异常细胞的诊断方法、装置、设备及存储介质与流程

1.本技术涉及人工智能及医疗诊断技术领域，尤其涉及一种异常细胞的诊断方法、装置、设备及存储介质。


背景技术：

2.随着深度学习技术的快速发展，人工智能在医疗领域的应用越来越广泛。在医学图像领域，深度学习模型的研究和应用也正处于高速发展阶段。其中，利用深度学习模型对细胞病理图像进行辅助筛查、辅助诊断，可以大幅度降低医生重复性劳动的成本和时间，也可以明显提升各种疾病例如癌症的筛查的敏感性和准确性。
3.目前，国内外机构都在积极探索和应用深度学习模型在癌症上的筛查和诊断中的应用。现有业内细胞学深度学习模型对散在细胞病变的敏感性较高，但对于其他非散在细胞的敏感性则不高。导致对细胞病理图像的识别和判断能力有待提高。


技术实现要素：

4.本技术的主要目的在于提供一种异常细胞的诊断方法、装置、设备及存储介质，可以解决现有技术中利用现有深度学习模型主要针对散在细胞进行识别判读，但对于非散在细胞的识别敏感性低的技术问题。
5.为实现上述目的，本技术第一方面提供一种异常细胞的诊断方法，该方法包括：
6.对待分析细胞病理切片进行数字扫描，得到多张数字病理切片图像；
7.对数字病理切片图像中的细胞团进行识别，得到包含待分析细胞团的第一待分析数字病理切片图像；
8.将第一待分析数字病理切片图像输入至第一细胞分析模型中，利用第一细胞分析模型对待分析细胞团进行分析，获取每个待分析细胞团为异常病变细胞的第一概率；
9.根据第一概率，筛选出第一预设数量的待分析细胞团作为疑似病变细胞团；
10.向用户展示疑似病变细胞团对应的第一待分析数字病理切片图像。
11.为实现上述目的，本技术第二方面提供一种异常细胞的诊断装置，该装置包括：
12.第一扫描模块，用于对待分析细胞病理切片进行数字扫描，得到多张数字病理切片图像；
13.第一目标确定模块，用于对数字病理切片图像中的细胞团进行识别，得到包含待分析细胞团的第一待分析数字病理切片图像；
14.第一细胞分析模块，用于将第一待分析数字病理切片图像输入至第一细胞分析模型中，利用第一细胞分析模型对待分析细胞团进行分析，获取每个待分析细胞团为异常病变细胞团的第一概率；
15.疑似细胞团确定模块，用于根据第一概率，筛选出第一预设数量的待分析细胞团作为疑似病变细胞团；
16.第一展示模块，用于向用户展示疑似病变细胞团对应的第一待分析数字病理切片
图像。
17.为实现上述目的，本技术第三方面提供一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行以下步骤：
18.对待分析细胞病理切片进行数字扫描，得到多张数字病理切片图像；
19.对数字病理切片图像中的细胞团进行识别，得到包含待分析细胞团的第一待分析数字病理切片图像；
20.将第一待分析数字病理切片图像输入至第一细胞分析模型中，利用第一细胞分析模型对待分析细胞团进行分析，获取每个待分析细胞团为异常病变细胞团的第一概率；
21.根据第一概率，筛选出第一预设数量的待分析细胞团作为疑似病变细胞团；向用户展示疑似病变细胞团对应的第一待分析数字病理切片图像。
22.为实现上述目的，本技术第四方面提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行以下步骤：
23.对待分析细胞病理切片进行数字扫描，得到多张数字病理切片图像；
24.对数字病理切片图像中的细胞团进行识别，得到包含待分析细胞团的第一待分析数字病理切片图像；
25.将第一待分析数字病理切片图像输入至第一细胞分析模型中，利用第一细胞分析模型对待分析细胞团进行分析，获取每个待分析细胞团为异常病变细胞团的第一概率；
26.根据第一概率，筛选出第一预设数量的待分析细胞团作为疑似病变细胞团；
27.向用户展示疑似病变细胞团对应的第一待分析数字病理切片图像。
28.采用本技术实施例，具有如下有益效果：
29.本技术提供一种通过神经网络对细胞团进行异常病变细胞判别，弥补了现有技术对细胞团诊断的空缺或不足，进一步提高了病变细胞诊断的准确性，降低漏诊率和误诊率，使得病变细胞诊断结果更准确，更具有说服力。尤其在宫颈癌诊断领域，降低了宫颈异常细胞团漏诊率，提升了对于腺上皮病变细胞团和异常鳞状上皮细胞团的准确筛查率，提升了辅助诊断效果。
附图说明
30.为了更清楚地说明本技术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技术的一些实施例，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。
31.其中：
32.图1为本技术实施例中异常细胞的诊断方法的流程图；
33.图2为本技术实施例中散在细胞和细胞团的对比效果图；
34.图3为本技术实施例中不同细胞团的对比效果图；
35.图4为本技术实施例中通过多层数字扫描得到的不同数字病理切片图像的对比效果图；
36.图5为本技术实施例中异常细胞的诊断装置的结构框图；
37.图6为本技术实施例中计算机设备的结构框图。
具体实施方式
38.下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
39.如图1所示，在一个实施例中，提供了一种异常细胞的诊断方法。该方法既可以应用于终端，也可以应用于服务器。该异常细胞的诊断方法具体包括如下步骤：
40.s100：对待分析细胞病理切片进行数字扫描，得到多张数字病理切片图像。
41.具体地，利用病理扫描仪对待分析细胞病理切片进行逐区域扫描，得到的每张数字病理切片图像为区域图像。
42.待分析细胞病理切片可以为任意一种细胞病理样本，如甲状腺细胞、尿液细胞、体腔积液细胞、宫颈细胞等。
43.s200：对数字病理切片图像中的细胞团进行识别，得到包含待分析细胞团的第一待分析数字病理切片图像。
44.具体地，得到的数字病理切片图像有多张，可能有的数字病理切片图像中不存在细胞团，有的数字病理切片图像中的细胞团不满足像素要求等等不利因素。因此，需要挑选出有细胞团的数字病理切片图像，且，获取尽可能满足像素要求的数字病理切片图像作为第一待分析数字病理切片图像。这样可以减少无用功，加快异常细胞团的识别效率。
45.图2为本技术实施例中散在细胞和细胞团的对比效果图，参考图2，以4个细胞组成一团的为一个细胞团，单个细胞为散在细胞。当然，细胞团还可以定义为由2个及2个以上的细胞组成的一团即为细胞团，本技术对此不做限制。
46.s300：将第一待分析数字病理切片图像输入至第一细胞分析模型中，利用第一细胞分析模型对待分析细胞团进行分析，获取每个待分析细胞团为异常病变细胞团的第一概率。
47.具体地，第一细胞分析模型是已训练过的细胞分析模型，用于对正常细胞团和异常细胞团进行识别，输出每个待分析细胞团为正常细胞的概率以及为异常病变细胞的概率。
48.如果为正常细胞的概率大于为异常病变细胞的概率，则该待分析细胞团为正常细胞的可能性更大；如果为异常病变细胞的概率大于为正常细胞的概率，则该待分析细胞团为异常病变细胞的可能性更大。
49.s400：根据第一概率，筛选出第一预设数量的待分析细胞团作为疑似病变细胞团。
50.具体地，筛选出的疑似病变细胞团的第一概率要尽可能高，且，筛选出的疑似病变细胞团为异常病变细胞的概率大于为正常细胞的概率。
51.s500：向用户展示疑似病变细胞团对应的第一待分析数字病理切片图像。
52.具体地，向用户展示疑似病变细胞团对应的第一待分析数字病理切片图像，便于用户审核分析。
53.例如，优选出前20个疑似病变细胞团呈现在计算机屏幕端，供医生进行审核和分析。
54.图3为本技术实施例中不同细胞团的对比效果图，参考图3，左上角圆圈内的细胞
团1为正常宫颈管腺上皮细胞；右上角圆圈内的细胞团3为可疑异常的细胞团；左下角圆圈内的细胞团4为agc(非典型腺上皮细胞)，为病变细胞团；右下角圆圈内的细胞团6为hsil(高级别病变鳞状上皮细胞)。
55.本实施例的异常细胞的诊断方法可应用于各种不同疾病的辅助诊断。例如宫颈癌等。宫颈癌是妇女常见的恶性肿瘤之一，早期发现和治疗可以大幅度提高治愈率。传统的宫颈癌筛查方法是通过宫颈刮片，对刮取的细胞进行显微镜下观察和诊断。这种方法需要经验丰富的医生进行判断，存在主观性和误诊率高的问题。而利用深度学习模型进行宫颈癌筛查，则可以减少人为干扰和主观性，提高筛查准确性。鳞状上皮细胞异常病变时，以散在细胞为主、细胞团为辅。而腺上皮细胞异常病变时，以细胞团为主，散在细胞少见。现阶段深度学习模型对腺上皮细胞病变的敏感性低，漏诊率高。通过本实施例可以提供对宫颈病变细胞的敏感性和筛查效果。
56.本实施例通过神经网络对细胞团进行异常病变细胞判别，弥补了现有技术对细胞团诊断的空缺或不足，进一步提高了病变细胞诊断的准确性，降低漏诊率和误诊率，使得病变细胞诊断结果更准确，更具有说服力。尤其在宫颈癌诊断领域，降低了宫颈异常细胞团漏诊率，提升了对于腺上皮病变细胞团和异常鳞状上皮细胞团的准确筛查率，提升了辅助诊断效果。
57.本实施例利用深度学习模型对细胞病理图像进行辅助筛查、辅助诊断，可以大幅度降低医生重复性劳动的成本和时间，明显提升癌症筛查的敏感性和准确性。
58.在一个实施例中，第一细胞分析模型通过以下步骤训练得到：
59.对已知细胞病理切片进行多层数字扫描得到多个细胞团图像集合，其中，每个细胞团图像集合包括在相同x轴坐标和y轴坐标、不同z轴坐标下的多张细胞团图像，且，不同细胞团图像集合对应不同的x轴坐标和/或y轴坐标；
60.根据细胞团图像构建第一数据集，其中，细胞团图像的标签包括异常病变细胞团或正常细胞团；
61.利用第一数据集对第一预训练细胞分析模型进行训练，得到第一细胞分析模型。
62.具体地，以宫颈细胞为例，在宫颈细胞中，对于腺上皮细胞团的标注结果的一致性较低，从而造成训练腺上皮细胞团的训练数据集规模小，导致深度学习模型产生系统性偏倚，对散在鳞状细胞异常病变越来越敏感，而对成团的腺上皮细胞异常病变敏感性一直较低；细胞团往往是自然三维多层结构，或者制片过程中细胞聚集成三维多层结构。目前数字病理扫描后的，多为单层或寡层扫描文件。
63.宫颈细胞往往以散在或成团的细胞形式存在于病理切片上。本实施例主要集中于现阶段深度学习模型对病变细胞团漏诊率高的技术问题进行优化。因此，需要收集大量的包含细胞团的图像样本。液基细胞病理涂片在扫描仪上和电脑显示屏上呈现的往往是二维xy轴上的二维图像。而真实世界里都是在z轴上单一平面聚焦后，扫描仪镜头进行的单层图像扫描。如果在z轴上进行连续n层的扫描，细胞团由于体积大，可以在连续多层上呈现出来，细胞团不同的区域可能图像清晰度有所变化(更清晰或更模糊)。部分细胞可能由于聚焦面的问题，变得更大或更小。从而可以得到更多的细胞团细节方面的图像。类似于相机变焦后，可以看到足球场上人群不同位置球员的细节和轮廓)，具体参见图4。在相同x轴和y轴下、改变z轴，可以得到多张不同的细胞团图像。
64.同一xy轴上，不同z轴上所采集到的细胞团图像都被归类为同一类。从而达到在任意z轴上标注一次，得到n次不同层面的细胞团图像。将标注数据量扩大n倍。起到有效地扩充样本的目的。
65.依据上述方法，改变x轴坐标和/或y轴坐标后，保持x轴和y轴不变，再次改变z轴，可以得到此轮的多个细胞团图像并组成此轮的细胞团图像集合。
66.本实施例的第一细胞分析模型用于区分正常细胞团和异常细胞团，因此，细胞团图像的标签包括异常病变细胞团或正常细胞团。
67.在一个具体实施例中，细胞团图像中可能除了细胞团之外还有其他散在细胞或其他组织，还可能包含多个细胞团，因此，需要对该细胞团图像中的细胞团进行框选，并计算细胞团选框的坐标，同时，还需要标注每个框选的细胞团为异常病变细胞团或正常细胞团。
68.在训练的时候第一预训练细胞分析模型需要学习框选的细胞团的特征，以及预测框选的细胞团为异常病变细胞团还是正常细胞团，并根据预测结果和真实的标签计算损失函数，根据损失函数更新模型参数，再次从第一数据集中选取第一样本输入至第一预训练细胞分析模型中，直至模型收敛。其中，模型收敛的条件为达到预设迭代次数，或者，损失函数值小于损失阈值。
69.模型训练完成时的模型参数为已训练的第一细胞分析模型的模型参数。
70.当然，随着数据积累，还可以对第一细胞分析模型进行进一步迭代更新，以增强第一细胞分析模型的性能。
71.深度学习模型在医疗图像领域的应用存在一些问题和挑战。例如，数据集的数量和质量对模型的训练和效果具有重要影响，但医疗图像数据的获取和标注难度较大，数据集的规模和多样性也有限。传统随机单层的细胞团标注，往往标注数量有限，而且限于随机单层图像清晰度问题，往往标注质量也不佳。因此，对于异常细胞团的检出率成为了现阶段制约人工智能宫颈细胞病理辅助筛查系统大范围应用的瓶颈之一。
72.本实施例基于扫描成像原理，在z轴上进行连续n层的扫描，可以获取大量细胞团图像，可大幅度提升细胞团的标注数量和质量，实现了医疗领域数据集的扩充，进一步提高了神经网络模型的性能。
73.另外，本实施例在现有散在细胞识别判读的基础上，补充新增了利用神经网络模型对细胞团的识别、分析方法，提升了异常细胞团的检出敏感性。可大幅度提升宫颈腺上皮细胞的异常检测率，避免宫颈癌筛查中对第二类常见肿瘤宫颈腺癌的漏诊情况。对部分成团的鳞状上皮细胞病变的检出率也有提升。
74.在一个实施例中，该方法还包括：
75.对数字病理切片图像中的散在细胞进行识别，得到包含待分析散在细胞的第二待分析数字病理切片图像；
76.将第二待分析数字病理切片图像输入至第二细胞分析模型中，利用第二细胞分析模型对待分析散在细胞进行分析，获取每个待分析散在细胞为异常病变细胞的第二概率；
77.根据第二概率，筛选出第二预设数量的待分析散在细胞作为疑似病变散在细胞；
78.向用户展示疑似病变散在细胞对应的第二待分析数字病理切片图像。
79.具体地，得到的数字病理切片图像有多张，可能有的数字病理切片图像中不存在散在细胞，有的数字病理切片图像中的散在细胞不满足像素要求等等不利因素。因此，需要
挑选出有散在细胞的数字病理切片图像，且，获取尽可能满足像素要求的数字病理切片图像作为第二待分析数字病理切片图像。这样可以减少无用功，加快异常散在细胞的识别效率。
80.图2为本技术实施例中散在细胞和细胞团的对比效果图，参考图2，以4个细胞组成一团的为一个细胞团，单个细胞为散在细胞。当然，还可以定义为由2个细胞组成也为散在细胞，本技术对此不做限制。
81.第二细胞分析模型是已训练过的细胞分析模型，用于对正常散在细胞和异常病变散在细胞进行识别，输出每个待分析细胞团为正常散在细胞的概率以及为异常病变散在细胞的概率。
82.如果为正常散在细胞的概率大于为异常病变散在细胞的概率，则该待分析散在细胞为正常散在细胞的可能性更大；如果为异常病变散在细胞的概率大于为正常散在细胞的概率，则该待分析散在细胞为异常病变散在细胞的可能性更大。
83.筛选出的疑似病变散在细胞的第二概率要尽可能高，且，筛选出的疑似病变散在细胞为异常病变散在细胞的概率大于为正常散在细胞的概率。
84.向用户展示疑似病变散在细胞对应的第二待分析数字病理切片图像，便于用户审核分析。
85.例如，优选出前50个最高第二概率的疑似病变散在细胞呈现在计算机屏幕端，供医生进行审核和分析。
86.在一个具体实施例中，第一细胞分析模型和第二细胞分析模型是同一个细胞分析模型。标签包括异常病变细胞、正常细胞。训练样本包括含有细胞团的图像，也包括含有散在细胞的图像。异常病变的细胞团或散在细胞均标注为异常病变细胞，正常的细胞团或散在细胞均标注为正常细胞。
87.本实施例在对细胞团进行异常病变细胞判别的同时，还对散在细胞进行异常病变细胞判别，根据对细胞团和散在细胞的判别结果综合评估是否存在发生宫颈病变的风险，进一步提高了宫颈病变诊断的准确性，降低漏诊率。
88.在一个实施例中，步骤s400具体包括：
89.筛选出第一概率超过概率阈值的待分析细胞团作为疑似病变细胞团；
90.或者，
91.对第一概率进行降序排序，将降序排序中排名低于第一阈值的第一概率所对应的待分析细胞团作为疑似病变细胞团；
92.或者，
93.对第一概率进行升序排序，将升序排序中排名高于第二阈值的第一概率所对应的待分析细胞团作为疑似病变细胞团。
94.具体地，概率阈值根据实际情况配置，本技术对此不作限制。概率阈值的设定决定了筛选出的疑似病变细胞团的第一预设数量。
95.或者，对所有第一概率进行降序排序或升序排序，根据排序结果选出第一预设数量的最大第一概率，将这些筛选出的最大第一概率对应的待分析细胞团作为疑似病变细胞团。
96.其中，上述第一阈值和第二阈值决定了第一预设数量的大小，具体取值根据实际
情况配置，本技术对此不做限制。
97.本实施例根据为病变异常细胞团的第一概率，通过排序的方式或者阈值比较的方式筛选出最可能的疑似变病细胞团，便于医生根据疑似病变细胞团准确判断是否存在发生宫颈病变的风险。
98.在一个实施例中，步骤s200包括：
99.对数字病理切片图像中的细胞团进行识别；
100.对识别到的细胞团进行清晰度分析，得到每个细胞团的清晰度；
101.根据清晰度判断细胞团是否满足第一预设清晰度要求；
102.若不满足第一预设清晰度要求，则重新执行数字扫描，直至满足第一预设清晰度要求；
103.在满足第一预设清晰度要求后，将满足第二预设清晰度要求的细胞团对应的数字病理切片图像作为第一待分析数字病理切片图像。
104.具体地，对待分析细胞病理切片进行数字扫描后，对于细胞团进行识别、分割，分割是为了将图像中的细胞团或散在细胞与背景分割，便于对细胞团和散在细胞进行识别和区分。
105.例如可以是对直径大于30微米的细胞团(单个细胞平均直径10-30微米)进行筛查。如图2中，以4个细胞的细胞团为例。例如全片中筛选出细胞团1000个，散在细胞9000个。对筛选出的细胞团进行清晰度分析，得到每个细胞团的清晰度。清晰度可以是对细胞团的边缘灰度进行分析得到。例如，边缘越模糊则像素灰度值是渐变的，则清晰度越低。相反，边缘越清晰，像素灰度值是骤变的，清晰度越高。当然也可以展示包含细胞团的图像由人为确定清晰度。
106.第一预设清晰度要求具体为第三预设数量或预设比例的细胞团的清晰度超过清晰度阈值，或者，第三预设数量或预设比例的细胞团被判定为满足清晰度要求。满足清晰度要求具体为细胞团清晰度可以达到人肉眼可用于判读细胞结构细节的程度。
107.在一个具体实施例中，对清晰度排序，选出第三预设数量的最大清晰度的细胞团，如果这些最大清晰度的细胞团有部分或全部细胞团不满足清晰度要求，则重新扫描。
108.例如，选出前30％的细胞团进行清晰度判断，如果这30％的细胞团达不到人肉眼可用于判读细胞结构细节的程度，则重新扫描。
109.如果细胞团满足第一预设清晰度要求，则从中挑选出满足第二预设清晰度要求的细胞团，将挑选出的细胞团对应的数字病理切片图像作为第一待分析数字病理切片图像。
110.第二预设清晰度要求可以是第四预设数量或预设比例的、清晰度最高的细胞团。
111.例如，选出清晰度前30％或前10％的细胞团作为待分析细胞团。
112.图3为本技术实施例中不同细胞团的对比效果图，图3以宫颈细胞为例，左上角圆圈内的细胞团1为正常宫颈管腺上皮细胞，其清晰度为80％；右上角圆圈内的细胞团3为可疑异常的细胞团，清晰度为50％；左下角圆圈内的细胞团4为agc(非典型腺上皮细胞)，为病变细胞团，清晰度为90％；右下角圆圈内的细胞团6为hsil(高级别病变鳞状上皮细胞)，清晰度为60％。左下角圆圈内的细胞团5的清晰度为20％，判定为无法看清，不满足清晰度要求；右上角圆圈内的细胞团2的清晰度为20％，判定为无法看清，不满足清晰度要求。
113.本实施例通过清晰度确定拍摄的数字病理切片图像是否满足清晰度要求，在不满
足的情况下，重新扫描拍摄，直到拍摄到高质量清晰的数字病理切片图像，减少了噪音干扰，使得宫颈病变细胞诊断结果更准确，更具有说服力，降低漏诊、误诊概率。
114.在一个实施例中，根据清晰度判断细胞团是否满足第一预设清晰度要求，包括：
115.统计出清晰度满足第一预设清晰度要求的细胞团的数量；
116.若统计数量不超过数量阈值，或者，统计数量与细胞团总数量的比值不超过比值阈值，则判定细胞团不满足第一预设清晰度要求。
117.具体地，细胞团总数量为识别到的细胞团的数量之和。清晰度满足第一预设清晰度要求具体为细胞团的清晰度超过清晰度阈值。
118.对清晰度超过清晰度阈值的细胞团进行统计，得到统计数量。如果统计数量不超过数量阈值，或者，统计数量与细胞团总数量的比值不超过比值阈值，则判定此轮扫描得到的细胞团不满足第一预设清晰度要求，需要重新扫描。
119.如果统计数量超过数量阈值，或者，统计数量与细胞团总数量的比值超过比值阈值，则判定此轮扫描得到的细胞团满足第一预设清晰度要求，无需重新扫描。
120.本实施例通过对超过清晰度阈值的细胞团进行统计，根据统计数量或在总数量中的占比来准确判断细胞团的清晰度是否满足第一预设清晰度要求，进而确定是否需要重新扫描。本实施例在扫描失败造成不清晰细胞团比例过高时进行重新扫描，保证获取高质量清晰的数字病理切片图像，减少了噪音干扰，使得宫颈病变细胞诊断结果更准确，更具有说服力，降低漏诊、误诊概率。
121.在一个实施例中，对数字病理切片图像中的细胞团进行识别，包括：
122.对已知细胞病理切片进行多层数字扫描得到多个细胞团图像集合，其中，每个细胞团图像集合包括在相同x轴坐标和y轴坐标、不同z轴坐标下的多张细胞团图像，且，不同细胞团图像集合对应不同的x轴坐标和/或y轴坐标；
123.对已知细胞病理切片进行数字扫描得到多个散在细胞图像；
124.根据得到的细胞团图像和散在细胞图像，构建第二数据集，其中，第二数据集的标签包括细胞团或散在细胞；
125.利用第二数据集对预训练的细胞类型分析模型进行训练，得到已训练的细胞类型分析模型；
126.利用已训练的细胞类型分析模型对待分析细胞病理切片的数字病理切片图像中的散在细胞和细胞团进行识别。
127.具体地，宫颈细胞往往以散在或成团的细胞形式存在于病理切片上。本实施例主要集中于现阶段深度学习模型对病变细胞团漏诊率高的技术问题进行优化。因此，需要收集大量的包含细胞团的图像样本。液基细胞病理涂片在扫描仪上和电脑显示屏上呈现的往往是二维xy轴上的二维图像。而真实世界里都是在z轴上单一平面聚焦后，扫描仪镜头进行的单层图像扫描。如果在z轴上进行连续n层的扫描，细胞团由于体积大，可以在连续多层上呈现出来，细胞团不同的区域可能图像清晰度有所变化(更清晰或更模糊)。部分细胞可能由于聚焦面的问题，变得更大或更小。从而可以得到更多的细胞团细节方面的图像。类似于相机变焦后，可以看到足球场上人群不同位置球员的细节和轮廓)，具体参见图4。在相同x轴和y轴下、改变z轴，可以得到多张不同的细胞团图像。
128.同一xy轴上，不同z轴上所采集到的细胞团图像都被归类为同一类。从而达到在任
意z轴上标注一次，得到n次不同层面的细胞团图像。将标注数据量扩大n倍。起到有效地扩充样本的目的。
129.依据上述方法，改变x轴坐标和/或y轴坐标后，保持x轴和y轴不变，再次改变z轴，可以得到此轮的多个细胞团图像并组成此轮的细胞团图像集合。
130.本实施例的细胞类型分析模型用于区分细胞团和散在细胞，因此，细胞团图像的标签包括细胞团，散在细胞图像的标签包括散在细胞。
131.本实施例建立单层标注细胞病变，多层xy层扩充细胞训练集的方法。少样本标注，达到大样本标注效果的标注方法。在z轴上，清晰度最佳层，可结合多层信息，最终提升标注的准确性与一致性。
132.在一个具体实施例中，在细胞团图像或散在细胞图像中可能除了细胞团之外或散在细胞之外，还有其他组织，还可能包含多个细胞团或多个散在细胞，因此，需要对图像中的细胞团以及散在细胞进行框选，并计算细胞团选框的坐标和散在细胞选框的坐标，同时，还需要标注每个框选的细胞团的标签为细胞团，每个框选的散在细胞的标签为散在细胞。
133.在训练的时候预训练的细胞类型分析模型需要学习框选的细胞团或散在细胞的特征，以及预测框选的细胞团或散在细胞的类型为细胞团还是散在细胞，并根据预测结果和真实的标签计算损失函数，根据损失函数更新模型参数，再次从第二数据集中选取第二样本输入至预训练的细胞类型分析模型中，直至模型收敛。其中，模型收敛的条件为达到预设迭代次数，或者，损失函数值小于损失阈值。
134.模型训练完成时的模型参数为已训练的细胞类型分析模型的模型参数。
135.当然，随着数据积累，还可以对已训练的细胞类型分析模型进行进一步迭代更新，以增强已训练的细胞类型分析模型的性能。
136.利用已训练的细胞类型分析模型对待分析细胞病理切片的数字病理切片图像中的散在细胞和细胞团进行识别，得到包含待分析细胞团的第一待分析数字病理切片图像和包含待分析散在细胞的第二待分析数字病理切片图像。
137.本实施例通过神经网络模型实现了对细胞团和散在细胞进行精准区分。以便于准确快速筛选出包含待分析细胞团的第一待分析数字病理切片图像，提高筛选效率。
138.本技术建立了一种针对细胞团的训练、模型建立、识别和分析的方案。在现有散在细胞识别判读方法的基础上，补充新增了对细胞团的识别、分析方法，从而提升异常细胞团的检出敏感性。
139.尤其应用在宫颈癌筛查诊断领域，在现有传统的宫颈细胞病理深度学习模型基础上，补充和新增细胞团深度学习模型的联合分析策略，从而改善现阶段宫颈细胞病理深度学习模型对于腺上皮病变漏诊的情况。可大幅度提高宫颈腺上皮细胞的异常检测率，避免宫颈癌筛查中对第二类常见肿瘤——宫颈腺癌的漏诊情况。对部分成团的鳞状上皮细胞病变的检出率也有提升。传统随机单层的细胞团标注，往往标注数量有限，而且限于随机单层图像清晰度问题，往往标注质量也不佳。本案方案可大幅度提升细胞团的标注数量和质量。提升标注的一致性和准确性。利用较少的标注细胞团，提升扩大细胞团的标注训练集数量。
140.参考图5，本技术还提供了一种异常细胞的诊断装置，该装置包括：
141.第一扫描模块100，用于对待分析细胞病理切片进行数字扫描，得到多张数字病理切片图像；
142.第一目标确定模块200，用于对数字病理切片图像中的细胞团进行识别，得到包含待分析细胞团的第一待分析数字病理切片图像；
143.第一细胞分析模块300，用于将第一待分析数字病理切片图像输入至第一细胞分析模型中，利用第一细胞分析模型对待分析细胞团进行分析，获取每个待分析细胞团为异常病变细胞团的第一概率；
144.疑似细胞团确定模块400，用于根据第一概率，筛选出第一预设数量的待分析细胞团作为疑似病变细胞团；
145.第一展示模块500，用于向用户展示疑似病变细胞团对应的第一待分析数字病理切片图像。
146.在一个实施例中，该装置还包括：
147.第二扫描模块，用于对已知细胞病理切片进行多层数字扫描得到多个细胞团图像集合，其中，每个细胞团图像集合包括在相同x轴坐标和y轴坐标、不同z轴坐标下的多张细胞团图像，且，不同细胞团图像集合对应不同的x轴坐标和/或y轴坐标；
148.第一数据集构建模块，用于根据细胞团图像构建第一数据集，其中，细胞团图像的标签包括异常病变细胞团或正常细胞团；
149.第一训练模块，用于利用第一数据集对第一预训练细胞分析模型进行训练，得到第一细胞分析模型。
150.在一个实施例中，该装置还包括：
151.第二目标确定模块，用于对数字病理切片图像中的散在细胞进行识别，得到包含待分析散在细胞的第二待分析数字病理切片图像；
152.第二细胞分析模块，用于将第二待分析数字病理切片图像输入至第二细胞分析模型中，利用第二细胞分析模型对待分析散在细胞进行分析，获取每个待分析散在细胞为异常病变细胞的第二概率；
153.疑似散在细胞确定模块，用于根据第二概率，筛选出第二预设数量的待分析散在细胞作为疑似病变散在细胞；
154.第二展示模块，用于向用户展示疑似病变散在细胞对应的第二待分析数字病理切片图像。
155.在一个实施例中，疑似细胞团确定模块具体包括：
156.第一筛选模块，用于筛选出第一概率超过概率阈值的待分析细胞团作为疑似病变细胞团；
157.或者，
158.第二筛选模块，用于对第一概率进行降序排序，将降序排序中排名低于第一阈值的第一概率所对应的待分析细胞团作为疑似病变细胞团；
159.或者，
160.第三筛选模块，用于对第一概率进行升序排序，将升序排序中排名高于第二阈值的第一概率所对应的待分析细胞团作为疑似病变细胞团。
161.在一个实施例中，第一目标确定模块200具体包括：
162.细胞区分模块，用于对数字病理切片图像中的细胞团进行识别；
163.清晰度获取模块，用于对识别到的细胞团进行清晰度分析，得到每个细胞团的清
晰度；
164.清晰度检验模块，用于根据清晰度判断细胞团是否满足第一预设清晰度要求；
165.重新扫描模块，用于若不满足第一预设清晰度要求，则重新执行数字扫描，直至满足第一预设清晰度要求；
166.第四筛选模块，用于在满足第一预设清晰度要求后，将满足第二预设清晰度要求的细胞团对应的数字病理切片图像作为第一待分析数字病理切片图像。
167.在一个实施例中，清晰度检验模块具体包括：
168.统计模块，用于统计出清晰度满足第一预设清晰度要求的细胞团的数量；
169.判断模块，用于若统计数量不超过数量阈值，或者，统计数量与细胞团总数量的比值不超过比值阈值，则判定细胞团不满足第一预设清晰度要求。
170.在一个实施例中，细胞区分模块具体包括：
171.第三扫描模块，用于对已知细胞病理切片进行多层数字扫描得到多个细胞团图像集合，其中，每个细胞团图像集合包括在相同x轴坐标和y轴坐标、不同z轴坐标下的多张细胞团图像，且，不同细胞团图像集合对应不同的x轴坐标和/或y轴坐标；
172.第四扫描模块，用于对已知细胞病理切片进行数字扫描得到多个散在细胞图像；
173.第二数据集构建模块，用于根据得到的细胞团图像和散在细胞图像，构建第二数据集，其中，第二数据集的标签包括细胞团或散在细胞；
174.第二训练模块，用于利用第二数据集对预训练的细胞类型分析模型进行训练，得到已训练的细胞类型分析模型；
175.子细胞区分模块，用于利用已训练的细胞类型分析模型对待分析细胞病理切片的数字病理切片图像中的散在细胞和细胞团进行识别。
176.图6示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端，也可以是服务器。如图6所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现上述方法实施例中的各个步骤。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行上述方法实施例中的各个步骤。本领域技术人员可以理解，图6中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
177.在一个实施例中，提出了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行以下步骤：
178.对待分析细胞病理切片进行数字扫描，得到多张数字病理切片图像；
179.对数字病理切片图像中的细胞团进行识别，得到包含待分析细胞团的第一待分析数字病理切片图像；
180.将第一待分析数字病理切片图像输入至第一细胞分析模型中，利用第一细胞分析模型对待分析细胞团进行分析，获取每个待分析细胞团为异常病变细胞团的第一概率；
181.根据第一概率，筛选出第一预设数量的待分析细胞团作为疑似病变细胞团；
182.向用户展示疑似病变细胞团对应的第一待分析数字病理切片图像。
183.在一个实施例中，提出了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行以下步骤：
184.对待分析细胞病理切片进行数字扫描，得到多张数字病理切片图像；
185.对数字病理切片图像中的细胞团进行识别，得到包含待分析细胞团的第一待分析数字病理切片图像；
186.将第一待分析数字病理切片图像输入至第一细胞分析模型中，利用第一细胞分析模型对待分析细胞团进行分析，获取每个待分析细胞团为异常病变细胞团的第一概率；
187.根据第一概率，筛选出第一预设数量的待分析细胞团作为疑似病变细胞团；
188.向用户展示疑似病变细胞团对应的第一待分析数字病理切片图像。
189.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
190.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
191.以上实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。

技术特征：
1.一种异常细胞的诊断方法，其特征在于，所述方法包括：对待分析细胞病理切片进行数字扫描，得到多张数字病理切片图像；对所述数字病理切片图像中的细胞团进行识别，得到包含待分析细胞团的第一待分析数字病理切片图像；将所述第一待分析数字病理切片图像输入至第一细胞分析模型中，利用所述第一细胞分析模型对所述待分析细胞团进行分析，获取每个所述待分析细胞团为异常病变细胞团的第一概率；根据所述第一概率，筛选出第一预设数量的待分析细胞团作为疑似病变细胞团；向用户展示所述疑似病变细胞团对应的第一待分析数字病理切片图像。2.根据权利要求1所述的方法，其特征在于，所述第一细胞分析模型通过以下步骤训练得到：对已知细胞病理切片进行多层数字扫描得到多个细胞团图像集合，其中，每个所述细胞团图像集合包括在相同x轴坐标和y轴坐标、不同z轴坐标下的多张细胞团图像，且，不同细胞团图像集合对应不同的x轴坐标和/或y轴坐标；根据所述细胞团图像构建第一数据集，其中，所述细胞团图像的标签包括异常病变细胞团或正常细胞团；利用所述第一数据集对第一预训练细胞分析模型进行训练，得到所述第一细胞分析模型。3.根据权利要求1所述的方法，其特征在于，所述方法还包括：对所述数字病理切片图像中的散在细胞进行识别，得到包含待分析散在细胞的第二待分析数字病理切片图像；将所述第二待分析数字病理切片图像输入至第二细胞分析模型中，利用所述第二细胞分析模型对所述待分析散在细胞进行分析，获取每个所述待分析散在细胞为异常病变细胞的第二概率；根据所述第二概率，筛选出第二预设数量的待分析散在细胞作为疑似病变散在细胞；向用户展示所述疑似病变散在细胞对应的第二待分析数字病理切片图像。4.根据权利要求1所述的方法，其特征在于，所述根据所述第一概率，筛选出第一预设数量的待分析细胞团作为疑似病变细胞团，包括：筛选出第一概率超过概率阈值的待分析细胞团作为疑似病变细胞团；或者，对所述第一概率进行降序排序，将降序排序中排名低于第一阈值的第一概率所对应的待分析细胞团作为疑似病变细胞团；或者，对所述第一概率进行升序排序，将升序排序中排名高于第二阈值的第一概率所对应的待分析细胞团作为疑似病变细胞团。5.根据权利要求1所述的方法，其特征在于，所述对所述数字病理切片图像中的细胞团进行识别，得到包含待分析细胞团的第一待分析数字病理切片图像，包括：对所述数字病理切片图像中的细胞团进行识别；对识别到的细胞团进行清晰度分析，得到每个细胞团的清晰度；
根据所述清晰度判断所述细胞团是否满足第一预设清晰度要求；若不满足所述第一预设清晰度要求，则重新执行数字扫描，直至满足所述第一预设清晰度要求；在满足所述第一预设清晰度要求后，将满足第二预设清晰度要求的细胞团对应的数字病理切片图像作为第一待分析数字病理切片图像。6.根据权利要求5所述的方法，其特征在于，所述根据所述清晰度判断所述细胞团是否满足第一预设清晰度要求，包括：统计出清晰度满足第一预设清晰度要求的细胞团的数量；若统计数量不超过数量阈值，或者，统计数量与细胞团总数量的比值不超过比值阈值，则判定所述细胞团不满足所述第一预设清晰度要求。7.根据权利要求1或5所述的方法，其特征在于，所述对所述数字病理切片图像中的细胞团进行识别，包括：对已知细胞病理切片进行多层数字扫描得到多个细胞团图像集合，其中，每个所述细胞团图像集合包括在相同x轴坐标和y轴坐标、不同z轴坐标下的多张细胞团图像，且，不同细胞团图像集合对应不同的x轴坐标和/或y轴坐标；对已知细胞病理切片进行数字扫描得到多个散在细胞图像；根据得到的细胞团图像和散在细胞图像，构建第二数据集，其中，所述第二数据集的标签包括细胞团或散在细胞；利用所述第二数据集对预训练的细胞类型分析模型进行训练，得到已训练的细胞类型分析模型；利用所述已训练的细胞类型分析模型对所述待分析细胞病理切片的数字病理切片图像中的散在细胞和细胞团进行识别。8.一种异常细胞的诊断装置，其特征在于，所述装置包括：第一扫描模块，用于对待分析细胞病理切片进行数字扫描，得到多张数字病理切片图像；第一目标确定模块，用于对所述数字病理切片图像中的细胞团进行识别，得到包含待分析细胞团的第一待分析数字病理切片图像；第一细胞分析模块，用于将所述第一待分析数字病理切片图像输入至第一细胞分析模型中，利用所述第一细胞分析模型对所述待分析细胞团进行分析，获取每个所述待分析细胞团为异常病变细胞团的第一概率；疑似细胞团确定模块，用于根据所述第一概率，筛选出第一预设数量的待分析细胞团作为疑似病变细胞团；第一展示模块，用于向用户展示所述疑似病变细胞团对应的第一待分析数字病理切片图像。9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。10.一种计算机设备，包括存储器和处理器，其特征在于，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。

技术总结
本申请公开了一种异常细胞的诊断方法、装置、设备及存储介质，包括：对待分析细胞病理切片进行数字扫描，对得到的多张数字病理切片图像中的细胞团进行识别，得到包含待分析细胞团的待分析数字病理切片图像；将第一待分析数字病理切片图像输入至第一细胞分析模型中，获取每个待分析细胞团为异常病变细胞团的概率；根据概率，筛选出预设数量的待分析细胞团作为疑似病变细胞团；向用户展示疑似病变细胞团对应的待分析数字病理切片图像。本申请通过神经网络对细胞团进行异常病变细胞判别，弥补了现有技术对细胞团诊断的空缺或不足，提高了病变细胞诊断的准确性，降低漏诊率和误诊率，使得病变细胞诊断结果更准确和说服力。变细胞诊断结果更准确和说服力。变细胞诊断结果更准确和说服力。


技术研发人员：车拴龙 危桂坚 李淑燕 刘栋 梁贺华 姚南燕 钟学军 冯晓冬
受保护的技术使用者：广州金域医学检验中心有限公司
技术研发日：2023.06.30
技术公布日：2023/9/22