[发明专利]一种肿瘤细胞切片图像的识别方法、介质及电子设备

说明书

本发明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。

技术领域

本发明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。

背景技术

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。

发明内容

鉴于上述问题，本发明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。

为实现上述目的，在第一方面，本发明提供了一种肿瘤细胞切片图像的识别方法，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，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；

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；

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；

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；

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；

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。

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：

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：

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；

将多个排序准则得分进行加和获得排序准则总分；

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。

在一些实施例中，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＝[]；