宫颈细胞玻片数字图像的识别模型的模型成长方法与流程

1.本公开大体涉及一种宫颈细胞玻片数字图像的识别模型的模型成长方法。


背景技术：

2.随着国家宫颈筛查普及力度加大，各地区宫颈筛查需求量也随之变大，但是因为病理医生培训周期过长的问题，导致各医院的所拥有的病理医生资源无法应对如此大的筛查需求量。故而使用计算机算法模型对病理玻片数字图像的识别进行辅助诊断来帮助病理医生加速诊断就有其现实意义。
3.目前比较广泛的病理玻片数字图像的识别过程是先通过算法模型对病理玻片数字图像进行特征提取，然后基于图像特征获取识别结果。
4.但是，在不同医院，其制作宫颈细胞玻片所使用的试剂及医生的制片流程的不同，扫描仪器的不同，会导致宫颈细胞病理数字图像在对比度，光亮度等数值分布上会有差异，使得识别结果也会因为数字图像的来源不同导致特征分布差异化，所以一般情况下在仅使用单一来源数据所训练出的诊断识别模型或者统计出的定值会比较容易出现过拟合的情况。


技术实现要素：

5.本公开有鉴于上述现有技术的状况而完成，其目的在于提供一种适用于不同医院的，减少识别模型因过拟合而导致识别精度不高的宫颈细胞玻片数字图像的识别模型的模型成长方法。
6.为此，本公开第一方面提供了一种宫颈细胞玻片数字图像的识别模型的模型成长方法，包括：对来自于第一目标源的目标病理玻片数字图像进行识别以获得多个原始子特征，所述原始子特征包括所述目标病理玻片数字图像中的病变细胞类型和病变细胞数量，基于所述多个原始子特征获得多个组合集，所述多个组合集中的各个组合集包括至少一个原始子特征，利用初步识别模块为对所述组合集进行特征提取以获得数据特征，并基于所述数据特征获得初步识别结果，利用结果汇总模块基于多个所述初步识别结果获得与所述目标病理玻片数字图像相匹配的终端识别结果，所述初步识别模块通过来自于第二目标源的宫颈细胞玻片数字图像进行训练，所述结果汇总模块通过来自于所述第一目标源的宫颈细胞玻片数字图像进行训练。
7.在这种情况下，多个初步识别模块能够利用不同的特征提取模型和分类模型对目标病理玻片数字图像进行特征提取和识别以获得初步识别结果。并且能够利用结果汇总模块对初步识别结果进行处理并获得终端识别结果。因为初步识别模块通过来自多个医院的病理玻片数字图像进行训练，能够使识别模型对各种图像均具有良好的识别效果。因为结果汇总模块通过来自于目标医院的病理玻片数字图像进行训练，能够使识别模型对于目标医院具有良好的识别效果。由此，能够使识别模型适用于不同医院的目标病理玻片数字图像的识别。
8.另外，在本公开第一方面所涉及的模型成长方法，可选地，所述初步识别模块的数量不大于第一预设数量，所述初步识别模块的数量与所述组合集的数量相同。在这种情况下，能够避免因初步识别模块的数量过多而造成的过拟合现象，并且能够基于识别模型的实际计算速度限定初步识别模块的数量，并且一个初步识别模块能够针对一个组合集进行特征提取和识别。
9.另外，在本公开第一方面所涉及的模型成长方法，可选地，所述多个初步识别模块基于各个初步识别模块获得的初步识别结果的特征重要性的进行筛选。在这种情况下，能够获得特征重要性较高的初步识别结果。
10.另外，在本公开第一方面所涉及的模型成长方法，可选地，所述数据特征包括图像特征和统计特征。在这种情况下，能够根据不同的组合集提取不同类型的数据特征。
11.另外，在本公开第一方面所涉及的模型成长方法，可选地，所述初步识别模块通过不同的特征提取方法和分类方法获得多个所述初步识别结果。在这种情况下，不同的特征提取器具有不同的特征提取效果，由此能够提取目标病理玻片数字图像中的不同类型的特征，进而提高识别的准确性。
12.另外，在本公开第一方面所涉及的模型成长方法，可选地，所述初步识别结果包括目标病理玻片数字图像是否存在某一种病变类型。在这种情况下，能够根据实际需求选择初步识别结果的类型。
13.另外，在本公开第一方面所涉及的模型成长方法，可选地，还包括至少一个增广模块，对所述初步识别模块或所述结果汇总模块时，所述增广模块基于所述宫颈细胞玻片数字图像和与所述宫颈细胞玻片数字图像相匹配的标注结果获得增广图像和与所述增广图像相匹配的增广标注结果。在这种情况下，样本增广系统能够对病理玻片数字图像以及与病理玻片数字图像相匹配的标注结果进行增广，并且能够使用不同的样品增广方法对病理玻片数字图像进行处理以获得具有不同特征的增广图像，或能够基于实际需求对病理玻片数字图像进行多次增广，并获得满足实际需求的增广图像，
14.为此，本公开第二方面提供了一种用于宫颈细胞玻片数字图像的识别模型，所述宫颈细胞玻片数字图像包括多张具有不同分辨率的目标病理玻片数字图像，其特征在于，所述识别模型包括：获取模块、组合模块、多个初步识别模块和结果汇总模块，所述获取模块被配置为对来自于第一目标源的目标病理玻片数字图像进行识别以获得多个原始子特征，所述原始子特征包括所述目标病理玻片数字图像中的病变细胞类型和病变细胞数量；所述组合模块被配置为基于所述多个原始子特征获得多个组合集，所述多个组合集中的各个组合集包括至少一个原始子特征；所述初步识别模块包括特征提取单元和识别单元，所述特征提取单元配置为对所述组合集进行特征提取以获得数据特征，所述识别单元配置为基于所述数据特征获得初步识别结果；所述结果汇总模块被配置为基于多个所述初步识别结果获得与所述目标病理玻片数字图像相匹配的终端识别结果；其中，所述多个初步识别模块通过来自于第二目标源的宫颈细胞玻片数字图像进行训练，所述结果汇总模块通过来自于第一目标源的宫颈细胞玻片数字图像进行训练。在这种情况下，多个初步识别模块能够利用不同的特征提取模型和分类模型对目标病理玻片数字图像进行特征提取和识别以获得初步识别结果。并且能够利用结果汇总模块对初步识别结果进行处理并获得终端识别结果。因为初步识别模块通过来自多个医院的病理玻片数字图像进行训练，能够使识别模
型对各种图像均具有良好的识别效果。因为结果汇总模块通过来自于目标医院的病理玻片数字图像进行训练，能够使识别模型对于目标医院具有良好的识别效果。由此，能够使识别模型适用于不同医院的目标病理玻片数字图像的识别。
15.根据本公开，能够提供一种适用于不同医院的，减少识别模型因过拟合而导致识别精度不高的宫颈细胞玻片数字图像的识别模型的模型成长方法。
附图说明
16.现在将仅通过参考附图的例子进一步详细地解释本公开的实施例，其中：
17.图1是示出了本公开示例所涉及的识别模型的框图。
18.图2是示出了本公开示例所涉及的病理玻片数字图像的示意图。
19.图3是示出了本公开示例所涉及的一种病理玻片数字图像的部分区域的示意图。
20.图4是示出了本公开示例所涉及的病理玻片数字图像的部分区域的一种原始特征的示意图。
21.图5是示出了本公开示例所涉及的识别方法的流程图。
22.图6是示出了本公开示例所涉及的识别模型的模型成长方法的流程图。
23.图7是示出了本公开示例所涉及的通过基于高斯横纵条纹的增广模块获得的增广图像的示例图。
24.图8是示出了本公开示例所涉及的通过基于图像镶嵌的增广模块的工作原理示例图。
25.图9是示出了本公开示例所涉及的通过基于图像镶嵌的增广模块获得的增广图像的示例图。
具体实施方式
26.以下，参考附图，详细地说明本公开的优选实施方式。在下面的说明中，对于相同的部件赋予相同的符号，省略重复的说明。另外，附图只是示意性的图，部件相互之间的尺寸的比例或者部件的形状等可以与实际的不同。
27.本公开涉及一种用于病理玻片数字图像的识别模型10和识别模型 10的识别方法以及识别模型10的模型成长方法。图1是示出了本公开示例所涉及的识别模型的框图。图2是示出了本公开示例所涉及的病理玻片数字图像的示意图。图3是示出了本公开示例所涉及的一种病理玻片数字图像的部分区域的示意图。图4是示出了本公开示例所涉及的病理玻片数字图像的部分区域的一种原始特征的示意图。参见图 1，本公开提供了一种用于病理玻片数字图像的识别模型10。在一些示例中，用于病理玻片数字图像的识别模型10也可以称为用于宫颈细胞玻片数字图像的识别模型10。在一些示例中，本公开所涉及的识别模型10可以被配置为对目标来源的病理玻片数字图像进行识别。在本公开中，用于病理玻片数字图像的识别模型10也可以简称为成长模型10 或模型10。
28.在一些示例中，参见图1，识别模型10可以包括获取模块110、多个初步识别模块130和结果汇总模块140。在这种情况下，能够利用获取模块110、组合模块120、初步识别模块130和结果汇总模块140 获得病理玻片数字图像的识别结果。在一些示例中，识别结果可以用于病理玻片数字图像中的病变细胞进行初步筛选。在这种情况下，能够利用病理玻片
数字图像的识别结果进行辅助以减少病理医生的诊断时间。
29.在一些示例中，获取模块110可以被配置为用于获取目标病理玻片数字图像的原始特征。在一些示例中，组合模块120可以被配置为用于接收原始特征以获得多个组合集。在一些示例中，初步识别模块 130可以被配置为对目标病理玻片数字图像进行特征提取和识别等操作。在这个情况下，能够获得病理玻片数字图像的数据特征，并且能够基于数据特征对病理玻片数字图像进行识别。在一些示例中，结果汇总模块140可以被配置为基于多个初步识别结果获得终端识别结果。在这种情况下，能够利用结果汇总模块140对初步识别结果进行处理并获得终端识别结果。
30.在一些示例中，多个初步识别模块130的各个初步识别模块130 可以利用不同来源的多组病理玻片数字图像进行训练。在这种情况下，能够使识别模型10对各种来源的病理玻片数字图像均具有良好的识别效果。在一些示例中，结果汇总模块140利用与目标病理玻片数字图像的来源相同的多组病理玻片数字图像进行训练。在这种情况下，能够使识别模型10对于目标医院具有良好的识别效果。由此，能够使识别模型10适用于不同目标来源的病理玻片数字图像的识别。
31.在一些示例中，如图2和图3所示，病理玻片数字图像可以是宫颈细胞玻片数字图像。在这种情况下，能够对宫颈细胞玻片数字图像进行识别。
32.在一些示例中，获取模块110可以被配置为用于获取原始特征。在一些示例中，获取模块110可以被配置为用于获取目标病理玻片数字图像的原始特征。
33.在一些示例中，目标病理玻片数字图像可以来自于病理玻片数字图像。在一些示例中，病理玻片数字图像可以具有多种分辨率的多张目标病理玻片数字图像。在一些示例中，目标病理玻片数字图像可以来自于目标来源。在一些示例中，目标来源可以是需要使用识别模型 10的医院。在这种情况下，能够利用获取模块110获取需要使用识别模型10的医院的目标病理玻片数字图像。病理玻片数字图像病理玻片数字图像在一些示例中，病理玻片数字图像可以通过病理玻片扫描仪获得。在一些示例中，病理玻片数字图像可以是全视野数字玻片图像 (whole slide images,wsis)。在这种情况下，能够对全视野数字玻片图像进行识别。
34.在一些示例中，原始特征是指对目标病理玻片数字图像进行识别后获得的识别结果。在一些示例中，原始特征可以通过识别获得。在一些示例中，原始特征可以通过基于机器学习的方法识别获得。在一些示例中，原始特征可以包括多个原始子特征。在一些示例中，原始子特征可以是针对病变细胞的不同的信息的识别结果。
35.在一些示例中，获取模块110可以被配置为对来自于第一目标源的目标病理玻片数字图像进行识别以获得多个原始子特征。在一些示例中，来自于第一目标源的病理玻片数字图像可以是来自于多个医疗机构的病理玻片数字图像。换言之，第一目标源可以包括多个医疗机构。在一些示例中，第一目标源可以包括第二目标源(后续描述)。在一些示例中，第一目标源也可以不包括第二目标源。
36.在一些示例中，如图4所示，原始特征可以包括多个原始子特征，原始子特征可以为病变细胞类型。在一些示例中，原始子特征还可以为病变细胞位置、病变细胞数量或置信度等细胞信息。例如，原始子特征可以为病变细胞类型(例如认为病变细胞属于高度鳞状上皮内病变细胞)，并且原始特征可以包括高度鳞状上皮内病变细胞的数量、各个高度鳞状上
皮内病变细胞的位置、大小、形状、置信度、和细胞核大小等信息。但本公开不限于此，原始特征还可以包括对病变细胞进行框选的识别框的信息，例如识别框的位置、大小、数量、长宽比、和细胞面积占比等信息。在一些示例中，原始特征还可以包括目标病理玻片数字图像的来源信息。在这种情况下，初步识别模块130能够处理不同类型的识别结果。
37.在一些示例中，原始特征可以包括目标病理玻片数字图像中的病变细胞类型。在一些示例中，在目标病理玻片数字图像为宫颈细胞玻片数字图像的情况下，病变细胞类型可以包括低度鳞状上皮内病变 (lsil)、高度鳞状上皮内病变(hsil)和意义不明确的非典型鳞状细胞(asc-us)等宫颈细胞的病变细胞类型。在一些示例中，原始特征可以包括目标病理玻片数字图像中的病变细胞位置。在一些示例中，可以利用识别框对病变细胞进行框选。在一些示例中，识别框可以为矩形。在一些示例中，可以利用一下坐标(最上端位置(ymax)，最下端位置(ymin)，最左端位置(xmin)，最右端位置(xmax))对病变细胞位置进行指示。在一些示例中，原始子特征还可以是基于目标病理玻片数字图像的热图。在一些示例中，热图可以用颜色变化来反映二维矩阵或表格中的数据信息，由此能够直观地将像素值的大小以预设的颜色深浅表示出来。在一些示例中，热图中的像素值可以对应病变细胞的病变程度。
38.在一些示例中，病理玻片数字图像可以包括多张具有不同分辨率的目标病理玻片数字图像，原始特征可以是包括针对多张具有不同分辨率的目标病理玻片数字图像获得的识别结果。在一些示例中，可以利用识别图像体现原始特征。并且，可以通过矩形识别框对低度鳞状上皮内病变的宫颈细胞进行框选。在一些示例中，原始特征可以体现为目标病理玻片数字图像上的多个用于框选病变细胞的识别框(未图示)。例如，可以对目标病理玻片数字图像的各个不同病变类型的病变细胞进行框选，并利用不同颜色的识别框对不同病变类型的病变细胞进行框选。
39.在一些示例中，原始特征还可以包括置信度，置信度用于判断病变细胞类型的准确性。在一些示例中，置信度的范围可以为0～1。在一些示例中，在利用随机森林获得分类结果的情况下，置信度可以是出现本分类结果的数量与决策树的数量的比值。
40.在一些示例中，组合模块120可以被配置为用于接收原始特征以获得多个组合集。在一些示例中，各个组合集可以包括多个原始子特征中的各个原始子特征中的至少一个。在一些示例中，各个组合集可以一次命名为第一组合集、第二组合集、第三组合集
……
41.在一些示例中，各个组合集包括的原始子特征可以相同。例如，第一组合集可以为病变细胞类型并且第二组合集也可以为病变细胞类型。在一些示例中，组合集包括的原始子特征可以互不相同，例如，第一组合集可以包括病变细胞类型并且第二组合集可以包括病变细胞类型和置信度。在这种情况下，可以将包含多种数据信息的原始特征重新组合为针对不同原始子特征的组合集，由于不同的医疗机构在处理病理玻片数字图像时的试剂、方法、操作水平不同，这些差别会不同程度地影响原始子特征，对原始特征进行拆分和重新组合，能够更好地进行后续对目标病理玻片数字图像的识别。
42.在一些示例中，组合集的原始子特征可以来自于不同的医疗机构。例如第一组合集可以为来同一个医疗机构的目标病理玻片数字图像的经过识别后获得的病变细胞类型和与其对应的置信度，第二组合集可以为来另一个医疗机构的目标病理玻片数字图像的经过识别后获得的病变细胞类型和与其对应的置信度。在一些示例中，组合集可以是多个原
始子特征的任意组合。例如，第一组合集可以为病变细胞类型，第二组合集可以为病变细胞类型和置信度，第三组合集可以为病变细胞类型和病变细胞数量。
43.在一些示例中，多个初步识别模块130可以接收来自组合模块120 的多个组合集并进行特征提取和识别。在一些示例中，一个初步识别模块130可以接收来自组合模块120的一个组合集并进行特征提取和识别。在一些示例中，初步识别模块130的数量可以与组合集的数量相同。在这种情况下，能够一个初步识别模块130可以针对一个组合集进行特征提取和识别。
44.在一些示例中，初步识别模块130可以包括特征提取单元和识别单元。在这种情况下，能够对目标病理玻片数字图像进行特征提取以获得数据特征，并基于数据特征进行识别以获得初步识别结果。在一些示例中，特征提取单元可以被配置为针对病理玻片数字图像目标病理玻片数字图像的组合集进行特征提取以提取数据特征。这种情况下，能够提取目标病理玻片数字图像的组合集的数据特征。
45.在一些示例中，目标病理玻片数字图像可以是最大分辨率的病理玻片数字图像。在这种情况下，能够获得最大分辨率下的目标病理玻片数字图像的组合集的数据特征。在一些示例中，不同的目标病理玻片数字图像的分辨率可以不同。
46.在一些示例中，数据特征可以是组合集中的原始子特征的特征。在一些示例中，数据特征可以包括图像特征和统计特征。在一些示例中，数据特征还可以其他类型的特征。在这种情况下，能够根据不同的组合集提取不同类型的数据特征。
47.在一些示例中，多个初步识别模块130可以包括使用不同的特征提取方法的特征提取单元。在这种情况下，多个初步识别模块能够利用不同的特征提取模型和分类模型对目标病理玻片数字图像进行特征提取和识别以获得初步识别结果。例如，特征提取单元可以是基于方向梯度直方图、局部二值模式、神经网络或卷积神经网络的特征提取器。在一些示例中，用于提取图像特征的特征提取器可以用于处理组合集中能够通过图像表现的原始子特征并提取该原始子特征的图像特征。在一些示例中，特征提取单元也可以是基于其他模型的特征提取器。在这种情况下，不同的特征提取器具有不同的特征提取效果，由此能够提取目标病理玻片数字图像中的不同类型的特征，进而提高识别的准确性。
48.在一些示例中，当一个组合集包括病变细胞类型、病变细胞数量和置信度。特征提取单元可以提取高度鳞状上皮内病变细胞的病变细胞数量、高度鳞状上皮内病变细胞中的并且置信度处于0～0.5的病变细胞数量以及高度鳞状上皮内病变细胞中的并且置信度处于0.5～1的病变细胞数量。在这种请况下，能够获取高度鳞状上皮内病变细胞的置信度与数量的相对关系，并且能够获取低置信度的识别结果对与病变细胞类型的相关关系。
49.在一些示例中，特征提取单元还可以用于统计各种病变细胞的数量占比。在一些示例中，特征提取单元还可以用于统计。在一些示例中，特征提取单元的类型可以根据组合集所包含的原始子特征进行选择。当组合集包括病变细胞类型、病变细胞形状或热度图时，可以选择提取图像特征的特征提取器。
50.在一些示例中，多个初步识别模块130可以包括使用相同的特征提取方法的特征提取单元。在一些示例中，多个特征提取单元的网络结构可以相同。在一些示例中，具有相同网络结构的多个特征提取单元可以具有不同的网络参数。
51.在一些示例中，识别单元可以被配置为接收数据特征并基于数据特征进行识别以
获得初步识别结果。在一些示例中，初步识别模块130 的识别单元可以使用不同的识别方法。例如，识别方法可以是基于随机森林(randomforest，rf)、支持向量机(support vector machine, svm)、决策树(tree)、梯度下降树(gradient boosting decision tree， gbdt)、或极限梯度下降树(extreme gradient boosting，xgboost) 等分类器。在这种情况下，不同的分类器其具有不同的分类效果，能够提高识别的准确性。
52.在一些示例中，初步识别模块130的数量不大于第一预设数量。在一些示例中，第一预设数量是2～10。第一预设数量也可以是任意自然数，并且第一预设数量可以基于识别模型10的计算速度设置。在一些示例中，识别模型10的计算速度与第一预设数量可以呈正相关。在这种情况下，能够避免因初步识别模块130的数量过多而造成的过拟合现象，并且能够基于识别模型10的实际计算速度限定初步识别模块 130的数量。
53.在一些示例中，初步识别模块130可以随时更换，在这种情况下，能够基于实际情况选择合适的初步识别模块130。在一些示例中，多个初步识别模块130基于各个初步识别模块130获得的初步识别结果的特征重要性(后续描述)的进行筛选。在这种情况下，能够获得特征重要性较高的初步识别结果。
54.在一些示例中，初步识别结果可以是利用不同的特征提取方法和分类方法处理不同的组合集获得的。在一些示例中，初步识别结果可以是利用相同的特征提取方法和分类方法处理不同的组合集获得的。在一些示例中，初步识别结果可以是利用不同的特征提取方法和分类方法处理相同的组合集获得的。不同的组合集可以是来源(医疗机构) 不同的组合集或其所组成的原始子特征不完全相同的组合集。在这种条件下，能够以多种方式提取不同的数据特征，并获得针对该特征的初步识别结果。
55.在一些示例中，初步识别结果可以包括目标病理玻片数字图像是否存在多种病变类型的其中一种或多种。在一些示例中，初步识别结果可以包括目标病理玻片数字图像是否存在某一种病变类型。在一些示例中，初步识别结果可以包括目标病理玻片数字图像是否同时存在多种病变类型。在这种情况下，能够根据实际需求选择初步识别结果的类型。
56.在一些示例中，目标病理玻片数字图像的病变类型可以包括鳞癌、腺癌、或腺鳞癌。在一些示例中，目标病理玻片数字图像的病变类型可以包括浸润型鳞癌、内生型鳞癌、溃疡性鳞癌、普通性腺癌、以及粘液性腺癌。例如，初步识别结果可以针对目标病理玻片数字图像是否存在鳞癌或针对目标病理玻片数字图像是否同时存在鳞癌和腺癌。
57.在一些示例中，初步识别结果可以包括部分的原始子特征。例如初步识别结果可以包括病变细胞的病变类型、形状、数量、数量比例、位置、以及置信度中的一个或多个。在一些示例中，初步识别结果还可以包括用于框选病变细胞的识别框和识别框的大小、位置、长宽比等信息中的一个或多个。
58.在一些示例中，一个初步识别模块130获得的初步识别结果可以作为另一个初步识别模块130的输入。也即，在组合集输入到初步识别模块130并获得初步识别结果后，可以利用该初步识别结果形成新的组合集并输入到另一个初步识别模块130并获得初步识别结果。例如，原始特征包括目标病理玻片数字图像中的病变细胞的病变类型、细胞位置和置信度等细胞信息，可以将病变细胞的病变类型、细胞位置和置信度作为第一组合集并输入到一个初步识别模块130中，利用初步识别模块130获取第一组合集中对各个病变细胞按照置信度的大小按照从大到小进行排序，并获取前50个病变细胞的细胞位置以及病变细胞的图
像作为初步识别结果。将病变细胞的图像作为第二组合集并输入另一个初步识别模块130中，并对该图像重新进行识别并获得与该图像相匹配的病变类型，可以将本次获得的病变类型作为初步识别结果或作为新的组合集继续输入到其他初步识别模块130中。
59.在一些示例中，结果汇总模块140可以被配置为基于多个初步识别结果获得终端识别结果。在一些示例中，结果汇总模块140可以为基于神经网络的分类器。在一些示例中，结果汇总模块140可以是基于随机森林(randomforest，rf)、梯度下降树(gradient boosting decisiontree，gbdt)、或极限梯度下降树(extreme gradient boosting，xgboost) 的分类器。在这种情况下，能够利用分类器对初步识别结果进行分类，并获得终端识别结果，能够在训练结果汇总模块140时计算各个初步识别结果的特征重要性。
60.在一些示例中，终端识别结果的表现形式可以与初级识别结果相同。具体而言，终端识别结果可以针对目标病理玻片数字图像是否存在多种病变类型的其中一种或多种。在一些示例中，终端识别结果可以针对目标病理玻片数字图像是否存在某一种病变类型。在一些示例中，终端识别结果可以针对目标病理玻片数字图像是否同时存在多种病变类型。在一些示例中，目标病理玻片数字图像的病变类型可以包括鳞癌、腺癌、或腺鳞癌。在一些示例中，目标病理玻片数字图像的病变类型可以进一步包括浸润型鳞癌、内生型鳞癌、溃疡性鳞癌、普通性腺癌、以及粘液性腺癌。例如，终端识别结果可以针对目标病理玻片数字图像是否存在鳞癌或针对目标病理玻片数字图像是否同时存在鳞癌和腺癌。在一些示例中，终端识别结果可以包括某一种病变类型的病变程度。在一些示例中，终端识别结果可以包括宫颈上皮内瘤变的等级。在一些示例中，终端识别结果可以包括部分的原始子特征。例如终端识别结果可以包括病变细胞的病变类型、形状、数量、数量比例、位置、以及置信度中的一个或多个。在一些示例中，终端识别结果还可以包括用于框选病变细胞的识别框和识别框的大小、位置、长宽比等信息中的一个或多个。
61.图5是示出了本公开示例所涉及的识别方法的流程图。本公开提供了一种用于病理玻片数字图像的识别方法，其使用上文所述的用于病理玻片数字图像的识别模型10进行识别。在这种情况下，能够利用识别模型10对病理玻片数字图像进行识别。在一些示例中，如图5所示，识别方法可以包括：获取多组病理玻片数字图像中的目标病理玻片数字图像的原始特征(步骤s110)，对原始子特征进行组合并获得组合集(步骤s120)，对组合集进行特征提取以提取数据特征并基于数据特征进行识别以获得多个初步识别结果(步骤s130)，利用多个初步识别结果获得终端识别结果(步骤s140)。
62.在步骤s110中，可以获取多组病理玻片数字图像中的目标病理玻片数字图像的原始特征，在一些示例中，病理玻片数字图像可以是全视野数字玻片图像。在这种情况下，能够对全视野数字玻片图像进行识别。在一些示例中，病理玻片数字图像可以包括多种分辨率的目标病理玻片数字图像。在一些示例中，病理玻片数字图像可以是来自目标医院(也即第二目标源)的病理玻片数字图像，并且原始特征可以包括多个原始子特征。
63.在步骤s120中，可以对原始子特征进行组合并获得组合集。在一些示例中，组合集可以是多个原始子特征的任意组合。在一些示例中，可以对原始子特征进行组合并获得多个组合集。在一些示例中，多个组合集中的各个组合集可以包括至少一个原始子特征。在一些示例中，部分组合集的内容可以相同。在一些示例中，多个组合集中的各个组合集可以各不相同。
64.在步骤s130中，可以对组合集进行特征提取以提取数据特征并基于数据特征进行识别以获得多个初步识别结果。其中，数据特征可以包括图像特征和数据特征。在一些示例中，数据特征还可以其他类型的特征。在一些示例中，可以利用特征提取单元进行数据特征的提取。在一些示例中，可以根据组合集的内容选择特征提取单元和识别单元的类型。在一些示例中，初步识别结果可以是针对目标病理玻片数字图像的是否存在某种病变类型的识别结果。
65.在步骤s140中，可以利用多个初步识别结果获得终端识别结果。在一些示例中，终端识别结果可以通过随机森林、gbdt、nn、svm、逻辑回归、贝叶斯网络或xgboost等分类模型获得。
66.图6是示出了本公开示例所涉及的识别模型10的模型成长方法的流程图。在一些示例中，识别模型10的模型成长方法可以包括：获取多组病理玻片数字图像作为训练病理玻片数字图像，对训练病理玻片数字图像进行标注并对训练病理玻片数字图像进行识别以获得原始特征(步骤s210)，对训练病理玻片数字图像的原始特征中的原始子特征进行组合以形成组合集(步骤s220)利用初步识别模块130对训练病理玻片数字图像的组合集进行识别以获得训练病理玻片数字图像的多个第一初步识别结果(步骤s230)，利用训练病理玻片数字图像的标注结果和第一初步识别结果获得第一损失函数以对初步识别模块 130进行训练(步骤s240)，利用训练后的初步识别模块130对来自目标医院(也即第二目标源)的训练病理玻片数字图像进行识别以获得来自目标医院的训练病理玻片数字图像的多个第二初步识别结果 (步骤s250)，利用结果汇总模块140基于多个第二初步识别结果获得终端识别结果(步骤s260)，利用结果汇总模块140基于多个第二初步识别结果获得终端识别结果(步骤s270)，计算各个第二初步识别结果的特征重要性(步骤s280)，基于各个第二初步识别结果的特征重要性对训练后的初步识别模块130进行筛选(步骤s290)。
67.在一些步骤s210中，可以获取多组病理玻片数字图像作为训练病理玻片数字图像，对训练病理玻片数字图像进行标注并对病理玻片数字图像进行识别以获得原始特征。在一些示例中，可以获取来自第一目标源的多组病理玻片数字图像作为训练病理玻片数字图像。
68.在一些示例中，病理玻片数字图像可以包括多种分辨率的训练病理玻片数字图像。在一些示例中，病理玻片数字图像可以具有不同的来源，例如，在一些示例中，病理玻片数字图像可以是来自于不同的医院或研究机构的病理玻片数字图像。在一些示例中，病理玻片数字图像可以是来自于目标医院的不同时期的病理玻片数字图像。在这种情况下，能够获取多组病理玻片数字图像，从而能够增加训练数据，从而能够提高识别模型10的识别效果。
69.在一些示例中，训练病理玻片数字图像可以包括来自于其他医院的训练病理玻片数字图像和来自于目标医院的训练病理玻片数字图像。在这种情况下，能够利用不同来源的训练病理玻片数字图像分别对识别模型10的各个模块进行训练，从而在提高识别模型10的泛用性的同时提高识别模型10对于与目标医院的识别准确性。
70.在一些示例中，可以对训练病理玻片数字图像进行标注以获得标注结果。在一些示例中，标注结果可以由病理医生对训练病理玻片数字图像进行标注获得。在一些示例中，标注结果可以包括病理细胞的病变细胞类型和病变细胞位置。在一些示例中，标注结果可
以利用标注图像体现标注结果。在一些示例中，可以利用矩形识别框对病变细胞进行框选并给出病变细胞的病变类型。在一些示例中，可以勾勒出病变细胞的形状并给出病变细胞的病变类型。在一些示例中，标注结果可以包括训练病理玻片数字图像的病变类型和/或病变程度。在一些示例中，标注结果可以包括训练病理玻片数字图像中的各个分块图像的病变类型和/或病变程度。在这种情况下，能够将标注结果作为识别结果的真值以对识别模型10进行训练。
71.在一些示例中，分块图像可以是利用分块模块对训练病理玻片数字图像进行处理后获得。在一些示例中，分块图像也可以称为patch图片。在一些示例中，分块模块可以利用矩形滑窗对病理玻片数字图像进行裁剪以获得分块图像。在一些示例中，在获得一张分块图像后可以改变矩形滑窗的位置并进行裁剪以获得其他分块图像。在这种情况下，能够利用分块模块获得多张尺寸大小较小的分块图像。
72.在一些示例中，多张分块图像可以具有重叠区域。在这种情况下，能够提高识别模型10的识别准确性。
73.在一些步骤s220中，可以对训练病理玻片数字图像的原始特征中的原始子特征进行组合以形成组合集。在一些示例中，组合集可以为原始子特征的任意组合。组合集的获得方法已经在上文详细说明，在此不再赘述。
74.在一些步骤s230中，可以利用初步识别模块130对组合集进行识别以获得训练病理玻片数字图像的多个第一初步识别结果。该过程与上文所述的利用初步识别模块130和终端识别结果获得目标病理玻片细胞的初步识别结果和终端识别结果的过程相同，在此不再赘述。
75.在一些示例中，多个初步识别模块130的各个初步识别模块130 可以利用不同来源的多组病理玻片数字图像进行训练。在这种情况下，能够使识别模型10对各种来源的病理玻片数字图像均具有良好的识别效果。在一些示例中，训练病理玻片数字图像可以有多个第一初步识别结果。
76.在一些示例中，不同初步识别模块130可以接收来自同一个医院的训练病理玻片数字图像的不同组合集。在一些示例中，不同初步识别模块130可以接收来自不同医院的训练病理玻片数字图像的组合集。在一些示例中，不同初步识别模块130可以接收来自同一个医院的训练病理玻片数字图像的同一个组合集，但使用不同的特征提取方法或分类方法，因此能够提取不同类型的数据特征。在这种情况下，能够利用多个初步识别模块130提取不同医疗机构、不同组合集、或是不同时间段的数据特征。由于在不同情况下的不同的数据特征的重要程度不同，采用多个初步识别模块130能够提高识别模型10的泛用性。
77.在一些步骤s240中，可以利用训练病理玻片数字图像的标注结果和第一初步识别结果获得第一损失函数以对初步识别模块130进行训练。在这种情况下，能够提高初步识别模块130的识别准确性。
78.在一些示例中，第一损失函数通过计算标注结果与第一初步识别结果的差异获得。在一些示例中，标注结果与第一初步识别结果的差异可以包括病变细胞的病变细胞类型的差异。在一些示例中，标注结果与第一初步识别结果的差异可以包括病变细胞位置的差异。在一些示例中，标注结果与第一初步识别结果的差异可以包括训练病理玻片数字图像的病变类型的差异。
79.在一些步骤s250中，可以利用训练后的初步识别模块130对来自目标医院的训练病理玻片数字图像进行识别以获得训练病理玻片数字图像的多个第二初步识别结果。在这种情况下，能够利用训练后的初步识别模块130对来自目标医院的训练病理玻片数字图像进行特征提取以获得不同类型的图像特征。
80.在一些示例中，结果汇总模块140可以利用与目标病理玻片数字图像的来源相同的多组病理玻片数字图像进行训练。在这种情况下，能够使识别模型10对于目标医院具有良好的识别效果。由此，能够使识别模型10适用于不同目标来源的病理玻片数字图像的识别。
81.在一些步骤s260中，可以利用结果汇总模块140基于多个第二初步识别结果获得终端识别结果。在这种情况下，由于多个第二初步识别结果并非完全相同，由此能够利用结果汇总模块140获得统一的终端识别结果。
82.在一些步骤s270中，可以利用来自目标医院的训练病理玻片数字图像的标注结果和终端识别结果获得第二损失函数以对结果汇总模块 140进行训练。在这种情况下，能够提高结果汇总模块140的分类效果，从而提高识别模型10的识别效果。
83.在一些步骤s280中，计算各个第二初步识别结果的特征重要性。在这种情况下，能够根据各个第二初步识别结果的特征重要性判断各个第二初步识别结果对获得终端识别结果的重要程度。在一些示例中，可以用使用基尼指数或袋外数据错误率计算特征重要性。在一些步骤 s290中，可以基于各个第二初步识别结果的特征重要性对训练后的初步识别模块130进行筛选。在一些示例中，可以基于特征重要性对各个初步识别模块130进行从大到小排序，并选择特征重要性较大的预设数量的初步识别模块130，同时剔除其他初步识别模块130。在这种情况下，能够减少初步识别结果的数量，并提高识别模型10的泛用性。在一些示例中，可以利用结果汇总模块140计算各个初步识别结果的特征重要性。在这情况下，能够获得各个初步识别结果对终端识别结果的重要程度。
84.本公开还涉及一种用于病理玻片数字图像的样本增广系统及增广方法。在训练上文所述的识别模型10前，可以利用样本增广系统或增广方法基于宫颈细胞玻片数字图像和与宫颈细胞玻片数字图像相匹配的标注结果获得增广图像和与增广图像相匹配的增广标注结果，并将增广图像和与增广图像相匹配的增广标注结果输入识别模型10以进行训练。在这种情况下，能够获取更丰富的训练集。
85.在一些示例中，本公开所涉及的样本增广系统可以用于获得用于训练病理玻片数字图像的识别模型10的训练数据集。在一些示例中，本文的样本增广系统或增广方法既可以对上文所述的病理玻片数字图像(宫颈细胞玻片数字图像)进行增广，也可以对上文所述的分块图像进行增广，以下通过以病理玻片数字图像为例子进行说明。
86.在一些示例中，训练数据集可以包括病理玻片数字图像和与病理玻片数字图像相匹配的标注结果。在一些示例中，训练数据集可以包括通过样本增广系统获得的增广图像和与增广图像相匹配的增广标注结果。在这种情况下，能够生成高质量的训练数据集，从而能够提高识别模型10的效果。
87.在一些示例中，样本增广系统可以包括获取模块、多个增广模块、以及分配模块。在一些示例中，获取模块可以配置为获取病理玻片数字图像以及与病理玻片数字图像相匹配的标注结果。在这种情况下，样本增广系统能够对病理玻片数字图像以及与病理玻片数
字图像相匹配的标注结果进行增广或存储病理玻片数字图像以及与病理玻片数字图像相匹配的标注结果。在一些示例中，各个增广模块可以配置为基于不同的样品增广方法对病理玻片数字图像和标注结果进行处理以获得增广图像和与增广图像相匹配的增广标注结果。在这种情况下，能够使用不同的样品增广方法对病理玻片数字图像进行处理以获得具有不同特征的增广图像。在一些示例中，分配模块可以配置为根据预定设置选择用于处理病理玻片数字图像的至少一个增广模块。在这种情况下，能够基于实际需求对病理玻片数字图像进行多次增广，并获得满足实际需求的增广图像。在一些示例中，样本增广系统还可以包括存储模块。在这种情况下，能够存储病理玻片数字图像以及与病理玻片数字图像相匹配的标注结果，并在需要使用时读取需要的病理玻片数字图像和标注结果。
88.在一些示例中，样品增广方法可以包括反转、旋转、光暗度变化、对比度变化和缩放等。在一些示例中，增广模块的样品增广方法还可以包括噪声增广。例如加入随机椒盐噪声和/或随机rgb噪声。
89.在一些示例中，增广模块的样品增广方法还可以包括像素扰动。具体地，可以将掩膜图像和病理玻片数字图像进行融合以获得增广图像。在一些示例中，融合的方式可以为将掩膜图像和病理玻片数字图像中的相应像素进行叠加。在这种情况下，能够便捷地在病理玻片数字图像中加入噪声。在一些示例中，掩膜图像的尺寸大小可以与病理玻片数字图像的尺寸大小相同。在一些示例中，掩膜图像的颜色通道的数量可以跟病理玻片数字图像的颜色通道的数量相同。在这种情况下，能够分别针对不同的颜色通道进行处理。在一些示例中，掩膜图像中各个像素点的像素值可以随机分布在一定范围内。在一些示例中，像素值的分布范围可以是随机的。在一些示例中，像素值的分布范围可以是根据实际情况修改。在这种情况下，能够针对实际情况选择掩膜图像中各个像素点的像素值范围。在一些示例中，可以对掩膜图像和病理玻片数字图像融合后的增广图像的各个像素点进行修正以使增广图像的各个像素点的像素值在预设范围内。
90.在一些示例中，增广模块可以包括图像处理单元和标注处理单元。在一些示例中，图像处理单元可以配置为基于样品增广方法对对病理玻片数字图像进行增广并获得增广图像。在一些示例中，标注处理单元配置为基于样品增广方法获得与增广图像相匹配的增广标注结果。在这种情况下，能够利用标注处理单元获得与增广图像相匹配的增广标注结果，从而减少了对增广图像重新进行标注的工作量。
91.在一些示例中，标注结果可以包括对病理玻片数字图像中的检测目标进行框选的标注框。在一些示例中，检测目标可以是病理玻片数字图像中的病理细胞。在一些示例中，经过增广后的增广图像的增广标注结果可以与原本的病理玻片数字图像的标注结果相同。在一些示例中，标注处理单元可以基于样品增广方法对标注结果进行处理以获得增广标注结果。
92.在一些示例中，从通过一个增广模块生成的增广图像和增广标注结果可以作为另一个增广模块的输入，并输出新的增广图像和增广标注结果。在这种情况下，病理玻片数字图像的样品增广方法可以更加丰富。
93.图7是示出了本公开示例所涉及的通过基于高斯横纵条纹的增广模块获得的增广图像的示例图。在一些示例中，在多个增广模块中，包括基于高斯横纵条纹的增广模块。在一些示例中，基于高斯横纵条纹的增广模块可以包括条纹图像生成单元和计算单元。在一
些示例中，条纹图像生成单元可以配置为生成符合高斯分布的条纹图像。在一些示例中，条纹图像可以包括多个条纹。在一些示例中，参见图7条纹图像中的多个条纹的灰度值可以满足高斯分布。在一些示例中，条纹图像内部可以具有灰度值较高的条纹，并且与该条纹的距离越远的条纹的灰度值越低。在一些示例中，条纹图像内部可以具有灰度值较低的条纹，并且与该条纹的距离越远的条纹的灰度值越高。由于对于病理玻片数字图像一般通过条状扫描方式获得，可能会出现每个条状区域都有色彩域偏移的情况。在这种情况下，符合高斯分布的条纹图像能够模拟病理玻片数字图像在扫描过程中色彩域偏移的情况。
94.在一些示例中，条纹图像中的各个条纹的宽度可以相同。在这种情况下，能够模拟病理玻片数字图像在扫描过程中病理玻片扫描仪的扫描距离保持不变的情况。在一些示例中，条纹图像中的各个条纹的宽度可以不相同。这种情况下，能够模拟扫描过程中病理玻片扫描仪的扫描距离发生改变的情况。在一些示例中，条纹图像生成单元可以具有可调的参数，可调的参数可以包括期望值和标准差。在这种情况下，能够通过调整参数来改变条纹图像中的灰度的分布状态。
95.在一些示例中，条纹图像可以为横条状、斜条状或纵条状的高斯灰度图。在这种情况下，能够模拟不同的扫描方向导致的色彩域偏移的情况。在一些示例中，计算单元可以配置为基于条纹图像和病理玻片数字图像生成增广图像。在一些示例中，病理玻片数字图像和增广图像可以利用rgb通道表示。在一些示例中，增广图像、条纹图像以及病理玻片数字图像的关系可以通过以下公式表示：y＝x+b*m-a。其中，y表示增广图像中各个像素点的像素值形成的矩阵，x表示病理玻片数字图像中各个像素点的像素值形成的矩阵，m表示条纹图像中各个像素点的像素值形成的矩阵，a为预设参数，b为预设参数。
96.在一些示例中，基于高斯横纵条纹的增广模块可以包括修正单元，修正单元可以配置为接收计算单元生成的增广图像并对增广图像的像素进行修正以获得像素值在预设范围内的增广图像。在这种情况下，能够对增广图像的像素进行修正以获得像素值在预设范围内的增广图像。在一些示例中，预设范围可以为0～255。在一些示例中，修正单元可以按比例调节增广图像的像素值以将像素值限制在预设范围内。在一些示例中，修正单元可以利用归一化方法或标准化方法将增广图像的像素值限制在预设范围内。在一些示例中，修正单元可以根据增广图像的像素值形成的矩阵中的最大值和最小值的差值对矩阵中的值进行等比缩放。在这种情况下，能够使增广图像的矩阵中的各个数值处于合理的范围内。在一些示例中，基于高斯横纵条纹的增广模块获得的增广图像的灰度可以与高斯分布相关。
97.图8是示出了本公开示例所涉及的通过基于图像镶嵌的增广模块的工作原理示例图。图9是示出了本公开示例所涉及的通过基于图像镶嵌的增广模块获得的增广图像的示例图。
98.在一些示例中，多个增广模块中可以包括基于图像镶嵌的增广模块。在一些示例中，基于图像镶嵌的增广模块包括图像筛选单元、镶嵌单元、以及裁剪单元。在这种情况下，能够利用基于图像镶嵌的增广模块对病理玻片数字图像进行处理以获得增广图像。在一些示例中，基于图像镶嵌的增广模块可以接收多张病理玻片数字图像。在这种情况下，利用接收多张病理玻片数字图像进行拼接或镶嵌。
99.在一些示例中，图像筛选单元可以配置为筛选第一预设数量的病理玻片数字图像
作为目标图像31，并筛选第二预设数量的病理玻片数字图像作为背景图像32。在一些示例中，目标图像31可以为包括检测目标的病理玻片数字图像。在一些示例中，背景图像32可以为随机的病理玻片数字图像。在一些示例中，背景图像32可以为不包括检测目标的病理玻片数字图像(参见图8)。在这种情况下，能够获取不同的病理玻片数字图像与后续的图像镶嵌或拼接。在一些示例中，第一预设数量和第二预设数量可以为1～10，例如第一预设数量和第二预设数量可以为2、3、4或5等。在一些示例中，第一预设数量和第二预设数量的和可以小于第三预设数量。在一些示例中，第三预设数量可以为2、3、4、5、6、7、8、9或10等。在一些示例中，目标图像31和背景图像32的分辨率可以为1024*1024、512*512或2048*2048等。在一些示例中，目标图像31和背景图像32的分辨率可以不同。在一些示例中，多张目标图像31的分辨率可以不同。在一些示例中，镶嵌单元可以配置为接收目标图像31和背景图像32并进行拼接和/或镶嵌处理以获得镶嵌图像。在这种情况下，能够通过拼接和/或镶嵌获得镶嵌图像。在一些示例中，参见图8，可以将两张分辨率为1024*1024 的目标图像31和两张分辨率为1024*1024的背景图像32进行拼接。在这种情况下，能够获得2048*2048的镶嵌图像。在一些示例中，可以将目标图像31镶嵌在背景图像32上，例如将目标图像31叠置在和背景图像32的上方，并获得边缘不规则的镶嵌图像。
100.在一些示例中，裁剪单元可以配置为接收镶嵌图像并进行裁剪以获得增广图像。在这种情况下，能够将镶嵌图像裁剪为分辨率与病理玻片数字图像相同或相近的增广图像。在一些示例中，裁剪单元的裁剪区域a(参见图9)可以为1024*1024的矩形。在这种情况下，能够获得与病理玻片数字图像的分辨率相同的增广图像。在一些示例中，基于图像镶嵌的增广模块还可以包括边缘填充单元。边缘填充单元可以配置为填充镶嵌图像的四周以扩大镶嵌图像的背景。在这种情况下，能够减少裁剪单元通过裁剪获得的增广图像的无效区域。
101.在一些示例中，边缘填充单元可以利用部分背景图像32对镶嵌图像的四周进行填充。在一些示例中，填充图像33的尺寸大小可以小于镶嵌图像的尺寸。在一些示例中，填充图像33可以随机地填充在镶嵌图像的四周。在一些示例中，填充图像33可以与镶嵌图像的四周拼接以扩大镶嵌图像的大小。在一些示例中，填充图像33可以与镶嵌图像的四周拼接以扩大镶嵌图像的大小。在一些示例中，可以将镶嵌图像覆盖在多张填充图像33上。在这种情况下，能够利用填充图像33扩大镶嵌图像的大小。
102.在一些示例中，填充图像33的大小可以与裁剪单元的裁剪区域a 相关，例如填充图像33的面积可以不小于裁剪区域a的面积。例如，在填充图像33和裁剪区域a均为正方形的情况下，填充图像33的边长可以不小于裁剪区域a的边长。在这种情况下，能够有效减少裁剪单元通过裁剪获得的增广图像的无效区域。
103.在一些示例中，基于图像镶嵌的增广模块还可以包括自由变换单元，自由变换单元可以配置为对镶嵌图像进行随机旋转和/或翻转。在这种情况下，能够提高增广图像的多样性。在一些示例中，基于图像镶嵌的增广模块的标注处理单元可以根据旋转、翻转以及裁剪区域a 计算标注结果。在一些示例中，基于图像镶嵌的增广模块获得的增广图像可以通过多张目标图像31和背景图像32经过拼接和/或镶嵌以及裁剪获得。
104.在一些示例中，样本增广系统可以包括分配模块。在一些示例中，分配模块可以配置为根据预定设置选择用于处理病理玻片数字图像的至少一个增广模块。例如，分配模块
可以选择基于图像镶嵌的增广模块对病理玻片数字图像进行增广以获得增广图像。分配模块也可以选择基于图像镶嵌的增广模块和基于光暗度变化的增广模块对病理玻片数字图像进行增广以获得增广图像。在这种情况下，能够按照实际需求选择增广模块。在一些示例中，预定设置可以设置样本增广系统生成的增广图像数量和类型。
105.在一些示例中，分配模块可以利用多个增广模块处理指定的一张病理玻片数字图像以获得多张增广图像。在一些示例中，分配模块可以利用一个增广模块处理指定的一张病理玻片数字图像以获得多张增广图像。在一些示例中，分配模块可以基于预定设置安排各个增广模块处理病理玻片数字图像的顺序，例如，可以设定依次使用基于反转的增广模块、基于旋转的增广模块、和基于光暗度变化的增广模块对病理玻片数字图像进行增广。在这种情况下，能够通过不同的增广模块或不同的处理顺序获得具有不同特点的增广图像。
106.本公开还提供了一种用于病理玻片数字图像的样本增广方法。在一些示例中，样本增广方法可以通过上文所述的样本增广系统对病理玻片数字图像进行处理以获得增广图像和与所述增广图像相匹配的增广标注结果。具体内容参见样本增广系统的相关描述。
107.虽然以上结合附图和实施例对本公开进行了具体说明，但是可以理解，上述说明不以任何形式限制本公开。本领域技术人员在不偏离本公开的实质精神和范围的情况下可以根据需要对本公开进行变形和变化，这些变形和变化均落入本公开的保护范围内。