CN115760858B - 基于深度学习的肾脏病理切片细胞识别方法及系统 - Google Patents
基于深度学习的肾脏病理切片细胞识别方法及系统 Download PDFInfo
- Publication number
- CN115760858B CN115760858B CN202310035135.0A CN202310035135A CN115760858B CN 115760858 B CN115760858 B CN 115760858B CN 202310035135 A CN202310035135 A CN 202310035135A CN 115760858 B CN115760858 B CN 115760858B
- Authority
- CN
- China
- Prior art keywords
- image
- pathological section
- cells
- foreground
- pixel
- 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
Images
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明属于肾脏病理切片识别技术领域,具体涉及基于深度学习的肾脏病理切片细胞识别方法及系统。该发明能够通过逐步增强肾脏组织病理切片图像的像素特征,通过增强后的像素特征,更改增加病灶特征识别的准确性,并且在此过程中,利用超红色算法和超蓝色算法能够准确统计出肾小球数量,判断固有细胞是否增生,基质是否增多,进而确定不同区域肾小球的硬化程度,固有细胞病变程度,肾小管及间质损伤及血管病理改变程度,能够快速识别及一次性检验切片中的多种病灶,提高切片的识别效率,为肾脏病理医生提供客观的参考。
Description
技术领域
本发明属于肾脏病理切片识别技术领域,具体涉及基于深度学习的肾脏病理切片细胞识别方法及系统。
背景技术
近年来人工智能发展十分迅速,为医学进步带来许多机遇。随着肾脏病在世界范围内患病率逐年上升,早发现、早诊断、早治疗对于改善肾脏病的预后十分关键。人工智能在肾脏病的诊断、治疗、预后及预测等方面提供了有效帮助,能减轻肾脏病诊治的工作负担,提高肾脏病管理的效率。
肾脏病理识别在肾脏病的诊断中尤为重要。目前研究人员尝试在不同肾脏病理模型中对肾脏疾病进行分析,但是对于不局限于疾病类型的肾脏病理切片的初步识别及分类仍缺乏,而针对同一病理切片,传统的识别方式往往只具备单一性,不能够同时精确识别切片中多个病灶特征,基于此,本方案提出了一种能够同时识别多个特征的方法。
发明内容
本发明的目的是提供基于深度学习的肾脏病理切片细胞识别方法及系统,能够逐步增强肾脏组织病理切片图像的像素特征,能够快速识别及一次性检验多种病灶特征,提高切片的识别效率。
本发明采取的技术方案具体如下:
基于深度学习的肾脏病理切片细胞识别方法,包括:
对所述肾脏组织病理切片进行染色处理;
获取肾脏组织病理切片的碎片化图像,并将所述碎片化图像拼接量化为可视化的数字图像,得到肾脏组织病理切片图像;
将所述肾脏组织病理切片图像进行裁切处理,得到多个尺寸一致的病理切片区块图像;
采用分割模型对病理切片区块图像进行分割,得到前景图像和背景图像;
将所述前景图像输入校正模型中进行校正处理,增强前景图像的整体亮度,得到待测图像;
依据所述待测图像,采用超红色算法或者超蓝色算法突出病理切片图像组织中固有细胞的颜色特征,并得到所述待测图像的灰度图;
对所述待测图像的灰度图进行二值化处理,得到固有细胞占比率;
统计固有细胞中的系膜区域以及细胞核数量;
获取固有细胞的评估阈值,并与灰度图中的系膜区域以及细胞核数量进行比较,得到肾脏组织的病灶特征。
在一种优选方案中,所述病理切片区块图像的像素尺寸为256×256。
在一种优选方案中,所述将所述前景图像输入校正模型中进行校正处理,增强前景图像的整体亮度,得到待测图像的步骤,包括:
获取所述病理切片区块图像的灰度图;
标定所述病理切片区块图像的灰度图中第个像素点为,其中,,式中,=1,2,3……,=1,2,3……,其中,和表示病理切片区块图像的灰度图中像素点数;
获取像素点的邻域点像素集,并与像素点为构成区块窗口,其中,所述区块窗口内所有像素的均值为:,式中,表示像素邻域的均值,和分别表示和的相邻点;
将所述像素点的像素替换为像素邻域的均值;
输出替换像素点后的病理切片区块图像的灰度图。
在一种优选方案中,所述固有细胞包括足细胞、系膜细胞以及内皮细胞,对所述肾脏组织病理切片进行染色处理时采用糖原染色法,染色后的足细胞、系膜细胞以及内皮细胞的细胞核呈蓝色,细胞质呈红色。
在一种优选方案中,所述采用超红色算法或者超蓝色算法突出病理切片图像组织中固有细胞的颜色特征,并得到所述待测图像的灰度图的步骤,包括:
获取所述前景图像的像素组成X=[R,G,B];
通过对前景图像的像素特征进行加权组合,使所述细胞核的特征加强,其中,计算公式为:ExB=R+G+2B;
通过对前景图像的像素特征进行加权组合,使所述细胞质的特征加强,其中,计算公式为:ExR=2R+G+B;
其中,ExR和ExB分别为超红色算法和超蓝色算法计算得到的灰度值,R,G,B表示待测图像的三通道灰度值;
输出像素特征加强后的待测图像的灰度图。
在一种优选方案中,所述对所述待测图像的灰度图进行二值化处理的步骤,包括:
根据所述待测图像的灰度图建立初始化阈值;
获取所述待测图像的灰度图中的每个像素数据,并分别标定为前景像素数据和背景像素数据;
分别获取前景像素数据和背景像素数据的平均值;
根据前景像素数据和背景像素数据计算出新的阈值,并标定为流转阈值;
判断所述流转阈值与初始化阈值是否相等;
若是,则将流转阈值判定为标准阈值;
若否,则将流转阈值判定为新的初始化阈值,并且基于前景像素数据以及背景像素数据重新计算流转阈值。
在一种优选方案中,所述得到固有细胞占比率的步骤,包括:
从所述前景像素数据中获取所有大于流转阈值的像素点;
获取所有像素点的前景图像的面积;
根据标准函数:,分别求得足细胞、系膜细胞以及内皮细胞的占比率,式中,表示足细胞、系膜细胞以及内皮细胞的编号,分别设置为1,2,3,则表示足细胞、系膜细胞或内皮细胞的占比率,表示前景像素数据中所有大于流转阈值的像素点的总面积,表示前景图像的面积。
在一种优选方案中,所述获取固有细胞的评估阈值,并与灰度图中的系膜区域以及细胞核数量进行比较,得到肾脏组织的病灶特征的步骤,包括:
计算所述系膜基质区域中系膜增多区域占比;
获取固定细胞的评估阈值为50%;
若所述系膜基质区域中系膜增多区域占比小于或等于50%,则判定肾小球阶段硬化;
若所述系膜基质区域中系膜增多区域占比大于50%,则判定为肾小球球形硬化;
识别所述内皮细胞的细胞核数量;
确定所述内皮细胞的评估阈值为1;
若一个毛细血管襻内,所述内皮细胞的细胞核数量大于1,则判定所述内皮细胞增生;
若一个毛细血管襻内,所述内皮细胞的细胞核数量小于或者等于1,则判定所述内皮细胞未增生。
本发明还提供了,基于深度学习的肾脏病理切片细胞识别系统,应用于上述的基于深度学习的肾脏病理切片细胞识别方法,包括:
染色模块,所述染色模块用于对所述肾脏组织病理切片进行染色处理;
获取模块,所述获取模块用于获取肾脏组织病理切片的碎片化图像,并将所述碎片化图像拼接量化为可视化的数字图像,得到肾脏组织病理切片图像;
裁切模块,所述裁切模块用于将所述肾脏组织病理切片进行裁切处理,得到多个尺寸一致的病理切片区块图像;
分割模块,所述分割模块用于采用分割模型对病理切片区块图像进行分割,得到前景图像和背景图像;
校正模块,所述校正模块用于将所述前景图像输入校正模型中进行校正处理,增强前景图像的整体亮度,得到待测图像;
图像增强模块,所述图像增强模块用于依据所述待测图像,采用超红色算法或者超蓝色算法突出病理切片图像组织中固有细胞的颜色特征,并得到所述待测图像的灰度图;
计算模块,所述计算模块用于对所述待测图像的灰度图进行二值化处理,得到固有细胞占比率;
统计模块,所述统计模块用于统计固有细胞中的系膜区域以及细胞核数量;
评估模块,所述评估模块用于获取固有细胞的评估阈值,并与灰度图中系膜区域以及细胞核数量进行比较,得到肾脏组织的病灶特征。
以及,基于深度学习的肾脏病理切片细胞识别设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述的基于深度学习的肾脏病理切片细胞识别方法。
本发明取得的技术效果为:
本发明能够通过逐步增强肾脏组织病理切片图像的像素特征,通过增强后的像素特征,增加病灶特征识别的准确性,并且在此过程中,利用超红色算法和超蓝色算法能够准确的反映出各固有细胞的特征,并且根据各固有细胞的数量还能够判断出固有细胞是否存在增生,以及其系膜区域是否超出评估阈值,判断肾小球的硬化程度,进而便能够一次性检验多种病灶特征,无需对单一肾脏组织病理切片进行多次识别,实现对切片的快速识别及一次性检验多种病灶特征,为肾脏病理医生提供一个较为客观的评估参考。
附图说明
图1是本发明的实施例所提供的方法流程图;
图2是本发明的实施例所提供的系统模块图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个较佳的实施方式中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
再其次,本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
请参阅图1至图2所示,本发明提供了基于深度学习的肾脏病理切片细胞识别方法,包括:
S1、对肾脏组织病理切片进行染色处理;
S2、获取肾脏组织病理切片的碎片化图像,并将碎片化图像拼接量化为可视化的数字图像,得到肾脏组织病理切片图像;
S3、将肾脏组织病理切片图像进行裁切处理,得到多个尺寸一致的病理切片区块图像,病理切片区块图像的像素尺寸为256×256;
S4、采用分割模型对病理切片区块图像进行分割,得到前景图像和背景图像;
S5、将前景图像输入校正模型中进行校正处理,增强前景图像的整体亮度,得到待测图像;
S6、依据待测图像,采用超红色算法或者超蓝色算法突出病理切片图像组织中固有细胞的颜色特征,并得到待测图像的灰度图;
S7、对待测图像的灰度图进行二值化处理,得到固有细胞占比率;
S8、统计固有细胞中的系膜区域以及细胞核数量;
S9、获取固有细胞的评估阈值,并与灰度图中系膜区域以及细胞核数量进行比较,得到肾脏组织的病灶特征。
如上述步骤S1-S9所述,随着人工智能技术的快速发展,在医疗方面也得到了广泛的应用,在医院中,每天都会有成千上万的病理组织切片需要检测,传统的依靠人力配合显微镜识别的效率较低,并且人为的主观因素较大,极易导致病理组织切片的检测结果呈现假阳性或者假阴性,这对病患的诊断是十分不利的,但是随着基于深度学习的图像识别技术的快速发展,对于病理组织切片的发展起到了至关重要的作用。本实施例中,以肾脏组织病理切片的检测为例,在获取肾脏组织病理切片时,首先对其进行染色处理,以便于后续能更明显的区分处肾脏组织病理切片中各细胞的特征,然后将染色后的肾脏组织病理切片转化为数字图像,具体就是在成像过程中,将一幅连续分布的图像先经过电视摄像机、转鼓、CCD电荷耦合器件和密度计等装置进行采样来获得离散化空间位置坐标后的离散的像素,再通过量化将像素灰度转换成离散的整数值,然后进行编码的过程,由于直接获得的数字图像像素过大,在对其进行识别时,先行将其裁切为像素尺寸为256×256的病理切片区块图像,以便于对其进行分析,在分析病理切片区块图像时,首先将前景图像和背景图像分割开,此过程采用高斯混合模型实现,但高斯混合模型的构建需要进行深度学习,即在确定高斯混合模型之前,需要对其进行训练,此过程可选用不同的病理切片区块图像为参考,具体设置数量可根据高斯混合模型的识别率进行确定,此识别率优选为99%,从而在识别待测的病理区块图像时,能够减少错误率,使得前景图像和背景图像能够更好的分离,此方式能够减少杂乱因素的影响,而后再由校正模型对前景图像进行增强,提高前景图像的清晰度,随后使用超红色算法或者超蓝色算法加深病理切片图像中固定细胞的特征,而后再将待测图像的灰度图进行二值化的处理,进一步加强前景图像的像素特征,以便于后续统计病理切片图像中足细胞、系膜细胞以及内皮细胞的占比率,再根据医学经验判断这些细胞的增生或者病变情况,从而为医护人员提供一个客观的参考数据,此方式能够一次性对多种细胞的病灶特征进行检测,不仅减少病理切片的需求,还能够进行精准的判断,使得肾脏病理切片能够进行系统化的全面检测,增加检测效率的同时,还能够一次性检测出多种病灶特征,为医生在后续的诊断中提供多种参考数据,当然该检测过程主要目的在于增强对切片的图像识别能力,至于其所后续所达到的诊断目的并不属于本发明的内容,本发明的目的也是提供一种非诊断目的的切片识别分析方法。
在一个较佳的实施方式中,将前景图像输入校正模型中进行校正处理,增强前景图像的整体亮度,得到待测图像的步骤,包括:
S501、获取病理切片区块图像的灰度图;
S502、标定病理切片区块图像的灰度图中第个像素点为,其中,,式中,=1,2,3……,=1,2,3……,其中,和表示病理切片区块图像的灰度图中像素点数;
S503、获取像素点的邻域点像素集,并与像素点为构成区块窗口,其中,区块窗口内所有像素的均值为:,式中,表示像素邻域的均值,和分别表示和的相邻点;
S504、将像素点的像素替换为像素邻域的均值;
S505、输出替换像素点后的病理切片区块图像的灰度图。
如上述步骤S501-S505所述,在对前景图像进行校正时,是基于每个像素点的邻域点像素集进行确定的,在此,我们设定每个像素点均存在8个与其相邻的邻域点,将邻域点与所确定的像素点结合便得到一个区块窗口,基于该区块窗口求平均值,从而来实现对该像素点的校正,从而实现加强前景图像的目的,该方式是基于RGB颜色模型进行的,而在RGB模型中存在256个颜色特征,故而选用256×256的病理切片图像能够充分的反映出每个颜色特征,进而在增强图像时,能够得到良好的增强效果。
在一个较佳的实施方式中,固有细胞包括足细胞、系膜细胞以及内皮细胞,对肾脏组织病理切片进行染色处理时采用糖原染色法,染色后的足细胞、系膜细胞以及内皮细胞的细胞核呈蓝色,细胞质呈红色。
该实施例中,在对肾脏组织病理切片图像进行染色时,首要目的是区分细胞质、细胞核以及细胞膜的特征,再结合本实施例中所使用的RGB颜色模型,选用的糖原染色法能够将细胞核染成蓝色,细胞质染成红色,对于RGB颜色模型而言,对于蓝色和红色的增强较为方便。
在一个较佳的实施方式中,采用超红色算法或者超蓝色算法突出病理切片图像组织中固有细胞的颜色特征,并得到待测图像的灰度图的步骤,包括:
S601、获取前景图像的像素组成X=[R,G,B];
S602、通过对前景图像的像素特征进行加权组合,使细胞核的特征加强,其中,计算公式为:ExB=R+G+2B;
S603、通过对前景图像的像素特征进行加权组合,使细胞质的特征加强,其中,计算公式为:ExR=2R+G+B;
其中,ExR和ExB分别为超红色算法和超蓝色算法计算得到的灰度值,R,G,B表示待测图像的三通道灰度值;
S604、输出像素特征加强后的待测图像的灰度图。
如上述步骤S601-S604所述,在对病理区块图像进行特征增强时,采用了超红色算法以及超蓝色算法,使被染色后的细胞核和细胞质的特征更为明显,再结合足细胞、系膜细胞以及内皮细胞不同的结构,在分别对它们进行识别时,彼此之间不会相互影响,能够准确的判断出足细胞、系膜细胞以及内皮细胞的个数,而确定足细胞、系膜细胞以及内皮细胞的个数之后,以其为基础是能够确定一些关于肾脏组织病灶特征的,例如,在判断系膜细胞增殖程度时,每个系膜区细胞核的数量为3时是正常特征,而细胞核又呈蓝色,能够较为容易的区分出来,若是每个系膜区中细胞核的数量超出3个,则可以判定系膜细胞增生,当然,增生情况也是不同的,系膜区中细胞核的数量介于3~6时,属于轻度增生,而大于6个时,则就判定为重度增生,当然,上述的细胞的判定过程(如系膜细胞增生、轻度增生、重度增生)也仅仅代表所检测切片的病灶情况,该技术方案的目的也不是用于直接诊断病灶的,仅仅是为医生的后续诊断提供一个评估的参考,基于此,本实施方式中所提出的超红色和超蓝色算法能够同时且准确的反映出肾脏组织中固有细胞的不同特征,为医生后续提供一定的参考数据。
在一个较佳的实施方式中,对待测图像的灰度图进行二值化处理的步骤,包括:
S701、根据待测图像的灰度图建立初始化阈值;
S702、获取待测图像的灰度图中的每个像素数据,并分别标定为前景像素数据和背景像素数据;
S703、分别获取前景像素数据和背景像素数据的平均值;
S704、根据前景像素数据和背景像素数据计算出新的阈值,并标定为流转阈值;
S705、判断流转阈值与初始化阈值是否相等;
若是,则将流转阈值判定为标准阈值;
若否,则将流转阈值判定为新的初始化阈值,并且基于前景像素数据以及背景像素数据重新计算流转阈值。
如上述步骤S701-S705所述,在对病理切片图像进行二值化处理时,以获得的标准阈值为基准,将高于标准阈值的像素点设置为白色,低于标准阈值的像素点设置为黑色,那么便能够将病理切片图像中的足细胞、系膜细胞或内皮细胞标记出来,从而方便后续对足细胞、系膜细胞或内皮细胞进行逐一分析,同时也能够较为准确的反映出像素点为黑色区域的面积,适用于对系膜基质的面积进行测算,以便于分析其是否发生增生,以及增生情况。
在一个较佳的实施方式中,得到固有细胞占比率的步骤,包括:
S706、从前景像素数据中获取所有大于流转阈值的像素点;
S707、获取所有像素点的前景图像的面积;
S708、根据标准函数:,分别求得足细胞、系膜细胞以及内皮细胞的占比率,式中,表示足细胞、系膜细胞以及内皮细胞的编号,分别设置为1,2,3,则表示足细胞、系膜细胞或内皮细胞的占比率,表示前景像素数据中所有大于流转阈值的像素点的总面积,表示前景图像的面积。
如上述步骤S706-S708所述,在确定了足细胞、系膜细胞以及内皮细胞的占比率,也同样能够判断出肾脏组织病理切片的病灶特征,例如,系膜基质的增生就是基于系膜区的宽度来确定的,系膜细胞的占比如果超出血管腔面积的50%,就能够被判定为增生,其中,系膜细胞基质的增生也分为轻度和重度两种情况,系膜细胞的占比若是超出血管腔面积的50%,但是未超出血管腔面积时,那么就判定为轻度增生,反之,若是系膜细胞的占比超出血管腔面积,那么就判定为重度增生,同样的上述判定的结果也都是针对于切片作出的。
在一个较佳的实施方式中,获取固有细胞的评估阈值,并与灰度图中的系膜区域以及细胞核数量进行比较,得到肾脏组织的病灶特征的步骤,包括:
S901、计算系膜基质区域中系膜增多区域占比;
S902、获取固定细胞的评估阈值为50%;
S903、若系膜基质区域中系膜增多区域占比小于或等于50%,则判定肾小球阶段硬化;
S904、若系膜基质区域中系膜增多区域占比大于50%,则判定为肾小球球形硬化;
S905、识别内皮细胞的细胞核数量;
S906、确定内皮细胞的评估阈值为1;
S907、若一个毛细血管襻内,内皮细胞的细胞核数量大于1,则判定内皮细胞增生;
S908、若一个毛细血管襻内,内皮细胞的细胞核数量小于或者等于1,则判定内皮细胞未增生。
如上述步骤S901-S908所述,根据病理区块图像中系膜基质区域占病理切片图像中系膜基质区域的占比,评估该区域的病灶特征,此评估阈值设置为50%,高于50%则视为阶段硬化,低于50%则视为球形硬化,在同一个肾脏病理切片中,局灶性硬化和弥漫性硬化可能同时存在,同时,在此过程中还能够识别出内皮细胞的细胞核数量,基于此,结合每个毛细血管腔内只有1个内皮细胞核,若是大于1个即可认为增生,而医生可以根据获取的切片上的病灶情况得到一个参考,后续可以根据该参考针对性的进行诊治,当然这并不属于本发明的针对点;
进一步的,基于上述方式,通过病理区块图像还能够识别处肾小管的形态,圆形或者椭圆形则判定肾小管正常,非圆形认为肾小管形态改变,也能够识别肾小管基底膜形状是否改变,颜色是否加深,区域面积是否扩张,诸如此类均可基于病例区块图像进行识别,在此就不一一加以赘述,其目的均旨在于为医生出示诊断报告提供一定的数据支持,医生可以根据该数据支持,后续对机体进行针对性的检测。
在一个较佳的实施方式中,基于深度学习的肾脏病理切片细胞识别系统,应用于上述的基于深度学习的肾脏病理切片细胞识别方法,包括:
染色模块,染色模块用于对肾脏组织病理切片进行染色处理;
获取模块,获取模块用于获取肾脏组织病理切片的碎片化图像,并将碎片化图像拼接量化为可视化的数字图像,得到肾脏组织病理切片图像;
裁切模块,裁切模块用于将肾脏组织病理切片进行裁切处理,得到多个尺寸一致的病理切片区块图像;
分割模块,分割模块用于采用分割模型对病理切片区块图像进行分割,得到前景图像和背景图像;
校正模块,校正模块用于将前景图像输入校正模型中进行校正处理,增强前景图像的整体亮度,得到待测图像;
图像增强模块,图像增强模块用于依据待测图像,采用超红色算法或者超蓝色算法突出病理切片图像组织中固有细胞的颜色特征,并得到待测图像的灰度图;
计算模块,计算模块用于对待测图像的灰度图进行二值化处理,得到固有细胞占比率;
统计模块,统计模块用于统计系膜基质区域中系膜增多区域;
评估模块,评估模块用于获取固有细胞的评估阈值,并与灰度图中的系膜区域以及细胞核数量进行比较,得到肾脏组织的病灶特征。
上述中,分割模型采用高斯混合模型对病理切片区块图像进行分割,此过程,需要对高斯混合模型进行训练,可取用多个已检验,且检测结果无误的肾脏组织病理切片图像为训练标本,例如,选用2000个肾脏组织切片标本,其中1800个作为训练标本,其余200个为检测标本,当分割效果的准确率达到99%之后停止,校正模型是基于每个像素点进行校正处理,采用邻域法对图像进行增强,且文中涉及的病理切片区块图像均采用RGB颜色模型,其与超红色算法和超蓝色算法的适配度较高,能够进一步增强图像特征。
另外,在后续对肾小球的评估等,先决条件均需要根据医学经验进行预先设定,再结合判断函数,例如if……else函数等,实现对肾脏组织病灶特征的确定,该部分是后续医生基于实际的诊断过程作出的,并不是本发明的出发点,故对此就不再做具体的赘述了,当然,本发明的实际目的也是非诊断或非治疗目的的,其旨在通过对离体切片进行分析,并对数据进行整合,以便为后续的检测报告提供一定的数据支持。
以及,基于深度学习的肾脏病理切片细胞识别设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述的基于深度学习的肾脏病理切片细胞识别方法。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本发明中未具体描述和解释说明的结构、装置以及操作方法,如无特别说明和限定,均按照本领域的常规手段进行实施。
Claims (5)
1.基于深度学习的肾脏病理切片细胞识别方法,其特征在于:包括:对所述肾脏组织病理切片进行染色处理;获取肾脏组织病理切片的碎片化图像,并将所述碎片化图像拼接量化为可视化的数字图像,得到肾脏组织病理切片图像;将所述肾脏组织病理切片图像进行裁切处理,得到多个尺寸一致的病理切片区块图像;采用分割模型对病理切片区块图像进行分割,得到前景图像和背景图像;将所述前景图像输入校正模型中进行校正处理,增强前景图像的整体亮度,得到待测图像;依据所述待测图像,采用超红色算法或者超蓝色算法突出病理切片图像组织中固有细胞的颜色特征,并得到所述待测图像的灰度图;对所述待测图像的灰度图进行二值化处理,得到固有细胞占比率;统计固有细胞中的系膜区域以及细胞核数量;获取固有细胞的评估阈值,并与灰度图中的系膜区域以及细胞核数量进行比较,得到肾脏组织的病灶特征;
所述将所述前景图像输入校正模型中进行校正处理,增强前景图像的整体亮度,得到待测图像的步骤,包括:获取所述病理切片区块图像的灰度图;标定所述病理切片区块图像的灰度图中第 个像素点为,其中,,式中,=1,2,3……,=1,2,3……,其中,和表示病理切片区块图像的灰度图中像素点数;获取像素点的邻域点像素集,并与像素点为构成区块窗口,其中,所述区块窗口内所有像素的均值为:,式中,表示像素邻域的均值,和分别表示和的相邻点;将所述像素点的像素替换为像素邻域的均值;输出替换像素点后的病理切片区块图像的灰度图;
所述采用超红色算法或者超蓝色算法突出病理切片图像组织中固有细胞的颜色特征,并得到所述待测图像的灰度图的步骤,包括:获取所述前景图像的像素组成X=[R,G,B];通过对前景图像的像素特征进行加权组合,使所述细胞核的特征加强,其中,计算公式为:ExB=R+G+2B;通过对前景图像的像素特征进行加权组合,使细胞质的特征加强,其中,计算公式为:ExR=2R+G+B;其中,ExR和ExB分别为超红色算法和超蓝色算法计算得到的灰度值,R,G,B表示待测图像的三通道灰度值;输出像素特征加强后的待测图像的灰度图;所述对所述待测图像的灰度图进行二值化处理的步骤,包括:根据所述待测图像的灰度图建立初始化阈值;获取所述待测图像的灰度图中的每个像素数据,并分别标定为前景像素数据和背景像素数据;分别获取前景像素数据和背景像素数据的平均值;根据前景像素数据和背景像素数据计算出新的阈值,并标定为流转阈值;判断所述流转阈值与初始化阈值是否相等;若是,则将流转阈值判定为标准阈值;若否,则将流转阈值判定为新的初始化阈值,并且基于前景像素数据以及背景像素数据重新计算流转阈值;所述得到固有细胞占比率的步骤,包括:从所述前景像素数据中获取所有大于流转阈值的像素点;获取所有像素点的前景图像的面积;根据标准函数:,分别求得足细胞、系膜细胞以及内皮细胞的占比率,式中,表示足细胞、系膜细胞以及内皮细胞的编号,分别设置为1,2,3,则表示足细胞、系膜细胞或内皮细胞的占比率,表示前景像素数据中所有大于流转阈值的像素点的总面积,表示前景图像的面积;
其中,分割模型采用高斯混合模型对病理切片区块图像进行分割,对高斯混合模型进行训练,取用多个已检验,且检测结果无误的肾脏组织病理切片图像为训练标本,当分割效果的准确率达到99%之后停止,校正模型是基于每个像素点进行校正处理,采用邻域法对图像进行增强,病理切片区块图像采用RGB颜色模型;
所述获取固有细胞的评估阈值,并与灰度图中的系膜区域以及细胞核数量进行比较,得到肾脏组织的病灶特征的步骤,包括:
计算系膜基质区域中系膜增多区域占比;
获取固定细胞的评估阈值为50%;
若所述系膜基质区域中系膜增多区域占比小于或等于50%,则判定肾小球阶段硬化;
若所述系膜基质区域中系膜增多区域占比大于50%,则判定为肾小球球形硬化;
识别所述内皮细胞的细胞核数量;
确定所述内皮细胞的评估阈值为1;
若一个毛细血管襻内,所述内皮细胞的细胞核数量大于1,则判定所述内皮细胞增生;
若一个毛细血管襻内,所述内皮细胞的细胞核数量小于或者等于1,则判定所述内皮细胞未增生。
2.根据权利要求1所述的基于深度学习的肾脏病理切片细胞识别方法,其特征在于:所述病理切片区块图像的像素尺寸为256×256。
3.根据权利要求2所述的基于深度学习的肾脏病理切片细胞识别方法,其特征在于:所述固有细胞包括足细胞、系膜细胞以及内皮细胞,对所述肾脏组织病理切片进行染色处理时采用糖原染色法,染色后的足细胞、系膜细胞以及内皮细胞的细胞核呈蓝色,细胞质呈红色。
4.基于深度学习的肾脏病理切片细胞识别系统,应用于权利要求1-3中任一项所述的基于深度学习的肾脏病理切片细胞识别方法,其特征在于:包括:
染色模块,所述染色模块用于对所述肾脏组织病理切片进行染色处理;
获取模块,所述获取模块用于获取肾脏组织病理切片的碎片化图像,并将所述碎片化图像拼接量化为可视化的数字图像,得到肾脏组织病理切片图像;
裁切模块,所述裁切模块用于将所述肾脏组织病理切片进行裁切处理,得到多个尺寸一致的病理切片区块图像;
分割模块,所述分割模块用于采用分割模型对病理切片区块图像进行分割,得到前景图像和背景图像;
校正模块,所述校正模块用于将所述前景图像输入校正模型中进行校正处理,增强前景图像的整体亮度,得到待测图像;
图像增强模块,所述图像增强模块用于依据所述待测图像,采用超红色算法或者超蓝色算法突出病理切片图像组织中固有细胞的颜色特征,并得到所述待测图像的灰度图;
计算模块,所述计算模块用于对所述待测图像的灰度图进行二值化处理,得到固有细胞占比率;
统计模块,所述统计模块用于统计固有细胞中的系膜区域以及细胞核数量;
评估模块,所述评估模块用于获取固有细胞的评估阈值,并与灰度图中的系膜区域以及细胞核数量进行比较,得到肾脏组织的病灶特征。
5.基于深度学习的肾脏病理切片细胞识别设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于:所述处理器执行所述计算机程序时实现权利要求1-4中任一项所述的基于深度学习的肾脏病理切片细胞识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310035135.0A CN115760858B (zh) | 2023-01-10 | 2023-01-10 | 基于深度学习的肾脏病理切片细胞识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310035135.0A CN115760858B (zh) | 2023-01-10 | 2023-01-10 | 基于深度学习的肾脏病理切片细胞识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115760858A CN115760858A (zh) | 2023-03-07 |
CN115760858B true CN115760858B (zh) | 2023-05-02 |
Family
ID=85348918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310035135.0A Active CN115760858B (zh) | 2023-01-10 | 2023-01-10 | 基于深度学习的肾脏病理切片细胞识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115760858B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115954101A (zh) * | 2023-03-14 | 2023-04-11 | 南京轶诺科技有限公司 | 一种基于ai舌诊图像处理的健康度管理系统及管理方法 |
CN116563246B (zh) * | 2023-05-10 | 2024-01-30 | 之江实验室 | 一种用于医学影像辅助诊断的训练样本生成方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490840A (zh) * | 2019-07-11 | 2019-11-22 | 平安科技(深圳)有限公司 | 一种肾小球病理切片图像的细胞检测方法、装置及设备 |
CN113850792A (zh) * | 2021-09-28 | 2021-12-28 | 山东云旗信息科技有限公司 | 一种基于计算机视觉的细胞分类计数方法及系统 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106940889B (zh) * | 2017-03-30 | 2020-09-04 | 福建师范大学 | 基于像素邻域特征聚类的淋巴结he染色病理图像分割方法 |
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 |
CN109859179B (zh) * | 2019-01-24 | 2024-05-24 | 平安科技(深圳)有限公司 | 系膜细胞图像处理方法、装置、计算机设备及存储介质 |
CN109961059A (zh) * | 2019-04-10 | 2019-07-02 | 杭州智团信息技术有限公司 | 检测肾脏感兴趣组织区域的方法及系统 |
CN111754538B (zh) * | 2019-06-29 | 2022-07-29 | 浙江大学 | Usb表面缺陷检测的阈值分割方法 |
CN110910341B (zh) * | 2019-09-02 | 2023-05-30 | 海南电网有限责任公司海口供电局 | 一种输电线路锈蚀区缺陷检测方法及装置 |
CN110726725A (zh) * | 2019-10-23 | 2020-01-24 | 许昌许继软件技术有限公司 | 一种输电线路金具锈蚀检测方法及装置 |
CN111275689B (zh) * | 2020-01-20 | 2024-09-13 | 平安科技(深圳)有限公司 | 医学影像识别检测方法、装置及计算机可读存储介质 |
CN111554381A (zh) * | 2020-04-23 | 2020-08-18 | 上海市第一人民医院 | 一种基于深度学习的肾透明细胞癌人工智能病理诊断方法及其诊断模型 |
CN111986802A (zh) * | 2020-08-14 | 2020-11-24 | 上海市肺科医院 | 一种肺腺癌病理分化等级的辅助判定系统及方法 |
-
2023
- 2023-01-10 CN CN202310035135.0A patent/CN115760858B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490840A (zh) * | 2019-07-11 | 2019-11-22 | 平安科技(深圳)有限公司 | 一种肾小球病理切片图像的细胞检测方法、装置及设备 |
CN113850792A (zh) * | 2021-09-28 | 2021-12-28 | 山东云旗信息科技有限公司 | 一种基于计算机视觉的细胞分类计数方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115760858A (zh) | 2023-03-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115760858B (zh) | 基于深度学习的肾脏病理切片细胞识别方法及系统 | |
CN109741346B (zh) | 感兴趣区域提取方法、装置、设备及存储介质 | |
CN111798425B (zh) | 基于深度学习的胃肠道间质瘤中核分裂象智能检测方法 | |
López et al. | Digital image analysis in breast cancer: an example of an automated methodology and the effects of image compression | |
CN110265119A (zh) | 骨龄评估与身高预测模型、其系统及其预测方法 | |
Barbosa et al. | Towards automatic quantification of the epicardial fat in non-contrasted CT images | |
CN110929728A (zh) | 一种图像感兴趣区域划分方法、图像分割方法及装置 | |
CN104732520A (zh) | 一种胸部数字影像的心胸比测量算法及系统 | |
CN113129281B (zh) | 一种基于深度学习的小麦茎秆截面参数检测方法 | |
WO2022247573A1 (zh) | 模型训练方法、图像处理方法、装置、设备及存储介质 | |
CN117252893B (zh) | 一种乳腺癌病理图像的分割处理方法 | |
CN112071418B (zh) | 基于增强ct影像组学的胃癌腹膜转移的预测系统及方法 | |
KR20200108686A (ko) | 딥러닝 알고리즘을 이용한 근감소증 분석 프로그램 및 애플리케이션 | |
CN115526834A (zh) | 免疫荧光图像检测方法及装置、设备、存储介质 | |
CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
Wen et al. | Pulmonary nodule detection based on convolutional block attention module | |
CN117095815A (zh) | 基于磁共振图像和病理全景扫描切片预测带有同源重组缺陷的前列腺癌患者的系统 | |
WO2018098697A1 (zh) | 一种影像特征的可重复性测量方法及装置 | |
CN112200815B (zh) | 基于语义分割网络PSPNet的甲状腺结节超声图像的分割方法 | |
US20230115927A1 (en) | Systems and methods for plaque identification, plaque composition analysis, and plaque stability detection | |
CN111513743A (zh) | 一种骨折检测方法及装置 | |
CN116230203A (zh) | 一种基于机器视觉的中医面诊方法、系统、设备及介质 | |
CN116468923A (zh) | 一种基于加权重采样聚类不稳定性的图像强化方法及装置 | |
CN111325732B (zh) | 面部残留物检测方法及相关设备 | |
Li et al. | Automatic detection of leukocytes for cytometry with color decomposition |
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 |