CN110826483A - 白带显微图像细胞识别方法 - Google Patents
白带显微图像细胞识别方法 Download PDFInfo
- Publication number
- CN110826483A CN110826483A CN201911071502.2A CN201911071502A CN110826483A CN 110826483 A CN110826483 A CN 110826483A CN 201911071502 A CN201911071502 A CN 201911071502A CN 110826483 A CN110826483 A CN 110826483A
- Authority
- CN
- China
- Prior art keywords
- cells
- microscopic image
- positive
- negative
- leucorrhea
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 210000004027 cell Anatomy 0.000 claims description 55
- 241000222120 Candida <Saccharomycetales> Species 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 5
- 241000224526 Trichomonas Species 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 210000000265 leukocyte Anatomy 0.000 claims description 4
- 241001502500 Trichomonadida Species 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000013526 transfer learning Methods 0.000 claims description 3
- 230000008014 freezing Effects 0.000 claims description 2
- 238000007710 freezing Methods 0.000 claims description 2
- 230000005859 cell recognition Effects 0.000 claims 4
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000007547 defect Effects 0.000 abstract description 2
- 230000000007 visual effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 2
- 241000222122 Candida albicans Species 0.000 description 1
- 241000233866 Fungi Species 0.000 description 1
- 206010046914 Vaginal infection Diseases 0.000 description 1
- 201000008100 Vaginitis Diseases 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000000601 blood cell Anatomy 0.000 description 1
- 229940095731 candida albicans Drugs 0.000 description 1
- 210000003756 cervix mucus Anatomy 0.000 description 1
- 230000002357 endometrial effect Effects 0.000 description 1
- 229940011871 estrogen Drugs 0.000 description 1
- 239000000262 estrogen Substances 0.000 description 1
- 210000000416 exudates and transudate Anatomy 0.000 description 1
- 230000035784 germination Effects 0.000 description 1
- 210000004907 gland Anatomy 0.000 description 1
- 210000004877 mucosa Anatomy 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
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
- G06V20/693—Acquisition
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种白带显微图像细胞识别方法,S1,通过医学显微镜对放置的白带样本拍摄20张显微图像;S2,对每一张所述显微图像上的各类细胞的位置进行检测并进行类别识别;S2.1,通过改进的YOLOv3‑tiny算法模型找出所有疑似细胞的位置;S2.2,采用Resnet50算法模型对每一张显微图像上的细胞区域进行分类,统计每一张显微图像的细胞识别结果中各类细胞的个数,然后汇总20张显微图像上的各类细胞个数;S3,根据规定的不同类别细胞阴阳性判别标准对细胞个数的要求,输出白带样本各类细胞的阴阳性判别结果。本发明采用深度学习方法识别白带样本中各类细胞,并给出白带样本中各类细胞阴阳性判别结果,降低了由于医生肉眼识别主观性强、严重依赖经验的缺陷。
Description
技术领域
本发明涉及细胞识别方法,尤其是涉及用于白带显微图像细胞识别方法。
背景技术
白带为女性***分泌物,是由***黏膜渗出物、宫颈管及子宫内膜腺体分泌液混合而成,其形成与***作用有关。白细胞是无色、球形、有核的血细胞;念珠菌是一种真菌,通常引起***炎的是念珠菌中的白色念珠菌,菌呈卵圆形,由芽孢及细胞发芽伸长而形成的假菌丝;滴虫是一种极微小有鞭毛的原虫生物。
目前,对白带阴阳性的识别由医生在光学显微镜下面观察白带样本,通过经验进行判别,主观性强,经验要求高。同时光学显微镜***价格贵,且由于要留足图像提供给医生复核,因此每个样本需要拍摄几十张图像,对电脑硬盘要求储量大。
发明内容
本发明目的在于提供一种白带显微图像细胞识别方法,避免人工镜检医生经验差异对检测结果的影响,提高检测效率。
为实现上述目的,本发明采取下述技术方案:
本发明所述的白带显微图像细胞识别方法,包括下述步骤:
S1,通过医学显微镜对放置的白带样本拍摄20张显微图像;
S2,对每一张所述显微图像上的各类细胞的位置进行检测并进行类别识别;
S2.1,通过改进的YOLOv3-tiny算法模型找出所有疑似细胞的位置;
S2.2,采用Resnet50算法模型对每一张显微图像上的细胞区域进行分类,统计每一张显微图像的细胞识别结果中各类细胞的个数,然后汇总20张显微图像上的各类细胞个数;
S3,根据规定的不同类别细胞阴阳性判别标准对细胞个数的要求,输出所述白带样本各类细胞的阴阳性判别结果;滴虫、霉菌的阴阳性行判别标准为:20张显微图像中细胞总个数大于1为阳性,小于1为阴性;白细胞的阴阳性判别标准为:20张图像中细胞总个数大于100为阳性,小于100为阴性。
所述改进的YOLOv3-tiny算法模型是基于YOLOv3-tiny算法并结合显微图像中细胞这类小目标的特点,通过调整模型结构以及特征图的输出,提取更浅层的两组多尺度特征,以适应细胞的检测任务。
所述Resnet50算法模型是传统的卷积神经网络分类模型,由一个卷积层、4个残差模块和全连接层构成;在训练网络的过程中引入迁移学习,并使用Tensorflow官网提供的ImageNet数据集上预训练的Resnet50模型,在训练过程中,将卷积层和前三个残差模块参数冻结,继承源模型底层特征提取能力,将第四个残差模块以及全连接层的参数设置为可更新。
所述显微图像为是JPG、BMP或PNG图像格式。
所述各类细胞包含白细胞、霉菌、念珠菌、滴虫。
本发明采用深度学习方法识别白带样本中各类细胞,并给出白带样本中各类细胞阴阳性判别结果,实现了自动化识别和智能化操作,大大提高了医生的工作效率,降低了由于医生肉眼识别主观性强、严重依赖经验的缺陷。
附图说明
图1是本发明方法的流程框图。
图2是本发明所述改进的YOLOv3-tiny算法模型流程框图。
图3.1、3.2是本发明所述Resnet50算法模型结构框图。
具体实施方式
下面结合附图对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述实施例。
如图1所示,本发明所述的白带显微图像细胞识别方法,包括下述步骤:
S1,通过医学显微镜对放置的白带样本拍摄20张显微图像;显微图像可以是JPG、BMP或PNG图像格式;
S2,对每一张所述显微图像上的各类细胞的位置进行检测并进行类别识别;各类细胞包含白细胞、霉菌、念珠菌、滴虫;
S2.1,通过改进的YOLOv3-tiny算法模型找出所有疑似细胞的位置;
S2.2,采用Resnet50算法模型对每一张显微图像上的细胞区域进行分类,统计每一张显微图像的细胞识别结果中各类细胞的个数,然后汇总20张显微图像上的各类细胞个数;
S3,根据规定的不同类别细胞阴阳性判别标准对细胞个数的要求,输出所述白带样本各类细胞的阴阳性判别结果;滴虫、霉菌的阴阳性行判别标准为:20张显微图像中细胞总个数大于1为阳性,小于1为阴性;白细胞的阴阳性判别标准为:20张图像中细胞总个数大于100为阳性,小于100为阴性。
所述改进的YOLOv3-tiny算法模型是基于YOLOv3-tiny算法并结合显微图像中细胞这类小目标的特点,通过调整模型结构以及特征图的输出,提取更浅层的两组多尺度特征,以适应细胞的检测任务。
如图2所示,是以输入图片大小为416×416为例的改进的YOLOv3模型结构图。本文改进的YOLOv3-tiny模型的特征提取网络采用一个7层卷积层和池化层的网络提取特征,并在两个尺度上进行预测,有2个特征图:52×52、104×104,分别是对图像的8倍、4倍降采样。每个尺度上输出的是一个3维张量,包含边界框、置信度和预测类别。
图如3.1、3.2所示,所述Resnet50算法模型是传统的卷积神经网络分类模型,由一个卷积层、4个残差模块和全连接层构成;考虑到本发明所使用的图像是医学显微图像,样本数量少,且难以大规模补充,因此,我们在训练网络的过程中引入迁移学习,并使用Tensorflow官网提供的ImageNet数据集上预训练的Resnet50模型,在训练过程中,将卷积层和前三个残差模块参数冻结,继承源模型底层特征提取能力,将第四个残差模块以及全连接层的参数设置为可更新。
Claims (5)
1.一种白带显微图像细胞识别方法,其特征在于:包括下述步骤:
S1,通过医学显微镜对放置的白带样本拍摄20张显微图像;
S2,对每一张所述显微图像上的各类细胞的位置进行检测并进行类别识别;
S2.1,通过改进的YOLOv3-tiny算法模型找出所有疑似细胞的位置;
S2.2,采用Resnet50算法模型对每一张显微图像上的细胞区域进行分类,统计每一张显微图像的细胞识别结果中各类细胞的个数,然后汇总20张显微图像上的各类细胞个数;
S3,根据规定的不同类别细胞阴阳性判别标准对细胞个数的要求,输出所述白带样本各类细胞的阴阳性判别结果;滴虫、霉菌的阴阳性行判别标准为:20张显微图像中细胞总个数大于1为阳性,小于1为阴性;白细胞的阴阳性判别标准为:20张图像中细胞总个数大于100为阳性,小于100为阴性。
2.根据权利要求1所述的白带显微图像细胞识别方法,其特征在于:所述改进的YOLOv3-tiny算法模型是基于YOLOv3-tiny算法并结合显微图像中细胞这类小目标的特点,通过调整模型结构以及特征图的输出,提取更浅层的两组多尺度特征,以适应细胞的检测任务。
3.根据权利要求1所述的白带显微图像细胞识别方法,其特征在于:所述Resnet50算法模型是传统的卷积神经网络分类模型,由一个卷积层、4个残差模块和全连接层构成;在训练网络的过程中引入迁移学习,并使用Tensorflow官网提供的ImageNet数据集上预训练的Resnet50模型,在训练过程中,将卷积层和前三个残差模块参数冻结,继承源模型底层特征提取能力,将第四个残差模块以及全连接层的参数设置为可更新。
4.根据权利要求1所述的白带显微图像细胞识别方法,其特征在于:所述显微图像为是JPG、BMP或PNG图像格式。
5.根据权利要求1所述的白带显微图像细胞识别方法,其特征在于:所述各类细胞包含白细胞、霉菌、念珠菌、滴虫。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911071502.2A CN110826483A (zh) | 2019-11-05 | 2019-11-05 | 白带显微图像细胞识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911071502.2A CN110826483A (zh) | 2019-11-05 | 2019-11-05 | 白带显微图像细胞识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110826483A true CN110826483A (zh) | 2020-02-21 |
Family
ID=69552454
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911071502.2A Pending CN110826483A (zh) | 2019-11-05 | 2019-11-05 | 白带显微图像细胞识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110826483A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528947A (zh) * | 2020-12-24 | 2021-03-19 | 山东仕达思生物产业有限公司 | 一种通过增加方向维度的假菌丝检测方法、设备及存储介质 |
CN113158979A (zh) * | 2021-05-14 | 2021-07-23 | 山东仕达思医疗科技有限公司 | 一种妇科显微图像大视野下白细胞的检测识别方法 |
CN113205533A (zh) * | 2021-05-10 | 2021-08-03 | 江苏硕世生物科技股份有限公司 | 一种革兰染色白带涂片彩色显微图像分割方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108334835A (zh) * | 2018-01-29 | 2018-07-27 | 华东师范大学 | 基于卷积神经网络的***分泌物显微图像有形成分检测方法 |
CN108364006A (zh) * | 2018-01-17 | 2018-08-03 | 超凡影像科技股份有限公司 | 基于多模式深度学习的医学图像分类装置及其构建方法 |
CN109034208A (zh) * | 2018-07-03 | 2018-12-18 | 怀光智能科技(武汉)有限公司 | 一种高低分辨率组合的宫颈细胞病理切片分类方法 |
CN109598224A (zh) * | 2018-11-27 | 2019-04-09 | 微医云(杭州)控股有限公司 | 基于区域推荐卷积神经网络的骨髓切片中白细胞检测方法 |
US10332245B1 (en) * | 2018-12-11 | 2019-06-25 | Capital One Services, Llc | Systems and methods for quality assurance of image recognition model |
CN110222769A (zh) * | 2019-06-06 | 2019-09-10 | 大连理工大学 | 一种基于YOLOV3-tiny的改进目标检测方法 |
-
2019
- 2019-11-05 CN CN201911071502.2A patent/CN110826483A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108364006A (zh) * | 2018-01-17 | 2018-08-03 | 超凡影像科技股份有限公司 | 基于多模式深度学习的医学图像分类装置及其构建方法 |
CN108334835A (zh) * | 2018-01-29 | 2018-07-27 | 华东师范大学 | 基于卷积神经网络的***分泌物显微图像有形成分检测方法 |
CN109034208A (zh) * | 2018-07-03 | 2018-12-18 | 怀光智能科技(武汉)有限公司 | 一种高低分辨率组合的宫颈细胞病理切片分类方法 |
CN109598224A (zh) * | 2018-11-27 | 2019-04-09 | 微医云(杭州)控股有限公司 | 基于区域推荐卷积神经网络的骨髓切片中白细胞检测方法 |
US10332245B1 (en) * | 2018-12-11 | 2019-06-25 | Capital One Services, Llc | Systems and methods for quality assurance of image recognition model |
CN110222769A (zh) * | 2019-06-06 | 2019-09-10 | 大连理工大学 | 一种基于YOLOV3-tiny的改进目标检测方法 |
Non-Patent Citations (6)
Title |
---|
QIWEI WANG,ET AL.: "Deep learning approach to peripheral leukocyte recognition", 《PLOS ONE》 * |
QIWEI WANG,ET AL.: "Deep learning approach to peripheral leukocyte recognition", 《PLOS ONE》, vol. 14, no. 6, 25 June 2019 (2019-06-25), pages 4 * |
WANGPENG HE,ET AL.: "TF-YOLO:An Improved Incremental Network for Real-Time Object Detection", 《APPLIED SCIENCES》, vol. 9, no. 16, 7 August 2019 (2019-08-07), pages 4, XP055977210, DOI: 10.3390/app9163225 * |
廖子君等: "中华医学百科全书 实验诊断学", vol. 1, 中国协和医科大学出版社, pages: 1173 - 1174 * |
王恒等: "基于ResNet50网络的乳腺癌病理图像分类研究", 《中国计量大学学报》 * |
王恒等: "基于ResNet50网络的乳腺癌病理图像分类研究", 《中国计量大学学报》, vol. 30, no. 1, 31 March 2019 (2019-03-31), pages 73 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528947A (zh) * | 2020-12-24 | 2021-03-19 | 山东仕达思生物产业有限公司 | 一种通过增加方向维度的假菌丝检测方法、设备及存储介质 |
CN112528947B (zh) * | 2020-12-24 | 2023-05-23 | 山东仕达思生物产业有限公司 | 一种通过增加方向维度的假菌丝检测方法、设备及存储介质 |
CN113205533A (zh) * | 2021-05-10 | 2021-08-03 | 江苏硕世生物科技股份有限公司 | 一种革兰染色白带涂片彩色显微图像分割方法及*** |
CN113158979A (zh) * | 2021-05-14 | 2021-07-23 | 山东仕达思医疗科技有限公司 | 一种妇科显微图像大视野下白细胞的检测识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11373305B2 (en) | Image processing method and device, computer apparatus, and storage medium | |
CN110826483A (zh) | 白带显微图像细胞识别方法 | |
CN110473167B (zh) | 一种基于深度学习的尿沉渣图像识别***及方法 | |
CN109190441B (zh) | 女性生殖道细胞病理智能分类方法、诊断仪及存储介质 | |
CN112085741B (zh) | 一种基于深度学习的胃癌病理切片分割算法 | |
CN107832801B (zh) | 一种细胞图像分类用模型构建方法 | |
CN105654141A (zh) | 基于Isomap和SVM算法的俯视群养猪个体识别方法 | |
CN104850860A (zh) | 细胞图像识别方法及细胞图像识别装置 | |
CN111079620A (zh) | 基于迁移学习的白细胞图像检测识别模型构建方法及应用 | |
CN112001315B (zh) | 基于迁移学习和图像纹理特征的骨髓细胞分类识别方法 | |
CN115965602A (zh) | 一种基于改进的YOLOv7和Swin-Unet的异常细胞检测方法 | |
CN115311316A (zh) | 基于深度学习的立体栽培模式下小型西瓜识别与定位方法 | |
CN115471701A (zh) | 基于深度学习和迁移学习的肺腺癌组织学亚型分类方法 | |
CN112712122A (zh) | 基于神经网络模型的角膜溃疡的分类检测方法及*** | |
CN112528947A (zh) | 一种通过增加方向维度的假菌丝检测方法、设备及存储介质 | |
CN116385374A (zh) | 基于卷积神经网络的细胞计数方法 | |
CN117576103B (zh) | 集成电控显微镜和深度学习算法的尿沉渣镜检分析*** | |
CN103268494B (zh) | 基于稀疏表示的寄生虫虫卵识别方法 | |
CN113408480B (zh) | 基于骨髓细胞形态学的血液疾病人工智能辅助诊断*** | |
CN110929678B (zh) | 外阴***假丝酵母菌孢子检测方法 | |
CN111881803B (zh) | 一种基于改进YOLOv3的畜脸识别方法 | |
CN111339899B (zh) | 导管特征获取方法、装置、设备、介质和智能显微镜 | |
CN113065430A (zh) | 基于深度学习特征与人工提取特征融合的白细胞分类方法 | |
CN114627123B (zh) | 综合双流加权网络和空间注意力机制的白带细胞检测方法 | |
CN116844158A (zh) | 基于深度学习的血涂片疟疾细胞检测*** |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200221 |
|
RJ01 | Rejection of invention patent application after publication |