样本的异常指征与所述判读阈值，确定所述任一训练细胞样本的异常标签，具体包括：
确定所述细胞分割模型和信号点检测模型的联合分割召回率；
基于所述任一训练细胞样本的第一判读细胞数与所述联合分割召回率，确定所述任一训练细胞样本的第三判读细胞数；
确定所述任一训练细胞样本的第三判读细胞数与第二判读细胞数之间的比值，作为所述任一训练细胞样本的更新异常指征；
基于所述任一训练细胞样本的更新异常指征与所述判读阈值，确定所述任一训练细胞样本的异常标签。
具体地，为了提高异常标签的准确性，考虑到细胞分割模型和信号点检测模型确定的第一判读细胞数的准确性受到这两个模型的召回率影响，因此可以确定细胞分割模型和信号点检测模型的联合分割召回率以对第一判读细胞数进行调整，使其准确性更符合模型实际。具体而言，类似联合分割性能等级，可以基于测试数据对细胞分割模型和信号点检测模型进行联合性能测试，以得到细胞分割模型和信号点检测模型的联合分割召回率。其中，联合分割召回率可以为模型正确分割出的目标类别细胞（例如CAC细胞）的细胞数与该细胞样本中目标类别细胞的实际细胞数之间的比值。基于该联合分割召回率对任一训练细胞样本的第一判读细胞数进行微调，得到该训练细胞样本的第三判读细胞数。此处，可以确定第一判读细胞数与该联合分割召回率之间的比值，作为第三判读细胞数。
随后，确定该训练细胞样本的第三判读细胞数与第二判读细胞数之间的比值，作为该训练细胞样本的更新异常指征，并基于该训练细胞样本的更新异常指征与上述判读阈值，确定该训练细胞样本的异常标签。
下面对本发明提供的基于机器学习的异常细胞样本检测装置进行描述，下文描述的基于机器学习的异常细胞样本检测装置与上文描述的基于机器学习的异常细胞样本检测方法可相互对应参照。
基于上述任一实施例，图5是本发明提供的基于机器学习的异常细胞样本检测装置的结构示意图，如图5所示，该装置包括：显微镜扫描单元510和样本异常检测单元520。
其中，显微镜扫描单元510用于对待检测细胞样本进行显微镜扫描，获取所述待检测细胞样本对应各类异常特征类型的特征数据；
样本异常检测单元520用于将所述待检测细胞样本对应各类异常特征类型的特征数据输入至异常细胞样本检测模型，得到所述异常细胞样本检测模型输出的所述待检测细胞样本的异常检测结果；
其中，所述异常特征类型是基于如下步骤确定的：
对多个训练细胞样本进行显微镜扫描，得到所述多个训练细胞样本对应各类细胞特征的特征数据；
对所述多个训练细胞样本对应各类细胞特征的特征数据与对应训练细胞样本的异常指征进行相关性分析，并基于各类细胞特征对应的相关系数确定所述异常特征类型。
本发明实施例提供的装置，通过对多个训练细胞样本进行显微镜扫描，对多个训练细胞样本对应各类细胞特征的特征数据与对应训练细胞样本的异常指征进行相关性分析，并基于各类细胞特征对应的相关系数确定异常特征类型，可以筛选出对于异常细胞样本和正常细胞样本的区分性更强的特征作为异常细胞样本检测的依据，再对待检测细胞样本进行显微镜扫描，获取待检测细胞样本对应各类异常特征类型的特征数据，并基于异常细胞样本检测模型对待检测细胞样本对应各类异常特征类型的特征数据进行异常检测，实现了异常细胞样本的准确检出。
基于上述任一实施例，任一训练细胞样本的异常指征是基于如下步骤确定的：
基于细胞分割模型和信号点检测模型依次对所述任一训练细胞样本的通道图像进行细胞分割和信号点检测，得到所述任一训练细胞样本中各细胞的信号点检测结果，并基于所述各细胞的信号点检测结果统计所述任一训练细胞样本的第一判读细胞数；
对所述任一训练细胞样本进行显微镜扫描后，依次基于内置的图像分割算法和细胞分类算法获取所述任一训练细胞样本中各细胞的细胞分类信息，并基于所述各细胞的细胞分类信息统计所述任一训练细胞样本的第二判读细胞数；
基于所述任一训练细胞样本的第一判读细胞数与第二判读细胞数之间的比值，确定所述任一训练细胞样本的异常指征。
基于上述任一实施例，所述对所述多个训练细胞样本对应各类细胞特征的特征数据与对应训练细胞样本的异常指征进行相关性分析，并基于各类细胞特征对应的相关系数确定所述异常特征类型，具体包括：
对所述多个训练细胞样本对应各类细胞特征的特征数据与对应训练细胞样本的异常指征进行相关性分析，得到各类细胞特征对应的相关系数，并筛选出相关系数高于预设阈值的细胞特征作为候选细胞特征；
基于所述多个训练细胞样本的异常标签，对各个候选细胞特征进行重要性排序，得到所述各个候选细胞特征的重要性排序结果；其中，任一训练细胞样本的异常标签是基于所述任一训练细胞样本的异常指征确定的；
基于所述各个候选细胞特征对应的相关系数及其重要性排序结果，确定所述异常特征类型。
基于上述任一实施例，任一训练细胞样本的异常标签是基于如下步骤确定的：
确定所述细胞分割模型和信号点检测模型的联合分割性能等级，并基于所述联合分割性能等级确定判读阈值；其中，所述联合分割性能等级越高，所述判读阈值越低；
基于所述任一训练细胞样本的异常指征与所述判读阈值，确定所述任一训练细胞样本的异常标签。
基于上述任一实施例，所述基于所述任一训练细胞样本的异常指征与所述判读阈值，确定所述任一训练细胞样本的异常标签，具体包括：
确定所述细胞分割模型和信号点检测模型的联合分割召回率；
基于所述任一训练细胞样本的第一判读细胞数与所述联合分割召回率，确定所述任一训练细胞样本的第三判读细胞数；
确定所述任一训练细胞样本的第三判读细胞数与第二判读细胞数之间的比值，作为所述任一训练细胞样本的更新异常指征；
基于所述任一训练细胞样本的更新异常指征与所述判读阈值，确定所述任一训练细胞样本的异常标签。
基于上述任一实施例，所述异常细胞样本检测模型是基于训练细胞样本对应各类异常特征类型的特征数据以及所述训练细胞样本的异常标签训练得到的。
基于上述任一实施例，所述基于所述多个训练细胞样本的异常标签，对各个候选细胞特征进行重要性排序，得到所述各个候选细胞特征的重要性排序结果，具体包括：
基于树模型对各个候选细胞特征进行重要性排序，得到所述各个候选细胞特征的重要性排序结果。
图6是本发明提供的电子设备的结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、存储器(memory)620、通信接口(Communications Interface)630和通信总线640，其中，处理器610，存储器620，通信接口630通过通信总线640完成相互间的通信。处理器610可以调用存储器620中的逻辑指令，以执行基于机器学习的异常细胞样本检测方法，该方法包括：对待检测细胞样本进行显微镜扫描，获取所述待检测细胞样本对应各类异常特征类型的特征数据；将所述待检测细胞样本对应各类异常特征类型的特征数据输入至异常细胞样本检测模型，得到所述异常细胞样本检测模型输出的所述待检测细胞样本的异常检测结果；其中，所述异常特征类型是基于如下步骤确定的：对多个训练细胞样本进行显微镜扫描，得到所述多个训练细胞样本对应各类细胞特征的特征数据；对所述多个训练细胞样本对应各类细胞特征的特征数据与对应训练细胞样本的异常指征进行相关性分析，并基于各类细胞特征对应的相关系数确定所述异常特征类型。
此外，上述的存储器620中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的基于机器学习的异常细胞样本检测方法，该方法包括：对待检测细胞样本进行显微镜扫描，获取所述待检测细胞样本对应各类异常特征类型的特征数据；将所述待检测细胞样本对应各类异常特征类型的特征数据输入至异常细胞样本检测模型，得到所述异常细胞样本检测模型输出的所述待检测细胞样本的异常检测结果；其中，所述异常特征类型是基于如下步骤确定的：对多个训练细胞样本进行显微镜扫描，得到所述多个训练细胞样本对应各类细胞特征的特征数据；对所述多个训练细胞样本对应各类细胞特征的特征数据与对应训练细胞样本的异常指征进行相关性分析，并基于各类细胞特征对应的相关系数确定所述异常特征类型。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的基于机器学习的异常细胞样本检测方法，该方法包括：对待检测细胞样本进行显微镜扫描，获取所述待检测细胞样本对应各类异常特征类型的特征数据；将所述待检测细胞样本对应各类异常特征类型的特征数据输入至异常细胞样本检测模型，得到所述异常细胞样本检测模型输出的所述待检测细胞样本的异常检测结果；其中，所述异常特征类型是基于如下步骤确定的：对多个训练细胞样本进行显微镜扫描，得到所述多个训练细胞样本对应各类细胞特征的特征数据；对所述多个训练细胞样本对应各类细胞特征的特征数据与对应训练细胞样本的异常指征进行相关性分析，并基于各类细胞特征对应的相关系数确定所述异常特征类型。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种基于机器学习的异常细胞样本检测方法，其特征在于，包括：
对待检测细胞样本进行显微镜扫描，获取所述待检测细胞样本对应各类异常特征类型的特征数据；
将所述待检测细胞样本对应各类异常特征类型的特征数据输入至异常细胞样本检测模型，得到所述异常细胞样本检测模型输出的所述待检测细胞样本的异常检测结果；
其中，所述异常特征类型是基于如下步骤确定的：
对多个训练细胞样本进行显微镜扫描，得到所述多个训练细胞样本对应各类细胞特征的特征数据；
对所述多个训练细胞样本对应各类细胞特征的特征数据与对应训练细胞样本的异常指征进行相关性分析，并基于各类细胞特征对应的相关系数确定所述异常特征类型；
所述对所述多个训练细胞样本对应各类细胞特征的特征数据与对应训练细胞样本的异常指征进行相关性分析，并基于各类细胞特征对应的相关系数确定所述异常特征类型，具体包括：
对所述多个训练细胞样本对应各类细胞特征的特征数据与对应训练细胞样本的异常指征进行相关性分析，得到各类细胞特征对应的相关系数，并筛选出相关系数高于预设阈值的细胞特征作为候选细胞特征；
基于所述多个训练细胞样本的异常标签，对各个候选细胞特征进行重要性排序，得到所述各个候选细胞特征的重要性排序结果；其中，任一训练细胞样本的异常标签是基于所述任一训练细胞样本的异常指征确定的；
基于所述各个候选细胞特征对应的相关系数及其重要性排序结果，确定所述异常特征类型。
2.根据权利要求1所述的基于机器学习的异常细胞样本检测方法，其特征在于，任一训练细胞样本的异常指征是基于如下步骤确定的：
基于细胞分割模型和信号点检测模型依次对所述任一训练细胞样本的通道图像进行细胞分割和信号点检测，得到所述任一训练细胞样本中各细胞的信号点检测结果，并基于所述各细胞的信号点检测结果统计所述任一训练细胞样本的第一判读细胞数；
对所述任一训练细胞样本进行显微镜扫描后，依次基于内置的图像分割算法和细胞分类算法获取所述任一训练细胞样本中各细胞的细胞分类信息，并基于所述各细胞的细胞分类信息统计所述任一训练细胞样本的第二判读细胞数；
基于所述任一训练细胞样本的第一判读细胞数与第二判读细胞数之间的比值，确定所述任一训练细胞样本的异常指征。
3.根据权利要求1所述的基于机器学习的异常细胞样本检测方法，其特征在于，任一训练细胞样本的异常标签是基于如下步骤确定的：
确定所述细胞分割模型和信号点检测模型的联合分割性能等级，并基于所述联合分割性能等级确定判读阈值；其中，所述联合分割性能等级越高，所述判读阈值越低；
基于所述任一训练细胞样本的异常指征与所述判读阈值，确定所述任一训练细胞样本的异常标签。
4.根据权利要求3所述的基于机器学习的异常细胞样本检测方法，其特征在于，所述基于所述任一训练细胞样本的异常指征与所述判读阈值，确定所述任一训练细胞样本的异常标签，具体包括：
确定所述细胞分割模型和信号点检测模型的联合分割召回率；
基于所述任一训练细胞样本的第一判读细胞数与所述联合分割召回率，确定所述任一训练细胞样本的第三判读细胞数；
确定所述任一训练细胞样本的第三判读细胞数与第二判读细胞数之间的比值，作为所述任一训练细胞样本的更新异常指征；
基于所述任一训练细胞样本的更新异常指征与所述判读阈值，确定所述任一训练细胞样本的异常标签。
5.根据权利要求1所述的基于机器学习的异常细胞样本检测方法，其特征在于，所述异常细胞样本检测模型是基于训练细胞样本对应各类异常特征类型的特征数据以及所述训练细胞样本的异常标签训练得到的。
6.根据权利要求1所述的基于机器学习的异常细胞样本检测方法，其特征在于，所述基于所述多个训练细胞样本的异常标签，对各个候选细胞特征进行重要性排序，得到所述各个候选细胞特征的重要性排序结果，具体包括：
基于树模型对各个候选细胞特征进行重要性排序，得到所述各个候选细胞特征的重要性排序结果。
7.一种基于机器学习的异常细胞样本检测装置，其特征在于，包括：
显微镜扫描单元，用于对待检测细胞样本进行显微镜扫描，获取所述待检测细胞样本对应各类异常特征类型的特征数据；
样本异常检测单元，用于将所述待检测细胞样本对应各类异常特征类型的特征数据输入至异常细胞样本检测模型，得到所述异常细胞样本检测模型输出的所述待检测细胞样本的异常检测结果；
其中，所述异常特征类型是基于如下步骤确定的：
对多个训练细胞样本进行显微镜扫描，得到所述多个训练细胞样本对应各类细胞特征的特征数据；
对所述多个训练细胞样本对应各类细胞特征的特征数据与对应训练细胞样本的异常指征进行相关性分析，并基于各类细胞特征对应的相关系数确定所述异常特征类型；
所述对所述多个训练细胞样本对应各类细胞特征的特征数据与对应训练细胞样本的异常指征进行相关性分析，并基于各类细胞特征对应的相关系数确定所述异常特征类型，具体包括：
对所述多个训练细胞样本对应各类细胞特征的特征数据与对应训练细胞样本的异常指征进行相关性分析，得到各类细胞特征对应的相关系数，并筛选出相关系数高于预设阈值的细胞特征作为候选细胞特征；
基于所述多个训练细胞样本的异常标签，对各个候选细胞特征进行重要性排序，得到所述各个候选细胞特征的重要性排序结果；其中，任一训练细胞样本的异常标签是基于所述任一训练细胞样本的异常指征确定的；
基于所述各个候选细胞特征对应的相关系数及其重要性排序结果，确定所述异常特征类型。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述基于机器学习的异常细胞样本检测方法。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于机器学习的异常细胞样本检测方法。
CN202211545563.XA 2022-12-05 2022-12-05 基于机器学习的异常细胞样本检测方法和装置 Active CN115564776B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211545563.XA CN115564776B (zh) 2022-12-05 2022-12-05 基于机器学习的异常细胞样本检测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211545563.XA CN115564776B (zh) 2022-12-05 2022-12-05 基于机器学习的异常细胞样本检测方法和装置

Publications (2)

Publication Number Publication Date
CN115564776A CN115564776A (zh) 2023-01-03
CN115564776B true CN115564776B (zh) 2023-03-10

Family

ID=84770472

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211545563.XA Active CN115564776B (zh) 2022-12-05 2022-12-05 基于机器学习的异常细胞样本检测方法和装置

Country Status (1)

Country Link
CN (1) CN115564776B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116542978B (zh) * 2023-07-06 2023-10-20 珠海圣美生物诊断技术有限公司 Fish探针的质量检测方法和装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110120040A (zh) * 2019-05-13 2019-08-13 广州锟元方青医疗科技有限公司 切片图像处理方法、装置、计算机设备和存储介质
WO2020253508A1 (zh) * 2019-06-18 2020-12-24 平安科技（深圳）有限公司 异常细胞检测方法、装置及计算机可读存储介质
CN112233060A (zh) * 2020-09-04 2021-01-15 广州金域医学检验中心有限公司 数字病理图像异常样本的筛选方法、装置、计算机设备及存储介质
WO2021214102A1 (en) * 2020-04-21 2021-10-28 ETH Zürich Methods of determining correspondences between biological properties of cells
CN113781455A (zh) * 2021-09-15 2021-12-10 平安科技（深圳）有限公司 宫颈细胞图像异常检测方法、装置、设备及介质
CN114037662A (zh) * 2021-10-26 2022-02-11 同济大学 基于随机森林算法的循环肿瘤细胞识别系统
CN114998332A (zh) * 2022-08-02 2022-09-02 珠海横琴圣澳云智科技有限公司 核型异常细胞的确定方法和装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2606369A (en) * 2021-05-05 2022-11-09 The Institute Of Cancer Res Royal Cancer Hospital Analysis of histopathology samples
CN114550169A (zh) * 2022-02-23 2022-05-27 腾讯科技（深圳）有限公司 细胞分类模型的训练方法、装置、设备及介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110120040A (zh) * 2019-05-13 2019-08-13 广州锟元方青医疗科技有限公司 切片图像处理方法、装置、计算机设备和存储介质
WO2020253508A1 (zh) * 2019-06-18 2020-12-24 平安科技（深圳）有限公司 异常细胞检测方法、装置及计算机可读存储介质
WO2021214102A1 (en) * 2020-04-21 2021-10-28 ETH Zürich Methods of determining correspondences between biological properties of cells
CN112233060A (zh) * 2020-09-04 2021-01-15 广州金域医学检验中心有限公司 数字病理图像异常样本的筛选方法、装置、计算机设备及存储介质
CN113781455A (zh) * 2021-09-15 2021-12-10 平安科技（深圳）有限公司 宫颈细胞图像异常检测方法、装置、设备及介质
CN114037662A (zh) * 2021-10-26 2022-02-11 同济大学 基于随机森林算法的循环肿瘤细胞识别系统
CN114998332A (zh) * 2022-08-02 2022-09-02 珠海横琴圣澳云智科技有限公司 核型异常细胞的确定方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
LDBC-Ⅰ全自动血细胞图像分析仪对外周血有核细胞分类能力的验证评价;高飞等;《现代检验医学杂志》;20180315(第02期);第92-96页 *

Also Published As

Publication number Publication date
CN115564776A (zh) 2023-01-03

Similar Documents

Publication Publication Date Title
CN109872335A (zh) 一种用于pd-l1抗体染色切片的自动读片方法及其系统
CN115564776B (zh) 基于机器学习的异常细胞样本检测方法和装置
CN114998332B (zh) 核型异常细胞的确定方法和装置
CN115035518B (zh) 细胞核图像中荧光染色信号点的识别方法和装置
CN112685324A (zh) 一种生成测试方案的方法及系统
CN114492764A (zh) 人工智能模型测试方法、装置、电子设备和存储介质
CN112381800A (zh) 一种导线直径异常识别方法、装置、电子设备和计算机可读存储介质
CN116310882A (zh) 基于高分辨率遥感影像的林业信息识别方法
CN115170548A (zh) 基于无监督学习的皮革缺陷自动检测方法及装置
CN114881996A (zh) 缺陷检测方法及装置
CN113723467A (zh) 用于缺陷检测的样本收集方法、装置和设备
CN116542978B (zh) Fish探针的质量检测方法和装置
CN113269752A (zh) 一种图像检测方法、装置终端设备及存储介质
CN112614570A (zh) 样本集标注、病理图像分类、分类模型构建方法及装置
CN113988226B (zh) 数据脱敏有效性验证方法、装置、计算机设备及存储介质
CN116230208A (zh) 基于深度学习的胃粘膜炎症分型辅助诊断系统
CN113537253A (zh) 一种红外图像目标检测方法、装置、计算设备及存储介质
CN112132239B (zh) 一种训练方法、装置、设备和存储介质
CN114240928A (zh) 板卡质量的分区检测方法、装置、设备及可读存储介质
CN114240929A (zh) 一种色差检测方法及装置
CN114463345A (zh) 基于动态自适应网络的多参数乳腺磁共振图像分割方法
CN113569879A (zh) 异常识别模型的训练方法、异常账号识别方法及相关装置
CN116453117B (zh) 一种图像解译图斑定位与精度评估方法
CN115881304B (zh) 基于智能检测的风险评估方法、装置、设备及介质
CN111724352B (zh) 一种基于核密度估计的贴片led瑕疵标注方法

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
GR01 Patent grant
GR01 Patent grant