一种宫颈脱落细胞标本的检测方法

摘要

本发明的一种宫颈脱落细胞标本的检测方法，可以综合视野分类分布统计、整片细胞量估计、阳性细胞分布统计,给出综合辅助判断，判断更加精准，且由于玻片扫描时会扫描出不含细胞的背景区域,先扣除此部分区域,减少了算法计算量；而且对于有效区域,进行阳性细胞检测,由于图像的复杂性,会检出大量的阳性细胞,其中仅有极少部分为真正的阳性细胞，病理诊断中,诊断阳性细胞主要依据是其细胞核形态特征,故再对检测后的细胞进行细胞核分割、特征提取、特征分类,通过多层的筛选,去除假阳性细胞，不仅降低了其计算量而且提高了其整体的判断精准度。

权利要求

1.一种宫颈脱落细胞标本的检测方法，其特征在于，包括以下步骤：步骤A1，对样本玻片扫描得到数字图像，并拆分成多个视野图像；

步骤A2，将所述视野图像送入深度神经分类模型，进行视野分类，得到整片视野分类分布统计数据，所述视野分类包括非背景视野图像和典型非背景视野图像；

其中，对视野分类按照以下标签进行：

背景视野: 视野内无细胞；

少量表层视野: 视野内细胞量低于20个；

表层视野: 视野内主要为表层细胞；

中表层视野: 视野内主要为中层及表层细胞；

中层视野: 视野内主要为中层细胞；

底中表视野: 视野内底层、中层、表层细胞均可见；

腺视野: 视野内以腺细胞为主, 其它细胞极少；

萎缩视野: 视野内以萎缩形态的表层、中层、底层细胞为主出血视野: 视野内呈现血液处理残留形态；

线索视野: 视野内细胞表面呈现线索细菌感染形态；

念珠菌视野: 视野内有念珠菌大量分布；

HSIL+表层视野: 视野内呈现大量散在裸核、高核质比细胞；

炎症视野: 视野内主要为炎症细胞, 底层、中层、表层细胞量极少；

成团视野: 视野内以细胞聚集成团为主；

以上视野分类中, 背景视野以外的均为非背景视野图像；非背景视野中, 少量表层视野、炎症视野、腺视野、成团视野以外的视野均作为典型非背景 视野图像；

步骤A3，将典型非背景视野图像送入深度神经检测模型进行细胞检测，得到平均单个视野的细胞个数，以获取整片细胞量估计数据；

步骤A4，将非背景视野图像送入深度神经检测模型进行阳性细胞检测，定位出阳性细胞区域和类别；

步骤A5，将步骤A4检测出的阳性细胞送入深度神经分割网络，进行细胞核的分割，对于分割出来的细胞核, 分别计算平均灰度、RGB 通道平均值、拟合椭圆长短直径、椭圆拟合偏差、细胞核区域灰度偏差；

步骤A6，对于提取的阳性细胞核特征，送入特征分类器进行细胞核的分类，得到阳性细胞分布统计数据；

步骤A7，结合整片视野分类分布统计数据、整片细胞量估计数据、阳性细胞分布统计数据，以得到整片阴/阳性结论、标本满意度结论、微生物评价。

2.如权利要求1所述的一种宫颈脱落细胞标本的检测方法，其特征在于，所述步骤A1还包括将拆分成多个视野图像进行区分，剔除不含细胞的背景区域。

3.如权利要求2所述的一种宫颈脱落细胞标本的检测方法，其特征在于，所述深度神经分类模型为残差网络模型。

4.如权利要求1所述的一种宫颈脱落细胞标本的检测方法，其特征在于，所述深度神经检测模型为 Faster R‑CNN 网络模型。

5.如权利要求1所述的一种宫颈脱落细胞标本的检测方法其特征在于，所述深度神经分割网络模型为Mask R‑CNN 网络模型。

6.如权利要求1所述的一种宫颈脱落细胞标本的检测方法, 其特征在于，所述步骤A7之前还设有如下步骤：对于所述步骤 A4 检测出的阳性细胞中的"挖空细胞", 送入深度神经分类网络进行二次分类, 并去除假"挖空细胞", 得到"挖空细胞"分布统计数据。

说明书

一种宫颈脱落细胞标本的检测方法

技术领域

[0001] 本发明涉及标本检测技术领域，更具体地，涉及一种宫颈脱落细胞标本的检测方法。

背景技术

[0002] 在妇女疾病里面，宫颈癌是发病率和致死率比较高的一类疾病，每年全世界新增的宫颈癌患者数量达到50万，中国的发病率占到了26%。同时，宫颈癌是人类恶性肿瘤中唯一可知病因的恶性肿瘤。有研究显示，人乳头状瘤病毒(human papilloma virus, HPV)感染是宫颈癌的主要病因，有研究表明，约90%的宫颈癌与HPV感染有关。宫颈癌的发病率在女性生殖系统肿瘤中仅次于乳腺癌，居第二位。然而, 宫颈癌也是一种可以治愈的癌症，只要早发现，早治疗，大多愈后较好。所以宫颈癌准确高效的筛查显得尤为重要。

[0003] 专利CN108364032A，提出了一种基于卷积神经网络的宫颈癌细胞图片识别算法，该方法通过分水岭算法定位细胞核并以细胞核为中心对细胞图片进行分割；然后使用LeNet5卷积神经网络对分割出的图像进行分类得对应细胞的分类结果。该专利仅对人工指定的细胞进行分类处理，无法给出基于整片阳性结论, 无法给出其它诊断建议。

[0004] 专利CN109087283A，提出了一种基于细胞团的宫颈细胞病理切片病变细胞识别方法。该方法以细胞团为处理和识别单位，通过二值化处理得出细胞团前景图像；然后通过深度卷积神经网络的分类模型，对提取的前景进行细胞团分类, 无法给出基于整片阳性结论，无法给出基于整片阳性结论, 无法给出其它诊断建议。

[0005] 专利CN109190567A，提出了一种基于深度卷积神经网络的异常宫颈细胞自动检测方法。该方法主要针对数字图像中的阴性细胞(正常细胞)进行分类，而对阳性仅分为“阳性宫颈细胞”一个单类。该专利不对阳性细胞进行详细分类, 无法给出基于整片阳性结论。

[0006] 专利CN110163102A，提出了一种基于卷积神经网络的宫颈细胞图像分类识别方法。该方法使用图像分割出待检测的细胞核区域；然后通过利用稠密卷积网络对分割的细胞核区域进行分类得出该细胞的类别。该专利使用的网络为分类网络而不具有定位的功能, 无法给出基于整片阳性结论。

[0007] 目前检索到的所有专利及文献中的技术发明, 均仅从一个角度试图解决宫颈癌诊断中的局部问题, 如制片质量评价、阳性细胞的分割、阳性细胞的定位、阳性细胞的分类、阴性细胞的分类，这种单一的局部特定问题的解决没有考虑在实际场景中可能受到的其它因素的干扰(如成团较多会干扰阳性及阳性细胞的分割、细胞量不足时应给出提示该样本不足以诊断等), 所以并不能实际有效的辅助医师进行诊断, 这也是目前计算机辅助诊断在妇科筛查中无法有效使用的根本原因。

[0008] 另一方面，宫颈癌中当HPV病毒与宫颈上皮细胞整合之后，会使得宫颈上皮细胞呈现一种特有的状态，在病理学上称其为“挖空细胞”。“挖空细胞”是由鳞状上皮细胞的“底层细胞”（幼稚细胞或储备细胞）在受到人乳头瘤病毒（HPV）所致的损害后，加速受损细胞的成熟化而形成的表层鳞状细胞，其核较正常细胞核有所增大且核深染的情况，可见双核或多核，核周形成特有的空化区，与核周空晕形状不同，在挖空细胞内常有一个明显的核周透明带，周围有较致密的胞质凝聚。是细胞学诊断低级别病变的重要指标之一。而细胞学诊断低级别鳞状上皮内病变，更多的是从病变的细胞核较正常中层细胞核增大3倍及以上，同时细胞核深染、异型等方面诊断，“挖空细胞”与这些典型的低级别鳞状上皮内病变细胞相比，其细胞核的异常变化没有那么明显，细胞核增大一般为正常中层细胞核2.5倍左右，最显著的特征是在细胞浆内出现空化区的变化上。

[0009] 而在实际工作中，有时会因为制片、染色等不规范操作，会人为造成细胞浆形成“挖空”样变化，无论是有经验的医生还是计算机辅助诊断技术均难以辨认其是否真正属于“挖空细胞”，故而对该类样本的诊断造成困难。

[0010] 按照ASCCP发布的宫颈癌筛查指南中，对低级别鳞状上皮内病变的诊断结果，下一步需要进行阴道镜下取活检，进行组织病理的诊断，该检查属于有创检查，对病人的宫颈会造成一定的损伤和痛苦。如果因为这些人为造成的“不典型挖空细胞”被判定为低级别鳞状上皮内病变，而实际上是宫颈正常的病人被要求做活检，在临床上属于过度治疗；如果将一些由病毒引起的，只是病程处于初始阶段的“不典型挖空细胞”诊断为正常，则可能会延误病人的病情，在临床上属于漏诊。无论是过度治疗或是漏诊都不是宫颈癌筛查工作的理想结果，因此，如何准确的识别“挖空细胞”及“非典型挖空细胞”，是我们主要想解决的问题。

发明内容

[0011] 本发明提供一种多角度、多维度、准确、高效、全面的宫颈脱落细胞标本的检测方法，以解决上现有技术问题。

[0012] 根据本发明的一个方面，提供一种宫颈脱落细胞标本的检测方法，包括以下步骤：

[0013] 步骤A1，对样本玻片扫描得到数字图像，并拆分成多个视野图像；

[0014] 步骤A2，将所述视野图像送入深度神经分类模型，进行视野分类，得到整片视野分类分布统计数据，所述视野分类包括非背景视野图像和典型非背景视野图像；

[0015] 其中，对视野分类按照以下标签进行：

[0016] 背景视野: 视野内无细胞；

[0017] 少量表层视野: 视野内细胞量低于20个；

[0018] 表层视野: 视野内主要为表层细胞；

[0019] 中表层视野: 视野内主要为中层及表层细胞；

[0020] 中层视野: 视野内主要为中层细胞；

[0021] 底中表视野: 视野内底层、中层、表层细胞均可见；

[0022] 腺视野: 视野内以腺细胞为主, 其它细胞极少；

[0023] 萎缩视野: 视野内以萎缩形态的表层、中层、底层细胞为主；

[0024] 出血视野: 视野内呈现血液处理残留形态；

[0025] 线索视野: 视野内细胞表面呈现线索细菌感染形态；

[0026] 念珠菌视野: 视野内有念珠菌大量分布；

[0027] HSIL+表层视野: 视野内呈现大量散在裸核、高核质比细胞；

[0028] 炎症视野: 视野内主要为炎症细胞, 底层、中层、表层细胞量极少；

[0029] 成团视野: 视野内以细胞聚集成团为主；

[0030] 以上视野分类中, 背景视野以外的均为非背景视野图像；非背景视野中, 少量表层视野、炎症视野、腺视野、成团视野以外的视野均作为典型非背景 视野图像；

[0031] 步骤A3，将典型非背景视野图像送入深度神经检测模型进行细胞检测，得到平均单个视野的细胞个数，以获取整片细胞量估计数据；

[0032] 步骤A4，将非背景视野图像送入深度神经检测模型进行阳性细胞检测，定位出阳性细胞区域和类别；

[0033] 步骤A5，将步骤A4检测出的阳性细胞送入深度神经分割网络，进行细胞核的分割，对于分割出来的细胞核, 分别计算平均灰度、RGB 通道平均值、拟合椭圆长短直径、椭圆拟合偏差、细胞核区域灰度偏差；

[0034] 步骤A6，对于提取的阳性细胞核特征，送入特征分类器进行细胞核的分类，得到阳性细胞分布统计数据；

[0035] 步骤A7，结合整片视野分类分布统计数据、整片细胞量估计数据、阳性细胞分布统计数据，以得到整片阴/阳性结论、标本满意度结论、微生物评价。

[0036] 在上述发明基础上优选，所述步骤A1还包括将拆分成多个视野图像进行区分，剔除不含细胞的背景区域。

[0037] 在上述发明基础上优选，所述深度神经分类模型为残差网络模型。

[0038] 在上述发明基础上优选，所述深度神经检测模型为 Faster R‑CNN 网络模型。

[0039] 在上述发明基础上优选，所述深度神经分割网络模型为Mask R‑CNN 网络模型。

[0040] 在上述发明基础上优选，所述步骤A7之前还设有如下步骤：

[0041] 对于所述步骤 A4 检测出的阳性细胞中的"挖空细胞", 送入深度神经分类网络进行二次分类, 并去除假"挖空细胞", 得到"挖空细胞"分布统计数据。

[0042] 本发明的一种宫颈脱落细胞标本的检测方法，可以综合视野分类分布统计、整片细胞量估计、阳性细胞分布统计, 给出综合辅助判断，判断更加精准，且由于玻片扫描时会扫描出不含细胞的背景区域, 先扣除此部分区域, 减少了算法计算量；而且对于有效区域, 进行阳性细胞检测, 由于图像的复杂性, 会检出大量的阳性细胞, 其中仅有极少部分为真正的阳性细胞，病理诊断中, 诊断阳性细胞主要依据是其细胞核形态特征, 故再对检测后的细胞进行细胞核分割、特征提取、特征分类, 通过多层的筛选, 去除假阳性细胞，不仅降低了其计算量而且提高了其整体的判断精准度。

[0043] 本发明的输入数据是单张视野数据, 不需要完整大图, 即不需要等待整个玻片扫描完成, 整个产品可边扫描边分析处理, 算法的执行时间与设备扫描玻片的时间可以很大程度的重合，提高整个产品的处理速度。

附图说明

[0044] 图1为本发明的宫颈脱落细胞标本的检测方法的流程图。

具体实施方式

[0045] 下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

[0046] 请参阅图1所示，本发明的一种宫颈脱落细胞标本的检测方法，包括以下步骤：

[0047] 步骤A1，对样本玻片扫描得到数字图像，并拆分成多个视野图像，其中，在拆分过程中，按照标准图样大小如2048*2048像素进行拆分，以得到相同大小的视野图像，并且拆分完成后，为了降低计算量，可以将不含细胞的背景区域剔除；

[0048] 步骤A2，将所述视野图像送入深度神经分类模型，进行视野分类，得到整片视野分类分布统计数据，视野分类包括非背景视野图像和典型非背景视野图像；

[0049] 其中，本发明中的在一个典型视野图像(20倍物镜一倍C 接口)内, 正常细胞密度条件下, 约有 200 个细胞, 当细胞量低于 10 个时, 即为细胞量极少, 定义为非背景视野图像。

[0050] 值得说明的是进行视野分类可以按照以下标签进行：

[0051] 背景视野: 视野内无细胞；

[0052] 少量表层视野: 视野内细胞量较少(低于20个)；

[0053] 表层视野: 视野内主要为表层细胞；

[0054] 中表层视野: 视野内主要为中层及表层细胞；

[0055] 中层视野: 视野内主要为中层细胞；

[0056] 底中表视野: 视野内底层、中层、表层细胞均可见；

[0057] 腺视野: 视野内以腺细胞为主, 其它细胞极少；

[0058] 萎缩视野: 视野内以萎缩形态的表层、中层、底层细胞为主；

[0059] 出血视野: 视野内呈现血液处理残留形态；

[0060] 线索视野: 视野内细胞表面呈现线索细菌感染形态；

[0061] 念珠菌视野: 视野内有念珠菌大量分布；

[0062] HSIL+表层视野: 视野内呈现大量散在裸核、高核质比细胞；

[0063] 炎症视野: 视野内主要为炎症细胞, 底层、中层、表层细胞量极少；

[0064] 成团视野: 视野内以细胞聚集成团为主；

[0065] 以上视野分类中, 背景视野以外的均为非背景视野；非背景视野中, 少量表层视野、炎症视野、腺视野、成团视野以外的视野均作为典型非背景 视野。

[0066] 步骤A3，将典型非背景视野图像送入深度神经检测模型进行细胞检测，得到平均单个视野的细胞个数，以获取整片细胞量估计数据；

[0067] 步骤A4，将非背景视野图像送入深度神经检测模型进行阳性细胞检测，定位出阳性细胞区域和类别；其中，阳性细胞类别遵照《子宫颈细胞学 Bethesda 报告系统》中定义, 包括:ASCUS: 意义不明确的非典型鳞状细胞；ASCUS‑H: 不排除高级别鳞状上皮内病变的非典型鳞状细胞；LSIL: 低级别鳞状上皮内病变；HSIL: 高级别鳞状上皮内病变；挖空细胞: HPV 病毒感染导致形态改变的细胞；

[0068] 步骤A5，将步骤A4检测出的阳性细胞送入深度神经分割网络，进行细胞核的分割，对于分割出来的细胞核, 分别计算平均灰度、RGB 通道平均值、拟合椭圆长短直径、椭圆拟合偏差、细胞核区域灰度偏差；

[0069] 步骤A6，对于提取的阳性细胞核特征，送入特征分类器进行细胞核的分类，得到阳性细胞分布统计数据；

[0070] 细胞核分类型为: 阴性核、ASCUS核、LSIL 核、HSIL 核、挖空核, 其中非阴性核均定义为阳性核。

[0071] 对某一阳性区域, 只有当区域内至少有一个被特征分类器分类为阳性核时, 保留整个阳性区域, 否则认为此区域为误判, 丢弃此区域。

[0072] 步骤 A7, 对 A4 中检出的挖空细胞, 送入挖空细胞分类模型进行进一步的分类, 分类标签为: 挖空细胞、核周空晕、水纹细胞、气泡光斑。扣除分类结果为"核周空晕、水纹细胞、气泡光斑"的假挖空细胞, 得到高敏感性的挖空细胞分布。

[0073] 步骤A8，结合整片视野分类分布统计数据、整片细胞量估计数据、阳性细胞分布统计数据，以得到整片阴/阳性结论、标本满意度结论、微生物评价，具体评价如下表：

[0074] 表1：

[0075]

[0076] 表2：

[0077]

[0078] 表3

[0079]

[0080] 优选的，在本发明的步骤A1中还包括将拆分成多个视野图像进行区分，剔除不含细胞的背景区域。

[0081] 其中，本发明的深度神经分类模型为残差网络(Residual Network), 在本实例中采用resnet34 模型, 分类类别为: 挖空细胞、核周空晕、水纹细胞、气泡光斑。本发明的深度神经检测模型为 Faster R‑CNN 网络, 在本实例中采用fasterrcnn_resnet50_fpn 模型。且本发明的深度神经分割网络为Mask R‑CNN 网络, 在本实例中使用 maskrcnn_resnet50_fpn模型。

[0082] 本发明的一种宫颈脱落细胞标本的检测方法，可以综合视野分类分布统计、整片细胞量估计、阳性细胞分布统计, 给出综合辅助判断，判断更加精准，且由于玻片扫描时会扫描出不含细胞的背景区域, 先扣除此部分区域, 减少了算法计算量；而且对于有效区域, 进行阳性细胞检测, 由于图像的复杂性, 会检出大量的阳性细胞, 其中仅有极少部分为真正的阳性细胞，病理诊断中, 诊断阳性细胞主要依据是其细胞核形态特征, 故再对检测后的细胞进行细胞核分割、特征提取、特征分类, 通过多层的筛选, 去除假阳性细胞，不仅降低了其计算量而且提高了其整体的判断精准度。

[0083] 本发明的输入数据是单张视野数据, 不需要完整大图, 即不需要等待整个玻片扫描完成, 整个产品可边扫描边分析处理, 算法的执行时间与设备扫描玻片的时间可以很大程度的重合，提高整个产品的处理速度。

[0084] 最后，本申请的方法仅为较佳的实施发明，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。