CN115713765A - 细胞样本图片提取分析对比检测方法 - Google Patents

细胞样本图片提取分析对比检测方法 Download PDF

Info

Publication number
CN115713765A
CN115713765A CN202211289710.1A CN202211289710A CN115713765A CN 115713765 A CN115713765 A CN 115713765A CN 202211289710 A CN202211289710 A CN 202211289710A CN 115713765 A CN115713765 A CN 115713765A
Authority
CN
China
Prior art keywords
cell sample
case
image
target
sample picture
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
Application number
CN202211289710.1A
Other languages
English (en)
Inventor
李�诚
沈涛
李晋贤
田志超
曹得华
董腾蛟
严姗
冯嘉伟
张飞龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Lanting Intelligent Medicine Co ltd
Original Assignee
Wuhan Lanting Intelligent Medicine Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan Lanting Intelligent Medicine Co ltd filed Critical Wuhan Lanting Intelligent Medicine Co ltd
Priority to CN202211289710.1A priority Critical patent/CN115713765A/zh
Publication of CN115713765A publication Critical patent/CN115713765A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Image Analysis (AREA)

Abstract

本发明提供一种细胞样本图片提取分析对比检测方法，获得多张细胞样本图片，对细胞样本图片进行灰度处理，区域最大的像素设为白色或者黑色，其他位置颜色亮度同步增加；对细胞样本图片其他颜色进行进行熵处理，再用最大类差法二值化分割得到细胞样本粗略图像，确定目标的粗略位置；目标的粗略位置进行分割值聚类算法，对图片进行锐化处理，得到需要的细胞样本图片；对细胞样本图片进行分析得出基本病例，再对得出基本病例进行不确定的决策调节下，进行CBR/RBR检索分析，对基本病例与病例库中的现有的病例进行相似度评价分析。识别率高、识别速度快的优点，不做后续处理，可以大幅度节省处理时间。

Description

细胞样本图片提取分析对比检测方法
技术领域
本发明涉及细胞样本图片提取分析领域，尤其是涉及一种细胞样本图片提取分析对比检测方法。
背景技术
随着人工智能的快速发展，各行各业的智能化越来越明显。在涉及细胞样本照片观察前的准备工作在智能化程度上存在着不足。在医院、生物或医疗研究所等一些需要大量观察分析细胞样本照片的场所，单个宫颈细胞样本中，包含许多张图像，其中扫描得到的三分之一图像是无用的，也就是信息量比较少或者就是空白图像，采用电脑自动缩放无法正确的看出宫颈细胞样本具体照片，且部分宫颈细胞病例难以确定，导致后期无法简单的更加宫颈细胞样本照片确定病例，在进行决策时，需要与病例库中的在案病例进行比对，确定最接近的比例后再做出更好的决策，但是目前的检索方式并不能得到最准确的数据，导致无法决策病例。
发明内容
本发明的主要目的在于提供一种细胞样本图片提取分析对比检测方法，解决分宫颈细胞病例难以确定，导致后期无法简单的更加宫颈细胞样本照片确定病例，在进行决策时，需要与病例库中的在案病例进行比对，确定最接近的比例后再做出更好的决策，但是目前的检索方式并不能得到最准确的数据，导致无法决策病例的问题。
为解决上述技术问题，本发明所采用的技术方案是：一种细胞样本图片提取分析对比检测方法，检测方法包括：
S1、获得多张细胞样本图片，对细胞样本图片进行灰度处理，区域最大的像素设为白色或者黑色，其他位置颜色亮度同步增加；
S2、对细胞样本图片其他颜色进行进行熵处理，再用最大类差法二值化分割得到细胞样本粗略图像，确定目标的粗略位置；
S3、目标的粗略位置进行分割值聚类算法，对图片进行锐化处理，得到需要的细胞样本图片；
S4、对细胞样本图片进行分析得出基本病例，再对得出基本病例进行不确定的决策调节下，进行CBR/RBR检索分析，对基本病例与病例库中的现有的病例进行相似度评价分析。
优选方案中，步骤S2的具体实施方法为：
细胞样本图片大小为x×y，根据熵处理公式得出细胞样本图的熵值大小，根据熵处理公式得到灰度图像，熵处理公式为；
Figure BDA0003900937740000021
式中，f(i,j)表示坐标为(i,j)处点的灰度值；
再采用最大类间方差法对图像进行二值分割；
分割方法为：细胞样本图片为D，图像中像素的灰度值小于阈值E的像素个数记作Q0，像素灰度大于阈值T的像素个数记作Q1，将目标像素点数占整幅图像的比例记为
Figure BDA0003900937740000022
则：
Figure BDA0003900937740000023
记其灰度平均值为γ0，背景像素点数占整幅图像的比例
Figure BDA0003900937740000024
为：
Figure BDA0003900937740000025
图像的总平均灰度为γ，类间方差记为Os，则：
Figure BDA0003900937740000026
让E在灰度级内遍历，使得Os最大时，则E取得最佳分割阈值Ts，即：
Figure BDA0003900937740000027
此时得到一幅二值图像，标明目标的粗略位置。
优选方案中，步骤S3的分割值聚类算法方法为：根据局部熵检测分割的二值图像所确定的目标的位置，得到二值图为D2，分割的二值图像D2通过分割值聚类算法方法得到图像D3，被分为k个聚类，最终得到的图像结果记为D4；
A1、搜索D2，将其中值为1的像素的坐标存入一个数组，记为Tarray(i)；
A2、遍历数组Tarray(i)，从D3中找出以数组内数据为坐标的点，其所在聚类为k1；
A3、将聚类为k1的像素点的灰度值设为255，其余点灰度值设为0，得到需要的细胞样本图片结果D4。
优选方案中，步骤S4的病例进行相似度评价分析方法为：根据细胞样本图片得出基本病理，再对基本病理进行CBR/RBR检索分析，CBR/RBR检索分析是通过对比案例库中的案例与目标案例间的属性差异来实现的，采用的相似度函数是分析两个案例
Figure BDA0003900937740000031
T属性间的欧式距离；
则CBR/RBR相似度评价函数定义为：
Figure BDA0003900937740000032
Figure BDA0003900937740000033
Figure BDA0003900937740000034
式中,
Figure BDA0003900937740000035
表示病例库中案例和目标案例的属性aj的特征值均确定；
Figure BDA0003900937740000036
表示目标案例的属性aj的特征值均不确定；
Figure BDA0003900937740000037
表示病例库中案例的属性aj的特征值均不确定；
Figure BDA0003900937740000038
和
Figure BDA0003900937740000039
为推理模型贝叶斯网络中的条件概率；
式中,(U，T，A，V)为相对应维数的信息矩阵，θ为一个数学期望为0的弱平衡随机变量，其表示模型误差，参数测量误差，外部干扰不确定性量。
优选方案中，U为细胞类型例集、A为细胞类型案例属性集、V为属性特征集、紧急决策的目标案例为T,T可以起到决策效果；
其中案例集U＝{ui|i＝1，2，3...n}，ui为第i个细胞类型病理；
其中案例集A＝{aj|j＝1，2，3...m}，aj为第j个细胞类型病理属性；
其中案例集
Figure BDA00039009377400000310
为ui的属性特征值向量，
Figure BDA00039009377400000311
Vij,ui的第j个属性特征值。
本发明提供了一种细胞样本图片提取分析对比检测方法，对细胞样本图片先进行局部灰度处理，得到的灰度图然后将其中有用位置进行二值化分割得到细胞样本粗略图像，确定目标的粗略位置，较少了息量比较少或者就是空白图像的区域，识别率高、识别速度快的优点，不做后续处理，可以大幅度节省处理时间，得到的细胞样本图片进行分析，写成基本的病例，然后检索病例库中的数据，将最接近的数据病例与基本的病例进行比对提供决策性的参考，提高病例的决策性。
附图说明
下面结合附图和实施例对本发明作进一步说明：
图1是本发明信息量过少的图片；
图2是本发明熵处理灰度处理照片
图3是本发明二值化分割得到粗略图像；
图4是本发明分割值聚类算法后得到需要的细胞样本图片。
具体实施方式
如图1～4所示，一种细胞样本图片提取分析对比检测方法，检测方法包括：
S1、获得多张细胞样本图片，对细胞样本图片进行灰度处理，区域最大的像素设为白色或者黑色，其他位置颜色亮度同步增加；
S2、对细胞样本图片其他颜色进行进行熵处理，再用最大类差法二值化分割得到细胞样本粗略图像，确定目标的粗略位置；
S3、目标的粗略位置进行分割值聚类算法，对图片进行锐化处理，得到需要的细胞样本图片；
S4、对细胞样本图片进行分析得出基本病例，再对得出基本病例进行不确定的决策调节下，进行CBR/RBR检索分析，对基本病例与病例库中的现有的病例进行相似度评价分析。
对细胞样本图片先进行局部灰度处理，得到的灰度图然后将其中有用位置进行二值化分割得到细胞样本粗略图像，确定目标的粗略位置，较少了息量比较少或者就是空白图像的区域，识别率高、识别速度快的优点，不做后续处理，可以大幅度节省处理时间，得到的细胞样本图片进行分析，写成基本的病例，然后检索病例库中的数据，将最接近的数据病例与基本的病例进行比对提供决策性的参考，提高病例的决策性。
优选方案中，步骤S2的具体实施方法为：
细胞样本图片大小为x×y，根据熵处理公式得出细胞样本图的熵值大小，根据熵处理公式得到灰度图像，熵处理公式为；
Figure BDA0003900937740000041
式中，f(i,j)表示坐标为(i,j)处点的灰度值；
再采用最大类间方差法对图像进行二值分割；对于上述局部熵处理之后的灰度图像，为了方便目标的位置确定，本研究采用最大类间方差法对图像进行二值分割。最大类间方差法是一种自适应的阈值确定的方法，它是按图像的灰度特性，将图像分成背景和目标两部分。当背景和目标之间的类间方差越大，说明图像的两部分的差别越大，当部分目标错分为背景或背景错分为目标都会导致类间方差变小。因此，使类间方差最大的分割意味着错分概率最小。
分割方法为：细胞样本图片为D，图像中像素的灰度值小于阈值E的像素个数记作Q0，像素灰度大于阈值T的像素个数记作Q1，将目标像素点数占整幅图像的比例记为
Figure BDA0003900937740000051
则：
Figure BDA0003900937740000052
记其灰度平均值为γ0，背景像素点数占整幅图像的比例
Figure BDA0003900937740000053
为：
Figure BDA0003900937740000054
图像的总平均灰度为γ，类间方差记为Os，则：
Figure BDA0003900937740000055
让E在灰度级内遍历，使得Os最大时，则E取得最佳分割阈值Ts，即：
Figure BDA0003900937740000056
此时得到一幅二值图像，标明目标的粗略位置。
优选方案中，分割值聚类算法方法为Kmeans聚类算法，Kmeans算法是一种比较基本的聚类划分算法。本研究首先从n个数据对象任意选择k个对象作为初始聚类中心；而对于所剩下其他对象，则根据它们与这些聚类中心的相似度(距离)，分别将它们分配给与其最相似的聚类；然后再计算每个所获新聚类的聚类中心，不断重复这一过程直到标准测度函数开始收敛为止。聚类测度函数一般采用误差平方和函数。而迭代次数一般由数据集大小、聚类数以及数据分布情况决定。由于热红外图像一般为单波段，在Kmeans算法处理中其数据维数为1，那么此时该算法的时间复杂度为O(nk)。为了节省运算时间提高运算效率，本研究在实验中将对其进行改进。
步骤S3的分割值聚类算法方法为：根据局部熵检测分割的二值图像所确定的目标的位置，得到二值图为D2，分割的二值图像D2通过分割值聚类算法方法得到图像D3，被分为k个聚类，最终得到的图像结果记为D4；
A1、搜索D2，将其中值为1的像素的坐标存入一个数组，记为Tarray(i)；
A2、遍历数组Tarray(i)，从D3中找出以数组内数据为坐标的点，其所在聚类为k1；
A3、将聚类为k1的像素点的灰度值设为255，其余点灰度值设为0，得到需要的细胞样本图片结果D4。
优选方案中，步骤S4的病例进行相似度评价分析方法为：根据细胞样本图片得出基本病理，再对基本病理进行CBR/RBR检索分析，CBR/RBR检索分析是通过对比案例库中的案例与目标案例间的属性差异来实现的，采用的相似度函数是分析两个案例
Figure BDA00039009377400000611
T属性间的欧式距离；
则CBR/RBR相似度评价函数定义为：
Figure BDA0003900937740000061
Figure BDA0003900937740000062
Figure BDA0003900937740000063
式中,
Figure BDA0003900937740000064
表示病例库中案例和目标案例的属性aj的特征值均确定；
Figure BDA0003900937740000065
表示目标案例的属性aj的特征值均不确定；
Figure BDA0003900937740000066
表示病例库中案例的属性aj的特征值均不确定；
Figure BDA0003900937740000067
和
Figure BDA0003900937740000068
为推理模型贝叶斯网络中的条件概率；
式中,(U，T，A，V)为相对应维数的信息矩阵，θ为一个数学期望为0的弱平衡随机变量，其表示模型误差，参数测量误差，外部干扰不确定性量。
优选方案中，U为细胞类型例集、A为细胞类型案例属性集、V为属性特征集、紧急决策的目标案例为T,T可以起到决策效果；
其中案例集U＝{ui|i＝1，2，3...n}，ui为第i个细胞类型病理；
其中案例集A＝{aj|j＝1，2，3...m}，aj为第j个细胞类型病理属性；
其中案例集
Figure BDA0003900937740000069
为ui的属性特征值向量，
Figure BDA00039009377400000610
Vij,ui的第j个属性特征值。
对于随机项的知识表述，贝叶斯网络表现出强大的处理能力，它能够在不完整、不确定的信息条件下进行学习和推理，用条件概率表示各信息要素之间的关联关系，进行数据预测，因此选择贝叶斯网络方法表示知识推理中的不确定性。构建稳态与动态相结合的鲁棒贝叶斯CBR/RBR(Bayesian Network CBR/RBR,BN-CRBRBR)模型有效处理急救决策中的不确定信息，降低推理决策对不确定性信息的依赖程度。在智能推理结果的基础上,不确定性的增加、案例属性集发生变化、智能推理信息系统更新不及时等原因，导致智能推理解决问题的能力受到一定程度的限制，医疗专家在处理推理中的隐形、非结构化问题中表现出超强的能力，能够有效提升决策效率。因此，提出利用专家的主观思维进行对智能推理补充、修正，将智能决货推理求解结果、医疗专家依革本领域的经验知识和惠者的实际情况，通过形象思维进行分析决策求解的结果进行融合，即进行人机融合决策，对决策结果进行优化。细胞样本病例急救决策过程作为一个复杂决策系统具有不确定的特性，这主要是由系统本身模型误差、参数误差和外部不确定性的存在造成的。欲使诊断获得合理、准确的结果，科学的处理不确定性成为其首要解决的关键问题之一。在不确定情形下，处理外部不确定性和误差等因素对系统建模的影响时，一种行之有效且被普遍采用的方法是将这些不确定行为的量作为随机变量。这种方法在实际工程实践中经受了长期的、广泛的检验。在细胞样本病例急救决策中，在没有不确定性因素影响下，建立确定性稳健推理模型。然而实际细胞样本病例急救决策中可能存在不确定性因素的影响，需要使用稳健随机混合法将对外部干扰或模型误差等不确定性因素通过随机项进行描述，建立鲁棒性推理模型。为此，针对细胞样本病例急救决策系统构建稳定的CBR/RBR融合推理模型，其推理决策过程中的模型误差、参数误差和外部不确定性量采用随机变量予以描述，在CBR/RBR融合推理的稳态研究基础上，通过添加随机项建立知识推理的不确定性模型，分析以上不确定性量带来的影响。
上述的实施例仅为本发明的优选技术方案，而不应视为对于本发明的限制，本发明的保护范围应以权利要求记载的技术方案，包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进，也在本发明的保护范围之内。

Claims (5)

1.一种细胞样本图片提取分析对比检测方法，其特征是：检测方法包括：
S1、获得多张细胞样本图片，对细胞样本图片进行灰度处理，区域最大的像素设为白色或者黑色，其他位置颜色亮度同步增加；
S2、对细胞样本图片其他颜色进行进行熵处理，再用最大类差法二值化分割得到细胞样本粗略图像，确定目标的粗略位置；
S3、目标的粗略位置进行分割值聚类算法，对图片进行锐化处理，得到需要的细胞样本图片；
S4、对细胞样本图片进行分析得出基本病例，再对得出基本病例进行不确定的决策调节下，进行CBR/RBR检索分析，对基本病例与病例库中的现有的病例进行相似度评价分析。
2.根据权利要求1所述一种细胞样本图片提取分析对比检测方法，其特征是：步骤S2的具体实施方法为：
细胞样本图片大小为x×y，根据熵处理公式得出细胞样本图的熵值大小，根据熵处理公式得到灰度图像，熵处理公式为；
Figure FDA0003900937730000011
式中，f(i,j)表示坐标为(i,j)处点的灰度值；
再采用最大类间方差法对图像进行二值分割；
分割方法为：细胞样本图片为D，图像中像素的灰度值小于阈值E的像素个数记作Q0，像素灰度大于阈值T的像素个数记作Q1，将目标像素点数占整幅图像的比例记为
Figure FDA0003900937730000012
则：
Figure FDA0003900937730000013
记其灰度平均值为γ0，背景像素点数占整幅图像的比例
Figure FDA0003900937730000014
为：
Figure FDA0003900937730000015
图像的总平均灰度为γ，类间方差记为Os，则：
Figure FDA0003900937730000016
让E在灰度级内遍历，使得Os最大时，则E取得最佳分割阈值Ts，即：
Figure FDA0003900937730000017
此时得到一幅二值图像，标明目标的粗略位置。
3.根据权利要求1所述一种细胞样本图片提取分析对比检测方法，其特征是：步骤S3的分割值聚类算法方法为：根据局部熵检测分割的二值图像所确定的目标的位置，得到二值图为D2，分割的二值图像D2通过分割值聚类算法方法得到图像D3，被分为k个聚类，最终得到的图像结果记为D4；
A1、搜索D2，将其中值为1的像素的坐标存入一个数组，记为Tarray(i)；
A2、遍历数组Tarray(i)，从D3中找出以数组内数据为坐标的点，其所在聚类为k1；
A3、将聚类为k1的像素点的灰度值设为255，其余点灰度值设为0，得到需要的细胞样本图片结果D4。
4.根据权利要求1所述一种细胞样本图片提取分析对比检测方法，其特征是：步骤S4的病例进行相似度评价分析方法为：根据细胞样本图片得出基本病理，再对基本病理进行CBR/RBR检索分析，CBR/RBR检索分析是通过对比案例库中的案例与目标案例间的属性差异来实现的，采用的相似度函数是分析两个案例
Figure FDA0003900937730000021
T属性间的欧式距离；
则CBR/RBR相似度评价函数定义为：
Figure FDA0003900937730000022
Figure FDA0003900937730000023
Figure FDA0003900937730000024
式中,
Figure FDA0003900937730000026
表示病例库中案例和目标案例的属性aj的特征值均确定；
Figure FDA0003900937730000027
表示目标案例的属性aj的特征值均不确定；
Figure FDA0003900937730000028
表示病例库中案例的属性aj的特征值均不确定；
Figure FDA0003900937730000029
和
Figure FDA00039009377300000210
为推理模型贝叶斯网络中的条件概率；
式中,(U，T，A，V)为相对应维数的信息矩阵，θ为一个数学期望为0的弱平衡随机变量，其表示模型误差，参数测量误差，外部干扰不确定性量。
5.根据权利要求4所述一种细胞样本图片提取分析对比检测方法，其特征是：
U为细胞类型例集、A为细胞类型案例属性集、V为属性特征集、紧急决策的目标案例为T,T可以起到决策效果；
其中案例集U＝{ui|i＝1，2，3...n}，ui为第i个细胞类型病理；
其中案例集A＝{aj|j＝1，2，3...m}，aj为第j个细胞类型病理属性；
其中案例集
Figure FDA0003900937730000031
Figure FDA0003900937730000032
为ui的属性特征值向量，
Figure FDA0003900937730000033
Vij,ui的第j个属性特征值。
CN202211289710.1A 2022-10-20 2022-10-20 细胞样本图片提取分析对比检测方法 Pending CN115713765A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211289710.1A CN115713765A (zh) 2022-10-20 2022-10-20 细胞样本图片提取分析对比检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211289710.1A CN115713765A (zh) 2022-10-20 2022-10-20 细胞样本图片提取分析对比检测方法

Publications (1)

Publication Number Publication Date
CN115713765A true CN115713765A (zh) 2023-02-24

Family

ID=85231240

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211289710.1A Pending CN115713765A (zh) 2022-10-20 2022-10-20 细胞样本图片提取分析对比检测方法

Country Status (1)

Country Link
CN (1) CN115713765A (zh)

Similar Documents

Publication Publication Date Title
CN106803247B (zh) 一种基于多级筛选卷积神经网络的微血管瘤图像识别方法
WO2019232853A1 (zh) 中文模型训练、中文图像识别方法、装置、设备及介质
WO2019232843A1 (zh) 手写模型训练、手写图像识别方法、装置、设备及介质
CN106778687B (zh) 基于局部评估和全局优化的注视点检测方法
CN109671102B (zh) 一种基于深度特征融合卷积神经网络的综合式目标跟踪方法
CN109101897A (zh) 水下机器人的目标检测方法、系统及相关设备
Prasetyo et al. A comparison of yolo and mask r-cnn for segmenting head and tail of fish
CN108399420B (zh) 一种基于深度卷积网络的可见光舰船虚警剔除方法
CN109978882A (zh) 一种基于多模态融合的医疗影像目标检测方法
WO2019232852A1 (zh) 手写字训练样本获取方法、装置、设备及介质
CN112633382A (zh) 一种基于互近邻的少样本图像分类方法及系统
CN110378911B (zh) 基于候选区域和邻域分类器的弱监督图像语义分割方法
CN114119460B (zh) 半导体图像缺陷识别方法、装置、计算机设备和存储介质
CN112651996B (zh) 目标检测跟踪方法、装置、电子设备和存储介质
CN114299567B (zh) 模型训练、活体检测方法、电子设备及存储介质
CN118279320A (zh) 基于自动提示学习的目标实例分割模型建立方法及其应用
CN116704208B (zh) 基于特征关系的局部可解释方法
CN110705631B (zh) 一种基于svm的散货船舶设备状态检测方法
CN113313179A (zh) 一种基于l2p范数鲁棒最小二乘法的噪声图像分类方法
CN110111307B (zh) 一种免疫教学用免疫系统反馈模拟系统及方法
CN117079017A (zh) 可信的小样本图像识别分类方法
CN115713765A (zh) 细胞样本图片提取分析对比检测方法
CN114663760A (zh) 模型训练的方法、目标检测方法、存储介质及计算设备
CN112598056A (zh) 一种基于屏幕监控的软件识别方法
Prasad et al. Multi-level classification of emphysema in HRCT lung images using delegated classifiers

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