一种数字细胞病理图像智能分析方法、系统及装置制造方法及图纸

本发明专利技术涉及一种数字细胞病理图像智能分析方法，包括：S10，获取待分析的数字细胞病理图像数据，并进行预处理；S20，筛选数字细胞病理图像的非确定阴性区域；S30，对所述非确定阴性区域内的阳性细胞进行筛选和标注；S40，输出标注后的数字细胞病理图像数据。本申请还涉及一种数字细胞病理图像数据智能分析系统及装置。本申请基于阴性细胞数量远大于阳性细胞数量以及阴性细胞形态的变异性小于阳性细胞形态的变异性的特点，提出基于标注的阴性细胞训练确定阴性区域分类模型，一方面降低了神经网络模型训练数据的获取难度，另一方面通过剔除确定阴性区域大大减少了阳性细胞检出的运算量，提高算法运算速度和效率，同时避免漏诊误诊，提高诊断准确性。

【技术实现步骤摘要】
一种数字细胞病理图像智能分析方法、系统及装置
本专利技术涉及病理图像辅助分析领域，特别是涉及一种数字细胞病理图像智能分析方法、系统及装置。
技术介绍
细胞病理学是一门相对较新的医学学科，通常用于宫颈癌前病变、体腔内液体（腹膜液、胸膜液、心包液和脑脊液），以及癌变或感染病变组织的研究。现阶段细胞病理学的诊断主要基于肉眼观察，即在显微镜下观察玻片中的所有细胞，并根据细胞形态进行诊断。对于宫颈液基细胞，通过发现癌前病变细胞HSIL、LSIL、AIS、AGC等阳性细胞，对女性宫颈病变进行筛查实现宫颈癌早预防、早发现和早治疗，从而降低宫颈癌发病率。宫颈癌细胞涂片中有上万个细胞，医生需要肉眼观察上万个细胞并确定观察到的细胞类型来做出诊断，由于医疗资源的贫乏和病理医生的稀缺，病理医生通常超负荷工作，在高强度的工作下难免出现误诊漏诊以及诊断质量参差不齐的现象；基于此，出现了计算机辅诊诊断的产品帮助医生提高工作效率和诊断准确性；基于传统的机器学习原理的计算机辅助诊断产品解决了一部分效率和准确性的问题，近年来深度学习的发展促进了新一代智能辅助诊断产品的上市，比传统本文档来自技高网...

【技术保护点】
1.一种数字细胞病理图像智能分析方法，其特征在于，包括：/nS10，获取待分析的数字细胞病理图像数据，并进行预处理；/nS20，筛选数字细胞病理图像数据的非确定阴性区域；/nS30，对所述非确定阴性区域内的阳性细胞进行筛选和标注；/nS40，输出标注后的数字细胞病理图像数据。/n

【技术特征摘要】
1.一种数字细胞病理图像智能分析方法，其特征在于，包括：
S10，获取待分析的数字细胞病理图像数据，并进行预处理；
S20，筛选数字细胞病理图像数据的非确定阴性区域；
S30，对所述非确定阴性区域内的阳性细胞进行筛选和标注；
S40，输出标注后的数字细胞病理图像数据。


2.根据权利要求1所述的一种数字细胞病理图像智能分析方法，其特征在于，所述数字细胞病理图像数据为视频数据或图片数据，所述步骤S10还包括：将所述视频数据拆分为多个连续的图片，筛选出所述图片中无重叠部分或是重叠部分面积在设定范围内的若干张图片，对筛选出的若干张图片逐一进行预处理。


3.根据权利要求1或2所述的一种数字细胞病理图像智能分析方法，其特征在于，步骤S20具体包括：
S201，将数字细胞病理图像数据分割为多个具有相同尺寸的切片单元；
S202，采用阴性区域分类算法模型对每个切片单元进行阴性预测，确定每个切片单元为阴性的概率；
S203：筛选出所述概率小于设定阈值的切片单元作为非确定阴性区域；
所述阴性区域分类算法模型是以若干个经过阴性标注的切片样本作为第一卷积神经网络的输入，训练得到。


4.根据权利要求1或2所述的一种数字细胞病理图像智能分析方法，其特征在于，步骤S30具体包括：采用阳性细胞检测模型对所述非确定阴性区域的阳性细胞进行检出，并标注出具有阳性细胞的非确定阴性区域及所述阳性细胞的所在位置、阳性细胞的类型和置信度；所述阳性细胞检测模型是以若干个标注阳性细胞的切片样本作为第二卷积神经网络的输入，训练得到。


5.权利要求4所述的一种数字细胞病理图像智能分析方法，其特征在于，步骤S40：输出标注有非确定阴性区域及非确定阴性区域中阳性细胞所在位置、阳性细胞的类型和置信度的数字细胞病理图像数据。


6.一种数字细胞病理图像智能分析装置，其特征在于，包括：显示器和一个或多个处理器，所述处理器：
获取待分析的数字细胞病理图像数据，并进行预处理；
筛选数字细胞病理图...

【专利技术属性】
技术研发人员：宋敏敏，杨林，韩鑫，崔磊，
申请(专利权)人：杭州迪英加科技有限公司，
类型：发明
国别省市：浙江;33