CN117288659B - 基于ai的肿瘤干细胞与正常细胞的形态学分析系统 - Google Patents
基于ai的肿瘤干细胞与正常细胞的形态学分析系统 Download PDFInfo
- Publication number
- CN117288659B CN117288659B CN202311579165.4A CN202311579165A CN117288659B CN 117288659 B CN117288659 B CN 117288659B CN 202311579165 A CN202311579165 A CN 202311579165A CN 117288659 B CN117288659 B CN 117288659B
- Authority
- CN
- China
- Prior art keywords
- cell
- image
- fusion
- morphological
- cells
- 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
- 210000004027 cell Anatomy 0.000 title claims abstract description 293
- 230000000877 morphologic effect Effects 0.000 title claims abstract description 106
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 79
- 210000000130 stem cell Anatomy 0.000 title claims abstract description 71
- 238000004458 analytical method Methods 0.000 title claims abstract description 41
- 230000004927 fusion Effects 0.000 claims description 131
- 238000012545 processing Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000012790 confirmation Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims 1
- 238000010200 validation analysis Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 11
- 238000000034 method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 201000011510 cancer Diseases 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 206010027476 Metastases Diseases 0.000 description 2
- 229910002056 binary alloy Inorganic materials 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000009401 metastasis Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 208000005623 Carcinogenesis Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 239000002246 antineoplastic agent Substances 0.000 description 1
- 229940041181 antineoplastic drug Drugs 0.000 description 1
- 230000036952 cancer formation Effects 0.000 description 1
- 231100000504 carcinogenesis Toxicity 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 210000004881 tumor cell Anatomy 0.000 description 1
- 230000035899 viability Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
- G01N15/10—Investigating individual particles
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N2015/1006—Investigating individual particles for cytology
-
- 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
-
- 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
- G06T2207/30096—Tumor; Lesion
Abstract
发明提供了基于AI的肿瘤干细胞与正常细胞的形态学分析系统包括：获取被测细胞样本的图像数据，根据图像数据绘制所述被测细胞样本的若干个形态图像，分别对每一形态图像进行粗识别得到其包含的若干个细胞轮廓，根据细胞轮廓绘制所述被测细胞样本中每一被测细胞对应的三维细胞轮廓，对三维细胞轮廓进行细识别，得到每一被测细胞对应的轮廓特征，根据轮廓特征确定对应被测细胞的细胞属性，根据细胞属性分别对每一形态图像中的肿瘤干细胞进行第一标记，以及对正常细胞进行第二标记，利用AI技术对被测细胞样本中的肿瘤干细胞以及正常细胞进行形态分析，从而确定被测细胞样本中肿瘤干细胞和正常细胞的位置，便于医护人员分辨肿瘤干细胞。
Description
技术领域
本发明涉及图像形态学分析技术领域，特别涉及基于AI的肿瘤干细胞与正常细胞的形态学分析系统。
背景技术
肿瘤干细胞对肿瘤的存活、增殖、转移及复发有着重要作用。从本质上讲，肿瘤干细胞通过自我更新和无限增殖维持着肿瘤细胞群的生命力，是肿瘤发生、发展的基础。由于肿瘤干细胞可以长时间处于休眠状态，对多种抗癌药物抵抗，能在特定癌症样本中产生所有细胞类型。通常这类的细胞被认为有形成肿瘤、发展成癌症的潜力，特别是随着癌症的转移，能产生新型的癌症。所以如何能在肿瘤早期对肿瘤干细胞进行分析，进而确定其形态和特征是一个亟待解决的问题。
因此，本发明提供了基于AI的肿瘤干细胞与正常细胞的形态学分析系统。
发明内容
本发明基于AI的肿瘤干细胞与正常细胞的形态学分析系统，利用AI技术对被测细胞样本中的肿瘤干细胞以及正常细胞进行形态分析，从而确定被测细胞样本中肿瘤干细胞和正常细胞的位置，便于医护人员分辨肿瘤干细胞。
本发明提供了基于AI的肿瘤干细胞与正常细胞的形态学分析系统，包括：
采集绘制模块，用于获取被测细胞样本的图像数据，根据所述图像数据绘制所述被测细胞样本的若干个形态图像；
第一识别模块，用于分别对每一形态图像进行粗识别，得到每一形态图像上包含的若干个细胞轮廓，根据所述细胞轮廓绘制所述被测细胞样本中每一被测细胞对应的三维细胞轮廓；
第二识别模块，用于对所述三维细胞轮廓进行细识别，得到每一被测细胞对应的轮廓特征，根据所述轮廓特征确定对应被测细胞的细胞属性；
确认标记模块，用于根据所述细胞属性分别对每一形态图像中的肿瘤干细胞进行第一标记，以及对正常细胞进行第二标记。
在一种可实施的方式中，
还包括：
显示模块，用于分别显示每一所述形态图像以及对应的标记结果。
在一种可实施的方式中，
还包括：
信息存储模块，用于根据每一被测细胞样本对应的所有形态图像中的标记结果，统计每一被测细胞样本中肿瘤干细胞的第一数量和正常细胞的第二数量，建立细胞统计信息并进行存储。
在一种可实施的方式中，
所述采集绘制模块，包括：
预处理单元，用于查找所述被测细胞样本的基本数据，在所述基本数据中筛选所述被测细胞样本的图像数据；
数据分析单元，用于对所述图像数据进行分段处理得到若干个子数据，分别获取每一子数据对应的描述信息，获取不同描述信息之间的描述相似度，将描述相似度在预设相似度范围内的子数据记作同一数据类；
图像绘制单元，用于根据每一所述数据类在预设绘制区域中绘制所述被测细胞样本的若干个初级图像，分别对每一初级图像进行完整度评价，根据评价结果将完整度低于预设完整度的初级图像记作第一初级图像，将完整度高于或等于预设完整度的初级图像记作第二初级图像；
图像融合单元，用于分别将第一初级图像与不同的所述第二初级图像上进行像素融合，得到每一所述第一初级图像与不同的所述第二初级图像之间的像素融合率，分别获取每一所述第一初级图像的最大像素融合率对应的目标融合结果，统计所有的像素融合结果建立所述被测细胞样本的若干个形态图像。
在一种可实施的方式中，
所述图像融合单元，包括：
预分类子单元，用于根据所述第一初级图像对应的第一图像数量和所述第二初级图像对应的第二图像数量建立第一融合层和第二融合层，将所述第一初级图像输入到所述第一融合层中以及将所述第二初级图像输入到所述第二融合层中；
融合分析子单元，用于根据所述第一图像数量和第二图像数量得到像素融合结果的计算数量，循环在所述第一融合层中提取一个第一初级图像与所述第二融合层中的第二初级图像进行像素融合，生成若干个融合结果，当所述融合结果的实际数量与所述计算数量一致时，完成像素融合工作；
结果分析子单元，用于根据所述融合结果得到每一所述第一初级图像与不同第二初级图像之间的像素融合率，将同一所述第一初级图像对应的若干个像素融合率按照由大到小的顺序进行排序，得到每一所述第一初级图像对应的融合率列表；
融合执行子单元，用于根据所述融合率列表得到每一所述第一初级图像对应的最大像素融合率，获取所述最大像素融合率对应的最大融合结果，获取最大像素融合率在预设融合率阈值外内的目标融合结果，统计所有的像素融合结果建立所述被测细胞样本的若干个形态图像。
在一种可实施的方式中，
所述第一识别模块，包括：
转换建元单元，用于分别将每一形态图像转换为二值形态图像，分别对所述二值形态图像进行阈值分割，得到每一所述二值形态图像对应的图像背景和图像前景，利用预设结构元样本分别遍历每一所述图像前景，得到每一所述二值形态图像对应的若干个前景结构元；
粗识别单元，用于分别将每一前景结构元标记在所述二值形态图像上，得到若干个标记像素点，根据所述标记像素点在所述二值形态图像上的分布情况建立对应二值形态图像的前景轮廓；
轮廓处理单元，用于分别获取每一前景轮廓对应的轮廓线长，以及获取对应图像背景的背景周长，当所述二值形态图像的轮廓线长小于对应的背景周长时，对所述前景轮廓进行闭运算，得到第一细胞轮廓，当所述二值形态图像的轮廓线长大于对应背景周长的三倍时，对所述前景轮廓进行开运算，得到第二细胞轮廓；
轮廓建立单元，用于将所述第一细胞轮廓和所述第二细胞轮廓输入到预设三维坐标系中建立所述被测细胞样本中每一被测细胞对应的三维细胞轮廓。
在一种可实施的方式中，
所述第二识别模块，包括：
细识别单元，用于分别对每一所述三维细胞轮廓进行特征模型中进行评价训练，得到每一对应被测细胞在不同维度下对应的呈现特征；
标签建立单元，用于将同一维度下呈现特征一致的被测细胞建立维度标签，记作同特征细胞，根据所述同特征细胞建立对应的细胞序列，获取所述细胞序列在对应维度下的序列特征，根据所述序列特征为对应细胞序列中的每一被测细胞建立维度规格；
特征分类单元，用于根据同一被测细胞对应的所述维度标签和维度规格建立所述被测细胞的轮廓特征，在预设特征-属性列表中查询每一轮廓特征，得到每一所述被测细胞对应的细胞属性。
在一种可实施的方式中，
还包括：
模型建立模块，用于基于预设面积维度、预设形状维度、预设色彩维度以及预设纹理维度建立特征模型。
在一种可实施的方式中，
所述确认标记模块，包括：
第一确定单元，用于根据所述细胞属性将所述被测细胞样本中包含的被测细胞划分为肿瘤干细胞和正常细胞；
第二确定单元，用于在所述被测细胞样本中对所述肿瘤干细胞进行第一定位，得到对应的第一定位结果，在所述被测细胞样本中所述正常细胞进行第二定位，得到对应的第二定位结果；
映射单元，用于分别将所述第一定位结果和第二定位结果映射到每一所述形态图像中，得到每一所述形态图像中与所述第一定位结果之间的第一重合信息，以及每一所述形态图像中与所述第二定位结果之间的第二重合信息；
标记确定单元，用于根据所述第一重合信息在对应的形态图像上对所述肿瘤干细胞进行第一标记，根据所述第二重合信息在对应的形态图像上对所述正常细胞进行第二标记。
在一种可实施的方式中，
还包括：
查询模块，用于根据用户发出的查找指令在所述信息存储模块中查找对应的目标细胞统计信息并传输到所述用户对应的指定终端进行显示。
本发明可以实现的有益效果为：为了将被测细胞样本中的肿瘤干细胞和正常细胞进行区分，先根据被测细胞样本的图像数据来绘制被测细胞样本的形态图像，然后对形态图像进行粗识别，得到每一个形态图像中包含的细胞轮廓，从而建立每一个被测细胞的三维细胞轮廓，然后对三维细胞轮廓进行细识别，确定其对应的细胞属性，进而根据细胞属性在形态图像中对肿瘤干细胞和正常细胞进行不同的标记，从而达到了区分识别的作用，便于医护人员根据识别结果来判断癌细胞的当前状态，从而对症下药。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中基于AI的肿瘤干细胞与正常细胞的形态学分析系统的组成示意图；
图2为本发明实施例中基于AI的肿瘤干细胞与正常细胞的形态学分析系统的采集绘制模块组成示意图；
图3为本发明实施例中基于AI的肿瘤干细胞与正常细胞的形态学分析系统的第一识别模块组成示意图；
图4为本发明实施例中基于AI的肿瘤干细胞与正常细胞的形态学分析系统的第二识别模块组成示意图；
图5为本发明实施例中基于AI的肿瘤干细胞与正常细胞的形态学分析系统的确认标记模块组成示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例1
本实施例提供了基于AI的肿瘤干细胞与正常细胞的形态学分析系统，如图1所示，包括：
采集绘制模块，用于获取被测细胞样本的图像数据，根据所述图像数据绘制所述被测细胞样本的若干个形态图像；
第一识别模块，用于分别对每一形态图像进行粗识别，得到每一形态图像上包含的若干个细胞轮廓，根据所述细胞轮廓绘制所述被测细胞样本中每一被测细胞对应的三维细胞轮廓；
第二识别模块，用于对所述三维细胞轮廓进行细识别，得到每一被测细胞对应的轮廓特征，根据所述轮廓特征确定对应被测细胞的细胞属性；
确认标记模块，用于根据所述细胞属性分别对每一形态图像中的肿瘤干细胞进行第一标记，以及对正常细胞进行第二标记。
该实例中，被测细胞样本中含有若干个细胞；
该实例中，图像数据表示描述被测细胞样本的数据；
该实例中，形态图像的数量可以为一个或多个；
该实例中，粗识别表示提取形态图像中细胞轮廓的操作；
该实例中，三维细胞轮廓表示用三维的方式表示被测细胞轮廓的方式；
该实例中，细识别表示分析三维细胞轮廓的细胞属性的过程；
该实例中，细胞属性包括：肿瘤干细胞属性和正常细胞属性；
该实例中，第一标记和第二标记表示利用不同的色彩对肿瘤干细胞和正常细胞进行标记的方法，一般情况下，利用红色标记肿瘤干细胞，利用绿色表示正常细胞。
上述技术方案的工作原理以及有益效果：为了将被测细胞样本中的肿瘤干细胞和正常细胞进行区分，先根据被测细胞样本的图像数据来绘制被测细胞样本的形态图像，然后对形态图像进行粗识别，得到每一个形态图像中包含的细胞轮廓，从而建立每一个被测细胞的三维细胞轮廓，然后对三维细胞轮廓进行细识别，确定其对应的细胞属性，进而根据细胞属性在形态图像中对肿瘤干细胞和正常细胞进行不同的标记，从而达到了区分识别的作用，便于医护人员根据识别结果来判断癌细胞的当前状态，从而对症下药。
实施例2
在实施例1的基础上，所述基于AI的肿瘤干细胞与正常细胞的形态学分析系统，还包括：
显示模块，用于分别显示每一所述形态图像以及对应的标记结果。
上述技术方案的工作原理以及有益效果：通过设置显示模块来显示形态图像和其对应的标记结果，便于医护人员随时查看。
实施例3
在实施例1的基础上，所述基于AI的肿瘤干细胞与正常细胞的形态学分析系统，还包括：
信息存储模块，用于根据每一被测细胞样本对应的所有形态图像中的标记结果，统计每一被测细胞样本中肿瘤干细胞的第一数量和正常细胞的第二数量，建立细胞统计信息并进行存储。
该实例中，第一数据表示一个被测细胞样本中肿瘤干细胞的数量；
该实例中，第二数据表示一个被测细胞样本中正常细胞的数量。
上述技术方案的工作原理以及有益效果：为了便于医护人员查阅每一被测细胞样本的标记结果，统计每一被测细胞样本中肿瘤干细胞和正常细胞的数量，从而建立一个细胞统计信息并进行存储，便于医护人员随时查看。
实施例4
在实施例1的基础上，所述基于AI的肿瘤干细胞与正常细胞的形态学分析系统，如图2所示，所述采集绘制模块，包括：
预处理单元，用于查找所述被测细胞样本的基本数据，在所述基本数据中筛选所述被测细胞样本的图像数据；
数据分析单元，用于对所述图像数据进行分段处理得到若干个子数据，分别获取每一子数据对应的描述信息，获取不同描述信息之间的描述相似度，将描述相似度在预设相似度范围内的子数据记作同一数据类；
图像绘制单元，用于根据每一所述数据类在预设绘制区域中绘制所述被测细胞样本的若干个初级图像，分别对每一初级图像进行完整度评价，根据评价结果将完整度低于预设完整度的初级图像记作第一初级图像，将完整度高于或等于预设完整度的初级图像记作第二初级图像；
图像融合单元，用于分别将第一初级图像与不同的所述第二初级图像上进行像素融合，得到每一所述第一初级图像与不同的所述第二初级图像之间的像素融合率，分别获取每一所述第一初级图像的最大像素融合率对应的目标融合结果，统计所有的像素融合结果建立所述被测细胞样本的若干个形态图像。
该实例中，基本数据表示用来描述被测细胞样本的数据；
该实例中，对图像数据进行分段处理表示：将图像数据划分为若干个独立的，可以描述图像中一个独立九宫格像素点的数据；
该实例中，一个子数据对应一个描述信息；
该实例中，描述信息表示子数据所描述的图像所呈现的信息；
该实例中，描述相似度表示不同子数据描述同一图像区域时对应的相似度；
该实例中，预设相似度范围可以为[65%，100%]；
该实例中，同一数据类中的所有的子数据描述了同一图像；
该实例中，预设绘制区域可以为一个二维绘图区域；
该实例中，初级图像表示一个数据类所描述的图像；
该实例中，完整度评价表示分析初级图像中空白像素与所有像素的比值的过程；
该实例中，预设完整度可以为30%；
该实例中，第一初级图像表示完整度不符合标准的初级图像，第二初级图像表示完整度符合标准的初级图像，其中的“第一”、“第二”仅用来区分不同的初级图像，不具有比较或者排序的作用；
该实例中，像素融合表示将第一初级图像和第二初级图像中像素相同的像素点进行融合的过程，且被融合像素点是连贯的；
该实例中，像素融合率表示第一初级图像与第二初级图像进行融合时，第一初级图像中被融合像素点与未融合像素点之间的比值；
该实例中，一个第一初级图像对应一个最大像素融合率，一个最大像素融合率对于的一个目标融合结果。
该实例中，进行像素融合的目的是：将篇幅较小的初级图像融合为大篇幅的图像。
上述技术方案的工作原理以及有益效果：为了提高形态分析的精确度，在进行图像绘制前，先在被测细胞样本的基本数据中筛选图像数据，然后将图像数据分为若跟个子数据，从而根据每一子数据对应的描述信息来确定不同描述信息之间的描述相似度，进而将描述相似度在预设相似度范围内的子数据记作同一数据类，进而根据数据类来绘制被测细胞样本的初级图像，进一步根据初级图像的完整度来将初级图像划分为完整度低于预设完整度的第一初级图像和完整度高于或等于预设完整度的第二初级图像，然后将第一初级图像和第二初级图像进行融合，挑选像素融合率最高的融合结果，从而根据该融合结果建立被测细胞的形态图像，从而为后续进行细胞识别做基础。
实施例5
在实施例4的基础上，所述基于AI的肿瘤干细胞与正常细胞的形态学分析系统，所述图像融合单元，包括：
预分类子单元，用于根据所述第一初级图像对应的第一图像数量和所述第二初级图像对应的第二图像数量建立第一融合层和第二融合层，将所述第一初级图像输入到所述第一融合层中以及将所述第二初级图像输入到所述第二融合层中；
融合分析子单元，用于根据所述第一图像数量和第二图像数量得到像素融合结果的计算数量，循环在所述第一融合层中提取一个第一初级图像与所述第二融合层中的第二初级图像进行像素融合，生成若干个融合结果，当所述融合结果的实际数量与所述计算数量一致时，完成像素融合工作；
结果分析子单元，用于根据所述融合结果得到每一所述第一初级图像与不同第二初级图像之间的像素融合率，将同一所述第一初级图像对应的若干个像素融合率按照由大到小的顺序进行排序，得到每一所述第一初级图像对应的融合率列表；
融合执行子单元，用于根据所述融合率列表得到每一所述第一初级图像对应的最大像素融合率，获取所述最大像素融合率对应的最大融合结果，获取最大像素融合率在预设融合率阈值外内的目标融合结果，统计所有的像素融合结果建立所述被测细胞样本的若干个形态图像。
该实例中，第一融合层中所包含的融合位置的数量与第一图像数量一致，第二融合层中所包含的融合位置的数量与第二图像数量一致；
该实例中，计算数量表示在进行像素融合之前计算本次像素融合所得到的融合结果的数量；
该实例中，实际数量表示在进行像素融合过程中当前所得到的融合结果的数量；
该实例中，当实际数量与计算数量一致时表示本次像素融合工作已经完成；
该实例中，预设融合阈值可以为70%，在预设融合阈值外表示最大像素融合率大于70%。
上述技术方案的工作原理以及有益效果：为了进一步提高像素融合的有效性，在进行像素融合前，先根据第一初级图像的图像数量和第二初级图像的图像数量建立对应的规格的第一融合层和第二融合层，并根据图像的数量来分析本次像素融合所生成的像素融合结果的计算数量，在进行融合过程中所生产的像素融合结果的实际数量与计算数量一致时表示完成像素融合工作，然后提取每一个第一初级图像对应的最大像素融合率，当最大像素融合率处于预设融合率阈值外时，表示对应的第一初级图像为噪点图像，此时剔除其对应的最大融合结果，从而得到了多个目标融合结果，最后根据目标融合结果来建立形态图形，这样一来不仅可以建立多个形态图像，而且在建立图像的过程中，剔除了噪点图像，提高了形态图像的可信度。
实施例6
在实施例1的基础上，所述基于AI的肿瘤干细胞与正常细胞的形态学分析系统，如图3所示，所述第一识别模块，包括：
转换建元单元，用于分别将每一形态图像转换为二值形态图像，分别对所述二值形态图像进行阈值分割，得到每一所述二值形态图像对应的图像背景和图像前景，利用预设结构元样本分别遍历每一所述图像前景，得到每一所述二值形态图像对应的若干个前景结构元；
粗识别单元，用于分别将每一前景结构元标记在所述二值形态图像上，得到若干个标记像素点，根据所述标记像素点在所述二值形态图像上的分布情况建立对应二值形态图像的前景轮廓；
轮廓处理单元，用于分别获取每一前景轮廓对应的轮廓线长，以及获取对应图像背景的背景周长，当所述二值形态图像的轮廓线长小于对应的背景周长时，对所述前景轮廓进行闭运算，得到第一细胞轮廓，当所述二值形态图像的轮廓线长大于对应背景周长的三倍时，对所述前景轮廓进行开运算，得到第二细胞轮廓；
轮廓建立单元，用于将所述第一细胞轮廓和所述第二细胞轮廓输入到预设三维坐标系中建立所述被测细胞样本中每一被测细胞对应的三维细胞轮廓。
该实例中，二值形态图像中表示只有黑色和白色的图像；
该实例中，阈值分隔表示将二值形态图像分割为只有黑色的图像和只有白色的图像；
该实例中，预设结构元样本表示十字形的结构元；
该实例中，前景结构元表示图像前景中由像素点组成的与预设结构元样本一致的十字形结构元；
该实例中，标记像素点的数量为多个；
该实例中，前景轮廓表示将图像前景中的标记像素点按照其分布情况进行连接后所生成的轮廓；
该实例中，轮廓线长表示前景轮廓对应的长度；
该实例中，背景周长表示图像背景的周长，当图像背景的形状呈不规则时，背景周长为不规则形状的周长；
该实例中，闭运算表示对前景轮廓先进行膨胀再进行腐蚀的过程；
该实例中，开运算表示对前景轮廓先进行腐蚀再进行膨胀的过程；
该实例中，第一细胞轮廓表示对前景论据进行闭运算后所形成的细胞轮廓；
该实例中，第二细胞轮廓表示对前景论据进行开运算后所形成的细胞轮廓。
上述技术方案的工作原理以及有益效果：为了提高识别细胞轮廓的效率且保障其精确度，再进行轮廓识别时，先将形态图像转换为二值形态图像，从而建立二值系统图像对应的图像背景和图像前景，利用预设结构元样本遍历图像前景来得到二值系统图像中的前景结构元，然后确定前景结构元再二值形态图像上对应的标记像素点，根据标记像素点的分布情况来建立二值形态图像的前景轮廓，为了统一轮廓的规格，对不同的前景轮廓进行不同的图像运算，从而得到对应的细胞轮廓，最后将所得到的细胞轮廓输入到预设三维坐标系中建立被测细胞的三维细胞轮廓，不仅实现了轮廓建立，还可以同时建立多个被测细胞的轮廓，提高了轮廓建立的效率。
实施例7
在实施例1的基础上，所述基于AI的肿瘤干细胞与正常细胞的形态学分析系统，如图4所示，所述第二识别模块，包括：
细识别单元，用于分别对每一所述三维细胞轮廓进行特征模型中进行评价训练，得到每一对应被测细胞在不同维度下对应的呈现特征；
标签建立单元，用于将同一维度下呈现特征一致的被测细胞建立维度标签，记作同特征细胞，根据所述同特征细胞建立对应的细胞序列，获取所述细胞序列在对应维度下的序列特征，根据所述序列特征为对应细胞序列中的每一被测细胞建立维度规格；
特征分类单元，用于根据同一被测细胞对应的所述维度标签和维度规格建立所述被测细胞的轮廓特征，在预设特征-属性列表中查询每一轮廓特征，得到每一所述被测细胞对应的细胞属性。
该实例中，呈现特征表示被测细胞在不同维度下所呈现的外部特征；
该实例中，同特征细胞表示在一个维度下具有相同的特征的细胞；
该实例中，预设特征-属性列表中包含了肿瘤干细胞对应的属性和正常细胞对应的属性。
上述技术方案的工作原理以及有益效果：在进一步识别细胞时先对三维细胞轮廓进行评价训练，得到其在不同维度下得呈现特征，从而为其建立维度标签，以及进行同特征细胞划分，进一步建立同特征细胞的细胞序列，从而获取细胞序列在不同维度下的序列特征，从而建立被测细胞的维度规格，进而根据维度标签和维度规格建立被测细胞的轮廓特征，通过在预设表格中查找来确定被测细胞的细胞属性，便于后续进行细胞标记。
实施例8
在实施例7的基础上，所述基于AI的肿瘤干细胞与正常细胞的形态学分析系统，还包括：
模型建立模块，用于基于预设面积维度、预设形状维度、预设色彩维度以及预设纹理维度建立特征模型。
上述技术方案的工作原理以及有益效果：通过建立特征模型来进行特征评价，可以提高评价的效率。
实施例9
在实施例1的基础上，所述基于AI的肿瘤干细胞与正常细胞的形态学分析系统，如图5所述，所述确认标记模块，包括：
第一确定单元，用于根据所述细胞属性将所述被测细胞样本中包含的被测细胞划分为肿瘤干细胞和正常细胞；
第二确定单元，用于在所述被测细胞样本中对所述肿瘤干细胞进行第一定位，得到对应的第一定位结果，在所述被测细胞样本中所述正常细胞进行第二定位，得到对应的第二定位结果；
映射单元，用于分别将所述第一定位结果和第二定位结果映射到每一所述形态图像中，得到每一所述形态图像中与所述第一定位结果之间的第一重合信息，以及每一所述形态图像中与所述第二定位结果之间的第二重合信息；
标记确定单元，用于根据所述第一重合信息在对应的形态图像上对所述肿瘤干细胞进行第一标记，根据所述第二重合信息在对应的形态图像上对所述正常细胞进行第二标记。
该实例中，第一定位表示定位被测细胞样本中肿瘤干细胞的位置的过程，第一定位结构表示第一定位的结果；
该实例中，第二定位表示定位被测细胞中正常细胞的位置，第二定位结构表示第二定位的结果；
该实例中，第一重合信息表示将第一定位结果映射到形态图像中后，形态图像与第一定位结果之间的重合的位置所呈现的信息；
该实例中，第二重合信息表示将第二定位结果映射到形态图像中后，形态图像与第二定位结果之间的重合的位置所呈现的信息。
上述技术方案的工作原理以及有益效果：为了更好的区分肿瘤干细胞和正常细胞，先在被测细胞样本中对肿瘤干细胞和正常细胞进行定位，让将定位结果映射到形态图像中，得到形态图像与定位结果之间的重合信息，进而根据重合信息来标记形态图像上不同的细胞，实现了同步标记，不留遗漏的目的。
实施例10
在实施例3的基础上，所述基于AI的肿瘤干细胞与正常细胞的形态学分析系统，还包括：
查询模块，用于根据用户发出的查找指令在所述信息存储模块中查找对应的目标细胞统计信息并传输到所述用户对应的指定终端进行显示。
上述技术方案的工作原理以及有益效果：通过设置查找模块可以便于医护人员随时查阅不同被测细胞样本的细胞统计信息。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (9)
1.基于AI的肿瘤干细胞与正常细胞的形态学分析系统，其特征在于，包括：
采集绘制模块，用于获取被测细胞样本的图像数据，根据所述图像数据绘制所述被测细胞样本的若干个形态图像；
第一识别模块，用于分别对每一形态图像进行粗识别，得到每一形态图像上包含的若干个细胞轮廓，根据所述细胞轮廓绘制所述被测细胞样本中每一被测细胞对应的三维细胞轮廓；
第二识别模块，用于对所述三维细胞轮廓进行细识别，得到每一被测细胞对应的轮廓特征，根据所述轮廓特征确定对应被测细胞的细胞属性；
确认标记模块，用于根据所述细胞属性分别对每一形态图像中的肿瘤干细胞进行第一标记，以及对正常细胞进行第二标记；
所述采集绘制模块，包括：
预处理单元，用于查找所述被测细胞样本的基本数据，在所述基本数据中筛选所述被测细胞样本的图像数据；
数据分析单元，用于对所述图像数据进行分段处理得到若干个子数据，分别获取每一子数据对应的描述信息，获取不同描述信息之间的描述相似度，将描述相似度在预设相似度范围内的子数据记作同一数据类；
图像绘制单元，用于根据每一所述数据类在预设绘制区域中绘制所述被测细胞样本的若干个初级图像，分别对每一初级图像进行完整度评价，根据评价结果将完整度低于预设完整度的初级图像记作第一初级图像，将完整度高于或等于预设完整度的初级图像记作第二初级图像；
图像融合单元，用于分别将第一初级图像与不同的所述第二初级图像上进行像素融合，得到每一所述第一初级图像与不同的所述第二初级图像之间的像素融合率，分别获取每一所述第一初级图像的最大像素融合率对应的目标融合结果，统计所有的像素融合结果建立所述被测细胞样本的若干个形态图像。
2.如权利要求1所述的基于AI的肿瘤干细胞与正常细胞的形态学分析系统，其特征在于，还包括：
显示模块，用于分别显示每一所述形态图像以及对应的标记结果。
3.如权利要求1所述的基于AI的肿瘤干细胞与正常细胞的形态学分析系统，其特征在于，还包括：
信息存储模块，用于根据每一被测细胞样本对应的所有形态图像中的标记结果，统计每一被测细胞样本中肿瘤干细胞的第一数量和正常细胞的第二数量，建立细胞统计信息并进行存储。
4.如权利要求1所述的基于AI的肿瘤干细胞与正常细胞的形态学分析系统，其特征在于，所述图像融合单元，包括：
预分类子单元，用于根据所述第一初级图像对应的第一图像数量和所述第二初级图像对应的第二图像数量建立第一融合层和第二融合层，将所述第一初级图像输入到所述第一融合层中以及将所述第二初级图像输入到所述第二融合层中；
融合分析子单元，用于根据所述第一图像数量和第二图像数量得到像素融合结果的计算数量，循环在所述第一融合层中提取一个第一初级图像与所述第二融合层中的第二初级图像进行像素融合，生成若干个融合结果，当所述融合结果的实际数量与所述计算数量一致时，完成像素融合工作；
结果分析子单元，用于根据所述融合结果得到每一所述第一初级图像与不同第二初级图像之间的像素融合率，将同一所述第一初级图像对应的若干个像素融合率按照由大到小的顺序进行排序，得到每一所述第一初级图像对应的融合率列表；
融合执行子单元，用于根据所述融合率列表得到每一所述第一初级图像对应的最大像素融合率，获取所述最大像素融合率对应的最大融合结果，获取最大像素融合率在预设融合率阈值外内的目标融合结果，统计所有的像素融合结果建立所述被测细胞样本的若干个形态图像。
5.如权利要求1所述的基于AI的肿瘤干细胞与正常细胞的形态学分析系统，其特征在于，所述第一识别模块，包括：
转换建元单元，用于分别将每一形态图像转换为二值形态图像，分别对所述二值形态图像进行阈值分割，得到每一所述二值形态图像对应的图像背景和图像前景，利用预设结构元样本分别遍历每一所述图像前景，得到每一所述二值形态图像对应的若干个前景结构元；
粗识别单元，用于分别将每一前景结构元标记在所述二值形态图像上，得到若干个标记像素点，根据所述标记像素点在所述二值形态图像上的分布情况建立对应二值形态图像的前景轮廓；
轮廓处理单元，用于分别获取每一前景轮廓对应的轮廓线长，以及获取对应图像背景的背景周长，当所述二值形态图像的轮廓线长小于对应的背景周长时，对所述前景轮廓进行闭运算，得到第一细胞轮廓，当所述二值形态图像的轮廓线长大于对应背景周长的三倍时，对所述前景轮廓进行开运算，得到第二细胞轮廓；
轮廓建立单元，用于将所述第一细胞轮廓和所述第二细胞轮廓输入到预设三维坐标系中建立所述被测细胞样本中每一被测细胞对应的三维细胞轮廓。
6.如权利要求1所述的基于AI的肿瘤干细胞与正常细胞的形态学分析系统，其特征在于，所述第二识别模块，包括：
细识别单元，用于分别对每一所述三维细胞轮廓进行特征模型中进行评价训练，得到每一对应被测细胞在不同维度下对应的呈现特征；
标签建立单元，用于将同一维度下呈现特征一致的被测细胞建立维度标签，记作同特征细胞，根据所述同特征细胞建立对应的细胞序列，获取所述细胞序列在对应维度下的序列特征，根据所述序列特征为对应细胞序列中的每一被测细胞建立维度规格；
特征分类单元，用于根据同一被测细胞对应的所述维度标签和维度规格建立所述被测细胞的轮廓特征，在预设特征-属性列表中查询每一轮廓特征，得到每一所述被测细胞对应的细胞属性。
7.如权利要求6所述的基于AI的肿瘤干细胞与正常细胞的形态学分析系统，其特征在于，还包括：
模型建立模块，用于基于预设面积维度、预设形状维度、预设色彩维度以及预设纹理维度建立特征模型。
8.如权利要求1所述的基于AI的肿瘤干细胞与正常细胞的形态学分析系统，其特征在于，所述确认标记模块，包括：
第一确定单元，用于根据所述细胞属性将所述被测细胞样本中包含的被测细胞划分为肿瘤干细胞和正常细胞；
第二确定单元，用于在所述被测细胞样本中对所述肿瘤干细胞进行第一定位，得到对应的第一定位结果，在所述被测细胞样本中所述正常细胞进行第二定位，得到对应的第二定位结果；
映射单元，用于分别将所述第一定位结果和第二定位结果映射到每一所述形态图像中，得到每一所述形态图像中与所述第一定位结果之间的第一重合信息，以及每一所述形态图像中与所述第二定位结果之间的第二重合信息；
标记确定单元，用于根据所述第一重合信息在对应的形态图像上对所述肿瘤干细胞进行第一标记，根据所述第二重合信息在对应的形态图像上对所述正常细胞进行第二标记。
9.如权利要求3所述的基于AI的肿瘤干细胞与正常细胞的形态学分析系统，其特征在于，还包括：
查询模块，用于根据用户发出的查找指令在所述信息存储模块中查找对应的目标细胞统计信息并传输到所述用户对应的指定终端进行显示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311579165.4A CN117288659B (zh) | 2023-11-24 | 2023-11-24 | 基于ai的肿瘤干细胞与正常细胞的形态学分析系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311579165.4A CN117288659B (zh) | 2023-11-24 | 2023-11-24 | 基于ai的肿瘤干细胞与正常细胞的形态学分析系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117288659A CN117288659A (zh) | 2023-12-26 |
| CN117288659B true CN117288659B (zh) | 2024-02-13 |
Family
ID=89241121
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311579165.4A Active CN117288659B (zh) | 2023-11-24 | 2023-11-24 | 基于ai的肿瘤干细胞与正常细胞的形态学分析系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117288659B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111652095A (zh) * | 2020-05-21 | 2020-09-11 | 骏实生物科技(上海)有限公司 | 一种基于人工智能的ctc图像识别方法和系统 |
| CN111882561A (zh) * | 2020-06-18 | 2020-11-03 | 桂林电子科技大学 | 一种癌细胞识别诊断系统 |
| CN113591791A (zh) * | 2021-08-16 | 2021-11-02 | 郑州大学 | 基于自学习人工智能的肺癌自动化识别系统 |
| WO2022001237A1 (zh) * | 2020-06-28 | 2022-01-06 | 广州柏视医疗科技有限公司 | 鼻咽癌原发肿瘤图像自动识别方法及系统 |
| CN115908363A (zh) * | 2022-12-07 | 2023-04-04 | 赛维森(广州)医疗科技服务有限公司 | 肿瘤细胞统计方法、装置、设备和存储介质 |
| CN116757998A (zh) * | 2023-05-06 | 2023-09-15 | 赖仁胜 | 基于ai的ctc细胞和ctc样细胞的筛查方法及装置 |
| CN116883323A (zh) * | 2023-06-16 | 2023-10-13 | 中国医学科学院肿瘤医院 | 一种基于计算机视觉的多重免疫荧光图像分析系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA3125448A1 (en) * | 2018-12-31 | 2020-07-09 | Tempus Labs, Inc. | Artificial intelligence segmentation of tissue images |
-
2023
- 2023-11-24 CN CN202311579165.4A patent/CN117288659B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111652095A (zh) * | 2020-05-21 | 2020-09-11 | 骏实生物科技(上海)有限公司 | 一种基于人工智能的ctc图像识别方法和系统 |
| CN111882561A (zh) * | 2020-06-18 | 2020-11-03 | 桂林电子科技大学 | 一种癌细胞识别诊断系统 |
| WO2022001237A1 (zh) * | 2020-06-28 | 2022-01-06 | 广州柏视医疗科技有限公司 | 鼻咽癌原发肿瘤图像自动识别方法及系统 |
| CN113591791A (zh) * | 2021-08-16 | 2021-11-02 | 郑州大学 | 基于自学习人工智能的肺癌自动化识别系统 |
| CN115908363A (zh) * | 2022-12-07 | 2023-04-04 | 赛维森(广州)医疗科技服务有限公司 | 肿瘤细胞统计方法、装置、设备和存储介质 |
| CN116757998A (zh) * | 2023-05-06 | 2023-09-15 | 赖仁胜 | 基于ai的ctc细胞和ctc样细胞的筛查方法及装置 |
| CN116883323A (zh) * | 2023-06-16 | 2023-10-13 | 中国医学科学院肿瘤医院 | 一种基于计算机视觉的多重免疫荧光图像分析系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117288659A (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cheng et al. | Outdoor scene image segmentation based on background recognition and perceptual organization | |
| CN106529424B (zh) | 一种基于选择性搜索算法的车标检测识别方法及系统 | |
| CN103577475B (zh) | 一种图片自动化分类方法、图片处理方法及其装置 | |
| CN108228798A (zh) | 确定点云数据之间的匹配关系的方法和装置 | |
| CN111695482A (zh) | 一种管道缺陷识别方法 | |
| CN108830332A (zh) | 一种视觉车辆检测方法及系统 | |
| AU2020103716A4 (en) | Training method and device of automatic identification device of pointer instrument with numbers in natural scene | |
| WO2019072181A1 (zh) | 骨髓细胞标记方法和系统 | |
| CN105893925A (zh) | 基于肤色的人手检测方法及装置 | |
| CN108268527B (zh) | 一种检测土地利用类型变化的方法 | |
| CN111402224B (zh) | 一种用于电力设备的目标识别方法 | |
| CN108764338B (zh) | 一种应用于视频分析的行人跟踪方法 | |
| CN107067037B (zh) | 一种使用llc准则定位图像前景的方法 | |
| CN111832578A (zh) | 兴趣点信息处理方法、装置、电子设备和存储介质 | |
| CN101246554A (zh) | 基于像素标记的多目标图像分割方法 | |
| CN117288659B (zh) | 基于ai的肿瘤干细胞与正常细胞的形态学分析系统 | |
| CN109492573A (zh) | 一种指针读取方法及装置 | |
| CN111553345A (zh) | 基于Mask RCNN与正交线性回归实现仪表指针读数识别处理的方法 | |
| CN110008837A (zh) | 一种根据所属道路网络封闭多边形统计poi的快速实现方法 | |
| CN110716199A (zh) | 用于计算机自动辨别多类型缺陷的地质雷达标记方法 | |
| Zhang et al. | A YOLOv3-Based Industrial Instrument Classification and Reading Recognition Method | |
| CN109190451A (zh) | 基于lfp特征的遥感图像车辆检测方法 | |
| CN108596150A (zh) | 一种可排除异常动作的行为识别系统及其工作方法 | |
| US11966842B2 (en) | Systems and methods to train a cell object detector | |
| CN114742803A (zh) | 一种结合深度学习与数字图像处理算法的血小板聚集检测方法 |
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 |