CN116612117A - 一种基于形态学的女性生殖道病原体识别系统 - Google Patents
一种基于形态学的女性生殖道病原体识别系统 Download PDFInfo
- Publication number
- CN116612117A CN116612117A CN202310883041.9A CN202310883041A CN116612117A CN 116612117 A CN116612117 A CN 116612117A CN 202310883041 A CN202310883041 A CN 202310883041A CN 116612117 A CN116612117 A CN 116612117A
- Authority
- CN
- China
- Prior art keywords
- cell
- pathogen
- morphological
- cell analysis
- image
- 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
- 244000052769 pathogen Species 0.000 title claims abstract description 104
- 230000001717 pathogenic effect Effects 0.000 title claims abstract description 98
- 210000005002 female reproductive tract Anatomy 0.000 title claims abstract description 13
- 230000000877 morphologic effect Effects 0.000 claims abstract description 74
- 238000012545 processing Methods 0.000 claims abstract description 46
- 210000005000 reproductive tract Anatomy 0.000 claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 9
- 239000000284 extract Substances 0.000 claims abstract description 7
- 210000004027 cell Anatomy 0.000 claims description 286
- 238000004458 analytical method Methods 0.000 claims description 112
- 210000000805 cytoplasm Anatomy 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 17
- 210000004940 nucleus Anatomy 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 15
- 238000005516 engineering process Methods 0.000 claims description 12
- 210000003855 cell nucleus Anatomy 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 5
- 238000001035 drying Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 210000002919 epithelial cell Anatomy 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 210000002865 immune cell Anatomy 0.000 claims description 3
- 210000003097 mucus Anatomy 0.000 claims description 3
- 210000000329 smooth muscle myocyte Anatomy 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 2
- 210000004392 genitalia Anatomy 0.000 claims 5
- 208000015181 infectious disease Diseases 0.000 abstract description 3
- 238000010191 image analysis Methods 0.000 abstract description 2
- 238000010186 staining Methods 0.000 description 11
- 230000001086 cytosolic effect Effects 0.000 description 7
- 230000003993 interaction Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 241000233866 Fungi Species 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000007447 staining method Methods 0.000 description 2
- 238000003794 Gram staining Methods 0.000 description 1
- 208000007313 Reproductive Tract Infections Diseases 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 244000052637 human pathogen Species 0.000 description 1
- 238000011532 immunohistochemical staining Methods 0.000 description 1
- 238000007901 in situ hybridization Methods 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- 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
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/30—Against vector-borne diseases, e.g. mosquito-borne, fly-borne, tick-borne or waterborne diseases whose impact is exacerbated by climate change
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Radiology & Medical Imaging (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及图像分析技术领域,提供了一种基于形态学的女性生殖道病原体识别系统,包括服务器、电子显微镜、样本采集模块、形态学图像处理模块、病原体识别模块,样本采集模块获取电子显微镜采集得到的经过预处理的生殖道样本的细胞图像,形态学图像处理模块对样本采集模块采集得到的生殖道样本的细胞图像进行处理,并提取细胞图像中的形态学特征,病原体识别模块根据形态学特征对病原体进行评估,并生成对应的病原体识别报告;本发明通过病原体评估单元和综合反馈单元的相互配合,根据病原体的形态特征对细胞进行评估,以确定生殖道细胞中是否存在病原体感染,提升病原体识别的准确性,还兼顾对病原体形态识别的效率。
Description
技术领域
本发明涉及图像分析技术领域,尤其涉及一种基于形态学的女性生殖道病原体识别系统。
背景技术
目前,女性生殖道感染病原体的检测和识别主要依赖于传统的细菌培养和实验室检验,这些方法存在时间长、操作复杂、耗时费力等问题。
如CN110458808B现有技术公开了一种基于形态学与YOLO算法的女性生殖道病原体识别方法,目前国内普遍采用医务人员肉眼进行显微镜下观察分析的方式诊断患者是否患病,此种方式效率低下,且时间长久后易因视觉疲劳,出现误诊,漏诊等现象。
另一种典型的如CN110610741B的现有技术公开的一种人类病原体的识别方法、装置及电子设备,通过检索才能发现关于该种病原体的生物学特性,基因组特性,药物疗效和治疗方案等一系列全面的医疗信息。目前,针对涉及真菌的测序探测技术或者真菌数据库很小或者真菌数据库冗余导致耗费大量计算。
同时,由于某一个病原体的数据库无法实现共享,导致病原体的识别无法快速的识别,也无法辅助诊断操作人员进行病原体的识别,大大增加了医院检验科的工作强度。
为了解决本领域普遍存在识别效率低、病原体的形态识别不准确、智能程度低、无法提供预警和缺乏与操作人员的交互等等问题,作出了本发明。
发明内容
本发明的目的在于,针对目前所存在的不足,提出了一种基于形态学的女性生殖道病原体识别系统。
为了克服现有技术的不足,本发明采用如下技术方案:
一种基于形态学的女性生殖道病原体识别系统,所述女性生殖道病原体识别系统包括服务器、以及电子显微镜,所述女性生殖道病原体识别系统还包括样本采集模块、形态学图像处理模块、病原体识别模块,所述服务器分别与所述样本采集模块、形态学图像处理模块和病原体识别模块连接;
所述样本采集模块获取所述电子显微镜采集得到的经过预处理的生殖道样本的细胞图像,所述形态学图像处理模块对所述样本采集模块采集得到的所述生殖道样本的细胞图像进行处理,并提取所述细胞图像中的形态学特征,所述病原体识别模块根据所述形态学特征对病原体进行评估,并生成对应的病原体识别报告;
所述形态学图像处理模块包括图像处理单元、以及形态特征提取单元,所述图像处理单元用于对所述细胞图像进行处理操作,所述处理操作包括图像去燥、增强和分割,形成细胞分析子区域,所述形态特征提取单元对所述细胞分析子区域进行细胞形态特征的提取;
所述形态特征提取单元获取细胞分析子区域,并对所述细胞分析子区域的形态特征进行提取,当对分割形成的细胞分析子区域进行形态特征提取后,将提取得到的细胞形态特征的提取数据传输至所述病原体识别模块中进行病原体的识别,形成识别结果,并根据识别得到的识别结果提示操作人员。
可选的,所述图像处理单元将细胞图像进行灰度化,选择设定的分割阈值,将细胞图像分为背景和细胞两部分,根据选定的分割阈值将细胞图像转换为二值图像,并对二值图像进行轮廓检测并进行区域分割,分割出至少一个细胞分析子区域。
可选的,所述形态特征提取单元获取分割出的细胞分析子区域,并对所述细胞分析子区域中的每个细胞进行边缘检测,以获得每个细胞的细胞质和细胞核的边缘像素;
当所述细胞分析子区域中的每个细胞的细胞质和细胞核的边缘像素确定后,则对所述细胞分析子区域中的细胞形态特征进行提取,形成每个细胞的形态特征数据;
当对所述细胞图像分割出的所述细胞分析子区域的细胞的形态特征提取完整后,向所述病原体识别模块发出识别指令。
可选的,所述病原体识别模块包括病原体评估单元、综合反馈单元以及报告生成单元,所述病原体评估单元接收到所述识别指令后,触发对所述细胞分析子区域中的细胞进行识别,以评估出所述细胞分析子区域中的细胞的形态指数,所述综合反馈单元根据所述病原体评估单元评估得到的细胞的形态指数,确定整个所述细胞图像中所有细胞分析子区域的综合评分,所述报告生成单元根据综合反馈单元的综合评分生成病原体识别报告,并向所述操作人员提示病原体的风险。
可选的,所述病原体评估单元根据下式计算细胞分析子区域中第i个细胞的形态指数Morphologyi:
;
式中,αi为所述细胞分析子区域中第i个细胞核-质指数的权重系数,βi为所述细胞分析子区域中第i个细胞核形态指数的权重系数,NCRi为所述细胞分析子区域中第i个细胞的核-质指数,NMi为所述细胞分析子区域中第i个细胞的核形态指数,满足下式:
;
式中,Li为所述细胞分析子区域中第i个细胞外接最小矩形框边缘像素点的最大长轴距离,Wi为所述细胞分析子区域中第i个细胞外接最小矩形框边缘像素点的最大短轴距离,且选取长轴和短轴时,需满足选取的长轴边缘像素点和短轴边缘像素点之间相互垂直。
可选的,所述细胞分析子区域中第i个细胞的核-质指数NCRi根据下式进行计算:
;
式中,Sh_i为所述细胞分析子区域中第i个细胞的细胞核的面积,其值通过图像处理技术直接得到,Sz_i为所述细胞分析子区域中第i个细胞的细胞质的面积,其值通过图像处理技术直接得到。
可选的,所述综合反馈单元根据下式计算所述细胞图像中所有细胞分析子区域的综合评分Score:
;
式中,n为所述细胞图像分割形成的细胞分析子区域的总数量,Subscorei为所述细胞图像分割形成的第i个细胞分析子区域得分,i∈n,满足:
;
式中, w1、w2、……、wk分别为细胞分析子区域中第1、2、……、k个细胞的权重,Morphology1为细胞分析子区域中第1个细胞的形态指数、Morphology2为细胞分析子区域中第2个细胞的形态指数、……、Morphologyk为细胞分析子区域中第k个细胞的形态指数;k为细胞分析子区域中细胞的个数;
当所述细胞图像的综合评分Score超过设定的预警范围Range,则向操作人员触发存在异常的预警,以提示操作人员当前的细胞样本中存在病原体风险。
可选的,所述细胞的种类包括生殖道的上皮细胞、所述生殖道的免疫细胞、所述生殖道的平滑肌细胞、所述生殖道的黏液细胞。
可选的,所述细胞分析子区域中第i个细胞的权重wi根据下式进行计算:
;
式中, Morphologyi为细胞分析子区域中第i个细胞的形态指数,safty为设定的安全评估值,maximum为设定的最大评估值。
本发明所取得的有益效果是:
1. 通过所述病原体评估单元和综合反馈单元的相互配合,根据病原体的形态特征对细胞进行评估,以确定生殖道细胞中是否存在病原体感染,提升病原体识别的准确性,还兼顾对所述病原体形态识别的效率;
2. 通过图像处理单元和形态特征提取单元之间的相互配合,使得细胞图像能够被处理,并提升细胞形态特征提取的准确性和可靠性;
3. 通过所述病原体评估单元、综合反馈单元和报告生成单元的相互配合,根据图像数据生成相对应的病原体识别报告单,并警示所述操作人员,提升系统与操作人员的交互能力,也保证整个系统更加智能和可靠。
4. 通过样本采集模块对电子显微镜的图像数据进行采集,使得所述电子显微镜中的图像数据能够被准确的采集,保证病原体识别的效率,改善了常规的通过手动导入引起的效率低下问题。
附图说明
从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制,而是将重点放在示出实施例的原理上。在不同的视图中,相同的附图标记指定相同的部分。
图1为本发明的整体方框示意图。
图2为本发明的图像处理单元和形态特征提取单元的方框示意图。
图3为本发明的病原体评估单元和综合反馈单元的方框示意图。
图4为本发明的综合反馈单元对细胞图像进行综合评分的流程示意图。
图5为本发明的复核检验单元的方框示意图。
图6为本发明的细胞分析子区域的应用场景示意图。
具体实施方式
以下是通过特定的具体实施例来说明本发明的实施方式,本领域技术人员可由本说明书所公开的内容了解本发明的优点与效果。本发明可通过其他不同的具体实施例加以施行或应用,本说明书中的各项细节也可基于不同观点与应用,在不悖离本发明的精神下进行各种修饰与变更。另外,本发明的附图仅为简单示意说明,并非依实际尺寸的描绘,事先声明。以下的实施方式将进一步详细说明本发明的相关技术内容,但所公开的内容并非用以限制本发明的保护范围。
实施例一:根据图1、图2、图3、图4、图5、图6所示,本实施例提供一种基于形态学的女性生殖道病原体识别系统,所述女性生殖道病原体识别系统包括服务器、以及电子显微镜,所述女性生殖道病原体识别系统还包括样本采集模块、形态学图像处理模块、病原体识别模块,所述服务器分别与所述样本采集模块、形态学图像处理模块和病原体识别模块连接,以使得样本采集模块、形态学图像处理模块、病原体识别模块的中间数据能够存储在所述服务器的数据库中;
所述样本采集模块获取所述电子显微镜采集得到的经过预处理的生殖道样本的细胞图像,所述形态学图像处理模块对所述样本采集模块采集得到的所述生殖道样本的细胞图像进行处理,并提取所述细胞图像中的形态学特征,所述病原体识别模块根据所述形态学特征对病原体进行评估,并生成对应的病原体识别报告;
所述女性生殖道病原体识别系统还包括中央处理器,所述中央处理器分别与样本采集模块、形态学图像处理模块、病原体识别模块连接,并基于所述中央处理器对样本采集模块、形态学图像处理模块、病原体识别模块进行集中控制;
所述形态学图像处理模块包括图像处理单元、以及形态特征提取单元,所述图像处理单元用于对所述细胞图像进行处理操作,所述处理操作包括图像去燥、增强和分割,形成细胞分析子区域,所述形态特征提取单元对所述细胞分析子区域进行细胞形态特征的提取;
所述形态特征提取单元获取细胞分析子区域,并对所述细胞分析子区域的形态特征进行提取,当对分割形成的细胞分析子区域进行形态特征提取后,将提取得到的细胞形态特征的提取数据传输至所述病原体识别模块中进行病原体的识别,形成识别结果,并根据识别得到的识别结果提示操作人员;
可选的,所述图像处理单元将细胞图像进行灰度化,并选择设定的分割阈值(默认值),将细胞图像分为背景和细胞两部分,根据选定的分割阈值将细胞图像转换为二值图像,并对二值图像进行轮廓检测并进行区域分割,分割出至少一个细胞分析子区域;
其中,所述图像处理单元进行轮廓检测后,将所述细胞图像分割成若干个细胞分析子区域;
其中,在本实施例中,设定的分割阈值由系统进行设定,其值与所述电子显微镜所观察到的样本的染色状态有关,换句话说,与操作人员对所述生殖道的组织切片和染色有关,不同的染色手法对应不同的分割阈值;
同时,在本实施例中,已经根据不同的染色手法设定对应不同的分割阈值;
在本实施例中,所述染色方法包括但是不局限于以下列举的几种:H&E染色(血液和组织染色)、免疫组织化学染色、原位杂交染色、美兰染色、革兰氏染色、多功能染色、刘氏染色、SM染色、瑞姬染色等;
可选的,所述形态特征提取单元获取分割出的细胞分析子区域,并对所述细胞分析子区域中的每个细胞进行边缘检测,以获得每个细胞的细胞质和细胞核的边缘像素;
当所述细胞分析子区域中的每个细胞的细胞质和细胞核的边缘像素确定后,则对所述细胞分析子区域中的细胞形态特征进行提取,形成每个细胞的形态特征数据;
当对所述细胞图像分割出的所述细胞分析子区域的细胞的形态特征提取完整后,向所述病原体识别模块发出识别指令;
其中,对所述细胞分析子区域中的各个细胞进行边缘检测,可通过计算机图像处理技术进行处理,以获得每个细胞的细胞质和细胞核的边缘像素,这是本领域的技术人员熟知的技术手段,本领域的技术人员可以查询相关的技术手册获知该技术,因而在本实施例中不再一一赘述;
通过图像处理单元和形态特征提取单元之间的相互配合,使得细胞图像能够被处理,并提升细胞形态特征提取的准确性和可靠性;
可选的,所述病原体识别模块包括病原体评估单元、综合反馈单元以及报告生成单元,所述病原体评估单元接收到所述识别指令后,触发对所述细胞分析子区域中的细胞进行识别,以评估出所述细胞分析子区域中的细胞的形态指数,所述综合反馈单元根据所述病原体评估单元评估得到的细胞的形态指数,确定整个所述细胞图像中所有细胞分析子区域的综合评分,所述报告生成单元根据综合反馈单元的综合评分生成病原体识别报告,并向所述操作人员提示病原体的风险;
可选的,所述病原体评估单元根据下式计算细胞分析子区域中第i个细胞的形态指数Morphologyi:
;
式中,αi为所述细胞分析子区域中第i个细胞核-质指数的权重系数,其值由系统或操作人员根据实际情况进行设定,并从人机交互界面上输入,βi为所述细胞分析子区域中第i个细胞核形态指数的权重系数,其值由系统或操作人员根据实际情况进行设定,并从人机交互界面上输入,并满足:αi+βi=1,NCRi为所述细胞分析子区域中第i个细胞的核-质指数,NMi为所述细胞分析子区域中第i个细胞的核形态指数,满足下式:
;
式中,Li为所述细胞分析子区域中第i个细胞外接最小矩形框边缘像素点的最大长轴距离,Wi为所述细胞分析子区域中第i个细胞外接最小矩形框边缘像素点的最大短轴距离,且选取长轴和短轴时,需满足选取的长轴边缘像素点和短轴边缘像素点之间相互垂直;其中,对一个细胞进行外接最小矩形框的操作是常见的图像处理技术之一,该技术可以用来描述细胞的整体形状和定位,以便进行形态学特征分析、细胞计数、细胞追踪等任务,因而在本实施例中不再赘述;
可选的,所述细胞分析子区域中第i个细胞的核-质指数NCRi根据下式进行计算:
;
式中,Sh_i为所述细胞分析子区域中第i个细胞的细胞核的面积,其值通过图像处理技术直接得到,Sz_i为所述细胞分析子区域中第i个细胞的细胞质的面积,其值通过图像处理技术直接得到;
可选的,所述综合反馈单元根据下式计算所述细胞图像中所有细胞分析子区域的综合评分Score:
;
式中,n为所述细胞图像分割形成的细胞分析子区域的总数量,Subscorei为所述细胞图像分割形成的第i个细胞分析子区域得分,i∈n,满足:
;
式中, w1、w2、……、wk分别为细胞分析子区域中第1、2、……、k个细胞的权重,Morphology1为细胞分析子区域中第1个细胞的形态指数、Morphology2为细胞分析子区域中第2个细胞的形态指数、……、Morphologyk为细胞分析子区域中第k个细胞的形态指数;k为细胞分析子区域中细胞的个数;
当所述细胞图像的综合评分Score超过设定的预警范围Range,则向操作人员触发存在异常的预警,以提示操作人员当前的细胞样本中存在病原体风险;
当所述细胞图像的综合评分Score未超过设定的预警范围Range,则对下一个位置的细胞进行综合评分;
其中,设定的预警范围Range由系统或操作人员进行设定,这是本领域的技术人员所熟知的技术手段,本领域的技术人员可以查询相关的技术手册获知该技术,因而在本实施例中,不再一一赘述。
可选的,所述细胞的种类包括生殖道的上皮细胞、所述生殖道的免疫细胞、所述生殖道的平滑肌细胞、所述生殖道的黏液细胞;
可选的,所述细胞分析子区域中第i个细胞的权重wi根据下式进行计算:
;
式中, Morphologyi为细胞分析子区域中第i个细胞的形态指数,safty为设定的安全评估值,maximum为设定的最大评估值;
通过所述病原体评估单元和综合反馈单元的相互配合,根据病原体的形态特征对细胞进行评估,以确定生殖道细胞中是否存在病原体感染,提升病原体识别的准确性,还兼顾对所述病原体形态识别的效率;
另外,所述报告生成单元获取所述综合反馈单元的综合评分结果,并将综合评分结果输入至设定的报告模板中,并执行打印操作,形成所述病原体识别报告单;
同时,通过所述病原体评估单元、综合反馈单元和报告生成单元的相互配合,根据图像数据生成相对应的病原体识别报告单,并警示所述操作人员,提升系统与操作人员的交互能力,也保证整个系统更加智能和可靠。
实施例二:本实施例应当理解为包含前述任一一个实施例的全部特征,并在其基础上进一步改进,根据图1、图2、图3、图4、图5、图6所示,还在于所述病原体识别模块还包括复核检验单元,所述复核检验单元用于对所述细胞图像中所有细胞分析子区域的各个细胞的形态进行复核,以辅助所述操作人员能够更加轻松的对所述细胞分析子区域的各个细胞进行复核;
其中,在所述综合反馈单元向操作人员发出预警提示后,则触发所述复核检验单元对所有细胞分析子区域的各个细胞的形态进行复核;
所述复核检验单元获取所述细胞分析子区域二值化后的各个细胞的细胞核和细胞质的边缘区域,并分别计算所述细胞分析子区域的各个细胞的形状特征Shape、细胞核面积Nucleus_Area、细胞质面积Cytoplasm_Area:
;
式中,N_pixels_nucleus为细胞核区域中的像素数量,pixel_size为像素大小(以平方微米为单位);
;
式中,N_pixels_cytoplasm为细胞质区域中的像素数量,pixel_size为像素大小,N_pixels_nucleus为细胞核区域中的像素数量;
具体的实现步骤如下:
S1、加载细胞图像并进行预处理,如调整大小、灰度化等;
S2、使用适当的图像分割算法,将细胞核和细胞质区域分离;这将生成细胞核区域和细胞质区域的二值图像;
S3、对细胞核区域和细胞质区域的二值图像进行像素计数,得到对应的像素数量(N_pixels_nucleus 和 N_pixels_cytoplasm);
S4、根据图像采集条件和电子显微镜的设置,获得像素大小(pixel_size);
S5、使用上述公式,将像素数量与像素大小进行关联,计算细胞核面积和细胞质面积;
另外,所述像素大小pixel_size根据下式进行计算:
;
其中,Pixel_Area是像素的尺寸,可以根据实际的图像采集设备和实验设置进行测量或设定,注意,(Pixel_Area)2应保持与像素单位的一致性,例如平方微米;
各个细胞的形状特征Shape根据下式进行计算(基于细胞核和细胞质之间没有重叠或重合部分这一前提):
;
式中,Area为细胞的面积,满足:,Perimeter为细胞轮廓的周长,其值满足:
;
式中,i为细胞轮廓边界像素的第i个边界像素,d(i)为第 i 个边界像素与第(i+1)个边界像素之间的距离,m为细胞轮廓的边界像素点的总数;
计算细胞分析子区域中的各个细胞的形状特征Shape、细胞核面积Nucleus_Area、细胞质面积Cytoplasm_Area后,确定细胞分析子区域中各个细胞的形状特征最大值max_shape、形状特征最小值min_shape、细胞核面积最大值max_nucleus_area、细胞核面积最小值min_nucleus_area、细胞质面积最大值max_cytoplasm_area、细胞质面积最小值min_cytoplasm_area,并根据以上数据对形状特征Shape、细胞核的面积Nucleus_Area、细胞质的面积Cytoplasm_Area进行归一化处理,得到的特征值分别为:形状特征值shape_value、细胞核面积特征值nucleus_area_value、细胞质面积特征值cytoplasm_area_value:
;
并根据下式计算细胞分析子区域中每个细胞的优先权指数Priority:
;
式中,w_shape为形状特征权重,w_nucleus为细胞核面积权重,w_cytoplasm为细胞质面积权重,根据需求和实际情况来设定权重的大小和取值范围,例如,如果形状特征对于识别细胞异常具有较高的重要性,可以赋予形状特征的权重较大;如果细胞核和细胞质的面积对于判断细胞状态更重要,可以相应调整核、质的权重;在确定权重时,可以基于实验、领域知识和数据分析等综合考虑,以达到更好的结果;
同时,权重的具体数值由系统或操作人员根据实际情况进行设定,并从人机界面进行输入,因而在此不再一一赘述;
计算出每个细胞的优先权指数Priority后,根据优先权指数Priority进行排序,且优先权指数Priority最高的细胞具有最高优先级,并提示操作人员对得分最高的细胞优先进行复核;
所述复核的操作包括操作人员对优先级最高的细胞进行复核,以确认生殖道组织样本是否存在异常;
通过复核检验单元对所述细胞分析子区域中的细胞进行人工复核,有效提升病原体的识别的精准性和可靠性,还有效的提升了系统与操作人员的交互舒适性,使得所述操作人员能动态掌握细胞分析子区域中的状况,更有针对性的复核,大大降低了劳动强度,确保整个病原体识别的效率。
以上所公开的内容仅为本发明的优选可行实施例,并非因此局限本发明的保护范围,所以凡是运用本发明说明书及附图内容所做的等效技术变化,均包含于本发明的保护范围内,此外,随着技术发展其中的元素可以更新的。
Claims (9)
1.一种基于形态学的女性生殖道病原体识别系统,所述女性生殖道病原体识别系统包括服务器、以及电子显微镜,其特征在于,所述女性生殖道病原体识别系统还包括样本采集模块、形态学图像处理模块、病原体识别模块,所述服务器分别与所述样本采集模块、形态学图像处理模块和病原体识别模块连接;
所述样本采集模块获取所述电子显微镜采集得到的经过预处理的生殖道样本的细胞图像,所述形态学图像处理模块对所述样本采集模块采集得到的所述生殖道样本的细胞图像进行处理,并提取所述细胞图像中的形态学特征,所述病原体识别模块根据所述形态学特征对病原体进行评估,并生成对应的病原体识别报告;
所述形态学图像处理模块包括图像处理单元、以及形态特征提取单元,所述图像处理单元用于对所述细胞图像进行处理操作,所述处理操作包括图像去燥、增强和分割,形成细胞分析子区域,所述形态特征提取单元对所述细胞分析子区域进行细胞形态特征的提取;
所述形态特征提取单元获取细胞分析子区域,并对所述细胞分析子区域的形态特征进行提取,当对分割形成的细胞分析子区域进行形态特征提取后,将提取得到的细胞形态特征的提取数据传输至所述病原体识别模块中进行病原体的识别,形成识别结果,并根据识别得到的识别结果提示操作人员。
2.根据权利要求1所述的一种基于形态学的女性生殖道病原体识别系统,其特征在于,所述图像处理单元将细胞图像进行灰度化,选择设定的分割阈值,将细胞图像分为背景和细胞两部分,根据选定的分割阈值将细胞图像转换为二值图像,并对二值图像进行轮廓检测并进行区域分割,分割出至少一个细胞分析子区域。
3.根据权利要求2所述的一种基于形态学的女性生殖道病原体识别系统,其特征在于,所述形态特征提取单元获取分割出的细胞分析子区域,并对所述细胞分析子区域中的每个细胞进行边缘检测,以获得每个细胞的细胞质和细胞核的边缘像素;
当所述细胞分析子区域中的每个细胞的细胞质和细胞核的边缘像素确定后,则对所述细胞分析子区域中的细胞形态特征进行提取,形成每个细胞的形态特征数据;
当对所述细胞图像分割出的所述细胞分析子区域的细胞的形态特征提取完整后,向所述病原体识别模块发出识别指令。
4.根据权利要求3所述的一种基于形态学的女性生殖道病原体识别系统,其特征在于,所述病原体识别模块包括病原体评估单元、综合反馈单元以及报告生成单元,所述病原体评估单元接收到所述识别指令后,触发对所述细胞分析子区域中的细胞进行识别,以评估出所述细胞分析子区域中的细胞的形态指数,所述综合反馈单元根据所述病原体评估单元评估得到的细胞的形态指数,确定整个所述细胞图像中所有细胞分析子区域的综合评分,所述报告生成单元根据综合反馈单元的综合评分生成病原体识别报告,并向所述操作人员提示病原体的风险。
5.根据权利要求4所述的一种基于形态学的女性生殖道病原体识别系统,其特征在于,所述病原体评估单元根据下式计算细胞分析子区域中第i个细胞的形态指数Morphologyi:
;
式中,αi为所述细胞分析子区域中第i个细胞核-质指数的权重系数,βi为所述细胞分析子区域中第i个细胞核形态指数的权重系数,NCRi为所述细胞分析子区域中第i个细胞的核-质指数,NMi为所述细胞分析子区域中第i个细胞的核形态指数,满足下式:
;
式中,Li为所述细胞分析子区域中第i个细胞外接最小矩形框边缘像素点的最大长轴距离,Wi为所述细胞分析子区域中第i个细胞外接最小矩形框边缘像素点的最大短轴距离,且选取长轴和短轴时,需满足选取的长轴边缘像素点和短轴边缘像素点之间相互垂直。
6.根据权利要求5所述的一种基于形态学的女性生殖道病原体识别系统,其特征在于,所述细胞分析子区域中第i个细胞的核-质指数NCRi根据下式进行计算:
;
式中,Sh_i为所述细胞分析子区域中第i个细胞的细胞核的面积,其值通过图像处理技术直接得到,Sz_i为所述细胞分析子区域中第i个细胞的细胞质的面积,其值通过图像处理技术直接得到。
7.根据权利要求6所述的一种基于形态学的女性生殖道病原体识别系统,其特征在于,所述综合反馈单元根据下式计算所述细胞图像中所有细胞分析子区域的综合评分Score:
;
式中,n为所述细胞图像分割形成的细胞分析子区域的总数量,Subscorei为所述细胞图像分割形成的第i个细胞分析子区域得分,i∈n,满足:
;
式中, w1、w2、……、wk分别为细胞分析子区域中第1、2、……、k个细胞的权重,Morphology1为细胞分析子区域中第1个细胞的形态指数、Morphology2为细胞分析子区域中第2个细胞的形态指数、……、Morphologyk为细胞分析子区域中第k个细胞的形态指数;k为细胞分析子区域中细胞的个数;
当所述细胞图像中所有细胞分析子区域的综合评分Score超过设定的预警范围Range,则向操作人员触发存在异常的预警,以提示操作人员当前的细胞样本中存在病原体风险。
8.根据权利要求7所述的一种基于形态学的女性生殖道病原体识别系统,其特征在于,所述细胞的种类包括生殖道的上皮细胞、所述生殖道的免疫细胞、所述生殖道的平滑肌细胞、所述生殖道的黏液细胞。
9.根据权利要求8所述的一种基于形态学的女性生殖道病原体识别系统,其特征在于,所述细胞分析子区域中第i个细胞的权重wi根据下式进行计算:
;
式中, Morphologyi为细胞分析子区域中第i个细胞的形态指数,safty为设定的安全评估值,maximum为设定的最大评估值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310883041.9A CN116612117B (zh) | 2023-07-19 | 2023-07-19 | 一种基于形态学的女性生殖道病原体识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310883041.9A CN116612117B (zh) | 2023-07-19 | 2023-07-19 | 一种基于形态学的女性生殖道病原体识别系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116612117A true CN116612117A (zh) | 2023-08-18 |
CN116612117B CN116612117B (zh) | 2023-10-13 |
Family
ID=87682185
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310883041.9A Active CN116612117B (zh) | 2023-07-19 | 2023-07-19 | 一种基于形态学的女性生殖道病原体识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116612117B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150063652A1 (en) * | 2013-08-30 | 2015-03-05 | Dairy Quality Inc. | Pathogen determination in fluid |
CN105550651A (zh) * | 2015-12-14 | 2016-05-04 | 中国科学院深圳先进技术研究院 | 一种数字病理切片全景图像自动分析方法及系统 |
US20170103521A1 (en) * | 2014-02-21 | 2017-04-13 | Ventana Medical Systems, Inc. | Medical image analysis for identifying biomarker-positive tumor cells |
CN109142356A (zh) * | 2018-08-06 | 2019-01-04 | 王鲁生 | 一种白带显微图像菌丝自动识别设备及方法 |
CN111860586A (zh) * | 2020-06-12 | 2020-10-30 | 南通大学 | 一种细粒度宫颈细胞图像三阶段识别方法 |
CN113033417A (zh) * | 2021-03-29 | 2021-06-25 | 山东仕达思生物产业有限公司 | 一种妇科微生态中孢子的检测识别方法、设备及存储介质 |
CN113205533A (zh) * | 2021-05-10 | 2021-08-03 | 江苏硕世生物科技股份有限公司 | 一种革兰染色白带涂片彩色显微图像分割方法及系统 |
CN114627308A (zh) * | 2022-02-28 | 2022-06-14 | 华南理工大学 | 一种骨髓细胞形态学特征的提取方法与系统 |
-
2023
- 2023-07-19 CN CN202310883041.9A patent/CN116612117B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150063652A1 (en) * | 2013-08-30 | 2015-03-05 | Dairy Quality Inc. | Pathogen determination in fluid |
US20170103521A1 (en) * | 2014-02-21 | 2017-04-13 | Ventana Medical Systems, Inc. | Medical image analysis for identifying biomarker-positive tumor cells |
CN105550651A (zh) * | 2015-12-14 | 2016-05-04 | 中国科学院深圳先进技术研究院 | 一种数字病理切片全景图像自动分析方法及系统 |
CN109142356A (zh) * | 2018-08-06 | 2019-01-04 | 王鲁生 | 一种白带显微图像菌丝自动识别设备及方法 |
CN111860586A (zh) * | 2020-06-12 | 2020-10-30 | 南通大学 | 一种细粒度宫颈细胞图像三阶段识别方法 |
CN113033417A (zh) * | 2021-03-29 | 2021-06-25 | 山东仕达思生物产业有限公司 | 一种妇科微生态中孢子的检测识别方法、设备及存储介质 |
CN113205533A (zh) * | 2021-05-10 | 2021-08-03 | 江苏硕世生物科技股份有限公司 | 一种革兰染色白带涂片彩色显微图像分割方法及系统 |
CN114627308A (zh) * | 2022-02-28 | 2022-06-14 | 华南理工大学 | 一种骨髓细胞形态学特征的提取方法与系统 |
Non-Patent Citations (1)
Title |
---|
杨晚竹 等: ""显微成像分析技术在中性粒细胞运动及吞噬功能研究中的应用"", 《中国实验血液学杂志》, vol. 23, no. 3, pages 832 - 837 * |
Also Published As
Publication number | Publication date |
---|---|
CN116612117B (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106056595B (zh) | 基于深度卷积神经网络自动识别甲状腺结节良恶性的辅助诊断系统 | |
CN108464840B (zh) | 一种乳腺肿块自动检测方法及系统 | |
EP2973397B1 (en) | Tissue object-based machine learning system for automated scoring of digital whole slides | |
CN109190567A (zh) | 基于深度卷积神经网络的异常宫颈细胞自动检测方法 | |
WO2021051875A1 (zh) | 细胞分类方法、装置、介质及电子设备 | |
CN106780475A (zh) | 一种基于病理组织切片图像组织区域的图像处理方法及装置 | |
CN108961242A (zh) | 一种荧光染色图像ctc智能识别方法 | |
CN114494197A (zh) | 一种复杂性小样本脑脊液细胞识别与分类方法 | |
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 | |
CN113838009A (zh) | 一种基于半监督机制的异常细胞检测假阳性抑制方法 | |
Supriyanti et al. | Computer Aided Diagnosis for Screening the Shape and Size of Leukocyte Cell Nucleus based on Morphological Image. | |
CN113688942A (zh) | 基于深度学习的头侧片腺样体图像自动评估方法和装置 | |
Zhang et al. | Computerized detection of leukocytes in microscopic leukorrhea images | |
JP2021519920A (ja) | 細胞学的試料中の少なくとも1つの異常を有する細胞を検出するための方法 | |
CN114235539A (zh) | 基于深度学习的pd-l1病理切片自动判读方法及系统 | |
CN106960218B (zh) | 基于代价敏感学习贝叶斯的乳腺癌数据计算机分类系统 | |
CN116612117B (zh) | 一种基于形态学的女性生殖道病原体识别系统 | |
CN112116559A (zh) | 一种基于深度学习的数字病理图像智能分析方法 | |
CN113378831A (zh) | 一种小鼠胚胎器官识别与评分方法与系统 | |
Mustafa et al. | Malaria parasite diagnosis using computational techniques: a comprehensive review | |
Wei et al. | Multi-feature fusion for ultrasound breast image classification of benign and malignant | |
Isidoro et al. | Automatic Classification of Cervical Cell Patches based on Non-geometric Characteristics. | |
US20220383629A1 (en) | Label-free cell classification and screening system based on hybrid transfer learning | |
CN113178228B (zh) | 基于细胞核dna分析的细胞分析方法、计算机设备、存储介质 | |
CN113077877B (zh) | 一种成人急诊病情分级系统及分级方法 |
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 |