[发明专利]一种基于计算机视觉的细胞分类计数方法及系统

说明书

本发明提供了一种基于计算机视觉的细胞分类计数方法及系统，获取原始病理切片数字图像并进行预处理；基于改进的分水岭算法，对预处理后的病理切片数字图像进行分割，获得图像分割边界；将图像分割边界与原始病理切片数字图像进行合并分割，得到分割后的病理切片数字图像；提取分割后的病理切片数字图像的特征，并对提取的特征进行分类得到第一细胞数据；同时将分割后的病理切片数字图像使用神经网络训练模型进行检测，得到第二细胞数据；将第一细胞数据和第二细胞数据取并集并去重得到阴阳性细胞数据；实现将计算图像学应用在医疗领域，辅助诊断，大大降低了医生的工作量。

技术领域

本发明属于细胞识别、定位、分类计数领域，尤其涉及一种基于计算机视觉的细胞分类计数方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

乳腺癌免疫组化中ER是雌激素受体的意思，PR是孕激素受体，二者均为阳性，称之为内分泌治疗敏感型，意味着可以进行内分泌治疗这类患者总的生存率和无病生存率明显高于阴性的患者。专业机构的医生可以通过显微镜对免疫组化细胞的形态进行持续观察，并给出评估结果。这种方式简单直接，但需要相当专业的背景知识和大量的人工参与，门槛较高且效率低下。因此，许多研究者尝试用图像智能解译的方式来代替人工参与。传统人工识别计数的方式方法，效率低下非常受限于专业知识以及精力。

现阶段许多计算机化方法都依赖颜色特征来检测和分类细胞来进行免疫组化细胞评比技术，或者采用深度学习神经网络的方式方法来进行细胞数识别定位分类计数。染色图像中各类细胞的细胞核的形态、颜色极其相似，使得一些传统方法会将非肿瘤细胞视为肿瘤细胞，从而导致大量计数错误。而采用深度学习的方式方法，会造成识别率的不精确，无法解决细胞粘连等问题。在监督和无监督的学习方法中，将单个像素作为研究对象，而同一类别中的像素共同构成了组织的每个组成部分。研究人员需要在进行监督分类之前，选择包括所有细胞类型在内的每个组织成分的代表性区域作为训练样本，其性能很大程度上取决于预先定义的训练样本的质量和全面性；也就是说，有无监督的学习方法对于细胞的分类准确性有很大的影响。

发明内容

为了解决上述背景技术中存在的技术问题，本发明提供一种基于计算机视觉的细胞分类计数方法及系统，采用计算机视觉的计算方法，实现将计算图像学应用在医疗领域，辅助诊断，大大降低了医生的工作量。针对传统算法中使用颜色等特征进行区分不准确的缺点，使用颜色特征、纹理特征等多方面的特征进行创造性的识别；针对粘连细胞，采用改进的分水岭算法进行分割；针对细胞分类的情况，在完成细胞分割后使用，有监督的方式进行分类，从而解决了细胞分类计数的问题。

为了实现上述目的，本发明采用如下技术方案：

本发明的第一个方面提供一种基于计算机视觉的细胞分类计数方法，包括：

获取原始病理切片数字图像并进行预处理；

基于改进的分水岭算法，对预处理后的病理切片数字图像进行分割，获得图像分割边界；

将图像分割边界与原始病理切片数字图像进行合并分割，得到分割后的病理切片数字图像；

提取分割后的病理切片数字图像的特征，并对提取的特征进行分类得到第一细胞数据；同时将分割后的病理切片数字图像使用神经网络训练模型进行检测，得到第二细胞数据；

将第一细胞数据和第二细胞数据取并集并去重得到阴阳性细胞数据。

本发明的第二个方面提供一种基于计算机视觉的细胞分类计数系统，包括：

图像获取模块，被配置为获取原始病理切片数字图像并进行预处理；

图像处理模块，被配置为基于改进的分水岭算法，对预处理后的病理切片数字图像进行分割，获得图像分割边界；