细胞样本图片提取分析对比检测方法与流程

1.本发明涉及细胞样本图片提取分析领域，尤其是涉及一种细胞样本图片提取分析对比检测方法。


背景技术：

2.随着人工智能的快速发展，各行各业的智能化越来越明显。在涉及细胞样本照片观察前的准备工作在智能化程度上存在着不足。在医院、生物或医疗研究所等一些需要大量观察分析细胞样本照片的场所，单个宫颈细胞样本中，包含许多张图像，其中扫描得到的三分之一图像是无用的，也就是信息量比较少或者就是空白图像，采用电脑自动缩放无法正确的看出宫颈细胞样本具体照片，且部分宫颈细胞病例难以确定，导致后期无法简单的更加宫颈细胞样本照片确定病例，在进行决策时，需要与病例库中的在案病例进行比对，确定最接近的比例后再做出更好的决策，但是目前的检索方式并不能得到最准确的数据，导致无法决策病例。


技术实现要素：

3.本发明的主要目的在于提供一种细胞样本图片提取分析对比检测方法，解决分宫颈细胞病例难以确定，导致后期无法简单的更加宫颈细胞样本照片确定病例，在进行决策时，需要与病例库中的在案病例进行比对，确定最接近的比例后再做出更好的决策，但是目前的检索方式并不能得到最准确的数据，导致无法决策病例的问题。
4.为解决上述技术问题，本发明所采用的技术方案是：一种细胞样本图片提取分析对比检测方法，检测方法包括：
5.s1、获得多张细胞样本图片，对细胞样本图片进行灰度处理，区域最大的像素设为白色或者黑色，其他位置颜色亮度同步增加；
6.s2、对细胞样本图片其他颜色进行进行熵处理，再用最大类差法二值化分割得到细胞样本粗略图像，确定目标的粗略位置；
7.s3、目标的粗略位置进行分割值聚类算法，对图片进行锐化处理，得到需要的细胞样本图片；
8.s4、对细胞样本图片进行分析得出基本病例，再对得出基本病例进行不确定的决策调节下，进行cbr/rbr检索分析，对基本病例与病例库中的现有的病例进行相似度评价分析。
9.优选方案中，步骤s2的具体实施方法为：
10.细胞样本图片大小为x
×
y，根据熵处理公式得出细胞样本图的熵值大小，根据熵处理公式得到灰度图像，熵处理公式为；
11.12.式中，f(i,j)表示坐标为(i,j)处点的灰度值；
13.再采用最大类间方差法对图像进行二值分割；
14.分割方法为：细胞样本图片为d，图像中像素的灰度值小于阈值e的像素个数记作q0，像素灰度大于阈值t的像素个数记作q1，将目标像素点数占整幅图像的比例记为则：
15.记其灰度平均值为γ0，背景像素点数占整幅图像的比例为：
16.图像的总平均灰度为γ，类间方差记为os，则：
[0017][0018]
让e在灰度级内遍历，使得os最大时，则e取得最佳分割阈值ts，即：
[0019][0020]
此时得到一幅二值图像，标明目标的粗略位置。
[0021]
优选方案中，步骤s3的分割值聚类算法方法为：根据局部熵检测分割的二值图像所确定的目标的位置，得到二值图为d2，分割的二值图像d2通过分割值聚类算法方法得到图像d3，被分为k个聚类，最终得到的图像结果记为d4；
[0022]
a1、搜索d2，将其中值为1的像素的坐标存入一个数组，记为tarray(i)；
[0023]
a2、遍历数组tarray(i)，从d3中找出以数组内数据为坐标的点，其所在聚类为k1；
[0024]
a3、将聚类为k1的像素点的灰度值设为255，其余点灰度值设为0，得到需要的细胞样本图片结果d4。
[0025]
优选方案中，步骤s4的病例进行相似度评价分析方法为：根据细胞样本图片得出基本病理，再对基本病理进行cbr/rbr检索分析，cbr/rbr检索分析是通过对比案例库中的案例与目标案例间的属性差异来实现的，采用的相似度函数是分析两个案例t属性间的欧式距离；
[0026]
则cbr/rbr相似度评价函数定义为：
[0027][0028][0029][0030]
式中,表示病例库中案例和目标案例的属性aj的特征值均确定；表示目标案例的属性aj的特征值均不确定；表示病例库中案例的属性aj
的特征值均不确定；和为推理模型贝叶斯网络中的条件概率；
[0031]
式中,(u，t，a，v)为相对应维数的信息矩阵，θ为一个数学期望为0的弱平衡随机变量，其表示模型误差，参数测量误差，外部干扰不确定性量。
[0032]
优选方案中，u为细胞类型例集、a为细胞类型案例属性集、v为属性特征集、紧急决策的目标案例为t,t可以起到决策效果；
[0033]
其中案例集u＝{ui|i＝1，2，3...n}，ui为第i个细胞类型病理；
[0034]
其中案例集a＝{aj|j＝1，2，3...m}，aj为第j个细胞类型病理属性；
[0035]
其中案例集为ui的属性特征值向量，
[0036]vij
,ui的第j个属性特征值。
[0037]
本发明提供了一种细胞样本图片提取分析对比检测方法，对细胞样本图片先进行局部灰度处理，得到的灰度图然后将其中有用位置进行二值化分割得到细胞样本粗略图像，确定目标的粗略位置，较少了息量比较少或者就是空白图像的区域，识别率高、识别速度快的优点，不做后续处理，可以大幅度节省处理时间，得到的细胞样本图片进行分析，写成基本的病例，然后检索病例库中的数据，将最接近的数据病例与基本的病例进行比对提供决策性的参考，提高病例的决策性。
附图说明
[0038]
下面结合附图和实施例对本发明作进一步说明：
[0039]
图1是本发明信息量过少的图片；
[0040]
图2是本发明熵处理灰度处理照片
[0041]
图3是本发明二值化分割得到粗略图像；
[0042]
图4是本发明分割值聚类算法后得到需要的细胞样本图片。
具体实施方式
[0043]
如图1～4所示，一种细胞样本图片提取分析对比检测方法，检测方法包括：
[0044]
s1、获得多张细胞样本图片，对细胞样本图片进行灰度处理，区域最大的像素设为白色或者黑色，其他位置颜色亮度同步增加；
[0045]
s2、对细胞样本图片其他颜色进行进行熵处理，再用最大类差法二值化分割得到细胞样本粗略图像，确定目标的粗略位置；
[0046]
s3、目标的粗略位置进行分割值聚类算法，对图片进行锐化处理，得到需要的细胞样本图片；
[0047]
s4、对细胞样本图片进行分析得出基本病例，再对得出基本病例进行不确定的决策调节下，进行cbr/rbr检索分析，对基本病例与病例库中的现有的病例进行相似度评价分析。
[0048]
对细胞样本图片先进行局部灰度处理，得到的灰度图然后将其中有用位置进行二值化分割得到细胞样本粗略图像，确定目标的粗略位置，较少了息量比较少或者就是空白图像的区域，识别率高、识别速度快的优点，不做后续处理，可以大幅度节省处理时间，得到
的细胞样本图片进行分析，写成基本的病例，然后检索病例库中的数据，将最接近的数据病例与基本的病例进行比对提供决策性的参考，提高病例的决策性。
[0049]
优选方案中，步骤s2的具体实施方法为：
[0050]
细胞样本图片大小为x
×
y，根据熵处理公式得出细胞样本图的熵值大小，根据熵处理公式得到灰度图像，熵处理公式为；
[0051][0052]
式中，f(i,j)表示坐标为(i,j)处点的灰度值；
[0053]
再采用最大类间方差法对图像进行二值分割；对于上述局部熵处理之后的灰度图像，为了方便目标的位置确定，本研究采用最大类间方差法对图像进行二值分割。最大类间方差法是一种自适应的阈值确定的方法，它是按图像的灰度特性，将图像分成背景和目标两部分。当背景和目标之间的类间方差越大，说明图像的两部分的差别越大，当部分目标错分为背景或背景错分为目标都会导致类间方差变小。因此，使类间方差最大的分割意味着错分概率最小。
[0054]
分割方法为：细胞样本图片为d，图像中像素的灰度值小于阈值e的像素个数记作q0，像素灰度大于阈值t的像素个数记作q1，将目标像素点数占整幅图像的比例记为则：
[0055]
记其灰度平均值为γ0，背景像素点数占整幅图像的比例为：
[0056]
图像的总平均灰度为γ，类间方差记为os，则：
[0057][0058]
让e在灰度级内遍历，使得os最大时，则e取得最佳分割阈值ts，即：
[0059][0060]
此时得到一幅二值图像，标明目标的粗略位置。
[0061]
优选方案中，分割值聚类算法方法为kmeans聚类算法，kmeans算法是一种比较基本的聚类划分算法。本研究首先从n个数据对象任意选择k个对象作为初始聚类中心；而对于所剩下其他对象，则根据它们与这些聚类中心的相似度(距离)，分别将它们分配给与其最相似的聚类；然后再计算每个所获新聚类的聚类中心，不断重复这一过程直到标准测度函数开始收敛为止。聚类测度函数一般采用误差平方和函数。而迭代次数一般由数据集大小、聚类数以及数据分布情况决定。由于热红外图像一般为单波段，在kmeans算法处理中其数据维数为1，那么此时该算法的时间复杂度为o(nk)。为了节省运算时间提高运算效率，本研究在实验中将对其进行改进。
[0062]
步骤s3的分割值聚类算法方法为：根据局部熵检测分割的二值图像所确定的目标的位置，得到二值图为d2，分割的二值图像d2通过分割值聚类算法方法得到图像d3，被分为k个聚类，最终得到的图像结果记为d4；
[0063]
a1、搜索d2，将其中值为1的像素的坐标存入一个数组，记为tarray(i)；
[0064]
a2、遍历数组tarray(i)，从d3中找出以数组内数据为坐标的点，其所在聚类为k1；
[0065]
a3、将聚类为k1的像素点的灰度值设为255，其余点灰度值设为0，得到需要的细胞样本图片结果d4。
[0066]
优选方案中，步骤s4的病例进行相似度评价分析方法为：根据细胞样本图片得出基本病理，再对基本病理进行cbr/rbr检索分析，cbr/rbr检索分析是通过对比案例库中的案例与目标案例间的属性差异来实现的，采用的相似度函数是分析两个案例t属性间的欧式距离；
[0067]
则cbr/rbr相似度评价函数定义为：
[0068][0069][0070][0071]
式中,表示病例库中案例和目标案例的属性aj的特征值均确定；表示目标案例的属性aj的特征值均不确定；表示病例库中案例的属性aj的特征值均不确定；和为推理模型贝叶斯网络中的条件概率；
[0072]
式中,(u，t，a，v)为相对应维数的信息矩阵，θ为一个数学期望为0的弱平衡随机变量，其表示模型误差，参数测量误差，外部干扰不确定性量。
[0073]
优选方案中，u为细胞类型例集、a为细胞类型案例属性集、v为属性特征集、紧急决策的目标案例为t,t可以起到决策效果；
[0074]
其中案例集u＝{ui|i＝1，2，3...n}，ui为第i个细胞类型病理；
[0075]
其中案例集a＝{aj|j＝1，2，3...m}，aj为第j个细胞类型病理属性；
[0076]
其中案例集为ui的属性特征值向量，
[0077]vij
,ui的第j个属性特征值。
[0078]
对于随机项的知识表述，贝叶斯网络表现出强大的处理能力，它能够在不完整、不确定的信息条件下进行学习和推理，用条件概率表示各信息要素之间的关联关系，进行数据预测，因此选择贝叶斯网络方法表示知识推理中的不确定性。构建稳态与动态相结合的鲁棒贝叶斯cbr/rbr(bayesian network cbr/rbr,bn-crbrbr)模型有效处理急救决策中的不确定信息，降低推理决策对不确定性信息的依赖程度。在智能推理结果的基础上,不确定性的增加、案例属性集发生变化、智能推理信息系统更新不及时等原因，导致智能推理解决问题的能力受到一定程度的限制，医疗专家在处理推理中的隐形、非结构化问题中表现出超强的能力，能够有效提升决策效率。因此，提出利用专家的主观思维进行对智能推理补
充、修正，将智能决货推理求解结果、医疗专家依革本领域的经验知识和惠者的实际情况，通过形象思维进行分析决策求解的结果进行融合，即进行人机融合决策，对决策结果进行优化。细胞样本病例急救决策过程作为一个复杂决策系统具有不确定的特性，这主要是由系统本身模型误差、参数误差和外部不确定性的存在造成的。欲使诊断获得合理、准确的结果，科学的处理不确定性成为其首要解决的关键问题之一。在不确定情形下，处理外部不确定性和误差等因素对系统建模的影响时，一种行之有效且被普遍采用的方法是将这些不确定行为的量作为随机变量。这种方法在实际工程实践中经受了长期的、广泛的检验。在细胞样本病例急救决策中，在没有不确定性因素影响下，建立确定性稳健推理模型。然而实际细胞样本病例急救决策中可能存在不确定性因素的影响，需要使用稳健随机混合法将对外部干扰或模型误差等不确定性因素通过随机项进行描述，建立鲁棒性推理模型。为此，针对细胞样本病例急救决策系统构建稳定的cbr/rbr融合推理模型，其推理决策过程中的模型误差、参数误差和外部不确定性量采用随机变量予以描述，在cbr/rbr融合推理的稳态研究基础上，通过添加随机项建立知识推理的不确定性模型，分析以上不确定性量带来的影响。
[0079]
上述的实施例仅为本发明的优选技术方案，而不应视为对于本发明的限制，本发明的保护范围应以权利要求记载的技术方案，包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进，也在本发明的保护范围之内。