一种肿瘤细胞切片图像的识别方法、介质及电子设备技术

本发明专利技术涉及一种肿瘤细胞切片图像的识别方法、介质及电子设备，使用高光谱成像系统拍摄肿瘤细胞切片图像，获得肿瘤细胞的样本图像数据以及其所对应的光谱信息，由于肿瘤细胞与正常细胞在蛋白质、核酸、水分、结构等有一定区别，导致其光谱曲线存在差异。通过对细胞的大小、形状以及光谱曲线的分析，准确判断细胞切片中是否存在肿瘤细胞，这一过程无需人工手动筛选病理图像，有效提高了图像筛查效率，避免人工漏检错检的问题，同时，高光谱图像数据中包含光谱信息，有效保留肿瘤细胞的特征信息，便于利用光谱信息进行肿瘤细胞的识别，提高分辨正确率。辨正确率。辨正确率。

【技术实现步骤摘要】
一种肿瘤细胞切片图像的识别方法、介质及电子设备


[0001]本专利技术涉及高光谱图像领域，具体涉及一种肿瘤细胞切片图像的识别方法、介质及电子设备。

技术介绍

[0002]恶性肿瘤发病率高、复发率高，需长期、定期行检查。传统组织活检方法需通过显微镜下对细胞切片的观察，由于每天都会产生很多医学影像，所以不可避免的会存在效率低、人为因素造成漏检等问题。目前临床诊断主要依赖于彩超、核磁共振成像(MRI)，计算机断层扫描成像(CT)等无创性影像学检查及内窥镜有创性检查。近年来一些学者利用机器学习方法进行肿瘤上述医学影像的识别分类，取得了一定成果，但上述影像采集波段有限，不可避免的会丢失一些特征信息。

技术实现思路

[0003]鉴于上述问题，本专利技术提供了一种肿瘤细胞切片图像的识别方法、介质及电子设备，解决了现有的病理图像采用人工筛查检查效率低，机器学习方法对肿瘤医学影像进行识别，存在采集波段有限，丢失特征信息的问题。
[0004]为实现上述目的，在第一方面，本专利技术提供了一种肿瘤细胞切片图像的识别方法，包括以下步骤：
[0005]获取肿瘤细胞的样本图像数据，并对其进行形态学处理，提取出待分析细胞图像，样本图像数据通过高光谱成像系统获得，待分析细胞图像包括恶性肿瘤细胞图像、良性细胞图像以及炎症细胞图像中的任一项或多项；
[0006]对待分析细胞图像进行光谱特征提取，获得待分析细胞图像对应的光谱特征向量；
[0007]利用提取出的光谱特征向量对待分析细胞图像进行颜色矩阵特征提取，获得待分析细胞图像对应的颜色矩阵特征向量；
[0008]对光谱特征向量与颜色特征向量进行融合，获得融合特征向量；
[0009]采用SVM分类器对融合特征向量进行分类，获得细胞图像分类结果；
[0010]基于细胞图像分类结果进行概率计算以及概率校准，输出当前肿瘤细胞切片图像对应的患癌概率。
[0011]在一些实施例中，对待分析细胞图像采用SVM
‑
RFE模型分类器进行光谱特征提取，光谱特征提取包括以下步骤：
[0012]获取待分析细胞图像的类别数，根据待分析细胞图像的类别数确定SVM
‑
RFE模型分类器数量，SVM
‑
RFE模型分类器的数量根据公式(1)获得，公式(1)如下：
[0013]v＝N(N
‑
1)/2，
[0014]其中v为SVM
‑
RFE模型分类器的数量，v为正整数；
[0015]将待分析细胞图像按照类别两两组合分别输入至多个SVM
‑
RFE模型中，获得多个
排序准则得分；
[0016]将多个排序准则得分进行加和获得排序准则总分；
[0017]根据排序准则总分进行光谱特征的剔除，迭代消去最小光谱特征，直至满足预设条件，获得最终的光谱特征集合。
[0018]在一些实施例中，SVM
‑
RFE模型分类器具体的计算过程如下：
[0019]设训练样本：其中x
i
∈R
D
，v
i
∈{1,2,3}，N为样本量，x
i
为第i个样本，D为原始样本特征数，即原始光谱波段数目；
[0020]初始化原始特征集合：S＝{1,2,
…
,D}，特征排序集：R＝[]；
[0021]生成三个训练样本，在训练样本T中找出不同类别的两两组合得到最后的训练样本：T
j
(j＝1,2,3)；
[0022]分别用T
j
训练SVM分类器，分别得到权重ω
j
(j＝1,2,3)；
[0023]计算排序准则得分：找出排序准则得分最小的特征：f＝argmin(c
k
)，更新特征集R＝[f,R]；
[0024]在S中去除最小特征值获得一个新的特征集合：S＝S[1:f
‑
1,f+1:lengh(S)；
[0025]循环迭代直至S中特征个数为k个；
[0026]获得特征排序列表R，即特征被消除的次序。
[0027]在一些实施例中，特征排序列表R中，每个待分析细胞图像对应有k维光谱特征。
[0028]在一些实施例中，利用光谱特征对待分析细胞图像进行颜色矩阵特征提取包括：
[0029]根据光谱特征对应的光谱波长确定颜色矩阵中的颜色分量；
[0030]提取待分析细胞图像所对应的颜色矩阵中的低阶矩的颜色信息；
[0031]根据颜色信息获得颜色矩阵特征向量。
[0032]在一些实施例中，低阶矩包括一阶矩、二阶矩以及三阶矩，提取待分析细胞图像所对应的颜色矩阵中的低阶矩的颜色信息包括：
[0033]设k维光谱特征所对应的k个光谱波长作为颜色矩阵的k个颜色分量，M表示待分析细胞图像中的像素个数，一阶矩μ
i
定义由公式(2)表示，公式(2)如下：
[0034][0035]二阶矩σ
i
定义由公式(3)表示，公式(3)如下：
[0036][0037]三阶矩s
i
定义由公式(4)表示，公式(4)如下：
[0038][0039]其中，一阶矩表示第i个颜色通道上所有像素的均值，二阶矩表示第i颜色通道上所有像素的标准差，三阶矩表示第i个通道上所有像素的斜度的三次方根，p
i,j
表示第j个像素在第i个颜色分量中的像素值(i＝1,2
…
,k)；
[0040]颜色矩阵特征向量由公式(5)获得，公式(5)如下：
[0041]F
color
＝[μ1,σ1,s1,
…
,μ
k
,σ
k
,s
k
]。
[0042]在一些实施例中，采用SVM分类器对融合特征向量进行分类包括：
[0043]训练三个SVM分类器，其超平面目标函数的约束条件由公式(6)表示，公式(6)如下：
[0044][0045]subject to y
i
[(wx
i
)+b]≥1
‑
ζ
i
(i＝1,2,
…
,N)，
[0046]ζ
i
≥0
[0047]其中，x
i
为每个样本特征，y
i
为其标签；N为样本数；w为超平面法向量，ζ
i
为松弛变量，可允许数据点在一定程度上偏离超平面，C为惩罚因子，代表对离群点带来的损失的重视程度。
[0048]在一些实施例中，概率计算以及概率校准采用保序回归算法进行计算，保序回归算法的计算过程由公式(7)表示，公式(7)如下：
[0049][0050]其中，y
i
为样本i的真实标签，为校准后样本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种肿瘤细胞切片图像的识别方法，其特征在于，包括以下步骤：获取肿瘤细胞的样本图像数据，并对其进行形态学处理，提取出待分析细胞图像，所述样本图像数据通过高光谱成像系统获得，所述待分析细胞图像包括恶性肿瘤细胞图像、良性细胞图像以及炎症细胞图像中的任一项或多项；对所述待分析细胞图像进行光谱特征提取，获得所述待分析细胞图像对应的光谱特征向量；利用提取出的所述光谱特征向量对所述待分析细胞图像进行颜色矩阵特征提取，获得所述待分析细胞图像对应的颜色矩阵特征向量；对所述光谱特征向量与所述颜色特征向量进行融合，获得融合特征向量；采用SVM分类器对所述融合特征向量进行分类，获得细胞图像分类结果；基于所述细胞图像分类结果进行概率计算以及概率校准，输出当前肿瘤细胞切片图像对应的患癌概率。2.根据权利要求1所述的肿瘤细胞切片图像的识别方法，其特征在于，对所述待分析细胞图像采用SVM
‑
RFE模型分类器进行光谱特征提取，所述光谱特征提取包括以下步骤：获取所述待分析细胞图像的类别数，根据所述待分析细胞图像的类别数确定SVM
‑
RFE模型分类器数量，所述SVM
‑
RFE模型分类器的数量根据公式(1)获得，公式(1)如下：v＝N(N
‑
1)/2，其中v为SVM
‑
RFE模型分类器的数量，v为正整数；将所述待分析细胞图像按照类别两两组合分别输入至多个SVM
‑
RFE模型中，获得多个排序准则得分；将多个所述排序准则得分进行加和获得排序准则总分；根据所述排序准则总分进行光谱特征的剔除，迭代消去最小光谱特征，直至满足预设条件，获得最终的光谱特征集合。3.根据权利要求2所述的肿瘤细胞切片图像的识别方法，其特征在于，所述SVM
‑
RFE模型分类器具体的计算过程如下：设训练样本：其中x
i
∈R
D
，v
i
∈{1,2,3}，N为样本量，x
i
为第i个样本，D为原始样本特征数，即原始光谱波段数目；初始化原始特征集合：S＝{1,2,
…
,D}，特征排序集：R＝[]；生成三个训练样本，在训练样本T中找出不同类别的两两组合得到最后的训练样本：T
j
(j＝1,2,3)；分别用T
j
训练SVM分类器，分别得到权重ω
j
(j＝1,2,3)；计算排序准则得分：找出排序准则得分最小的特征：f＝argmin(c
k
)，更新特征集R＝[f,R]；在S中去除最小特征值获得一个新的特征集合：S＝S[1:f
‑
1,f+1:lengh(S)；循环迭代直至S中特征个数为k个；获得特征排序列表R，即特征被消除的次序。4.根据权利要求3所述的肿瘤细胞切片图像的识别方法，其特征在于，所述特征排序列表R中，每个待分析细胞图像对应有k维光谱特征。
5.根据...

【专利技术属性】
技术研发人员：孙慈，赵梓彤，王明佳，杨晋，冯树龙，陈佳奇，宋楠，王金雨，王添一，
申请(专利权)人：中国科学院长春光学精密机械与物理研究所，
类型：发明
国别省市：