CN116152806A - 一种基于卷积神经网络的骨髓细胞识别方法及系统 - Google Patents
一种基于卷积神经网络的骨髓细胞识别方法及系统 Download PDFInfo
- Publication number
- CN116152806A CN116152806A CN202310117441.9A CN202310117441A CN116152806A CN 116152806 A CN116152806 A CN 116152806A CN 202310117441 A CN202310117441 A CN 202310117441A CN 116152806 A CN116152806 A CN 116152806A
- Authority
- CN
- China
- Prior art keywords
- bone marrow
- marrow cell
- neural network
- convolutional neural
- 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.)
- Granted
Links
- 210000002798 bone marrow cell Anatomy 0.000 title claims abstract description 148
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 210000004027 cell Anatomy 0.000 claims description 72
- 238000010586 diagram Methods 0.000 claims description 17
- 230000011218 segmentation Effects 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 8
- 238000003384 imaging method Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 4
- 230000005859 cell recognition Effects 0.000 claims 1
- 238000005260 corrosion Methods 0.000 description 13
- 230000007797 corrosion Effects 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000021164 cell adhesion Effects 0.000 description 4
- 238000010191 image analysis Methods 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 4
- 238000010186 staining Methods 0.000 description 3
- 235000005811 Viola adunca Nutrition 0.000 description 2
- 240000009038 Viola odorata Species 0.000 description 2
- 235000013487 Viola odorata Nutrition 0.000 description 2
- 235000002254 Viola papilionacea Nutrition 0.000 description 2
- 210000001185 bone marrow Anatomy 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010035226 Plasma cell myeloma Diseases 0.000 description 1
- 210000003855 cell nucleus Anatomy 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 210000000805 cytoplasm Anatomy 0.000 description 1
- 230000001086 cytosolic effect Effects 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000003743 erythrocyte Anatomy 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000003714 granulocyte Anatomy 0.000 description 1
- 208000007475 hemolytic anemia Diseases 0.000 description 1
- 230000011132 hemopoiesis Effects 0.000 description 1
- 230000003834 intracellular effect Effects 0.000 description 1
- 208000032839 leukemia Diseases 0.000 description 1
- 210000003593 megakaryocyte Anatomy 0.000 description 1
- 210000003470 mitochondria Anatomy 0.000 description 1
- 201000000050 myeloid neoplasm Diseases 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 210000002381 plasma Anatomy 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06V20/693—Acquisition
-
- 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
- G06V10/82—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
-
- 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)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于卷积神经网络的骨髓细胞识别方法及系统、存储介质,包括:人工对显微镜中摄像装置拍摄的第一组骨髓细胞彩色图像进行标注,得到第一样本集,采用第一样本集对卷积神经网络进行训练,得到训练后的第一卷积神经网络;对显微镜中摄像装置拍摄的第二组骨髓细胞彩色图像按照预设处理方式进行预处理,得到第二样本集,采用第二样本集对所述训练后的第一卷积神经网络进行再次训练,得到训练完成的卷积神经网络模型;获取待识别的骨髓细胞彩色图像,按照所述预设处理方式进行预处理,将预处理得到的结果作为训练完成的卷积神经网络的输入,识别骨髓细胞的具体类型。本发明提高了训练速度,而且具有很高的识别率。
Description
技术领域
本发明涉及医学图像技术领域,尤其涉及骨髓细胞识别。
背景技术
骨髓是人体造血的主要器官,骨髓中的细胞不断补充到人体中,维持着人体的正常运转,骨髓细胞也是诊断白血病、骨髓瘤、溶血性贫血等疾病的重要依据。临床上,对骨髓细胞的检查是通过获取骨髓细胞,然后制作骨髓细胞涂片、染色后,在显微镜下观察骨髓细胞,同时可以借助于显微镜上的摄像组件采集组件对骨髓细胞图像进行采集,骨髓细胞图像分析系统能够自动对采集的骨髓细胞图像进行分析处理。骨髓细胞图像的自动化处理,有效地节省了人力,而且克服了医生的主观因素对骨髓细胞的判断。
骨髓细胞图像分析系统主要借助于图像分析的相关技术,识别图像中的巨核细胞、红细胞、粒细胞等,图像分析的准确度影响医生的判断。进行细胞识别的前提是准确的分割出细胞,图像分割发展相对成熟,有阈值分割方法、边缘分割方法等,但是细胞的黏连、血液中血浆等的影响,现有的图像识别方法对图像中细胞识别效果还不够理想,而且由于训练集有限,对神经网络的训练不够。
发明内容
为了提高骨髓细胞识别的准确性,本发明提供了一种基于卷积神经网络的骨髓细胞识别方法,所述方法包括以下步骤:
1)构建卷积神经网络模型,对卷积神经网络模型进行训练:
1.1)人工对显微镜中摄像装置拍摄的第一组骨髓细胞彩色图像进行标注,得到每个骨髓细胞图像,进而得到第一样本集,采用第一样本集对卷积神经网络进行训练,得到训练后的第一卷积神经网络;
1.2)对显微镜中摄像装置拍摄的第二组骨髓细胞彩色图像按照预设处理方式进行预处理,得到第二样本集,采用第二样本集对所述训练后的第一卷积神经网络进行再次训练,得到训练完成的卷积神经网络模型;
2)获取待识别的骨髓细胞彩色图像,按照所述预设处理方式进行预处理,将预处理得到的结果作为训练完成的卷积神经网络的输入,识别骨髓细胞的具体类型。
优选地,所述预设处理方式为:
采用图像分割方法对所述骨髓细胞彩色图像进行分割,计算所有分割区域的面积的平均值,以及每个分割区域面积与所述平均值的比值,若所述比值在第一阈值和第二阈值之间,则将分割区域放入骨髓细胞集,否则,将分割区域放入异常分割细胞集中。
优选地,如果异常分割细胞集不为空,则在步骤2)后,输出异常分割细胞集的个数或者在所述骨髓细胞彩色图像中标识异常分割细胞集中细胞的位置。
优选地,所述预设处理方式具体为:
S1,获取显微镜中摄像装置拍摄的骨髓细胞彩色图像,在RGB模式下,保留R值和G值,将所述彩色图像的B值设置为0,得到第一图片,将第一图片中R值和G值都大于第三阈值的像素点替换为白色,得到第二图片;
S2,对所述第二图片的灰度图中孔洞进行填充,对填充后的灰度图进行腐蚀、膨胀,得到第三图片,采用分水岭分割方法对所述第三图片进行分割,得到每个骨髓细胞的分割区域,根据所述分割区域对所述骨髓细胞彩色图像分割得到每个骨髓细胞的图像,将每个骨髓细胞的图像放入待识别骨髓细胞集,并对待识别骨髓细胞集进行划分得到训练集和测试集;所述孔洞是灰度值大于阈值,且周围像素点的灰度值小于另外一个阈值,且孔洞面积在一定范围内的区域。
优选地,所述对所述第二图片的灰度图中孔洞进行填充,对填充后的灰度图进行腐蚀、膨胀,具体为:
S22,获取填充孔洞后第二图片的灰度值的平均值G'v,若所述平均值G'v大于第二阈值,则采用第一结构元作为灰度图进行腐蚀的结构元,若所述平均值G'v小于第三阈值,则采用第二结构元作为灰度图进行腐蚀的结构元,否则采用第三结构元作为灰度图进行腐蚀的结构元。
优选地,步骤2)后还包括:在内存中建立链表,统计识别的骨髓细胞每种类型的数量以及未识别的细胞个数,所述未识别的细胞个数为所述异常分割细胞集的大小。
另外,本发明还提供了一种基于卷积神经网络的骨髓细胞识别系统,所述系统包括以下模块:
训练模块,用于构建卷积神经网络模型,对卷积神经网络模型进行训练;所述训练模块包括以下单元:
第一训练单元,人工对显微镜中摄像装置拍摄的第一组骨髓细胞彩色图像进行标注,得到每个骨髓细胞图像,进而得到第一样本集,采用第一样本集对卷积神经网络进行训练,得到训练后的第一卷积神经网络;
第二训练单元,用于对显微镜中摄像装置拍摄的第二组骨髓细胞彩色图像按照预设处理方式进行预处理,得到第二样本集,采用第二样本集对所述训练后的第一卷积神经网络进行再次训练,得到训练完成的卷积神经网络模型;
识别模块,用于获取待识别的骨髓细胞彩色图像,按照所述预设处理方式进行预处理,将预处理得到的结果作为训练完成的卷积神经网络的输入,识别骨髓细胞的具体类型。
优选地,所述预设处理方式为:
采用图像分割方法对所述骨髓细胞彩色图像进行分割,计算所有分割区域的面积的平均值,以及每个分割区域面积与所述平均值的比值,若所述比值在第一阈值和第二阈值之间,则将分割区域放入骨髓细胞集,否则,将分割区域放入异常分割细胞集中。
优选地,如果异常分割细胞集不为空,则在步骤2)后,输出异常分割细胞集的个数或者在所述骨髓细胞彩色图像中标识异常分割细胞集中细胞的位置。
优选地,所述预设处理方式具体为:
S1,获取显微镜中摄像装置拍摄的骨髓细胞彩色图像,在RGB模式下,保留R值和G值,将所述彩色图像的B值设置为0,得到第一图片,将第一图片中R值和G值都大于第三阈值的像素点替换为白色,得到第二图片;
S2,对所述第二图片的灰度图中孔洞进行填充,对填充后的灰度图进行腐蚀、膨胀,得到第三图片,采用分水岭分割方法对所述第三图片进行分割,得到每个骨髓细胞的分割区域,根据所述分割区域对所述骨髓细胞彩色图像分割得到每个骨髓细胞的图像,将每个骨髓细胞的图像放入待识别骨髓细胞集,并对待识别骨髓细胞集进行划分得到训练集和测试集;所述孔洞是灰度值大于阈值,且周围像素点的灰度值小于另外一个阈值,且孔洞面积在一定范围内的区域。
优选地,所述对所述第二图片的灰度图中孔洞进行填充,对填充后的灰度图进行腐蚀、膨胀,具体为:
S22,获取填充孔洞后第二图片的灰度值的平均值G'v,若所述平均值G'v大于第二阈值,则采用第一结构元作为灰度图进行腐蚀的结构元,若所述平均值G'v小于第三阈值,则采用第二结构元作为灰度图进行腐蚀的结构元,否则采用第三结构元作为灰度图进行腐蚀的结构元。
优选地,步骤2)后还包括:在内存中建立链表,统计识别的骨髓细胞每种类型的数量以及未识别的细胞个数,所述未识别的细胞个数为所述异常分割细胞集的大小。
另外,本发明还提供了一种计算设备,包括:一个或多个处理器;存储器;以及一个或多个程序;其中所述一个或多个程序存储在存储器并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行如上所述的方法中的指令。
最后,本发明还提供了一种计算机可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,实现如上所述的方法。
骨髓细胞检查中,需要了解骨髓细胞中各种类型细胞的数量、比值等情况,但是由于细胞内细胞质和细胞粘连等的影响,识别率一直是一个问题,卷积神经网络在图像识别中具有广泛的应用,如果把整个骨髓细胞彩色图像作为待识别的图像,则有以下问题:1.由于训练过程需要很多训练样本,否则识别率难以令人满意,这就需要很多骨髓细胞彩色图像,但是想要找到很多骨髓细胞彩色图像并不是一件容易的事;2.如上所述收到细胞质和细胞粘连的影响,很容易识别错误。
本发明采用预设图像分割的方式,对骨髓细胞彩色图像进行分割得到每个骨髓细胞单独的图像,以此提高训练样本集的大小,而且单独识别的准确率更高。本发明在对卷积神经网络进行训练时,采用两步法,第一步是根据人工标注和分割得到每个骨髓细胞图像,进行初步训练,第二步是根据预设方法得到每个骨髓细胞图像,得到最终训练结果,不仅提高了训练速度,而且可以反复使用骨髓细胞彩色图像。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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为本发明实施例1的流程图
图2为步骤S1处理前骨髓细胞图像灰度图;
图3为步骤S1处理后骨髓细胞图像灰度图;
图4为孔洞填充示意图;
图5为一个典型的结构元;
图6为灰度图腐蚀、膨胀示意图。
具体实施方式
下面将结合附图对本发明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。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本发明提供了一种基于卷积神经网络的骨髓细胞识别方法,如图1所示,所述方法包括以下步骤:
1)构建卷积神经网络模型,对卷积神经网络模型进行训练:
1.1)人工对显微镜中摄像装置拍摄的第一组骨髓细胞彩色图像进行标注,得到每个骨髓细胞图像,进而得到第一样本集,采用第一样本集对卷积神经网络进行训练,得到训练后的第一卷积神经网络;
1.2)对显微镜中摄像装置拍摄的第二组骨髓细胞彩色图像按照预设处理方式进行预处理,得到第二样本集,采用第样本集对所述训练后的第一卷积神经网络进行再次训练,得到训练完成的卷积神经网络模型;
其中,第二组骨髓细胞彩色图像和第一组骨髓细胞彩色图像相同,或者第一组骨髓细胞彩色图像为第二组骨髓细胞彩色图像的一部分。
卷积神经网络利用卷积核进行图像特征提取,然后作为神经网络的输入,卷积神经网络已经比较成熟,例如LeNet-5、AlexNet、GoogLeNet等。使用卷积神经网络时,需要先对搭建的卷积神经网络模型进行训练,这就涉及到训练样本集。在本发明中,卷积神经网络的训练包括两次训练,第一次训练的样本集由人工在拍摄的骨髓细胞图像中进行标注,得到训练样本集和测试样本集。第二次训练的样本集是采用预设处理方式得到,然后标注每个分割区域中细胞的类型,得到训练样本集和测试样本集。
其中第一次训练有助于快速得到初步训练后的卷积神经网络,第二次训练可以让卷积神经网络更精确的识别本发明提出的图像处理方法处理后的图像,避免了由于图像分割等处理对识别精度的影响。
在本发明中同一个骨髓细胞彩色图像可以被使用两次,而且本发明中还可以同时使用现有的数据集增强(扩展)方法进一步对数据集进行扩展,例如对骨髓细胞图像进行翻转、旋转、缩放、裁剪、移位等。需要注意的是,骨髓细胞彩色图像是显微镜中摄像装置拍摄的,这一个图像中包括了多个骨髓细胞(如图2);而骨髓细胞图像为单个骨髓细胞的图像(如图4、6)。
2)获取待识别的骨髓细胞彩色图像,按照所述预设处理方式进行预处理,将预处理得到的结果作为训练完成的卷积神经网络的输入,识别骨髓细胞的具体类型。
在一个具体实施例中,所述预设处理方式为:
采用图像分割方法对所述骨髓细胞彩色图像进行分割,计算所有分割区域的面积的平均值,以及每个分割区域面积与所述平均值的比值,若所述比值在第一阈值和第二阈值之间,则将分割区域放入骨髓细胞集,否则,将分割区域放入异常分割细胞集中。
在一个具体实施例中,如果异常分割细胞集不为空,则在步骤2)后,输出异常分割细胞集的个数或者在所述骨髓细胞彩色图像中标识异常分割细胞集中细胞的位置。
在另外一个具体实施例中,所述预设处理方式具体为:
S1,获取显微镜中摄像装置拍摄的骨髓细胞彩色图像,在RGB模式下,保留R值和G值,将所述彩色图像的B值设置为0,得到第一图片,将第一图片中R值和G值都大于第三阈值的像素点替换为白色,得到第二图片;
RGB色彩模式是应用最广泛的颜色标准,彩色图像有R、G、B三个值确定。由于骨髓细胞染色后会呈现蓝紫色,蓝紫色中B通道的值较大,通常为250以上,由于白色的B通道值也较大,一般为255,B通道对骨髓细胞的识别作用不大,因此,本发明中将B通道设置为0后,也即去除B通道后,只需要分析R值和G值,一方面减少了计算量,另一方面减少了B值对骨髓细胞识别的干扰。
在保留R值和G值,并将B值设置为0后,骨髓细胞彩色图像整体呈现偏黄色,尤其是白色会变为黄色,黄色的R值和G值都偏大,而细胞染色部分R值和G值偏小,本发明中将R值和G值都大于第三阈值的像素点设置为白色,通过减少B值和增加B值,增强了骨髓细胞核和背景的对比度,能够更好的识别骨髓细胞,执行步骤S1前骨髓细胞彩色图像的灰度图如图2所示,执行步骤S1后骨髓细胞的灰度图,也即第二图片如图3所示,从图2、图3中可以看出,通过步骤S1的处理,增强了骨髓细胞图片中骨髓细胞图像。其中第三阈值为250-254之间的任一数值。
S2,对所述第二图片的灰度图中孔洞进行填充,对填充后的灰度图进行腐蚀、膨胀,得到第三图片,采用分水岭分割方法对所述第三图片进行分割,得到每个骨髓细胞的分割区域,根据所述分割区域对所述骨髓细胞彩色图像分割得到每个骨髓细胞的图像,将每个骨髓细胞的图像放入待识别骨髓细胞集,并对待识别骨髓细胞集进行划分得到训练集和测试集;所述孔洞是灰度值大于阈值,且周围像素点的灰度值小于另外一个阈值,且孔洞面积在一定范围内的区域。
由于细胞中线粒体等的影响,以及染色的不均匀性,会导致细胞以及细胞核中的出现没有染色的情况,如图3所示,其中的斑点在进行灰度图的腐蚀时,如果结构元过大会放大斑点,甚至导致一个细胞被分割成两个,本发明先对灰度图中的孔洞进行填充,消除斑点对腐蚀灰度图的影响,然后在进行腐蚀、膨胀操作。所述孔洞是灰度值大于阈值,且周围像素点的灰度值小于另外一个阈值,且面积在一定范围内的区域。填充效果如图4所示。
腐蚀可以使得图片中的图像缩小,膨胀是腐蚀的逆操作,膨胀使得图片中的图像放大。由于消除细胞的黏连,在本发明的一个具体实施例中,腐蚀操作的结构元大于膨胀操作的结构元。结构元又称为结构元素(Sturcture Element)或者卷积核,如图4所示,结构元有多种形状,比较常用的是矩形、正方形,此外,还有圆形、菱形等,本发明对结构元的形状不作具体限定。腐蚀、膨胀实质是图片中的图像做减法和加法的过程,设孔洞填充后的灰度图为X,结构元为B,则腐蚀操作是膨胀操作是/>如图5所示。分水岭分割算法是图像分割中常用的方法,对此本发明不再做过多介绍。
经过分水岭分割算法分割后,可以得到若干分割区域,在理想状态下,分割区域是相互独立的,但是受到染色、细胞密度,以及步骤S2中腐蚀、膨胀的操作的影响,尤其是本发明的腐蚀操作的结构元大于膨胀操作的结构元大小,需要对分割区域进行校正,然后利用训练后的神经网络对校正后的N个分割区域进行识别。
涂片中细胞越多,细胞越密集,同一个摄像装置拍摄的图片的平均灰度值越小,利用图片的平均灰度值可以初步判断细胞的密集程度,当细胞越密集,则细胞间空白区域越小,平均灰度值越小,反之越大。为了达到更好的效果,不同的密集程度需要采用不同大小的结构元对图片进行腐蚀。而对第二图片的灰度图中孔洞的填充会影响图片的平均灰度值,基于此,在本发明的一个具体实施例中,所述对所述第二图片的灰度图中孔洞进行填充,对填充后的灰度图进行腐蚀、膨胀,具体为:
在一个具体实施例中,孔洞大小H为孔洞像素的个数,Hv为第二图片中所有孔洞像素点的平均值。在另外一个实施例中,孔洞大小H为孔洞的面积,Hv为第二图片中所有孔洞面积的平均值。作为一个示例,假设Gv=100,孔洞大小H=20个像素,Hv=10个像素,则G=200,也即该孔洞填充的灰度值为200。
也可以采用其他孔洞填充方法,例如采用神经网络识别出空洞,然后进行填充;或者根据连续区域的像素值确定空洞,也即如果一个封闭区域的像素值都在一个预定范围内,则认为这个封闭区域是一个空洞,对其进行填充。
S22,获取填充孔洞后第二图片的灰度值的平均值G'v,若所述平均值G'v大于第二阈值,则采用第一结构元作为灰度图进行腐蚀的结构元,若所述平均值G'v小于第三阈值,则采用第二结构元作为灰度图进行腐蚀的结构元,否则采用第三结构元作为灰度图进行腐蚀的结构元。
灰度值的平均值G'v越小,表明细胞越密集,需用用较大的结构元对骨髓细胞进行腐蚀,这样才能更为明显的区分不同细胞;如果灰度值的平均值G'v越大,表明涂片中细胞越稀疏,使用较小的结构元腐蚀即可,而且较小的结构元对细胞的影响比较小。
在一个具体实施例中,所述第一结构元、所述第二结构元、所述第三结构元的大小关系为:第一结构元<第三结构元<第二结构元。所述结构元大小是指结构元的像素数。
为了防止膨胀中,过度膨胀导致两个紧邻的细胞膨胀成一个细胞,在本发明的一个具体实施例中,所述S22后,采用比腐蚀的结构元小的结构元作为膨胀结构元,例如在S22中以第二结构元作为腐蚀结构元,则在膨胀过程中,采用第三结构元;若以第三结构元作为腐蚀结构元,则在膨胀中,采用第一结构元;若以第一结构元作为腐蚀结构元,则在膨胀中,采用比第一结构元更小的结构元作为膨胀结构元。
为了消除腐蚀、膨胀过程中对细胞分割的影响,在一个具体实施例中,还包括对分割区域进行校正,具体为:计算分割区域中每一个分割区域的边界像素点与其他分割区域最短的直线距离,根据所述最短的直线距离对每个分割区域进行扩充,得到校正后的分割区域。
在一个具体实施例中,步骤2)后还包括:在内存中建立链表,统计识别的骨髓细胞每种类型的数量以及未识别的细胞个数,所述未识别的细胞个数为所述异常分割细胞集的大小。
实施例2
本发明还提供了一种基于卷积神经网络的骨髓细胞识别系统,所述系统包括以下模块:
训练模块,用于构建卷积神经网络模型,对卷积神经网络模型进行训练;所述训练模块包括以下单元:
第一训练单元,人工对显微镜中摄像装置拍摄的第一组骨髓细胞彩色图像进行标注,得到每个骨髓细胞图像,进而得到第样本集,采用第一样本集对卷积神经网络进行训练,得到训练后的第一卷积神经网络;
第二训练单元,用于对显微镜中摄像装置拍摄的第一组骨髓细胞彩色图像按照预设处理方式进行预处理,得到第二样本集,采用第二样本集对所述训练后的第一卷积神经网络进行再次训练,得到训练完成的卷积神经网络模型;
识别模块,用于获取待识别的骨髓细胞彩色图像,按照所述预设处理方式进行预处理,将预处理得到的结果作为训练完成的卷积神经网络的输入,识别骨髓细胞的具体类型。
在一个具体实施例中,所述预设处理方式为:
采用图像分割方法对所述骨髓细胞彩色图像进行分割,计算所有分割区域的面积的平均值,以及每个分割区域面积与所述平均值的比值,若所述比值在第一阈值和第二阈值之间,则将分割区域放入骨髓细胞集,否则,将分割区域放入异常分割细胞集中。
在一个具体实施例中,如果异常分割细胞集不为空,则在步骤2)后,输出异常分割细胞集的个数或者在所述骨髓细胞彩色图像中标识异常分割细胞集中细胞的位置。
在一个具体实施例中,所述预设处理方式具体为:
S1,获取显微镜中摄像装置拍摄的骨髓细胞彩色图像,在RGB模式下,保留R值和G值,将所述彩色图像的B值设置为0,得到第一图片,将第一图片中R值和G值都大于第三阈值的像素点替换为白色,得到第二图片;
S2,对所述第二图片的灰度图中孔洞进行填充,对填充后的灰度图进行腐蚀、膨胀,得到第三图片,采用分水岭分割方法对所述第三图片进行分割,得到每个骨髓细胞的分割区域,根据所述分割区域对所述骨髓细胞彩色图像分割得到每个骨髓细胞的图像,将每个骨髓细胞的图像放入待识别骨髓细胞集,并对待识别骨髓细胞集进行划分得到训练集和测试集;所述孔洞是灰度值大于阈值,且周围像素点的灰度值小于另外一个阈值,且孔洞面积在一定范围内的区域。
在一个具体实施例中,所述对所述第二图片的灰度图中孔洞进行填充,对填充后的灰度图进行腐蚀、膨胀,具体为:
S22,获取填充孔洞后第二图片的灰度值的平均值G'v,若所述平均值G'v大于第二阈值,则采用第一结构元作为灰度图进行腐蚀的结构元,若所述平均值G'v小于第三阈值,则采用第二结构元作为灰度图进行腐蚀的结构元,否则采用第三结构元作为灰度图进行腐蚀的结构元。
在一个具体实施例中,步骤2)后还包括:在内存中建立链表,统计识别的骨髓细胞每种类型的数量以及未识别的细胞个数,所述未识别的细胞个数为所述异常分割细胞集的大小。
实施例3
本发明还提供了一种计算设备,包括:一个或多个处理器;存储器;以及一个或多个程序;其中所述一个或多个程序存储在存储器并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行如上实施例1所述的方法中的指令。
实施例4
本发明还提供了一种计算机可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,实现如上实施例1所述的方法。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种基于卷积神经网络的骨髓细胞识别方法,其特征在于,所述方法包括以下步骤:
1)构建卷积神经网络模型,对卷积神经网络模型进行训练:
1.1)人工对显微镜中摄像装置拍摄的第一组骨髓细胞彩色图像进行标注,得到每个骨髓细胞图像,进而得到第一样本集,采用第一样本集对卷积神经网络进行训练,得到训练后的第一卷积神经网络;
1.2)对显微镜中摄像装置拍摄的第二组骨髓细胞彩色图像按照预设处理方式进行预处理,得到第二样本集,采用第二样本集对所述训练后的第一卷积神经网络进行再次训练,得到训练完成的卷积神经网络模型;
2)获取待识别的骨髓细胞彩色图像,按照所述预设处理方式进行预处理,将预处理得到的结果作为训练完成的卷积神经网络的输入,识别骨髓细胞的具体类型。
2.如权利要求1所述的方法,其特征在于,所述预设处理方式为:
采用图像分割方法对所述骨髓细胞彩色图像进行分割,计算所有分割区域的面积的平均值,以及每个分割区域面积与所述平均值的比值,若所述比值在第一阈值和第二阈值之间,则将分割区域放入骨髓细胞集,否则,将分割区域放入异常分割细胞集中。
3.如权利要求2所述的方法,其特征在于,如果异常分割细胞集不为空,则在步骤2)后,输出异常分割细胞集的个数或者在所述骨髓细胞彩色图像中标识异常分割细胞集中细胞的位置。
4.如权利要求1所述的方法,其特征在于,所述预设处理方式具体为:
S1,获取显微镜中摄像装置拍摄的骨髓细胞彩色图像,在RGB模式下,保留R值和G值,将所述彩色图像的B值设置为0,得到第一图片,将第一图片中R值和G值都大于第三阈值的像素点替换为白色,得到第二图片;
S2,对所述第二图片的灰度图中孔洞进行填充,对填充后的灰度图进行腐蚀、膨胀,得到第三图片,采用分水岭分割方法对所述第三图片进行分割,得到每个骨髓细胞的分割区域,根据所述分割区域对所述骨髓细胞彩色图像分割得到每个骨髓细胞的图像,将每个骨髓细胞的图像放入待识别骨髓细胞集,并对待识别骨髓细胞集进行划分得到训练集和测试集;所述孔洞是灰度值大于阈值,且周围像素点的灰度值小于另外一个阈值,且孔洞面积在一定范围内的区域。
6.如权利要求1-5任一项所述的方法,其特征在于,步骤2)后还包括:在内存中建立链表,统计识别的骨髓细胞每种类型的数量以及未识别的细胞个数,所述未识别的细胞个数为所述异常分割细胞集的大小。
7.一种基于卷积神经网络的骨髓细胞识别系统,其特征在于,所述系统包括以下模块:
训练模块,用于构建卷积神经网络模型,对卷积神经网络模型进行训练;所述训练模块包括以下单元:
第一训练单元,人工对显微镜中摄像装置拍摄的第一组骨髓细胞彩色图像进行标注,得到每个骨髓细胞图像,进而得到第一样本集,采用第一样本集对卷积神经网络进行训练,得到训练后的第一卷积神经网络;
第二训练单元,用于对显微镜中摄像装置拍摄的第二组骨髓细胞彩色图像按照预设处理方式进行预处理,得到第二样本集,采用第二样本集对所述训练后的第一卷积神经网络进行再次训练,得到训练完成的卷积神经网络模型;
识别模块,用于获取待识别的骨髓细胞彩色图像,按照所述预设处理方式进行预处理,将预处理得到的结果作为训练完成的卷积神经网络的输入,识别骨髓细胞的具体类型。
8.如权利要求7所述的系统,其特征在于,所述预设处理方式为:
采用图像分割方法对所述骨髓细胞彩色图像进行分割,计算所有分割区域的面积的平均值,以及每个分割区域面积与所述平均值的比值,若所述比值在第一阈值和第二阈值之间,则将分割区域放入骨髓细胞集,否则,将分割区域放入异常分割细胞集中。
9.如权利要求8所述的系统,其特征在于,如果异常分割细胞集不为空,则在步骤2)后,输出异常分割细胞集的个数或者在所述骨髓细胞彩色图像中标识异常分割细胞集中细胞的位置。
10.如权利要求7所述的系统,其特征在于,所述预设处理方式具体为:
S1,获取显微镜中摄像装置拍摄的骨髓细胞彩色图像,在RGB模式下,保留R值和G值,将所述彩色图像的B值设置为0,得到第一图片,将第一图片中R值和G值都大于第三阈值的像素点替换为白色,得到第二图片;
S2,对所述第二图片的灰度图中孔洞进行填充,对填充后的灰度图进行腐蚀、膨胀,得到第三图片,采用分水岭分割方法对所述第三图片进行分割,得到每个骨髓细胞的分割区域,根据所述分割区域对所述骨髓细胞彩色图像分割得到每个骨髓细胞的图像,将每个骨髓细胞的图像放入待识别骨髓细胞集,并对待识别骨髓细胞集进行划分得到训练集和测试集;所述孔洞是灰度值大于阈值,且周围像素点的灰度值小于另外一个阈值,且孔洞面积在一定范围内的区域。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210137232 | 2022-02-15 | ||
CN2022101372326 | 2022-02-15 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116152806A true CN116152806A (zh) | 2023-05-23 |
CN116152806B CN116152806B (zh) | 2024-03-15 |
Family
ID=86340321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310117441.9A Active CN116152806B (zh) | 2022-02-15 | 2023-02-15 | 一种基于卷积神经网络的骨髓细胞识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116152806B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564026A (zh) * | 2018-04-10 | 2018-09-21 | 复旦大学附属肿瘤医院 | 用于甲状腺肿瘤细胞学涂片图像分类的网络构建方法及系统 |
US20190216893A1 (en) * | 2016-06-03 | 2019-07-18 | The Scripps Research Institute | Compositions and methods of modulating immune response |
CN112699919A (zh) * | 2020-12-15 | 2021-04-23 | 广东工业大学 | 基于三维卷积神经网络模型的木材鉴别方法、装置 |
CN113011306A (zh) * | 2021-03-15 | 2021-06-22 | 中南大学 | 连续成熟阶段骨髓细胞图像自动识别方法、系统及介质 |
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 |
CN113674292A (zh) * | 2021-08-17 | 2021-11-19 | 厦门理工学院 | 一种基于部分实例标注的半监督骨髓瘤细胞实例分割方法 |
CN114022505A (zh) * | 2021-11-11 | 2022-02-08 | 黑龙江工程学院 | 一种彩色图像边缘检测方法 |
-
2023
- 2023-02-15 CN CN202310117441.9A patent/CN116152806B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190216893A1 (en) * | 2016-06-03 | 2019-07-18 | The Scripps Research Institute | Compositions and methods of modulating immune response |
CN108564026A (zh) * | 2018-04-10 | 2018-09-21 | 复旦大学附属肿瘤医院 | 用于甲状腺肿瘤细胞学涂片图像分类的网络构建方法及系统 |
CN112699919A (zh) * | 2020-12-15 | 2021-04-23 | 广东工业大学 | 基于三维卷积神经网络模型的木材鉴别方法、装置 |
CN113011306A (zh) * | 2021-03-15 | 2021-06-22 | 中南大学 | 连续成熟阶段骨髓细胞图像自动识别方法、系统及介质 |
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 |
CN113674292A (zh) * | 2021-08-17 | 2021-11-19 | 厦门理工学院 | 一种基于部分实例标注的半监督骨髓瘤细胞实例分割方法 |
CN114022505A (zh) * | 2021-11-11 | 2022-02-08 | 黑龙江工程学院 | 一种彩色图像边缘检测方法 |
Non-Patent Citations (1)
Title |
---|
蒋先刚;何晓岭;范自柱;: "粪便镜检图像中红白细胞的分割与识别方法", 计算机工程与应用, no. 15, 24 August 2017 (2017-08-24) * |
Also Published As
Publication number | Publication date |
---|---|
CN116152806B (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022012110A1 (zh) | 胚胎光镜图像中细胞的识别方法及系统、设备及存储介质 | |
CN111753692B (zh) | 目标对象提取方法、产品检测方法、装置、计算机和介质 | |
CN111524137B (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
CN111462076B (zh) | 一种全切片数字病理图像模糊区域检测方法及系统 | |
CN112215800B (zh) | 基于机器学习的重叠染色体识别和分割方法 | |
CN111145209A (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
CN114240978B (zh) | 基于自适应形态学的细胞边缘分割方法和装置 | |
CN113962976B (zh) | 用于病理玻片数字图像的质量评估方法 | |
CN112365497A (zh) | 基于TridentNet和Cascade-RCNN结构的高速目标检测方法和系统 | |
CN113470041B (zh) | 免疫组化细胞图像细胞核分割与计数方法和系统 | |
CN112464802B (zh) | 一种玻片样本信息的自动识别方法、装置和计算机设备 | |
CN112884782A (zh) | 生物对象分割方法、装置、计算机设备和存储介质 | |
CN111353987A (zh) | 一种细胞核分割方法及装置 | |
CN112381084B (zh) | 断层图像的轮廓自动识别方法 | |
CN113888496A (zh) | 基于深度卷积神经网络的精子形态识别方法及存储介质 | |
CN116152806B (zh) | 一种基于卷积神经网络的骨髓细胞识别方法及系统 | |
CN113409255A (zh) | 一种基于Mask R-CNN的斑马鱼形态学分类方法 | |
CN110415246B (zh) | 一种腹部脂肪成分的分析方法 | |
CN113643290B (zh) | 一种基于图像处理的吸管计数方法、装置及存储介质 | |
CN116823701A (zh) | 基于ai的医学影像分析处理方法 | |
CN112668405B (zh) | 一种土壤细菌数量的精确提取方法 | |
CN114627308A (zh) | 一种骨髓细胞形态学特征的提取方法与系统 | |
CN113192082A (zh) | 一种上皮细胞图像中心化处理分割的方法 | |
CN110796127A (zh) | 基于遮挡感知的胚胎原核检测系统、存储介质及终端 | |
CN113128511B (zh) | 一种焦炭组织识别方法及装置 |
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 |