CN113537181A - 基于神经网络的cb微核显微图像的识别及分析方法与*** - Google Patents
基于神经网络的cb微核显微图像的识别及分析方法与*** Download PDFInfo
- Publication number
- CN113537181A CN113537181A CN202111090307.1A CN202111090307A CN113537181A CN 113537181 A CN113537181 A CN 113537181A CN 202111090307 A CN202111090307 A CN 202111090307A CN 113537181 A CN113537181 A CN 113537181A
- Authority
- CN
- China
- Prior art keywords
- image
- cell
- micronucleus
- microscopic
- images
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 title description 5
- 238000000034 method Methods 0.000 claims abstract description 117
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 52
- 230000001464 adherent effect Effects 0.000 claims abstract description 16
- 210000004027 cell Anatomy 0.000 claims description 182
- 210000003855 cell nucleus Anatomy 0.000 claims description 31
- 210000000805 cytoplasm Anatomy 0.000 claims description 21
- 238000012216 screening Methods 0.000 claims description 15
- 230000007547 defect Effects 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 210000004940 nucleus Anatomy 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 5
- 238000003491 array Methods 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 4
- 238000005260 corrosion Methods 0.000 claims description 4
- 230000010339 dilation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 7
- 230000001086 cytosolic effect Effects 0.000 description 6
- 238000001000 micrograph Methods 0.000 description 6
- 238000004980 dosimetry Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000012535 impurity Substances 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 210000000349 chromosome Anatomy 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 210000005104 human peripheral blood lymphocyte Anatomy 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000010186 staining Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000031404 Chromosome Aberrations Diseases 0.000 description 1
- GBOGMAARMMDZGR-UHFFFAOYSA-N UNPD149280 Natural products N1C(=O)C23OC(=O)C=CC(O)CCCC(C)CC=CC3C(O)C(=C)C(C)C2C1CC1=CC=CC=C1 GBOGMAARMMDZGR-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000031016 anaphase Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004113 cell culture Methods 0.000 description 1
- 210000002230 centromere Anatomy 0.000 description 1
- 231100000005 chromosome aberration Toxicity 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- GBOGMAARMMDZGR-JREHFAHYSA-N cytochalasin B Natural products C[C@H]1CCC[C@@H](O)C=CC(=O)O[C@@]23[C@H](C=CC1)[C@H](O)C(=C)[C@@H](C)[C@@H]2[C@H](Cc4ccccc4)NC3=O GBOGMAARMMDZGR-JREHFAHYSA-N 0.000 description 1
- GBOGMAARMMDZGR-TYHYBEHESA-N cytochalasin B Chemical compound C([C@H]1[C@@H]2[C@@H](C([C@@H](O)[C@@H]3/C=C/C[C@H](C)CCC[C@@H](O)/C=C/C(=O)O[C@@]23C(=O)N1)=C)C)C1=CC=CC=C1 GBOGMAARMMDZGR-TYHYBEHESA-N 0.000 description 1
- 230000021953 cytokinesis Effects 0.000 description 1
- 230000003013 cytotoxicity Effects 0.000 description 1
- 231100000135 cytotoxicity Toxicity 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000007674 genetic toxicity Effects 0.000 description 1
- 231100000025 genetic toxicology Toxicity 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000005865 ionizing radiation Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000693 radiobiological effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- SWGJCIMEBVHMTA-UHFFFAOYSA-K trisodium;6-oxido-4-sulfo-5-[(4-sulfonatonaphthalen-1-yl)diazenyl]naphthalene-2-sulfonate Chemical compound [Na+].[Na+].[Na+].C1=CC=C2C(N=NC3=C4C(=CC(=CC4=CC=C3O)S([O-])(=O)=O)S([O-])(=O)=O)=CC=C(S([O-])(=O)=O)C2=C1 SWGJCIMEBVHMTA-UHFFFAOYSA-K 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明是一种基于卷积神经网络的CB法微核显微图像的识别及分析方法与***。自动识别方法包括:获取CB法微核显微图像;从CB法微核显微图像中提取出细胞图像;将提取出的细胞图像划分为第一单个独立细胞图像和粘连细胞团图像;将粘连细胞团图像分离成多个第二单个独立细胞图像;将所有第一单个独立细胞图像以及所有第二单个独立细胞图像输入至卷积神经网络模型中,以识别含有微核的双核细胞图像。通过卷积神经网络模型识别含有微核的双核细胞图像,提升了含有微核的双核细胞图像的识别速度以及识别率。
Description
技术领域
本申请涉及辐射生物剂量学领域,特别是涉及一种基于神经网络的CB微核显微图像的识别及分析方法与***。
背景技术
胞质***阻滞(Cytokinesis-block,CB)微核分析(例如,人体外周血淋巴细胞胞质***阻滞微核分析)是国际公认的辐射生物剂量估算方法。
目前,相关技术中大部分都是使用人工镜下阅片的方式进行CB法微核的含有微核的双核细胞的识别,人工方式费时费力且易受人为主观性影响。
发明内容
鉴于上述问题,提出了本申请以便提供一种克服上述问题或者至少部分地解决上述问题的基于神经网络的CB微核显微图像的识别及分析方法与***。
根据本发明的一个方面,提供了一种基于卷积神经网络的CB法微核显微图像的自动识别方法,包括:获取CB法微核显微图像;从所述CB法微核显微图像中提取出细胞图像;将提取出的所述细胞图像划分为第一单个独立细胞图像和粘连细胞团图像;将所述粘连细胞团图像分离成多个第二单个独立细胞图像;将所有所述第一单个独立细胞图像以及所有所述第二单个独立细胞图像输入至卷积神经网络模型中,以识别含有微核的双核细胞图像。
可选地,所述从所述CB法微核显微图像中提取出细胞图像的步骤,包括:对所述CB法微核显微图像进行RGB通道拆分,以获得所述CB法微核显微图像的通道分量图;对所述通道分量图进行双阈值迭代算法,以确定所述通道分量图对应的细胞质的灰度阈值以及细胞核的灰度阈值;根据所述细胞质的灰度阈值对所述通道分量图进行阈值化处理;将阈值化处理后的图像与所述CB法微核显微图像进行合并;通过查找轮廓从合并后的图像中提取出所述细胞图像,从而从所述CB法微核显微图像中提取出所述细胞图像。
可选地,所述将阈值化处理后的图像与所述CB法微核显微图像进行合并的步骤前,还包括:对阈值化处理后的图像进行中值滤波处理;所述将阈值化处理后的图像与所述CB法微核显微图像进行合并的步骤,包括:将阈值化处理后且经过所述中值滤波处理后的图像与所述CB法微核显微图像进行合并。
可选地,所述对所述通道分量图进行双阈值迭代算法的步骤,包括:按以下迭代公式对所述通道分量图进行双阈值迭代算法:
式中,hk表示所述通道分量图中灰度为k的像素点的个数,Ti+1,1表示第i次迭代后的细胞质的灰度阈值,Ti+1,2表示第i次迭代后的细胞核的灰度阈值;当Ti+1,1=Ti,1时,Ti+1,1或Ti,1为确定的所述通道分量图对应的细胞质的灰度阈值;当Ti+1,2=Ti,2时,Ti+1,2或Ti,2为确定的所述通道分量图对应的细胞质的灰度阈值。
可选地,所述CB法微核显微图像为由Giemsa染料进行染色后的细胞形成的图像,且所述通道分量图为G通道分量图。
可选地,所述将提取出的所述细胞图像划分为第一单个独立细胞图像和粘连细胞团图像的步骤,包括:判断提取出的每个所述细胞图像的形态学特征是否满足预设条件;若满足所述预设条件,则将对应的所述细胞图像划分为所述第一单个独立细胞图像;若不满足所述预设条件,则将对应的所述细胞图像划分为所述粘连细胞团图像。
可选地,所述形态学特征包括延展率以及缺陷率,所述延展率以及缺陷率由以下公式确定:
EI=min(d,w)/max(d,w);
DR=(circle-area)/area;
式中,EI为延展率,d为对应的所述细胞图像的最小外接矩形的宽度,w表示对应的所述细胞图像的最小外接矩形的长度,DR为缺陷率,area为对应的所述细胞图像的面积,circle为对应的所述细胞图像的最小外接圆的面积。
可选地,所述预设条件包括:所述延展率大于0.5且小于1.0,且,所述缺陷率大于0且小于0.5。
可选地,所述将所述粘连细胞团图像分离成多个第二单个独立细胞图像的步骤,包括:对所述粘连细胞团图像进行极限腐蚀运算,从而获得每个所述第二单个独立细胞图像对应的目标区域的几何中心;以所述几何中心为中心进行多次膨胀运算至各所述目标区域相连;以各所述目标区域相连的边界为所述多个第二单个独立细胞图像的分离线,将所述粘连细胞团图像分离成多个第二单个独立细胞图像。
可选地,所述以所述几何中心为中心进行多次膨胀运算至各所述目标区域相连的步骤前,还包括:对所有的所述几何中心进行筛选,以筛选掉其中像素值大小小于像素值阈值的所述几何中心。
可选地,所述卷积神经网络包括使图像数据依次传递的第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第四卷积层、第三最大池化层、第一全面连接层、第二全面连接层以及第三全面连接层,所述图像数据在经过所述第三全面连接层后,所述卷积神经网络模型通过使用softmax函数生成所述图像数据所属类别的可信度概率值。
可选地,所述第一全面连接层以及所述第二全面连接层的每个神经元在训练期间使用50%的丢失率。
根据本申请的另一个方面,提供了一种基于卷积神经网络的CB法微核显微图像的自动识别***,包括:一个或多个处理器;以及存储器,所述存储器存储有可由所述一个或多个处理器执行的指令,所述指令使得所述自动识别***执行上述任一所述的自动识别方法。
根据本申请的另一个方面,提供了一种基于卷积神经网络的CB法微核显微图像的自动分析方法,包括:获取上述任一所述自动识别方法识别出的含有微核的双核细胞图像;提取识别出的含有微核的双核细胞图像中的细胞核图像以及微核图像;对提取出的所述细胞核图像以及所述微核图像进行筛选以及判断,以确定含有微核的双核细胞的微核数量。
可选地,所述对提取出的所述细胞核图像以及所述微核图像进行筛选以及判断的步骤,包括:按照由大到小将提取出的所述细胞核图像以及所述微核图像的面积值ai排序为数组,其中i=0、1、2……n,n为所述细胞核图像以及所述微核图像的总数和减1;依次对所述数组中的每个值进行判断以及筛选,当20个像素点<ai<0.2×Ai时,确定对应的图像为微核图像,当ai≤20个像素点时,筛选掉对应的图像,当ai≥0.2×Ai时,确定对应的图像为细胞核图像;其中,A0=a0,当a(i-1)被判断为微核图像或被筛选掉时,Ai=A(i-1),当a(i-1)被判断为细胞核图像时,Ai=(A(i-1)+a(i-1))/2。
可选地,所述提取识别出的含有微核的双核细胞图像中的细胞核图像以及微核图像的步骤,包括:使用K-means聚类算法提取识别出的含有微核的双核细胞图像中的细胞核图像以及微核图像。
根据本申请的另一个方面,提供了一种基于卷积神经网络的CB法微核显微图像的自动分析***,包括:一个或多个处理器;以及存储器,所述存储器存储有可由所述一个或多个处理器执行的指令,所述指令使得所述自动分析***执行上述任一所述的自动分析方法。
通过卷积神经网络模型识别含有微核的双核细胞图像,从而实现CB法微核的含有微核的双核细胞的识别过程中的自动化,将工作人员从枯燥乏味的阅片工作中解放出来,实现识别过程的规范化和统一化,并且,通过卷积神经网络模型的使用提升了含有微核的双核细胞图像的识别速度以及识别率。
附图说明
通过下文中参照附图对本发明所作的描述,本发明的其它目的和优点将显而易见,并可帮助对本发明有全面的理解。
图1 是本申请一些实施例的基于卷积神经网络的CB法微核显微图像的自动识别方法的流程图;
图2是本申请一些实施例的基于卷积神经网络的CB法微核显微图像的自动识别方法中提取细胞图像的流程图;
图3是本申请另一些实施例的基于卷积神经网络的CB法微核显微图像的自动识别方法中提取细胞图像的流程图;
图4是本申请一些实施例的基于卷积神经网络的CB法微核显微图像的自动识别方法中将提取出的细胞图像划分为第一单个独立细胞图像和粘连细胞团图像的流程图;
图5 是本申请一些实施例的基于卷积神经网络的CB法微核显微图像的自动分析方法的流程图;
图6是本申请一些实施例的基于卷积神经网络的CB法微核显微图像的自动分析方法的中对提取出的细胞核图像以及微核图像进行筛选以及判断的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明实施例的附图,对本发明的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一个实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员在无需创造性劳动的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。
除非另外定义,本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。
本申请实施例首先提供了一种基于卷积神经网络的CB法微核显微图像的自动识别方法。
其中,在机器学习中,卷积神经网络是一种深度前馈人工神经网络,可以进行图像处理。
本领域技术人员可以理解地,CB法微核显微图像指的是用于胞质***阻滞微核分析时通过显微镜成像的细胞图像,也就是说,CB法微核显微图像可以是需要确定含有微核的双核细胞的微核数量的显微镜拍摄的包含细胞的图像。其对应的细胞可以是人外周血淋巴细胞。胞质***阻滞微核分析是目前除染色体畸变金标准之外最有效的剂量估算方法,其通过在细胞培养过程中加入细胞松弛素B,将细胞中的双核细胞的微核率与受照剂量相关联,常用于放射生物剂量学中的未知剂量估算。微核来自于电离辐射诱导产生的***滞后的整条染色体或染色体片段。当细胞受到辐照时,微核在细胞核***后期处于滞后状态,因此不被包含在细胞的主核中,而是成为小的圆形实体保留在细胞质中,相较于双着丝粒染色体分析,胞质***阻滞微核分析更加简单且制片速度快,因此更加适用于大批人群的快速生物剂量测定。
图1 是本申请一些实施例的基于卷积神经网络的CB法微核显微图像的自动识别方法的流程图,如图1所示,本申请实施例提供的基于卷积神经网络的CB法微核显微图像的自动识别方法包括以下步骤:
步骤S102,获取CB法微核显微图像。
步骤S104,从CB法微核显微图像中提取出细胞图像。
步骤S106,将提取出的细胞图像划分为第一单个独立细胞图像和粘连细胞团图像。
步骤S108,将粘连细胞团图像分离成多个第二单个独立细胞图像。
步骤S110,将所有第一单个独立细胞图像以及所有第二单个独立细胞图像输入至卷积神经网络模型中,以识别含有微核的双核细胞图像。
步骤S102中,可以从图像数据库中获取CB法微核显微图像,例如从显微图像自动采集***的数据库中读取CB法微核显微图像,其中,CB法微核显微图像可以有各种分辨率,例如,其分辨率可以为2048×2048等。
步骤S104中,可以对CB法微核显微图像进行预处理,然后使得细胞图像与背景图像分离,从而从CB法微核显微图像中提取出细胞图像。
步骤S106中,可以依据各个细胞图像的缺陷率和延展率将提取出的细胞图像划分为第一单个独立细胞图像和粘连细胞团图像。
步骤S108中,可以利用分水岭自动分离算法、腐蚀膨胀算法等将粘连细胞团图像分离成多个第二单个独立细胞图像。
步骤S110中,可以将所有单个独立细胞图像输入到卷积神经网络模型中进行细胞类别判定,从而获得每个图像所属的类别(包括含有微核的双核细胞图像的类别)以及可信度概率值。
本申请的实施例通过卷积神经网络模型识别含有微核的双核细胞图像,从而实现CB法微核的含有微核的双核细胞的识别过程中的自动化,将工作人员从枯燥乏味的阅片工作中解放出来,实现识别过程的规范化和统一化,并且,通过卷积神经网络模型的使用提升了含有微核的双核细胞图像的识别速度以及识别率。
图2是本申请一些实施例的基于卷积神经网络的CB法微核显微图像的自动识别方法中提取细胞图像的流程图。在本申请的一些实施例中,从CB法微核显微图像中提取出细胞图像的步骤具体可以包括以下步骤:
步骤S202,对CB法微核显微图像进行RGB通道拆分,以获得CB法微核显微图像的通道分量图。
步骤S204,对通道分量图进行双阈值迭代算法,以确定通道分量图对应的细胞质的灰度阈值以及细胞核的灰度阈值。
步骤S206,根据细胞质的灰度阈值对通道分量图进行阈值化处理。
步骤S208,将阈值化处理后的图像与CB法微核显微图像进行合并。
步骤S210,通过查找轮廓从合并后的图像中提取出细胞图像,从而从CB法微核显微图像中提取出所述细胞图像。
其中,CB法微核显微图像可以为由Giemsa染料进行染色后的细胞形成的图像,则步骤S202中的通道分量图可以为G通道分量图。细胞为采用Giemsa染料进行染色,因此在颜色上会呈现偏深蓝色或***(与染色时酸碱度相关),在实际测试中,发明人发现此时G通道分量图的分割效果最好,适用性更强。
步骤S204中,可以按以下迭代公式对通道分量图进行双阈值迭代算法:
式中,hk表示通道分量图中灰度为k(k取值范围为0-255)的像素点的个数,Ti+1,1表示第i次迭代后的细胞质的灰度阈值,Ti+1,2表示第i次迭代后的细胞核的灰度阈值;当Ti+1,1=Ti,1时,Ti+1,1或Ti,1为确定的所述通道分量图对应的细胞质的灰度阈值;当Ti+1,2=Ti,2时,Ti+1,2或Ti,2为确定的所述通道分量图对应的细胞质的灰度阈值。
可以理解地,Ti,1代表属于图像背景与细胞质颜色的边界阈值,Ti,2代表细胞质颜色与细胞核颜色的边界阈值。其中,i=0时,Ti+1,1即T1,1可以根据实验情况选取,例如,T1,1可以为(kmax+kmin)/3等,Ti+1,,2即T1,2可以根据实验情况选取,例如,T1,2可以为2(kmax+kmin)/3等,其中,kmax为CB法微核显微图像中最大的灰度值,kmin为CB法微核显微图像中最小的灰度值。
步骤S206中,根据细胞质的灰度阈值对通道分量图进行阈值化处理,从而得到二值图,例如,将灰度值小于细胞质的灰度阈值的像素点的灰度赋值为0,将灰度值大于等于细胞质的灰度阈值的像素点的灰度赋值为255等。
步骤S208中,合并后图像的非细胞部分可以为纯黑色,细胞部分可以为原色彩。图像的合并操作本身是本领域技术人员所熟知的,此处不再赘述。
步骤S210中,由于无法直接对原图进行轮廓查找,而合并的作用是凸显轮廓,从而可以通过查找轮廓的方式提取出细胞图像。
图3是本申请另一些实施例的基于卷积神经网络的CB法微核显微图像的自动识别方法中提取细胞图像的流程图,如图3所示,在本申请的另一些实施例中,从CB法微核显微图像中提取出细胞图像的步骤具体可以包括以下步骤:
步骤S302,对CB法微核显微图像进行RGB通道拆分,以获得CB法微核显微图像的通道分量图。
步骤S304,对通道分量图进行双阈值迭代算法,以确定通道分量图对应的细胞质的灰度阈值以及细胞核的灰度阈值。
步骤S306,根据细胞质的灰度阈值对通道分量图进行阈值化处理。
步骤S308,对阈值化处理后的图像进行中值滤波处理。
步骤S310,将阈值化处理后且经过所述中值滤波处理后的图像与所述CB法微核显微图像进行合并。
步骤S312,通过查找轮廓从合并后的图像中提取出细胞图像,从而从CB法微核显微图像中提取出所述细胞图像。
该实施例中,步骤S308中通过中值滤波技术可以去除图像中的小块杂质,中值滤波技术本身是本领域技术人员所习知的,此处不再赘述,并且,该实施例的其他步骤可以参考上述实施例,此处不再赘述。
在本申请的一些实施例中,将提取出的细胞图像划分为第一单个独立细胞图像和粘连细胞团图像的步骤可以包括:判断提取出的每个细胞图像的形态学特征是否满足预设条件;若满足预设条件,则将对应的细胞图像划分为第一单个独立细胞图像;若不满足预设条件,则将对应的细胞图像划分为粘连细胞团图像。
由于,单个独立细胞的图像和粘连细胞团的图像通常有较大的区别,因此,通过每个细胞图像的形态学特征可以有效地划分单个独立细胞图像以及粘连细胞团图像。
其中,形态学特征可以包括延展率以及缺陷率,延展率以及缺陷率可以由以下公式确定:
EI=min(d,w)/max(d,w);
DR=(circle-area)/area;
式中,EI为延展率,d为对应的细胞图像的最小外接矩形的宽度,w表示对应的细胞图像的最小外接矩形的长度,DR为缺陷率,area为对应的细胞图像的面积,circle为对应的细胞图像的最小外接圆的面积。
其中,预设条件对应的数值可以根据实验情况确定,例如,预设条件可以包括:延展率大于0.5且小于1.0,且,缺陷率大于0且小于0.5。circle-area的值越大,代表缺陷的部分越多。经过大量参数测试后,当DR选定0<DR<0.5时,所得到的候选细胞数量最多,所以DR选定为0-0.5。
图4是本申请一些实施例的基于卷积神经网络的CB法微核显微图像的自动识别方法中将提取出的细胞图像划分为第一单个独立细胞图像和粘连细胞团图像的流程图,如图4所示,将提取出的细胞图像划分为第一单个独立细胞图像和粘连细胞团图像具体可以包括以下步骤:
步骤S402,计算细胞的延展率EI以及缺陷率DR。
步骤S404,判断是否0.5<EI<1.0且0<DR<0.5。若是,则执行步骤S406,若否,则执行步骤S408。
步骤S406,将对应的细胞图像划分为第一单个独立细胞图像。
步骤S408,将对应的细胞图像划分为粘连细胞团图像。
在本申请的一些实施例中,将粘连细胞团图像分离成多个第二单个独立细胞图像的步骤可以包括:对粘连细胞团图像进行极限腐蚀运算,从而获得每个第二单个独立细胞图像对应的目标区域的几何中心(即种子点);以几何中心为中心进行多次膨胀运算至各目标区域相连;以各目标区域相连的边界为该多个第二单个独立细胞图像的分离线,将粘连细胞团图像分离成多个第二单个独立细胞图像。
由于极限腐蚀运算以及膨胀运算、分水岭算法等本身是本领域技术人员所习知的,此处不再赘述。
其中,以几何中心为中心进行多次膨胀运算至各目标区域相连的步骤前还可以包括:对所有的几何中心进行筛选,以筛选掉其中像素值大小小于像素值阈值的所述几何中心。也就是说,被筛选掉的几何中心在后续的计算中不作为几何中心进行膨胀运算。
由于粘连细胞团图像中细胞的形状大小各不相同,且存在一些没有被完全消除掉的杂质残留,使用常规的分水岭算法会出现过度分离的现象。因此,给种子点的大小设置一个阈值,去除掉过小的种子点从而抑制过分离现象。
卷积神经网络可以包括使图像数据依次传递的第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第四卷积层、第三最大池化层、第一全面连接层、第二全面连接层以及第三全面连接层,图像数据在经过第三全面连接层后,卷积神经网络模型通过使用softmax函数生成图像数据所属类别的可信度概率值。
在一些实施例中,第一全面连接层以及第二全面连接层的每个神经元在训练期间使用50%的丢失率。丢失率设置为50%时,产生的随机丢失效果最好,抗过拟合效果也最好。
具体地,可以使用训练好的卷积神经网络模型对获得的单个独立细胞进行类别判定。设计的卷积神经网络模型包含7层(4个卷积层,3个全面连接层)。第一个卷积层(Conv1)用尺寸为3×3的8个内核过滤3×132×132输入图像。第二个卷积层(Conv2)有16个大小为3×3的滤波器,第三个卷积层(Conv3)和第四个卷积层(Conv4)分别有32个、48个大小为3×3的滤波器。第一个完全连接层(Full Connected Layer 1,FC1)40个神经元,每个神经元在训练期间使用50%的丢失率。第二个完全连接层(Full Connected Layer 2,FC2)有20个神经元,每个神经元在训练期间同样使用50%的丢失率。第三个完全连接层(Full ConnectedLayer 3,FC3)有5个神经元。在Conv1,Conv2和Conv4之后使用具有2×2内核大小的最大池化层。在每个卷积和完全连接层之后使用整流线性单元(ReLU)激活功能。并在最后使用softmax函数在五个类标签上产生概率分布。由于不同细胞图像面积值不相同,因此,在训练之前,需要先将所有图像都无拉伸缩放为132×132的图像(这个大小接近双核细胞图像的平均面积)。然后使用TensorFlow的Keras函数包来实现卷积神经网络模型。学习率被初始化为0.001,并在一半迭代后将其降低10倍。动量项设定为0.9,重量衰减至0.0001。除了指定的配置外,所有参数设置均为标准配置。该网络模型经过60次迭代训练,在NVIDIAGeForce GTX 1080 Ti GPU上花费40个小时的训练时间,由此,可以获得85%的高识别准确率的识别模型,本申请的实施例通过大量微核细胞图像对卷积神经网络模型进行多次迭代训练,从而获得具有高识别率、高识别准确率的识别模型,可以解决现有微核图像分析算法的双核细胞、微核的低识别率(30-60%)的问题。每个图像经过卷积神经网络模型识别后,可以得到该图像所属的类别以及可信度的概率值。
本申请的实施例还提供了一种基于卷积神经网络的CB法微核显微图像的自动识别***,自动识别***包括一个或多个处理器以及存储器,存储器存储有可由该一个或多个处理器执行的指令,指令使得自动识别***执行上述任一自动识别方法。
本申请的实施例还提供了一种基于卷积神经网络的CB法微核显微图像的自动分析方法,图5 是本申请一些实施例的基于卷积神经网络的CB法微核显微图像的自动分析方法的流程图,如图5所示,自动分析方法可以包括:
步骤S502,获取上述任一自动识别方法识别出的含有微核的双核细胞图像。
步骤S504,提取识别出的含有微核的双核细胞图像中的细胞核图像以及微核图像。
步骤S506,对提取出的细胞核图像以及微核图像进行筛选以及判断,以确定含有微核的双核细胞的微核数量。
步骤S504中,可以使用K-means聚类算法提取识别出的含有微核的双核细胞图像中的细胞核图像以及微核图像。也就是说,使用K-means聚类算法进行细胞质与细胞核、微核的分离。
本申请实施例提供的自动分析方法通过卷积神经网络模型识别含有微核的双核细胞图像,并实现CB法微核的含有微核的双核细胞的分析过程中的自动化,将工作人员从枯燥乏味的阅片工作中解放出来,实现分析过程的规范化和统一化,并且提升了含有微核的双核细胞图像的分析速度以及识别率。
由于细胞的染色并不完全均匀,往往会产生模糊的细胞质背景,常规阈值分割算法无法将细胞核、微核从细胞质中提取出来,而本申请实施例基于双核含有多个微核细胞图像的像素特征,选用K-means聚类的分割算法实现细胞核、微核的提取,能够有效将细胞核、微核从模糊的细胞质中提取出来,有利于提升微核的识别率。
其中,对提取出的细胞核图像以及微核图像进行筛选以及判断的步骤可以包括:按照由大到小将提取出的细胞核图像以及微核图像的面积值ai排序为数组,其中i=0、1、2……n,n为细胞核图像以及微核图像的总数和减1;依次对数组中的每个值进行判断以及筛选,当20个像素点<ai<0.2×Ai时,确定对应的图像为微核图像,当ai≤20个像素点时,筛选掉对应的图像,当ai≥0.2×Ai时,确定对应的图像为细胞核图像;其中,A0=a0,当a(i-1)被判断为微核图像或被筛选掉时,Ai=A(i-1),当a(i-1)被判断为细胞核图像时,Ai=(A(i-1)+a(i-1))/2。
本申请实施例依据国际***发布的标准中关于微核判定的准则,统计出微核的数量。图6是本申请一些实施例的基于卷积神经网络的CB法微核显微图像的自动分析方法的中对提取出的细胞核图像以及微核图像进行筛选以及判断的流程图,如图6所示,筛选以及判断的具体步骤可以包括:
步骤S602,按照由大到小将提取出的细胞核图像以及微核图像的面积值ai排序为数组。
步骤S604,判断是否20个像素点<ai<0.2×Ai。若是,执行步骤S608,若否,执行步骤S606。
步骤S606,判断是否ai≥0.2×Ai。若是,执行步骤S612,若否,执行步骤S610。
步骤S608,微核数量加1。
步骤S610,筛选掉对应的图像(说明对应的图像为杂质,既不是微核,也不是细胞核),使得A(i+1)=(Ai+ai)/2。
步骤S612,判断是否遍历所有面积值ai。若是,执行步骤S616,若否,执行步骤S614。
步骤S614,i=i+1,步骤S614后返回步骤S604,即对下一个面积值进行判断。
步骤S616,统计微核数量。可以理解地,还可以对细胞核的图像等进行统计,从而可以获得细胞的微核率、微核细胞率等各种数据。
本申请的实施例还提供了一种基于卷积神经网络的CB法微核显微图像的自动分析***,自动分析***包括:一个或多个处理器以及存储器,存储器存储有可由该一个或多个处理器执行的指令,指令使得自动分析***执行上述任一自动分析方法。
可以理解地,本申请实施例提供基于卷积神经网络的CB法微核显微图像的自动识别及分析方法与***用以用于放射从业人员的健康查体、大量核辐射受照人群的生物剂量估算、化合物潜在遗传毒性和细胞毒性的检测等领域。其中,可以理解地,本申请实施例提供的基于卷积神经网络的CB法微核显微图像的自动识别及分析方法可以由一个或多个处理器执行,并且,在一些实施例中,本申请实施例提供的基于卷积神经网络的CB法微核显微图像的自动识别方法及***识别出的含有微核的双核细胞图像也可以由人工的方式统计微核数量或本实施例中提到的其他数据。
对于本发明的实施例,还需要说明的是,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合以得到新的实施例。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,本发明的保护范围应以权利要求的保护范围为准。
Claims (17)
1.一种基于卷积神经网络的CB法微核显微图像的自动识别方法,包括:
获取CB法微核显微图像;
从所述CB法微核显微图像中提取出细胞图像;
将提取出的所述细胞图像划分为第一单个独立细胞图像和粘连细胞团图像;
将所述粘连细胞团图像分离成多个第二单个独立细胞图像;
将所有所述第一单个独立细胞图像以及所有所述第二单个独立细胞图像输入至卷积神经网络模型中,以识别含有微核的双核细胞图像。
2.根据权利要求1所述的自动识别方法,其中,所述从所述CB法微核显微图像中提取出细胞图像的步骤,包括:
对所述CB法微核显微图像进行RGB通道拆分,以获得所述CB法微核显微图像的通道分量图;
对所述通道分量图进行双阈值迭代算法,以确定所述通道分量图对应的细胞质的灰度阈值以及细胞核的灰度阈值;
根据所述细胞质的灰度阈值对所述通道分量图进行阈值化处理;
将阈值化处理后的图像与所述CB法微核显微图像进行合并;
通过查找轮廓从合并后的图像中提取出所述细胞图像,从而从所述CB法微核显微图像中提取出所述细胞图像。
3.根据权利要求2所述的自动识别方法,其中,
所述将阈值化处理后的图像与所述CB法微核显微图像进行合并的步骤前,还包括:对阈值化处理后的图像进行中值滤波处理;
所述将阈值化处理后的图像与所述CB法微核显微图像进行合并的步骤,包括:将阈值化处理后且经过所述中值滤波处理后的图像与所述CB法微核显微图像进行合并。
5.根据权利要求2所述的自动识别方法,其中,
所述CB法微核显微图像为由Giemsa染料进行染色后的细胞形成的图像,且所述通道分量图为G通道分量图。
6.根据权利要求1所述的自动识别方法,其中,所述将提取出的所述细胞图像划分为第一单个独立细胞图像和粘连细胞团图像的步骤,包括:
判断提取出的每个所述细胞图像的形态学特征是否满足预设条件;
若满足所述预设条件,则将对应的所述细胞图像划分为所述第一单个独立细胞图像;
若不满足所述预设条件,则将对应的所述细胞图像划分为所述粘连细胞团图像。
7.根据权利要求6所述的自动识别方法,其中,所述形态学特征包括延展率以及缺陷率,所述延展率以及缺陷率由以下公式确定:
EI=min(d,w)/max(d,w);
DR=(circle-area)/area;
式中,EI为延展率,d为对应的所述细胞图像的最小外接矩形的宽度,w表示对应的所述细胞图像的最小外接矩形的长度,DR为缺陷率,area为对应的所述细胞图像的面积,circle为对应的所述细胞图像的最小外接圆的面积。
8.根据权利要求7所述的自动识别方法,其中,所述预设条件包括:
所述延展率大于0.5且小于1.0,且,所述缺陷率大于0且小于0.5。
9.根据权利要求1所述的自动识别方法,其中,所述将所述粘连细胞团图像分离成多个第二单个独立细胞图像的步骤,包括:
对所述粘连细胞团图像进行极限腐蚀运算,从而获得每个所述第二单个独立细胞图像对应的目标区域的几何中心;
以所述几何中心为中心进行多次膨胀运算至各所述目标区域相连;
以各所述目标区域相连的边界为所述多个第二单个独立细胞图像的分离线,将所述粘连细胞团图像分离成多个第二单个独立细胞图像。
10.根据权利要求9所述的自动识别方法,其中,所述以所述几何中心为中心进行多次膨胀运算至各所述目标区域相连的步骤前,还包括:
对所有的所述几何中心进行筛选,以筛选掉其中像素值大小小于像素值阈值的所述几何中心。
11.根据权利要求1所述的自动识别方法,其中,
所述卷积神经网络包括使图像数据依次传递的第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第四卷积层、第三最大池化层、第一全面连接层、第二全面连接层以及第三全面连接层,所述图像数据在经过所述第三全面连接层后,所述卷积神经网络模型通过使用softmax函数生成所述图像数据所属类别的可信度概率值。
12.根据权利要求11所述的自动识别方法,其中,
所述第一全面连接层以及所述第二全面连接层的每个神经元在训练期间使用50%的丢失率。
13. 一种基于卷积神经网络的CB法微核显微图像的自动识别***,包括:
一个或多个处理器;以及
存储器,所述存储器存储有可由所述一个或多个处理器执行的指令,所述指令使得所述自动识别***执行根据权利要求1至12中任一项所述的自动识别方法。
14.一种基于卷积神经网络的CB法微核显微图像的自动分析方法,包括:
获取根据权利要求1至12中任一项所述自动识别方法识别出的含有微核的双核细胞图像;
提取识别出的含有微核的双核细胞图像中的细胞核图像以及微核图像;
对提取出的所述细胞核图像以及所述微核图像进行筛选以及判断,以确定含有微核的双核细胞的微核数量。
15.根据权利要求14所述的自动分析方法,其中,所述对提取出的所述细胞核图像以及所述微核图像进行筛选以及判断的步骤,包括:
按照由大到小将提取出的所述细胞核图像以及所述微核图像的面积值ai排序为数组,其中i=0、1、2……n,n为所述细胞核图像以及所述微核图像的总数和减1;
依次对所述数组中的每个值进行判断以及筛选,当20个像素点<ai<0.2×Ai时,确定对应的图像为微核图像,当ai≤20个像素点时,筛选掉对应的图像,当ai≥0.2×Ai时,确定对应的图像为细胞核图像;其中,
A0=a0,当a(i-1)被判断为微核图像或被筛选掉时,Ai=A(i-1),当a(i-1)被判断为细胞核图像时,Ai=(A(i-1)+a(i-1))/2。
16.根据权利要求14所述的自动分析方法,其中,所述提取识别出的含有微核的双核细胞图像中的细胞核图像以及微核图像的步骤,包括:
使用K-means聚类算法提取识别出的含有微核的双核细胞图像中的细胞核图像以及微核图像。
17. 一种基于卷积神经网络的CB法微核显微图像的自动分析***,包括:
一个或多个处理器;以及
存储器,所述存储器存储有可由所述一个或多个处理器执行的指令,所述指令使得所述自动分析***执行根据权利要求14至16中任一项所述的自动分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111090307.1A CN113537181A (zh) | 2021-09-17 | 2021-09-17 | 基于神经网络的cb微核显微图像的识别及分析方法与*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111090307.1A CN113537181A (zh) | 2021-09-17 | 2021-09-17 | 基于神经网络的cb微核显微图像的识别及分析方法与*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113537181A true CN113537181A (zh) | 2021-10-22 |
Family
ID=78093335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111090307.1A Pending CN113537181A (zh) | 2021-09-17 | 2021-09-17 | 基于神经网络的cb微核显微图像的识别及分析方法与*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113537181A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101639941A (zh) * | 2009-01-13 | 2010-02-03 | 中国人民解放军军事医学科学院放射与辐射医学研究所 | Cb法微核图像中双核淋巴细胞的准确快速提取方法 |
US8394592B2 (en) * | 2006-06-12 | 2013-03-12 | The Board Of Regents Of The University Of Texas System | Methods for assessing cancer susceptibility to carcinogens in tobacco products |
US20190362491A1 (en) * | 2016-09-13 | 2019-11-28 | Swansea University | Computer-implemented apparatus and method for performing a genetic toxicity assay |
CN110838126A (zh) * | 2019-10-30 | 2020-02-25 | 东莞太力生物工程有限公司 | 细胞图像分割方法、装置、计算机设备和存储介质 |
CN113240620A (zh) * | 2021-01-29 | 2021-08-10 | 西安理工大学 | 基于点标记的高度黏连和多尺寸脑神经元自动分割方法 |
-
2021
- 2021-09-17 CN CN202111090307.1A patent/CN113537181A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8394592B2 (en) * | 2006-06-12 | 2013-03-12 | The Board Of Regents Of The University Of Texas System | Methods for assessing cancer susceptibility to carcinogens in tobacco products |
CN101639941A (zh) * | 2009-01-13 | 2010-02-03 | 中国人民解放军军事医学科学院放射与辐射医学研究所 | Cb法微核图像中双核淋巴细胞的准确快速提取方法 |
US20190362491A1 (en) * | 2016-09-13 | 2019-11-28 | Swansea University | Computer-implemented apparatus and method for performing a genetic toxicity assay |
CN110838126A (zh) * | 2019-10-30 | 2020-02-25 | 东莞太力生物工程有限公司 | 细胞图像分割方法、装置、计算机设备和存储介质 |
CN113240620A (zh) * | 2021-01-29 | 2021-08-10 | 西安理工大学 | 基于点标记的高度黏连和多尺寸脑神经元自动分割方法 |
Non-Patent Citations (4)
Title |
---|
JOHN W. WILLS 等: "Inter-laboratory automation of the in vitro micronucleus assay using imaging flow cytometry and deep learning", 《BIORXIV》 * |
XIANG SHEN 等: "Rapid and Automatic Detection of Micronuclei in Binucleated lymphocytes Image", 《RESEARCH SQUARE》 * |
郭晓敏: "基于显微图像的颗粒计数方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
闫学昆: "CB法微核图像自动分析关键技术研究与***实现", 《中国博士论文全文数据库信息科技辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
US8605981B2 (en) | Centromere detector and method for determining radiation exposure from chromosome abnormalities | |
CN109492706B (zh) | 一种基于循环神经网络的染色体分类预测装置 | |
CN113537182B (zh) | 染色体中期***相显微图像的自动识别方法与*** | |
CN111079620B (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 | |
US10769432B2 (en) | Automated parameterization image pattern recognition method | |
CN118447499A (zh) | 基于图像识别的呼吸道检查结果判读方法及*** | |
US20210264130A1 (en) | Method and apparatus for training a neural network classifier to classify an image depicting one or more objects of a biological sample | |
CN112784767A (zh) | 基于白细胞显微图像的细胞实例分割算法 | |
CN112329664A (zh) | 一种原核期胚胎原核数量的评估方法 | |
CN112613505A (zh) | 一种基于深度学习的细胞微核识别、定位和计数方法 | |
CN114764789A (zh) | 病理细胞的量化方法、***、装置及存储介质 | |
CN110414317B (zh) | 基于胶囊网络的全自动白细胞分类计数方法 | |
CN115641345A (zh) | 一种基于深度学习的多发性骨髓瘤细胞形态精细分割方法 | |
Tehsin et al. | Myeloma cell detection in bone marrow aspiration using microscopic images | |
Shah et al. | Automatic detection and classification of tuberculosis bacilli from ZN-stained sputum smear images using watershed segmentation | |
CN112750118B (zh) | 一种基于自动视觉检测的单细胞孔板测序中鉴定细胞个数的新方法及*** | |
CN112669288B (zh) | 基于数字病理图像的细胞靶点表达预测方法、***及装置 | |
CN113435285A (zh) | 一种血液肿瘤染色体核型自动分析方法及*** | |
CN113537181A (zh) | 基于神经网络的cb微核显微图像的识别及分析方法与*** | |
Cosio et al. | Automatic counting of immunocytochemically stained cells | |
CN114627308A (zh) | 一种骨髓细胞形态学特征的提取方法与*** | |
Danyali et al. | Robust leukocyte segmentation in blood microscopic images based on intuitionistic fuzzy divergence | |
Gim et al. | A novel framework for white blood cell segmentation based on stepwise rules and morphological features | |
Tscherepanow et al. | Classification of segmented regions in brightfield microscope images |
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 |