CN117557557B - 一种基于细胞核分割模型的甲状腺病理切片细胞检测方法 - Google Patents
一种基于细胞核分割模型的甲状腺病理切片细胞检测方法 Download PDFInfo
- Publication number
- CN117557557B CN117557557B CN202410030789.9A CN202410030789A CN117557557B CN 117557557 B CN117557557 B CN 117557557B CN 202410030789 A CN202410030789 A CN 202410030789A CN 117557557 B CN117557557 B CN 117557557B
- Authority
- CN
- China
- Prior art keywords
- cell nucleus
- contour
- segmentation model
- kernel
- conv3
- 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
- 210000003855 cell nucleus Anatomy 0.000 title claims abstract description 50
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 230000011218 segmentation Effects 0.000 title claims abstract description 41
- 230000001575 pathological effect Effects 0.000 title claims abstract description 37
- 210000004027 cell Anatomy 0.000 title claims abstract description 26
- 210000001685 thyroid gland Anatomy 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 27
- 230000004913 activation Effects 0.000 claims abstract description 9
- 239000000284 extract Substances 0.000 claims abstract description 5
- 238000001914 filtration Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 9
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 5
- 239000012535 impurity Substances 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000007170 pathology Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 10
- 230000002380 cytological effect Effects 0.000 abstract description 3
- 238000011176 pooling Methods 0.000 abstract description 2
- 238000005096 rolling process Methods 0.000 abstract description 2
- 101000837837 Homo sapiens Transcription factor EC Proteins 0.000 abstract 1
- 102100028503 Transcription factor EC Human genes 0.000 abstract 1
- 210000003000 inclusion body Anatomy 0.000 abstract 1
- 238000012805 post-processing Methods 0.000 abstract 1
- 238000000926 separation method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 208000024799 Thyroid disease Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000001094 effect on targets Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004940 nucleus Anatomy 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction 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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10024—Color 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
- G06T2207/10—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
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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]
-
- 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
本发明公开了一种基于细胞核分割模型的甲状腺病理切片细胞检测方法，使用细胞核分割模型结合图像后处理方法对甲状腺细胞学病理切片进行目标检测，其中：细胞核分割模型接收滑窗得到的图像块作为输入，在经历一系列卷积和池化操作后，从不同的尺度中提取特征，并将它们合并在一起；接着，经过多个卷积层的处理，最终通过sigmoid激活函数输出图像块内细胞核的预测概率图；预测概率图再经过图像处理，能够同时检测出细胞级别的结构如PTC细胞团、TFEC细胞团以及亚细胞级别的结构如核沟、假包涵体；能够给下游任务如图像分类等召回足够的目标图像。
Description
技术领域
本发明涉及病理切片领域，特别涉及一种基于细胞核分割模型的甲状腺病理切片细胞检测方法。
背景技术
甲状腺细胞学病理切片是诊断甲状腺疾病的重要手段之一。在临床上，医生需要通过对甲状腺细胞学病理切片的观察和分析来判断病变类型、分级以及是否存在恶性肿瘤等病理信息。然而，传统的目标检测方法在处理甲状腺细胞学病理切片时存在一些挑战。
甲状腺细胞学病理切片中的目标通常非常小且数量庞大。传统目标检测算法在小目标检测方面表现较差，容易错过（漏检）或误识别目标（检错），影响病理诊断的准确性。此外，甲状腺细胞学病理切片通常具有高密度的目标分布。传统的目标检测算法在大量高密度目标的情况下容易发生目标遮挡、重叠和错位等问题，导致目标检测的准确性下降。
传统的深度学习方法是近年来在目标检测领域取得突破性进展的方法。它通过训练神经网络来自动学习图像中的特征，并进行目标检测。在甲状腺细胞学病理切片中，通过使用卷积神经网络（CNN）来识别目标细胞。一种常用的深度学习模型是YOLO系列模型，通过训练YOLO模型，可以实现对甲状腺细胞学切片中的目标细胞进行自动化的快速检测和分类。
现有的目标检测模型如YOLO系列模型，存在以下缺点：
1、目标定位精度下降：YOLO将图像划分成网格，并通过预测每个网格中存在的目标的边界框来进行目标检测。然而，对于小目标来说，它们往往只占据网格的一小部分。这可能导致边界框无法准确地定位到小目标的中心，从而影响目标的定位精度。
2、高密度目标处理困难：YOLO通常是基于每个网格中存在的目标数量来进行目标检测。对于高密度目标场景，可能会存在多个小目标在同一网格中的情况。这会导致模型难以准确地预测每个小目标的边界框和类别。
因此，构建一种具有高定位精度且能有效处理高密度目标的目标检测框架是当前目标检测研究的一个重要方向，符合精准医疗的时代需求。
发明内容
本发明的目的在于克服现有技术的缺点与不足，提供一种基于细胞核分割模型的甲状腺病理切片细胞检测方法；本发明采用了精巧设计的细胞核分割模型和图像处理技术，以实现更加精准的目标定位和更高的小目标检测召回率。通过细胞核分割模型的使用，能够将细胞核与背景进行有效地分离，从而减少了误检和漏检的情况。同时，图像处理技术的应用进一步增强了模型的鲁棒性和准确性，使其能够更好地适应各种复杂的图像场景。
本发明的目的通过以下的技术方案实现：
一种基于细胞核分割模型的甲状腺病理切片细胞检测方法，包括以下步骤：
A、将病理切片进行数字化，获得数字化病理图像并保存；
B、以固定的步长、不重叠的方式在数字病理大图上滑窗取块，得到固定大小的图像块；
C、通过细胞核分割模型对图像块进行分割，得到图像块对应的预测概率图；
D、对预测概率图进行核轮廓提取，得到核轮廓集合N-Set0；
E、分别设置核预测概率、核面积、核圆形度阈值，过滤不满足条件的核轮廓，得到过滤后的核轮廓集合N-Set1；
F、判断N-Set1中的轮廓是否符合“小目标”的范围，若符合则认定为小目标轮廓，然后进入步骤G,否则认定为大目标核轮廓集合C-Set1；
F1、对过滤后的核轮廓集合N-Set1做形态学闭运算，从而将相邻的核轮廓连通起来；
G1、提取形态学闭运算之后的图片轮廓，得到轮廓集合C-Set2；
H1、针对步骤F中得到的大目标核轮廓集合C-Set1以及步骤G1中得到的轮廓集合C-Set2，过滤其中面积小于设定值的轮廓，筛选出最终的大目标轮廓；
G、分别求大、小目标轮廓的最小外接矩形，即得到目标检测框；
H、输出最终的目标检测框。
步骤B中，所述图像块从RGB转换到HSV颜色空间，然后提取待过滤颜色区间，得到待过滤颜色的掩膜，对待过滤颜色的掩膜做逻辑取反操作，最后与步骤C中得到的预测概率图进行逻辑“与”运算，即过滤掉该颜色以及黑色杂质。
所述提取待过滤颜色区间是通过设定待过滤颜色的H（Hue,色度）、S(Saturation,饱和度)及V(value,明度)阈值来完成。
所述N-Set1中的轮廓是否符合“小目标”的范围，根据病理医生经验设计简单规则来进行判断。
所述细胞核分割模型，输入图片首先经过两个“Conv3+BN”的操作提取初级特征，其中Conv3表示3×3的卷积，BN表示批归一化操作；接着，在深度方向进一步分别经过2个、1个、9个、1个“SeparableConv+BN”结构，逐步提取深层特征，同时横向将这2个、1个、9个、1个“SeparableConv+BN”结构所提取的特征往横向传递到“Conv1+BN”以及“Conv3+Upsample”结构，配合不同倍数的上采样缩放因子，将维度统一，实现将不同维度特征拼接融合的操作；融合得到的特征在经过“Conv3+BN+relu”和“Upsample+Conv3+relu”之后，与网络最前面的两个“Conv3+BN” 的操作提取初级特征进行拼接，将初级特征与深层特征进一步融合，然后经过“Conv3+relu”、“Conv3+Conv3+relu+Conv3+Conv1”，最后通过Sigmoid激活函数得到网络对输入图片中细胞核的预测掩膜。
同时，本发明提供：
一种服务器，所述服务器包括处理器和存储器，所述存储器中存储有至少一段程序，所述程序由所述处理器加载并执行以实现上述基于细胞核分割模型的甲状腺病理切片细胞检测方法。
一种计算机可读存储介质，所述存储介质中存储有至少一段程序，所述程序由处理器加载并执行以实现上述基于细胞核分割模型的甲状腺病理切片细胞检测方法。
本发明与现有技术相比，具有如下优点和有益效果：
对比传统的目标检测模型，本发明采用了精巧设计的细胞核分割模型和图像处理技术，以实现更加精准的目标定位和更高的小目标检测召回率。
细胞核分割模型的引入为目标检测任务带来了许多优势。首先，它能够更好地捕捉到目标的形状和边界信息，从而提高了精确定位的准确性。其次，通过对细胞核进行分割，可以克服目标尺度变化的问题，使模型能够在不同尺度的目标上实现更好的检测效果。此外，该方法还能有效处理目标之间的遮挡和相互干扰的问题，提高了目标检测的鲁棒性和稳定性。
另一方面，颜色过滤模块的加入使得该方法在应对一些特定场景和任务时更加友好。通过设置指定颜色的过滤条件，可以滤除图像中的杂质和干扰信息，提取出目标特定的颜色，从而进一步增强了模型对目标的识别和定位能力。这有助于提高后续任务的准确性和效率，提升用户体验。
综上所述，通过采用细胞核分割模型、图像处理技术以及颜色过滤模块，本方法在目标定位精准性、小目标检测召回率和下游任务友好性方面表现出许多优势。这些创新方法的应用使得目标检测模型更加准确、鲁棒且适应性更强。
附图说明
图1为实施例1对应的基于细胞核分割模型的甲状腺病理切片细胞检测方法的流程图。
图2为实施例1对应的细胞核分割模型的网络结构示意图。
图3为实施例1对应的细胞核分割模型的concat拼接操作示意图。
图4为实施例1对应的细胞核分割模型的上采样操作示意图。
图5为实施例1对应的细胞核分割模型的relu激活函数曲线图。
图6为实施例1对应的细胞核分割模型的Sigmoid激活函数曲线图。
图7为实施例2对应的基于细胞核分割模型的甲状腺病理切片细胞检测方法的流程图。
图8为实施例2对应的基于细胞核分割模型的甲状腺病理切片细胞检测方法的流程示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例1
如图1，基于细胞核分割模型的甲状腺病理切片细胞检测方法，包含以下步骤：
A、病理切片数字化：病理医生或相关专业人员使用扫描仪将病理切片进行数字化，获得数字化病理图像保存到本地计算机存储；
B、滑窗获得图像块：以固定的步长，以不重叠的方式在数字病理大图上滑窗取块，得到固定大小的图像块，便于后续处理；
C、细胞核分割模型：首先先用细胞核分割模型对图像块进行分割，得到图像块对应的预测概率图；
D、核轮廓提取：对C中得到的预测概率图进行核轮廓提取，得到核轮廓集合：N-Set0；
E、阈值过滤：分别设置核预测概率、核面积、核圆形度阈值，过滤不满足条件的轮廓，得到N-Set1；
F、条件判断：根据病理医生经验设计简单规则判断N-Set1中的轮廓是否符合“小目标”的范围，如符合则进入步骤G,否则认定为大目标核轮廓集合C-Set1；
F1、形态学闭运算：对N-Set1做形态学闭运算，从而将相邻的核轮廓连通起来；
G1、轮廓提取：提取形态学闭运算之后的图片轮廓，得到轮廓集合C-Set2；
H1、面积过滤：针对步骤F中得到的大目标核轮廓集合C-Set1以及步骤G1中得到的C-Set2，过滤其中面积过小的轮廓，筛选出最终的大目标轮廓；
G、求轮廓外接矩形：求大、小目标轮廓的最小外接矩形，即得到目标检测框；
H、得到最终的目标检测框。
如图2，细胞核分割模型接收滑窗得到的图像块作为输入，在经历一系列卷积和池化操作后，从不同的尺度中提取特征，并将它们合并在一起。接着，经过多个卷积层的处理，最终通过sigmoid激活函数输出图像块内细胞核的预测概率图。
细胞核分割模型为本发明自创的一种网络模型，命名为XFPN_Unet. 该模型主要融合了Xception网络中的分离卷积、FPN（Feature Pyramid Networks）即特征金字塔结构以及Unet的结构特点。其中，分离卷积模块为图2中的Block1~Block13，作用是实现通道分离，使得模型更加轻量级和高效；FPN结构体现为图2中虚线部分，作用是提取不同尺度的特征，并将它们融合起来提升网络性能；网络整体呈Unet网络的“U”形结构。
图2中，黑色箭头为数据流方向。细胞核分割模型中，输入图片首先经过两个“Conv3+BN”的操作提取初级特征，其中Conv3表示3×3的卷积，BN表示批归一化操作，batchnormalization；接着，在深度方向进一步分别经过2个、1个、9个、1个“SeparableConv+BN”结构，逐步提取深层特征，同时横向将这2个、1个、9个、1个“SeparableConv+BN”结构所提取的特征往横向传递到“Conv1+BN”以及“Conv3+Upsample”结构，配合不同倍数的上采样缩放因子，将维度统一，实现将不同维度特征拼接融合的操作，图2中的虚线部分即为FPN特征金字塔结构；FPN融合得到的特征在经过“Conv3+BN+relu”和“Upsample+Conv3+relu”之后，与网络最前面的两个“Conv3+BN” 的操作提取初级特征进行拼接，将初级特征与深层特征进一步融合，然后经过“Conv3+relu”、“Conv3+Conv3+relu+Conv3+Conv1”，最后通过Sigmoid激活函数得到网络对输入图片中细胞核的预测掩膜。
图2中的操作⊕表示concat拼接操作，concat拼接操作如图3所示；Conv1表示1×1卷积操作，Conv3表示3×3卷积操作；Upsample表示上采样操作，见图4；relu表示激活函数,见图5；操作 表示Sigmoid激活函数，见图6. Scale:1、Scale:2、Scale:4、Scale:8表示上采样缩放因子倍数。
细胞核分割模型进行语义分割，相当于是像素级别的二分类，相比于传统目标检测如YOLO系列模型对于检测框的回归，其对于小目标的检测召回能力大大提高。
同时，本发明提供：
一种服务器，所述服务器包括处理器和存储器，所述存储器中存储有至少一段程序，所述程序由所述处理器加载并执行以实现上述基于细胞核分割模型的甲状腺病理切片细胞检测方法。
一种计算机可读存储介质，所述存储介质中存储有至少一段程序，所述程序由处理器加载并执行以实现上述基于细胞核分割模型的甲状腺病理切片细胞检测方法。
与传统的目标检测模型相比，本方法采用了经过精巧设计的细胞核分割模型，并结合了图像处理技术，以实现更加精准的目标定位和更高的小目标检测召回率。同时，该方法还引入了颜色过滤模块，能够有效地过滤掉指定颜色的杂质，提升了对下游任务的友好性。
实施例2
如图7、8，实施例2与实施例1相比，增加了“步骤I、特定颜色过滤”，其余与实施例1相同。
步骤I、特定颜色过滤：首先将步骤B得到的图像块，从RGB转换到HSV颜色空间，然后通过设定特定颜色的H（Hue,色度）、S(Saturation, 饱和度)及V(value,明度)阈值，提取特定颜色区间，得到特定颜色的掩膜。由于要过滤该颜色区域，故需要对该颜色掩膜做逻辑取反操作，最后与步骤C中得到的预测概率图进行逻辑与操作，即实现了特定颜色过滤如红色（红细胞）和黑色（一些杂质）的过滤。
图7中的步骤I阐述了“图像处理技术的应用进一步增强了模型的鲁棒性和准确性，使其能够更好地适应各种复杂的图像场景”。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (6)
1.一种基于细胞核分割模型的甲状腺病理切片细胞检测方法，其特征在于，包括以下步骤：
A、将病理切片进行数字化，获得数字化病理图像并保存；
B、以固定的步长、不重叠的方式在数字病理大图上滑窗取块，得到固定大小的图像块；
C、通过细胞核分割模型对图像块进行分割，得到图像块对应的预测概率图；
所述细胞核分割模型，输入图片首先经过两个“Conv3+BN”的操作提取初级特征，其中Conv3表示3×3的卷积，BN表示批归一化操作；接着，在深度方向进一步分别经过2个、1个、9个、1个“SeparableConv+BN”结构，逐步提取深层特征，同时横向将这2个、1个、9个、1个“SeparableConv+BN”结构所提取的特征往横向传递到“Conv1+BN”以及“Conv3+Upsample”结构，配合不同倍数的上采样缩放因子，将维度统一，实现将不同维度特征拼接融合的操作；融合得到的特征在经过“Conv3+BN+relu”和“Upsample+Conv3+relu”之后，与网络最前面的两个“Conv3+BN” 的操作提取初级特征进行拼接，将初级特征与深层特征进一步融合，然后经过“Conv3+relu”、“Conv3+Conv3+relu+Conv3+Conv1”，最后通过Sigmoid激活函数得到网络对输入图片中细胞核的预测掩膜；
D、对预测概率图进行核轮廓提取，得到核轮廓集合N-Set0；
E、分别设置核预测概率、核面积、核圆形度阈值，过滤不满足条件的核轮廓，得到过滤后的核轮廓集合N-Set1；
F、判断N-Set1中的轮廓是否符合“小目标”的范围，若符合则认定为小目标轮廓，然后进入步骤G,否则认定为大目标核轮廓集合C-Set1；
F1、对过滤后的核轮廓集合N-Set1做形态学闭运算，从而将相邻的核轮廓连通起来；
G1、提取形态学闭运算之后的图片轮廓，得到轮廓集合C-Set2；
H1、针对步骤F中得到的大目标核轮廓集合C-Set1以及步骤G1中得到的轮廓集合C-Set2，过滤其中面积小于设定值的轮廓，筛选出最终的大目标轮廓；
G、分别求大、小目标轮廓的最小外接矩形，即得到目标检测框；
H、输出最终的目标检测框。
2.根据权利要求1所述基于细胞核分割模型的甲状腺病理切片细胞检测方法，其特征在于，步骤B中，所述图像块从RGB转换到HSV颜色空间，然后提取待过滤颜色区间，得到待过滤颜色的掩膜，对待过滤颜色的掩膜做逻辑取反操作，最后与步骤C中得到的预测概率图进行逻辑“与”运算，即过滤掉该颜色以及黑色杂质。
3.根据权利要求2所述基于细胞核分割模型的甲状腺病理切片细胞检测方法，其特征在于，所述提取待过滤颜色区间是通过设定待过滤颜色的H、S及V阈值来完成。
4.根据权利要求1所述基于细胞核分割模型的甲状腺病理切片细胞检测方法，其特征在于，所述N-Set1中的轮廓是否符合“小目标”的范围，根据病理医生经验设计简单规则来进行判断。
5.一种服务器，其特征在于，所述服务器包括处理器和存储器，所述存储器中存储有至少一段程序，所述程序由所述处理器加载并执行以实现权利要求1至4任一权利要求所述基于细胞核分割模型的甲状腺病理切片细胞检测方法。
6.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一段程序，所述程序由处理器加载并执行以实现权利要求1至4任一权利要求所述基于细胞核分割模型的甲状腺病理切片细胞检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410030789.9A CN117557557B (zh) | 2024-01-09 | 2024-01-09 | 一种基于细胞核分割模型的甲状腺病理切片细胞检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410030789.9A CN117557557B (zh) | 2024-01-09 | 2024-01-09 | 一种基于细胞核分割模型的甲状腺病理切片细胞检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117557557A CN117557557A (zh) | 2024-02-13 |
| CN117557557B true CN117557557B (zh) | 2024-04-26 |
Family
ID=89814990
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410030789.9A Active CN117557557B (zh) | 2024-01-09 | 2024-01-09 | 一种基于细胞核分割模型的甲状腺病理切片细胞检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117557557B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108364288A (zh) * | 2018-03-01 | 2018-08-03 | 北京航空航天大学 | 用于乳腺癌病理图像的分割方法和装置 |
| CN110580699A (zh) * | 2019-05-15 | 2019-12-17 | 徐州医科大学 | 基于改进Faster RCNN算法的病理图像细胞核检测方法 |
| CN113628201A (zh) * | 2021-08-19 | 2021-11-09 | 西安电子科技大学 | 基于深度学习的病理切片分析方法、电子设备及可读存储介质 |
| WO2022100034A1 (zh) * | 2020-11-10 | 2022-05-19 | 广州柏视医疗科技有限公司 | 基于深度学习的甲状腺细胞病理切片恶性区域的检测方法 |
| CN114764789A (zh) * | 2022-03-30 | 2022-07-19 | 广州锟元方青医疗科技有限公司 | 病理细胞的量化方法、系统、装置及存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8135202B2 (en) * | 2008-06-02 | 2012-03-13 | Nec Laboratories America, Inc. | Automated method and system for nuclear analysis of biopsy images |
| EP4038572A1 (en) * | 2019-10-02 | 2022-08-10 | Memorial Sloan Kettering Cancer Center | Deep multi-magnification networks for multi-class image segmentation |
-
2024
- 2024-01-09 CN CN202410030789.9A patent/CN117557557B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108364288A (zh) * | 2018-03-01 | 2018-08-03 | 北京航空航天大学 | 用于乳腺癌病理图像的分割方法和装置 |
| CN110580699A (zh) * | 2019-05-15 | 2019-12-17 | 徐州医科大学 | 基于改进Faster RCNN算法的病理图像细胞核检测方法 |
| WO2022100034A1 (zh) * | 2020-11-10 | 2022-05-19 | 广州柏视医疗科技有限公司 | 基于深度学习的甲状腺细胞病理切片恶性区域的检测方法 |
| CN113628201A (zh) * | 2021-08-19 | 2021-11-09 | 西安电子科技大学 | 基于深度学习的病理切片分析方法、电子设备及可读存储介质 |
| CN114764789A (zh) * | 2022-03-30 | 2022-07-19 | 广州锟元方青医疗科技有限公司 | 病理细胞的量化方法、系统、装置及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 多信息融合的彩色细胞图像分割方法;马东等;北京生物医学工程;20000325;第19卷(第1期);第33页摘要-第37页第5节 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117557557A (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107274386B (zh) | 一种宫颈细胞液基涂片人工智能辅助阅片系统 | |
| CN110533084B (zh) | 一种基于自注意力机制的多尺度目标检测方法 | |
| CN111696094B (zh) | 免疫组化pd-l1膜染色病理切片图像处理方法、装置和设备 | |
| Khoshelham et al. | Performance evaluation of automated approaches to building detection in multi-source aerial data | |
| CN111524137B (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
| CN111145209B (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
| CN110376198B (zh) | 一种宫颈液基细胞切片质量检测系统 | |
| CN109492706B (zh) | 一种基于循环神经网络的染色体分类预测装置 | |
| CN112380900A (zh) | 基于深度学习的子宫颈液基细胞数字图像分类方法及系统 | |
| CN111402267B (zh) | 前列腺癌病理图像中上皮细胞核的分割方法、装置和终端 | |
| CN110348435B (zh) | 一种基于区域候选网络的目标检测方法及系统 | |
| CN111027475A (zh) | 一种基于视觉的实时交通信号灯识别方法 | |
| CN111784711A (zh) | 一种基于深度学习的肺部病理图像分类与分割方法 | |
| CN113160185A (zh) | 一种利用生成边界位置指导宫颈细胞分割的方法 | |
| CN115294377A (zh) | 一种道路裂缝的识别系统及方法 | |
| CN115909006A (zh) | 基于卷积Transformer的乳腺组织图像分类方法及系统 | |
| RU2476932C1 (ru) | Автоматизированная система анализа биомедицинских микроизображений для обнаружения и характеризации информативных объектов заданных классов на неоднородном фоне | |
| CN113129281B (zh) | 一种基于深度学习的小麦茎秆截面参数检测方法 | |
| CN114140445A (zh) | 基于重点关注区域提取的乳腺癌病理图像识别方法 | |
| 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 | |
| CN114299383A (zh) | 基于密度图与注意力机制融合的遥感图像目标检测方法 | |
| CN112703531A (zh) | 生成组织图像的注释数据 | |
| CN112927215A (zh) | 一种消化道活检病理切片自动分析方法 | |
| CN117557557B (zh) | 一种基于细胞核分割模型的甲状腺病理切片细胞检测方法 | |
| Akther et al. | Detection of Vehicle's Number Plate at Nighttime using Iterative Threshold Segmentation (ITS) Algorithm |
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 |