System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于医学人工智能,具体涉及一种基于血细胞形态学的myh9-rd辅助筛查系统及方法。
技术介绍
1、非肌性肌球蛋白重链9基因相关疾病(nonmuscle myosin heavy chain 9relateddiseases,myh9-rd)是一种罕见的常染色体显性遗传疾病,是由定位于人类染色体22q12.3的编码非肌性肌球蛋白重链ⅱa(nonmuscle myosin heavy chainⅱa,nmmhc-ⅱa)的myh9基因突变导致的一类疾病。myh9-rd典型血液系统表现为血小板数量减少、大血小板和粒细胞异常包涵体“三联征”和不同程度的出血,可伴发肾炎、耳聋、白内障和肝功能异常等血液系统外表现。因此,其在pubmed描述为“伴有或不伴有肾炎或感音神经性听力损失的粒细胞包涵体和大血小板减少症”。
2、myh9-rd具有高度的临床表型异质性,缺乏特异性临床表现和筛查手段,临床诊断困难。由于myh9基因突变的位点复杂多样,出血症状和伴发血液系统外症状不一,加之临床医生对此病的认识普遍不足,常常导致误诊和漏诊。myh9-rd患者常因“鼻衄、瘀点瘀斑”等自发性出血或外伤血肿,血小板数量减低,容易被误诊为原发性免疫性或特发性血小板减少症,而被误用激素、丙种球蛋白甚至切脾等无效不恰当甚至有害治疗,增加治疗相关不良反应和医疗负担。因此,myh9-rd的早期筛查和诊断,对精准治疗、改善预后和遗传咨询,避免潜在危险的不当治疗等方面具有重要意义。
3、目前myh9-rd的明确诊断依赖于基因检测。常用芯片捕获高通
4、血常规分析和血涂片镜检是诊断myh9-rd的首要步骤和重要筛查方法。当前常规实验室采用血细胞分析仪进行血细胞计数和分类,无法识别粒细胞异常包涵体等细微形态特征。血小板计数常采用电阻抗方法,存在诸多干扰因素,如当血小板尺寸较大时易误判为红细胞,无法准确识别大血小板,导致血小板计数结果不准确。因此,粒细胞包涵体和大血小板等细胞特征形态学识别和计数主要依靠血涂片人工镜检。其实验步骤为:推制血涂片经瑞氏染色后,采用光学显微镜观察血小板大小、大血小板占比,粒细胞有无包涵体、包涵体的形状、数量、大小、染色强度和位置等形态特征(先低倍镜观察,后高倍镜计数200个白细胞)。该技术依赖于专业医师在显微镜下肉眼观察识别,受限于个人经验和主观判断,且耗时长、效率低,是早期筛查和临床诊断的主要制约因素。
5、近年来,随着人工智能(ai)技术在医学领域迅速发展,将ai技术与血细胞形态学相结合,有望在myh9-rd的ai筛查技术方面取得有益成果,实现myh9-rd的早期、快速、高效筛查,提高筛查准确率与工作效率,减轻临床工作强度和压力。例如,申请号为cn202310523263.x的专利申请,公开了一种基于多模态显微成像的智能血细胞分析方法及系统,但该申请的ai部分仅局限于从形态学的角度对细胞进行识别分类,未对细胞数量和比例进行ai计算,未采用基于知识推理和临床判断融合的方法,生成相关疾病筛查结果。
技术实现思路
1、针对上述现有技术存在的一系列问题,本专利技术提供了一种基于血细胞形态学的myh9-rd辅助筛查系统及方法,通过人工智能算法精准识别和统计外周血血涂片瑞氏染色“大血小板”和“包涵体中性粒细胞”,以实现高准确率的myh9-rd辅助筛查。
2、为解决上述技术问题,本专利技术通过以下技术方案实现:
3、一种基于血细胞形态学的myh9-rd辅助筛查系统,包括:
4、图像采集模块,负责获取待筛查病例的瑞氏染色外周血图像;
5、图像检测模块,负责从所述瑞氏染色外周血图像中获取每一个血细胞的单独图像,并生成单血细胞图像合集;
6、图像分析模块,负责从所述单血细胞图像合集中获取血细胞类别信息、白细胞形态信息和血小板尺寸大小信息,并生成血细胞分类结果;
7、计数与处理模块,负责在所述血细胞分类结果中对各类血细胞进行计数和数据处理,并生成待筛查病例分析结果;
8、相关疾病判断模块,负责根据所述待筛查病例分析结果,采用基于知识推理和临床判断融合的方法,对待筛查病例是否为myh9-rd进行判断,并生成myh9-rd筛查结果;
9、结果输出模块,负责输出所述myh9-rd筛查结果。
10、进一步的,所述瑞氏染色外周血图像为采用高倍镜和油镜采集得到的待筛查病例的瑞氏染色外周血的显微图像。
11、进一步的,所述图像检测模块中装嵌有深度网络检测模型,所述图像检测模块首先负责将获取到的所述瑞氏染色外周血图像输入训练好的所述深度网络检测模型,由所述深度网络检测模型对输入的所述瑞氏染色外周血图像进行处理,从而生成每一个血细胞的单独图像,然后负责将生成的每一个血细胞的单独图像整合成单血细胞图像合集。
12、进一步的,所述深度网络检测模型采用yolov5模型,其网络结构由一个骨干网络、一个颈部网络和三个预测头组成;其中,
13、所述骨干网络,包括conv、cspdarknet53和sppf模块,用于从输入图像中提取和整合特征,并生成特征图;
14、所述颈部网络,用于融合所述骨干网络生成的特征图;同时结合有特征金字塔网络(fpn)和路径聚合网络(panet),以增强语义信息和多尺度定位能力;
15、三个所述预测头,用于检测不同大小的物体,生成不同长宽比的候选边界框,并使用非最大抑制(nms)输出带有位置、大小和置信度分数的最终边界框。
16、进一步的,所述图像分析模块由血细胞图像分类模块、白细胞图像分类模块和血小板图像分类模块组成,且所述血细胞图像分类模块中装嵌有深度网络分类模型,所述白细胞图像分类模块中装嵌有白细胞单项分类模型,所述血小板图像分类模块中装嵌有血小板尺寸分类模型;
17、所述图像分析模块首先负责将获取到的所述单血细胞图像合集输入至训练好的所述深度网络分类模型,由所述深度网络分类模型对所述单血细胞图像合集进行分类处理,以区分其中的白细胞图像、红细胞图像和血小板图像,并生成血细胞类别信息;
18、然后负责将区分出的所述白细胞图像的合集输入至训练好的所述白细胞单项分类模型,由所述白细胞单项分类模型对所述白细胞图像的合集进行分类处理,以区分其中的含有异常包涵体的中性粒细胞图像(简称:“包涵体中性粒细胞”图像)和无异常包涵体的中性粒细胞图像(简称:“无包涵体中性粒细胞”图像),并生成白细胞形态信息;
19、同时负责将区分出本文档来自技高网...
【技术保护点】
1.一种基于血细胞形态学的MYH9-RD辅助筛查系统,其特征在于,包括:
2.根据权利要求1所述的MYH9-RD辅助筛查系统,其特征在于,所述瑞氏染色外周血图像为采用高倍镜和油镜采集得到的待筛查病例的瑞氏染色外周血的显微图像。
3.根据权利要求1所述的MYH9-RD辅助筛查系统,其特征在于,所述图像检测模块中装嵌有深度网络检测模型,所述图像检测模块首先负责将获取到的所述瑞氏染色外周血图像输入训练好的所述深度网络检测模型,由所述深度网络检测模型对输入的所述瑞氏染色外周血图像进行处理,从而生成每一个血细胞的单独图像,然后负责将生成的每一个血细胞的单独图像整合成单血细胞图像合集。
4.根据权利要求3所述的MYH9-RD辅助筛查系统,其特征在于,所述深度网络检测模型采用YOLOv5模型,其网络结构由一个骨干网络、一个颈部网络和三个预测头组成;其中,
5.根据权利要求1所述的MYH9-RD辅助筛查系统,其特征在于,所述图像分析模块由血细胞图像分类模块、白细胞图像分类模块和血小板图像分类模块组成,且所述血细胞图像分类模块中装嵌有深度网络分类模型
6.根据权利要求5所述的MYH9-RD辅助筛查系统,其特征在于,所述深度网络分类模型和所述白细胞单项分类模型均采用ResNet-18模型,其网络结构由多个带卷积层和下采样层的残差块、平均池化层和全连接层组成;每个残差块中都包含有捷径连接,用于将一个区块的输入添加到其输出,以实现梯度流动并简化优化过程。
7.根据权利要求1所述的MYH9-RD辅助筛查系统,其特征在于,所述相关疾病判断模块中包括特征提取模块和病例分类模块;其中,
8.一种如权利要求1-7中任意一项所述的MYH9-RD辅助筛查系统的控制方法,其特征在于,该方法不以直接诊断MYH9-RD为目的,仅用于辅助MYH9-RD的早期筛查,其步骤包括:
9.一种计算机装置,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信,所述存储器用于存放至少一条可执行指令,所述可执行指令使所述处理器执行如权利要求8所述的MYH9-RD辅助筛查系统的控制方法对应的操作。
10.一种计算机存储介质,所述计算机存储介质中存储有至少一个可执行指令,所述可执行指令使处理器执行如权利要求8所述的MYH9-RD辅助筛查系统的控制方法对应的操作对应的操作。
...【技术特征摘要】
1.一种基于血细胞形态学的myh9-rd辅助筛查系统,其特征在于,包括:
2.根据权利要求1所述的myh9-rd辅助筛查系统,其特征在于,所述瑞氏染色外周血图像为采用高倍镜和油镜采集得到的待筛查病例的瑞氏染色外周血的显微图像。
3.根据权利要求1所述的myh9-rd辅助筛查系统,其特征在于,所述图像检测模块中装嵌有深度网络检测模型,所述图像检测模块首先负责将获取到的所述瑞氏染色外周血图像输入训练好的所述深度网络检测模型,由所述深度网络检测模型对输入的所述瑞氏染色外周血图像进行处理,从而生成每一个血细胞的单独图像,然后负责将生成的每一个血细胞的单独图像整合成单血细胞图像合集。
4.根据权利要求3所述的myh9-rd辅助筛查系统,其特征在于,所述深度网络检测模型采用yolov5模型,其网络结构由一个骨干网络、一个颈部网络和三个预测头组成;其中,
5.根据权利要求1所述的myh9-rd辅助筛查系统,其特征在于,所述图像分析模块由血细胞图像分类模块、白细胞图像分类模块和血小板图像分类模块组成,且所述血细胞图像分类模块中装嵌有深度网络分类模型,所述白细胞图像分类模块中装嵌有白细胞单项分类模型,所述血小板图像分类模块中装嵌有血小板尺寸分类模型;
<...【专利技术属性】
技术研发人员:曹科,罗小娟,李德发,陈运生,殷跃锋,
申请(专利权)人:深圳市儿童医院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。