一种荧光染色图像CTC智能识别方法技术

本发明专利技术涉及一种荧光染色图像CTC智能识别方法，其基于小样本数据集训练，包括以下步骤：基于小样本数据集训练；读入采集的原始荧光图像；图像质量评估；对图像进行预处理；基于模型的隐性特性匹配；基于特征的显性特性过滤；对疑似CTC目标进行标注、计数；生成供判读用的疑似CTC细胞图像。该方法针对数据集的体量，设计与之匹配的合理的网络模型用于训练，将基于人工智能方法的“隐性规则”与基于特征方法的“显性规则”相结合，并辅以若干预处理方法，目的是：在数据集不够大、复杂背景下，仍然能够得到足够精确的CTC识别算法模型对CTC进行智能识别，解决CTC识别结果的“漏检”问题，同时有效降低CTC识别结果的“误检率”。

【技术实现步骤摘要】
一种荧光染色图像CTC智能识别方法
本专利技术涉及一种荧光染色图像CTC智能识别方法，该方法基于小样本数据集训练，属于医学影像领域。
技术介绍
外周血循环肿瘤细胞(CirculatingTumorCell，简称CTC)指由原发肿瘤或继发肿瘤自发进入或诊疗操作带入外周血的肿瘤细胞。已有研究发现癌症病人外周血中CTC数量与病情发展阶段有着紧密联系。因此，近年来推动CTC检测技术的发展已成为癌症诊断治疗的一个研究热点。通常，从经过CTC富集、荧光染色等操作后的血液样本中完成图像采集后，采用复杂的图像处理方法对荧光染色图像中的CTC进行识别。临床CTC形态千差万别，难以用计算机语言统一定量描述；同时，临床荧光染色图像中，其背景极其复杂，存在较多的白细胞、破碎细胞、染料块等干扰因素对CTC识别造成影响，因此，基于特征的传统、单一算法无法准确对临床CTC进行识别，采用基于机器学习的智能识别方法是必要的途径。目前，CTC的临床影像数据资源十分匮乏，无法为模型训练提供足够大的数据集，同时CTC样本数据尺寸偏小，在这种情况下，如果设计的网络模型过于严格，训练过程中极容易发生“过拟合”问题，会导致最后C本文档来自技高网...

【技术保护点】
1.一种荧光染色图像CTC智能识别方法，该方法基于小样本数据集训练，其特征在于，包括以下步骤：步骤一、基于小样本数据集训练；步骤二、读入采集的原始荧光图像；步骤三、图像质量评估；步骤四、对图像进行预处理；步骤五、基于模型的隐性特性匹配；步骤六、基于特征的显性特性过滤；步骤七、对疑似CTC目标进行标注、计数；步骤八、生成供判读用的疑似CTC细胞图像。

【技术特征摘要】
1.一种荧光染色图像CTC智能识别方法，该方法基于小样本数据集训练，其特征在于，包括以下步骤：步骤一、基于小样本数据集训练；步骤二、读入采集的原始荧光图像；步骤三、图像质量评估；步骤四、对图像进行预处理；步骤五、基于模型的隐性特性匹配；步骤六、基于特征的显性特性过滤；步骤七、对疑似CTC目标进行标注、计数；步骤八、生成供判读用的疑似CTC细胞图像。2.如权利要求1所述的一种荧光染色图像CTC智能识别方法，其特征在于：所述步骤一具体包括：(1)正样本数据采集与处理；(2)数据增强；(3)网络模型设计；(4)基于深度学习平台训练；(5)得到目标识别模型。3.如权利要求2所述的一种荧光染色图像CTC智能识别方法，其特征在于：在正样本数据采集与处理步骤中，收集正样本数据，即收集荧光图像中的CTC目标图像，对其背景进行处理，使其背景接近纯黑，即RGB格式下像素点值为(0,0,0)，将其尺寸调整为一致。4.如权利要求2所述的一种荧光染色图像CTC智能识别方法，其特征在于：在数据增强步骤中，采用平移、镜像、旋转、缩放、调节对比度的批量图像处理方法实现数据增强，使得样本数量扩大到原样本数量的10～100倍。5.如权利要求2所述的一种荧光染色图像CTC智能识别方法，其特征在于：在网络模型设计步骤中，设计11层网络模型；在基于深度学习平台训练步骤中，所述深度学习平台...

【专利技术属性】
技术研发人员：郭灵犀，李谦，潘红九，王玲，吴旭生，张志龙，孙宝亮，商学谦，张鹏宇，申泽帆，郑宇，张星，底亚峰，初立民，雷净，张浩，王斌，苗树喜，高鹏，
申请(专利权)人：北京临近空间飞行器系统工程研究所，中国运载火箭技术研究院，
类型：发明
国别省市：北京,11