【技術實現步驟摘要】
本方案屬于醫療輔助診斷，具體涉及基于細胞形態學的人工智能診斷輔助系統及方法。
技術介紹
1、人工智能診斷輔助方法是一種將人工智能技術與細胞形態學相結合，用于輔助醫生進行疾病診斷的技術手段。在血液檢查中，細胞形態學的人工智能診斷輔助方法能幫助醫生區分紅細胞、白細胞（如淋巴細胞、粒細胞等）、血小板等正常血細胞，以及白血病細胞等異常細胞，與傳統的依靠醫生肉眼觀測區分各類細胞相比，該方法能幫助醫生快速處理大量的細胞圖像，醫生將人工智給出的紅細胞的形態特征和患者的其他臨床癥狀、檢查結果進行綜合判斷，能減少醫生的觀測細胞所花費的時間，從而大幅提高醫生的工作效率。
2、目前，人工智能對血細胞進行細胞形態學的識別和劃分時，通常通過提取圖像數據中紅細胞的邊緣、紋理、形狀特征來對紅細胞進行識別和標記，再將標記出的紅細胞與正常的紅細胞進行對比，獲取圖像數據中紅細胞扎起形態上的變化。然而，大部分圖像數據中都存在多個紅細胞重疊的情況，對重疊的紅細胞進行識別時，容易將重疊度較高的紅細胞識別為單個紅細胞，造成對紅細胞形狀的錯誤識別，從而影響醫生對病情嚴重程度的判斷。
技術實現思路
1、本方案的目的是提供基于細胞形態學的人工智能診斷輔助系統及方法，以解決人工智能對血細胞進行細胞形態學的識別和劃分時正確率低的問題。
2、為了達到上述目的，本方案提供一種基于細胞形態學的人工智能診斷輔助方法，包括以下步驟：
3、將圖像數據按照預設倍數放大后轉化為數字圖像，對數字圖像進行灰度處理；p>
4、對數字圖像中各個細胞的輪廓特征對紅細胞識別為第一細胞，將其他細胞識別為定位對象，將輪廓被另一個細胞輪廓封閉包圍或封閉包圍另一個細胞輪廓的第一細胞作為重疊細胞，將輪廓與另一個細胞輪廓相接的第一細胞作為重疊細胞，將重疊細胞和與重疊細胞間具有封閉包圍關系或相接關系的細胞合并為細胞團，刪除細胞團中存在的定位對象標記，將細胞團標記為定位對象；
5、將數字圖像劃分為若干個圖像塊，且每個圖像塊中都至少包含兩個定位對象，根據圖像塊中不屬于定位對象的第一細胞的像素點數量和灰度特征推算第一細胞的體積和形態；
6、通過細胞輪廓框選出的灰度情況和細胞輪廓從第一細胞中標記出異常細胞，根據異常細胞的總數或異常細胞在第一細胞中的比例輸出診斷結果。
7、以及，一種本方案的原理和技術效果在于：首先，本方案將圖像數據按預設倍數放大并轉化為數字圖像后進行灰度處理，強化了細胞與背景之間的對比度，讓細胞的輪廓、內部結構等關鍵形態特征更加凸顯，為后續準確識別各類細胞奠定了良好基礎，減少因圖像初始質量不佳導致的識別錯誤，從而提升整體的識別和劃分正確率。
8、其次，本方案通過細胞輪廓將紅細胞（第一細胞）與其他細胞（定位對象）進行初步分類后，通過第一細胞與其他第一細胞或定位對象之間的輪廓關系對細胞之間復雜空間關系進行細致梳理，很好地應對了血細胞在圖像中可能出現的重疊、聚集等情況，即，清晰準確的識別出細胞團，在實際的血細胞圖像中，細胞重疊（細胞團）是導致識別和劃分難度增大的常見因素，通過這樣的處理，能清晰界定這些特殊情況下細胞的歸類，避免因細胞重疊造成的單個細胞誤判、漏判等問題，提高了對細胞形態學識別和劃分的準確性。
9、再者，非紅細胞（白細胞、血小板等）與紅細胞的形態不同，細胞團的外輪廓因其重疊情況隨機、各異，導致定位對象具有形態各異的特點，將數字圖像切割為圖像塊時，根據兩個形態各異的定位對象在數字圖像中的位置能快速、準確地確定圖像塊在數字圖像中的位置；同時，又能通過兩個定位對象與第一細胞在圖像塊中的相對位置，對圖像塊中的各個第一細胞進行快速區分定位，與依靠像素點定位第一細胞的方式相比，本方案的定位方式僅需參照兩個相對位置，不需要逐一查找像素點，本方案能更快地對第一細胞進行定位，提高了劃分速度和效率。
10、并且，劃分圖像塊并在每個圖像塊中保證一定數量的定位對象，這種方式可以使模型在分析過程中，快速篩選出那些具有較高診斷價值的區域（即包含較多定位對象的圖像塊）進行重點分析。例如，在一個血液樣本中，如果某個圖像塊中定位對象（例如白細胞）數量較多或者異常細胞團比例較高，就可以優先對這個區域進行詳細的形態學分析，從而加快診斷的速度。比如在炎癥反應中，白細胞可能會聚集在紅細胞周圍，這種定位方式可以很好地捕捉到這種細胞聚集現象，為研究炎癥機制提供直觀的形態學依據。又例如在某些血液疾病中，異常細胞團的形成可能是一個關鍵的診斷指標，這種定位方式能夠更好地幫助識別和研究這類細胞團。
11、綜上所述，本方案解決了人工智能對血細胞進行細胞形態學的識別和劃分時正確率低的問題。
12、進一步，識別第一細胞和定位對象時，使用sobel算子或prewitt算子計算圖像中每個像素點的水平和垂直方向的灰度梯度來檢測邊緣輪廓特征，其中，梯度的計算公式（1）如下所示：
13、??(1)，
14、其中，用于計算水平方向的梯度，用于計算垂直方向的梯度，(i,j)為一個像素點的位置，當梯度幅值超過預設的閾值時，將該像素點標記為位于細胞的輪廓上的像素點，通過細胞輪廓上像素點的位置將封閉的輪廓判斷為完整的細胞輪廓；再通過細胞的輪廓上的像素點使用積卷神經網絡構建的細胞識別模型，對細胞圖像數據集進行標注，并將細胞圖像數據集輸入到細胞識別模型中進行訓練，使用細胞識別模型將數字圖像中細胞輪廓完整的紅細胞標注為第一細胞，將其他細胞輪廓完整的細胞標注為定位對象。
15、輪廓識別的方式既能準確的識別出邊界清晰（可以正常觀測）的紅細胞，又可以排除破裂的紅細胞，還有助于排除那些由于噪聲或部分細胞重疊造成的不完整輪廓，只對具有完整輪廓的細胞進行后續的識別和分析，從而提高識別的準確性。
16、進一步，獲取第一細胞邊緣輪廓上的像素點，使用曲線擬合算法來擬合第一細胞的形狀，將第一細胞的形狀與圓形或橢圓形進行對比獲取近似度，將近似度不足預設近似度的第一細胞判斷為異常細胞；獲取第一細胞邊緣輪廓內各個像素點的灰度值，根據構建平行于數字圖像的基本平面，將紅細胞的標準三維模型和第一細胞的邊緣輪廓結合推測第一細胞的位姿，將第一細胞的位姿與像素點的位置、像素點在紅細胞的標準三維模型中的空間映射情況和像素點的灰度值，還原第一細胞的三維模型，根據第一細胞的三維模型所體現出的形態和體積判斷第一細胞是否是異常細胞。
17、使用sobel或prewitt算子能夠較為精確地計算像素點的灰度梯度。這不僅有助于確定細胞的邊緣輪廓，還能捕捉到細胞邊緣的微小細節，通過捕捉到的精確數據既能對細胞邊緣特征（細胞的形狀）更準確的識別，又能結合識別出的形狀更精準的還原出紅細胞的三維形態，從而對紅細胞的形態和體積做更準確的判斷。
18、進一步，根據定位對象生成集合m，從集合中取出兩個直線距離最短的定位對象，將同時框選兩個定位對象的最小矩形范圍作為圖像塊的劃分范圍，根據圖像塊的劃分范圍從數字圖像中劃分出圖像塊；重復上述本文檔來自技高網...
【技術保護點】
1.基于細胞形態學的人工智能診斷輔助方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于細胞形態學的人工智能診斷輔助方法，其特征在于：識別第一細胞和定位對象時，使用Sobel算子或Prewitt算子計算圖像中每個像素點的水平和垂直方向的灰度梯度來檢測邊緣輪廓特征，其中，梯度的計算公式（1）如下所示：
3.根據權利要求2所述的基于細胞形態學的人工智能診斷輔助方法，其特征在于：獲取第一細胞邊緣輪廓上的像素點，使用曲線擬合算法來擬合第一細胞的形狀，將第一細胞的形狀與圓形或橢圓形進行對比獲取近似度，將近似度不足預設近似度的第一細胞判斷為異常細胞；
4.根據權利要求3所述的基于細胞形態學的人工智能診斷輔助方法，其特征在于：根據定位對象生成集合M，從集合中取出兩個直線距離最短的定位對象，將同時框選兩個定位對象的最小矩形范圍作為圖像塊的劃分范圍，根據圖像塊的劃分范圍從數字圖像中劃分出圖像塊；
5.根據權利要求4所述的基于細胞形態學的人工智能診斷輔助方法，其特征在于：還用于獲取集合M中各個定位對象在數字圖像中的分布情況，根據圖像塊的劃分范
6.根據權利要求4所述的基于細胞形態學的人工智能診斷輔助方法，其特征在于：劃分圖像塊時，在數字圖像中將劃分范圍內框選的像素點標記為已劃分的像素點；
7.根據權利要求6所述的基于細胞形態學的人工智能診斷輔助方法，其特征在于：計算異常細胞在第一細胞中的比例時，若比例大于預設的病變比例，則獲取定位對象中第一細胞的數量作為粘合第一計數，獲取含有第一細胞的定位對象數量作為粘合第二計數，將粘合第一計數和粘合第二計數的比例作為粘合情況加入診斷結果中。
8.根據權利要求7所述的基于細胞形態學的人工智能診斷輔助方法，其特征在于：當第一細胞的數量與定位對象的比例小于預設的取樣比例，且異常細胞在第一細胞中的比例不大于預設的病變比例時，在診斷結果中添加圖像數據參考不足的內容。
9.基于細胞形態學的人工智能診斷輔助系統，其特征在于，使用了權利要求1-8中任意一項所述的基于細胞形態學的人工智能診斷輔助方法。
...【技術特征摘要】
1.基于細胞形態學的人工智能診斷輔助方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于細胞形態學的人工智能診斷輔助方法，其特征在于：識別第一細胞和定位對象時，使用sobel算子或prewitt算子計算圖像中每個像素點的水平和垂直方向的灰度梯度來檢測邊緣輪廓特征，其中，梯度的計算公式（1）如下所示：
3.根據權利要求2所述的基于細胞形態學的人工智能診斷輔助方法，其特征在于：獲取第一細胞邊緣輪廓上的像素點，使用曲線擬合算法來擬合第一細胞的形狀，將第一細胞的形狀與圓形或橢圓形進行對比獲取近似度，將近似度不足預設近似度的第一細胞判斷為異常細胞；
4.根據權利要求3所述的基于細胞形態學的人工智能診斷輔助方法，其特征在于：根據定位對象生成集合m，從集合中取出兩個直線距離最短的定位對象，將同時框選兩個定位對象的最小矩形范圍作為圖像塊的劃分范圍，根據圖像塊的劃分范圍從數字圖像中劃分出圖像塊；
5.根據權利要求4所述的基于細胞形態學的人工智能診斷輔助方法，其特征在于：還用于獲取集合m中各個定位對象在數字圖像中的分布情...
【專利技術屬性】
技術研發人員：李典耕，郭勁宏，李小松，李毅，馬星，郭九川，王勇，
申請(專利權)人：重慶醫科大學紹興柯橋醫學檢驗技術研究中心，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。