CN115578598B - 一种基于卷积神经网络的骨髓细胞识别方法及其系统 - Google Patents
一种基于卷积神经网络的骨髓细胞识别方法及其系统 Download PDFInfo
- Publication number
- CN115578598B CN115578598B CN202211319379.3A CN202211319379A CN115578598B CN 115578598 B CN115578598 B CN 115578598B CN 202211319379 A CN202211319379 A CN 202211319379A CN 115578598 B CN115578598 B CN 115578598B
- Authority
- CN
- China
- Prior art keywords
- data
- image
- bone marrow
- judging
- analysis
- 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
Links
- 210000002798 bone marrow cell Anatomy 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 18
- 210000004027 cell Anatomy 0.000 claims abstract description 90
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000003902 lesion Effects 0.000 claims description 82
- 238000005457 optimization Methods 0.000 claims description 18
- 230000011218 segmentation Effects 0.000 claims description 9
- 239000000463 material Substances 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 4
- 239000000356 contaminant Substances 0.000 claims description 3
- 239000003344 environmental pollutant Substances 0.000 claims description 3
- 231100000719 pollutant Toxicity 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 210000004698 lymphocyte Anatomy 0.000 description 4
- 210000000440 neutrophil Anatomy 0.000 description 3
- 210000004765 promyelocyte Anatomy 0.000 description 3
- 210000003714 granulocyte Anatomy 0.000 description 2
- 210000001616 monocyte Anatomy 0.000 description 2
- 210000004180 plasmocyte Anatomy 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000000120 cytopathologic effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000003979 eosinophil Anatomy 0.000 description 1
- 210000003743 erythrocyte Anatomy 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 210000000675 late promyelocyte Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种基于卷积神经网络的骨髓细胞识别方法及其系统,其中,识别系统,包括:多个客户端和图像识别中心;其中,客户端:用于发送初始数据;接收参考数据;图像识别中心:用于接收初始数据,对初始数据进行预分析,获得预分析数据;其中,初始数据至少包括:骨髓细胞图像、采集设备信息、类别和采集时间;对预分析数据进行处理,获得待参考数据;通过利用卷积神经网络训练获得的模型对待参考数据进行分析,生成参考数据,其中,参考数据包括:分析图像和统计数据。本申请能够自动对各类别的细胞图像进行识别和分析,从而为工作人员的识别工作提供更多、更全面的参考数据。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种基于卷积神经网络的骨髓细胞识别方法及其系统。
背景技术
计算机辅助技术相比于人工识别来说,具有许多天然的优势。一般而言,由于骨髓细胞的类别繁多,且正常形态和病变形态都很多样,因此,骨髓细胞图像的数量巨大,传统的仅通过人工对骨髓细胞图像进行识别的方法,需要工作人员具备极高的专业知识以及丰富的检查经验,在人工识别的过程中容易因为图像中的多个目标相互粘连而产生识别误差,因此急需一种计算机辅助技术为工作人员提供相应的辅助数据,以帮助工作人员在完成识别工作中提高速度和准确性。
发明内容
本申请的目的在于提供一种基于卷积神经网络的骨髓细胞识别方法及其系统,能够自动对各类别的细胞图像进行识别和分析,从而为工作人员的识别工作提供更多、更全面的参考数据。
为达到上述目的,本申请提供一种识别系统,包括:多个客户端和图像识别中心;其中,客户端:用于发送初始数据;接收参考数据;图像识别中心:用于接收初始数据,对初始数据进行预分析,获得预分析数据;其中,初始数据至少包括:骨髓细胞图像、采集设备信息、类别和采集时间;对预分析数据进行处理,获得待参考数据;通过利用卷积神经网络训练获得的模型对待参考数据进行分析,生成参考数据,其中,参考数据包括:分析图像和统计数据。
如上的,其中,图像识别中心至少包括:收发单元、预分析单元、处理单元、生成单元和存储单元;其中,收发单元:用于接收客户端发送的初始数据,并将初始数据发送至预分析单元;预分析单元:用于对初始数据进行分析,获得预分析数据,并将预分析数据发送至处理单元;处理单元:用于对预分析数据进行处理,获得待参考数据,并将待参考数据发送至生成单元;生成单元:对待参考数据进行分析,生成参考数据,并发送;存储单元:用于存储图像数据库和历史数据库;其中,图像数据库包括:比对数据库和病例数据库;历史数据库用于存储历史数据。
如上的,其中,处理单元至少包括:预识别子单元、优化子单元、分割子单元和标记子单元;其中,预识别子单元:用于根据类别对预分析数据中的骨髓细胞图像进行准确性校核,获得预参考数据,并将预参考数据发送至优化子单元;优化子单元:用于对预参考数据进行优化处理,获得优化数据;分割子单元:用于对优化数据进行分割,并将分割获得的每个细胞的图像作为分割数据;标记子单元:用于对每个分割数据进行第一次标记,标记每个分割数据的细胞类别和序号,并将完成标记后的所有数据作为待参考数据。
如上的,其中,生成单元至少包括:判别子单元、分析子模块和统计子模块;其中,判别子单元:对待参考数据进行判别,获得病变图像;分析子模块:对病变图像进行分析,获得分析图像;统计子模块:对分析图像进行统计,获得统计数据,根据分析图像和统计数据生成参考数据,并发送。
本申请还提供一种识别方法,包括如下步骤:接收初始数据,对初始数据进行预分析,获得预分析数据;其中,初始数据至少包括:骨髓细胞图像、采集设备信息、类别和采集时间;对预分析数据进行处理,获得待参考数据;通过利用卷积神经网络训练获得的模型对待参考数据进行分析,生成参考数据,其中,参考数据包括:分析图像和统计数据。
如上的,其中,对初始数据进行预分析,获得预分析数据的子步骤如下:根据初始数据中的采集设备信息确定预判模型;通过预判模型对骨髓细胞图像进行预判断,并生成预判断结果,其中,预判断结果包括:图像合格和图像不合格;当预判断结果为图像合格,根据预判断结果和骨髓细胞图像生成预分析数据。
如上的,其中,对预分析数据进行处理,获得待参考数据的子步骤如下:对预分析数据中的骨髓细胞图像进行预处理,获得优化数据;对优化数据进行分割,获得分割数据;对分割数据进行第一标记,获得待参考数据。
如上的,其中,对待参考数据进行分析,生成参考数据的子步骤如下:对待参考数据进行判别,获得病变图像;对病变图像进行分析,获得分析图像;对分析图像进行统计,获得统计数据,其中,统计数据至少包括:每种细胞类别的病变细胞的总个数和每种细胞类别的病变细胞的分布比;根据分析图像和统计数据生成参考数据,并发送。
如上的,其中,对待参考数据进行判别,获得病变图像的子步骤如下:根据类别和采集设备信息确定标准数据;根据标准数据对待参考数据进行判别,获得待标记图像;对待标记图像进行第二次标记,获得病变图像。
如上的,其中,每种细胞类别的病变细胞的分布比的表达式如下:其中,/>为第i1种细胞类别的病变细胞的分布比,i1∈[1,I1],I1为病变细胞的细胞类别的类别总数,I1≤I,I为骨髓细胞图像中包含的所有细胞类别的类别总数;/>为第i1种细胞类别的病变图像的总个数;Zxbi为第i种细胞类别的细胞图像总个数。
本申请能够自动对各类别的细胞图像进行识别和分析,从而为工作人员的识别工作提供更多、更全面的参考数据。
附图说明
为了更清楚地说明本申请实施例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简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为识别系统一种实施例的结构示意图;
图2为识别方法一种实施例的流程图。
具体实施方式
下面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。基于本发明中的实施例,本领域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,都属于本发明保护的范围。
如图1所示,本申请提供一种识别系统,包括:多个客户端110和图像识别中心120。
其中,客户端110:用于发送初始数据;接收参考数据。
图像识别中心120:用于接收初始数据,对初始数据进行预分析,获得预分析数据;其中,初始数据至少包括:骨髓细胞图像、采集设备信息、类别和采集时间;
对预分析数据进行处理,获得待参考数据;
通过利用卷积神经网络训练获得的模型对待参考数据进行分析,生成参考数据,其中,参考数据包括:分析图像和统计数据。
进一步的,图像识别中心120至少包括:收发单元、预分析单元、处理单元、生成单元和存储单元。
其中,收发单元:用于接收客户端发送的初始数据,并将初始数据发送至预分析单元。
预分析单元:用于对初始数据进行分析,获得预分析数据,并将预分析数据发送至处理单元。
处理单元:用于对预分析数据进行处理,获得待参考数据,并将待参考数据发送至生成单元。
生成单元:对待参考数据进行分析,生成参考数据,并发送。
存储单元:用于存储图像数据库和历史数据库;其中,图像数据库包括:比对数据库和病例数据库;历史数据库用于存储历史数据。
其中,比对数据库包括:多个类别图像库,每个类别图像库包括多个类型图像库,每个类型图像库中均包括:多个健康图像和多个病变图像。
具体的,类别图像库即根据细胞类别进行分类存储的图像库。类型图像库即根据采集设备的类型进行进一步分类存储的图像库。健康图像为正常状态的细胞的图像。病变图像为产生了病变的细胞的图像。
其中,病例数据库包括:多个类别数据库,每个类别数据库包括多个子数据库,每个子数据库中包括:多个标准病变状态,每个标准病变状态对应至少一个标准病变特征。
具体的,类别数据库即根据细胞类别进行分类存储的数据库。标准病变状态为已有的每种细胞类别的细胞发生病变的状态。标准病变特征为对已有的病变细胞进行特征提取后获得的能够展示病变状态的特征。
历史数据至少包括:历史初始数据和历史参考数据。
其中,历史初始数据至少包括:历史骨髓细胞图像、历史采集设备信息、历史类别和历史采集时间。历史采集时间即采集时间在本次采集时间之前的时间。
其中,历史参考数据至少包括:历史分析图像和历史统计数据。
进一步的,图像数据库根据新出现的数据进行更新,其中,新出现的数据至少包括:病变图像、标准病变状态和标准病变特征。
进一步的,处理单元至少包括:预识别子单元、优化子单元、分割子单元和标记子单元。
其中,预识别子单元:用于根据类别对预分析数据中的骨髓细胞图像进行准确性校核,获得预参考数据,并将预参考数据发送至优化子单元。
优化子单元:用于对预参考数据进行优化处理,获得优化数据。
分割子单元:用于对优化数据进行分割,并将分割获得的每个细胞的图像作为分割数据。
标记子单元:用于对每个分割数据进行第一次标记,标记每个分割数据的细胞类别和序号,并将完成标记后的所有数据作为待参考数据。
进一步的,生成单元至少包括:判别子单元、分析子模块和统计子模块。
其中,判别子单元:对待参考数据进行判别,获得病变图像。
分析子模块:对病变图像进行分析,获得分析图像。
统计子模块:对分析图像进行统计,获得统计数据,根据分析图像和统计数据生成参考数据,并发送。
如图2所示,本申请提供一种识别方法,包括如下步骤:
S210:接收初始数据,对初始数据进行预分析,获得预分析数据;其中,初始数据至少包括:骨髓细胞图像、采集设备信息、类别和采集时间。
具体的,图像识别中心的收发单元接收客户端发送的初始数据,并将初始数据发送至预分析单元,由预分析单元进行预分析,获得预分析数据。
其中,骨髓细胞图像为用于展示采集的细胞的特征的图像,一个骨髓细胞图像中包括一个或多个细胞。
采集设备信息至少包括:采集设备的类型和采集设备的型号。
具体的,采集设备的类型至少包括:光学显微镜、图像数字化设备和数字显微镜。采集设备的型号即每种采集设备所包括的采集设备的具体型号。
其中,类别表示骨髓细胞图像中展示的细胞的细胞类别。细胞类别至少包括:嗜酸性分叶核粒细胞、早幼红细胞、原始浆细胞、早幼粒细胞、巨中幼红细胞、异型淋巴细胞、巨晚幼红细胞、中性分叶核粒细胞、中幼红细胞、中性晚幼粒细胞、中性中幼粒细胞、幼稚淋巴细胞、幼稚浆细胞、中性杆状核粒细胞、幼稚单核细胞、晚幼红细胞、原始淋巴细胞、成熟淋巴细胞、原始粒细胞、异常早幼粒细胞和原始单核细胞。
进一步的,对初始数据进行预分析,获得预分析数据的子步骤如下:
S2101:根据初始数据中的采集设备信息确定预判模型。
具体的,预分析单元中预先设置有多个通过卷积神经网络训练获得的预判模型,每个预判模型均对应一种采集设备的类型中的一个型号。预分析单元接收到初始数据后,根据采集设备信息调用相应的预判模型,执行S2102。
S2102:通过预判模型对骨髓细胞图像进行预判断,并生成预判断结果,其中,预判断结果包括:图像合格和图像不合格。
具体的,将骨髓细胞图像输入至选定的预判模型,由预判模型对骨髓细胞图像进行预判断,生成预判断值,若预判断值大于预设的预判断阈值,表示本次采集的骨髓细胞图像取材失败,需要重新取材采集骨髓细胞图像,则生成的预判断结果为图像不合格;若预判断值大于或小于预设的预判断阈值,表示本次采集的骨髓细胞图像取材成功,则生成的预判断结果为图像合格。
进一步的,预判断值的表达式如下:
其中,Ypd为预判断值;Kft(d)为骨髓细胞图像沿方向角ft的局部能量;Kft(b)为标准取材图像沿方向角ft的局部能量;ft为滤波器的第t个信号的方向角,t∈[1,T],T为方向角的总个数;w为尺度;Hw,ft(d)为尺寸为w,方向角为ft的骨髓细胞图像的局部振幅;Hw,ft(b)为尺寸为w,方向角为ft的标准取材图像的局部振幅;α为最小正整数;β为预设的常量;λ1为取材的细胞分布状态为权重;λ2为取材的污染物的占比的权重;Swr为骨髓细胞图像中污染物所占的面积;Szm为骨髓细胞图像中所有细胞所占的面积。
具体的,λ1和λ2根据需求进行设定。标准取材图像为完全符合可以进行使用的取材标准的骨髓细胞的图像。由于不同的采集设备的采集数据的呈现方式有所不同,因此通过多种相应的预判模型对骨髓细胞图像进行预判断能够提高判断的准确性。对客户端上传的骨髓细胞图像进行预判断,能够进一步辅助工作人员对取材本身是否符合规定进行分析,进一步的保证了取材的可用性。
S2103:当预判断结果为图像合格,根据预判断结果和骨髓细胞图像生成预分析数据。
具体的,预分析单元获得预分析数据后,执行S220。其中,预分析数据包括:预判断结果和骨髓细胞图像。
S220:对预分析数据进行处理,获得待参考数据。
进一步的,对预分析数据进行处理,获得待参考数据的子步骤如下:
S2201:对预分析数据中的骨髓细胞图像进行预处理,获得优化数据。
进一步的,对预分析数据中的骨髓细胞图像进行预处理,获得优化数据的子步骤如下:
S22011:根据类别对预分析数据中的骨髓细胞图像进行准确性校核,获得预参考数据,其中,预参考数据包括:准确性结果和骨髓细胞图像,其中,准确性结果包括:类别准确和类别错误。
具体的,根据类别对预分析数据中的骨髓细胞图像进行准确性校核的目的是为了辅助工作人员检查本次需要识别的骨髓细胞图像是否存在人工标记失误或者拿错样本的情况,以便及时更正。
进一步的,根据类别对预分析数据中的骨髓细胞图像进行准确性校核,获得预参考数据的子步骤如下:
T1:根据类别和采集设备信息确定比对图像。
具体的,预识别子单元根据类别和采集设备信息生成第一访问指令,并将第一访问指令发送至存储单元,存储单元根据第一访问指令从图像数据库中获取相应的类别图像库中的所有图像(即:多个健康图像和多个病变图像)作为比对图像,并将比对图像发送至预识别子单元,执行T2。若初始数据中的类别包括多个细胞类别,则获取的相应的类别图库为多个。
T2:通过卷积神经网络训练获得的校核模型根据比对图像对骨髓细胞图像进行校核,生成准确性结果。
具体的,预识别子单元中预先设置有通过卷积神经网络训练获得的校核模型,校核模型根据比对图像对骨髓细胞图像进行校核,若骨髓细胞图像中存在至少一个与比对图像相同的细胞图像,则表示初始数据中的类别和骨髓细胞图像展示的细胞所真实对应的细胞类别相同,生成的准确性结果为类别准确。若初始数据中的类别包括多个细胞类别,则每个细胞类别均需要满足骨髓细胞图像中存在至少一个与比对图像相同的细胞图像,生成的准确性结果才能为类别准确。
若骨髓细胞图像中不存在与比对图像相同的细胞图像,则表示初始数据中的类别和骨髓细胞图像展示的细胞真实对应的类别不相同,生成的准确性结果为类别错误。若初始数据中的类别包括多个细胞类别,则每个细胞类别中存在至少一个不满足骨髓细胞图像中存在至少一个与比对图像相同的细胞图像的情况时,生成的准确性结果即为类别错误。
具体的,作为一个实施例,卷积神经网络通过6220张标注的骨髓象细胞图训练校核模型,随后用1780张标注的骨髓象细胞做测试,能够有效的提高对25类细胞进行分类的准确性,从而提高校核的准确性。
T3:当准确性结果为类别准确,则根据准确性结果和骨髓细胞图像生成预参考数据;当准确性结果为类别错误,则根据准确性结果和骨髓细胞图像生成核查指令,并发送至客户端。
具体的,当准确性结果为类别准确,则根据准确性结果和骨髓细胞图像生成预参考数据,并将预参考数据发送至优化子单元,执行S22012。
当准确性结果为类别错误,则根据准确性结果和骨髓细胞图像生成核查指令,并发送至客户端,由客户端核查初始数据中的骨髓细胞图像和/或类别是否存在上传错误。
S22012:对预参考数据进行优化处理,获得优化数据。
具体的,通过优化子单元对预参考数据中的骨髓细胞图像进行滤波、去噪、平滑和锐化等一系列处理,完成对骨髓细胞图像的优化处理,提高图像质量,并将完成优化处理的骨髓细胞图像作为优化数据,将优化数据发送至分割子单元,执行S2202。
S2202:对优化数据进行分割,获得分割数据。
具体的,通过分割子单元对优化数据进行分割,并将分割获得的每个细胞的图像作为分割数据。
S2203:对分割数据进行第一标记,获得待参考数据。
具体的,通过标记子单元对每个分割数据进行第一次标记,标记每个分割数据的细胞类别和序号,并将完成标记后的所有数据作为待参考数据。
S230:通过利用卷积神经网络训练获得的模型对待参考数据进行分析,生成参考数据,其中,参考数据包括:分析图像和统计数据。
进一步的,对待参考数据进行分析,生成参考数据的子步骤如下:
S2301:对待参考数据进行判别,获得病变图像。
进一步的,对待参考数据进行判别,获得病变图像的子步骤如下:
S23011:根据类别和采集设备信息确定标准数据。
具体的,判别子单元根据类别和采集设备信息生成第二访问指令,并将第二访问指令发送至存储单元,存储单元根据第二访问指令从图像数据库中获取相应的图像数据库中的多个病变图像作为标准数据,并将标准数据发送至判别子单元,执行S2302。若初始数据中的类别包括多个细胞类别,则获取的相应的类别图库为多个。
S23012:通过卷积神经网络训练获得的判别模型根据标准数据对待参考数据进行判别,获得待标记图像。
具体的,判别子单元中预先设置有多个通过卷积神经网络训练获得的判别模型;判别模型根据标准数据对待参考数据进行判别,将与标准数据相同的待参考数据作为待标记图像,并将待标记图像发送至第二标记子模块,执行S23013。
S23013:对待标记图像进行第二次标记,获得病变图像。
具体的,对待标记图像进行第二次标记,标记每个待标记图像的病变状态,获得病变图像,并将病变图像发送至分析子模块。
S2302:对病变图像进行分析,获得分析图像。
进一步的,对病变图像进行分析,获得分析图像的子步骤如下:
U1:根据病变图像的第一次标记和第二次标记确定校核数据。
具体的,分析子单元对存储单元的病例数据库进行访问,根据第一次标记的细胞类别从病例数据库中确定相应的子数据库,根据第二次标记的病变状态确定标准病变状态,并将该标准病变状态中包括的所有标准病变特征作为校核数据。
U2:对病变图像进行特征提取,获得当前病变特征。
具体的,分析子单元对病变图像进行特征提取,并将提取到的特征作为当前病变特征。
进一步的,作为一个实施例,当前病变特征的表达式如下:
其中,Fc2为病变图像的整体颜色方差;为第a个局部特征的颜色方差,a∈[1,A],A为病变图像分割成的局部特征的总数;/>为第a个局部特征的颜色平均值;g为质心距的编号,g∈[1,G],G为质心距的总数。
具体的,通过质心距能够识别颜色质心和质心附近的颜色的扩展程度。
U3:根据标准病变特征对当前病变特征进行分析,若当前病变特征与至少一个标准病变特征相同,则生成的分析结果为符合;若当前病变特征与所有标准病变特征均不相同,则生成的分析结果为不符合。
具体的,分析子单元根据标准病变特征对当前病变特征进行分析,若当前病变特征与所有标准病变特征中的至少一个标准病变特征相同,则表示第二次标记获得的病变图像正确,生成的分析结果为符合。若当前病变特征与所有标准病变特征均不相同,则表示第二次标记获得的病变图像存在错误,生成的分析结果为不符合。
U4:当分析结果为符合时,直接将病变图像作为分析图像;当分析结果为不符合时,根据病变图像、当前病变特征和分析结果生成核查指令,并发送。
具体的,当分析结果为符合时,直接将病变图像作为分析图像。
作为一个实施例,当分析结果为不符合时,根据病变图像、当前病变特征和分析结果生成核查指令,并发送至客户端,由客户端进行人工校核。
作为另一个实施例,当分析结果为不符合时,根据病变图像、当前病变特征和分析结果生成共享指令,将病变图像和当前病变特征进行共享,并接收客户端根据共享指令反馈的病变状态和病变原因。
S2303:对分析图像进行统计,获得统计数据,其中,统计数据至少包括:每种细胞类别的病变细胞的总个数和每种细胞类别的病变细胞的分布比。
进一步的,每种细胞类别的病变细胞的分布比的表达式如下:
其中,为第i1种细胞类别的病变细胞的分布比,i1∈[1,I1],I1为病变细胞的细胞类别的类别总数,I1≤I,I为骨髓细胞图像中包含的所有细胞类别的类别总数;/>为第i1种细胞类别的病变图像的总个数;Zxbi为第i种细胞类别的细胞图像总个数。
具体的,一个病变图像代表一个病变细胞。
S2304:根据分析图像和统计数据生成参考数据,并发送。
具体的,统计子模块根据分析图像和统计数据生成参考数据,并将参考数据发送至客户端,并将本次的初始数据和参考数据作为历史数据存储于历史数据库中。
本申请能够自动对各类别的细胞图像进行识别和分析,从而为工作人员的识别工作提供更多、更全面的参考数据。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,本申请的保护范围意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请保护范围及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (9)
1.一种识别系统,其特征在于,包括:多个客户端和图像识别中心;
其中,客户端:用于发送初始数据;接收参考数据;
图像识别中心:用于接收初始数据,对初始数据进行预分析,获得预分析数据;其中,初始数据至少包括:骨髓细胞图像、采集设备信息、类别和采集时间;
对预分析数据进行处理,获得待参考数据;
通过利用卷积神经网络训练获得的模型对待参考数据进行分析,生成参考数据,其中,参考数据包括:分析图像和统计数据;
其中,对初始数据进行预分析,获得预分析数据的子步骤如下:
根据初始数据中的采集设备信息确定预判模型;其中,每个预判模型均对应一种采集设备的类型中的一个型号;
通过预判模型对骨髓细胞图像进行预判断,并生成预判断结果,其中,预判断结果包括:图像合格和图像不合格;
当预判断结果为图像合格,根据预判断结果和骨髓细胞图像生成预分析数据;
其中,将骨髓细胞图像输入至选定的预判模型,由预判模型对骨髓细胞图像进行预判断,生成预判断值,若预判断值大于预设的预判断阈值,表示本次采集的骨髓细胞图像取材失败,需要重新取材采集骨髓细胞图像,则生成的预判断结果为图像不合格;若预判断值大于或小于预设的预判断阈值,表示本次采集的骨髓细胞图像取材成功,则生成的预判断结果为图像合格;
预判断值的表达式如下:
其中,Ypd为预判断值;Kft(d)为骨髓细胞图像沿方向角ft的局部能量;Kft(b)为标准取材图像沿方向角ft的局部能量;ft为滤波器的第t个信号的方向角,t∈[1,T],T为方向角的总个数;w为尺度;Hw,ft(d)为尺寸为w,方向角为ft的骨髓细胞图像的局部振幅;Hw,ft(b)为尺寸为w,方向角为ft的标准取材图像的局部振幅;α为最小正整数;β为预设的常量;λ1为取材的细胞分布状态为权重;λ2为取材的污染物的占比的权重;Swr为骨髓细胞图像中污染物所占的面积;Szm为骨髓细胞图像中所有细胞所占的面积。
2.根据权利要求1所述的识别系统,其特征在于,图像识别中心至少包括:收发单元、预分析单元、处理单元、生成单元和存储单元;
其中,收发单元:用于接收客户端发送的初始数据,并将初始数据发送至预分析单元;
预分析单元:用于对初始数据进行分析,获得预分析数据,并将预分析数据发送至处理单元;
处理单元:用于对预分析数据进行处理,获得待参考数据,并将待参考数据发送至生成单元;
生成单元:对待参考数据进行分析,生成参考数据,并发送;
存储单元:用于存储图像数据库和历史数据库;其中,图像数据库包括:比对数据库和病例数据库;历史数据库用于存储历史数据。
3.根据权利要求2所述的识别系统,其特征在于,处理单元至少包括:预识别子单元、优化子单元、分割子单元和标记子单元;
其中,预识别子单元:用于根据类别对预分析数据中的骨髓细胞图像进行准确性校核,获得预参考数据,并将预参考数据发送至优化子单元;
优化子单元:用于对预参考数据进行优化处理,获得优化数据;
分割子单元:用于对优化数据进行分割,并将分割获得的每个细胞的图像作为分割数据;
标记子单元:用于对每个分割数据进行第一次标记,标记每个分割数据的细胞类别和序号,并将完成标记后的所有数据作为待参考数据。
4.根据权利要求3所述的识别系统,其特征在于,生成单元至少包括:判别子单元、分析子模块和统计子模块;
其中,判别子单元:对待参考数据进行判别,获得病变图像;
分析子模块:对病变图像进行分析,获得分析图像;
统计子模块:对分析图像进行统计,获得统计数据,根据分析图像和统计数据生成参考数据,并发送。
5.一种识别方法,其特征在于,包括如下步骤:
接收初始数据,对初始数据进行预分析,获得预分析数据;其中,初始数据至少包括:骨髓细胞图像、采集设备信息、类别和采集时间;
对预分析数据进行处理,获得待参考数据;
通过利用卷积神经网络训练获得的模型对待参考数据进行分析,生成参考数据,其中,参考数据包括:分析图像和统计数据;
其中,对初始数据进行预分析,获得预分析数据的子步骤如下:
根据初始数据中的采集设备信息确定预判模型;其中,每个预判模型均对应一种采集设备的类型中的一个型号;
通过预判模型对骨髓细胞图像进行预判断,并生成预判断结果,其中,预判断结果包括:图像合格和图像不合格;
当预判断结果为图像合格,根据预判断结果和骨髓细胞图像生成预分析数据;
其中,将骨髓细胞图像输入至选定的预判模型,由预判模型对骨髓细胞图像进行预判断,生成预判断值,若预判断值大于预设的预判断阈值,表示本次采集的骨髓细胞图像取材失败,需要重新取材采集骨髓细胞图像,则生成的预判断结果为图像不合格;若预判断值大于或小于预设的预判断阈值,表示本次采集的骨髓细胞图像取材成功,则生成的预判断结果为图像合格;
预判断值的表达式如下:
其中,Ypd为预判断值;Kft(d)为骨髓细胞图像沿方向角ft的局部能量;Kft(b)为标准取材图像沿方向角ft的局部能量;ft为滤波器的第t个信号的方向角,t∈[1,T],T为方向角的总个数;w为尺度;Hw,ft(d)为尺寸为w,方向角为ft的骨髓细胞图像的局部振幅;Hw,ft(b)为尺寸为w,方向角为ft的标准取材图像的局部振幅;α为最小正整数;β为预设的常量;λ1为取材的细胞分布状态为权重;λ2为取材的污染物的占比的权重;Swr为骨髓细胞图像中污染物所占的面积;Szm为骨髓细胞图像中所有细胞所占的面积。
6.根据权利要求5所述的识别方法,其特征在于,对预分析数据进行处理,获得待参考数据的子步骤如下:
对预分析数据中的骨髓细胞图像进行预处理,获得优化数据;
对优化数据进行分割,获得分割数据;
对分割数据进行第一标记,获得待参考数据。
7.根据权利要求6所述的识别方法,其特征在于,对待参考数据进行分析,生成参考数据的子步骤如下:
对待参考数据进行判别,获得病变图像;
对病变图像进行分析,获得分析图像;
对分析图像进行统计,获得统计数据,其中,统计数据至少包括:每种细胞类别的病变细胞的总个数和每种细胞类别的病变细胞的分布比;
根据分析图像和统计数据生成参考数据,并发送。
8.根据权利要求7所述的识别方法,其特征在于,对待参考数据进行判别,获得病变图像的子步骤如下:
根据类别和采集设备信息确定标准数据;
根据标准数据对待参考数据进行判别,获得待标记图像;
对待标记图像进行第二次标记,获得病变图像。
9.根据权利要求7所述的识别方法,其特征在于,每种细胞类别的病变细胞的分布比的表达式如下:
其中,为第i1种细胞类别的病变细胞的分布比,i1∈[1,I1],I1为病变细胞的细胞类别的类别总数,I1≤I,I为骨髓细胞图像中包含的所有细胞类别的类别总数;/>为第i1种细胞类别的病变图像的总个数;Zxbi为第i种细胞类别的细胞图像总个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211319379.3A CN115578598B (zh) | 2022-10-26 | 2022-10-26 | 一种基于卷积神经网络的骨髓细胞识别方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211319379.3A CN115578598B (zh) | 2022-10-26 | 2022-10-26 | 一种基于卷积神经网络的骨髓细胞识别方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115578598A CN115578598A (zh) | 2023-01-06 |
CN115578598B true CN115578598B (zh) | 2023-09-05 |
Family
ID=84587076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211319379.3A Active CN115578598B (zh) | 2022-10-26 | 2022-10-26 | 一种基于卷积神经网络的骨髓细胞识别方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115578598B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609503A (zh) * | 2017-09-05 | 2018-01-19 | 刘宇红 | 智能癌变细胞识别系统及方法、云平台、服务器、计算机 |
CN108376400A (zh) * | 2018-02-12 | 2018-08-07 | 华南理工大学 | 一种骨髓细胞自动分类方法 |
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 |
CN110119710A (zh) * | 2019-05-13 | 2019-08-13 | 广州锟元方青医疗科技有限公司 | 细胞分类方法、装置、计算机设备和存储介质 |
CN111476754A (zh) * | 2020-02-28 | 2020-07-31 | 中国人民解放军陆军军医大学第二附属医院 | 一种骨髓细胞影像人工智能辅助分级诊断系统及方法 |
CN113096096A (zh) * | 2021-04-13 | 2021-07-09 | 中山市华南理工大学现代产业技术研究院 | 一种融合形态特征的显微图像骨髓细胞计数方法与系统 |
CN113139485A (zh) * | 2021-04-29 | 2021-07-20 | 新乡医学院 | 一种基于深度学习的骨髓细胞分类识别方法、装置及系统 |
CN114580501A (zh) * | 2022-02-11 | 2022-06-03 | 华南理工大学 | 骨髓细胞分类方法、系统、计算机设备及存储介质 |
CN114729922A (zh) * | 2019-11-15 | 2022-07-08 | 斯科皮奥实验室有限公司 | 用于骨髓细胞群的可视化的方法和装置 |
CN115170884A (zh) * | 2022-07-22 | 2022-10-11 | 西安交通大学 | 一种基于分层注意力机制的儿童白血病多实例分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019195304A (ja) * | 2018-05-10 | 2019-11-14 | 学校法人順天堂 | 画像解析方法、装置、コンピュータプログラム、及び深層学習アルゴリズムの生成方法 |
-
2022
- 2022-10-26 CN CN202211319379.3A patent/CN115578598B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609503A (zh) * | 2017-09-05 | 2018-01-19 | 刘宇红 | 智能癌变细胞识别系统及方法、云平台、服务器、计算机 |
CN108376400A (zh) * | 2018-02-12 | 2018-08-07 | 华南理工大学 | 一种骨髓细胞自动分类方法 |
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 |
CN110119710A (zh) * | 2019-05-13 | 2019-08-13 | 广州锟元方青医疗科技有限公司 | 细胞分类方法、装置、计算机设备和存储介质 |
CN114729922A (zh) * | 2019-11-15 | 2022-07-08 | 斯科皮奥实验室有限公司 | 用于骨髓细胞群的可视化的方法和装置 |
CN111476754A (zh) * | 2020-02-28 | 2020-07-31 | 中国人民解放军陆军军医大学第二附属医院 | 一种骨髓细胞影像人工智能辅助分级诊断系统及方法 |
CN113096096A (zh) * | 2021-04-13 | 2021-07-09 | 中山市华南理工大学现代产业技术研究院 | 一种融合形态特征的显微图像骨髓细胞计数方法与系统 |
CN113139485A (zh) * | 2021-04-29 | 2021-07-20 | 新乡医学院 | 一种基于深度学习的骨髓细胞分类识别方法、装置及系统 |
CN114580501A (zh) * | 2022-02-11 | 2022-06-03 | 华南理工大学 | 骨髓细胞分类方法、系统、计算机设备及存储介质 |
CN115170884A (zh) * | 2022-07-22 | 2022-10-11 | 西安交通大学 | 一种基于分层注意力机制的儿童白血病多实例分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115578598A (zh) | 2023-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110458195B (zh) | 一种基于多判据融合的异常数据甄别方法 | |
CN111832608A (zh) | 一种基于单阶段检测模型yolov3的铁谱图像多磨粒识别方法 | |
CN112949715A (zh) | 一种基于svm的轨道交通故障诊断方法 | |
CN108711148B (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
CN113222149B (zh) | 模型训练方法、装置、设备和存储介质 | |
CN110288017B (zh) | 基于动态结构优化的高精度级联目标检测方法与装置 | |
CN111343147B (zh) | 一种基于深度学习的网络攻击检测装置及方法 | |
CN114694178A (zh) | 基于Faster-RCNN算法的电力作业中安全帽监测方法及系统 | |
CN116363125B (zh) | 基于深度学习的电池模组外观缺陷检测方法及系统 | |
CN113822366A (zh) | 业务指标异常检测方法及装置、电子设备、存储介质 | |
CN103679214A (zh) | 基于在线面积估计和多特征决策融合的车辆检测方法 | |
CN110348683A (zh) | 电能质量扰动事件主成因分析方法、装置设备及存储介质 | |
CN113781767A (zh) | 一种基于多源感知的交通数据融合方法及系统 | |
CN115617784A (zh) | 一种信息化配电的数据处理系统及其处理方法 | |
CN115019294A (zh) | 一种指针式仪表读数识别方法及系统 | |
CN115941807A (zh) | 一种园区安防系统数据高效压缩方法 | |
CN115578598B (zh) | 一种基于卷积神经网络的骨髓细胞识别方法及其系统 | |
CN117851184A (zh) | 一种基于机器学习的告警分级系统和方法 | |
CN112767349A (zh) | 一种网织红细胞识别方法和系统 | |
CN117173697A (zh) | 细胞团分类识别方法、装置、电子设备及存储介质 | |
CN111563886A (zh) | 基于非监督特征学习的隧道钢轨表面病害检测方法及装置 | |
CN115880472A (zh) | 一种电力红外图像数据智能诊断分析系统 | |
CN110765900A (zh) | 一种基于dssd的自动检测违章建筑方法及系统 | |
CN110263069B (zh) | 新能源使用行为的时序特征隐含因素抽取和刻画方法及系统 | |
Kuo et al. | Applications of deep learning to road sign detection in dvr images |
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 |