[go: up one dir, main page]

CN110992303A - 一种异常细胞筛选方法、装置、电子设备和存储介质 - Google Patents

一种异常细胞筛选方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN110992303A
CN110992303A CN201911040955.9A CN201911040955A CN110992303A CN 110992303 A CN110992303 A CN 110992303A CN 201911040955 A CN201911040955 A CN 201911040955A CN 110992303 A CN110992303 A CN 110992303A
Authority
CN
China
Prior art keywords
cervical cell
image
images
cervical
sub
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201911040955.9A
Other languages
English (en)
Other versions
CN110992303B (zh
Inventor
谢魏玮
郭冰雪
王季勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201911040955.9A priority Critical patent/CN110992303B/zh
Publication of CN110992303A publication Critical patent/CN110992303A/zh
Priority to PCT/CN2020/093581 priority patent/WO2021082434A1/zh
Application granted granted Critical
Publication of CN110992303B publication Critical patent/CN110992303B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请涉及神经网络，公开了一种异常细胞筛选方法、装置、电子设备和存储介质，所述方法包括：获取宫颈细胞图像；基于所述宫颈细胞图像中像素点的灰度值切分所述宫颈细胞图像以得到多个宫颈细胞子图像；将所述多个宫颈细胞子图像分别输入异常细胞筛选模型，以得到所述多个宫颈细胞子图像对应的多个预测结果；根据预设选取策略从所述多个预测结果中选取多个预测结果作为多个第一预测结果；获取所述多个第一预测结果对应的多个第一宫颈细胞子图像；在显示界面上显示所述多个第一宫颈细胞子图像。实施本发明实施例，有利于提高异常细胞筛选效率。

Description

一种异常细胞筛选方法、装置、电子设备和存储介质
技术领域
本发明涉及计算机技术领域，尤其涉及一种异常细胞筛选方法、装置、电子设备和存储介质。
背景技术
宫颈癌是最常见的妇科恶性肿瘤，且近年来其发病率有低龄化趋势，全世界每年有50万新发病例和27.4万死亡病例，其中85％的宫颈癌死亡病例发生在普查率低的低中等收入地区。宫颈癌又是目前唯一可以早发现并治愈的癌症，因此早期的筛查和诊断是防治宫颈癌的关键环节。
目前，在各大体检中心和医院，一般需要医生在显微镜下从成千上万个细胞中找出异常细胞，并依据异常细胞进行诊断。这种异常细胞筛选方式效率低。
发明内容
本发明实施例提供了一种异常细胞筛选方法、装置、电子设备和存储介质，实施本发明实施例，有利于提高异常细胞筛选效率。
本发明第一方面提供了一种异常细胞筛选方法，包括：
获取宫颈细胞图像；
基于所述宫颈细胞图像中像素点的灰度值切分所述宫颈细胞图像以得到多个宫颈细胞子图像；
将所述多个宫颈细胞子图像分别输入异常细胞筛选模型，以得到所述多个宫颈细胞子图像对应的多个预测结果，其中，每个宫颈细胞子图像对应一个预测结果，每个预测结果用于指示每个宫颈细胞子图像包括的异常细胞，所述异常细胞为在宫颈细胞的基础上发生病变或癌变的细胞；
根据预设选取策略从所述多个预测结果中选取多个预测结果作为多个第一预测结果；
获取所述多个第一预测结果对应的多个第一宫颈细胞子图像；
在显示界面上显示所述多个第一宫颈细胞子图像；
其中，所述异常细胞筛选模型包括多个神经网络，所述神经网络的数量与所述异常细胞的种类数量相等，所述多个神经网络用于筛选不同的异常细胞。
本发明第二方面提供了一种异常细胞筛选装置，包括：
第一获取模块，用于获取宫颈细胞图像；
切分模块，用于基于所述宫颈细胞图像中像素点的灰度值切分所述宫颈细胞图像以得到多个宫颈细胞子图像；
输入模块，用于将所述多个宫颈细胞子图像分别输入异常细胞筛选模型，以得到所述多个宫颈细胞子图像对应的多个预测结果，其中，每个宫颈细胞子图像对应一个预测结果，每个预测结果用于指示每个宫颈细胞子图像包括的异常细胞，所述异常细胞为在宫颈细胞的基础上发生病变或癌变的细胞；
选取模块，用于根据预设选取策略从所述多个预测结果中选取多个预测结果作为多个第一预测结果；
第二获取模块，用于获取所述多个第一预测结果对应的多个第一宫颈细胞子图像；
显示模块，用于在显示界面上显示所述多个第一宫颈细胞子图像；
其中，所述异常细胞筛选模型包括多个神经网络，所述神经网络的数量与所述异常细胞的种类数量相等，所述多个神经网络用于筛选不同的异常细胞。
本发明第三方面提供了一种异常细胞筛选的电子设备，包括处理器、存储器、通信接口以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被生成由所述处理器执行，以执行一种异常细胞筛选方法任一项方法中的步骤的指令。
本发明第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述存储计算机程序被所述处理器执行，以实现一种异常细胞筛选方法任一项所述的方法。
可以看出，上述技术方案中，获取宫颈细胞图像；基于所述宫颈细胞图像中像素点的灰度值切分所述宫颈细胞图像以得到多个宫颈细胞子图像；将所述多个宫颈细胞子图像分别输入异常细胞筛选模型，以得到所述多个宫颈细胞子图像对应的多个预测结果，其中，每个宫颈细胞子图像对应一个预测结果，每个预测结果用于指示每个宫颈细胞子图像包括的异常细胞，所述异常细胞为在宫颈细胞的基础上发生病变或癌变的细胞；根据预设选取策略从所述多个预测结果中选取多个预测结果作为多个第一预测结果；获取所述多个第一预测结果对应的多个第一宫颈细胞子图像；在显示界面上显示所述多个第一宫颈细胞子图像。通过将宫颈细胞图像切分成多个宫颈细胞子图像，并将多个宫颈细胞子图像分别输入异常细胞筛选模型，避免了一张宫颈细胞图像过大导致筛选过程时间耗费多的情况，加快了异常细胞筛选模型筛选出异常细胞的效率。同时，所述异常细胞筛选模型包括多个神经网络，所述神经网络的数量与所述异常细胞的种类数量相等，所述多个神经网络用于筛选不同的异常细胞，实现可以筛选出多种异常细胞，实用性更强。进一步的，通过将预测概率最高的多个第一预测结果筛选出来，并将多个第一预测结果对应的多个第一宫颈细胞子图像显示在界面上，更加便于医生查看，通过将出现异常细胞概率最高的宫颈细胞子图像展示给医生，减少了医生的工作量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
其中：
图1A为本发明实施例提供的一种异常细胞筛选方法的流程示意图；
图1B为本发明实施例提供的一种显示界面的示意图；
图2A为本发明实施例提供的又一种异常细胞筛选方法的流程示意图；
图2B为本发明的实施例提供的一种坐标系示意图；
图2C是本发明实施例提供的一种切分形状的示意图；
图2D是本发明实施例提供的一种像素扩散的示意图；
图3为本发明实施例提供的又一种异常细胞筛选方法的流程示意图；
图4为本发明实施例提供的一种异常细胞筛选装置的示意图；
图5为本发明的实施例涉及的硬件运行环境的服务器结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
以下分别进行详细说明。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先，本申请实施例的执行主体例如可以是服务器，也可以是本地数据处理设备。其中，服务器例如可以是平板电脑、笔记本电脑、掌上电脑、MID、台式电脑或其他服务器设备。在本申请中不做限制。
101、获取宫颈细胞图像；
可选的，所述获取宫颈细胞图像，包括：通过扫描设备获取所述宫颈细胞图像。
其中，扫描设备例如可以是扫描仪。可以理解的，采用扫描仪扫描通过液基薄层细胞检测的宫颈细胞层以得到宫颈细胞图像。
其中，宫颈细胞图像为宫颈细胞层的图像。
102、基于所述宫颈细胞图像中像素点的灰度值切分所述宫颈细胞图像以得到多个宫颈细胞子图像；
103、将所述多个宫颈细胞子图像分别输入异常细胞筛选模型，以得到所述多个宫颈细胞子图像对应的多个预测结果，其中，每个宫颈细胞子图像对应一个预测结果，每个预测结果用于指示每个宫颈细胞子图像包括的异常细胞，所述异常细胞为在宫颈细胞的基础上发生病变或癌变的细胞；
其中，宫颈细胞为处于正常生长状态的细胞。
其中，所述异常细胞筛选模型包括多个神经网络，所述神经网络的数量与所述异常细胞的种类数量相等，所述多个神经网络用于筛选不同的异常细胞。
进一步的，第一神经网络是所述多个神经网络中的一个神经网络，所述第一神经网络用于筛选所述多个宫颈细胞子图像中的每个宫颈细胞子图像包括的第一异常细胞，第二神经网络是所述多个神经网络中的不同于所述第一神经网络的另一个神经网络，所述第二神经网络用于筛选所述多个宫颈细胞子图像中的每个宫颈细胞子图像包括的第二异常细胞。
其中，第一异常细胞与第二异常细胞不同，第一异常细胞是所述异常细胞中的一种细胞，第二异常细胞是所述异常细胞中的另一种细胞。
可选的，异常细胞至少包括以下一种：鳞癌(squamous cell carcinom，SCC)、高度鳞状上皮病变(high-grade squamous epithelial lesion，LSIL)、不能排除高级别鳞状上皮内病变的非典型鳞状细胞(atypical squamous cells,cannot exclude high-gradesquamous intraepithelial lesion，ASC-H)))、低度鳞状上皮病变(low-gradesquamous epithelial lesion，LSIL)、意义不明确的非典型鳞状细胞(atypicalsquamouscells of undP.termined significance,ASC-US)、腺癌(adenocarcinoma，AC)、非典型腺癌(Atypical adenocarcinoma，AGC)等。
可以理解的，多个神经网络分别用于筛选多个宫颈细胞子图像中的每个宫颈细胞子图像包括的一种异常细胞。具体来说，多个神经网络中的某个神经网络用于筛选多个宫颈细胞子图像中的每个宫颈细胞子图像包括的鳞癌，多个神经网络中的另一个神经网络用于筛选多个宫颈细胞子图像中的每个宫颈细胞子图像包括的腺癌。
104、根据预设选取策略从所述多个预测结果中选取多个预测结果作为多个第一预测结果；
其中，所述预设选取策略是根据预测选取操作确定，所述预测选取操作包括以下步骤：获取所述多个预测结果中的每个预测结果对应的预测概率；将所述多个预测结果中的每个预测结果对应的预测概率按照预测概率从大到小的顺序进行编号，以得到多个编号；从所述多个编号中选取部分编号，其中，所述部分编号为所述多个编号中编号大于预设编号的至少一个编号；将所述部分编号一一对应的部分预测概率作为所述预设选取策略。
其中，预设编号由管理员设置。举例来说，多个编号为从10-1的10个编号，预设编号为6，那么部分编号为7-10这3个编号。
进一步的，所述根据预设选取策略从所述多个预测结果中选取多个预测结果作为多个第一预测结果，包括：根据所述部分预测概率从所述多个预测结果中选取多个预测结果作为多个第一预测结果。
105、获取所述多个第一预测结果对应的多个第一宫颈细胞子图像；
106、在显示界面上显示所述多个第一宫颈细胞子图像。
参见图1B，图1B为本发明实施例提供的一种显示界面的示意图，在该显示界面上，每个带斜线的矩形代表一个第一宫颈细胞子图像。可以看出，在该显示界面上显示了多个第一宫颈细胞子图像。
可以看出，上述技术方案中，获取宫颈细胞图像；基于所述宫颈细胞图像中像素点的灰度值切分所述宫颈细胞图像以得到多个宫颈细胞子图像；将所述多个宫颈细胞子图像分别输入异常细胞筛选模型，以得到所述多个宫颈细胞子图像对应的多个预测结果，其中，每个宫颈细胞子图像对应一个预测结果，每个预测结果用于指示每个宫颈细胞子图像包括的异常细胞，所述异常细胞为在宫颈细胞的基础上发生病变或癌变的细胞；根据预设选取策略从所述多个预测结果中选取多个预测结果作为多个第一预测结果；获取所述多个第一预测结果对应的多个第一宫颈细胞子图像；在显示界面上显示所述多个第一宫颈细胞子图像。通过将宫颈细胞图像切分成多个宫颈细胞子图像，并将多个宫颈细胞子图像分别输入异常细胞筛选模型，避免了一张宫颈细胞图像过大导致筛选过程时间耗费多的情况，加快了异常细胞筛选模型筛选出异常细胞的效率。同时，所述异常细胞筛选模型包括多个神经网络，所述神经网络的数量与所述异常细胞的种类数量相等，所述多个神经网络用于筛选不同的异常细胞，实现可以筛选出多种异常细胞，实用性更强。进一步的，通过将预测概率最高的多个第一预测结果筛选出来，并将多个第一预测结果对应的多个第一宫颈细胞子图像显示在界面上，更加便于医生查看，通过将出现异常细胞概率最高的宫颈细胞子图像展示给医生，减少了医生的工作量。
下面对从所述基于所述宫颈细胞图像中像素点的灰度值切分所述宫颈细胞图像以得到多个宫颈细胞子图像的这一过程进行具体举例说明。
参见图2A，图2A为本发明的一个实施例提供的一种异常细胞筛选方法的流程示意图。其中，如图2A所示，本发明的一个实施例提供的一种异常细胞筛选方法可以包括：
201、获取所述宫颈细胞图像中每个像素点对应的灰度值；
其中，该灰度值的范围在0-255。
当宫颈细胞图像中包括异常细胞时，异常细胞不同，其对应的灰度值也不同。举例来说，当宫颈细胞图像包括鳞癌和高度鳞状上皮病变时，鳞癌对应的灰度值与高度鳞状上皮病变对应的灰度值不同。
202、根据所述宫颈细胞图像中每个像素点对应的灰度值确定灰度值最小的像素点；
203、从所述像素点中选取任意一个像素点作为切分所述宫颈细胞图像的坐标原点；
204、以所述坐标原点为基础在所述宫颈细胞图像上建立坐标系，其中，所述坐标系以所述宫颈细胞图像的横向正方向为x轴，以所述宫颈细胞图像的纵向正方向为y轴；
参见图2B，图2B为本发明的一个实施例提供的一种坐标系示意图，可以看出，该坐标系x轴的正向方向为向右方向，即宫颈细胞图像的横向正方向；该坐标系y轴的正向方向为向上方向，即宫颈细胞图像的纵向正方向；该坐标系是以坐标原点为基础在宫颈细胞图像上建立的。
205、从所述坐标原点出发切分所述宫颈细胞图像，以得到所述多个宫颈细胞子图像。
可选的，在一种可能的实施方式中，所述从所述坐标原点出发切分所述宫颈细胞图像，以得到所述多个宫颈细胞子图像，包括：根据所述宫颈细胞图像中每个像素点对应的灰度值确定多个灰度差值，每个灰度差值为每个像素点与对应的相邻像素点在灰度值上的差值；将所述多个灰度差值中落入相同灰度值区间的划分为一组，以得到多个灰度组；根据所述多个灰度组从所述坐标原点出发确定所述宫颈细胞图像对应的多个切分形状；将所述多个切分形状中非规则形状进行规范化处理，以得到规则的多个第一切分形状；将所述多个第一切分形状设置为所述多个宫颈细胞子图像。
可选的，在一种可能的实施方式中，第一像素点为所述宫颈细胞图像中任意一个像素点，所述根据所述宫颈细胞图像中每个像素点对应的灰度值确定多个灰度差值，包括：获取所述第一像素点相邻的至少一个像素点对应的至少一个灰度值；分别确定所述第一像素点对应的灰度值与所述至少一个灰度值中的每个灰度值之间的灰度差值，以得到至少一个灰度差值。
举例来说，宫颈细胞图像包括9个像素点，这9个像素点排列成正方形，处于正方形中心的像素点为第一像素点时，第一像素点相邻的至少一个像素点包括：第一像素点上方的相邻像素点、第一像素点下方的相邻像素点、第一像素点左方的相邻像素点、第一像素点右方的相邻像素点；处于正方形右上角顶点的像素点为第一像素点时，第一像素点相邻的至少一个像素点包括：第一像素点下方的相邻像素点、第一像素点左方的相邻像素点、第一像素点右方的相邻像素点。
进一步的，所述第一像素点相邻的至少一个像素点至少包括以下一种：第一像素点上方的相邻像素点、第一像素点下方的相邻像素点、第一像素点左方的相邻像素点和第一像素点右方的相邻像素点。
可以看出，上述技术方案中，通过获取所述第一像素点相邻的至少一个像素点对应的至少一个灰度值；分别确定所述第一像素点对应的灰度值与所述至少一个灰度值中的每个灰度值之间的灰度差值，以得到至少一个灰度差值，实现确定第一像素点与第一像素点对应的相邻像素点在灰度值上的差值，为后续根据灰度差值落入的相同灰度值区间进行分组做准备。
可以理解的，根据所述多个灰度组从所述坐标原点出发确定所述宫颈细胞图像对应的多个切分形状时，很有可能这些切分形状不是规则形状。其中，规则形状例如包括：矩形、正方形等等。因此，需要将所述多个切分形状中非规则形状进行规范化处理，以得到规则的多个第一切分形状，从而让异常细胞筛选模型更快的筛选出异常细胞。
其中，非规则形状为不包括矩形和正方形的形状，所述规范化处理包括以下操作：确定所述多个切分形状中每个切分形状对应的多个第二像素点，每个第二像素点对应的灰度值为第一灰度值；按照第一顺序对所述多个切分形状中每个切分形状对应的多个第二像素点进行预设处理。
其中，所述第一顺序包括以下一种：所述多个切分形状中每个切分形状的中心点离所述坐标原点从近到远的顺序和所述多个切分形状中每个切分形状的中心点离所述坐标原点从远到近的顺序。
进一步的，所述预设处理包括以下至少一种处理：去除每个切分形状中多余第二像素点；收集所述多个切分形状中多余第二像素点以得到多个第三像素点以及采用所述多个第三像素点对所述多个切分形状中需要进行填补的切分形状进行填补；和将每个切分形状对应的多个第二像素点进行重新排布。其中，多余第二像素点是根据每个切分形状对应的形状属性确定的，每个切分形状对应的形状属性是根据每个切分形状趋于规则形状的这个过程中确定。
举例来说，所述多个切分形状中某个切分形状是三角形，参见图2C，图2C是本发明实施例提供的一种切分形状的示意图，其中，最上面的图例是直接将三角形中多余的第二像素点直接去掉，从而得到矩形，也就是规则的第一切分形状；中间的图例是先将三角形中多余的第二像素点进行重新排布，再采用其他切分形状中多余第二像素点对已经排布好的三角形进行填补，最后形成的矩形，也就是规则的第一切分形状；最后一个图例是将三角形中多余的第二像素点进行重新排布得到的矩形，也就是规则的第一切分形状。
其中，第一灰度值为0或255。
可选的，上述技术方案中，根据所述宫颈细胞图像中每个像素点对应的灰度值确定多个灰度差值，每个灰度差值为每个像素点与每个像素点对应的相邻像素点在灰度值上的差值；将所述多个灰度差值中落入相同灰度值区间的划分为一组，以得到多个灰度组；根据所述多个灰度组从所述坐标原点出发确定所述宫颈细胞图像对应的多个切分形状；将所述多个切分形状中非规则形状进行规范化处理，以得到规则的多个第一切分形状；将所述多个第一切分形状设置为所述多个宫颈细胞子图像，实现了按照灰度组从坐标原点出发确定宫颈细胞图像对应的多个切分形状，让每个切分形状由灰度差值中落入相同灰度值区间的像素点构成，让异常细胞筛选模型更快的筛选出异常细胞，也加快了切分图像的效率。同时，将多个切分形状中非规则形状进行规范化处理，构造出更适应与异常细胞筛选模型的输入数据，加快了筛选效率。
可以看出，在一种可能的实施方式中，所述基于所述宫颈细胞图像中像素点的灰度值切分所述宫颈细胞图像以得到所述多个宫颈细胞子图像，包括：获取所述宫颈细胞图像中每个像素点对应的灰度值；根据所述宫颈细胞图像中每个像素点对应的灰度值确定所述宫颈细胞图像中灰度值相同的多组像素点，每组像素点包括至少一个像素点，所述至少一个像素点中的每个像素点对应的灰度值均相同；根据所述多组像素点切分所述宫颈细胞图像以得到所述多个宫颈细胞子图像，所述多组像素点与所述多个宫颈细胞子图像对应。
可以看出，上述技术方案中，获取所述宫颈细胞图像中每个像素点对应的灰度值；根据所述宫颈细胞图像中每个像素点对应的灰度值确定所述宫颈细胞图像中灰度值相同的多组像素点，每组像素点包括至少一个像素点，所述至少一个像素点中的每个像素点对应的灰度值均相同；根据所述多组像素点切分所述宫颈细胞图像以得到所述多个宫颈细胞子图像，所述多组像素点与所述多个宫颈细胞子图像对应，从而根据相同灰度值实现宫颈细胞图像的切分，为后续异常细胞筛选模型更快的筛选出异常细胞做准备。
可选的，在一种可能的实施方式中，所述根据所述多组像素点切分所述宫颈细胞图像以得到所述多个宫颈细胞子图像，包括：根据所述多组像素点切分所述宫颈细胞图像以得到多个第二宫颈细胞子图像，所述多组像素点与所述多个第二宫颈细胞子图像对应；确定所述多个第二宫颈细胞子图像中外轮廓非规则的至少一个第三宫颈细胞子图像；针对所述至少一个第三宫颈细胞子图像中的每个第三宫颈细胞子图像执行以下操作，以得到所述多个宫颈细胞子图像，包括：确定当前处理的第三宫颈细胞子图像对应的外轮廓尺寸；根据当前处理的第三宫颈细胞子图像对应的外轮廓尺寸获取模板图像，以得到所述模板图像对应的外轮廓尺寸；根据所述模板图像对应的外轮廓尺寸对当前处理的第三宫颈细胞子图像进行像素扩散，直到当前处理的第三宫颈细胞子图像对应的外轮廓尺寸与所述模板图像对应的外轮廓尺寸相同时停止像素扩散，所述像素扩散是采用第一灰度值进行扩散的。
其中，外轮廓非规则为不包括外轮廓为矩形和正方形的轮廓。其中，模板图像包括以下一种：矩形和正方形。
其中，第一灰度值为0或255。
举例来说，多个第二宫颈细胞子图像中的某个第二宫颈细胞子图像是三角形，那么，该第二宫颈细胞子图像对应的外轮廓为三角形，进一步的，该第二宫颈细胞子图像对应的外轮廓就是非规则的。可以理解的，参见图2D，图2D是本发明实施例提供的一种像素扩散的示意图，该第二宫颈细胞子图像对应的模板图像为矩形时，则根据矩形对应的外轮廓尺寸对三角形进行像素扩散，最后，第二宫颈细胞子图像对应的宫颈细胞子图像为矩形。
可以看出，上述技术方案中，根据所述多组像素点切分所述宫颈细胞图像以得到多个第二宫颈细胞子图像，所述多组像素点与所述多个第二宫颈细胞子图像对应；确定所述多个第二宫颈细胞子图像中外轮廓非规则的至少一个第三宫颈细胞子图像；针对所述至少一个第三宫颈细胞子图像中的每个第三宫颈细胞子图像执行以下操作，以得到所述多个宫颈细胞子图像，包括：确定当前处理的第三宫颈细胞子图像对应的外轮廓尺寸；根据当前处理的第三宫颈细胞子图像对应的外轮廓尺寸获取模板图像，以得到所述模板图像对应的外轮廓尺寸；根据所述模板图像对应的外轮廓尺寸对当前处理的第三宫颈细胞子图像进行像素扩散，直到当前处理的第三宫颈细胞子图像对应的外轮廓尺寸与所述模板图像对应的外轮廓尺寸相同时停止像素扩散，所述像素扩散是采用第一灰度值进行扩散的，通过对外轮廓非规则的至少一个第三宫颈细胞子图像进行像素扩散，让所有的宫颈细胞子图像均变成矩形或正方形的图像，为后续异常细胞筛选模型更快的筛选出异常细胞做准备。
参见图3，图3为本发明的又一个实施例提供的一种异常细胞筛选方法的流程示意图。其中，如图3所示，在所述将所述多个宫颈细胞子图像分别输入异常细胞筛选模型，以得到所述多个宫颈细胞子图像对应的多个预测结果之前，所述方法还包括：
301、获取训练集，所述训练集包括多个训练子集，所述多个训练子集与所述多个神经网络对应，每个训练子集包括不同明暗程度的多个宫颈细胞子图像集合，每个宫颈细胞子图像集合包括一种明暗程度的多个第二宫颈细胞子图像，所述多个第二宫颈细胞子图像中的每个第二宫颈细胞子图像包括的异常细胞不同；
可选的，在一种可能的实施方式中，所述获取训练集，包括：在标记界面上显示所述多个第三宫颈细胞子图像；在检测到针对所述标记界面上的多个位置的标记操作时，标记所述多个位置对应的所述多个第三宫颈细胞子图像，以得到所述多个第三宫颈细胞子图像对应的多个第四宫颈细胞子图像，每个第四宫颈细胞子图像是对每个第三宫颈细胞子图像进行标记后的图像；采用多个预设亮度分别对所述多个第四宫颈细胞子图像进行处理，以得到多个训练子集中每个训练子集包括的所述多个宫颈细胞子图像集合，所述多个预设亮度与所述多个宫颈细胞子图像集合对应；将所述多个训练子集中每个训练子集包括的所述多个宫颈细胞子图像集合设置为所述训练集。
其中，所述标记界面包括多个标记显示区，所述多个标记显示区与所述多个第三宫颈细胞子图像对应。所述在标记界面上显示多个第三宫颈细胞子图像，包括：在标记界面上的所述多个标记显示区显示所述多个第三宫颈细胞子图像。进一步的，拥有医护知识的人员可以在多个标记显示区查看多个第三宫颈细胞子图像，并对多个第三宫颈细胞子图像进行标记。
可选的，在一种可能的实施方式中，所述在检测到针对所述标记界面上的多个位置的标记操作时，标记所述多个位置对应的所述多个第三宫颈细胞子图像，以得到所述多个第三宫颈细胞子图像对应的多个第四宫颈细胞子图像，包括：在检测到针对所述标记界面上的多个位置的标记操作时，跟踪在所述多个位置对应的所述多个第三宫颈细胞子图像上的多个标记轨迹；获取所述多个标记轨迹形成的多个标记区域；根据所述多个标记区域生成多个标记标签；根据所述多个位置对应的所述多个第三宫颈细胞子图像生成包括所述多个标记标签的所述多个第四宫颈细胞子图像。
其中，第一位置为所述多个位置中的任意一个位置，在检测到所述标记界面上的所述第一位置的标记操作时，跟踪在所述第一位置对应的第三宫颈细胞子图像上的标记轨迹；获取所述标记轨迹形成的标记区域；根据所述标记区域生成标记标签；根据所述第一位置对应的第三宫颈细胞子图像生成包括所述标记标签的第四宫颈细胞子图像。
进一步的，所述多个第三宫颈细胞子图像与所述多个标记轨迹对应，所述多个标记轨迹与所述多个标记区域对应，所述多个标记区域与所述多个标记标签对应。
可以看出，上述技术方案中，在检测到针对所述标记界面上的多个位置的标记操作时，跟踪在所述多个位置对应的所述多个第三宫颈细胞子图像上的多个标记轨迹；获取所述多个标记轨迹形成的多个标记区域；根据所述多个标记区域生成多个标记标签；根据所述多个位置对应的所述多个第三宫颈细胞子图像生成包括所述多个标记标签的所述多个第四宫颈细胞子图像，实现了在标记轨迹不同时，标记区域也不同，进而导致标记标签也不同，提高了第四宫颈细胞子图像标记标签的唯一性，提高了模型训练效率。
可以看出，上述技术方案中，在标记界面上显示多个第三宫颈细胞子图像；在检测到针对所述标记界面上的多个位置的标记操作时，标记所述多个位置对应的所述多个第三宫颈细胞子图像，以得到所述多个第三宫颈细胞子图像对应的多个第四宫颈细胞子图像，每个第四宫颈细胞子图像是对每个第三宫颈细胞子图像进行标记后的图像；采用多个预设亮度分别对所述多个第四宫颈细胞子图像进行处理，以得到多个训练子集中每个训练子集包括的所述多个宫颈细胞子图像集合，所述多个预设亮度与所述多个宫颈细胞子图像集合对应；将所述多个训练子集中每个训练子集包括的所述多个宫颈细胞子图像集合设置为所述训练集，实现了在标记界面上标记多个第三宫颈细胞子图像后，采用多个预设亮度对标记后的多个第三宫颈细胞子图像进行亮度调节，以得到训练集，为后续异常细胞筛选模型可以识别出不同环境光下拍摄的宫颈细胞图像做准备。
302、构建多个待训练的神经网络，所述多个待训练的神经网络与所述多个神经网络对应；
其中，所述多个待训练的神经网络分别运行在多个进程上，所述多个进程与所述多个待训练的神经网络对应。
303、基于所述多个待训练的神经网络训练所述训练集，以得到所述异常细胞筛选模型。
可以看出，上述技术方案中，通过获取训练集，所述训练集包括多个训练子集，所述多个训练子集与所述多个神经网络对应，每个训练子集包括不同明暗程度的多个宫颈细胞子图像集合，每个宫颈细胞子图像集合包括一种明暗程度的多个第二宫颈细胞子图像，所述多个第二宫颈细胞子图像中的每个第二宫颈细胞子图像包括的异常细胞不同；构建多个待训练的神经网络，所述多个待训练的神经网络与所述多个神经网络对应；基于所述多个待训练的神经网络训练所述训练集，以得到所述异常细胞筛选模型，让异常细胞筛选模型可以识别出不同环境光下拍摄的宫颈细胞图像，实现对异常细胞筛选模型的优化，增强了异常细胞筛选模型的实用性。
参见图4，图4为本发明的一个实施例提供的一种异常细胞筛选装置的示意图。其中，如图4所示，本发明的一个实施例提供的一种异常细胞筛选装置400可以包括：
第一获取模块401，用于获取宫颈细胞图像；
可选的，第一获取模块401，用于通过扫描设备获取所述宫颈细胞图像。
其中，扫描设备例如可以是扫描仪。可以理解的，采用扫描仪扫描通过液基薄层细胞检测的宫颈细胞层以得到宫颈细胞图像。
其中，宫颈细胞图像为宫颈细胞层的图像。
切分模块402，用于基于所述宫颈细胞图像中像素点的灰度值切分所述宫颈细胞图像以得到多个宫颈细胞子图像；
可选的，切分模块402，具体用于获取所述宫颈细胞图像中每个像素点对应的灰度值；根据所述宫颈细胞图像中每个像素点对应的灰度值确定灰度值最小的像素点；从所述像素点中选取任意一个像素点作为切分所述宫颈细胞图像的坐标原点；以所述坐标原点为基础在所述宫颈细胞图像上建立坐标系，其中，所述坐标系以所述宫颈细胞图像的横向正方向为x轴，以所述宫颈细胞图像的纵向正方向为y轴；从所述坐标原点出发切分所述宫颈细胞图像，以得到所述多个宫颈细胞子图像。
可选的，切分模块402，具体用于根据所述宫颈细胞图像中每个像素点对应的灰度值确定多个灰度差值，每个灰度差值为每个像素点与对应的相邻像素点在灰度值上的差值；将所述多个灰度差值中落入相同灰度值区间的划分为一组，以得到多个灰度组；根据所述多个灰度组从所述坐标原点出发确定所述宫颈细胞图像对应的多个切分形状；将所述多个切分形状中非规则形状进行规范化处理，以得到规则的多个第一切分形状；将所述多个第一切分形状设置为所述多个宫颈细胞子图像。
可选的，切分模块402，具体用于获取所述宫颈细胞图像中每个像素点对应的灰度值；根据所述宫颈细胞图像中每个像素点对应的灰度值确定所述宫颈细胞图像中灰度值相同的多组像素点，每组像素点包括至少一个像素点，所述至少一个像素点中的每个像素点对应的灰度值均相同；根据所述多组像素点切分所述宫颈细胞图像以得到所述多个宫颈细胞子图像，所述多组像素点与所述多个宫颈细胞子图像对应。
可选的，切分模块402，具体用于根据所述多组像素点切分所述宫颈细胞图像以得到多个第二宫颈细胞子图像，所述多组像素点与所述多个第二宫颈细胞子图像对应；确定所述多个第二宫颈细胞子图像中外轮廓非规则的至少一个第三宫颈细胞子图像；针对所述至少一个第三宫颈细胞子图像中的每个第三宫颈细胞子图像执行以下操作，以得到所述多个宫颈细胞子图像，包括：确定当前处理的第三宫颈细胞子图像对应的外轮廓尺寸；根据当前处理的第三宫颈细胞子图像对应的外轮廓尺寸获取模板图像，以得到所述模板图像对应的外轮廓尺寸；根据所述模板图像对应的外轮廓尺寸对当前处理的第三宫颈细胞子图像进行像素扩散，直到当前处理的第三宫颈细胞子图像对应的外轮廓尺寸与所述模板图像对应的外轮廓尺寸相同时停止像素扩散，所述像素扩散是采用第一灰度值进行扩散的。
输入模块403，用于将所述多个宫颈细胞子图像分别输入异常细胞筛选模型，以得到所述多个宫颈细胞子图像对应的多个预测结果，其中，每个宫颈细胞子图像对应一个预测结果，每个预测结果用于指示每个宫颈细胞子图像包括的异常细胞，所述异常细胞为在宫颈细胞的基础上发生病变或癌变的细胞；
其中，宫颈细胞为处于正常生长状态的细胞。
其中，所述异常细胞筛选模型包括多个神经网络，所述神经网络的数量与所述异常细胞的种类数量相等，所述多个神经网络用于筛选不同的异常细胞。
进一步的，第一神经网络是所述多个神经网络中的一个神经网络，所述第一神经网络用于筛选所述多个宫颈细胞子图像中的每个宫颈细胞子图像包括的第一异常细胞，第二神经网络是所述多个神经网络中的不同于所述第一神经网络的另一个神经网络，所述第二神经网络用于筛选所述多个宫颈细胞子图像中的每个宫颈细胞子图像包括的第二异常细胞。
其中，第一异常细胞与第二异常细胞不同，第一异常细胞是所述异常细胞中的一种细胞，第二异常细胞是所述异常细胞中的另一种细胞。
可选的，异常细胞至少包括以下一种：鳞癌(squamous cell carcinom，SCC)、高度鳞状上皮病变(high-grade squamous epithelial lesion，LSIL)、不能排除高级别鳞状上皮内病变的非典型鳞状细胞(atypical squamous cells,cannot exclude high-gradesquamous intraepithelial lesion，ASC-H)))、低度鳞状上皮病变(low-gradesquamous epithelial lesion，LSIL)、意义不明确的非典型鳞状细胞(atypicalsquamouscells of undP.termined significance,ASC-US)、腺癌(adenocarcinoma，AC)、非典型腺癌(Atypical adenocarcinoma，AGC)等。
可以理解的，多个神经网络分别用于筛选多个宫颈细胞子图像中的每个宫颈细胞子图像包括的一种异常细胞。具体来说，多个神经网络中的某个神经网络用于筛选多个宫颈细胞子图像中的每个宫颈细胞子图像包括的鳞癌，多个神经网络中的另一个神经网络用于筛选多个宫颈细胞子图像中的每个宫颈细胞子图像包括的腺癌。
可选的，在所述将所述多个宫颈细胞子图像分别输入异常细胞筛选模型，以得到所述多个宫颈细胞子图像对应的多个预测结果之前，所述异常细胞筛选装置还包括处理模块，所述处理模块，用于获取训练集，所述训练集包括多个训练子集，所述多个训练子集与所述多个神经网络对应，每个训练子集包括不同明暗程度的多个宫颈细胞子图像集合，每个宫颈细胞子图像集合包括一种明暗程度的多个第二宫颈细胞子图像，所述多个第二宫颈细胞子图像中的每个第二宫颈细胞子图像包括的异常细胞不同；构建多个待训练的神经网络，所述多个待训练的神经网络与所述多个神经网络对应；基于所述多个待训练的神经网络训练所述训练集，以得到所述异常细胞筛选模型。
可选的，所述处理模块，具体用于在标记界面上显示所述多个第三宫颈细胞子图像；在检测到针对所述标记界面上的多个位置的标记操作时，标记所述多个位置对应的所述多个第三宫颈细胞子图像，以得到所述多个第三宫颈细胞子图像对应的多个第四宫颈细胞子图像，每个第四宫颈细胞子图像是对每个第三宫颈细胞子图像进行标记后的图像；采用多个预设亮度分别对所述多个第四宫颈细胞子图像进行处理，以得到多个训练子集中每个训练子集包括的所述多个宫颈细胞子图像集合，所述多个预设亮度与所述多个宫颈细胞子图像集合对应；将所述多个训练子集中每个训练子集包括的所述多个宫颈细胞子图像集合设置为所述训练集。
选取模块404，用于根据预设选取策略从所述多个预测结果中选取多个预测结果作为多个第一预测结果；
其中，所述预设选取策略是根据预测选取操作确定，所述预测选取操作包括以下步骤：获取所述多个预测结果中的每个预测结果对应的预测概率；将所述多个预测结果中的每个预测结果对应的预测概率按照预测概率从大到小的顺序进行编号，以得到多个编号；从所述多个编号中选取部分编号，其中，所述部分编号为所述多个编号中编号大于预设编号的至少一个编号；将所述部分编号一一对应的部分预测概率作为所述预设选取策略。
其中，预设编号由管理员设置。举例来说，多个编号为从10-1的10个编号，预设编号为6，那么部分编号为7-10这3个编号。
进一步的，所述根据预设选取策略从所述多个预测结果中选取多个预测结果作为多个第一预测结果，包括：根据所述部分预测概率从所述多个预测结果中选取多个预测结果作为多个第一预测结果。
第二获取模块405，用于获取所述多个第一预测结果对应的多个第一宫颈细胞子图像；
显示模块406，用于在显示界面上显示所述多个第一宫颈细胞子图像；
参见图5，图5为本申请的实施例涉及的硬件运行环境的服务器结构示意图。
本发明实施例提供了一种信息推送的电子设备，包括处理器、存储器、通信接口以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，以执行包括任一项信息推送方法中的步骤的指令。其中，如图5所示，本申请的实施例涉及的硬件运行环境的服务器可以包括：
处理器501，例如CPU。
存储器502，可选的，存储器可以为高速RAM存储器，也可以是稳定的存储器，例如磁盘存储器。
通信接口503，用于实现处理器501和存储器502之间的连接通信。
本领域技术人员可以理解，图5中示出的服务器的结构并不构成对其的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图5所示，存储器502中可以包括操作系统、网络通信模块以及数据处理的程序。操作系统是管理和控制服务器硬件和软件资源的程序，支持人员管理的程序以及其他软件或程序的运行。网络通信模块用于实现存储器502内部各组件之间的通信，以及与服务器内部其他硬件和软件之间通信。
在图5所示的服务器中，处理器501用于执行存储器502中存储的人员管理的程序，实现以下步骤：
获取宫颈细胞图像；
基于所述宫颈细胞图像中像素点的灰度值切分所述宫颈细胞图像以得到多个宫颈细胞子图像；
将所述多个宫颈细胞子图像分别输入异常细胞筛选模型，以得到所述多个宫颈细胞子图像对应的多个预测结果，其中，每个宫颈细胞子图像对应一个预测结果，每个预测结果用于指示每个宫颈细胞子图像包括的异常细胞，所述异常细胞为在宫颈细胞的基础上发生病变或癌变的细胞；
根据预设选取策略从所述多个预测结果中选取多个预测结果作为多个第一预测结果；
获取所述多个第一预测结果对应的多个第一宫颈细胞子图像；
在显示界面上显示所述多个第一宫颈细胞子图像；
其中，所述异常细胞筛选模型包括多个神经网络，所述神经网络的数量与所述异常细胞的种类数量相等，所述多个神经网络用于筛选不同的异常细胞。本申请涉及的服务器的具体实施可参见上述异常细胞筛选方法的各实施例，在此不做赘述。
本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述存储计算机程序被所述处理器执行，以实现以下步骤：
获取宫颈细胞图像；
基于所述宫颈细胞图像中像素点的灰度值切分所述宫颈细胞图像以得到多个宫颈细胞子图像；
将所述多个宫颈细胞子图像分别输入异常细胞筛选模型，以得到所述多个宫颈细胞子图像对应的多个预测结果，其中，每个宫颈细胞子图像对应一个预测结果，每个预测结果用于指示每个宫颈细胞子图像包括的异常细胞，所述异常细胞为在宫颈细胞的基础上发生病变或癌变的细胞；
根据预设选取策略从所述多个预测结果中选取多个预测结果作为多个第一预测结果；
获取所述多个第一预测结果对应的多个第一宫颈细胞子图像；
在显示界面上显示所述多个第一宫颈细胞子图像；
其中，所述异常细胞筛选模型包括多个神经网络，所述神经网络的数量与所述异常细胞的种类数量相等，所述多个神经网络用于筛选不同的异常细胞。本申请涉及的计算机可读存储介质的具体实施可参见上述异常细胞筛选方法的各实施例，在此不做赘述。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应所述知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应所述知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种异常细胞筛选方法，其特征在于，包括：
获取宫颈细胞图像；
基于所述宫颈细胞图像中像素点的灰度值切分所述宫颈细胞图像以得到多个宫颈细胞子图像；
将所述多个宫颈细胞子图像分别输入异常细胞筛选模型，以得到所述多个宫颈细胞子图像对应的多个预测结果，其中，每个宫颈细胞子图像对应一个预测结果，每个预测结果用于指示每个宫颈细胞子图像包括的异常细胞，所述异常细胞为在宫颈细胞的基础上发生病变或癌变的细胞；
根据预设选取策略从所述多个预测结果中选取多个预测结果作为多个第一预测结果；
获取所述多个第一预测结果对应的多个第一宫颈细胞子图像；
在显示界面上显示所述多个第一宫颈细胞子图像；
其中，所述异常细胞筛选模型包括多个神经网络，所述神经网络的数量与所述异常细胞的种类数量相等，所述多个神经网络用于筛选不同的异常细胞。
2.根据权利要求1所述的方法，其特征在于，所述基于所述宫颈细胞图像中像素点的灰度值切分所述宫颈细胞图像以得到多个宫颈细胞子图像，包括：
获取所述宫颈细胞图像中每个像素点对应的灰度值；
根据所述宫颈细胞图像中每个像素点对应的灰度值确定灰度值最小的像素点；
从所述像素点中选取任意一个像素点作为切分所述宫颈细胞图像的坐标原点；
以所述坐标原点为基础在所述宫颈细胞图像上建立坐标系，其中，所述坐标系以所述宫颈细胞图像的横向正方向为x轴，以所述宫颈细胞图像的纵向正方向为y轴；
从所述坐标原点出发切分所述宫颈细胞图像，以得到所述多个宫颈细胞子图像。
3.根据权利要求2所述的方法，其特征在于，所述从所述坐标原点出发切分所述宫颈细胞图像，以得到多个宫颈细胞子图像，包括：
根据所述宫颈细胞图像中每个像素点对应的灰度值确定多个灰度差值，每个灰度差值为每个像素点与对应的相邻像素点在灰度值上的差值；
将所述多个灰度差值中落入相同灰度值区间的划分为一组，以得到多个灰度组；
根据所述多个灰度组从所述坐标原点出发确定所述宫颈细胞图像对应的多个切分形状；
将所述多个切分形状中非规则形状进行规范化处理，以得到规则的多个第一切分形状；
将所述多个第一切分形状设置为所述多个宫颈细胞子图像。
4.根据权利要求1所述的方法，其特征在于，所述基于所述宫颈细胞图像中像素点的灰度值切分所述宫颈细胞图像以得到多个宫颈细胞子图像，包括：
获取所述宫颈细胞图像中每个像素点对应的灰度值；
根据所述宫颈细胞图像中每个像素点对应的灰度值确定所述宫颈细胞图像中灰度值相同的多组像素点，每组像素点包括至少一个像素点，所述至少一个像素点中的每个像素点对应的灰度值均相同；
根据所述多组像素点切分所述宫颈细胞图像以得到所述多个宫颈细胞子图像，所述多组像素点与所述多个宫颈细胞子图像对应。
5.根据权利要求4所述的方法，其特征在于，所述根据所述多组像素点切分所述宫颈细胞图像以得到所述多个宫颈细胞子图像，包括：
根据所述多组像素点切分所述宫颈细胞图像以得到多个第二宫颈细胞子图像，所述多组像素点与所述多个第二宫颈细胞子图像对应；
确定所述多个第二宫颈细胞子图像中外轮廓非规则的至少一个第三宫颈细胞子图像；
针对所述至少一个第三宫颈细胞子图像中的每个第三宫颈细胞子图像执行以下操作，以得到所述多个宫颈细胞子图像，包括：
确定当前处理的第三宫颈细胞子图像对应的外轮廓尺寸；根据当前处理的第三宫颈细胞子图像对应的外轮廓尺寸获取模板图像，以得到所述模板图像对应的外轮廓尺寸；根据所述模板图像对应的外轮廓尺寸对当前处理的第三宫颈细胞子图像进行像素扩散，直到当前处理的第三宫颈细胞子图像对应的外轮廓尺寸与所述模板图像对应的外轮廓尺寸相同时停止像素扩散，所述像素扩散是采用第一灰度值进行扩散的。
6.根据权利要求1所述的方法，其特征在于，在所述将所述多个宫颈细胞子图像分别输入异常细胞筛选模型，以得到所述多个宫颈细胞子图像对应的多个预测结果之前，所述方法还包括：
获取训练集，所述训练集包括多个训练子集，所述多个训练子集与所述多个神经网络对应，每个训练子集包括不同明暗程度的多个宫颈细胞子图像集合，每个宫颈细胞子图像集合包括一种明暗程度的多个第二宫颈细胞子图像，所述多个第二宫颈细胞子图像中的每个第二宫颈细胞子图像包括的异常细胞不同；
构建多个待训练的神经网络，所述多个待训练的神经网络与所述多个神经网络对应；
基于所述多个待训练的神经网络训练所述训练集，以得到所述异常细胞筛选模型。
7.根据权利要求6所述的方法，其特征在于，所述获取训练集，包括：
在标记界面上显示所述多个第三宫颈细胞子图像；
在检测到针对所述标记界面上的多个位置的标记操作时，标记所述多个位置对应的所述多个第三宫颈细胞子图像，以得到所述多个第三宫颈细胞子图像对应的多个第四宫颈细胞子图像，每个第四宫颈细胞子图像是对每个第三宫颈细胞子图像进行标记后的图像；
采用多个预设亮度分别对所述多个第四宫颈细胞子图像进行处理，以得到多个训练子集中每个训练子集包括的所述多个宫颈细胞子图像集合，所述多个预设亮度与所述多个宫颈细胞子图像集合对应；
将所述多个训练子集中每个训练子集包括的所述多个宫颈细胞子图像集合设置为所述训练集。
8.一种异常细胞筛选装置，其特征在于，包括：
第一获取模块，用于获取宫颈细胞图像；
切分模块，用于基于所述宫颈细胞图像中像素点的灰度值切分所述宫颈细胞图像以得到多个宫颈细胞子图像；
输入模块，用于将所述多个宫颈细胞子图像分别输入异常细胞筛选模型，以得到所述多个宫颈细胞子图像对应的多个预测结果，其中，每个宫颈细胞子图像对应一个预测结果，每个预测结果用于指示每个宫颈细胞子图像包括的异常细胞，所述异常细胞为在宫颈细胞的基础上发生病变或癌变的细胞；
选取模块，用于根据预设选取策略从所述多个预测结果中选取多个预测结果作为多个第一预测结果；
第二获取模块，用于获取所述多个第一预测结果对应的多个第一宫颈细胞子图像；
显示模块，用于在显示界面上显示所述多个第一宫颈细胞子图像；
其中，所述异常细胞筛选模型包括多个神经网络，所述神经网络的数量与所述异常细胞的种类数量相等，所述多个神经网络用于筛选不同的异常细胞。
9.一种异常细胞筛选的电子设备，其特征在于，包括处理器、存储器、通信接口以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被生成由所述处理器执行，以执行权利要求1-7任一项方法中的步骤的指令。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储计算机程序，所述存储计算机程序被所述处理器执行，以实现权利要求1-7任一项所述的方法。
CN201911040955.9A 2019-10-29 2019-10-29 一种异常细胞筛选方法、装置、电子设备和存储介质 Active CN110992303B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201911040955.9A CN110992303B (zh) 2019-10-29 2019-10-29 一种异常细胞筛选方法、装置、电子设备和存储介质
PCT/CN2020/093581 WO2021082434A1 (zh) 2019-10-29 2020-05-30 一种异常细胞筛选方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911040955.9A CN110992303B (zh) 2019-10-29 2019-10-29 一种异常细胞筛选方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN110992303A true CN110992303A (zh) 2020-04-10
CN110992303B CN110992303B (zh) 2023-12-22

Family

ID=70082495

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911040955.9A Active CN110992303B (zh) 2019-10-29 2019-10-29 一种异常细胞筛选方法、装置、电子设备和存储介质

Country Status (2)

Country Link
CN (1) CN110992303B (zh)
WO (1) WO2021082434A1 (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111951271A (zh) * 2020-06-30 2020-11-17 杭州依图医疗技术有限公司 一种识别病理图像中癌细胞的方法及装置
CN112037862A (zh) * 2020-08-26 2020-12-04 东莞太力生物工程有限公司 基于卷积神经网络的细胞筛选方法和装置
WO2020253508A1 (zh) * 2019-06-18 2020-12-24 平安科技（深圳）有限公司 异常细胞检测方法、装置及计算机可读存储介质
WO2021082434A1 (zh) * 2019-10-29 2021-05-06 平安科技（深圳）有限公司 一种异常细胞筛选方法、装置、电子设备和存储介质
CN113111926A (zh) * 2021-03-31 2021-07-13 南京华晟医学检验实验室有限公司 基于tct制片的异常宫颈血细胞筛选方法
WO2021139447A1 (zh) * 2020-09-30 2021-07-15 平安科技（深圳）有限公司 一种宫颈异常细胞检测装置及方法
WO2022007337A1 (zh) * 2020-07-07 2022-01-13 广州金域医学检验中心有限公司 肿瘤细胞含量评估方法、系统、计算机设备及存储介质
CN115115591A (zh) * 2022-06-23 2022-09-27 深圳太力生物技术有限责任公司 细胞图像分析方法、装置、计算机设备和存储介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113688890B (zh) * 2021-08-13 2025-04-15 上海商汤智能科技有限公司 异常检测方法、装置、电子设备及计算机可读存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016189469A1 (en) * 2015-05-25 2016-12-01 Adarsh Natarajan A method for medical screening and a system therefor
WO2018008593A1 (ja) * 2016-07-04 2018-01-11 日本電気株式会社 画像診断学習装置、画像診断装置、方法およびプログラムを格納する記憶媒体
CN107742299A (zh) * 2017-11-28 2018-02-27 中国联合网络通信集团有限公司 一种图像分割方法和装置
CN109872306A (zh) * 2019-01-28 2019-06-11 腾讯科技（深圳）有限公司 医学图像分割方法、装置和存储介质
US10354122B1 (en) * 2018-03-02 2019-07-16 Hong Kong Applied Science and Technology Research Institute Company Limited Using masks to improve classification performance of convolutional neural networks with applications to cancer-cell screening
CN110120040A (zh) * 2019-05-13 2019-08-13 广州锟元方青医疗科技有限公司 切片图像处理方法、装置、计算机设备和存储介质
CN110211108A (zh) * 2019-05-29 2019-09-06 武汉兰丁医学高科技有限公司 一种新型的基于Feulgen染色方法的异常宫颈细胞自动识别方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8077958B2 (en) * 2006-06-30 2011-12-13 University Of South Florida Computer-aided pathological diagnosis system
CN105095865A (zh) * 2015-07-17 2015-11-25 广西师范大学 基于有向加权复杂网络的宫颈细胞识别方法及宫颈细胞识别装置
CN110689518B (zh) * 2019-08-15 2024-07-02 平安科技（深圳）有限公司 宫颈细胞图像筛查方法、装置、计算机设备及存储介质
CN110992303B (zh) * 2019-10-29 2023-12-22 平安科技（深圳）有限公司 一种异常细胞筛选方法、装置、电子设备和存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016189469A1 (en) * 2015-05-25 2016-12-01 Adarsh Natarajan A method for medical screening and a system therefor
WO2018008593A1 (ja) * 2016-07-04 2018-01-11 日本電気株式会社 画像診断学習装置、画像診断装置、方法およびプログラムを格納する記憶媒体
CN107742299A (zh) * 2017-11-28 2018-02-27 中国联合网络通信集团有限公司 一种图像分割方法和装置
US10354122B1 (en) * 2018-03-02 2019-07-16 Hong Kong Applied Science and Technology Research Institute Company Limited Using masks to improve classification performance of convolutional neural networks with applications to cancer-cell screening
CN109872306A (zh) * 2019-01-28 2019-06-11 腾讯科技（深圳）有限公司 医学图像分割方法、装置和存储介质
CN110120040A (zh) * 2019-05-13 2019-08-13 广州锟元方青医疗科技有限公司 切片图像处理方法、装置、计算机设备和存储介质
CN110211108A (zh) * 2019-05-29 2019-09-06 武汉兰丁医学高科技有限公司 一种新型的基于Feulgen染色方法的异常宫颈细胞自动识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
廖欣 等: "基于深度卷积神经网络的宫颈细胞病理智能辅助诊断方法", 液晶与显示, vol. 33, no. 06, pages 528 - 537 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020253508A1 (zh) * 2019-06-18 2020-12-24 平安科技（深圳）有限公司 异常细胞检测方法、装置及计算机可读存储介质
WO2021082434A1 (zh) * 2019-10-29 2021-05-06 平安科技（深圳）有限公司 一种异常细胞筛选方法、装置、电子设备和存储介质
CN111951271A (zh) * 2020-06-30 2020-11-17 杭州依图医疗技术有限公司 一种识别病理图像中癌细胞的方法及装置
CN111951271B (zh) * 2020-06-30 2023-12-15 杭州依图医疗技术有限公司 一种识别病理图像中癌细胞的方法及装置
WO2022007337A1 (zh) * 2020-07-07 2022-01-13 广州金域医学检验中心有限公司 肿瘤细胞含量评估方法、系统、计算机设备及存储介质
CN112037862A (zh) * 2020-08-26 2020-12-04 东莞太力生物工程有限公司 基于卷积神经网络的细胞筛选方法和装置
WO2021139447A1 (zh) * 2020-09-30 2021-07-15 平安科技（深圳）有限公司 一种宫颈异常细胞检测装置及方法
CN113111926A (zh) * 2021-03-31 2021-07-13 南京华晟医学检验实验室有限公司 基于tct制片的异常宫颈血细胞筛选方法
CN115115591A (zh) * 2022-06-23 2022-09-27 深圳太力生物技术有限责任公司 细胞图像分析方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN110992303B (zh) 2023-12-22
WO2021082434A1 (zh) 2021-05-06

Similar Documents

Publication Publication Date Title
CN110992303B (zh) 一种异常细胞筛选方法、装置、电子设备和存储介质
CN111652845B (zh) 异常细胞自动标注方法、装置、电子设备及存储介质
CN111932482B (zh) 图像中目标物的检测方法、装置、电子设备及存储介质
CN113283446B (zh) 图像中目标物识别方法、装置、电子设备及存储介质
CN110866529B (zh) 字符识别方法、装置、电子设备及存储介质
CN113487621B (zh) 医学图像分级方法、装置、电子设备及可读存储介质
CN113033543B (zh) 曲形文本识别方法、装置、设备及介质
CN112699775A (zh) 基于深度学习的证件识别方法、装置、设备及存储介质
CN114049568B (zh) 基于图像比对的标的物形变检测方法、装置、设备及介质
CN112785591B (zh) 一种ct影像中肋骨骨折的检测与分割方法及装置
CN113705461A (zh) 人脸清晰度检测方法、装置、设备及存储介质
CN114943989B (zh) 基于人工智能的狗脸关键点检测方法及相关设备
CN117173125A (zh) 一种基于全景图的缺陷点位显示方法、装置及存储介质
JP5894492B2 (ja) 画像処理装置、画像検索装置及びプログラム
HK40017509A (zh) 一种异常细胞筛选方法、装置、电子设备和存储介质
CN113284047A (zh) 基于多重特征的目标物分割方法、装置、设备及存储介质
CN115294426B (zh) 介入医学设备的跟踪方法、装置、设备及存储介质
CN114494239B (zh) 病灶识别方法、装置、电子设备及计算机存储介质
CN117011258B (zh) 电路板缺陷图像校验显示方法、装置、设备及存储介质
CN113793406B (zh) 人像名片生成方法、装置、电子设备及可存储介质
HK40017509B (zh) 一种异常细胞筛选方法、装置、电子设备和存储介质
CN113222890B (zh) 小目标物检测方法、装置、电子设备及存储介质
CN117095275A (zh) 一种数据中心资产盘点方法、系统、装置及存储介质
CN115049622B (zh) 基于人工智能的狗鼻纹质量检测方法及相关设备
CN114937274B (zh) 基于人工智能的手写字体擦除方法、装置、设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40017509

Country of ref document: HK

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant