结果导向的细胞图像高清晰识别标记方法技术

本发明专利技术提供一种结果导向的高清晰细胞图像识别标记方法，包括以下步骤：阵列扫描玻片获得多个原始图像；按最小分辨率裁剪原始图像；以目标检测模型获取可疑细胞位置；以垃圾分类模型剔除垃圾细胞；以阴阳分类模型识别阳性细胞；同步的，按最佳分辨率制作空白图像模板；读取可疑细胞位置数据、垃圾细胞位置数据和阳性细胞位置数据，通过坐标转换，根据位置数据，将原图中的图像按最佳分辨率填充至空白图像模板；通过以上步骤，实现以结果导向的高清晰细胞图像识别标记。本发明专利技术以低分辨率图像直接识别，提供最佳分辨率的图像辅助医师诊断，并省略了正常细胞的图像，大福提高了拼接、数据传输和识别效率。数据传输和识别效率。数据传输和识别效率。

【技术实现步骤摘要】
结果导向的细胞图像高清晰识别标记方法


[0001]本专利技术涉及细胞图像处理方法，属于医学影像处理领域，特别是一种结果导向的高清晰细胞图像识别标记方法。

技术介绍

[0002]现有技术中，采集宫颈细胞处理后进行图像识别，是宫颈癌筛查的有效措施。例如中国专利文献CN110797097A人工智能云诊断平台中记载的方案，能够使细胞筛查服务普及到偏远地区和医疗资源不足地区。现有技术的措施是先以阵列式扫描显微镜将图像扫描，然后进行拼接和识别。本专利技术的申请人研发并且推出了能够利用手机进行细胞图像扫描采集的方案，进一步降低了阵列式扫描显微镜成本，例如专利文献CN110879999A记载的基于手机的微型显微图像采集装置及图像拼接、识别方法中记载的方案。但是由于手机采集的图像尺寸较大，通常每张图片有3~10MB大小，而通常一个玻片需要采集30*40张合计1200张图片进行拼接。因此一张拼合起来的图像，保存尺寸通常需要3.6GB，而在运行过程中占用的资源更多。例如CN110807732A用于显微图像全景拼接系统及方法中记载的拼接方法，需要扫描图像的重叠区域进行调节，这也需要占用大量的时间。为提高识别效率，技术人员采用了缩小图片尺寸的进行处理的方案，例如CN111651268A显微图像快速处理系统中记载的方案。但是将图片尺寸缩小后虽然能够提高速度，也导致最终图像中的冗余信息较少，医师在阅读时缺少可供进一步的分析的图像信息。即在现有技术中，图像识别的效率与准确度之间存在互相矛盾的情形。

技术实现思路

[0003]本专利技术所要解决的技术问题是提供一种结果导向的高清晰细胞图像识别标记方法，能够进一步提高识别效率的同时，并且能够在最终图像中提供高分辨率的图像，以具有足够的冗余信息供医师分析。
[0004]为解决上述技术问题，本专利技术所采用的技术方案是：一种结果导向的高清晰细胞图像识别标记方法，包括以下步骤：S1、阵列扫描玻片获得多个原始图像；S2、按可供人工智能识别的最小分辨率裁剪原始图像；S3、以目标检测模型获取可疑细胞位置，标记并储存可疑细胞位置数据；S5、以垃圾分类模型剔除垃圾细胞，标记并储存垃圾细胞位置数据；S6、以阴阳分类模型识别阳性细胞，标记并储存阳性细胞位置数据；S01、与S1同步的，按最佳分辨率制作空白图像模板；S02、读取可疑细胞位置数据、垃圾细胞位置数据和阳性细胞位置数据，通过坐标转换，根据位置数据，将原图中的图像按最佳分辨率填充至空白图像模板；通过以上步骤，实现以结果导向的高清晰细胞图像识别标记。
[0005]优选的方案中，步骤S02中，以不堆叠的方式将原图中的图像按最佳分辨率填充至
空白图像模板，具体步骤为：S021、可疑细胞位置数据、垃圾细胞位置数据和阳性细胞位置数据中包括其外框轮廓，读取外框轮廓数据；S022、将所述的外框轮廓以序列填充的方式填充到空白图像模板；S023、可疑细胞位置数据、垃圾细胞位置数据和阳性细胞位置数据中包括外框轮廓的坐标数据，坐标数据的表达方式包括原点坐标和向量数据，或者四顶点坐标数据；通过裁剪缩放比例，将对应于最小分辨率裁剪图像的坐标数据转换为对应于原图的坐标数据，剪裁后根据最佳分辨率的裁剪缩放比例填充到空白图像模板的对应外框轮廓中。
[0006]优选的方案中，在步骤S1中，阵列扫描玻片过程中，控制每次扫描的步进值相同，根据扫描路径获得各个图片的行列值，并储存；在步骤S2中，对裁剪后的最小分辨率图像进行拼接，拼接的具体步骤为：S21、读取1行1列和1行2列图像，扫描像素获得图像重叠视野，将图像重叠视野水平堆叠拼接；同步的，读取1行1列和2行1列图像，扫描像素获得图像重叠视野，将图像重叠视野垂直堆叠拼接；S22、获取图像x、y向相对重叠坐标；S23、后继其他图像依据行列值和x、y向相对重叠坐标进行拼接；通过以上步骤将最小分辨率图像拼接成全景视野。
[0007]优选的方案中，在步骤S3中，目标检测模型包括YoloV4、YoloV3、YoloV5、SSD、RetineDet、RefinaDet或EfficientDet模型中的一种，目标检测模型用于将正常细胞之外的细胞标注出来，形成可疑细胞数据集。
[0008]优选的方案中，在步骤S4中，垃圾分类模型包括YoloV4、YoloV3、YoloV5、SSD、RetineDet、RefinaDet或EfficientDet模型中的一种，用于将垃圾剔除，并形成非垃圾细胞数据集；垃圾分类模型以可疑细胞数据集为剔除范围。
[0009]优选的方案中，步骤S5中，阴阳分类模型包括EfficientNet、ResNet50系列、Inception、Xception和ImageNet系列，用于将阴性细胞和阳性细胞分类，形成阳性细胞数据集；阴阳分类模型以非垃圾细胞数据集为分类范围。
[0010]优选的方案中，还包括多分类模型，多分类模型包括EfficientNet、ResNet50系列、Inception、Xception和ImageNet系列，用于将阳性细胞分级并统计，多分类模型以阳性细胞数据集为工作范围。
[0011]优选的方案中，步骤S2中，最小分辨率裁剪原始图像时，获得最小缩放比例；步骤S01中，以最佳分辨率裁剪原始图像时，获得最佳缩放比例；根据步骤S02中适于最小分辨率图像的相对重叠坐标、最小缩放比例和最佳缩放比例，将相对重叠坐标转换成适于最佳分辨率图像的相对重叠坐标；填充时，以位置数据从原始图像中读取原始数据，所述的原始数据包括标记的可疑细胞图像、垃圾细胞图像和阳性细胞图像，将剪裁成最佳分辨率后，以适于最佳分辨率图
像的相对重叠坐标将最佳分辨率的图像填充至空白图像模板。
[0012]一种结果导向的高清晰细胞图像识别标记方法，包括以下步骤：按可供人工智能识别的最小分辨率裁剪原始图像并拼接；以目标检测模型获取可疑细胞位置，目标检测模型包括YoloV4、YoloV3、YoloV5、SSD、RetineDet、RefinaDet或EfficientDet模型中的一种，目标检测模型用于将正常细胞之外的细胞标注出来，形成可疑细胞数据集；垃圾分类模型在可疑细胞数据集范围内剔除垃圾细胞，垃圾分类模型包括YoloV4、YoloV3、YoloV5、SSD、RetineDet、RefinaDet或EfficientDet模型中的一种，用于将垃圾剔除，并形成非垃圾细胞数据集；阴阳分类模型在非垃圾细胞数据集范围内识别阳性细胞，阴阳分类模型包括EfficientNet、ResNet50系列、Inception、Xception和ImageNet系列，用于将阴性细胞和阳性细胞分类，形成阳性细胞数据集；通过以上步骤实现以流水线的方式进行细胞检测和分类。
[0013]优选的方案中，还包括多分类模型，多分类模型包括EfficientNet、ResNet50系列、Inception、Xception和ImageNet系列，用于将阳性细胞分级并统计，多分类模型以阳性细胞数据集为工作范围。
[0014]本专利技术提供了一种结果导本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结果导向的高清晰细胞图像识别标记方法，其特征是包括以下步骤：S1、阵列扫描玻片获得多个原始图像；S2、按可供人工智能识别的最小分辨率裁剪原始图像；S3、以目标检测模型获取可疑细胞位置，标记并储存可疑细胞位置数据；S5、以垃圾分类模型剔除垃圾细胞，标记并储存垃圾细胞位置数据；S6、以阴阳分类模型识别阳性细胞，标记并储存阳性细胞位置数据；S01、与S1同步的，按最佳分辨率制作空白图像模板；S02、读取可疑细胞位置数据、垃圾细胞位置数据和阳性细胞位置数据，通过坐标转换，根据位置数据，将原图中的图像按最佳分辨率填充至空白图像模板；通过以上步骤，实现以结果导向的高清晰细胞图像识别标记。2.根据权利要求1所述的一种结果导向的高清晰细胞图像识别标记方法，其特征是：步骤S02中，以不堆叠的方式将原图中的图像按最佳分辨率填充至空白图像模板，具体步骤为：S021、可疑细胞位置数据、垃圾细胞位置数据和阳性细胞位置数据中包括其外框轮廓，读取外框轮廓数据；S022、将所述的外框轮廓以序列填充的方式填充到空白图像模板；S023、可疑细胞位置数据、垃圾细胞位置数据和阳性细胞位置数据中包括外框轮廓的坐标数据，坐标数据的表达方式包括原点坐标和向量数据，或者四顶点坐标数据；通过裁剪缩放比例，将对应于最小分辨率裁剪图像的坐标数据转换为对应于原图的坐标数据，剪裁后根据最佳分辨率的裁剪缩放比例填充到空白图像模板的对应外框轮廓中。3.根据权利要求1所述的一种结果导向的高清晰细胞图像识别标记方法，其特征是：在步骤S1中，阵列扫描玻片过程中，控制每次扫描的步进值相同，根据扫描路径获得各个图片的行列值，并储存；在步骤S2中，对裁剪后的最小分辨率图像进行拼接，拼接的具体步骤为：S21、读取1行1列和1行2列图像，扫描像素获得图像重叠视野，将图像重叠视野水平堆叠拼接；同步的，读取1行1列和2行1列图像，扫描像素获得图像重叠视野，将图像重叠视野垂直堆叠拼接；S22、获取图像x、y向相对重叠坐标；S23、后继其他图像依据行列值和x、y向相对重叠坐标进行拼接；通过以上步骤将最小分辨率图像拼接成全景视野。4.根据权利要求1所述的一种结果导向的高清晰细胞图像识别标记方法，其特征是：在步骤S3中，目标检测模型包括YoloV4、YoloV3、YoloV5、SSD、RetineDet、RefinaDet或EfficientDet模型中的一种，目标检测模型用于将正常细胞之外的细胞标注出来，形成可疑细胞数据集。5.根据权利要求4所述的一种结果导向的高清晰细胞图像识别标记方法，其特征是：在步骤S4中，垃圾分类模型包括YoloV4、YoloV3、YoloV5、SSD、RetineDet、RefinaDet或EfficientDet模型中的一种，用于将垃圾剔除，并形成非垃...

【专利技术属性】
技术研发人员：曹得华，李诚，严姗，刘赛，龙莉，李荣，庞宝川，
申请(专利权)人：武汉兰丁智能医学股份有限公司，
类型：发明
国别省市：