LU602796B1

LU602796B1 - Ein Verfahren zur Klassifizierung und Identifizierung von Zellclustern

Info

Publication number: LU602796B1
Application number: LU602796A
Authority: LU
Inventors: Xi Zhang; Cheng Zhang; Cheng Yang; Yang Gou; Xiangui Peng; Wuchen Yang; Shuiqing Liu; Yongjie Tang
Original assignee: The Second Affiliated Hospital Of Army Medical Univ
Priority date: 2025-08-05
Filing date: 2025-08-05
Publication date: 2026-02-05

Abstract

Die vorliegende Anwendung stellt ein Verfahren zur Klassifizierung und Identifizierung von Zellverbänden zur Verfügung und bezieht sich auf das technische Gebiet der Zellidentifizierung. Die vorliegende Anwendung verbessert die Genauigkeit der Erkennung und Klassifizierung von Knochenmarkzellen und verbessert das Problem der ungenauen Ergebnisse der Typenidentifikation und des Zählens von Knochenmarkzellen, indem zwei Modelle mit unterschiedlichen Strukturen und Funktionen zur Erkennung und Klassifizierung der Zellen verwendet werden, um jeweils mikroskopische Bilder der fotografierten Zellen zu erhalten.

Description

Ein Verfahren zur Klassifizierung und Identifizierung von Zellclustern LU602796

Technischer Bereich

Die vorliegende Erfindung bezieht sich auf das technische Gebiet der Zellidentifizierung und insbesondere auf ein Verfahren zur Klassifizierung und Identifizierung von Zellclustern.

Technologie im Hintergrund

Die Identifizierung und Zählung von Zellen auf einem mikroskopischen Bild des

Knochenmarks ist für einige pathologische Beurteilungen erforderlich. Im Stand der Technik sind die mikroskopischen Bilder der Knochenmarkzellen in der Regel in einem zusammenhängenden und überlappenden Zustand, da eine große Anzahl von Zellhaufen oder Riesenzellen von Zeit zu

Zeit in den Knochenmarkzellen vorhanden sind, was zu einer ungenauen Identifizierung der Art der Knochenmarkzellen und der Zählung der Anzahl der Knochenmarkzellen führt.

Inhalt der Erfindung

In Anbetracht dessen ist es ein Ziel von Ausführungsformen der vorliegenden Anmeldung, ein Verfahren zur Klassifizierung und Identifizierung von Zellclustern bereitzustellen, das das

Problem der ungenauen Typidentifizierung und der Zählergebnisse von Knochenmarkzellen verbessern kann.

Um das obige technische Ziel zu erreichen, sind die in der vorliegenden Anwendung angenommenen technischen Lösungen wie folgt:

Ausführungsformen der vorliegenden Anwendung stellen ein Verfahren zur Klassifizierung und Erkennung von Zellclustern bereit, wobei das Verfahren umfasst:

Erfassen eines Datensatzes, wobei der Datensatz einen Trainingssatz und einen Testsatz umfasst;

Trainieren eines vorbestimmten Zellerkennungsmodells mittels eines globalen Bildes in dem

Trainingssatz, um das trainierte Zellerkennungsmodell zu erhalten, wobei das globale Bild ein Bild umfasst, das durch Fotografieren einer Vielzahl von Zellen unter einem Mikroskop erhalten wird;

Trainieren des vorbestimmten Zellklassifizierungsmodells mittels eines lokalen Bildes in dem Trainingssatz, um das trainierte Zellklassifizierungsmodell zu erhalten, wobei das lokale Bild ein Bild umfasst, das durch Fotografieren einer einzelnen Zelle unter einem Mikroskop erhalten wurde;

Eingeben des zu erkennenden mikroskopischen Bildes in das trainierte Zelldetektionsmodell und das Zellklassifikationsmodell, um ein Erkennungsergebnis des mikroskopischen Bildes zu erhalten, wobei das mikroskopische Bild ein Bild umfasst, das durch Fotografieren einer Zelle unter einem Mikroskop erhalten wird, und das Erkennungsergebnis einen Zelltyp und eine

Zellnummer umfasst.

Die Erfindung mit der obigen technischen Lösung hat folgende Vorteile:

Bei der technischen Lösung der vorliegenden Anwendung werden die mikroskopischen

Bilder nacheinander von zwei Modellen mit unterschiedlichen Strukturen und Funktionen erfasst und klassifiziert, um die Genauigkeit der Zellidentifizierung und -klassifizierung zu erhöhen und die ungenauen Ergebnisse der Typidentifizierung und Zählung von Knochenmarkzellen zu verbessern.

Beschreibung der beigefügten Zeichnungen

Die vorliegende Anwendung kann durch die in den beigefügten Abbildungen dargestellten, nicht einschränkenden Ausführungsformen näher veranschaulicht werden.

Bild 1 zeigt ein schematisches Flussdiagramm eines Zellcluster-Klassifizierungs- und

Identifizierungsverfahrens, das durch Ausführungsformen der vorliegenden Anwendung bereitgestellt wird. LU602796

Bild 2 zeigt ein schematisches Diagramm eines Arbeitsablaufs eines Restblocks, der durch

Ausführungsformen der vorliegenden Anwendung bereitgestellt wird.

Bild 3 zeigt ein schematisches Diagramm der Ausgabedaten eines Zellerkennungsmodells, das durch Ausführungsformen der vorliegenden Anwendung bereitgestellt wird.

Bild 4 zeigt ein Blockdiagramm eines grundlegenden Mechanismus einer Inception-Struktur, die durch Ausführungsformen der vorliegenden Anwendung bereitgestellt wird.

Bild 5 zeigt ein Blockdiagramm einer Struktur eines ersten Moduls, das durch

Ausführungsformen der vorliegenden Anwendung bereitgestellt wird.

Bild 6 zeigt ein Blockdiagramm der Struktur eines zweiten Moduls, das durch

Ausführungsformen der vorliegenden Anwendung bereitgestellt wird.

Bild 7 zeigt ein Blockdiagramm der Struktur eines dritten Moduls, das durch

Ausführungsformen der vorliegenden Anwendung bereitgestellt wird.

Detaillierte Beschreibung

Die vorliegende Anwendung wird im Folgenden unter Bezugnahme auf die beigefügten

Zeichnungen und spezifischen Ausführungsformen im Detail beschrieben.

Unter Bezugnahme auf Bild 1 stellt die vorliegende Anwendung ein Verfahren zum

Klassifizieren und Erkennen eines Zellclusters bereit, das Folgendes umfassen kann:

Schritt 110, Erhalten eines Datensatzes, wobei der Datensatz einen Trainingssatz und einen

Testsatz umfasst;

Schritt 120, Trainieren des vorbestimmten Zellerkennungsmodells mittels eines globalen

Bildes im Trainingssatz, um das trainierte Zellerkennungsmodell zu erhalten, wobei das globale

Bild ein Bild umfasst, das durch Fotografieren einer Vielzahl von Zellen unter einem Mikroskop erhalten wird;

Schritt 130, Trainieren des vorbestimmten Zellklassifizierungsmodells mittels eines lokalen

Bildes in dem Trainingssatz, um das trainierte Zellklassifizierungsmodell zu erhalten, wobei das lokale Bild ein Bild umfasst, das durch Fotografieren einer einzelnen Zelle unter einem Mikroskop erhalten wurde;

Schritt 140, die zu erkennende mikroskopische Bilder werden sequentiell in das trainierte

Zellerkennungsmodell und das Zellklassifizierungsmodell eingegeben, um die

Erkennungsergebnisse der mikroskopischen Bilder zu erhalten. Wobei das mikroskopische Bild ein Bild umfasst, das durch Fotografieren einer Zelle unter einem Mikroskop erhalten wird, und das Erkennungsergebnis einen Zelltyp und eine Zellnummer umfasst.

Konkret wird in Schritt 110 der Datensatz durch Vorverarbeitung des zuvor erfassten

Beispieldatensatzes und Aufteilung des globalen Bildes und des nach der Vorverarbeitung erhaltenen lokalen Bildes in einen Trainingssatz und einen Testsatz in einem vorbestimmten

Verhältnis erhalten.

Das Verfahren zum Aufbauen des Datensatzes kann Folgendes umfassen:

Erfassen eines Probendatensatzes, wobei der Probendatensatz ein anfängliches globales Bild und ein anfängliches lokales Bild umfasst;

Vorverarbeiten des Probendatensatzes, um den Datensatz zu erhalten.

Wobei die Vorverarbeitung des Musterdatensatzes, um den Datensatz zu erhalten, Folgendes umfassen kann:

Durchführen eines Datenverbesserungsprozesses an dem Musterdatensatz;

Etikettieren des datenverbesserten Musterdatensatzes durch Labelimg, wobei sowohl das anfängliche globale Bild als auch das anfängliche lokale Bild mit mindestens einem Zelltypetikét}602796 für das globale Bild und das lokale Bild etikettiert wird;

Aufteilen des etikettierten Beispieldatensatzes in einen Trainingssatz und einen Testsatz als

Datensatz mit vorgegebenem Verhältnis.

In Schritt 120 wird das vorbestimmte Zellerkennungsmodell mit dem globalen Bild im

Trainingssatz trainiert, um das trainierte Zellerkennungsmodell zu erhalten.

In Schritt 130 wird das vorbestimmte Zellklassifizierungsmodell durch die lokalen Bilder im

Trainingssatz trainiert, und das trainierte Zellklassifizierungsmodell wird erhalten.

In Schritt 140 werden die zu erkennenden mikroskopischen Bilder nacheinander in das trainierte Zellerkennungsmodell und das Zellklassifizierungsmodell eingegeben, und die

Erkennungsergebnisse der mikroskopischen Bilder einschließlich der Zelltypen und Zellzahlen werden erhalten.

In einer optionalen Ausführungsform kann das Verfahren ferner Folgendes umfassen:

Erzeugen von Ankerboxen durch den K-Means-Algorithmus;

Auf der Grundlage der Ankerboxen, unter Verwendung eines Darknet-53, das nur

Faltungsschichten und Restblocke als Modellstruktur enthält, Erzeugen eines

Zellerkennungsmodells, das als vorbestimmtes Zellerkennungsmodell verwendet werden soll;

Erzeugen des ersten Moduls, des zweiten Moduls und des dritten Moduls auf der Grundlage des Grundmechanismus der Anfangsstruktur nacheinander durch eine vorbestimmte

Verbesserungsstrategie;

Erzeugen eines Zellklassifizierungsmodells auf der Grundlage der vorbestimmten

Modellstruktur, das als vorbestimmtes Zellklassifizierungsmodell dienen soll. Wobei die vorbestimmte Modellstruktur der Reihe nach eine erste Faltungsschicht, eine zweite

Faltungsschicht, eine dritte Faltungsschicht, eine erste Poolingschicht, eine vierte Faltungsschicht, eine fünfte Faltungsschicht, eine zweite Poolingschicht, das erste Modul, das zweite Modul, drittes

Modul, eine dritte Pooling-Schicht und eine vollständig verbundene Schicht.

In dieser Ausführungsform werden die Ankerboxen auf der Grundlage des zuvor erfassten

Datensatzes durch den K-Means-Algorithmus neu generiert, und in diesem Prozess können sich die unterschiedlichen Größen der Erkennungsboxen gegenseitig auf die Erkennungsergebnisse auswirken, weshalb der euklidische Abstand, ein metrisches Kriterium im traditionellen K-Means-

Algorithmus, wie folgt ersetzt wird:

D(box, centroid) = 1 — IoU(box, centorid)

Dabei bezeichnet box die durch das Clustering erzeugten Ankerboxen und centroid die

Box im Zentrum des Clusters. Der /oU -Wert wird als metrisches Kriterium zwischen den

Ankerboxen und den Boxen des Clusterschwerpunkts verwendet, und je größer der IoU-Wert ist, desto näher sind die durch das Clustering erzeugten Ankerboxen am Clusterzentrum.

Der Hauptteil des Zellerkennungsmodells besteht aus Merkmalsextraktions- und

Multiskalenvorhersageschichten, und das Merkmalsextraktionsnetzwerk besteht aus dem Darknet- 53, das eine Faltungsschicht und einen Restblock enthält, und im Darknet-53 wird keine Pooling-

Schicht verwendet, und die Dimensionalitätstransformation der Merkmalskarten wird durch die unterschiedlichen SchrittgroBen der Faltungskerne erreicht. Die Größe der in dieser

Ausführungsform verwendeten Faltungskerne ist 3x3 und 1x1, wobei der 3x3-Faltungskern für die Merkmalsextraktion und der 1x1-Faltungskern für die Dimensionalitätsreduktion der

Merkmale verwendet wird. Bezugnehmend auf Bild 2, wo x die Eingabe, F(x) die Ausgabe der ersten Schicht und H(x) die Ausgabe nach einem Restblock bezeichnet.

Das Zellerkennungsmodell umfasst ferner eine BN-Schicht zur Normalisierung db}/6$02796

Ausgangsdaten nach der Faltung, wobei die BN-Schicht wie folgt berechnet wird: £00 — XE)

JVar(xk) + € wobei x“ die Daten des k-ten Breitengrades, E(x") den Mittelwert, y Var(x") + € die

Varianzund € eine beliebige Konstante kleiner als ein bestimmter Wert bezeichnen.

Wie in Bild 3 dargestellt, umfasst die Ausgabe des Zellerkennungsmodells die Koordinaten (x,y) , die Breite und Hohe (w,h) des vorhergesagten Begrenzungsrahmens, das

Konfidenzniveau C und die Klassenwahrscheinlichkeit P(class;|object) jedes Zelltyps (was bedeutet, dass das Zielobjekt innerhalb des vorhergesagten Begrenzungsrahmens zur i-ten Klasse gehört, wobei k die Anzahl der Klassen angibt). S x S bezeichnet die Anzahl der Raster in verschiedenen Maßstäben, und jedes Raster verwendet 3 Ankerboxen für die Zielvorhersage.

Für den vorhergesagten Ausgangswert des Zellerkennungsmodells wird der Fehlerverlust zwischen diesem Ausgangswert und dem wahren Wert berechnet. Wenn (x,y,w,h) die

Koordinaten bzw. die Breite und Hôhe des vorhergesagten Begrenzungsrahmens bezeichnet, wird der entsprechende Fehler anhand des quadratischen Fehlers berechnet, und für die Breite und Hôhe des vorhergesagten Begrenzungsrahmens wird auch die Varianzfunktion unter der Quadratwurzel verwendet; Die Konfidenz gibt die Wahrscheinlichkeit an, dass der Begrenzungsrahmen das Ziel enthält Pr(object)=1 fir das Vorhandensein des Ziels, Pr(object) =0 für das

Nichtvorhandensein des Ziels), und die Konfidenz wird wie folgt berechnet:

C = Pr(object) x loUS ud"

Die Kategoriewahrscheinlichkeit ist P(class;|object), die die Wahrscheinlichkeit angibt, dass das Ziel in der Vorhersagebox zur i-ten Kategorie gehôrt, und der Vertrauensverlust und der

Kategorieverlust verwenden die Kreuzentropie-Verlustfunktion. Die Gesamtverlustfunktion des

Zellerkennungsmodells ist wie folgt definiert:

Loss = Ant > > Es (x, TT X y + +, TT + ï y i + fm fad) x 8 . — — 7 — lr 7 heart 2 2 Cr Tg — wey (gh = jh, Xi $M | . > EC og(CH + (1=Cylogt = CY] - gel gM 0 ; x

À noté > > CMC tog(C/3+(1-C/}tog1-C/31-

FF M N x - a. .

SE X OP log) + (=P log - PO

PE JS LEO WEN CE SE wobei x die horizontalen Koordinaten der Bounding Box für die Vorhersage, y die vertikalen Koordinaten der Bounding Box für die Vorhersage, w die Breite der Bounding Box für die Vorhersage, h die Höhe der Bounding Box für die Vorhersage, C das Konfidenzniveah/602796

P die Klassenwahrscheinlichkeit jedes Zellentyps und S? die Anzahl der Raster bezeichnen. M bezeichnet die Anzahl der Vorhersageboxen, i und [reo werden verwendet, um zu bestimmen, ob die j-te Box im i-ten Gitter für die Erkennung des aktuellen Objekts 5 verantwortlich ist, Àcoora bezeichnet das Gewicht, das das Ziel enthält, und 4,,,,,; bezeichnet das Gewicht, das das Ziel nicht enthält.

Wie aus Bild 4 hervorgeht, besteht die Inception-Struktur typischerweise aus einer Vielzahl von optimierten Modulen dieses Grundmechanismus in Reihe.

Wie in Bild 5 gezeigt, wird ein erstes Modul erzeugt, indem eine Faltungsoperation mit einem

Faltungskern von 5x5 im Grundmechanismus der Inception-Struktur durch zwei

Faltungsoperationen mit einem Faltungskern von 3x3 ersetzt wird.

Wie in Bild 6 dargestellt, wird die Faltung im ersten Modul mit einem Faltungs-Kernel von 3x3 in asymmetrische Faltungen gleicher Faltungsleistung zerlegt, um das zweite Modul zu erzeugen.

In Bild 7 wird die längsgerichtete asymmetrische Faltung im zweiten Modul durch eine nebeneinanderliegende asymmetrische Faltung ersetzt, um ein drittes Modul zu erzeugen.

Claims

Ansprüche LU602796

1. Ein Verfahren zur Klassifizierung und Identifizierung von Zellclustern, dadurch gekennzeichnet, dass das Verfahren umfasst: Erhalten eines Datensatzes, wobei der Datensatz einen Trainingssatz und einen Testsatz umfasst; Trainieren eines vorbestimmten Zellerkennungsmodells mittels eines globalen Bildes in dem Trainingssatz, um das trainierte Zellerkennungsmodell zu erhalten, wobei das globale Bild ein Bild umfasst, das durch Fotografieren einer Vielzahl von Zellen unter einem Mikroskop erhalten wird; Trainieren des vorbestimmten Zellklassifizierungsmodells mittels eines lokalen Bildes in dem Trainingssatz, um das trainierte Zellklassifizierungsmodell zu erhalten, wobei das lokale Bild ein Bild umfasst, das durch Fotografieren einer einzelnen Zelle unter einem Mikroskop erhalten wird; Eingeben der zu erkennende mikroskopische Bilder in das trainierte Zellerkennungsmodell und das Zellklassifikationsmodell, um Erkennungsergebnisse der mikroskopischen Bilder zu erhalten. Wobei das mikroskopische Bild ein Bild umfasst, das durch Fotografieren einer Zelle unter einem Mikroskop erhalten wird, und das Erkennungsergebnis einen Zelltyp und eine Zellnummer umfasst.

2. Das Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass das Verfahren vor der Gewinnung des Datensatzes ferner Folgendes umfasst: Gewinnung eines Probendatensatzes, wobei der Probendatensatz ein anfängliches globales Bild und ein anfängliches lokales Bild umfasst; Vorverarbeitung des Probendatensatzes zur Gewinnung des Datensatzes.

3. Das Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass die Vorverarbeitung des Probendatensatzes zum Erhalt des Datensatzes Folgendes umfasst: Durchführen eines Datenverbesserungsprozesses an dem Probendatensatz zum Erhalt des datenverbesserten Probendatensatzes; Etikettieren des datenverbesserten Probendatensatzes durch Labelimg, wobei jedes von dem anfänglichen globalen Bild und dem anfänglichen lokalen Bild mit mindestens einem Zelltypetikett für das globale Bild und das lokale Bild etikettiert wird; Teilen des etikettierten Probendatensatzes in einen Trainingssatz und einen Testsatz in einem vorbestimmten Verhältnis, um als der Datensatz verwendet zu werden.

4. Das Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass vor dem Trainieren des vorbestimmten Zellerkennungsmodells mit Hilfe der globalen Bilder in der Trainingsmenge, um das trainierte Zellerkennungsmodell zu erhalten, das Verfahren ferner umfasst: Erzeugen von Ankerboxen mit Hilfe des K-Means-Algorithmus; Erzeugen des erhaltenen Zellerkennungsmodells, das als das vorbestimmte Zellerkennungsmodell verwendet werden soll, auf der Grundlage der Ankerboxen unter Verwendung von Darknet-53, das nur Faltungsschichten und Restblöcke als Modellstruktur enthält; Erzeugen eines ersten Moduls, eines zweiten Moduls und eines dritten Moduls nacheinander durch eine vorbestimmte Verbesserungsstrategie auf der Grundlage des Grundmechanismus der Inception-Struktur; Erzeugen, basierend auf der vorbestimmten Modellstruktur, um ein Zellklassifizierungsmodell zu erhalten, das als ein vorbestimmtes Zellklassifizierungsmodell dienen soll, wobei die vorbestimmte Modellstruktur wiederum eine erste Faltungsschicht, eine zweite Faltungsschicht, eine dritte Faltungsschicht, eine erste Pooling-Schicht, eine viertd!602796 Faltungsschicht, eine fünfte Faltungsschicht, eine zweite Pooling-Schicht, ein erstes Modul, ein zweites Modul, ein drittes Modul, eine dritte Pooling-Schicht und eine vollständig verbundene Schicht umfasst.