【技术实现步骤摘要】
本申请涉及图像处理，特别是涉及一种异常细胞检测方法、装置、计算机设备和存储介质。
技术介绍
1、内窥镜是一种医疗设备，主要用于检查人体内部器官和组织。随着医疗技术的发展，内窥镜逐渐成为医疗、工业等领域的重要工具。内窥镜可以协助工作人员观察到无法直接观察的区域，并以此提高工作人员的诊断效率和精度。例如，内窥镜可用于检测异常细胞。异常细胞是指大小、形态等与正常细胞不同的细胞成分。
2、在异常细胞检测过程中，由于内窥镜在使用过程中，需要对目标区域先喷涂染色剂，因此容易造成内窥镜采集的图像出现染色不均的干扰，导致无法准确分析染色不均匀区域的细胞状态，因此无法准确检测出染色不均匀区域的异常细胞。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种能够准确检测出染色不均匀区域的异常细胞的异常细胞检测方法、装置、计算机设备和存储介质。
2、第一方面，本申请提供了一种异常细胞检测方法，包括：
3、对内窥镜细胞图像进行色度处理，得到色度处理后的内窥镜细胞图像；内窥镜细胞图像为荧光细胞图像；
4、通过预先构建的深度学习模型提取色度处理后的内窥镜细胞图像对应的边缘特征，并根据边缘特征对色度处理后的内窥镜细胞图像中的细胞进行定位；
5、将色度处理后的内窥镜细胞图像中各细胞的边缘特征与标准细胞特征进行相似度比对，将相似度小于预设阈值的细胞确定为异常细胞。
6、在其中一个实施例中，对内窥镜细胞图像进行色度处理，得到色度处理后的内窥
7、将内窥镜细胞图像和预设细胞图像分别转换为染料矩阵；
8、将内窥镜细胞图像对应的染料矩阵与预设细胞图像对应的染料矩阵进行配准，得到色度处理后的内窥镜细胞图像。
9、在其中一个实施例中，预先构建的深度学习模型包括目标检测子网络和增强模块；
10、通过预先构建的深度学习模型提取色度处理后的内窥镜细胞图像对应的目标边缘特征，包括：
11、通过目标检测子网络对色度处理后的内窥镜细胞图像进行特征提取，得到原始特征图；
12、通过增强模块对原始特征图进行像素点增强，得到增强处理后的特征图；
13、通过目标检测子网络提取增强处理后的特征图中的边缘特征。
14、在其中一个实施例中，目标检测子网络通过如下方式确定：
15、将mask r-cnn网络中的残差网络替换为轻量化网络，得到目标检测子网络。
16、在其中一个实施例中，目标检测子网络通过如下方式确定：
17、获取轻量化网络中各网络通道的通道因子；
18、将通道因子小于预设阈值的网络通道作为待裁剪通道；
19、对轻量化网络中的待裁剪通道进行裁剪处理，将mask r-cnn网络中的残差网络替换为裁剪处理后的轻量化网络，得到目标检测子网络。
20、在其中一个实施例中，该方法还包括：
21、通过预先构建的深度学习模型提取色度处理后的内窥镜细胞图像对应的深度特征；深度特征包括纹理特征和形态特征；
22、将深度特征与边缘特征进行融合，并将融合后的特征与标准细胞特征进行相似度比对。
23、在其中一个实施例中，该方法还包括：
24、通过内窥镜的内窥镜手柄获取内窥镜细胞图像；内窥镜手柄包括：
25、透镜模块；
26、光纤压板，包括压板槽体，固定于透镜模块的外壁；
27、照明模块，包括光纤线缆和光纤连接件；
28、其中，光纤线缆设置于内窥镜手柄内部，穿过压板槽体与光纤连接件一端连接并延伸至另一端；光纤连接件的另一端与透镜模块固定连接；光纤线缆以及光纤连接件用于向透镜模块提供入射光，以使透镜模块生成内窥镜细胞图像。
29、第二方面，本申请还提供了一种异常细胞检测装置，包括：
30、色度处理模块，用于对内窥镜细胞图像进行色度处理，得到色度处理后的内窥镜细胞图像；内窥镜细胞图像为荧光图像；
31、边缘提取模块，用于通过预先构建的深度学习模型提取色度处理后的内窥镜细胞图像对应的边缘特征，并根据边缘特征对色度处理后的内窥镜细胞图像中的细胞进行定位；
32、特征比对模块，用于将色度处理后的内窥镜细胞图像中各细胞的边缘特征与标准细胞特征进行相似度比对，将相似度小于预设阈值的细胞确定为异常细胞。
33、第三方面，本申请还提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
34、对内窥镜细胞图像进行色度处理，得到色度处理后的内窥镜细胞图像；内窥镜细胞图像为荧光细胞图像；
35、通过预先构建的深度学习模型提取色度处理后的内窥镜细胞图像对应的边缘特征，并根据边缘特征对色度处理后的内窥镜细胞图像中的细胞进行定位；
36、将色度处理后的内窥镜细胞图像中各细胞的边缘特征与标准细胞特征进行相似度比对，将相似度小于预设阈值的细胞确定为异常细胞。
37、第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
38、对内窥镜细胞图像进行色度处理，得到色度处理后的内窥镜细胞图像；内窥镜细胞图像为荧光细胞图像；
39、通过预先构建的深度学习模型提取色度处理后的内窥镜细胞图像对应的边缘特征，并根据边缘特征对色度处理后的内窥镜细胞图像中的细胞进行定位；
40、将色度处理后的内窥镜细胞图像中各细胞的边缘特征与标准细胞特征进行相似度比对，将相似度小于预设阈值的细胞确定为异常细胞。
41、第五方面，本申请还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
42、对内窥镜细胞图像进行色度处理，得到色度处理后的内窥镜细胞图像；内窥镜细胞图像为荧光细胞图像；
43、通过预先构建的深度学习模型提取色度处理后的内窥镜细胞图像对应的边缘特征，并根据边缘特征对色度处理后的内窥镜细胞图像中的细胞进行定位；
44、将色度处理后的内窥镜细胞图像中各细胞的边缘特征与标准细胞特征进行相似度比对，将相似度小于预设阈值的细胞确定为异常细胞。
45、上述异常细胞检测方法、装置、计算机设备、存储介质和计算机程序产品，通过对内窥镜细胞图像进行色度处理，能够将染色不均匀的细胞图像转换为染色均匀的细胞图像，避免染色不均匀导致无法准确检测出异常细胞的问题。通过深度学习模型提取色度处理后的内窥镜细胞图像对应的边缘特征，对细胞进行定位，通过边缘特征能够准确区分出不同细胞之间的边界。另外，将色度处理后的内窥镜细胞图像中各细胞的边缘特征与标准细胞特征进行相似度比对，实现根据异常细胞的定义和特征进行异常细胞的检测，提高了细胞检测的准确性。
本文档来自技高网...【技术保护点】
1.一种异常细胞检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述对内窥镜细胞图像进行色度处理，得到色度处理后的内窥镜细胞图像，包括：
3.根据权利要求1所述的方法，其特征在于，所述预先构建的深度学习模型包括目标检测子网络和增强模块；
4.根据权利要求3所述的方法，其特征在于，所述目标检测子网络通过如下方式确定：
5.根据权利要求3所述的方法，其特征在于，所述目标检测子网络通过如下方式确定：
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
7.根据权利要求1至6任意一项所述的方法，其特征在于，所述方法还包括：通过内窥镜的内窥镜手柄获取内窥镜细胞图像；所述内窥镜手柄包括：
8.一种异常细胞检测装置，其特征在于，所述装置包括：
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，
...【技术特征摘要】
1.一种异常细胞检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述对内窥镜细胞图像进行色度处理，得到色度处理后的内窥镜细胞图像，包括：
3.根据权利要求1所述的方法，其特征在于，所述预先构建的深度学习模型包括目标检测子网络和增强模块；
4.根据权利要求3所述的方法，其特征在于，所述目标检测子网络通过如下方式确定：
5.根据权利要求3所述的方法，其特征在于，所述目标检测子网络通过如下方式确定：
6.根据权利要求1所述的方法，其特征在于，所述方法...
【专利技术属性】
技术研发人员：毛颖，陈亮，邹翔，梅殊豪，
申请(专利权)人：复旦大学附属华山医院，
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。