一种基于人工智能的骨髓图片细胞形态分析方法技术

本发明专利技术提出了一种基于人工智能的骨髓图片细胞形态分析方法，涉及医学图像处理技术领域，使用能量函数对待骨髓图片中的细胞形态进行分割，对分割出的细胞进行阈值分割，将细胞区域分为亮、暗两个区域，分别对每个独立细胞区域的亮、暗两个区域进行比率计算，进行状态判断，根据细胞状态特征参数计算细胞显著性值，提高了骨髓图片细胞形态分析的准确性。提高了骨髓图片细胞形态分析的准确性。提高了骨髓图片细胞形态分析的准确性。

【技术实现步骤摘要】
一种基于人工智能的骨髓图片细胞形态分析方法


[0001]本专利技术涉及医学图像处理
，具体涉及一种基于人工智能的骨髓图片细胞形态分析方法。

技术介绍

[0002]骨髓形态学检查是血液系统疾病诊断的必要依据，临床检验工作中通过显微镜观察骨髓细胞，对不同发育阶段的、形态正常或异常的各系造血细胞进行分类、计数及形态观察来确定血液系统疾病的诊断及疗效与预后评估。迄今，人工镜检仍是骨髓形态学检查的主要方法，检验过程耗时耗力，效率低下。近年来，人工智能技术在医学领域迅速发展，将人工智能技术与骨髓形态学诊断相结合，有望在血液系统疾病骨髓形态学AI辅助诊断系统的开发方面取得有益成果，提高诊断准确率与工作效率，减轻临床检验工作的压力。
[0003]在血液学疾病检测中，骨髓细胞和外周血细胞形态学检测及病理学诊断是其重要的组成部分。目前细胞形态学及病理学诊断，被医学界公认为疾病诊断的重要依据。然而，从医疗现状来看，现有医疗机构细胞形态学的病理学检测依赖于专家医生的主观意识，检测和诊断效率低，成本高。基层医生对骨髓细胞的识别存在较大差异，病人需要转诊或提供骨髓片会诊等方式提高骨髓细胞的判断。
[0004]申请号为CN201811168824.4的专利公开了一种基于深度学习的骨髓细胞分类方法及分类装置，其中该方法包括：对骨髓细胞样本图像中的骨髓细胞标注细胞位置以及其分类标签；从骨髓细胞样本图像中提取预设尺寸的具有单一分类标签的图像块样本；构建骨髓细胞分类任务的卷积神经网络，然后利用由图像块样本组成的训练集进行训练，得到骨髓细胞分类模型；将骨髓细胞待测图像切割成预设尺寸的多个测试图像块，将多个测试图像块遍历地输入骨髓细胞分类模型，检测出多个测试图像块中的骨髓细胞边缘，并输出骨髓细胞对应的分类标签以及分类置信概率。其不足之处在于，现有的关于骨髓细胞形态学的检测系统无法对数据是否具有参考性进行判断。

技术实现思路

[0005]为了解决上述技术问题，本专利技术提出了一种基于人工智能的骨髓图片细胞形态分析方法，包括如下步骤：S1、使用能量函数对骨髓图片中的细胞形态进行分割，获取细胞轮廓；S2、提取目标分割区域的所有细胞的灰度，计算阈值，对每个独立细胞区域分为亮、暗两个区域；S3、分别对每个独立细胞区域的亮、暗两个区域进行比率计算，进行状态判断，并生成细胞状态特征参数；S4、根据细胞状态特征参数计算细胞显著性值。
[0006]进一步地，步骤S1中：能量函数如下：
；其中，分别为各项加权系数，是常数，表示图像的目标分割区域，为狄拉克函数，为水平集函数；H为阶跃函数，g为图像的边缘检测器函数，x,y分别为目标分割区域像素点坐标，为能量梯度值。
[0007]进一步地，步骤S3中，定义细胞区域中暗色区域占独立细胞面积的比率E
a
为：；其中，A
a
表示细胞内暗区域的面积，A
C
表示独立细胞面积，当E
a
大于65%时，认为属于不成熟细胞；定义细胞区域中亮色区域占独立细胞面积的比率E
g
为：；其中，A
D
表示细胞内亮区域的面积，A
C
表示独立细胞面积，当E
g
大于85%时，认为属于成熟细胞。
[0008]进一步地，步骤S4中，根据下式对序列显著性进行计算：；其中，tanh为双曲正切函数，b为偏置，a
t
为时刻t时细胞显著性值,为不成熟细胞特征参数，为成熟细胞特征参数，w1、w2为权重。
[0009]进一步地，基于Faster
‑
RCNN网络深度学习算法识别目标细胞以提取细胞状态特征参数，并计算细胞显著性值。
[0010]进一步地，步骤S2中，采用阈值模型T(X,Y)进行阈值分割，方法如下所示：；公式中，X,Y为独立细胞区域的像素坐标，阈值模型T(X,Y)＝g0(X,Y)+T0；图像g0(X,Y)是对灰度值g(X,Y)的局部补偿，常数T0是图像g0(X,Y)的分割阈值。
[0011]相比于现有技术，本专利技术具有如下有益技术效果：使用能量函数对待骨髓图片中的细胞形态进行分割，对分割出的细胞进行阈值分割，将细胞区域分为亮、暗两个区域，分别对每个独立细胞区域的亮、暗两个区域进行比率计算，进行状态判断，根据细胞状态特征参数计算细胞显著性值，提高了骨髓图片细胞形态分析的准确性。
附图说明
[0012]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0013]图1为本专利技术的基于人工智能的骨髓图片细胞形态分析方法流程图。
具体实施方式
[0014]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0015]在本专利技术的具体实施例附图中，为了更好、更清楚的描述系统中的各元件的工作原理，表现所述装置中各部分的连接关系，只是明显区分了各元件之间的相对位置关系，并不能构成对元件或结构内的信号传输方向、连接顺序及各部分结构大小、尺寸、形状的限定。
[0016]如图1所示，为本专利技术的基于人工智能的骨髓图片细胞形态分析方法流程图，包括如下步骤：S1、使用能量函数对骨髓图片中的细胞形态进行分割，获取细胞轮廓。
[0017]使用能量函数来获取细胞轮廓，能量函数如下：；其中，分别为各项加权系数，是常数，表示图像的目标分割区域，为狄拉克函数，为水平集函数；H为阶跃函数，g为图像的边缘检测器函数，x,y分别为目标分割区域像素点坐标，为能量梯度值。
[0018]S2、提取目标分割区域的所有细胞的灰度，计算阈值，对每个独立细胞区域分为亮、暗两个区域。
[0019]采用阈值模型T(X,Y)进行阈值分割，方法如下所示：；公式中，X,Y为独立细胞区域的像素坐标，阈值模型T(X,Y)＝g0(X,Y)+T0；图像g0(X,Y)是对灰度值g(X,Y)的局部补偿，常数T0是图像g0(X,Y)的分割阈值。
[0020]优选地采用迭代法确定最佳分割阈值T0。具体地，使用分割阈值T0分割独立细胞区域图像，独立细胞区域图像像素的灰度值大于等于T0的像素区域记作g1，小于T0的区域记作g2。
[0021]计算g1和g2区域内的灰度方差，分别对应记为u1和u2；更新分割阈值T0，公式为：T0＝1/2
×
(u1‑
u2)2；计算类间方差，公式为：；其中，，为区域g1的面积占图像的面积比，为区域g2的面积占降噪图像的面积比。
[0022]重复上本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的骨髓图片细胞形态分析方法，其特征在于，包括如下步骤：S1、使用能量函数对骨髓图片中的细胞形态进行分割，获取细胞轮廓；S2、提取目标分割区域的所有细胞的灰度，计算阈值，对每个独立细胞区域分为亮、暗两个区域；S3、分别对每个独立细胞区域的亮、暗两个区域进行比率计算，进行状态判断，并生成细胞状态特征参数；S4、根据细胞状态特征参数计算细胞显著性值。2.根据权利要求1所述的基于人工智能的骨髓图片细胞形态分析方法，其特征在于，步骤S1中：所述能量函数如下：；其中，分别为各项加权系数，是常数，表示图像的目标分割区域，为狄拉克函数，为水平集函数；H为阶跃函数，g为图像的边缘检测器函数，x,y分别为目标分割区域像素点坐标，为能量梯度值。3.根据权利要求1所述的基于人工智能的骨髓图片细胞形态分析方法，其特征在于，步骤S3中，定义独立细胞区域中暗色区域占独立细胞面积的比率E
a
为：；其中，A
a
表示细胞内暗区域的面积，A
C
表示独立细胞面积，当E
a
大于65%时，认为属于不成熟细胞，并定义不成熟细胞特征参数为：；定义细胞区域中亮色区域占独立细胞面积的...

【专利技术属性】
技术研发人员：王晓芳，井瑶瑶，田然，
申请(专利权)人：天津市肿瘤医院天津医科大学肿瘤医院，
类型：发明
国别省市：