CN117115816B - 一种白带显微图像中线索细胞的识别方法及系统 - Google Patents
一种白带显微图像中线索细胞的识别方法及系统 Download PDFInfo
- Publication number
- CN117115816B CN117115816B CN202311376538.8A CN202311376538A CN117115816B CN 117115816 B CN117115816 B CN 117115816B CN 202311376538 A CN202311376538 A CN 202311376538A CN 117115816 B CN117115816 B CN 117115816B
- Authority
- CN
- China
- Prior art keywords
- clue
- cell
- cells
- white
- gray level
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000010586 diagram Methods 0.000 claims abstract description 22
- 230000005859 cell recognition Effects 0.000 claims description 59
- 238000000605 extraction Methods 0.000 claims description 19
- 238000012795 verification Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 5
- 238000001000 micrograph Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 210000004027 cell Anatomy 0.000 description 240
- 230000000877 morphologic effect Effects 0.000 description 4
- 210000004085 squamous epithelial cell Anatomy 0.000 description 4
- 208000004926 Bacterial Vaginosis Diseases 0.000 description 3
- 210000002919 epithelial cell Anatomy 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 241000207202 Gardnerella Species 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 210000000981 epithelium Anatomy 0.000 description 1
- 239000010419 fine particle Substances 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 241001148471 unidentified anaerobic bacterium Species 0.000 description 1
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
- G06V20/695—Preprocessing, e.g. image segmentation
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06V20/698—Matching; Classification
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Biodiversity & Conservation Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种白带显微图像中线索细胞的识别方法及系统,涉及细胞识别领域;该方法包括:获取白带灰度图像;将所述白带灰度图像输入至线索细胞识别模型,识别得到白带灰度图像中每个细胞的定位框坐标和每个细胞与线索细胞的相似度;根据每个细胞与线索细胞的相似度、每个细胞的定位框坐标和预设阈值,确定多个似线索细胞的定位框坐标;基于每个似线索细胞的定位框坐标对所述白带灰度图像进行裁剪,得到每个似线索细胞的矩形区域图;判断每个似线索细胞的矩形区域图是否满足线索细胞条件,确定最终的识别结果。本发明通过模型得到细胞的定位框坐标和相似度,基于定位框坐标和相似度确定线索细胞,提高了线索细胞识别的准确性。
Description
技术领域
本发明涉及细胞识别领域,特别是涉及一种白带显微图像中线索细胞的识别方法及系统。
背景技术
白带中的线索细胞是表面粘附了大量细小颗粒的阴道脱落物物的鳞状上皮细胞,这些小颗粒为加德纳菌及其他厌氧菌,在显微镜图像中线索细胞表面毛糙、模糊、边界不清、边缘为锯齿状。
如果在白带显微图像中看到线索细胞,证明女性患了细菌性阴道炎。细菌性阴道炎的诊断金标准就是白带显微图像中发现线索细胞,所以白带显微图像中的线索细胞的自动检测具有重要的临床价值。
常规的人工显微镜观察需要手工涂片,不同操作人员细胞形态鉴别能力不同,容易漏检,容易对结果产生误差,造成线索细胞的结果呈假阳性或是假阴性。
专利CN106991375A公开了一种白带显微图像中线索细胞识别的方法,使用细胞的形态学特征识别显微图像中的线索细胞。这种方法只是使用细胞的形态学特征,对于粘稠背景复杂的白带显微图像,存在模糊不清晰的线索细胞,其形态特征不能很好提取,只是使用形态特征识别,会导致产生线索细胞识别精度不高的问题。
发明内容
本发明的目的是提供一种白带显微图像中线索细胞的识别方法及系统,通过先使用特征提取网络进行提取,再对提取结果进行分析,可以提高线索细胞识别的准确率。
为实现上述目的,本发明提供了如下方案:
一种白带显微图像中线索细胞的识别方法,所述白带显微图像中线索细胞的识别方法包括:
获取白带灰度图像;
将所述白带灰度图像输入至线索细胞识别模型,识别得到白带灰度图像中每个细胞的定位框坐标和每个细胞与线索细胞的相似度;所述线索细胞识别模型包括依次连接的Faster RCNN目标检测模型和Resnet101特征提取网络;
根据每个细胞与线索细胞的相似度、每个细胞的定位框坐标和预设阈值,确定多个似线索细胞的定位框坐标;
基于每个似线索细胞的定位框坐标对所述白带灰度图像进行裁剪,得到每个似线索细胞的矩形区域图;
判断每个似线索细胞的矩形区域图是否满足线索细胞条件,确定最终的识别结果。
可选地,获取白带灰度图像,具体包括:
将白带涂片放置于显微镜下,使用相机拍摄显微镜下多个视野的所述白带涂片,得到白带灰度图像;所述显微镜使用400X放大倍率。
可选地,将所述白带灰度图像输入至线索细胞识别模型,识别得到白带灰度图像中每个细胞的定位框坐标和每个细胞与线索细胞的相似度,之前还包括:
构建待训练的线索细胞识别模型;待训练的线索细胞识别模型包括依次连接的Faster RCNN目标检测模型和Resnet101特征提取网络;
获取白带样本灰度图像训练数据;所述白带样本灰度图像训练数据包括白带样本灰度图像和白带样本灰度图像的标签;所述标签包括所述白带样本灰度图像中线索细胞的定位框坐标和细胞名称;
将所述白带样本灰度图像训练数据分为训练集和验证集;
采用所述训练集以损失函数最小为目的对待训练的线索细胞识别模型的参数进行训练,得到训练后的线索细胞识别模型;所述损失函数根据待训练的线索细胞识别模型的输出和白带样本灰度图像的标签之间的误差确定;
采用所述验证集对训练后的线索细胞识别模型的参数进行调整,得到调整后的线索细胞识别模型;
将调整后的线索细胞识别模型作为所述线索细胞识别模型。
可选地,获取白带样本灰度图像训练数据,具体包括:
获取所述白带样本灰度图像;
使用图像标注软件LabelImg对所述白带样本灰度图像进行框选和类别标签标注,得到白带样本灰度图像中线索细胞的定位框坐标和细胞名称;
将白带样本灰度图像中线索细胞的定位框坐标和细胞名称作为白带样本灰度图像的标签。
可选地,根据每个细胞与线索细胞的相似度、每个细胞的定位框坐标和预设阈值,确定多个似线索细胞的定位框坐标,具体包括:
将细胞与线索细胞的相似度大于预设阈值的细胞确定为似线索细胞;
根据所述似线索细胞和每个细胞的定位框坐标,得到似线索细胞的定位框坐标。
可选地,判断每个似线索细胞的矩形区域图是否满足线索细胞条件,确定最终的识别结果,具体包括:
对于任意一个似线索细胞,计算所述似线索细胞的矩形区域图的特征集;所述特征集包括平均灰度、灰度方差、信息熵和对比度;
判断似线索细胞的矩形区域图的特征集是否满足所述线索细胞条件,得到第二判断结果;所述线索细胞条件包括平均灰度值大于预设平均灰度阈值、灰度方差大于预设方差阈值、信息熵大于预设信息熵阈值和对比度大于预设对比度阈值;
若所述第二判断结果为是,则确定所述似线索细胞为线索细胞;
若所述第二判断结果为否,则确定所述似线索细胞不为线索细胞。
一种白带显微图像中线索细胞的识别系统,所述白带显微图像中线索细胞的识别系统应用于上述所述的白带显微图像中线索细胞的识别方法,所述白带显微图像中线索细胞的识别系统包括:
获取模块,用于获取白带灰度图像;
识别模块,用于将所述白带灰度图像输入至线索细胞识别模型,识别得到白带灰度图像中每个细胞的定位框坐标和每个细胞与线索细胞的相似度;所述线索细胞识别模型包括依次连接的Faster RCNN目标检测模型和Resnet101特征提取网络;
筛选模块,用于根据每个细胞与线索细胞的相似度、每个细胞的定位框坐标和预设阈值,确定多个似线索细胞的定位框坐标;
裁剪模块,用于基于每个似线索细胞的定位框坐标对所述白带灰度图像进行裁剪,得到每个似线索细胞的矩形区域图;
输出模块,用于判断每个似线索细胞的矩形区域图是否满足线索细胞条件,确定最终的识别结果。
可选地,所述白带显微图像中线索细胞的识别系统还包括:训练模块;
所述训练模块,包括:
构建单元,用于构建待训练的线索细胞识别模型;待训练的线索细胞识别模型包括依次连接的Faster RCNN目标检测模型和Resnet101特征提取网络;
获取单元,用于获取白带样本灰度图像训练数据;所述白带样本灰度图像训练数据包括白带样本灰度图像和白带样本灰度图像的标签;所述标签包括所述白带样本灰度图像中线索细胞的定位框坐标和细胞名称;
分类单元,用于将所述白带样本灰度图像训练数据分为训练集和验证集;
训练单元,用于采用所述训练集以损失函数最小为目的对待训练的线索细胞识别模型的参数进行训练,得到训练后的线索细胞识别模型;所述损失函数根据待训练的线索细胞识别模型的输出和白带样本灰度图像的标签之间的误差确定;
验证单元,用于采用所述验证集对训练后的线索细胞识别模型的参数进行调整,得到调整后的线索细胞识别模型;
输出单元,用于将调整后的线索细胞识别模型作为所述线索细胞识别模型。
一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述所述的白带显微图像中线索细胞的识别方法。
一种计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被执行时实现上述所述的白带显微图像中线索细胞的识别方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开一种白带显微图像中线索细胞的识别方法及系统,所述白带显微图像中线索细胞的识别方法包括:获取白带灰度图像;将所述白带灰度图像输入至线索细胞识别模型,识别得到白带灰度图像中每个细胞的定位框坐标和每个细胞与线索细胞的相似度;根据每个细胞与线索细胞的相似度、每个细胞的定位框坐标和预设阈值,确定多个似线索细胞的定位框坐标;基于每个似线索细胞的定位框坐标对所述白带灰度图像进行裁剪,得到每个似线索细胞的矩形区域图;判断每个似线索细胞的矩形区域图是否满足线索细胞条件,确定最终的识别结果。本发明通过模型得到待分类的细胞的定位框坐标集和相似度集,基于定位框坐标集和相似度集确定线索细胞,提高了线索细胞识别的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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为本发明实施例中白带显微图像中线索细胞的识别方法的流程图。
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。
本发明的目的是提供一种白带显微图像中线索细胞的识别方法及系统,通过先使用特征提取网络进行提取,再对提取结果进行分析,可以提高线索细胞识别的准确率。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示,本发明一种白带显微图像中线索细胞的识别方法包括:
步骤101:获取白带灰度图像。
步骤102:将所述白带灰度图像输入至线索细胞识别模型,识别得到白带灰度图像中每个细胞的定位框坐标和每个细胞与线索细胞的相似度;所述线索细胞识别模型包括依次连接的Faster RCNN目标检测模型和Resnet101特征提取网络。
Faster RCNN是目标检测模型,可以调用不同的特征提取网络,比如VGG16、resnet101等特征提取网络。Resnet-101特征提取网络具有更深的网络结构和更强的特征提取能力,能够在复杂的显微白带图像中准确的检测线索细胞。
步骤103:根据每个细胞与线索细胞的相似度、每个细胞的定位框坐标和预设阈值,确定多个似线索细胞的定位框坐标。
使用线索细胞识别模型得到的待分类细胞的定位框坐标集中,相似度低的待分类细胞,有可能是鳞状上皮误判为线索细胞。为了剔除这些误判的待分类细胞,对低相似度待分类细胞进行再识别处理。
步骤104:基于每个似线索细胞的定位框坐标对所述白带灰度图像进行裁剪,得到每个似线索细胞的矩形区域图。
步骤105:判断每个似线索细胞的矩形区域图是否满足线索细胞条件,确定最终的识别结果。
作为一种具体实施例,获取白带灰度图像,具体包括:
将白带涂片放置于显微镜下,使用相机拍摄显微镜下多个视野的所述白带涂片,得到白带灰度图像;所述显微镜使用400X放大倍率。
使用高倍显微镜对白带涂片进行放大处理,再采用相机拍摄白带样本的灰度图像,使用直方图均衡化对图像进行矫正。不同的白带样本涂片放置于显微镜下,使用400X放大倍率,使用相机拍摄多个视野的灰度图像,图像的大小为1600X1200像素。为了保证各个图像灰度一致性,使用直方图均衡化对每个图像做处理后,作为数据集图像。
作为一种具体实施例,将所述白带灰度图像输入至线索细胞识别模型,识别得到白带灰度图像中每个细胞的定位框坐标和每个细胞与线索细胞的相似度,之前还包括:
构建待训练的线索细胞识别模型;待训练的线索细胞识别模型包括依次连接的Faster RCNN目标检测模型和Resnet101特征提取网络。
获取白带样本灰度图像训练数据;所述白带样本灰度图像训练数据包括白带样本灰度图像和白带样本灰度图像的标签;所述标签包括所述白带样本灰度图像中线索细胞的定位框坐标和细胞名称。
将所述白带样本灰度图像训练数据分为训练集和验证集。
采用所述训练集以损失函数最小为目的对待训练的线索细胞识别模型的参数进行训练,得到训练后的线索细胞识别模型;所述损失函数根据待训练的线索细胞识别模型的输出和白带样本灰度图像的标签之间的误差确定。
采用所述验证集对训练后的线索细胞识别模型的参数进行调整,得到调整后的线索细胞识别模型。
将调整后的线索细胞识别模型作为所述线索细胞识别模型。
作为一种具体实施例,获取白带样本灰度图像训练数据,具体包括:
获取所述白带样本灰度图像。
使用图像标注软件LabelImg对所述白带样本灰度图像进行框选和类别标签标注,得到白带样本灰度图像中线索细胞的定位框坐标和细胞名称。
将白带样本灰度图像中线索细胞的定位框坐标和细胞名称作为白带样本灰度图像的标签。
对白带样本灰度图像中的线索细胞进行框选和标注。使用图像标注软件LabelImg对每个图像中的线索细胞进行框选和类别标签标注,生成包括定位框坐标及对应标签的属性文件。框选的原则是尽可能少的在框内出现非线索细胞背景元素,如果两个线索细胞有重叠时,尽可能减少非线索细胞背景元素在框内的含量。
作为一种具体实施例,根据每个细胞与线索细胞的相似度、每个细胞的定位框坐标和预设阈值,确定多个似线索细胞的定位框坐标,具体包括:
将细胞与线索细胞的相似度大于预设阈值的细胞确定为似线索细胞。
根据所述似线索细胞和每个细胞的定位框坐标,得到似线索细胞的定位框坐标。
作为一种具体实施例,判断每个似线索细胞的矩形区域图是否满足线索细胞条件,确定最终的识别结果,具体包括:
对于任意一个似线索细胞,计算所述似线索细胞的矩形区域图的特征集;所述特征集包括平均灰度、灰度方差、信息熵和对比度。
判断似线索细胞的矩形区域图的特征集是否满足所述线索细胞条件,得到第二判断结果;所述线索细胞条件包括平均灰度值大于预设平均灰度阈值、灰度方差大于预设方差阈值、信息熵大于预设信息熵阈值和对比度大于预设对比度阈值。
若所述第二判断结果为是,则确定所述似线索细胞为线索细胞。
若所述第二判断结果为否,则确定所述似线索细胞不为线索细胞。
具体实施中,设定一个线索细胞相似度的阈值T,大于该阈值的确定为线索细胞。小于该阈值的线索细胞中,可能存在鳞状上皮细胞误判为线索细胞。针对识别得到相似度小于T的线索细胞,从显微图像中剪裁得到各个线索细胞的灰度图区域,计算该区域灰度图的平均灰度值,灰度方差,对比度值,信息熵的值,根据这几个特征值的范围判定出该线索细胞是鳞状上皮细胞还是线索细胞,如果判定不是线索细胞,从识别得到的线索细胞结果中删除,提高线索细胞的识别精度。
例如:对一个白带显微图像,使用模型得到图像中存在的细胞位置及相似度集后,设定一个相似度阈值T为0.60,相似度大于等于T的细胞直接判定为真正的线索细胞;相似度低于T的线索细胞,根据该线索细胞的定位框坐标,从原始图像中剪裁出该线索细胞的局部图像,分别计算该剪裁得到的局部图像平均灰度,灰度方差值,信息熵和对比度,设定平均灰度的阈值为180,灰度方差和的阈值为3.2,对比度的阈值为30%,信息熵的阈值设定为17.0,这几个特征值小于这些阈值的线索细胞,判定是误判为线索细胞的鳞状上皮细胞,从识别得到的线索细胞中剔除这些误判的线索细胞后,得到最终线索细胞的识别结果。
实施例2
一种白带显微图像中线索细胞的识别系统,该白带显微图像中线索细胞的识别系统应用于实施例1所述的白带显微图像中线索细胞的识别方法,所述白带显微图像中线索细胞的识别系统包括:
获取模块,用于获取白带灰度图像。
识别模块,用于将所述白带灰度图像输入至线索细胞识别模型,识别得到白带灰度图像中每个细胞的定位框坐标和每个细胞与线索细胞的相似度;所述线索细胞识别模型包括依次连接的Faster RCNN目标检测模型和Resnet101特征提取网络。
筛选模块,用于根据每个细胞与线索细胞的相似度、每个细胞的定位框坐标和预设阈值,确定多个似线索细胞的定位框坐标。
裁剪模块,用于基于每个似线索细胞的定位框坐标对所述白带灰度图像进行裁剪,得到每个似线索细胞的矩形区域图。
输出模块,用于判断每个似线索细胞的矩形区域图是否满足线索细胞条件,确定最终的识别结果。
作为一种具体实施例,所述白带显微图像中线索细胞的识别系统还包括:训练模块。
所述训练模块,包括:
构建单元,用于构建待训练的线索细胞识别模型;待训练的线索细胞识别模型包括依次连接的Faster RCNN目标检测模型和Resnet101特征提取网络。
获取单元,用于获取白带样本灰度图像训练数据;所述白带样本灰度图像训练数据包括白带样本灰度图像和白带样本灰度图像的标签;所述标签包括所述白带样本灰度图像中线索细胞的定位框坐标和细胞名称。
分类单元,用于将所述白带样本灰度图像训练数据分为训练集和验证集。
训练单元,用于采用所述训练集以损失函数最小为目的对待训练的线索细胞识别模型的参数进行训练,得到训练后的线索细胞识别模型;所述损失函数根据待训练的线索细胞识别模型的输出和白带样本灰度图像的标签之间的误差确定。
验证单元,用于采用所述验证集对训练后的线索细胞识别模型的参数进行调整,得到调整后的线索细胞识别模型。
输出单元,用于将调整后的线索细胞识别模型作为所述线索细胞识别模型。
一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现实施例1所述的白带显微图像中线索细胞的识别方法。
一种计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被执行时实现实施例1所述的白带显微图像中线索细胞的识别方法。
本发明公开一种白带显微图像中线索细胞的识别方法及系统,所述白带显微图像中线索细胞的识别方法包括:获取白带灰度图像;将白带灰度图像输入至线索细胞识别模型,识别得到图像中存在的所有细胞的定位框坐标集及每个细胞对应的相似度值;相似度大于等于一个阈值T的细胞,确定为线索细胞(TRUE);对相似度小于T的线索细胞,可能是上皮细胞误判为线索细胞,根据待分类细胞的定位框坐标,剪裁出每个细胞的矩形区域图,计算出各个矩形细胞区域图像的平均灰度、灰度方差、熵和对比度,如果矩形细胞区域的平均灰度、灰度方差、熵和对比度的各个值,大于设定的阈值,则判定为线索细胞,否则判定为上皮细胞,把误判为上皮细胞的细胞从待分类细胞集中剔除;确定最终线索细胞的识别结果。本发明先通过线索细胞识别模型得到待分类的线索细胞的定位框坐标集及相似度,再根据设定的相似度阈值T,对小于相似度阈值T的细胞,根据平均灰度、灰度方差、熵和对比度的阈值,从待分类细胞剔除其中误判为上皮细胞的细胞,提高了线索细胞识别的准确性。
本发明首先使用基于深度学习的Faster RCNN算法和Resnet101特征网络模型,训练得到线索细胞识别模型,使用该模型识别得到白带显微图像中存在的线索细胞;然后根据设定的线索细胞的相似度阈值,识别得到的线索细胞中相似度低的线索细胞,因为相似度低的原因,可能存在和鳞状细胞等误判的线索细胞,对相似度低于阈值的线索细胞,使用平均灰度,灰度方差,对比度,信息熵的阈值再次判定,把误判的线索细胞做剔除处理,提高了线索细胞的识别精度,对细菌性阴道炎的准确诊断有重要的临床意义。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种白带显微图像中线索细胞的识别方法,其特征在于,所述白带显微图像中线索细胞的识别方法包括:
获取白带灰度图像;
将所述白带灰度图像输入至线索细胞识别模型,识别得到白带灰度图像中每个细胞的定位框坐标和每个细胞与线索细胞的相似度;所述线索细胞识别模型包括依次连接的Faster RCNN目标检测模型和Resnet101特征提取网络;
根据每个细胞与线索细胞的相似度、每个细胞的定位框坐标和预设阈值,确定多个似线索细胞的定位框坐标;
基于每个似线索细胞的定位框坐标对所述白带灰度图像进行裁剪,得到每个似线索细胞的矩形区域图;
判断每个似线索细胞的矩形区域图是否满足线索细胞条件,确定最终的识别结果;
判断每个似线索细胞的矩形区域图是否满足线索细胞条件,确定最终的识别结果,具体包括:
对于任意一个似线索细胞,计算所述似线索细胞的矩形区域图的特征集;所述特征集包括平均灰度、灰度方差、信息熵和对比度;
判断似线索细胞的矩形区域图的特征集是否满足所述线索细胞条件,得到第二判断结果;所述线索细胞条件包括平均灰度值大于预设平均灰度阈值、灰度方差大于预设方差阈值、信息熵大于预设信息熵阈值和对比度大于预设对比度阈值;
若所述第二判断结果为是,则确定所述似线索细胞为线索细胞;
若所述第二判断结果为否,则确定所述似线索细胞不为线索细胞;
根据每个细胞与线索细胞的相似度、每个细胞的定位框坐标和预设阈值,确定多个似线索细胞的定位框坐标,具体包括:
将细胞与线索细胞的相似度大于预设阈值的细胞确定为似线索细胞;
根据所述似线索细胞和每个细胞的定位框坐标,得到似线索细胞的定位框坐标。
2.根据权利要求1所述的白带显微图像中线索细胞的识别方法,其特征在于,获取白带灰度图像,具体包括:
将白带涂片放置于显微镜下,使用相机拍摄显微镜下多个视野的所述白带涂片,得到白带灰度图像;所述显微镜使用400X放大倍率。
3.根据权利要求1所述的白带显微图像中线索细胞的识别方法,其特征在于,将所述白带灰度图像输入至线索细胞识别模型,识别得到白带灰度图像中每个细胞的定位框坐标和每个细胞与线索细胞的相似度,之前还包括:
构建待训练的线索细胞识别模型;待训练的线索细胞识别模型包括依次连接的FasterRCNN目标检测模型和Resnet101特征提取网络;
获取白带样本灰度图像训练数据;所述白带样本灰度图像训练数据包括白带样本灰度图像和白带样本灰度图像的标签;所述标签包括所述白带样本灰度图像中线索细胞的定位框坐标和细胞名称;
将所述白带样本灰度图像训练数据分为训练集和验证集;
采用所述训练集以损失函数最小为目的对待训练的线索细胞识别模型的参数进行训练,得到训练后的线索细胞识别模型;所述损失函数根据待训练的线索细胞识别模型的输出和白带样本灰度图像的标签之间的误差确定;
采用所述验证集对训练后的线索细胞识别模型的参数进行调整,得到调整后的线索细胞识别模型;
将调整后的线索细胞识别模型作为所述线索细胞识别模型。
4.根据权利要求3所述的白带显微图像中线索细胞的识别方法,其特征在于,获取白带样本灰度图像训练数据,具体包括:
获取所述白带样本灰度图像;
使用图像标注软件LabelImg对所述白带样本灰度图像进行框选和类别标签标注,得到白带样本灰度图像中线索细胞的定位框坐标和细胞名称;
将白带样本灰度图像中线索细胞的定位框坐标和细胞名称作为白带样本灰度图像的标签。
5.一种白带显微图像中线索细胞的识别系统,其特征在于,所述白带显微图像中线索细胞的识别系统应用于所述权利要求1-4中任意一项所述的白带显微图像中线索细胞的识别方法,所述白带显微图像中线索细胞的识别系统包括:
获取模块,用于获取白带灰度图像;
识别模块,用于将所述白带灰度图像输入至线索细胞识别模型,识别得到白带灰度图像中每个细胞的定位框坐标和每个细胞与线索细胞的相似度;所述线索细胞识别模型包括依次连接的Faster RCNN目标检测模型和Resnet101特征提取网络;
筛选模块,用于根据每个细胞与线索细胞的相似度、每个细胞的定位框坐标和预设阈值,确定多个似线索细胞的定位框坐标;
裁剪模块,用于基于每个似线索细胞的定位框坐标对所述白带灰度图像进行裁剪,得到每个似线索细胞的矩形区域图;
输出模块,用于判断每个似线索细胞的矩形区域图是否满足线索细胞条件,确定最终的识别结果。
6.根据权利要求5所述的白带显微图像中线索细胞的识别系统,其特征在于,所述白带显微图像中线索细胞的识别系统还包括:训练模块;
所述训练模块,包括:
构建单元,用于构建待训练的线索细胞识别模型;待训练的线索细胞识别模型包括依次连接的Faster RCNN目标检测模型和Resnet101特征提取网络;
获取单元,用于获取白带样本灰度图像训练数据;所述白带样本灰度图像训练数据包括白带样本灰度图像和白带样本灰度图像的标签;所述标签包括所述白带样本灰度图像中线索细胞的定位框坐标和细胞名称;
分类单元,用于将所述白带样本灰度图像训练数据分为训练集和验证集;
训练单元,用于采用所述训练集以损失函数最小为目的对待训练的线索细胞识别模型的参数进行训练,得到训练后的线索细胞识别模型;所述损失函数根据待训练的线索细胞识别模型的输出和白带样本灰度图像的标签之间的误差确定;
验证单元,用于采用所述验证集对训练后的线索细胞识别模型的参数进行调整,得到调整后的线索细胞识别模型;
输出单元,用于将调整后的线索细胞识别模型作为所述线索细胞识别模型。
7.一种电子设备,其特征在于,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述的白带显微图像中线索细胞的识别方法。
8.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被执行时实现如权利要求1至4中任一项所述的白带显微图像中线索细胞的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311376538.8A CN117115816B (zh) | 2023-10-24 | 2023-10-24 | 一种白带显微图像中线索细胞的识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311376538.8A CN117115816B (zh) | 2023-10-24 | 2023-10-24 | 一种白带显微图像中线索细胞的识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117115816A CN117115816A (zh) | 2023-11-24 |
CN117115816B true CN117115816B (zh) | 2024-02-09 |
Family
ID=88800600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311376538.8A Active CN117115816B (zh) | 2023-10-24 | 2023-10-24 | 一种白带显微图像中线索细胞的识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117115816B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106991375A (zh) * | 2017-03-09 | 2017-07-28 | 电子科技大学 | 一种基于形态学特征的白带中线索细胞自动识别方法 |
CN110490238A (zh) * | 2019-08-06 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置及存储介质 |
CN111369523A (zh) * | 2020-03-02 | 2020-07-03 | 上海杏脉信息科技有限公司 | 显微图像中细胞堆叠的检测方法、系统、设备及介质 |
CN112132166A (zh) * | 2019-06-24 | 2020-12-25 | 杭州迪英加科技有限公司 | 一种数字细胞病理图像智能分析方法、系统及装置 |
CN114897872A (zh) * | 2022-06-01 | 2022-08-12 | 玖壹叁陆零医学科技南京有限公司 | 一种适用于细胞团中细胞的识别方法、装置及电子设备 |
CN115601307A (zh) * | 2022-09-22 | 2023-01-13 | 重庆生物智能制造研究院(Cn) | 一种细胞自动检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6013884B2 (ja) * | 2012-11-08 | 2016-10-25 | 日立オートモティブシステムズ株式会社 | 物体検出装置及び物体検出方法 |
-
2023
- 2023-10-24 CN CN202311376538.8A patent/CN117115816B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106991375A (zh) * | 2017-03-09 | 2017-07-28 | 电子科技大学 | 一种基于形态学特征的白带中线索细胞自动识别方法 |
CN112132166A (zh) * | 2019-06-24 | 2020-12-25 | 杭州迪英加科技有限公司 | 一种数字细胞病理图像智能分析方法、系统及装置 |
CN110490238A (zh) * | 2019-08-06 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置及存储介质 |
CN111369523A (zh) * | 2020-03-02 | 2020-07-03 | 上海杏脉信息科技有限公司 | 显微图像中细胞堆叠的检测方法、系统、设备及介质 |
CN114897872A (zh) * | 2022-06-01 | 2022-08-12 | 玖壹叁陆零医学科技南京有限公司 | 一种适用于细胞团中细胞的识别方法、装置及电子设备 |
CN115601307A (zh) * | 2022-09-22 | 2023-01-13 | 重庆生物智能制造研究院(Cn) | 一种细胞自动检测方法 |
Non-Patent Citations (2)
Title |
---|
基于主动学习的白带白细胞自动检测方法研究;鞠孟汐;中国优秀硕士学位论文全文数据库;正文第9页第1段-第48页第1段 * |
鞠孟汐.基于主动学习的白带白细胞自动检测方法研究.中国优秀硕士学位论文全文数据库.2021,正文第9页第1段-第48页第1段. * |
Also Published As
Publication number | Publication date |
---|---|
CN117115816A (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110334706B (zh) | 一种图像目标识别方法及装置 | |
CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
CN108564114B (zh) | 一种基于机器学习的人体粪便白细胞自动识别方法 | |
CN112365497A (zh) | 基于TridentNet和Cascade-RCNN结构的高速目标检测方法和系统 | |
CN111986183A (zh) | 一种染色体散型图像自动分割识别系统及装置 | |
CN112036384B (zh) | 精子头部形态识别方法、装置及设备 | |
CN111126393A (zh) | 车辆外观改装判断方法、装置、计算机设备及存储介质 | |
CN112288760B (zh) | 一种粘连细胞图像筛除方法、系统及细胞图像分析方法 | |
CN115294377A (zh) | 一种道路裂缝的识别系统及方法 | |
CN113537037A (zh) | 路面病害识别方法、系统、电子设备及存储介质 | |
CN112101108A (zh) | 一种基于图形极点位置特征的左右转交通标志识别方法 | |
CN117115816B (zh) | 一种白带显微图像中线索细胞的识别方法及系统 | |
CN115100656B (zh) | 空白答题卡识别方法、系统、存储介质及计算机设备 | |
CN109376619B (zh) | 一种细胞检测方法 | |
CN116664501A (zh) | 一种基于图像处理判断储粮变化的方法 | |
CN114926635A (zh) | 与深度学习方法相结合的多焦图像中目标分割方法 | |
CN110619273B (zh) | 一种高效的虹膜识别方法以及识别装置 | |
CN111028258B (zh) | 一种大尺度灰度图像自适应阈值提取方法 | |
CN113537253A (zh) | 一种红外图像目标检测方法、装置、计算设备及存储介质 | |
CN113947575B (zh) | 一种花粉颗粒检测方法及装置 | |
CN114612429B (zh) | 一种基于双目视觉的模锻件裂缝识别定位及改进方法 | |
CN115984316B (zh) | 一种复杂环境的工业图像边缘提取方法及装置 | |
Li et al. | A Deep Learning based Method for Microscopic Object Localization and Classification | |
Yang et al. | A skeleton based binarization approach for video text recognition | |
CN110223307B (zh) | 一种基于图像识别的血液细胞计数方法 |
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 |