CN116703917A - 一种女性生殖道细胞病理智能分析系统 - Google Patents
一种女性生殖道细胞病理智能分析系统 Download PDFInfo
- Publication number
- CN116703917A CN116703917A CN202310980624.3A CN202310980624A CN116703917A CN 116703917 A CN116703917 A CN 116703917A CN 202310980624 A CN202310980624 A CN 202310980624A CN 116703917 A CN116703917 A CN 116703917A
- Authority
- CN
- China
- Prior art keywords
- cell
- module
- data
- area
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 68
- 210000005002 female reproductive tract Anatomy 0.000 title claims abstract description 14
- 230000007170 pathology Effects 0.000 title claims description 21
- 238000011156 evaluation Methods 0.000 claims abstract description 58
- 238000000605 extraction Methods 0.000 claims abstract description 40
- 230000011218 segmentation Effects 0.000 claims abstract description 29
- 238000007781 pre-processing Methods 0.000 claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 230000000877 morphologic effect Effects 0.000 claims description 26
- 230000002159 abnormal effect Effects 0.000 claims description 19
- 238000012937 correction Methods 0.000 claims description 12
- 230000005856 abnormality Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 239000000284 extract Substances 0.000 claims description 9
- 230000002452 interceptive effect Effects 0.000 claims description 6
- 230000032823 cell division Effects 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 6
- 238000003745 diagnosis Methods 0.000 description 16
- 238000000034 method Methods 0.000 description 9
- 239000000523 sample Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 210000005000 reproductive tract Anatomy 0.000 description 7
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000008030 elimination Effects 0.000 description 5
- 238000003379 elimination reaction Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 238000010827 pathological analysis Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 206010008342 Cervix carcinoma Diseases 0.000 description 1
- 206010014733 Endometrial cancer Diseases 0.000 description 1
- 206010014759 Endometrial neoplasm Diseases 0.000 description 1
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 201000010881 cervical cancer Diseases 0.000 description 1
- 210000003756 cervix mucus Anatomy 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 210000004996 female reproductive system Anatomy 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 230000009897 systematic effect Effects 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
-
- 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
Abstract
本发明提供了一种女性生殖道细胞病理智能分析系统,包括服务器、电子显微镜、图像采集模块、数据预处理模块、细胞分割模块、特征提取模块、分析评估模块和预警模块,图像采集模块采集电子显微镜的细胞图像数据,数据预处理模块对图像采集模块采集得到的细胞图像数据进行预处理,细胞分割模块对处理后的细胞图像数据进行分割,以分割出细胞图像,特征提取模块对分割出的细胞图像进行特征提取,分析评估模块对特征提取模块提取得到的特征进行评估,预警模块根据分析评估模块的评估结果向操作人员触发预警提示。本发明通过预警模块和分析评估模块的相互配合,有效降低了劳动强度,使得整个系统具有检测效率高、交互性佳和评估精准度高的优点。
Description
技术领域
本发明涉及图像或视频识别或理解技术领域,尤其涉及一种女性生殖道细胞病理智能分析系统。
背景技术
女性生殖道细胞病理检查是一种常用的方法,用于早期发现和诊断女性生殖系统相关疾病,例如宫颈癌、子宫内膜癌等。然而,由于病理图像的复杂性和主观性,传统的病理学分析方法容易受到医生经验和主观判断的影响,导致诊断的不准确性和不一致性。同时,病理学被誉为“医学之本”,是医学诊断的“金标准”;病理医生的根本任务是对疾病作出最终诊断,发现和探索新发的病种,为临床医生提供治疗和预防的依据。
如CN109190441B现有技术公开了一种 女性生殖道细胞病理智能分类方法、诊断仪及存储介质,单纯通过病理医生进行诊断存在以下不足:(1)病理诊断虽然是医学诊断的“金标准”,但是由于病理医师资历,水平及对疾病的认知能力的不同,病理诊断的含金量不同,人工诊断主观性强、缺乏质控,病理诊断精准率差异较大;(2)待诊病例与诊断病理医师的比例严重失调,病理医生通常需要日以继夜地超负荷工作,影响病理医生的身心健康;(3)筛选、诊断及确诊的时间过长,不能准确及时发出诊断报告。
另一种典型的如CN105372439A的现有技术公开的一种女性下生殖道微生态评价检测系统,目前,临床上多采用一种方法进行阴道分泌物的检测,检测的结果不系统、不全面,易造成误诊和漏诊,不利于临床治疗,同时还存在检测效率低、检测结果可靠性差等问题。
为了解决本领域普遍存在无法提供预警、智能程度低、分析的记录无法查询和检测效率低等等问题,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,提出了一种女性生殖道细胞病理智能分析系统。
为了克服现有技术的不足,本发明采用如下技术方案:
一种女性生殖道细胞病理智能分析系统,所述病理智能分析系统包括服务器、以及电子显微镜,所述病理智能分析系统还包括图像采集模块、数据预处理模块、细胞分割模块、特征提取模块、分析评估模块和预警模块,所述服务器分别与所述图像采集模块、数据预处理模块、细胞分割模块、特征提取模块、分析评估模块和预警模块连接,并将实时得到的数据进行存储;
所述图像采集模块采集所述电子显微镜的细胞图像数据,所述数据预处理模块对所述图像采集模块采集得到的细胞图像数据进行预处理,所述细胞分割模块对处理后的细胞图像数据进行分割,以分割出细胞图像,所述特征提取模块对分割出的细胞图像进行特征提取,所述分析评估模块对所述特征提取模块提取得到的特征进行评估,所述预警模块根据所述分析评估模块的评估结果向操作人员触发预警提示;
所述特征提取模块包括特征提取单元和特征标记单元,所述特征提取单元提取所述细胞分割模块分割得到的细胞图像的形态特征数据,所述特征标记单元对所述特征提取单元提取得到的特征进行标记后将每个细胞图像提取出的形态特征数据进行打包并进行存储;
所述特征提取单元提取所述细胞分割模块分割得到的每个细胞图像的形态特征数据,并确定每个细胞图像的所述形态特征数据,其中,所述形态特征数据包括细胞的面积、周长、圆形度、椭圆度;
所述分析评估模块根据所述形态特征数据对细胞图像进行异常指数Abnormal的评估,若异常指数Abnormal超过设定的安全阈值Range,则触发预警模块向操作人员发出预警提示。
可选的,所述数据预处理模块包括数据预处理单元、以及图像裁剪单元,所述数据预处理单元用于对所述图像采集模块采集得到的细胞图像数据进行预处理,所述图像裁剪单元对预处理的细胞图像数据进行裁剪,以裁切出至少两个细胞图像数据子区域;
当裁切出至少两个细胞图像数据子区域后,将至少两个细胞图像数据子区域传输至所述细胞分割模块中进行处理,以分割出细胞图像。
可选的,所述细胞分割模块根据以下步骤从所述细胞图像数据中提取出细胞区域:
S1、将细胞图像数据转换为灰度图像;
S2、选择合适的阈值,将图像分为背景和细胞两部分;
S3、根据选定的阈值,将图像转换为二值图像,其中细胞区域设为前景,背景区域设为背景;
S4、通过对二值图像进行轮廓检测或区域标记,提取出每个细胞区域。
可选的,所述特征提取单元获取所述细胞分割模块分割出的每个细胞区域,并根据以下步骤确定每个细胞区域的每个细胞的形态特征数据:
S11、获取细胞区域中每个细胞的轮廓或边界点集合;
S12、计算细胞区域中每个细胞的面积Area;
S13、计算细胞区域中每个细胞边界的长度,以描述细胞的边缘形状;
S14、计算细胞区域中,每个细胞的最小外接矩形的长轴长度和短轴长度;
S15、根据步骤S12和步骤S13,确定细胞区域中每个细胞的圆形度。
可选的,所述分析评估模块根据所述形态特征数据,并根据下式计算细胞区域中每个细胞的异常指数Abnormal:
;
式中,ω1为面积权重系数、ω2为周长权重系数、ω3为椭圆度权重系数、ω4为圆形度权重系数,Area为细胞的面积,Per为细胞的周长,Elon为细胞的椭圆度,Cir为细胞的圆形度,Area_mean为细胞的面积的平均值,Per_mean为细胞的周长的平均值,Elon_mean为细胞的椭圆度的平均值,Cir_mean为细胞的圆形度的平均值,Area_std为细胞的面积的标准差,Per_std为细胞的周长的标准差,Elon_std为细胞的椭圆度的标准差,Cir_std为细胞的圆形度的标准差。
可选的,所述预警模块包括预警提示单元、交互界面和反馈单元,所述预警提示单元根据所述分析评估模块的评估结果触发预警提示,所述交互界面根据预警提示单元的预警提示信息,向操作人员进行提示,并采集操作人员对所述分析评估模块的评估结果进行反馈和修正的数据,所述反馈单元用于将操作人员的反馈和修正数据向服务器进行传输。
可选的,所述病理智能分析系统还包括诊断报告生成模块,所述诊断报告生成模块获取所述分析评估模块的评估结果,并根据所述操作人员的反馈和修正数据,重新生成病理报告。
可选的,所述细胞的椭圆度Elon根据下式进行计算:
;
式中,Major_Axis为最小外接矩形的长轴长度,Minor_Axis为最小外接矩形的短轴长度。
本发明所取得的有益效果是:
1.通过预警模块和分析评估模块的相互配合,使得对异常细胞的分析评估更加精准和智能,辅助操作人员进行评估和分析,有效降低了操作人员的劳动强度,也使得整个系统具有检测效率高、交互性佳和评估精准度高的优点;
2.通过数据预处理单元和图像裁剪单元的相互配合,使得细胞图像数据中能够被处理,降低了对细胞图像数据的后续处理的处理数据量,也进一步提升了系统的分析效率;
3. 通过特征提取模块和分析评估模块之间的相互配合,使得对每个细胞的形态特征数据进行分析,以获得每个细胞的状态,有效提升了整个系统的智能程度和可靠性,还兼顾对检测效率的提升;
4.通过报告生成单元和数据获取单元的相应配合,使得病理报告更加贴切实际情况,也更智能,还降低了所述操作人员的工作强度,还兼具分析的记录能被查询和检测效率高的优点。
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为本发明的预警模块、操作人员和诊断报告生成模块的方框示意图。
图3为本发明的分析评估模块和特征提取模块的方框示意图。
图4为本发明的特征提取单元的提取流程示意图。
图5为实施例二中支撑单元、采集单元、电子显微镜和服务器的结构示意图。
图6为实施例二中支撑单元和采集单元的结构示意图。
图7为实施例二中支撑单元和采集单元的部分剖视示意图。
图8为本发明的细胞分割模块分割得到的细胞图像示例图。
附图标记说明:1、采集探头;2、橡胶垫片;3、限位气囊;4、目镜;5、触发按钮;6、内腔;7、服务器;8、提示消除按钮;9、支撑单元;10、变焦构件。
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和图8所示,本实施例提供一种女性生殖道细胞病理智能分析系统,所述病理智能分析系统包括服务器、以及电子显微镜,所述病理智能分析系统还包括图像采集模块、数据预处理模块、细胞分割模块、特征提取模块、分析评估模块和预警模块,所述服务器分别与所述图像采集模块、数据预处理模块、细胞分割模块、特征提取模块、分析评估模块和预警模块连接,并将实时得到的数据进行存储;
所述图像采集模块采集所述电子显微镜的细胞图像数据,所述数据预处理模块对所述图像采集模块采集得到的细胞图像数据进行预处理,所述细胞分割模块对处理后的细胞图像数据进行分割,以分割出细胞图像,所述特征提取模块对分割出的细胞图像进行特征提取,所述分析评估模块对所述特征提取模块提取得到的特征进行评估,所述预警模块根据所述分析评估模块的评估结果向操作人员触发预警提示;
另外,本实施例所称的细胞图像数据均指经过染色或特殊处理后可被识别出正常细胞和异常细胞的图像数据;
所述病理智能分析系统还包括中央处理器,所述中央处理器分别与所述图像采集模块、数据预处理模块、细胞分割模块、特征提取模块、分析评估模块和预警模块控制连接,并基于所述中央处理器的集中控制,以提升整个系统的智能程度;
所述特征提取模块包括特征提取单元和特征标记单元,所述特征提取单元提取所述细胞分割模块分割得到的细胞图像的形态特征数据,所述特征标记单元对所述特征提取单元提取得到的特征进行标记后将每个细胞图像提取出的形态特征数据进行打包并进行存储;
所述特征提取单元提取所述细胞分割模块分割得到的每个细胞图像的形态特征数据,并确定每个细胞图像的所述形态特征数据,其中,所述形态特征数据包括细胞的面积、周长、圆形度、椭圆度;
所述分析评估模块根据所述形态特征数据对每个细胞图像进行异常指数Abnormal的评估,若异常指数Abnormal超过设定的安全阈值Range,则触发预警模块向操作人员发出预警提示;
若异常指数Abnormal低于设定的安全阈值Range,则继续对该细胞进行监测;
对于设定的安全阈值Range由系统或操作人员根据实际情况进行设定,因而在本实例中不再一一赘述;
所述图像采集模块包括图像采集单元和存储单元,所述图像采集单元用于对 所述电子显微镜下检测得到的细胞图像数据进行采集,所述存储单元存储所述图像采集单元采集得到的细胞图像数据;
在本实施例中,当操作者调整好所述电子显微镜的参数后(参数包括但是不局限于以下列举的几种:放大倍数、对焦、曝光时间等),以获得清晰的细胞图像,同时将生殖道细胞样本放置在所述电子显微镜的观察台上,并使用显微镜的控制系统调整视野和焦距,以找到细胞区域,同时,使用电子显微镜的图像采集系统或软件,通过拍摄或记录功能,获取细胞图像数据;这可以是单张图像或图像序列,取决于需要观察的细胞数量和特征;
当采集完所述生殖道细胞样本的细胞图像数据后,将采集得到的细胞图像数据存储在所述存储单元中;
可选的,所述数据预处理模块包括数据预处理单元、以及图像裁剪单元,所述数据预处理单元用于对所述图像采集模块采集得到的细胞图像数据进行预处理,所述图像裁剪单元对预处理的细胞图像数据进行裁剪,以裁切出至少两个细胞图像数据子区域;
当裁切出至少两个细胞图像数据子区域后,将至少两个细胞图像数据子区域传输至所述细胞分割模块中进行处理,以分割出细胞图像;
所述图像裁剪单元获取经过所述数据预处理单元处理后的细胞图像数据,并根据以下步骤对所述细胞图像数据进行裁剪,以获得至少两个细胞图像数据子区域:
S21、寻找连通区域:使用图像处理算法(如连通组件分析)来寻找二值图像中的连通区域,也就是细胞区域;连通区域是一组相邻的像素,具有相同的像素值;每个连通区域代表一个细胞;
S22、对于每个连通区域,计算该区域的边界框(bounding box)或最小外接矩形(minimum bounding rectangle),可以使用相关的图像处理算法来完成;边界框或最小外接矩形可以紧密地包围细胞区域;
S23、使用边界框或最小外接矩形的位置信息,对原始细胞图像进行裁剪操作,将细胞子区域从原始图像中提取出来;裁剪后的图像即为细胞的子区域图像;
S33、对于每个连通区域(细胞),重复进行步骤S22和步骤S23,以提取出所有的细胞子区域;
通过所述数据预处理单元和所述图像裁剪单元的相互配合,使得细胞图像数据能够被处理,降低了对细胞图像数据的后续处理的处理数据量,也进一步提升了系统的分析效率;
可选的,所述细胞分割模块根据以下步骤从所述细胞图像数据中提取出细胞区域:
S1、将细胞图像数据转换为灰度图像,即,将彩色图像转化为灰度级别的图像;
S2、选择合适的阈值,将图像分为背景和细胞两部分;其中,在本步骤中选用合适的阈值将图像分割为背景和细胞两个部分,所采用的阈值,由系统或操作人员根据细胞图像数据的实际状况进行设定,这是本领域的技术人员所熟知的技术手段,因而在本实施例中不再一一赘述;
S3、根据选定的阈值,将图像转换为二值图像,其中细胞区域设为前景(白色像素),背景区域设为背景(黑色像素);
S4、通过对二值图像进行轮廓检测或区域标记,提取出每个细胞区域;
可选的,所述特征提取单元获取所述细胞分割模块分割出的每个细胞区域,并根据以下步骤确定每个细胞区域的每个细胞的形态特征数据:
S11、获取细胞区域中每个细胞的轮廓或边界点集合;其中,细胞边界的长度相当于周长Per;
S12、计算细胞区域中每个细胞的面积Area;
S13、计算细胞区域中每个细胞边界的长度,以描述细胞的边缘形状;
S14、计算细胞区域中,每个细胞的最小外接矩形的长轴长度和短轴长度;通过最小外接矩形的长轴长度和短轴长度计算细胞区域中所述每个细胞的椭圆度Elon;
S15、根据步骤S12和步骤S13,确定细胞区域中每个细胞的圆形度Cir;
在所述特征提取单元对每个细胞区域进行特征分析的过程中,所述特征标记单元会对所述每个细胞区域中的每个特征进行标记;
如:对第一个细胞区域进行特征提取的过程中,所述特征标记单元标记的第一个细胞轮廓或边界集合点为:1-a-1、第一个细胞区域的细胞面积为:1-b-2、第一个细胞区域的细胞边界的长度为:1-c-3,依次类推;
其中,第一个数字为分割出的第一个细胞区域,字母a、b、c、……为形态特征的特征序号,最后一个数字为细胞区域的识别编码;
同时,通过所述特征标记单元对每个细胞区域进行标记,能够保证各个细胞区域均可被标记,并使得在后续的分析中,能轻易的根据标记的序号访问,提升整个系统的分析效率;
可选的,所述分析评估模块根据所述形态特征数据,并根据下式计算细胞区域中每个细胞的异常指数Abnormal:
;
式中,ω1为面积权重系数、ω2为周长权重系数、ω3为椭圆度权重系数、ω4为圆形度权重系数,Area为细胞的面积,Per为细胞的周长,Elon为细胞的椭圆度,Cir为细胞的圆形度,Area_mean为细胞的面积的平均值,Per_mean为细胞的周长的平均值,Elon_mean为细胞的椭圆度的平均值,Cir_mean为细胞的圆形度的平均值,Area_std为细胞的面积的标准差,Per_std为细胞的周长的标准差,Elon_std为细胞的椭圆度的标准差,Cir_std为细胞的圆形度的标准差;
可选的,所述细胞的椭圆度Elon根据下式进行计算:
;
式中,Major_Axis为最小外接矩形的长轴长度,Minor_Axis为最小外接矩形的短轴长度;
对于所述细胞的周长Per,根据下式进行计算:
;
其中,边界上的像素数可以直接通过图像处理技术获得;
对于所述细胞的圆形度Cir,根据下式进行计算:
;
式中,Area为细胞的面积,由步骤S12中直接计算得到或通过图像处理技术间接获得,Per为细胞的周长;
其中,ω1面积权重系数、ω2周长权重系数、ω3椭圆度权重系数、ω4圆形度权重系数由系统根据实际情况进行设定,具体的,根据对生殖道细胞的种类以及评估的疾病类别不同,设定不同的权重系数,这是本领域的技术人员所熟知的技术手段,因而在本实施例中不再一一赘述;
Area_mean细胞的面积的平均值、Per_mean细胞的周长的平均值、Elon_mean细胞的椭圆度的平均值、Cir_mean细胞的圆形度的平均值、Area_std细胞的面积的标准差、Per_std细胞的周长的标准差、Elon_std细胞的椭圆度的标准差、Cir_std细胞的圆形度的标准差的具体的取值均由系统根据不同年龄段的患者的历史数据集得出;
在本实施例中,通过数据集进行计算,提供了一种标准化的计算形式,有效保证异常指数的计算精度和可靠性;
通过所述预警模块和所述分析评估模块的相互配合,使得对异常细胞的分析评估更加精准和智能,辅助操作人员进行评估和分析,有效降低了操作人员的劳动强度,也使得整个系统具有检测效率高、交互性佳和评估精准度高的优点;
可选的,所述预警模块包括预警提示单元、交互界面和反馈单元,所述预警提示单元根据所述分析评估模块的评估结果触发预警提示,所述交互界面根据预警提示单元的预警提示信息,向操作人员进行提示,并采集操作人员对所述分析评估模块的评估结果进行反馈和修正的数据,所述反馈单元用于将操作人员的反馈和修正数据向服务器进行传输;
所述预警提示单元包括预警提示灯和提示消除按钮,所述预警提示灯根据所述分析评估模块的评估结果触发预警提示,所述提示消除按钮用于将所述预警提示灯的灯光闪烁的状态进行消除,其中,所述操作人员在接收到所述预警提示后,则对所述细胞的异常进行核对或修正,并在核对或修正完成后,按下所述提示消除按钮,使得所述预警提示灯解除预警提示;
另外,所述提示消除按钮对所述预警提示进行解除后,所述反馈单元将所述操作人员反馈和修正的数据向服务器进行传输,并记录在所述服务器的数据库中;
可选的,所述病理智能分析系统还包括诊断报告生成模块,所述诊断报告生成模块获取所述分析评估模块的评估结果,并根据所述操作人员的反馈和修正数据,重新生成病理报告;
所述诊断报告生成模块在病理报告生成的过程中,需要从获取的所述生殖道细胞样本的所有细胞图像数据中分别分析各个细胞的异常指数,并根据生殖道细胞样本的所有细胞图像数据对应的各个细胞的异常指数进行综合判断;
其中,所述诊断报告生成模块包括数据获取单元、以及报告生成单元,所述数据获取单元从所述服务器中获取生殖道细胞样本的所有细胞图像数据对应的各个细胞的异常指数以及所述操作人员的反馈和修正数据,所述报告生成单元根据所述数据获取单元得到的各个细胞的异常指数以及所述操作人员的反馈和修正数据进行综合判断,并生成相应的病理报告;
其中,所述报告生成单元将所述数据获取单元得到的各个细胞的异常指数以及所述操作人员的反馈和修正数据插入设定的模板中,并生成相应的病理报告;
通过所述报告生成单元和所述数据获取单元的相应配合,使得病理报告更加贴切实际情况,也更智能,还降低了所述操作人员的工作强度,还兼具分析的记录能被查询和检测效率高的优点。
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、图7和图8所示,还在于所述图像采集模块还包括支撑单元9、以及采集单元,所述支撑单元9用于对所述采集单元进行支撑,所述采集单元用于对所述电子显微镜视野中的细胞图像数据进行采集;
所述支撑单元9包括支撑座、以及设置在所述支撑座内壁的气囊构件,所述支撑座用于对所述采集单元进行支撑,所述气囊构件用于将所述支撑座固定在所述电子显微镜的目镜4处,其中,所述支撑座设置为中空的座体,且所述采集单元设置在所述支撑座的一端,另一端用于与所述电子显微镜的目镜4外壁进行嵌套;
如图7所示,所述支撑座内腔6侧壁两侧对称设置有接触凸台,且所述凸台与所述电子显微镜的目镜4的接触位置设置有橡胶垫片2,通过所述橡胶垫片2能够有效的保护所述电子显微镜的目镜4不被划伤;
同时,所述采集单元正对所述目镜4设置,以方便的获得所述电子显微镜目镜4视野的所述细胞图像数据;
所述采集单元包括采集探头1和变焦构件10,所述变焦构件10设置在所述采集探头1与所述电子显微镜的目镜4之间,所述采集探头1用于对所述电子显微镜视野中的细胞图像数据进行采集;
所述变焦构件10是一种可被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;
所述气囊构件包括至少两个隐藏槽、至少两个限位气囊3、充气泵、以及触发按钮5,所述至少两个隐藏槽设置在所述支撑座的内壁上,且至少两个所述隐藏槽的设置方向垂直于所述支撑座内壁的轴线,所述充气泵与至少两个限位气囊3连接形成气囊部,所述气囊部对应设置在至少两个所述隐藏槽中,所述触发按钮5用于对所述充气泵进行控制,以使得所述限位气囊3进行充气;
同时,所述触发按钮5设置在所述支撑座的外壁,以方便所述操作人员能够轻易的触发,使得所述支撑座能够稳定夹持或限位在所述电子显微镜的物镜端;
通过所述气囊构件对所述支撑座进行限位,使得所述支撑座能够进行稳定的支撑,保证所述采集单元的采集效果,提升细胞图像数据的采集精度和可靠性。
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 (8)
1.一种女性生殖道细胞病理智能分析系统,所述病理智能分析系统包括服务器、以及电子显微镜,其特征在于,所述病理智能分析系统还包括图像采集模块、数据预处理模块、细胞分割模块、特征提取模块、分析评估模块和预警模块,所述服务器分别与所述图像采集模块、数据预处理模块、细胞分割模块、特征提取模块、分析评估模块和预警模块连接,并将实时得到的数据进行存储;
所述图像采集模块采集所述电子显微镜的细胞图像数据,所述数据预处理模块对所述图像采集模块采集得到的细胞图像数据进行预处理,所述细胞分割模块对处理后的细胞图像数据进行分割,以分割出细胞图像,所述特征提取模块对分割出的细胞图像进行特征提取,所述分析评估模块对所述特征提取模块提取得到的特征进行评估,所述预警模块根据所述分析评估模块的评估结果向操作人员触发预警提示;
所述特征提取模块包括特征提取单元和特征标记单元,所述特征提取单元提取所述细胞分割模块分割得到的细胞图像的形态特征数据,所述特征标记单元对所述特征提取单元提取得到的特征进行标记后将每个细胞图像提取出的形态特征数据进行打包并进行存储;
所述特征提取单元提取所述细胞分割模块分割得到的每个细胞图像的形态特征数据,并确定每个细胞图像的所述形态特征数据,其中,所述形态特征数据包括细胞的面积、周长、圆形度、椭圆度;
所述分析评估模块根据所述形态特征数据对细胞图像进行异常指数Abnormal的评估,若异常指数Abnormal超过设定的安全阈值Range,则触发预警模块向操作人员发出预警提示。
2.根据权利要求1所述的一种女性生殖道细胞病理智能分析系统,其特征在于,所述数据预处理模块包括数据预处理单元、以及图像裁剪单元,所述数据预处理单元用于对所述图像采集模块采集得到的细胞图像数据进行预处理,所述图像裁剪单元对预处理的细胞图像数据进行裁剪,以裁切出至少两个细胞图像数据子区域;
当裁切出至少两个细胞图像数据子区域后,将至少两个细胞图像数据子区域传输至所述细胞分割模块中进行处理,以分割出细胞图像。
3.根据权利要求2所述的一种女性生殖道细胞病理智能分析系统,其特征在于,所述细胞分割模块根据以下步骤从所述细胞图像数据中提取出细胞区域:
S1、将细胞图像数据转换为灰度图像;
S2、选择合适的阈值,将图像分为背景和细胞两部分;
S3、根据选定的阈值,将图像转换为二值图像,其中细胞区域设为前景,背景区域设为背景;
S4、通过对二值图像进行轮廓检测或区域标记,提取出每个细胞区域。
4.根据权利要求3所述的一种女性生殖道细胞病理智能分析系统,其特征在于,所述特征提取单元获取所述细胞分割模块分割出的每个细胞区域,并根据以下步骤确定每个细胞区域的每个细胞的形态特征数据:
S11、获取细胞区域中每个细胞的轮廓或边界点集合;
S12、计算细胞区域中每个细胞的面积Area;
S13、计算细胞区域中每个细胞边界的长度,以描述细胞的边缘形状;
S14、计算细胞区域中,每个细胞的最小外接矩形的长轴长度和短轴长度;
S15、根据步骤S12和步骤S13,确定细胞区域中每个细胞的圆形度。
5.根据权利要求4所述的一种女性生殖道细胞病理智能分析系统,其特征在于,所述分析评估模块根据所述形态特征数据,并根据下式计算细胞区域中每个细胞的异常指数Abnormal:
;
式中,ω1为面积权重系数、ω2为周长权重系数、ω3为椭圆度权重系数、ω4为圆形度权重系数,Area为细胞的面积,Per为细胞的周长,Elon为细胞的椭圆度,Cir为细胞的圆形度,Area_mean为细胞的面积的平均值,Per_mean为细胞的周长的平均值,Elon_mean为细胞的椭圆度的平均值,Cir_mean为细胞的圆形度的平均值,Area_std为细胞的面积的标准差,Per_std为细胞的周长的标准差,Elon_std为细胞的椭圆度的标准差,Cir_std为细胞的圆形度的标准差。
6.根据权利要求5所述的一种女性生殖道细胞病理智能分析系统,其特征在于,所述预警模块包括预警提示单元、交互界面和反馈单元,所述预警提示单元根据所述分析评估模块的评估结果触发预警提示,所述交互界面根据预警提示单元的预警提示信息,向操作人员进行提示,并采集操作人员对所述分析评估模块的评估结果进行反馈和修正的数据,所述反馈单元用于将操作人员的反馈和修正数据向服务器进行传输。
7.根据权利要求6所述的一种女性生殖道细胞病理智能分析系统,其特征在于,所述病理智能分析系统还包括诊断报告生成模块,所述诊断报告生成模块获取所述分析评估模块的评估结果,并根据所述操作人员的反馈和修正数据,重新生成病理报告。
8.根据权利要求7所述的一种女性生殖道细胞病理智能分析系统,其特征在于,所述细胞的椭圆度Elon根据下式进行计算:
;
式中,Major_Axis为最小外接矩形的长轴长度,Minor_Axis为最小外接矩形的短轴长度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310980624.3A CN116703917B (zh) | 2023-08-07 | 2023-08-07 | 一种女性生殖道细胞病理智能分析系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310980624.3A CN116703917B (zh) | 2023-08-07 | 2023-08-07 | 一种女性生殖道细胞病理智能分析系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116703917A true CN116703917A (zh) | 2023-09-05 |
CN116703917B CN116703917B (zh) | 2024-01-26 |
Family
ID=87839666
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310980624.3A Active CN116703917B (zh) | 2023-08-07 | 2023-08-07 | 一种女性生殖道细胞病理智能分析系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116703917B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20160232665A1 (en) * | 2013-09-19 | 2016-08-11 | Nec Corporation | Disease analysis apparatus, control method, and program |
CN106875404A (zh) * | 2017-01-18 | 2017-06-20 | 宁波摩视光电科技有限公司 | 一种白带显微图像中上皮细胞的智能识别方法 |
CN106897682A (zh) * | 2017-02-15 | 2017-06-27 | 电子科技大学 | 一种基于卷积神经网络的白带中白细胞自动识别方法 |
WO2017145172A1 (en) * | 2016-02-23 | 2017-08-31 | Sigtuple Technologies Private Limited | System and method for extraction and analysis of samples under a microscope |
CN109272492A (zh) * | 2018-08-24 | 2019-01-25 | 深思考人工智能机器人科技(北京)有限公司 | 一种细胞病理涂片的处理方法及系统 |
US20200065556A1 (en) * | 2016-11-10 | 2020-02-27 | The University Of Tokyo | Analysis device, analysis method, and program |
CN111429761A (zh) * | 2020-02-28 | 2020-07-17 | 中国人民解放军陆军军医大学第二附属医院 | 一种骨髓细胞形态学人工智能模拟教学系统及其方法 |
CN112017743A (zh) * | 2020-08-20 | 2020-12-01 | 姚香怡 | 一种疾病风险评测报告自动生成平台及应用 |
CN112102277A (zh) * | 2020-09-10 | 2020-12-18 | 深圳市森盈生物科技有限公司 | 在胸水荧光图像中检测肿瘤细胞的装置及方法 |
CN112481346A (zh) * | 2020-12-03 | 2021-03-12 | 中国人民解放军陆军军医大学第二附属医院 | 外周血细胞形态学检出异常细胞的自动预警系统及其方法 |
WO2021217851A1 (zh) * | 2020-04-27 | 2021-11-04 | 平安科技(深圳)有限公司 | 异常细胞自动标注方法、装置、电子设备及存储介质 |
WO2022007337A1 (zh) * | 2020-07-07 | 2022-01-13 | 广州金域医学检验中心有限公司 | 肿瘤细胞含量评估方法、系统、计算机设备及存储介质 |
CN114324917A (zh) * | 2020-09-30 | 2022-04-12 | 深圳迈瑞生物医疗电子股份有限公司 | 样本分析系统、细胞图像分析设备和涂片质量检测方法 |
-
2023
- 2023-08-07 CN CN202310980624.3A patent/CN116703917B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160232665A1 (en) * | 2013-09-19 | 2016-08-11 | Nec Corporation | Disease analysis apparatus, control method, and program |
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 |
WO2017145172A1 (en) * | 2016-02-23 | 2017-08-31 | Sigtuple Technologies Private Limited | System and method for extraction and analysis of samples under a microscope |
US20200065556A1 (en) * | 2016-11-10 | 2020-02-27 | The University Of Tokyo | Analysis device, analysis method, and program |
CN106875404A (zh) * | 2017-01-18 | 2017-06-20 | 宁波摩视光电科技有限公司 | 一种白带显微图像中上皮细胞的智能识别方法 |
CN106897682A (zh) * | 2017-02-15 | 2017-06-27 | 电子科技大学 | 一种基于卷积神经网络的白带中白细胞自动识别方法 |
CN109272492A (zh) * | 2018-08-24 | 2019-01-25 | 深思考人工智能机器人科技(北京)有限公司 | 一种细胞病理涂片的处理方法及系统 |
CN111429761A (zh) * | 2020-02-28 | 2020-07-17 | 中国人民解放军陆军军医大学第二附属医院 | 一种骨髓细胞形态学人工智能模拟教学系统及其方法 |
WO2021217851A1 (zh) * | 2020-04-27 | 2021-11-04 | 平安科技(深圳)有限公司 | 异常细胞自动标注方法、装置、电子设备及存储介质 |
WO2022007337A1 (zh) * | 2020-07-07 | 2022-01-13 | 广州金域医学检验中心有限公司 | 肿瘤细胞含量评估方法、系统、计算机设备及存储介质 |
CN112017743A (zh) * | 2020-08-20 | 2020-12-01 | 姚香怡 | 一种疾病风险评测报告自动生成平台及应用 |
CN112102277A (zh) * | 2020-09-10 | 2020-12-18 | 深圳市森盈生物科技有限公司 | 在胸水荧光图像中检测肿瘤细胞的装置及方法 |
CN114324917A (zh) * | 2020-09-30 | 2022-04-12 | 深圳迈瑞生物医疗电子股份有限公司 | 样本分析系统、细胞图像分析设备和涂片质量检测方法 |
CN112481346A (zh) * | 2020-12-03 | 2021-03-12 | 中国人民解放军陆军军医大学第二附属医院 | 外周血细胞形态学检出异常细胞的自动预警系统及其方法 |
Non-Patent Citations (1)
Title |
---|
吕翔, 尹富, 戴小波, 密方元: "纵隔原发性大B细胞性淋巴瘤一例定量病理分析", 中国体视学与图像分析, vol. 04, no. 02, pages 86 - 91 * |
Also Published As
Publication number | Publication date |
---|---|
CN116703917B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106780475B (zh) | 一种基于病理组织切片图像组织区域的图像处理装置 | |
CN110376198B (zh) | 一种宫颈液基细胞切片质量检测系统 | |
EP2888718B1 (en) | Methods and systems for automatic location of optic structures in an image of an eye, and for automatic retina cup-to-disc ratio computation | |
CA2698236C (en) | Methods and systems for processing biological specimens utilizing multiple wavelengths | |
CN103249358B (zh) | 医用图像处理装置 | |
US20040184646A1 (en) | Method, apparatus, and program for judging images | |
WO2006105473A2 (en) | Automatic detection of red lesions in digital color fundus photographs | |
KR102155381B1 (ko) | 인공지능 기반 기술의 의료영상분석을 이용한 자궁경부암 판단방법, 장치 및 소프트웨어 프로그램 | |
CN111951221A (zh) | 一种基于深度神经网络的肾小球细胞图像识别方法 | |
KR102140385B1 (ko) | 골수 판독을 위한 셀존 레이블링 장치 및 이를 포함하는 셀존 검출 시스템 | |
US20210090248A1 (en) | Cervical cancer diagnosis method and apparatus using artificial intelligence-based medical image analysis and software program therefor | |
CN113781455B (zh) | 宫颈细胞图像异常检测方法、装置、设备及介质 | |
US20130251230A1 (en) | Corneal graft evaluation based on optical coherence tomography image | |
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 | |
US20240079116A1 (en) | Automated segmentation of artifacts in histopathology images | |
JPH0418267B2 (zh) | ||
CN116703917B (zh) | 一种女性生殖道细胞病理智能分析系统 | |
KR101106386B1 (ko) | 산점도 분포를 사용한 슬라이드를 분류하기 위한 시스템 | |
CN112634221A (zh) | 基于图像和深度的角膜层次识别及病变定位方法和系统 | |
KR101863227B1 (ko) | 디지털 병리 시스템의 환자 케이스 동일성 판단 방법 | |
US20220383629A1 (en) | Label-free cell classification and screening system based on hybrid transfer learning | |
CN114782352A (zh) | 一种基于人工智能的医学影像识别系统及识别方法 | |
KR20210033902A (ko) | 인공지능 기반 기술의 의료영상분석을 이용한 자궁경부암 진단방법, 장치 및 소프트웨어 프로그램 | |
CN113270163A (zh) | 基于人工智能的li-rads诊断报告生成系统及方法 | |
CN111583275A (zh) | 一种切片病理号的识别方法、系统、装置和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |