CN115938561A - 宫颈液基薄层细胞学的辅助筛查系统、应用方法及模型 - Google Patents
宫颈液基薄层细胞学的辅助筛查系统、应用方法及模型 Download PDFInfo
- Publication number
- CN115938561A CN115938561A CN202111111153.XA CN202111111153A CN115938561A CN 115938561 A CN115938561 A CN 115938561A CN 202111111153 A CN202111111153 A CN 202111111153A CN 115938561 A CN115938561 A CN 115938561A
- Authority
- CN
- China
- Prior art keywords
- model
- screening
- diagnosis
- module
- cell
- 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
Images
Classifications
-
- 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
- Image Analysis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种宫颈液基薄层细胞学的辅助筛查系统、应用方法及模型,所述系统包括:收集模块,用于收集海量扫描的宫颈液基薄层细胞学的电子图像;标注模块,识别每张电子图像的异常细胞,在电子图像中勾画异常细胞,并对异常细胞添加真实标签;训练模块,用于对异常细胞对应的真实标签进行模型训练得到细胞级诊断模型,利用细胞级诊断模型输出的信息训练得到片级诊断模型;诊断与筛查模块,用于利用片级诊断模型进行细胞的诊断与筛查;诊断效能模块,用于分别获取比较筛查结果、辅助筛查结果以及诊断筛查结果,分别计算每个结果的诊断效能。本发明可以增加模型的识别能力,也可以进一步提高模型的识别能力,提高识别的准确率和识别效率。
Description
技术领域
本发明涉及模型训练的技术领域,尤其涉及一种宫颈液基薄层细胞学的辅助筛查系统、应用方法及模型。
背景技术
据统计,全球每年宫颈癌新发病理约52万,其中我国有近15万,每年有2~3 万妇女死于宫颈癌。近年来我国宫颈癌发病率呈上升趋势,且发病年龄趋向年轻化。根据临床资料研究显示,宫颈癌前病变发展到宫颈癌约需要数年的时间,是可预防、可治愈的疾病。因此,及时发现宫颈癌前病变,终止其向宫颈癌发展是非常重要的。
由于患病群体和人数多且现有的医疗资源贫乏的问题,导致宫颈癌早期筛查在基层医院的实现更是难上加难。而随着人工智能的发展,利用人工智能的诊断模型和智能识别计算进行智能筛查是其中一种常用的检查方法,不但可以改善我国医疗资源配置不均匀问题,也可以降低医疗成本,提高医疗效率发挥重要的作用。
但目前使用的人工识别模型有如下技术问题,由于神经网络技术的不透明性,暂时还无法解释人工智能系统输出的结果,因此也无法解读神经网络中黑盒子内的逻辑关系,导致识别模型在面对陌生数据时,会降低识别的准确率,降低识别效率。
发明内容
本发明提出一种宫颈液基薄层细胞学的辅助筛查系统、应用方法及模型,所述系统可以利用被标注的细胞进行检测定位,再利用定位细胞进行深度分类训练,以提高识别筛查的准确率。
本发明实施例的第一方面提供了一种宫颈液基薄层细胞学的辅助筛查系统,所述系统包括:
收集模块,用于收集海量扫描的宫颈液基薄层细胞学的电子图像,其中,每张所述扫描电子图像包括多种不同的细胞;
标注模块,识别每张所述电子图像的异常细胞,在所述电子图像中勾画所述异常细胞,并对所述异常细胞添加真实标签;
训练模块,用于基于预设的深度学习算法对所述异常细胞对应的真实标签进行模型训练得到细胞级诊断模型,以所述细胞级诊断模型输出的信息作为输入信息训练得到片级诊断模型;
诊断与筛查模块,用于利用所述片级诊断模型进行细胞的诊断与筛查;
诊断效能模块,用于分别获取比较筛查结果、辅助筛查结果以及诊断筛查结果,分别计算所述比较筛查结果、所述辅助筛查结果和所述诊断筛查结果的诊断效能,其中,所述比较筛查结果、所述辅助筛查结果和所述诊断筛查结果为采集批量标准患者的数据并按照等比例划分后,分别通过比较筛查员、辅助筛查员和所述片级诊断模型作诊断筛查得到。
在第一方面的一种可能的实现方式中,所述标注模块还用于:
对每张所述扫描电子图像进行图像分割得到多张像素级图像;
分别勾画每张所述像素级图像的细胞形状得到异常细胞,并根据预设的 TBS2014分级报告系统对异常细胞进行片级诊断并标注真实标签。
在第一方面的一种可能的实现方式中,所述训练模块还用于:
将所述异常细胞病理标记输入至预设的深度学习算法;
利用预设的深度学习算法对已标注的异常细胞进行特征学习及模型训练,得到细胞级诊断模型;
基于细胞级诊断模型输出的信息作为输入,输入至预设的随机森林分类器,训练并得到片级诊断模型。
在第一方面的一种可能的实现方式中,所述预设的深度学习算法为 Retina-ResNet18-Random forest算法。
在第一方面的一种可能的实现方式中,所述系统还包括:
待识别模块,用于获取待检测图像,并将所述待检测图像输入至所述细胞诊断模型筛选得到待确定异常细胞,将所述待确定异常细胞输入至所述片级诊断模型得到待确定结果;
比较模块,用于获取用户输入的识别结果,比较所述识别结果与所述待确定结果得到比较参数,其中,所述识别结果为用户对所述待检测图像进行人为识别后得到;
调整训练模块,用于采用所述比较参数对所述细胞筛选模型进行调整训练。
本发明实施例的第二方面提供了一种基于如上所述的宫颈液基薄层细胞学的辅助筛查系统的数据应用方法,所述方法包括:
利用所述片级诊断模型对所述海量的扫描电子图像进行数值化处理,得到数值化数据;
评估所述数值化数据的数据质量;
基于所述数据质量建立筛查数据库。
本发明实施例的第三方面提供了一种基于如上所述的宫颈液基薄层细胞学的辅助筛查系统的数据应用装置,所述装置包括:
数值化模块,用于利用所述片级诊断模型对所述海量的扫描电子图像进行数值化处理,得到数值化数据;
评估模块,用于评估所述数值化数据的数据质量;
建立模块,用于基于所述数据质量建立筛查数据库。
本发明实施例的第四方面提供了一种人工智能宫颈液基薄层细胞学的诊断预测模型,所述诊断预测模型包括像素级水平的细胞检测模型单元和WSI分类模型单元;
所述细胞检测模型单元,用于通过人工智能深度学习算法对扫描电子图像进行图像分割、异常细胞检测与定位和自动标注异常细胞,将标注异常细胞输出至所述WSI分类模型单元;
所述WSI分类模型单元,用于基于标注异常细胞通过人工智能深度学习算法对扫描电子图像进行诊断。
本发明实施例的第五方面提供了一种电子设备,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所述的基于宫颈液基薄层细胞学的辅助筛查系统的数据应用方法。
本发明实施例的第六方面提供了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可执行指令,所述计算机可执行指令用于使计算机执行如上所述的基于宫颈液基薄层细胞学的辅助筛查系统的数据应用方法。
相比于现有技术,本发明实施例提供的一种宫颈液基薄层细胞学的辅助筛查系统、应用方法及模型,其有益效果在于:本发明可以从大量被用户标注的扫描电子图像中识别异常细胞,并确定异常细胞对应的病理标记,最后利用预设的深度学习算法对异常细胞对应的病理标记进行模型训练得到细胞级诊断模型和片级诊断模型。本发明采用有针对性的异常细胞进行模型识别,可以增加模型的识别能力,而且由于训练所需的数量庞大,也可以进一步提高模型的识别能力,提高识别的准确率和识别效率。
附图说明
图1是本发明一实施例提供的一种基于宫颈液基薄层细胞学的辅助筛查系统的结构示意图;
图2是本发明一实施例提供的模型在验证队列的诊断效能图;
图3是本发明一实施例提供的模型在前瞻性验证队列中CAISS、筛查员、 CAISS辅助筛查员诊断效能比较图;
图4是本发明一实施例提供的模型在随机对照试验中CAISS、筛查员、CAISS 辅助筛查员诊断效能比较图;
图5是本发明一实施例提供的模型在前瞻性真实世界队列中CAISS辅助筛查员的诊断效能图;
图6是本发明一实施例提供的一种基于宫颈液基薄层细胞学的辅助筛查系统的数据应用方法的流程示意图;
图7是本发明一实施例提供的一种基于宫颈液基薄层细胞学的辅助筛查系统的数据应用装置的结构示意图;
图8是本发明一实施例提供的一种人工智能宫颈液基薄层细胞学的诊断预测模型的结构示意图。
具体实施方式
下面将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,所描述的实施例仅仅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。
目前常用的节点更新方式有如下技术问题:由于在更新过程中仅通过报文传输交互的方式进行通知提醒,而交互的报文容易被篡改,不但造成更新出错的情况,也降低路由表的准确性和有效性,进而降低整个网络的通信效率和可靠性。
为了解决上述问题,下面将通过以下具体的实施例对本申请实施例提供的一种宫颈液基薄层细胞的筛选模型训练方法进行详细介绍和说明。
参照图1,示出了图1是本发明一实施例提供的一种基于宫颈液基薄层细胞学的辅助筛查系统的结构示意图。
其中,作为示例的,所述基于宫颈液基薄层细胞学的辅助筛查系统,可以包括:
收集模块101,用于收集海量扫描的宫颈液基薄层细胞学的电子图像,其中,每张所述扫描电子图像包括多种不同的细胞。
其中,扫描电子图像可以是TCT涂片经由全自动数字切片扫描仪(PRECICE600Series,UNIC Technologies,INC.;KF-PRO-400-HI,Ningbo Jiangfeng Bio-Information Technology Co.,Ltd.)扫描,生成像素尺寸分别为0.2529μm× 0.2529μm、0.2484μm×0.2484μm的病理全切片图像(Whole Slide Image, WSI)。
标注模块102,识别每张所述电子图像的异常细胞,在所述电子图像中勾画所述异常细胞,并对所述异常细胞添加真实标签。
其中,病理标记为用户对该图像中的细胞类型的标记。在该图像中可能包含多种不同的细胞,例如,良性细胞,病变细胞等等,用户可以对每个细胞进行标记,以确定图像中的细胞类型,方便后续的模型训练。
由于每张扫描电子图像包含多种不同的细胞,可以从扫描电子图像中确定对应的异常细胞,从而可以根据异常细胞的特征或轮廓进行相应的训练,从而提高识别的准确率。
为了提高标注的准确率,在一实施例中,所述标注模块还用于:
对每张所述扫描电子图像进行图像分割得到多张像素级图像;
分别勾画每张所述像素级图像的细胞形状得到异常细胞,并根据预设的 TBS2014分级系统对异常细胞进行片级诊断并标注真实标签。
在一实施例中,扫描电子图像面积较大,而细胞面积较小,在一张扫描电子图像中可以包含成千上万的细胞图像,若对扫描电子图像进行单一的识别,会增加耗时,降低处理效率。
为此,可以将扫描电子图像分割成多张像素级图像,该像素级图像的大小可以是用于预先设定的,例如5*2平方毫米,也可以是2*1平方毫米。在分割后多同时对多张像素级图像进行识别,以减低识别时长,提高识别效率。
在一实施例中,可以提取并勾画每张像素级图像的各种异常细胞的特征,再基于各种异常细胞的特征建立像素级水平的细胞检测模型,从而通过细胞检测模型检测并定位得到扫描电子图像的异常细胞。
在可选的实施例中,识别的异常细胞可以包括:未见上皮内病变或恶性细胞(negative for intraepithelial lesion or malignancy,NILM)、意义不明的非典型鳞状细胞(atypical squamous cells of undetermined significance,ASC-US)、不典型鳞状细胞,不能排除高度上皮内病变的不典型鳞状细胞(atypical squamous cells, cannotexclude HSIL,ASC-H)、低度鳞状上皮内病变(low grade squamous intra-epitheliallesion,LSIL)、高度鳞状上皮内病变(high grade squamous intraepithelial lesion,HSIL)、未明确诊断意义的非典型腺细胞(adenocarcinoma glandular cell,AGC)等。
在确定扫描电子图像的异常细胞后,可以获取异常细胞对应的病理标记,可以通过该病理标记确定识别是否准确,并且可以根据该病理标记进行模型训练,而提高识别的准确率。
为了避免识别遗漏,在一可选的实施例中,所述标注模块还可以用于:
从所述扫描电子图像中确定非标记细胞,并对所述非标记细胞添加病理标记。
由于用户标记的细胞可能出现遗漏,使得部分细胞并未标记,为了避免遗漏的情况,可以识别扫描电子图像中的非标记细胞,并判断该细胞的细胞状态,并基于细胞状态对其进行病理标记。
训练模块103,用于基于预设的深度学习算法对所述异常细胞对应的真实标签进行模型训练得到细胞级诊断模型,以所述细胞级诊断模型输出的信息作为输入信息训练得到片级诊断模型。
在一实施例中,可以通过不同的深度学习算法对所述异常细胞对应的病理标记进行模型训练,得到细胞级诊断模型。
所述训练模块还用于:
将所述异常细胞病理标记输入至预设的深度学习算法;
利用预设的深度学习算法对已标注的异常细胞进行特征学习及模型训练,得到细胞级诊断模型;
基于细胞级诊断模型输出的信息作为输入,输入至预设的随机森林分类器,训练并得到片级诊断模型。
在一实施例中,所述预设的深度学习算法为Retina-ResNet18-Random forest 算法。
可选地,所述预设的深度学习算法也可以采用随机森林或deep neural networks[DNN]等算法。
诊断与筛查模块104,用于利用所述片级诊断模型进行细胞的诊断与筛查。
在生成片级诊断模型后,可以利用片级诊断模型进行相应的细胞筛查和诊断,以确定用户的细胞状态。
诊断效能模块105,用于分别获取比较筛查结果、辅助筛查结果以及诊断筛查结果,分别计算所述比较筛查结果、所述辅助筛查结果和所述诊断筛查结果的诊断效能,其中,所述比较筛查结果、所述辅助筛查结果和所述诊断筛查结果为采集批量标准患者的数据并按照等比例划分后,分别通过比较筛查员、辅助筛查员和所述片级诊断模型作诊断筛查得到。
其中,比较筛查员为病理技术员,辅助筛查员为采用了片级诊断模型进行病理判断的病理技术员。
本发明一实施例提供的诊断效能对比的图表示意图,可以通过Python软件计算诊断结果的诊断效能。
参照图2,示出了本发明一实施例提供的模型在验证队列的诊断效能图。宫颈液基薄层细胞学的辅助筛查系统(CAISS)在中山大学孙逸仙纪念医院内部验证队列、广州市妇女儿童医疗中心外部验证队列、广州医科大学附属第三医院外部验证队列的敏感性分别为90.6%、90.2%、91.8%;准确度分别为 88.1%、85.0%、84.3%;特异性在以上三个验证队列中均高于80.0%(详细结果见表2)。在分层分析中,该模型在ACS-US及以上(敏感性分别为91.1%、
93.5%、92.5%;AUC分别为0.923、0.929、0.879)、LSIL及以上(敏感性分别为92.8%、96.2%、95.5%;AUC分别为0.950、0.946、0.927)和HSIL患者(敏感性分别为98.0%、94.4%、88.9%;AUC分别为0.960、0.930、0.896)中均有良好的诊断预测效能。
参照图3,示出了本发明一实施例提供的模型在前瞻性验证队列中CAISS、筛查员、CAISS辅助筛查员诊断效能比较图。在中山大学孙逸仙纪念医院前瞻性验证队列中,比较筛查员、CAISS、CAISS辅助筛查员的TCT诊断效能,对比结果如下:CAISS辅助筛查员阅片的诊断效能(敏感性:99.1%,特异性:99.6%,准确度:99.5%,AUC:0.993)均优于筛查员诊断(敏感性: 90.9%,特异性:98.7%,准确度:98.4%,AUC:0.948)或单独使用CAISS诊断(敏感性:94.6%,特异性:89.0%,准确度:89.2%,AUC:0.947),详细结果见表2。
参照图4,示出了本发明一实施例提供的模型在随机对照试验中CAISS、筛查员、CAISS辅助筛查员诊断效能比较图。在中山大小孙逸仙纪念医院前瞻性随机对照实验中,CAISS辅助筛查员队列的诊断效能(敏感性:100%,特异性: 98.9%,准确度:99.0%,AUC:0.995)均优于病理技术员诊断(敏感性:87.5%,特异性:98.4%,准确度:97.5%,AUC:0.929)或单独使用宫颈细胞病理人工智能诊断预测模型预测(敏感性:93.8%,特异性:85.4%,准确度:86.1%, AUC:0.929),详细结果见表3。
参照图5,示出了本发明一实施例提供的模型在前瞻性真实世界队列中 CAISS辅助筛查员的诊断效能图。在中山大学孙逸仙纪念医院前瞻性真实世界队列中,CAISS辅助筛查员队列的诊断效能分别为:敏感性:94.3%,特异性: 99.8%,准确度:99.5%,AUC:0.970,详细结果间表4。
在完成模型训练后,为了进一步确定模型的识别筛查效果,所述系统还可以包括:
待识别模块106,用于获取待检测图像,并将所述待检测图像输入至所述细胞诊断模型筛选得到待确定异常细胞,将所述待确定异常细胞输入至所述片级诊断模型得到待确定结果。
该待检测图像为用户预先采集的用于进行筛查使用的扫描电子图像,具体地,可以是大量的扫描电子图像。
可以将大量的扫描电子图像输入至细胞级诊断模型中,由细胞级诊断模型对大量的扫描电子图像进行诊断,以得到待确定异常细胞,以待确定异常细胞为片级诊断模型的输入,由片级诊断模型输出待确定结果。
比较模块107,用于获取用户输入的识别结果,比较所述识别结果与所述待确定结果得到比较参数,其中,所述识别结果为用户对所述待检测图像进行人为识别后得到。
该识别结果为用户人为对大量扫描电子图像进行人工辨识和筛选后得到识别结果。
可以比较用户的人工筛选结果和细胞筛选模型的筛选结果,然后得到比较参数,该比较参数为视标的异常细胞的数量差异值。
调整训练模块108,用于采用所述比较参数对所述细胞筛选模型进行调整训练。
接着可以根据该异常细胞的数量差异值对细胞筛选模型进行校验和调整,进一步提高细胞筛选模型的筛选准确率。
在本实施例中,本发明实施例提供了一种基于宫颈液基薄层细胞学的辅助筛查系统,其有益效果在于:本发明可以从大量被用户标记的扫描电子图像,中识别的异常细胞,并确定异常细胞对应的病理标记,利用预设的深度学习算法对异常细胞对应的病理标记进行模型训练得到细胞级诊断模型,再基于细胞级诊断模型输出的信息作为输入,训练并得到片级诊断模型,最后利用片级诊断模型进行对应的细胞诊断和筛查。本发明采用有针对性的异常细胞进行模型识别,可以增加模型的识别能力,而且由于训练所需的数量量庞大,也可以进一步提高模型的识别能力,提高识别的准确率和识别效率。
本发明实施例还提供了一种基于宫颈液基薄层细胞学的辅助筛查系统的数据应用方法,参见图6,示出了本发明一实施例提供的一种基于宫颈液基薄层细胞学的辅助筛查系统的数据应用方法的流程示意图。
所述数据应用方法适用于如上述实施例所述的宫颈液基薄层细胞学的辅助筛查系统。
其中,作为示例的,所述基于宫颈液基薄层细胞学的辅助筛查系统的数据应用方法可以包括:
S21、利用所述片级诊断模型对所述海量的扫描电子图像进行数值化处理,得到数值化数据。
该数值化处理可以是将扫描电子图像转换成对应格式的数值。
S22、评估所述数值化数据的数据质量。
该数据质量可以是扫描电子图像中包含的异常细胞数量的指标值,若扫描电子图像中包含的异常细胞数量较多,则数据质量较大。
S23、基于所述数据质量建立筛查数据库。
在本实施例中,本发明实施例提供了一种基于宫颈液基薄层细胞学的辅助筛查系统的数据应用方法,其有益效果在于:通过建立筛查数据库,用户可以在进行模型训练时,从筛查数据库中选择不同数据质量的扫描电子图像进行训练,从而可以生成不同准确率的细胞筛选模型,以方便用户后续进行不同的筛选操作。
本发明实施例还提供了一种基于宫颈液基薄层细胞学的辅助筛查系统的数据应用装置,参见图7,示出了本发明一实施例提供的一种基于宫颈液基薄层细胞学的辅助筛查系统的数据应用装置的结构示意图;
其中,作为示例的,所述基于宫颈液基薄层细胞学的辅助筛查系统的数据应用装置可以包括:
数值化模块301,用于利用所述片级诊断模型对所述海量的扫描电子图像进行数值化处理,得到数值化数据;
评估模块302,用于评估所述数值化数据的数据质量;
建立模块303,用于基于所述数据质量建立筛查数据库。
本发明实施例还提供了一种人工智能宫颈液基薄层细胞学的诊断预测模型,参见图8,示出了本发明一实施例提供的一种人工智能宫颈液基薄层细胞学的诊断预测模型的结构示意图。
其中,作为示例的,所述基人工智能宫颈液基薄层细胞学的诊断预测模型包括:
像素级水平的细胞检测模型单元和WSI分类模型单元;
所述细胞检测模型单元,用于通过人工智能深度学习算法对扫描电子图像进行图像分割、异常细胞检测与定位和自动标注异常细胞,将标注异常细胞输出至所述WSI分类模型单元;
所述WSI分类模型单元,用于基于标注异常细胞通过人工智能深度学习算法对扫描电子图像进行诊断。
进一步的,本申请实施例还提供了一种电子设备,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实施例所述的基于宫颈液基薄层细胞学的辅助筛查系统的数据应用方法。
进一步的,本申请实施例还提供了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可执行指令,所述计算机可执行指令用于使计算机执行如上述实施例所述的基于宫颈液基薄层细胞学的辅助筛查系统的数据应用方法。
以上所述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,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种宫颈液基薄层细胞学的辅助筛查系统,其特征在于,所述系统包括:
收集模块,用于收集海量扫描的宫颈液基薄层细胞学的电子数字图像,其中,每张所述扫描电子图像包括多种不同的细胞;
标注模块,识别每张所述电子图像的异常细胞,在所述电子图像中勾画所述异常细胞,并对所述异常细胞添加真实标签;
训练模块,用于基于预设的深度学习算法对所述异常细胞对应的真实标签进行模型训练得到细胞级诊断模型,以所述细胞级诊断模型输出的信息作为输入信息训练得到片级诊断模型;
诊断与筛查模块,用于利用所述片级诊断模型进行细胞的诊断与筛查;
诊断效能模块,用于分别获取比较筛查结果、辅助筛查结果以及诊断筛查结果,分别计算所述比较筛查结果、所述辅助筛查结果和所述诊断筛查结果的诊断效能,其中,所述比较筛查结果、所述辅助筛查结果和所述诊断筛查结果为采集批量标准患者的数据并按照等比例划分后,分别通过比较筛查员、辅助筛查员和所述片级诊断模型作诊断筛查得到。
2.根据权利要求1所述的宫颈液基薄层细胞学的辅助筛查系统训练方法,其特征在于,所述标注模块还用于:
对每张所述扫描电子图像进行图像分割得到多张像素级图像;
分别勾画每张所述像素级图像的细胞形状得到异常细胞,并根据预设的TBS 2014分级系统对异常细胞进行片级诊断并标注真实标签。
3.根据权利要求2所述的宫颈液基薄层细胞学的辅助筛查系统训练方法,其特征在于,所述训练模块还用于:
将所述异常细胞病理标记输入至预设的深度学习算法;
利用预设的深度学习算法对已标注的异常细胞进行特征学习及模型训练,得到细胞级诊断模型;
基于细胞级诊断模型输出的信息作为输入,输入至预设的随机森林分类器,训练并得到片级诊断模型。
4.根据权利要求3所述的宫颈液基薄层细胞学的辅助筛查系统训练方法,其特征在于,所述预设的深度学习算法为Retina-ResNet18-Random forest算法。
5.根据权利要求1-4任意一项所述的宫颈液基薄层细胞学的辅助筛查系统,其特征在于,所述系统还包括:
待识别模块,用于获取待检测图像,并将所述待检测图像输入至所述细胞诊断模型筛选得到待确定异常细胞,将所述待确定异常细胞输入至所述片级诊断模型得到待确定结果;
比较模块,用于获取用户输入的识别结果,比较所述识别结果与所述待确定结果得到比较参数,其中,所述识别结果为用户对所述待检测图像进行人为识别后得到;
调整训练模块,用于采用所述比较参数对所述细胞筛选模型进行调整训练。
6.一种基于如权利要求1-5任意一项所述的宫颈液基薄层细胞学的辅助筛查系统的数据应用方法,其特征在于,所述方法包括:
利用所述片级诊断模型对所述海量的扫描电子图像进行数值化处理,得到数值化数据;
评估所述数值化数据的数据质量;
基于所述数据质量建立筛查数据库。
7.一种基于如权利要求1-5任意一项所述的宫颈液基薄层细胞学的辅助筛查系统的数据应用装置,其特征在于,所述装置包括:
数值化模块,用于利用所述片级诊断模型对所述海量的扫描电子图像进行数值化处理,得到数值化数据;
评估模块,用于评估所述数值化数据的数据质量;
建立模块,用于基于所述数据质量建立筛查数据库。
8.一种人工智能宫颈液基薄层细胞学的诊断预测模型,其特征在于,所述诊断预测模型包括像素级水平的细胞检测模型单元和WSI分类模型单元;
所述细胞检测模型单元,用于通过人工智能深度学习算法对扫描电子图像进行图像分割、异常细胞检测与定位和自动标注异常细胞,将标注异常细胞输出至所述WSI分类模型单元;
所述WSI分类模型单元,用于基于标注异常细胞通过人工智能深度学习算法对扫描电子图像进行诊断。
9.一种电子设备,其特征在于,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权利要求6所述的基于宫颈液基薄层细胞学的辅助筛查系统的数据应用方法。
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可执行指令,所述计算机可执行指令用于使计算机执行如权利要求6所述的基于宫颈液基薄层细胞学的辅助筛查系统的数据应用方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111111153.XA CN115938561A (zh) | 2021-09-23 | 2021-09-23 | 宫颈液基薄层细胞学的辅助筛查系统、应用方法及模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111111153.XA CN115938561A (zh) | 2021-09-23 | 2021-09-23 | 宫颈液基薄层细胞学的辅助筛查系统、应用方法及模型 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115938561A true CN115938561A (zh) | 2023-04-07 |
Family
ID=86647756
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111111153.XA Pending CN115938561A (zh) | 2021-09-23 | 2021-09-23 | 宫颈液基薄层细胞学的辅助筛查系统、应用方法及模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115938561A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108334909A (zh) * | 2018-03-09 | 2018-07-27 | 南京天数信息科技有限公司 | 基于ResNet的宫颈癌TCT数字切片数据分析方法 |
AU2018101578A4 (en) * | 2018-10-22 | 2018-11-29 | Menon, Vineet MR | Machine learning applied to Cervical Cancer Data |
CN111489324A (zh) * | 2020-06-05 | 2020-08-04 | 华侨大学 | 一种融合多模态先验病理深度特征的宫颈癌病变诊断方法 |
CN112215117A (zh) * | 2020-09-30 | 2021-01-12 | 北京博雅智康科技有限公司 | 一种基于宫颈细胞学图像的异常细胞识别方法及系统 |
CN112257704A (zh) * | 2020-09-15 | 2021-01-22 | 深圳视见医疗科技有限公司 | 基于深度学习检测模型子宫颈液基细胞数字图像分类方法 |
CN113255718A (zh) * | 2021-04-01 | 2021-08-13 | 透彻影像科技(南京)有限公司 | 一种基于深度学习级联网络方法的宫颈细胞辅助诊断方法 |
-
2021
- 2021-09-23 CN CN202111111153.XA patent/CN115938561A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108334909A (zh) * | 2018-03-09 | 2018-07-27 | 南京天数信息科技有限公司 | 基于ResNet的宫颈癌TCT数字切片数据分析方法 |
AU2018101578A4 (en) * | 2018-10-22 | 2018-11-29 | Menon, Vineet MR | Machine learning applied to Cervical Cancer Data |
CN111489324A (zh) * | 2020-06-05 | 2020-08-04 | 华侨大学 | 一种融合多模态先验病理深度特征的宫颈癌病变诊断方法 |
CN112257704A (zh) * | 2020-09-15 | 2021-01-22 | 深圳视见医疗科技有限公司 | 基于深度学习检测模型子宫颈液基细胞数字图像分类方法 |
CN112215117A (zh) * | 2020-09-30 | 2021-01-12 | 北京博雅智康科技有限公司 | 一种基于宫颈细胞学图像的异常细胞识别方法及系统 |
CN113255718A (zh) * | 2021-04-01 | 2021-08-13 | 透彻影像科技(南京)有限公司 | 一种基于深度学习级联网络方法的宫颈细胞辅助诊断方法 |
Non-Patent Citations (3)
Title |
---|
HUA CHEN: "CytoBrain: Cervical Cancer Screening System Based on Deep Learning Technology", 《JOURNAL OF COMPUTER SCIENCE AND TECHNOLOGY》, no. 36, pages 347 - 360 * |
汪荣贵: "《机器学习简明教程", 机械工业出版, pages: 189 - 190 * |
王文普等: "人工智能宫颈癌筛查技术的临床研究", 《中国处方药》, vol. 19, no. 4, pages 139 - 140 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108464840B (zh) | 一种乳腺肿块自动检测方法及系统 | |
CN109903284B (zh) | 一种her2免疫组化图像自动判别方法及系统 | |
CN111985536B (zh) | 一种基于弱监督学习的胃镜病理图像分类方法 | |
US9741112B2 (en) | Generating image-based diagnostic tests by optimizing image analysis and data mining of co-registered images | |
CN111488921B (zh) | 一种全景数字病理图像智能分析系统及方法 | |
CN112101451B (zh) | 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法 | |
Mi et al. | Deep learning-based multi-class classification of breast digital pathology images | |
CN112380900A (zh) | 基于深度学习的子宫颈液基细胞数字图像分类方法及系统 | |
CN109389129A (zh) | 一种图像处理方法、电子设备及存储介质 | |
CN108416379A (zh) | 用于处理宫颈细胞图像的方法和装置 | |
Bai et al. | Automatic segmentation of cervical region in colposcopic images using K-means | |
CN109003269A (zh) | 一种能提高医生效率的医学影像病灶的标注提取方法 | |
WO2019184851A1 (zh) | 图像处理方法和装置及神经网络模型的训练方法 | |
CN112699868A (zh) | 一种基于深度卷积神经网络的图像识别方法、设备 | |
CN108305253A (zh) | 一种基于多倍率深度学习的病理全切片诊断方法 | |
US10803586B1 (en) | Image analysis in pathology | |
CN113724842B (zh) | 一种基于注意力机制的宫颈组织病理辅助诊断方法 | |
US11817215B2 (en) | Artificial intelligence cloud diagnosis platform | |
CN112669320B (zh) | 一种基于深度神经网络的spect甲状腺显像智能识别方法 | |
CN108922599A (zh) | 一种基于mil的医学图像病灶点精确标注方法 | |
CN112233061A (zh) | 一种基于深度学习的皮肤基底细胞癌和鲍温病识别方法 | |
CN110796661B (zh) | 基于卷积神经网络的真菌显微图像分割检测方法及系统 | |
CN109460717A (zh) | 消化道共聚焦激光显微内镜病变图像识别方法及装置 | |
WO2023142532A1 (zh) | 一种推理模型训练方法及装置 | |
CN115526834A (zh) | 免疫荧光图像检测方法及装置、设备、存储介质 |
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 |