[發(fā)明專利]特征參數(shù)不完整情況下的細(xì)胞核分類與識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 200910060846.3
• 申請(qǐng)日: 2009-02-24
• 公開(kāi)（公告）號(hào): CN101493886A
• 公開(kāi)（公告）日: 2009-07-29
• 發(fā)明（設(shè)計(jì)）人: 徐端全;龐寶川
• 申請(qǐng)（專利權(quán)）人: 武漢蘭丁醫(yī)學(xué)高科技有限公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G01N33/483
• 代理公司: 武漢帥丞知識(shí)產(chǎn)權(quán)代理有限公司
• 代理人: 朱必武

技術(shù)領(lǐng)域

本發(fā)明涉及一種特征參數(shù)不完整情況下的細(xì)胞核分類與識(shí)別方法，屬于生物醫(yī)學(xué) 工程技術(shù)領(lǐng)域。

背景技術(shù)

對(duì)細(xì)胞核進(jìn)行分類識(shí)別是細(xì)胞定量分析的核心，同時(shí)也是定量細(xì)胞學(xué)癌癥自動(dòng)篩 查與病理自動(dòng)診斷過(guò)程中不可缺少的一環(huán)。利用細(xì)胞核的光學(xué)、紋理、形態(tài)、顏色、 關(guān)系等特征，通過(guò)支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)或者K近鄰算法等模式識(shí)別方法識(shí)別細(xì)胞核 的類型，是細(xì)胞核分類識(shí)別最主要的方法。圖1給出細(xì)胞核分類識(shí)別的主要流程。從 圖1中可以看到，細(xì)胞核的分類識(shí)別分為兩個(gè)獨(dú)立的過(guò)程：訓(xùn)練過(guò)程和識(shí)別過(guò)程。系 統(tǒng)研發(fā)過(guò)程中，利用通過(guò)細(xì)胞核的圖像計(jì)算獲得的特征參數(shù)(多個(gè)特征參數(shù)組成特征 向量)和由專業(yè)的病理專家對(duì)細(xì)胞核進(jìn)行人工識(shí)別得到的分類結(jié)果，通過(guò)模式識(shí)別的 訓(xùn)練程序得到細(xì)胞核的分類模型，這個(gè)過(guò)程稱為訓(xùn)練過(guò)程。在系統(tǒng)實(shí)際使用的過(guò)程中， 利用與訓(xùn)練過(guò)程中同樣的方法計(jì)算得到的細(xì)胞核特征向量和訓(xùn)練過(guò)程中得到的細(xì)胞核 分類模型，通過(guò)模式識(shí)別中的識(shí)別程序，可以得到細(xì)胞核的自動(dòng)分類結(jié)果，這個(gè)過(guò)程 稱為識(shí)別過(guò)程。

從細(xì)胞核的圖像中，可以提取的特征參數(shù)很多，一般它們可以分為幾大類：形態(tài) 特征、紋理特征、光學(xué)特征、顏色特征以及關(guān)系特征等。通過(guò)提取這些特征參數(shù)組成 特征向量，為細(xì)胞核分類識(shí)別提供依據(jù)。一般來(lái)說(shuō)，特征參數(shù)的數(shù)量越多，細(xì)胞核分 類識(shí)別的效果也越好，結(jié)果越準(zhǔn)確。

但是，一方面，由于圖像采集儀器的問(wèn)題【比如儀器故障、CCD(Charge?Coupled? Device)攝像設(shè)備中的壞死點(diǎn)等】，或者特征參數(shù)本身計(jì)算方法的限制，并非對(duì)于所有 的細(xì)胞核圖像都能夠計(jì)算所有的特征參數(shù)。在部分細(xì)胞核中，會(huì)有部分特征參數(shù)無(wú)法 獲取，并且這些缺失的特征參數(shù)的也隨細(xì)胞核的不同而不同。另一方面，對(duì)于大部分 的模式識(shí)別算法，一般都沒(méi)有給出丟失特征參數(shù)情況下的訓(xùn)練與識(shí)別方法。這樣就為 準(zhǔn)確的利用模式識(shí)別算法識(shí)別細(xì)胞核的類別帶來(lái)了難度。

中國(guó)專利03131975“一種高精度、低假陰性率的肺癌細(xì)胞圖像識(shí)別方法”中，該 方法利用光學(xué)顯微鏡上安置的數(shù)字?jǐn)z像機(jī)拍攝細(xì)胞病理切片，數(shù)字?jǐn)z像機(jī)產(chǎn)生的視頻 信號(hào)經(jīng)圖像采集設(shè)備后進(jìn)入計(jì)算機(jī)，在經(jīng)過(guò)適當(dāng)?shù)膱D像預(yù)處理之后，將細(xì)胞的圖像交 給肺癌細(xì)胞圖像識(shí)別部分進(jìn)行處理，其中提到采用神經(jīng)網(wǎng)絡(luò)作為癌癥的識(shí)別方法，容 易產(chǎn)生過(guò)擬合現(xiàn)象，造成識(shí)別模型的推廣能力有限。在識(shí)別模型的構(gòu)建(訓(xùn)練過(guò)程) 中，需要人為參與，工作量大。且沒(méi)有給出特征參數(shù)缺失情況下的細(xì)胞識(shí)別方法。而 中國(guó)專利200710192233“智能化肺癌早期細(xì)胞病理圖像識(shí)別處理方法”中，給出了細(xì) 胞識(shí)別與腫瘤診斷的整體框架，把對(duì)細(xì)胞圖像的處理分為圖像預(yù)處理、圖像分割、重 疊細(xì)胞分離重構(gòu)、特征提取與選擇以及細(xì)胞分類五個(gè)步驟，但是對(duì)于細(xì)胞的識(shí)別方法 與過(guò)程沒(méi)有給出確切的描述。特別是在特征參數(shù)缺失情況下，細(xì)胞核如何分類與識(shí)別， 沒(méi)有給出相應(yīng)的方法。

發(fā)明內(nèi)容

本發(fā)明的目的就是提供一種特征參數(shù)不完整情況下的細(xì)胞核分類與識(shí)別方法，它 在特征參數(shù)不完整、部分特征參數(shù)缺失的情況下，估計(jì)填充缺失的特征參數(shù)，完整準(zhǔn) 確的進(jìn)行細(xì)胞核分類識(shí)別。

本發(fā)明的技術(shù)方案是：特征參數(shù)不完整情況下的細(xì)胞核分類與識(shí)別方法，包括以 下步驟：a、在細(xì)胞核訓(xùn)練樣本集中，通過(guò)統(tǒng)計(jì)區(qū)分哪些特征參數(shù)是易失特征，哪些特 征參數(shù)是不易失特征；其特征在于：還包括b、訓(xùn)練過(guò)程中，在細(xì)胞核訓(xùn)練樣本集中， 利用單個(gè)的易失特征參數(shù)值作為輸出，不易失特征作為輸入，通過(guò)支持向量回歸SVR 訓(xùn)練程序得到單個(gè)易失特征參數(shù)值的回歸估計(jì)模型；c、識(shí)別過(guò)程中，對(duì)于單個(gè)細(xì)胞核， 如果有缺失特征參數(shù)，利用訓(xùn)練得到的回歸估計(jì)模型和它的未缺失特征參數(shù)，回歸估 計(jì)該缺失特征參數(shù)；d、利用經(jīng)過(guò)填充的缺失特征參數(shù)，結(jié)合未缺失的特征參數(shù)，組成 新的細(xì)胞核特征向量，利用該特征向量進(jìn)行細(xì)胞核的分類識(shí)別。

特征參數(shù)不完整情況下的細(xì)胞核分類與識(shí)別方法，包括以下步驟：a、在細(xì)胞核訓(xùn) 練樣本集中，通過(guò)統(tǒng)計(jì)區(qū)分哪些特征參數(shù)是易失特征，哪些特征參數(shù)是不易失特征； 其特征在于：還包括

b、訓(xùn)練過(guò)程中，在細(xì)胞核訓(xùn)練樣本集中，利用單個(gè)的易失特征參數(shù)值作為輸出， 不易失特征作為輸入，通過(guò)支持向量回歸SVR訓(xùn)練程序得到單個(gè)易失特征參數(shù)值的回 歸估計(jì)模型；

c、識(shí)別過(guò)程中，對(duì)于單個(gè)細(xì)胞核，如果有缺失特征參數(shù)，利用訓(xùn)練得到的回歸估 計(jì)模型和它的未缺失特征參數(shù)，回歸估計(jì)該缺失特征參數(shù)；