CN114998332B - 核型异常细胞的确定方法和装置 - Google Patents
核型异常细胞的确定方法和装置 Download PDFInfo
- Publication number
- CN114998332B CN114998332B CN202210918890.9A CN202210918890A CN114998332B CN 114998332 B CN114998332 B CN 114998332B CN 202210918890 A CN202210918890 A CN 202210918890A CN 114998332 B CN114998332 B CN 114998332B
- Authority
- CN
- China
- Prior art keywords
- feature
- karyotype
- cell
- target
- candidate
- 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
Images
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
- G06T7/11—Region-based segmentation
-
- 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
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V20/695—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
- 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
-
- 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
-
- 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
- G06T2207/10064—Fluorescence 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
- G06T2207/20—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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本申请提供一种核型异常细胞的确定方法和装置,其中方法包括:基于待识别细胞的细胞核显微图像确定待识别细胞对应的目标核型关联特征值,目标核型关联特征是基于ReliefF算法和mRMR算法从初始核型关联特征集合中筛选得到候选核型关联特征集合,再基于mRMR算法和向后选择法对候选核型关联特征集合进行二次筛选确定的,初始核型关联特征集合包括形态特征、纹理特征、颜色特征和边缘特征子集,候选核型关联特征集合中包括至少一个候选形态特征、候选纹理特征、候选颜色特征和候选边缘特征,将待识别细胞对应的目标核型关联特征值输入训练好的核型异常细胞确定模型,输出核型异常细胞识别结果,保证了核型异常细胞识别的效率和准确性。
Description
技术领域
本申请涉及医学图像处理技术领域,尤其涉及一种核型异常细胞的确定方法和装置。
背景技术
目前用于血液中肿瘤相关细胞判读的目标细胞为单核细胞和无粒细胞,因此,在进行肿瘤相关细胞判读之前,需要滤除血液样本中的非判读目标细胞以排除其对于判读结果准确度的影响。但是受环境等因素的影响,血液样本中的部分非判读目标细胞并不能完全滤除。
为了避免非判读目标细胞对判读结果的影响,现有技术通常通过人工观察判断细胞核型是否异常的方式确定其是否为非判读目标细胞,并在进行肿瘤相关细胞判读时将其排除。但该方式不但耗时耗力,且准确性较低,无法保证肿瘤相关细胞判读的效率和准确度。
发明内容
本申请提供一种核型异常细胞的识别方法和装置,以用于提高核型异常细胞的识别效率和准确度,保证肿瘤相关细胞判读的效率和准确度。
本申请提供一种核型异常细胞的确定方法,包括:
基于待识别细胞对应的细胞核显微图像,确定所述待识别细胞对应的目标核型关联特征值;所述目标核型关联特征是基于ReliefF算法和最大相关最小冗余mRMR算法从初始核型关联特征集合中筛选得到候选核型关联特征集合,再基于mRMR算法和向后选择法对所述候选核型关联特征集合进行二次筛选之后确定的;所述初始核型关联特征集合包括形态特征子集、纹理特征子集、颜色特征子集和边缘特征子集,所述候选核型关联特征集合中包括至少一个候选形态特征、至少一个候选纹理特征、至少一个候选颜色特征和至少一个候选边缘特征;
将所述待识别细胞对应的目标核型关联特征值输入训练好的核型异常细胞确定模型,输出与所述目标核型关联特征值对应的核型异常细胞识别结果;
其中,所述核型异常细胞确定模型是基于目标核型关联特征值样本以及预先确定的核型异常细胞识别结果标签进行训练后得到的。
根据本申请提供的一种核型异常细胞的确定方法,所述待识别细胞对应的细胞核显微图像的获取步骤包括:
基于预定的分割网络对血液样本对应的细胞显微图像进行分割,以获得血液样本对应的初始细胞核显微图像;
基于血液样本不同荧光通道对应的初始细胞核显微图像中,各细胞核的位置关系以及细胞核中荧光信号点的数量,确定存在过度分割的候选细胞核并基于凸包检测算法和凸缺陷算法对所述候选细胞核进行修正,以得到所述血液样本对应的细胞核修正显微图像;
将所述血液样本对应的细胞核修正显微图像作为所述待识别细胞对应的细胞核显微图像。
根据本申请提供的一种核型异常细胞的确定方法,所述基于凸包检测算法和凸缺陷算法对所述候选细胞核进行修正的步骤,具体包括:
确定所述候选细胞核中,荧光信号点的数量之和为预设值的目标细胞核构成的细胞核集合;
对所述细胞核集合中的目标细胞核进行合并以得到对应的修正细胞核;
基于凸包检测算法和凸缺陷算法确定所述修正细胞核的轮廓上与凸包相距最远的轮廓点集合,并基于预设距离阈值确定所述轮廓点集合中的目标轮廓点,所述目标轮廓点为所述轮廓点集合中与凸包的距离超过所述预设距离阈值的轮廓点;
基于所述目标轮廓点的数量确定所述修正细胞核是否正确,并删除不正确的修正细胞核。
根据本申请提供的一种核型异常细胞的确定方法,所述基于ReliefF算法和最大相关最小冗余mRMR算法从初始核型关联特征集合中筛选得到候选核型关联特征集合,具体包括:
基于ReliefF算法和mRMR算法分别对所述初始核型关联特征集合中的各特征子集进行特征筛选,以得到至少一个候选形态特征、至少一个候选纹理特征、至少一个候选颜色特征和至少一个候选边缘特征;
将所述候选形态特征、候选纹理特征、候选颜色特征和候选边缘特征进行组合,以得到所述候选核型关联特征集合。
根据本申请提供的一种核型异常细胞的确定方法,所述基于ReliefF算法和mRMR算法分别对所述初始核型关联特征集合中的各特征子集进行特征筛选,具体包括:
确定目标特征子集,并获取训练样本集中各样本与所述目标特征子集对应的特征值;
基于所述训练样本集中各样本与所述目标特征子集对应的特征值,通过ReliefF算法确定所述目标特征子集中各特征对应的权重;
基于所述目标特征子集对应的权重阈值对所述目标特征子集中的特征进行筛选,确定所述目标特征子集对应的第一特征组合;
基于mRMR算法确定所述第一特征组合中各特征与类别C之间的第一平均互信息以及各特征之间的第二平均互信息,基于所述第一平均互信息和第二平均互信息对所述第一特征组合中的特征进行筛选以得到所述目标特征子集对应的第二特征组合。
根据本申请提供的一种核型异常细胞的确定方法,所述第二特征组合中的特征为所述第一特征组合中使得所述第一平均互信息和所述第二平均互信息的差或商最大的特征。
根据本申请提供的一种核型异常细胞的确定方法,所述基于mRMR算法和向后选择法对所述候选核型关联特征集合进行二次筛选,具体包括:
基于mRMR算法对所述候选核型关联特征集合中的特征进行再筛选,确定潜在核型关联特征集合;
基于向后选择法对所述潜在核型关联特征集合中的特征进行选择,确定所述目标核型关联特征。
根据本申请提供的一种核型异常细胞的确定方法,所述基于所述训练样本集中各样本与所述目标特征子集对应的特征值,通过ReliefF算法确定所述目标特征子集中各特征对应的权重,包括:
基于所述训练样本集中各样本与所述目标特征子集对应的特征值,确定目标样本与预设数量的同类最近邻样本对应的特征值之差,以及目标样本与预设数量的不同类最近邻样本对应的特征值之差;
基于所述目标样本与预设数量的同类最近邻样本对应的特征值之差,以及所述目标样本与预设数量的不同类最近邻样本对应的特征值之差,更新所述目标特征子集中各特征对应的权重,直至更新次数达到预设阈值。
根据本申请提供的一种核型异常细胞的确定方法,所述目标核型关联特征包括:细胞核周长、细胞核面积、细胞核圆形度、细胞核延伸率、细胞核宽高比、细胞核矩形度、细胞核坚固性、细胞核方向度、细胞核长轴、细胞核短轴、细胞核显微图像锐度、细胞核显微图像总信号强度、细胞核显微图像平均信号强度、细胞核显微图像信号强度方差、细胞核显微图像对应的Zernike 矩。
本申请还提供一种核型异常细胞的确定装置,包括:
目标核型关联特征值确定模块,用于基于待识别细胞对应的细胞核显微图像,确定所述待识别细胞对应的目标核型关联特征值;所述目标核型关联特征是基于ReliefF算法和最大相关最小冗余mRMR算法从初始核型关联特征集合中筛选得到候选核型关联特征集合,再基于mRMR算法和向后选择法对所述候选核型关联特征集合进行二次筛选之后确定的;所述初始核型关联特征集合包括形态特征子集、纹理特征子集、颜色特征子集和边缘特征子集,所述候选核型关联特征集合中包括至少一个候选形态特征、至少一个候选纹理特征、至少一个候选颜色特征和至少一个候选边缘特征;
核型异常细胞确定模块,用于将所述待识别细胞对应的目标核型关联特征值输入训练好的核型异常细胞确定模型,输出与所述目标核型关联特征值对应的核型异常细胞识别结果;
其中,所述核型异常细胞确定模型是基于目标核型关联特征值样本以及预先确定的核型异常细胞识别结果标签进行训练后得到的。
本申请还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述核型异常细胞的确定的获取方法的步骤。
本申请还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述核型异常细胞的确定方法的步骤。
本申请还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述核型异常细胞的确定方法的步骤。
本申请提供的核型异常细胞的确定方法和装置,基于待识别细胞对应的细胞核显微图像,确定所述待识别细胞对应的目标核型关联特征值,所述目标核型关联特征是基于ReliefF算法和最大相关最小冗余mRMR算法从初始核型关联特征集合中筛选得到候选核型关联特征集合,再基于mRMR算法和向后选择法对所述候选核型关联特征集合进行二次筛选之后确定的,所述初始核型关联特征集合包括形态特征子集、纹理特征子集、颜色特征子集和边缘特征子集,所述候选核型关联特征集合中包括至少一个候选形态特征、至少一个候选纹理特征、至少一个候选颜色特征和至少一个候选边缘特征,将所述待识别细胞对应的目标核型关联特征值输入训练好的核型异常细胞确定模型,输出与所述目标核型关联特征值对应的核型异常细胞识别结果,其中,所述核型异常细胞确定模型是基于目标核型关联特征值样本以及预先确定的核型异常细胞识别结果标签进行训练后得到的,能够利用最少的目标核型关联特征实现核型异常细胞的高精度识别,同时核型异常细胞的确定过程通过模型自动完成,保证了核型异常细胞识别的效率和准确性,进而保证了肿瘤相关细胞判读的效率和准确度。
附图说明
为了更清楚地说明本申请或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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是本申请提供的核型异常细胞的确定方法的流程示意图;
图2是本申请提供的核型正常细胞的细胞核形态示意图;
图3是本申请提供的核型异常细胞的细胞核形态示意图;
图4是本申请提供的核型异常细胞的确定装置的结构示意图;
图5是本申请提供的电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请中的附图,对本申请中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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
现有技术在进行血液中肿瘤相关细胞判读时,出于保证判读准确性的考虑,需要通过显微镜获取预设数量的判读目标细胞(即单核细胞和无粒细胞)图像,再进行相应的判读流程。但是受环境等因素的影响,血液样本中的部分非判读目标细胞并不能完全滤除,所述非判读细胞包括嗜酸性粒细胞、嗜碱性粒细胞和中性粒细胞。而显微镜在采集细胞图像时并不能自动识别非判读目标细胞,需要通过人工观察判断细胞图像中的细胞核型是否异常,进而确定其是否为非判读目标细胞,并在进行肿瘤相关细胞判读时将其排除。该方式不但耗时耗力,且准确性较低,无法保证后续肿瘤相关细胞判读的效率和准确度。基于此,本申请实施例提供了一种核型异常细胞的确定方法和装置,以用于准确高效地确定核型异常细胞,进而保证肿瘤相关细胞判读的效率和准确度。
图1为本申请提供的核型异常细胞的确定方法的流程示意图,如图1所示,该方法包括:
步骤110,基于待识别细胞对应的细胞核显微图像,确定所述待识别细胞对应的目标核型关联特征值;所述目标核型关联特征是基于ReliefF算法和最大相关最小冗余mRMR算法从初始核型关联特征集合中筛选得到候选核型关联特征集合,再基于mRMR算法和向后选择法对所述候选核型关联特征集合进行二次筛选之后确定的;所述初始核型关联特征集合包括形态特征子集、纹理特征子集、颜色特征子集和边缘特征子集,所述候选核型关联特征集合中包括至少一个候选形态特征、至少一个候选纹理特征、至少一个候选颜色特征和至少一个候选边缘特征。
具体地,所述待识别细胞即血液样本对应的细胞,本申请实施例首先通过显微镜采集血液样本对应的细胞显微图像,所述细胞显微图像中的待识别细胞数量由显微镜采集相机的分辨率决定。所述血液样本预先通过荧光原位杂交技术进行染色,相应的,所述细胞显微图像对应于红、绿、蓝、金四个荧光通道。获取细胞显微图像之后,需要对所述细胞显微图像中的细胞核进行分割,以得到所述待识别细胞对应的细胞核显微图像。获得待识别细胞对应的细胞核显微图像之后,核型异常细胞的确定装置即可基于预先确定的特征提取算法确定所述待识别细胞对应的目标核型关联特征值。
现有技术通过人工确定核型异常细胞的方式为:通过肉眼观察细胞核显微图像中的细胞核形状进行直观判断,该方式可以大致分辨粒细胞和无粒细胞,进而确定核型异常细胞。图2是本申请提供的核型正常细胞的细胞核形态示意图,图3是本申请提供的核型异常细胞的细胞核形态示意图,如图2-3所示,核型正常细胞(即无粒细胞)的细胞核形状近似圆形,而核型异常细胞(即粒细胞)的细胞核形状为花瓣状。但受环境及显微镜采集相机分辨率等因素的影响,核型正常细胞和核型异常细胞的细胞核的形态差异往往难以通过肉眼直接分辨,导致现有技术对于核型异常细胞的识别效率和精度极低,进而拉低后续肿瘤相关细胞判读的效率和准确度。基于此,本申请实施例采用预先确定的特征提取算法确定所述待识别细胞对应的目标核型关联特征值,并基于所述待识别细胞对应的目标核型关联特征值进行核型异常细胞的自动识别。
具体地,本申请发明人通过研究发现,细胞核显微图像中与细胞核核型判断密切相关的特征(即核型关联特征)包括四类,分别为:细胞核形态特征、细胞核纹理特征、颜色特征和边缘特征;细胞核形态特征进一步包括:细胞核的轮廓周长、细胞核的轮廓面积、细胞核的轮廓圆形度、细胞核的轮廓延伸率、宽高比(即细胞核轮廓的最小外接矩形的长轴与短轴的比值)、矩形度(即细胞核轮廓的最小外接矩形和连通域面积的比值)、坚固性(即细胞核轮廓的连通域面积与其凸包面积的比值)、方向度(即细胞核轮廓椭圆拟合长轴的角度)、短轴(即细胞轮廓椭圆拟合的长轴)、长轴(即细胞核轮廓椭圆拟合的短轴);细胞核纹理特征进一步包括:总信号强度(即细胞核轮廓内像素值之和)、平均信号强度(即细胞核轮廓内像素值之和与像素点数量的比值)、信号强度方差(即细胞核轮廓内像素值的方差)、逆差矩、锐度、对比度;颜色特征进一步包括:各荧光通道背景平均信号强度、各荧光通道背景信号强度方差;边缘特征进一步包括:2-9阶Zernike矩。
对于上述四类特征,若要进行全量分析以进行核型异常细胞识别,将会给特征提取带来巨大的工作量,从而大幅降低核型异常细胞识别的效率,基于此,本申请实施例出于兼顾核型异常细胞识别效率和准确度的考虑,采用相应的特征选择方法,对上述四类特征进行筛选,以保留与核型异常细胞高度相关的特征,同时剔除冗余特征,进而在保证核型异常细胞识别准确率的基础上降低核型关联特征的数量。具体地,本申请实施例首先基于ReliefF算法和最大相关最小冗余mRMR算法从初始核型关联特征集合(即由前述形态特征子集、纹理特征子集、颜色特征子集和边缘特征子集共同构成的核型关联特征集合)中筛选得到候选核型关联特征集合,通过所述ReliefF算法能从各特征子集中分别获取预设数量的与核型异常细胞相关度最高的特征,再基于mRMR算法去除冗余特征,即可得到所述候选核型关联特征集合。值得注意的是,在实际操作过程中,可能会由于ReliefF算法和/或mRMR算法执行出错,导致前述某一特征子集中的特征被全部排除,进而影响核型异常细胞识别的准确性。基于此,本申请实施例基于ReliefF算法和mRMR算法从初始核型关联特征集合中筛选得到的候选核型关联特征集合中必须保证包括至少一个候选形态特征、至少一个候选纹理特征、至少一个候选颜色特征和至少一个候选边缘特征。
确定候选核型关联特征集合之后,再基于mRMR算法和向后选择法对所述候选核型关联特征集合进行二次筛选,以进一步去除各特征子集之间的冗余特征,并进一步筛选得到预设数量的与核型异常细胞具有高相关度的目标核型关联特征。
步骤120,将所述待识别细胞对应的目标核型关联特征值输入训练好的核型异常细胞确定模型,输出与所述目标核型关联特征值对应的核型异常细胞识别结果;
其中,所述核型异常细胞确定模型是基于目标核型关联特征值样本以及预先确定的核型异常细胞识别结果标签进行训练后得到的。
具体地,确定所述待识别细胞对应的目标核型关联特征值之后,即可将所述待识别细胞对应的目标核型关联特征值输入训练好的核型异常细胞确定模型,并通过所述核型异常细胞确定模型预测并输出与所述目标核型关联特征值对应的核型异常细胞识别结果。所述核型异常细胞确定模型是基于目标核型关联特征值样本以及预先确定的核型异常细胞识别结果标签进行训练后得到的。可以理解的是,所述核型异常细胞识别结果为核型异常或核型正常。
进一步的,通过核型异常细胞确定模型获取核型异常细胞识别结果之后,本申请实施例可以进一步确定所述细胞显微图像中的待识别细胞中,被认定为核型异常细胞的比例,并基于所述细胞显微图像中核型异常细胞的比例确定所述待识别细胞的异常等级,进而确定是否需要对所述细胞显微图像进行重新采集,即确定是否放弃对当前细胞显微图像中的待识别细胞进行后续判读操作,重新采集其它待识别细胞的细胞显微图像以进行后续判读,避免因为当前细胞显微图像中的核型异常细胞过多,影响后续肿瘤相关细胞判读的效率。
本申请实施例提供的方法,基于待识别细胞对应的细胞核显微图像,确定所述待识别细胞对应的目标核型关联特征值,所述目标核型关联特征是基于ReliefF算法和最大相关最小冗余mRMR算法从初始核型关联特征集合中筛选得到候选核型关联特征集合,再基于mRMR算法和向后选择法对所述候选核型关联特征集合进行二次筛选之后确定的,所述初始核型关联特征集合包括形态特征子集、纹理特征子集、颜色特征子集和边缘特征子集,所述候选核型关联特征集合中包括至少一个候选形态特征、至少一个候选纹理特征、至少一个候选颜色特征和至少一个候选边缘特征,将所述待识别细胞对应的目标核型关联特征值输入训练好的核型异常细胞确定模型,输出与所述目标核型关联特征值对应的核型异常细胞识别结果,其中,所述核型异常细胞确定模型是基于目标核型关联特征值样本以及预先确定的核型异常细胞识别结果标签进行训练后得到的,能够利用最少的目标核型关联特征实现核型异常细胞的高精度识别,同时核型异常细胞的确定过程通过模型自动完成,保证了核型异常细胞识别的效率和准确性,进而保证了肿瘤相关细胞判读的效率和准确度。
基于上述实施例,所述待识别细胞对应的细胞核显微图像的获取步骤包括:
基于预定的分割网络对血液样本对应的细胞显微图像进行分割,以获得血液样本对应的初始细胞核显微图像;
基于血液样本不同荧光通道对应的初始细胞核显微图像中,各细胞核的位置关系以及细胞核中荧光信号点的数量,确定存在过度分割的候选细胞核并基于凸包检测算法和凸缺陷算法对所述候选细胞核进行修正,以得到所述血液样本对应的细胞核修正显微图像;
将所述血液样本对应的细胞核修正显微图像作为所述待识别细胞对应的细胞核显微图像。
具体的,传统的细胞核分割方法是基于深度神经网络(例如Mask-RCNN等)对细胞显微图像中的细胞核进行分割,该方式能够对无粒细胞的细胞核进行准确分割。但本申请发明人通过研究发现,由于粒细胞的细胞核通常为花瓣状,因此传统的基于深度神经网络进行细胞核分割的方式极易将粒细胞的细胞核分割为多个不同的细胞核(即过度分割),而细胞核分割错误将对后续核型异常细胞的识别带来严重影响,导致核型异常细胞的识别准确率降低,同时也会导致细胞数量统计错误,进而导致是否需要对细胞显微图像进行重新采集的决策错误,影响后续肿瘤相关细胞判读的效率和准确性。基于此,本申请实施例在对血液样本对应的细胞显微图像进行分割之后,会进一步确定过度分割的细胞核并对其进行修正,具体步骤如下:
首先基于预定的分割网络(即前述深度神经网络)对血液样本对应的细胞显微图像进行分割,以获得血液样本对应的初始细胞核显微图像。可以理解的是,所述初始细胞核显微图像对应于前述四个不同的荧光通道。
获得血液样本对应的初始细胞核显微图像之后,再基于血液样本不同荧光通道对应的初始细胞核显微图像中,各细胞核的位置关系以及细胞核中荧光信号点的数量,确定存在过度分割的候选细胞核。值得注意的是,如果某一目标粒细胞的细胞核存在过度分割的情形,则血液样本不同荧光通道对应的初始细胞核显微图像中,相应的目标粒细胞的细胞核均会过度分割(例如目标粒细胞的细胞核被分割为两个子细胞核,则四个荧光通道对应的初始细胞核显微图像中,目标粒细胞的细胞核均会被分割为两个子细胞核)。且由于过度分割是将一个目标细胞核分割为多个,因此,分割得到的多个细胞核位置相邻。可以理解的是,所述位置相邻可以是直接相邻(即两个细胞核轮廓直接接触)也可以是间接相邻(即多个细胞核依次直接相邻,其中两个轮廓未直接接触的细胞核称为间接相邻)。同时,基于荧光原位杂交技术的原理可知,对于各荧光通道而言,同一细胞核内应包括两个荧光信号点。基于上述原理,若血液样本不同荧光通道对应的初始细胞核显微图像中,同一区域存在多个相邻细胞核,且所述多个相邻细胞核中荧光信号点的数量之和为2,则所述多个相邻细胞核即为过度分割的细胞核,此时仅需将所述多个相邻细胞核进行合并即可完成修正。此判断方式对于单个粒细胞过度分割的情形是适用的。
但是,由于在制作血液样本时会存在细胞团聚的情况,因此,所述血液样本对应的初始细胞核显微图像中,可能存在无粒细胞和粒细胞的细胞核相邻的情况,此时上述过度分割的细胞核的判断方式并不能准确确定过度分割对应的目标细胞核,例如相邻的细胞核A、B、C,其中细胞核A为无粒细胞的细胞核,细胞核B和C为粒细胞过度分割得到的两个细胞核,可以理解的是,此时细胞核A中存在两个荧光信号点,假设细胞核B中存在两个荧光信号点,细胞核C中无荧光信号点。此时,基于上述判断方式并不能确定过度分割的细胞核为A和C还是B和C。同时,所述血液样本对应的初始细胞核显微图像中,还可能存在两个粒细胞的细胞核相邻的情况,此时上述过度分割的细胞核的判断方式也无法准确确定过度分割的细胞核,例如相邻的细胞核D、E、F、G,其中细胞核D和E为粒细胞M过度分割得到的两个细胞核,细胞核F和G为粒细胞N过度分割得到的两个细胞核,假设细胞核D和F中均存在两个荧光信号点,细胞核E和G中无荧光信号点。此时,基于上述判断方式并不能确定过度分割的细胞核组合为DE和FG还是DG和FE。如果此时仅基于相邻细胞核中荧光信号点的数量之和为2进行过度分割细胞判断并进行合并,将进一步导致细胞核分割错误。基于此,本申请实施例先基于血液样本不同荧光通道对应的初始细胞核显微图像中,各细胞核的位置关系以及细胞核中荧光信号点的数量,确定存在过度分割的候选细胞核,即前述示例中位置相邻的细胞核A-C或D-G,基于前述示例可以理解的是,若血液样本不同荧光通道对应的初始细胞核显微图像中,同一区域存在多个相邻细胞核,且所述多个相邻细胞核中存在至少两个细胞核的荧光信号点的数量之和为2的情形,则所述多个相邻细胞核将被认定为存在过度分割的候选细胞核。确定候选细胞核之后,再基于凸包检测算法和凸缺陷算法对所述候选细胞核进行修正,可以确保细胞核修正的准确性。
对所有存在过度分割的候选细胞核进行修正之后,即可得到所述血液样本对应的细胞核修正显微图像,并将其作为所述待识别细胞对应的细胞核显微图像。可以理解的是,所述细胞核修正显微图像中,过度分割的细胞核已经得到修正,即此时所述细胞核修正显微图像中的细胞核均可认定为准确分割的细胞核。基于此,能够最大限度保证后续核型异常细胞识别结果的准确性。
本申请实施例提供的方法,基于预定的分割网络对血液样本对应的细胞显微图像进行分割,以获得血液样本对应的初始细胞核显微图像;基于血液样本不同荧光通道对应的初始细胞核显微图像中,各细胞核的位置关系以及细胞核中荧光信号点的数量,确定过度分割的细胞核并对所述过度分割的细胞核进行修正,以得到所述血液样本对应的细胞核修正显微图像;将所述血液样本对应的细胞核修正显微图像作为所述待识别细胞对应的细胞核显微图像,能够保证细胞核分割的准确性,进而保证后续核型异常细胞识别结果的准确性。
基于上述实施例,所述基于凸包检测算法和凸缺陷算法对所述候选细胞核进行修正的步骤,具体包括:
确定所述候选细胞核中,荧光信号点的数量之和为预设值的目标细胞核构成的细胞核集合;
对所述细胞核集合中的目标细胞核进行合并以得到对应的修正细胞核;
基于凸包检测算法和凸缺陷算法确定所述修正细胞核的轮廓上与凸包相距最远的轮廓点集合,并基于预设距离阈值确定所述轮廓点集合中的目标轮廓点,所述目标轮廓点为所述轮廓点集合中与凸包的距离超过所述预设距离阈值的轮廓点;
基于所述目标轮廓点的数量确定所述修正细胞核是否正确,并删除不正确的修正细胞核。
具体的,结合前述实施例可知,所述预设值为2,可以理解的是,由于可能存在多组目标细胞核的荧光信号点的数量之和为2,因此,所述细胞核集合可能为一个,也可能为多个。对于一个的情形(即对应于单个粒细胞过度分割的情形),对所述细胞核集合中的目标细胞核进行合并以得到对应的修正细胞核即可。而对于多个的情形,基于前述实施例可知,并不能准确确定哪个细胞核集合对应的目标细胞核为存在过度分割的细胞核,因此需要对合并得到的修正细胞核(该情形下会对应生成多个修正细胞核)进行进一步识别,以确保细胞核修正的准确性。而本申请发明人通过研究发现,由于粒细胞的细胞核形状存在特异性,因此,正确合并的修正细胞核(对应于同一粒细胞过度分割的多个细胞核合并的情形)和错误合并的修正细胞核(对应于粒细胞过度分割的细胞核与无粒细胞的细胞核合并的情形以及多个粒细胞过度分割的细胞核交叉合并的情形)的轮廓存在明显差异,而该差异可以通过修正细胞核的轮廓上与凸包相距最远的轮廓点集合确定,即若修正细胞核的轮廓上与凸包相距最远的轮廓点集合中,与凸包的距离超过预设距离阈值的目标轮廓点的数量超过预设数量阈值,则可认定所述修正细胞核正确。所述预设距离阈值优选为900像素,所述预设数量阈值优选为4,当然所述预设距离阈值和所述预设数量阈值可以根据实际应用场景进行合理调整,本申请实施例对此不作具体限定。
基于此,本申请实施例基于凸包检测算法和凸缺陷算法分别确定各修正细胞核的轮廓上与凸包相距最远的轮廓点集合,并基于预设距离阈值确定所述轮廓点集合中的目标轮廓点,再基于所述目标轮廓点的数量即可确定所述修正细胞核是否正确,对于不正确的修正细胞核予以删除即可得到所述血液样本对应的细胞核修正显微图像。可以理解的是,所述删除不正确的修正细胞核指删除细胞核显微图像中对应的细胞核轮廓,其可以通过相应的算法实现,本申请实施例对于算法的实现方式不作具体限定。至于所述凸包检测算法和凸缺陷算法为本领域的常规算法,其详细操作步骤在此不再赘述。
还可以理解的是,可以采用现有的任意轮廓合并算法实现上述合并修正过程,本申请实施例对此不作具体限定。
本申请实施例提供的方法,确定所述候选细胞核中,荧光信号点的数量之和为预设值的目标细胞核构成的细胞核集合;对所述细胞核集合中的目标细胞核进行合并以得到对应的修正细胞核;基于凸包检测算法和凸缺陷算法确定所述修正细胞核的轮廓上与凸包相距最远的轮廓点集合,并基于预设距离阈值确定所述轮廓点集合中的目标轮廓点,所述目标轮廓点为所述轮廓点集合中与凸包的距离超过所述预设距离阈值的轮廓点;基于所述目标轮廓点的数量确定所述修正细胞核是否正确,并删除不正确的修正细胞核。能够在细胞团聚的情况下对过度分割的细胞核进行准确修正,进一步保证细胞核分割的准确性,进而保证后续核型异常细胞识别结果的准确性。
基于上述实施例,所述基于ReliefF算法和最大相关最小冗余mRMR算法从初始核型关联特征集合中筛选得到候选核型关联特征集合,具体包括:
基于ReliefF算法和mRMR算法分别对所述初始核型关联特征集合中的各特征子集进行特征筛选,以得到至少一个候选形态特征、至少一个候选纹理特征、至少一个候选颜色特征和至少一个候选边缘特征;
将所述候选形态特征、候选纹理特征、候选颜色特征和候选边缘特征进行组合,以得到所述候选核型关联特征集合。
具体地,结合前述实施例可知,为了避免由于ReliefF算法和/或mRMR算法执行出错,导致某一特征子集中的特征被全部排除,进而影响核型异常细胞识别的准确性,需要保证基于ReliefF算法和mRMR算法筛选之后,每一个特征子集中至少保留一个候选核型关联特征。基于此,本申请实施例基于ReliefF算法和mRMR算法分别对所述初始核型关联特征集合中的各特征子集进行特征筛选,以得到至少一个候选形态特征、至少一个候选纹理特征、至少一个候选颜色特征和至少一个候选边缘特征,基于该方式,各特征子集的特征筛选可以并行执行,保证了特征筛选的效率。同时,对各特征子集分别进行筛选,能够保证每个特征子集对应的候选核型关联特征为与核型异常细胞相关度最大且冗余度最小的特征,保证了后续核型异常细胞识别的效率和准确性。
本申请实施例提供的方法,所述基于ReliefF算法和最大相关最小冗余mRMR算法从初始核型关联特征集合中筛选得到候选核型关联特征集合,具体包括:基于ReliefF算法和mRMR算法分别对所述初始核型关联特征集合中的各特征子集进行特征筛选,以得到至少一个候选形态特征、至少一个候选纹理特征、至少一个候选颜色特征和至少一个候选边缘特征,将所述候选形态特征、候选纹理特征、候选颜色特征和候选边缘特征进行组合,以得到所述候选核型关联特征集合,保证了特征筛选的效率,同时保证了后续核型异常细胞识别的效率和准确性。
基于上述任一实施例,所述基于ReliefF算法和mRMR算法分别对所述初始核型关联特征集合中的各特征子集进行特征筛选,具体包括:
确定目标特征子集,并获取训练样本集中各样本与所述目标特征子集对应的特征值;
基于所述训练样本集中各样本与所述目标特征子集对应的特征值,通过ReliefF算法确定所述目标特征子集中各特征对应的权重;
基于所述目标特征子集对应的权重阈值对所述目标特征子集中的特征进行筛选,确定所述目标特征子集对应的第一特征组合;
基于mRMR算法确定所述第一特征组合中各特征与类别C之间的第一平均互信息以及各特征之间的第二平均互信息,基于所述第一平均互信息和第二平均互信息对所述第一特征组合中的特征进行筛选以得到所述目标特征子集对应的第二特征组合。
具体地,本申请实施例预先设置训练样本集,所述训练样本集中包括第一预设数量的核型正常细胞样本和第二预设数量的核型异常细胞样本。确定目标特征子集之后,即可获取所述训练样本集中各样本与所述目标特征子集对应的特征值,再基于所述训练样本集中各样本与所述目标特征子集对应的特征值,通过ReliefF算法确定所述目标特征子集中各特征对应的权重,具体的,预先确定抽样次数m,并循环执行以下步骤直至达到所述抽样次数m:从训练样本集中随机取出一个样本R,然后从和R同类的样本集(假设R为核型异常细胞样本,则同类的样本集也为核型异常细胞样本)中找出R的k个近邻样本,从样本R的不同类的样本集(假设R为核型异常细胞样本,则不同类的样本集为核型正常细胞样本)中找出k个近邻样本,然后基于样本R与近邻样本的同一特征对应的特征值,通过ReliefF算法的特征权重计算公式更新每个特征的权重。至于所述ReliefF算法的特征权重计算公式,其为本领域的公知内容,在此不再赘述。
确定所述目标特征子集中各特征对应的权重之后,再基于所述目标特征子集对应的权重阈值对所述目标特征子集中的特征进行筛选,确定所述目标特征子集对应的第一特征组合。可以理解的是,所述第一特征组合中的特征为权重大于所述权重阈值的特征。值得注意的是,正常情况下,出于保证筛选标准统一的考虑,各特征子集对应的权重阈值应该相同,但基于前述实施例可知,由于ReliefF算法执行时可能出错,导致目标特征子集中的各特征的权重均小于所述权重阈值,因此,本申请实施例出于保证异常核型细胞识别准确性的考虑,当目标特征子集中的各特征的权重均小于所述权重阈值时,将适当缩小所述目标特征子集对应的权重阈值,以保证所述第一特征组合中包括至少一个特征。可以理解的是,由于每次抽样均会对目标特征子集中的全部特征的权重进行更新,因此,即使ReliefF算法执行时出错,各特征的权重也会沿相同趋势偏差(即偏大或偏小),基于此,即使调整所述权重阈值,也并不会引入相关度较低的特征,保证了特征筛选的准确性。
确定所述目标特征子集对应的第一特征组合之后,本申请实施例再基于mRMR算法确定所述第一特征组合中各特征与类别C(即核型异常细胞)之间的第一平均互信息以及各特征之间的第二平均互信息,基于所述第一平均互信息和第二平均互信息对所述第一特征组合中的特征进行筛选以得到所述目标特征子集对应的第二特征组合,基于此,可以将目标特征子集中的冗余特征删除。至于所述第一平均互信息和第二平均互信息的计算公式,其为本领域的公知内容,在此不再赘述。可以理解的是,当所述第一特征组合中只有一个特征时,其将会被保留作为所述目标特征子集对应的第二特征组合,基于此,可以保证所述第二特征组合中包括至少一个特征,进而保证后续核型异常细胞识别的准确性。
本申请实施例提供的方法,所述基于ReliefF算法和mRMR算法分别对所述初始核型关联特征集合中的各特征子集进行特征筛选,具体包括:确定目标特征子集,并获取训练样本集中各样本与所述目标特征子集对应的特征值,基于所述训练样本集中各样本与所述目标特征子集对应的特征值,通过ReliefF算法确定所述目标特征子集中各特征对应的权重,基于所述目标特征子集对应的权重阈值对所述目标特征子集中的特征进行筛选,确定所述目标特征子集对应的第一特征组合,基于mRMR算法确定所述第一特征组合中各特征与类别C之间的第一平均互信息以及各特征之间的第二平均互信息,基于所述第一平均互信息和第二平均互信息对所述第一特征组合中的特征进行筛选以得到所述目标特征子集对应的第二特征组合,能够保证后续核型异常细胞识别的效率和准确性。
基于上述任一实施例,所述第二特征组合中的特征为所述第一特征组合中使得所述第一平均互信息和所述第二平均互信息的差或商最大的特征。
具体地,基于所述mRMR算法的原理可知,使得所述第一平均互信息和所述第二平均互信息的差或商最大的特征即为与类别C的相关性最大、冗余性最小的特征,基于此,能够保证后续核型异常细胞识别的效率和准确性。
本申请实施例提供的方法,所述第二特征组合中的特征为所述第一特征组合中使得所述第一平均互信息和所述第二平均互信息的差或商最大的特征,能够保证所述第二特征组合中的特征与异常核型细胞的相关性最大、冗余性最小,进而保证后续核型异常细胞识别的效率和准确性。
基于上述任一实施例,所述基于mRMR算法和向后选择法对所述候选核型关联特征集合进行二次筛选,具体包括:
基于mRMR算法对所述候选核型关联特征集合中的特征进行再筛选,确定潜在核型关联特征集合;
基于向后选择法对所述潜在核型关联特征集合中的特征进行选择,确定所述目标核型关联特征。
具体地,基于前述实施例可知,基于ReliefF算法和mRMR算法从初始核型关联特征集合中筛选得到的候选核型关联特征集合中,各特征子集对应的候选特征(即所述第二特征组合)为对应特征子集中与核型异常细胞相关性最大且冗余度最小的特征。但在实际应用中,本申请发明人发现,各特征子集之间也会存在特征冗余的情况,基于此,本申请实施例在确定候选核型关联特征集合(即各特征子集对应的第二特征组合构成的集合)之后,会基于mRMR算法对所述候选核型关联特征集合中的特征进行再筛选,以剔除不同第二特征组合之间的冗余特征,得到潜在核型关联特征集合。
得到所述潜在核型关联特征集合之后,再基于向后选择法对所述潜在核型关联特征集合中的特征进行选择,确定所述目标核型关联特征,以确保通过所述目标核型关联特征能够最大限度地保证核型异常细胞的识别效率和准确性。可以理解的是,也可以采用向前选择法对所述潜在核型关联特征集合进行筛选,其效果与向后选择法相同。
本申请实施例提供的方法,所述基于mRMR算法和向后选择法对所述候选核型关联特征集合进行二次筛选,具体包括:基于mRMR算法对所述候选核型关联特征集合中的特征进行再筛选,确定潜在核型关联特征集合,基于向后选择法对所述潜在核型关联特征集合中的特征进行选择,确定所述目标核型关联特征,能够对核型关联特征进行进一步筛选,以最大限度地保证核型异常细胞的识别效率和准确性。
基于上述任一实施例,所述基于所述训练样本集中各样本与所述目标特征子集对应的特征值,通过ReliefF算法确定所述目标特征子集中各特征对应的权重,包括:
基于所述训练样本集中各样本与所述目标特征子集对应的特征值,确定目标样本与预设数量的同类最近邻样本对应的特征值之差,以及目标样本与预设数量的不同类最近邻样本对应的特征值之差;
基于所述目标样本与预设数量的同类最近邻样本对应的特征值之差,以及所述目标样本与预设数量的不同类最近邻样本对应的特征值之差,更新所述目标特征子集中各特征对应的权重,直至更新次数达到预设阈值。
具体地,基于前述实施例可知,确定所述训练样本集中各样本与所述目标特征子集对应的特征值之后,即可计算所述目标特征子集中各特征对应的权重,具体的,基于所述训练样本集中各样本与所述目标特征子集对应的特征值,确定目标样本与预设数量(即前述实施例中的k)的同类最近邻样本对应的特征值之差,以及目标样本与预设数量的不同类最近邻样本对应的特征值之差,再基于所述目标样本与预设数量的同类最近邻样本对应的特征值之差,以及所述目标样本与预设数量的不同类最近邻样本对应的特征值之差,更新所述目标特征子集中各特征对应的权重,直至更新次数达到预设阈值(即前述抽样次数m),能够快速确定目标特征子集中各特征的权重。至于权重的具体更新流程,在前述实施例已经进行了介绍,在此不再赘述。可以理解的是,k和m的取值可以根据实际需要进行设定,本申请实施例对此不作具体限定。
本申请实施例提供的方法,所述基于所述训练样本集中各样本与所述目标特征子集对应的特征值,通过ReliefF算法确定所述目标特征子集中各特征对应的权重,包括:基于所述训练样本集中各样本与所述目标特征子集对应的特征值,确定目标样本与预设数量的同类最近邻样本对应的特征值之差,以及目标样本与预设数量的不同类最近邻样本对应的特征值之差,基于所述目标样本与预设数量的同类最近邻样本对应的特征值之差,以及所述目标样本与预设数量的不同类最近邻样本对应的特征值之差,更新所述目标特征子集中各特征对应的权重,直至更新次数达到预设阈值,能够快速确定各目标特征子集中各特征的权重,保证特征筛选的效率和准确性。
基于上述任一实施例,所述目标核型关联特征包括:细胞核周长、细胞核面积、细胞核圆形度、细胞核延伸率、细胞核宽高比、细胞核矩形度、细胞核坚固性、细胞核方向度、细胞核长轴、细胞核短轴、细胞核显微图像锐度、细胞核显微图像总信号强度、细胞核显微图像平均信号强度、细胞核显微图像信号强度方差、细胞核显微图像对应的Zernike 矩。
具体地,本申请实施例基于ReliefF算法和mRMR算法从初始核型关联特征集合中筛选得到候选核型关联特征集合,再基于mRMR算法和向后选择法对所述候选核型关联特征集合进行二次筛选之后确定的目标核型关联特征包括:细胞核周长、细胞核面积、细胞核圆形度、细胞核延伸率、细胞核宽高比、细胞核矩形度、细胞核坚固性、细胞核方向度、细胞核长轴、细胞核短轴、细胞核显微图像锐度、细胞核显微图像总信号强度、细胞核显微图像平均信号强度、细胞核显微图像信号强度方差、细胞核显微图像对应的Zernike 矩。可以理解的是,所述细胞核显微图像对应的Zernike 矩即前述2-9阶Zernike 矩,基于此,能够兼顾异常核型细胞识别的效率和准确性。同时可以看出,最终得到的目标核型关联特征并不包括颜色特征,其原因在于颜色特征子集中的特征与另外三个特征子集存在冗余,因此,颜色特征子集中的特征被剔除。本申请基于ReliefF算法和mRMR算法从初始核型关联特征集合中筛选得到候选核型关联特征集合时,由于各特征子集分别进行筛选,保证了候选核型关联特征集合中特征的全面性,避免将有用特征误删除,再通过mRMR算法和向后选择法对所述候选核型关联特征集合进行二次筛选,剔除各特征子集之间的冗余特征,既保证了核型异常细胞的识别准确性,也兼顾了识别效率。
本申请实施例提供的方法,所述目标核型关联特征包括:细胞核周长、细胞核面积、细胞核圆形度、细胞核延伸率、细胞核宽高比、细胞核矩形度、细胞核坚固性、细胞核方向度、细胞核长轴、细胞核短轴、细胞核显微图像锐度、细胞核显微图像总信号强度、细胞核显微图像平均信号强度、细胞核显微图像信号强度方差、细胞核显微图像对应的Zernike矩,既保证了核型异常细胞的识别准确性,也兼顾了识别效率。
下面对本申请提供的核型异常细胞的确定装置进行描述,下文描述的核型异常细胞的确定装置与上文描述的核型异常细胞的确定方法可相互对应参照。
基于上述任一实施例,图4为本申请提供的核型异常细胞的确定装置的结构示意图,如图4所示,该装置包括:
目标核型关联特征值确定模块410,用于基于待识别细胞对应的细胞核显微图像,确定所述待识别细胞对应的目标核型关联特征值;所述目标核型关联特征是基于ReliefF算法和最大相关最小冗余mRMR算法从初始核型关联特征集合中筛选得到候选核型关联特征集合,再基于mRMR算法和向后选择法对所述候选核型关联特征集合进行二次筛选之后确定的;所述初始核型关联特征集合包括形态特征子集、纹理特征子集、颜色特征子集和边缘特征子集,所述候选核型关联特征集合中包括至少一个候选形态特征、至少一个候选纹理特征、至少一个候选颜色特征和至少一个候选边缘特征;
核型异常细胞确定模块420,用于将所述待识别细胞对应的目标核型关联特征值输入训练好的核型异常细胞确定模型,输出与所述目标核型关联特征值对应的核型异常细胞识别结果;
其中,所述核型异常细胞确定模型是基于目标核型关联特征值样本以及预先确定的核型异常细胞识别结果标签进行训练后得到的。
本申请实施例提供的装置,基于待识别细胞对应的细胞核显微图像,确定所述待识别细胞对应的目标核型关联特征值,所述目标核型关联特征是基于ReliefF算法和最大相关最小冗余mRMR算法从初始核型关联特征集合中筛选得到候选核型关联特征集合,再基于mRMR算法和向后选择法对所述候选核型关联特征集合进行二次筛选之后确定的,所述初始核型关联特征集合包括形态特征子集、纹理特征子集、颜色特征子集和边缘特征子集,所述候选核型关联特征集合中包括至少一个候选形态特征、至少一个候选纹理特征、至少一个候选颜色特征和至少一个候选边缘特征,将所述待识别细胞对应的目标核型关联特征值输入训练好的核型异常细胞确定模型,输出与所述目标核型关联特征值对应的核型异常细胞识别结果,其中,所述核型异常细胞确定模型是基于目标核型关联特征值样本以及预先确定的核型异常细胞识别结果标签进行训练后得到的,能够利用最少的目标核型关联特征实现核型异常细胞的高精度识别,同时核型异常细胞的确定过程通过模型自动完成,保证了核型异常细胞识别的效率和准确性,进而保证了肿瘤相关细胞判读的效率和准确度。
基于上述实施例,所述装置还包括候选核型关联特征集合确定模块,所述候选核型关联特征集合确定模块用于执行以下步骤:
基于ReliefF算法和mRMR算法分别对所述初始核型关联特征集合中的各特征子集进行特征筛选,以得到至少一个候选形态特征、至少一个候选纹理特征、至少一个候选颜色特征和至少一个候选边缘特征;
将所述候选形态特征、候选纹理特征、候选颜色特征和候选边缘特征进行组合,以得到所述候选核型关联特征集合。
基于上述任一实施例,所述基于ReliefF算法和mRMR算法分别对所述初始核型关联特征集合中的各特征子集进行特征筛选,具体包括:
确定目标特征子集,并获取训练样本集中各样本与所述目标特征子集对应的特征值;
基于所述训练样本集中各样本与所述目标特征子集对应的特征值,通过ReliefF算法确定所述目标特征子集中各特征对应的权重;
基于所述目标特征子集对应的权重阈值对所述目标特征子集中的特征进行筛选,确定所述目标特征子集对应的第一特征组合;
基于mRMR算法确定所述第一特征组合中各特征与类别C之间的第一平均互信息以及各特征之间的第二平均互信息,基于所述第一平均互信息和第二平均互信息对所述第一特征组合中的特征进行筛选以得到所述目标特征子集对应的第二特征组合。
基于上述任一实施例,所述第二特征组合中的特征为所述第一特征组合中使得所述第一平均互信息和所述第二平均互信息的差或商最大的特征。
基于上述任一实施例,所述装置还包括二次筛选模块,所述二次筛选模块用于执行以下步骤:
基于mRMR算法对所述候选核型关联特征集合中的特征进行再筛选,确定潜在核型关联特征集合;
基于向后选择法对所述潜在核型关联特征集合中的特征进行选择,确定所述目标核型关联特征。
基于上述任一实施例,所述基于所述训练样本集中各样本与所述目标特征子集对应的特征值,通过ReliefF算法确定所述目标特征子集中各特征对应的权重,包括:
基于所述训练样本集中各样本与所述目标特征子集对应的特征值,确定目标样本与预设数量的同类最近邻样本对应的特征值之差,以及目标样本与预设数量的不同类最近邻样本对应的特征值之差;
基于所述目标样本与预设数量的同类最近邻样本对应的特征值之差,以及所述目标样本与预设数量的不同类最近邻样本对应的特征值之差,更新所述目标特征子集中各特征对应的权重,直至更新次数达到预设阈值。
基于上述任一实施例,所述目标核型关联特征包括:细胞核周长、细胞核面积、细胞核圆形度、细胞核延伸率、细胞核宽高比、细胞核矩形度、细胞核坚固性、细胞核方向度、细胞核长轴、细胞核短轴、细胞核显微图像锐度、细胞核显微图像总信号强度、细胞核显微图像平均信号强度、细胞核显微图像信号强度方差、细胞核显微图像对应的Zernike 矩。
图5示例了一种电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540,其中,处理器510,通信接口520,存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令,以执行上述各方法所提供的核型异常细胞的确定方法,该方法包括:基于待识别细胞对应的细胞核显微图像,确定所述待识别细胞对应的目标核型关联特征值;所述目标核型关联特征是基于ReliefF算法和最大相关最小冗余mRMR算法从初始核型关联特征集合中筛选得到候选核型关联特征集合,再基于mRMR算法和向后选择法对所述候选核型关联特征集合进行二次筛选之后确定的;所述初始核型关联特征集合包括形态特征子集、纹理特征子集、颜色特征子集和边缘特征子集,所述候选核型关联特征集合中包括至少一个候选形态特征、至少一个候选纹理特征、至少一个候选颜色特征和至少一个候选边缘特征;将所述待识别细胞对应的目标核型关联特征值输入训练好的核型异常细胞确定模型,输出与所述目标核型关联特征值对应的核型异常细胞识别结果;其中,所述核型异常细胞确定模型是基于目标核型关联特征值样本以及预先确定的核型异常细胞识别结果标签进行训练后得到的。
此外,上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本申请还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的核型异常细胞的确定方法,该方法包括:基于待识别细胞对应的细胞核显微图像,确定所述待识别细胞对应的目标核型关联特征值;所述目标核型关联特征是基于ReliefF算法和最大相关最小冗余mRMR算法从初始核型关联特征集合中筛选得到候选核型关联特征集合,再基于mRMR算法和向后选择法对所述候选核型关联特征集合进行二次筛选之后确定的;所述初始核型关联特征集合包括形态特征子集、纹理特征子集、颜色特征子集和边缘特征子集,所述候选核型关联特征集合中包括至少一个候选形态特征、至少一个候选纹理特征、至少一个候选颜色特征和至少一个候选边缘特征;将所述待识别细胞对应的目标核型关联特征值输入训练好的核型异常细胞确定模型,输出与所述目标核型关联特征值对应的核型异常细胞识别结果;其中,所述核型异常细胞确定模型是基于目标核型关联特征值样本以及预先确定的核型异常细胞识别结果标签进行训练后得到的。
又一方面,本申请还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的核型异常细胞的确定方法,该方法包括:基于待识别细胞对应的细胞核显微图像,确定所述待识别细胞对应的目标核型关联特征值;所述目标核型关联特征是基于ReliefF算法和最大相关最小冗余mRMR算法从初始核型关联特征集合中筛选得到候选核型关联特征集合,再基于mRMR算法和向后选择法对所述候选核型关联特征集合进行二次筛选之后确定的;所述初始核型关联特征集合包括形态特征子集、纹理特征子集、颜色特征子集和边缘特征子集,所述候选核型关联特征集合中包括至少一个候选形态特征、至少一个候选纹理特征、至少一个候选颜色特征和至少一个候选边缘特征;将所述待识别细胞对应的目标核型关联特征值输入训练好的核型异常细胞确定模型,输出与所述目标核型关联特征值对应的核型异常细胞识别结果;其中,所述核型异常细胞确定模型是基于目标核型关联特征值样本以及预先确定的核型异常细胞识别结果标签进行训练后得到的。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种核型异常细胞的确定方法,其特征在于,包括:
基于待识别细胞对应的细胞核显微图像,确定所述待识别细胞对应的目标核型关联特征值;所述目标核型关联特征是基于ReliefF算法和最大相关最小冗余mRMR算法从初始核型关联特征集合中筛选得到候选核型关联特征集合,再基于mRMR算法和向后选择法对所述候选核型关联特征集合进行二次筛选之后确定的;所述初始核型关联特征集合包括形态特征子集、纹理特征子集、颜色特征子集和边缘特征子集,所述候选核型关联特征集合中包括至少一个候选形态特征、至少一个候选纹理特征、至少一个候选颜色特征和至少一个候选边缘特征;
将所述待识别细胞对应的目标核型关联特征值输入训练好的核型异常细胞确定模型,输出与所述目标核型关联特征值对应的核型异常细胞识别结果;
其中,所述核型异常细胞确定模型是基于目标核型关联特征值样本以及预先确定的核型异常细胞识别结果标签进行训练后得到的;
所述待识别细胞对应的细胞核显微图像的获取步骤包括:
基于预定的分割网络对血液样本对应的细胞显微图像进行分割,以获得血液样本对应的初始细胞核显微图像;
基于血液样本不同荧光通道对应的初始细胞核显微图像中,各细胞核的位置关系以及细胞核中荧光信号点的数量,确定存在过度分割的候选细胞核并基于凸包检测算法和凸缺陷算法对所述候选细胞核进行修正,以得到所述血液样本对应的细胞核修正显微图像;
将所述血液样本对应的细胞核修正显微图像作为所述待识别细胞对应的细胞核显微图像;
所述基于凸包检测算法和凸缺陷算法对所述候选细胞核进行修正的步骤,具体包括:
确定所述候选细胞核中,荧光信号点的数量之和为预设值的目标细胞核构成的细胞核集合;
对所述细胞核集合中的目标细胞核进行合并以得到对应的修正细胞核;
基于凸包检测算法和凸缺陷算法确定所述修正细胞核的轮廓上与凸包相距最远的轮廓点集合,并基于预设距离阈值确定所述轮廓点集合中的目标轮廓点,所述目标轮廓点为所述轮廓点集合中与凸包的距离超过所述预设距离阈值的轮廓点;
基于所述目标轮廓点的数量确定所述修正细胞核是否正确,并删除不正确的修正细胞核。
2.根据权利要求1所述的核型异常细胞的确定方法,其特征在于,所述基于ReliefF算法和最大相关最小冗余mRMR算法从初始核型关联特征集合中筛选得到候选核型关联特征集合,具体包括:
基于ReliefF算法和mRMR算法分别对所述初始核型关联特征集合中的各特征子集进行特征筛选,以得到至少一个候选形态特征、至少一个候选纹理特征、至少一个候选颜色特征和至少一个候选边缘特征;
将所述候选形态特征、候选纹理特征、候选颜色特征和候选边缘特征进行组合,以得到所述候选核型关联特征集合。
3.根据权利要求2所述的核型异常细胞的确定方法,其特征在于,所述基于ReliefF算法和mRMR算法分别对所述初始核型关联特征集合中的各特征子集进行特征筛选,具体包括:
确定目标特征子集,并获取训练样本集中各样本与所述目标特征子集对应的特征值;
基于所述训练样本集中各样本与所述目标特征子集对应的特征值,通过ReliefF算法确定所述目标特征子集中各特征对应的权重;
基于所述目标特征子集对应的权重阈值对所述目标特征子集中的特征进行筛选,确定所述目标特征子集对应的第一特征组合;
基于mRMR算法确定所述第一特征组合中各特征与类别C之间的第一平均互信息以及各特征之间的第二平均互信息,基于所述第一平均互信息和第二平均互信息对所述第一特征组合中的特征进行筛选以得到所述目标特征子集对应的第二特征组合。
4.根据权利要求3所述的核型异常细胞的确定方法,其特征在于,所述第二特征组合中的特征为所述第一特征组合中使得所述第一平均互信息和所述第二平均互信息的差或商最大的特征。
5.根据权利要求1所述的核型异常细胞的确定方法,其特征在于,所述基于mRMR算法和向后选择法对所述候选核型关联特征集合进行二次筛选,具体包括:
基于mRMR算法对所述候选核型关联特征集合中的特征进行再筛选,确定潜在核型关联特征集合;
基于向后选择法对所述潜在核型关联特征集合中的特征进行选择,确定所述目标核型关联特征。
6.根据权利要求3所述的核型异常细胞的确定方法,其特征在于,所述基于所述训练样本集中各样本与所述目标特征子集对应的特征值,通过ReliefF算法确定所述目标特征子集中各特征对应的权重,包括:
基于所述训练样本集中各样本与所述目标特征子集对应的特征值,确定目标样本与预设数量的同类最近邻样本对应的特征值之差,以及目标样本与预设数量的不同类最近邻样本对应的特征值之差;
基于所述目标样本与预设数量的同类最近邻样本对应的特征值之差,以及所述目标样本与预设数量的不同类最近邻样本对应的特征值之差,更新所述目标特征子集中各特征对应的权重,直至更新次数达到预设阈值。
7.根据权利要求1所述的核型异常细胞的确定方法,其特征在于,所述目标核型关联特征包括:细胞核周长、细胞核面积、细胞核圆形度、细胞核延伸率、细胞核宽高比、细胞核矩形度、细胞核坚固性、细胞核方向度、细胞核长轴、细胞核短轴、细胞核显微图像锐度、细胞核显微图像总信号强度、细胞核显微图像平均信号强度、细胞核显微图像信号强度方差、细胞核显微图像对应的Zernike 矩。
8.一种核型异常细胞的确定装置,其特征在于,包括:
目标核型关联特征值确定模块,用于基于待识别细胞对应的细胞核显微图像,确定所述待识别细胞对应的目标核型关联特征值;所述目标核型关联特征是基于ReliefF算法和最大相关最小冗余mRMR算法从初始核型关联特征集合中筛选得到候选核型关联特征集合,再基于mRMR算法和向后选择法对所述候选核型关联特征集合进行二次筛选之后确定的;所述初始核型关联特征集合包括形态特征子集、纹理特征子集、颜色特征子集和边缘特征子集,所述候选核型关联特征集合中包括至少一个候选形态特征、至少一个候选纹理特征、至少一个候选颜色特征和至少一个候选边缘特征;
核型异常细胞确定模块,用于将所述待识别细胞对应的目标核型关联特征值输入训练好的核型异常细胞确定模型,输出与所述目标核型关联特征值对应的核型异常细胞识别结果;
其中,所述核型异常细胞确定模型是基于目标核型关联特征值样本以及预先确定的核型异常细胞识别结果标签进行训练后得到的;
所述待识别细胞对应的细胞核显微图像的获取步骤包括:
基于预定的分割网络对血液样本对应的细胞显微图像进行分割,以获得血液样本对应的初始细胞核显微图像;
基于血液样本不同荧光通道对应的初始细胞核显微图像中,各细胞核的位置关系以及细胞核中荧光信号点的数量,确定存在过度分割的候选细胞核并基于凸包检测算法和凸缺陷算法对所述候选细胞核进行修正,以得到所述血液样本对应的细胞核修正显微图像;
将所述血液样本对应的细胞核修正显微图像作为所述待识别细胞对应的细胞核显微图像;
所述基于凸包检测算法和凸缺陷算法对所述候选细胞核进行修正的步骤,具体包括:
确定所述候选细胞核中,荧光信号点的数量之和为预设值的目标细胞核构成的细胞核集合;
对所述细胞核集合中的目标细胞核进行合并以得到对应的修正细胞核;
基于凸包检测算法和凸缺陷算法确定所述修正细胞核的轮廓上与凸包相距最远的轮廓点集合,并基于预设距离阈值确定所述轮廓点集合中的目标轮廓点,所述目标轮廓点为所述轮廓点集合中与凸包的距离超过所述预设距离阈值的轮廓点;
基于所述目标轮廓点的数量确定所述修正细胞核是否正确,并删除不正确的修正细胞核。
9.一种电子设备,包括存储器、处理器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,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述核型异常细胞的确定方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述核型异常细胞的确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210918890.9A CN114998332B (zh) | 2022-08-02 | 2022-08-02 | 核型异常细胞的确定方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210918890.9A CN114998332B (zh) | 2022-08-02 | 2022-08-02 | 核型异常细胞的确定方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114998332A CN114998332A (zh) | 2022-09-02 |
CN114998332B true CN114998332B (zh) | 2022-11-22 |
Family
ID=83021186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210918890.9A Active CN114998332B (zh) | 2022-08-02 | 2022-08-02 | 核型异常细胞的确定方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114998332B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115564776B (zh) * | 2022-12-05 | 2023-03-10 | 珠海圣美生物诊断技术有限公司 | 基于机器学习的异常细胞样本检测方法和装置 |
CN117218139B (zh) * | 2023-09-12 | 2024-05-24 | 珠海横琴圣澳云智科技有限公司 | 样本细胞密度的确定方法和装置 |
CN117593746B (zh) * | 2024-01-18 | 2024-04-19 | 武汉互创联合科技有限公司 | 基于目标检测的细胞***均衡度评估***及装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8605981B2 (en) * | 2010-11-05 | 2013-12-10 | Cytognomix Inc. | Centromere detector and method for determining radiation exposure from chromosome abnormalities |
CN106650314A (zh) * | 2016-11-25 | 2017-05-10 | 中南大学 | 预测氨基酸突变的方法及*** |
CN108550148A (zh) * | 2018-04-13 | 2018-09-18 | 重庆大学 | 组织切片显微图像中的细胞核自动分割及分类识别方法 |
CN111429468B (zh) * | 2020-03-18 | 2024-06-25 | 合肥凯碧尔高新技术有限公司 | 细胞核分割方法、装置、设备及存储介质 |
CN112288760B (zh) * | 2020-10-30 | 2022-08-19 | 深圳太力生物技术有限责任公司 | 一种粘连细胞图像筛除方法、***及细胞图像分析方法 |
CN114283407A (zh) * | 2021-12-24 | 2022-04-05 | 江苏康尚生物医疗科技有限公司 | 一种自适应的白细胞自动分割、亚类检测方法及*** |
CN114495098B (zh) * | 2022-01-30 | 2023-04-18 | 中国南水北调集团中线有限公司 | 一种基于显微镜图像的盘星藻类细胞统计方法及*** |
-
2022
- 2022-08-02 CN CN202210918890.9A patent/CN114998332B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114998332A (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114998332B (zh) | 核型异常细胞的确定方法和装置 | |
EP2302583B1 (en) | Image segmentation | |
EP3486836A1 (en) | Image analysis method, apparatus, program, and learned deep learning algorithm | |
US7979212B2 (en) | Method and system for morphology based mitosis identification and classification of digital images | |
US5933519A (en) | Cytological slide scoring apparatus | |
EP2719754B1 (en) | Image processing apparatus, image processing method and image processing system | |
CN112215800B (zh) | 基于机器学习的重叠染色体识别和分割方法 | |
CN115035518B (zh) | 细胞核图像中荧光染色信号点的识别方法和装置 | |
NL2024777B1 (en) | Blood leukocyte segmentation method based on color component combination and contour fitting | |
WO2020123767A1 (en) | Systems and methods for automated cell segmentation and labeling in immunofluorescence microscopy | |
CN114463609A (zh) | 细胞显微图像中荧光杂点的确定方法和装置 | |
CN114240978B (zh) | 基于自适应形态学的细胞边缘分割方法和装置 | |
CN113393454A (zh) | 活检组织中病理目标实例分割方法和装置 | |
CN110458846B (zh) | 基于图路径搜索和深度学习的细胞图像分割方法 | |
Ali et al. | Optic Disc Localization in Retinal Fundus Images Based on You Only Look Once Network (YOLO). | |
CN116665210A (zh) | 基于多通道信息融合的细胞分类方法和装置 | |
CN115564776B (zh) | 基于机器学习的异常细胞样本检测方法和装置 | |
CN114037868B (zh) | 图像识别模型的生成方法及装置 | |
Taher et al. | Extraction of sputum cells using thresholding techniques for lung cancer detection | |
CN113469939B (zh) | 一种基于特性曲线的her-2免疫组化自动判读*** | |
CN110021016B (zh) | 一种钙化检测方法 | |
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 | |
CN116486403B (zh) | 细胞判别模型构建方法、装置、电子设备和存储介质 | |
Liu et al. | Medical image segmentation and retrieval via deformable models | |
Bergemann et al. | A statistically driven approach for image segmentation and signal extraction in cDNA microarrays |
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 |