CN108074242B - 一种提高炎症识别准确度的方法及装置 - Google Patents
一种提高炎症识别准确度的方法及装置 Download PDFInfo
- Publication number
- CN108074242B CN108074242B CN201810082823.1A CN201810082823A CN108074242B CN 108074242 B CN108074242 B CN 108074242B CN 201810082823 A CN201810082823 A CN 201810082823A CN 108074242 B CN108074242 B CN 108074242B
- Authority
- CN
- China
- Prior art keywords
- liver
- binary image
- inflammation
- region
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30056—Liver; Hepatic
Abstract
本发明公开了一种提高炎症识别准确度的方法及装置,包括:获取肝脏的胶原信号图像,对肝脏的胶原信号图像进行分割,得到提取出胶原蛋白区域的第一肝脏二值图像;对第一肝脏二值图像多次进行闭运算处理,得到第二肝脏二值图像;删除第二肝脏二值图像中所述胶原蛋白区域,得到第三肝脏二值图像,并对第三肝脏二值图像进行优化处理后,得到提取出至少一个炎症候选区域的第四肝脏二值图像;依据预设的炎症特征库,计算每一个炎症候选区域的相似度;在所述炎症候选区域中,选取出相似度大于预设相似度阈值的区域,得到炎症区域。这样,实现了对肝脏炎症的自动化识别,提高了炎症检测的效率,并且降低了误检率和漏检率。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种提高炎症识别准确度的方法及装置。
背景技术
脂肪性肝病是指由于各种原因引起的肝细胞内脂肪堆积过多的病变,主要分为酒精性和非酒精性两类。近年来随着人们生活水平的提高,在各种不良生活方式的影响下,我国脂肪性肝病患者愈来愈多,并且年龄逐步趋向年轻化,脂肪肝病也成为危害我国危害健康的第二大肝病。
在脂肪性肝病的检测过程中,肝脏炎症,尤其是肝脏的小叶内炎症对脂肪性肝病的检测起到非常重要的作用。
现有技术中,对于肝脏炎症的检测,通常是依赖于医生进行评估。但是依赖于医生的评估方式具有很大的主观性,需要依赖医生的经验和知识,很有可能出现误检和漏检的情况。
发明内容
有鉴于此,本发明实施例提供了一种提高炎症识别准确度的方法及装置,实现了对肝脏炎症的自动化识别,提高了炎症检测的效率,并且降低了误检率和漏检率。
本发明实施例提供的一种提高炎症识别准确度的方法,包括:
获取肝脏的胶原信号图像;
对所述肝脏的胶原信号图像进行分割,得到提取出胶原蛋白区域的第一肝脏二值图像;
对所述第一肝脏二值图像多次进行闭运算处理,在每次闭运算后删除面积小于预设面积阈值的胶原蛋白区域,并在最后一次闭运算后得到第二肝脏二值图像;
删除所述第二肝脏二值图像中所述胶原蛋白区域,得到第三肝脏二值图像;
对所述第三肝脏二值图像进行优化处理,得到提取出至少一个炎症候选区域的第四肝脏二值图像;
依据预设的炎症特征库,计算每一个所述炎症候选区域的相似度;
在所述炎症候选区域中,选取出相似度大于预设相似度阈值的区域,得到炎症区域。
可选的,还包括:
获取肝脏的数字病理图像;
对所述肝脏的数字病理图像进行滤波,得到胶原信号图像和组织信号图像。
可选的,还包括:
将所述组织信号图像进行二值化处理,得到第一组织区域二值图像;
对所述第一组织区域二值图像进行图像填充;
计算所述第一组织区域二值图像中每个连通域的面积;
删除各个所述连通域中面积小于预设连通域面积阈值的连通域,得到第二组织区域二值图像;
采用所述第二组织区域二值图像对所述肝脏的胶原信号图像进行优化处理。可选的,所述对所述第一肝脏二值图像进行多次闭运算处理,在每次闭运算后删除面积小于预设面积阈值的胶原蛋白区域,并在最后一次闭运算后得到第二肝脏二值图像,包括:
采用第一结构元素对所述第一肝脏二值图像进行闭运算,得到第五肝脏二值图像;
删除所述第五肝脏二值图像中面积小于第一面积阈值的胶原蛋白区域,得到第六肝脏二值图像;
采用第二结构元素对所述第六肝脏二值图像进行闭运算,得到第二肝脏二值图像。
可选的,所述依据预设的炎症特征库,计算每一个所述炎症候选区域的相似度,包括:
提取每个所述炎症候选区域的预设特征;
将每个所述炎症候选区域的预设特征和所述炎症特征库中的参考特征进行匹配,计算每个所述炎症候选区域的相似度。
可选的,所述对所述第三肝脏二值图像进行优化处理,得到第四肝脏二值图像,包括:
采用第三结构元素对所述第三肝脏二值图像进行闭运算,得到第七肝脏二值图像;
删除所述第七肝脏二值图像中面积小于第二面积阈值的炎症候选区域,得到第八肝脏二值图像;
采用第四结构元素对所述第八肝脏二值图像进行闭运算,得到第四肝脏二值图像。
可选的,还包括:
提取所述组织信号图像中第一类血管结构的区域和第二类血管结构的区域。
可选的,还包括:
依据所述第四肝脏二值图像中的炎症区域和所述组织信号图像中的第一类血管结构的区域和第二类血管结构的区域,确定第一类炎症区域和第二类炎症区域。
可选的,还包括:
对每个所述第一类炎症区域和每个所述第二类炎症区域进行量化处理。
本发明实施例还提供了一种提高炎症识别准确度的装置,包括:
获取单元,用于获取肝脏的胶原信号图像;
分割单元,用于对所述肝脏的胶原信号图像进行分割,得到提取出胶原蛋白区域的第一肝脏二值图像;
运算单元,用于对所述第一肝脏二值图像多次进行闭运算处理,在每次闭运算后删除面积小于预设面积阈值的胶原蛋白区域,并在最后一次闭运算后得到第二肝脏二值图像;
删除单元,用于删除所述第二肝脏二值图像中所述胶原蛋白区域,得到第三肝脏二值图像;
优化单元,用于对所述第三肝脏二值图像进行优化处理,得到提取出至少一个炎症候选区域的第四肝脏二值图像;
计算单元,用于依据预设的炎症特征库,计算每一个所述炎症候选区域的相似度;
选取单元,用于在所述炎症候选区域中,选取出相似度大于预设相似度阈值的区域,得到炎症区域。
本发明实施例提供了一种提高炎症识别准确度方法及装置,获取肝脏的胶原信号图像;对肝脏的胶原信号图像进行分割,得到提取出胶原蛋白区域的第一肝脏二值图像;对第一肝脏二值图像多次进行闭运算处理,在每次闭运算后删除面积小于预设面积阈值的胶原蛋白区域,并在最后一次闭运算后得到第二肝脏二值图像;删除第二肝脏二值图像中所述胶原蛋白区域,得到第三肝脏二值图像,并对第三肝脏二值图像进行优化处理后,得到提取出至少一个炎症候选区域的第四肝脏二值图像;依据预设的炎症特征库,计算每一个炎症候选区域的相似度;在所述炎症候选区域中,选取出相似度大于预设相似度阈值的区域,得到炎症区域。这样,实现了对肝脏炎症的自动化识别,提高了炎症检测的效率,并且降低了误检率和漏检率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1示出了本发明实施例提供的一种提高炎症识别准确度方法的流程示意图;
图2-a示出了本发明实施例提供的病理图像示意图;
图2-b示出了本发明实施例提供的肝脏组织信号图像示意图;
图2-c示出了本发明实施例提供的胶原信号图像示意图;
图3-a示出了本发明实施例提供的第一肝脏的二值图像的示意图;
图3-b示出了本发明实施例提供的五肝脏二值图像的示意图;
图3-c示出了本发明实施例提供的第六肝脏二值图像的示意图;
图3-d示出了本发明实施例提供的第二肝脏二值图像的示意图;
图3-e示出了本发明实施例提供的提取出炎症候选区域的第三肝脏二值图像的示意图;
图3-f示出了本发明实施例提供的提取出炎症候选区域的第八肝脏二值图像的示意图;
图3-g示出了本发明实施例提供的提取出炎症候选区域的第四肝脏二值图像的示意图;
图4示出了本发明实施例提供的炎症区域的示意图;
图5示出了本发明实施例提供的相似度热度图;
图6示出了本发明实施例提供的一种对炎症进行分类的方法的示意图;
图7示出了本发明实施例提供的一种提高炎症识别准确度的装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参考图1,示出了本发明实施例提供的一种提高炎症识别准确度的方法的流程示意图,在本实施例中,该方法包括:
S101:获取肝脏的胶原信号图像;
本实施例中,参考图2-a,通过相关仪器对肝脏进行扫描,得到肝脏的病理图像;其中,肝脏的病理图像中包括:肝脏组织信号图像和胶原信号图像。可以通过对肝脏的病理图像进行滤波,分离出肝脏组织信号图像(如图2-b),和胶原信号图像(如图2-c所示),具体的,包括:
获取肝脏的数字病理图像;
对所述肝脏的数字病理图像进行滤波,得到胶原信号图像和组织信号图像。
其中,胶原信号图像的特征和组织信号图像的特征可以是通过二次谐波和双光子荧光显微镜对肝脏细胞和肝脏胶原蛋白扫描得到的,因此,肝脏组织信号图像还可以称为TPEF(英文全称:two-photon excitation fluorescence,中文全称:双光子荧光)SHG(英文全称:second harmonic generation,中文全称:二次谐波纤维镜成像)。
本实施例中,得到的胶原信号图像可能包括一些小块组织或者异常胶原,在对胶原信号图像进行炎症识别时,可能会出现将小块组织或者异常胶原识别为炎症区域,因此,胶原信号图像中的小块组织和异常胶原会对炎症的识别造成干扰。
为了排除对炎症识别的干扰,还可以对胶原信号图像进行预处理,具体的,还包括:
将所述组织信号图像进行二值化处理,得到第一组织区域二值图像;
对所述第一组织区域二值图像进行图像填充;
计算所述第一组织区域二值图像中每个连通域的面积;
删除各个所述连通域中面积小于预设连通域面积阈值的连通域,得到第二组织区域二值图像;
采用所述第二组织区域二值图像对所述肝脏的胶原信号图像进行优化处理。
举例说明:假设得到的第二组织区域二值图像为BWmask,采用所述第二组织区域二值图像对所述肝脏的胶原信号图像进行优化处理,具体的可以为:肝脏的组织信号图像与第二组织区域二值图像进行与操作,例如:I'SHG=ISHGBWmask,其中,I'SHG为经过预处理后的肝脏胶原信号图像。
需要说明的是,S101中得到的胶原信号可以是经过预处理之后得到的。
除此之外,由于一些原因,生成的肝脏病理图像可能包含噪音,因此,在执行S101之前,可以先对原始的胶原信号图像,进行去噪处理。在本实施例中,可以采用多种方法进行去噪处理,例如:采用均值滤波算法、均值滤波算法或者高斯算法中的任意一种或者多种的结合。在本实施例中,对滤波算法不进行限定,可以使用任何一种或者多种有效的去噪方法。
S102:对所述肝脏的胶原信号图像进行分割,得到提取出胶原蛋白区域的第一肝脏的二值图像;
本实施例中,对肝脏的胶原信号图像进行分割的方法包括很多,例如自动阈值的方法、直方图门限法、区域生长法,本实施例中可以选择其中的任何一个方法。优选的,本实施例中采用自动阈值的方法。如图3-a所示,通过图像分割的方法,从肝脏的胶原信号图像中提取出胶原蛋白区域,并得到分割后的二值图像。
S103:所述第一肝脏二值图像进行多次闭运算处理,在每次闭运算后删除面积小于预设面积阈值的胶原蛋白区域,并在最后一次闭运算后得到第二肝脏二值图像;
本实施例中,为了获得图像中较大的连通域,可以对第一肝脏二值图像多次进行闭运算处理,其中,每次闭运算可以采用不同的结构元素,并且,每次进行闭运算后,删除面积较小的区域,具体的,参考图3,S103包括:
采用第一结构元素对所述第一肝脏二值图像进行闭运算,得到第五肝脏二值图像;
删除所述第五肝脏二值图像中面积小于第一面积阈值的胶原蛋白区域,得到第六肝脏二值图像;
采用第二结构元素对所述第六肝脏二值图像进行闭运算,得到第二肝脏二值图像。
需要说明的是:第二结构元素大于第一结构元素的值,并且第一结构元素和第二结构元素的数值可以根据实际情况,由技术人员设定。
本实施例中,是对第一肝脏二值图像进行了两次闭运算处理,并且,第二次闭运算采用的第二结构元素大于第一次币元算时采用的第一结构元素,并且,第一面积阈值也可以根据实际情况,由技术人员设定。
举例说明:采用第一结构元素,对图3-a的第一肝脏二值图像进行第一次闭运算后,得到如图3-b所示的第五肝脏二值图像,删除第五肝脏二值图像中面积较小的区域,得到如图3-c所示的第六肝脏二值图像,从图中可以看出,图3-c的二值图像中仅包括图3-b中面积较大的一些区域;然后采用第二结构元素,对第六肝脏二值图像进行闭运算,得到如图3-d所示的第二肝脏二值图像。
在本实施例中,对第一肝脏二值图像进行闭运算的次数,并不限于两次,可以是多次闭运算后,得到第二肝脏二值图像。
S104:删除所述第二肝脏二值图像中所述胶原蛋白区域,得到第三肝脏二值图像;
本实施例中,需要知道的是,炎细胞所处的位置上不包含胶原蛋白,但是炎细胞周围通常伴随着胶原蛋白,炎症区域包含大量的炎细胞聚集,暗淡疏松的胶原蛋白处通常为炎症区域,如图4的右上和右下所示,具体的为了如图4的左上和左下,其中左上和右上为对应的。
本实施例中,通过是S102的步骤可知,通过对肝脏的胶原信号图形进行分割,提取出了胶原蛋白区域。经过多次闭运算之后的第二肝脏二值图像中获得的区域,包括胶原蛋白周围的像素点。因此,将S103中得到的第二肝脏二值图像减去第一肝脏二值图像中的提取出的胶原蛋白区域,得到的就是可能会存在炎细胞的区域。
举例说明:将S103中的到的图3-d的第二肝脏二值区域减去图3-a中的胶原蛋白区域,得到如图3-e所示的提取出炎症候选区域的第三肝脏二值图像。
S105:对所述第三肝脏二值图像进行优化处理,得到提取出至少一个炎症候选区域的第四肝脏二值图像;
第三肝脏二值图像中提取出的炎症的候选区域,比较的分散,为了获得连通的区域,可以对第三肝脏二值图像进行多次闭运算,具体的,S105包括:
采用第三结构元素对所述第三肝脏二值图像进行闭运算,得到第七肝脏二值图像;
删除所述第七肝脏二值图像中面积小于第二面积阈值的炎症候选区域,得到第八肝脏二值图像;
采用第四结构元素对所述第八肝脏二值图像进行闭运算,得到第四肝脏二值图像。
其中,需要说明的是,第四结构元素大于第三结构元素。
举例说明:将S104中提到的如图3-e所示的第三肝脏二值图像进行闭运算,得到所示的第七肝脏二值图像,删除所述第七肝脏二值图像中面积小于第二面积阈值的炎症候选区域,得到如图3-f第八肝脏二值图像,对第八肝脏二值图像进行闭运算,得到如图3-g所示的第四肝脏二值图像。
S106:根据预设的炎症特征库,计算每一个所述炎症候选区域的相似度;
本实施例中,可以随机选取多个肝脏非染色组织样本的肝脏病理图像,即SHG/TPEF图像,然后通过相关的技术人员,标记出图像中的炎症区域。并将这些炎症区域划分为若干个标准区域,例如,标准炎症区域的大小可以为Mμm×Nμm的矩形区域。利用大量的标准炎症区域建立炎症特征库,其中炎症特征库中包括从各个标准炎症区域获取到的直方图特征、纹理特征等,并将这些特征作为参考特征。
本实施例中,S105具体的可以理解为,计算每个炎症候选区域的预设特征和炎症特征库中的参考特征的相似度,具体的,S105包括:
提取每个所述炎症候选区域的预设特征;
将每个所述炎症候选区域的预设特征和所述炎症特征库中的参考特征进行匹配,计算每个所述炎症候选区域的相似度。
S107:在所述炎症候选区域中,选取出相似度大于预设相似度阈值的区域,得到炎症区域;
举例说明:通过执行S105,计算每个炎症候选区域与预设炎症特征库的相似度,得到如图5所示的相似度热度图,其中颜色越暗的地方表示相似度越大。
根据不同的相似度,判断每个炎症候选区域相似度的值是否大于相似度阈值,若大于相似度阈值,表示该炎症候选区域为炎症区域。
本实施例中,通过获取包含胶原蛋白及附近炎细胞区域的第二肝脏二值图像,减去胶原蛋白区域,得到炎症的候选区域,并计算炎症候选区域的预设特征和预设的炎症特征库的相似度,并将相似度较大的炎症候选区域,作为炎症区域。这样,实现了对肝脏炎症的自动化识别,提高了炎症检测的效率,并且降低了误检率和漏检率。
参考图6,示出了本发明实施例提供的一种对炎症进行分类的方法的示意图,在本实施例中,该方法包括:
S201:获取肝脏的病理图像,并对肝脏的病理图像进行滤波,得到所述肝脏的胶原信号图像和组织信号图像;
S202:提取所述胶原信号图像中的炎症区域,得到第三肝脏二值图像;
本实施例中,S201和S202的步骤和图1对应的实施例中的炎症识别的方法一致,在本实施例中,不再赘述。
S203:提取所述组织信号图像中第一类血管结构和第二类血管结构;
本实施例中,第一类血管结构区域可以为汇管区;第二类血管结构区域可以为中央静脉区。
本实施例中,为了方便理解,先对S202中的两个名词进行解释:
汇管区(英文全称:Portal Tract,英文简称:PT):又成为门管区,肝脏每个肝小叶间含有3-6个汇管区,在肝脏内成数值状分布,包括小叶间动脉、小叶间静脉以及小叶间胆管。除此之外,还包括淋巴管和神经纤维。
中央静脉区(英文全称:Central Vein,英文简称:CV):中央静脉位于肝小叶中央,肝脏细胞以中央静脉为中心向四周略成放射状排列,形成干细胞素。
本实施例中,可以通过决策树的方法,从组织信号图像中提取出第一类血管结构和第二类血管结构,具体的,可以包括:
1)采用图像分割方法,从所述数字病理图像中检测出全部孔洞目标;
其中,孔洞目标包括:类血管结构、脂肪空泡和裂缝;
其中,为了排除对炎症识别的干扰,还可以对胶原信号图像进行预处理,具体的,包括:
将所述组织信号图像进行二值化处理,得到第一组织区域二值图像;
对所述第一组织区域二值图像进行图像填充;
计算所述第一组织区域二值图像中每个连通域的面积;
删除各个所述连通域中面积小于预设连通域面积阈值的连通域,得到第二组织区域二值图像;
采用所述第二组织区域二值图像对所述肝脏的组织信号图像进行优化处理。
举例说明:假设得到的第二组织区域二值图像为BWmask,采用所述第二组织区域二值图像对所述肝脏的组织信号图像进行优化处理,具体的可以为:肝脏的组织信号图像与第二组织区域二值图像进行与操作,例如:I'TPEF=ITPEFBWmask,其中,I'TPEF为经过预处理后的肝脏组织信号。
对I'TPEF进行图像分割,然后对结果二值图像取反,再与BWmask进行图像与操作,删除小尺寸的连通域,可得到初步的孔洞位置的二值图像。
例如,可以采用Ostu’s自动阈值法对I'TPEF进行图像分割。
2)利用决策树分类器把孔洞目标分类为类血管结构、脂肪空泡和组织裂纹三类。
具体的,可以包括:对孔洞目标进行特征提取,提取的特征包括:孔洞密度(HD),孔洞的宽度(HW)和长度(HL),孔洞面积与其凸包面积比(HS),环绕胶原面积(SCA),并基于这些特征,采用决策树的方法将孔洞目标分类为类血管结构、脂肪空泡和组织裂纹。
3)从所述类血管结构中确定出第一类血管结构和第二血管结构;
本实施例中,第一类血管结构区域可以为汇管区;第二类血管结构区域可以为中央静脉区。
具体的,根据类血管结构图像BWvessel和胶原蛋白分布BWC构造PT/CV结构,然后提取特征参数;基于提取到的特征参数,利用决策树分类器识别出汇管区(PT)和中央静脉区(CV)。其中,提取到的特征参数包括:孔洞总面积(HAPC)、最大孔洞的面积(HMAPC)、胶原蛋白总面积(CAPC)、最大胶原蛋白连通域的面积(CMAPC)、胶原蛋白连通域的长度与宽度的比值(CLWPC)。此外,整个图像中的胶原蛋白含量(CPA)也作为分类器的输入特征参数。
S204:依据所述第四肝脏二值图像中的炎症区域和所述组织信号图像中的第一类血管结构的区域和第二类血管结构的区域,确定第一类炎症和第二类炎症。
举例说明:假设第一类血管结构区域为汇管区;第二类血管结构区域为中央静脉区域,则汇管区域相连的炎症区域为第一类炎症,例如汇管区炎症,其余的炎症区域为第二类炎症,例如小叶内炎症。
本实施例中,通过识别组织信号图像中的第一血管结构区域和第二血管结构区域,结合已识别出的炎症区域,对识别出的炎症进行分类。提高了炎症分类的准确性。
本实施例中,在区分出炎症类型后,为了方便医生的诊断,还可以对每个类型的炎症区域进行量化处理,具体的,还包括:对每个所述第一类炎症区域和每个所述第二类炎症区域进行量化处理。
在本实施例中,对于每个区域的量化处理,可以是计算每个类型的炎症区域的面积、长度、宽度,以及每种炎症的数量。
参考图7,示出了本发明实施例提供的一种提高炎症识别准确度的装置的结构示意图,在本实施例中,该装置包括:
获取单元301,用于获取肝脏的胶原信号图像;
分割单元302,用于对所述肝脏的胶原信号图像进行分割,得到提取出胶原蛋白区域的第一肝脏二值图像;
运算单元303,用于对所述第一肝脏二值图像多次进行闭运算处理,在每次闭运算后删除面积小于预设面积阈值的胶原蛋白区域,并在最后一次闭运算后得到第二肝脏二值图像;
删除单元304,用于删除所述第二肝脏二值图像中所述胶原蛋白区域,得到第三肝脏二值图像;
优化单元305,用于对所述第三肝脏二值图像进行优化处理,得到提取出至少一个炎症候选区域的第四肝脏二值图像;
计算单元306,用于依据预设的炎症特征库,计算每一个所述炎症候选区域的相似度;
选取单元307,用于在所述炎症候选区域中,选取出相似度大于预设相似度阈值的区域,得到炎症区域。
可选的,还包括:
数字病理图像获取单元,用于获取肝脏的数字病理图像;
滤波单元,用于对所述肝脏的数字病理图像进行滤波,得到胶原信号图像和组织信号图像。
可选的,还包括:
第一二值处理单元,用于将所述组织信号图像进行二值化处理,得到第一组织区域二值图像;
填充单元,用于对所述第一组织区域二值图像进行图像填充;
计算单元,用于计算所述第一组织区域二值图像中每个连通域的面积;
删除单元,用于删除各个所述连通域中面积小于预设连通域面积阈值的连通域,得到第二组织区域二值图像;
优化单元,用于采用所述第二组织区域二值图像对所述肝脏的胶原信号图像进行优化处理。
可选的,所述运算单元,包括:
第一闭运算子单元,用于采用第一结构元素对所述第一肝脏二值图像进行闭运算,得到第五肝脏二值图像;
第一删除子单元,用于删除所述第五肝脏二值图像中面积小于第一面积阈值的胶原蛋白区域,得到第六肝脏二值图像;
第二闭运算子单元,用于采用第二结构元素对所述第六肝脏二值图像进行闭运算,得到第二肝脏二值图像。
可选的,所述计算单元,包括:
提取子单元,用于提取每个所述炎症候选区域的预设特征;
匹配子单元,用于将每个所述炎症候选区域的预设特征和所述炎症特征库中的参考特征进行匹配,计算每个所述炎症区域的相似度。
可选的,所述优化单元,包括:
第三闭运算子单元,用于采用第三结构元素对所述第三肝脏二值图像进行闭运算,得到第七肝脏二值图像;
第二删除子单元,用于删除所述第七肝脏二值图像中面积小于第二面积阈值的炎症候选区域,得到第八肝脏二值图像;
第四闭运算子单元,用于采用第四结构元素对所述第八肝脏二值图像进行闭运算,得到第四肝脏二值图像。
可选的,还包括:
提取单元,用于提取所述组织信号图像中第一类血管结构的区域和第二类血管结构的区域。
可选的,还包括:
确定单元,用于依据所述第四肝脏二值图像中的炎症区域和所述组织信号图像中的第一类血管结构的区域和第二类血管结构的区域,确定第一类炎症区域和第二类炎症区域。
可选的,还包括:
量化处理单元,用于对每个所述第一类炎症区域和每个所述小叶内炎症区域进行量化处理。
通过本实施例的装置,通过获取包含胶原蛋白及附近炎细胞区域的第二肝脏二值图像,减去胶原蛋白区域,得到炎症的候选区域,并计算炎症候选区域的预设特征和预设的炎症特征库的相似度,并将相似度较大的炎症候选区域,作为炎症区域。这样,实现了对肝脏炎症的自动化识别,提高了炎症检测的效率,并且降低了误检率和漏检率。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种提高炎症识别准确度的方法,其特征在于,包括:
获取肝脏的胶原信号图像;
对所述肝脏的胶原信号图像进行分割,得到提取出胶原蛋白区域的第一肝脏二值图像;对所述第一肝脏二值图像多次进行闭运算处理,在每次闭运算后删除面积小于预设面积阈值的胶原蛋白区域,并在最后一次闭运算后得到第二肝脏二值图像;
将第二肝脏二值图像减去所述第一肝脏二值图像中提取出的胶原蛋白区域,得到第三肝脏二值图像;
对所述第三肝脏二值图像进行优化处理,得到提取出至少一个炎症候选区域的第四肝脏二值图像;
依据预设的炎症特征库,计算每一个所述炎症候选区域的相似度;
在所述炎症候选区域中,选取出相似度大于预设相似度阈值的区域。
2.根据权利要求1所述的方法,其特征在于,还包括:
获取肝脏的数字病理图像;
对所述肝脏的数字病理图像进行滤波,得到胶原信号图像和组织信号图像。
3.根据权利要求2所述的方法,其特征在于,还包括:
将所述组织信号图像进行二值化处理,得到第一组织区域二值图像;
对所述第一组织区域二值图像进行图像填充;
计算所述第一组织区域二值图像中每个连通域的面积;
删除各个所述连通域中面积小于预设连通域面积阈值的连通域,得到第二组织区域二值图像;
采用所述第二组织区域二值图像对所述肝脏的胶原信号图像进行优化处理。
4.根据权利要求1所述的方法,其特征在于,所述对所述第一肝脏二值图像进行多次闭运算处理,在每次闭运算后删除面积小于预设面积阈值的胶原蛋白区域,并在最后一次闭运算后得到第二肝脏二值图像,包括:
采用第一结构元素对所述第一肝脏二值图像进行闭运算,得到第五肝脏二值图像;
删除所述第五肝脏二值图像中面积小于第一面积阈值的胶原蛋白区域,得到第六肝脏二值图像;
采用第二结构元素对所述第六肝脏二值图像进行闭运算,得到第二肝脏二值图像。
5.根据权利要求1所述的方法,其特征在于,所述依据预设的炎症特征库,计算每一个所述炎症候选区域的相似度,包括:
提取每个所述炎症候选区域的预设特征;
将每个所述炎症候选区域的预设特征和所述炎症特征库中的参考特征进行匹配,计算每个所述炎症候选区域的相似度。
6.根据权利要求1所述的方法,其特征在于,所述对所述第三肝脏二值图像进行优化处理,得到第四肝脏二值图像,包括:
采用第三结构元素对所述第三肝脏二值图像进行闭运算,得到第七肝脏二值图像;
删除所述第七肝脏二值图像中面积小于第二面积阈值的炎症候选区域,得到第八肝脏二值图像;
采用第四结构元素对所述第八肝脏二值图像进行闭运算,得到第四肝脏二值图像。
7.根据权利要求2所述的方法,其特征在于,还包括:
提取所述组织信号图像中第一类血管结构的区域和第二类血管结构的区域。
8.根据权利要求7所述的方法,其特征在于,还包括:
依据所述第四肝脏二值图像中的炎症区域和所述组织信号图像中的第一类血管结构的区域和第二类血管结构的区域,确定第一类炎症区域和第二类炎症区域。
9.根据权利要求8所述的方法,其特征在于,还包括:
对每个所述第一类炎症区域和每个所述第二类炎症区域进行量化处理。
10.一种提高炎症识别准确度的装置,其特征在于,包括:
获取单元,用于获取肝脏的胶原信号图像;
分割单元,用于对所述肝脏的胶原信号图像进行分割,得到提取出胶原蛋白区域的第一肝脏二值图像;
运算单元,用于对所述第一肝脏二值图像多次进行闭运算处理,在每次闭运算后删除面积小于预设面积阈值的胶原蛋白区域,并在最后一次闭运算后得到第二肝脏二值图像;
删除单元,用于将第二肝脏二值图像减去所述第一肝脏二值图像中提取出的胶原蛋白区域,得到第三肝脏二值图像;
优化单元,用于对所述第三肝脏二值图像进行优化处理,得到提取出至少一个炎症候选区域的第四肝脏二值图像;
计算单元,用于依据预设的炎症特征库,计算每一个所述炎症候选区域的相似度;
选取单元,用于在所述炎症候选区域中,选取出相似度大于预设相似度阈值的区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810082823.1A CN108074242B (zh) | 2018-01-29 | 2018-01-29 | 一种提高炎症识别准确度的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810082823.1A CN108074242B (zh) | 2018-01-29 | 2018-01-29 | 一种提高炎症识别准确度的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108074242A CN108074242A (zh) | 2018-05-25 |
CN108074242B true CN108074242B (zh) | 2020-09-29 |
Family
ID=62157177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810082823.1A Active CN108074242B (zh) | 2018-01-29 | 2018-01-29 | 一种提高炎症识别准确度的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108074242B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111667482B (zh) * | 2020-06-30 | 2023-08-22 | 杭州筹图科技有限公司 | 一种区域划分方法及相关设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101460976A (zh) * | 2006-06-05 | 2009-06-17 | 仁爱米拉索莱有限公司 | 用于影响人或动物组织的疾病的“体外”诊断方法 |
CN102298700A (zh) * | 2011-06-09 | 2011-12-28 | 华东师范大学 | 一种骨髓病理图像中细胞识别与定位方法 |
CN105139454A (zh) * | 2015-08-06 | 2015-12-09 | 北京工业大学 | 一种三维ct图像中肝脏三维感兴趣区域的自动提取方法 |
CN107045721A (zh) * | 2016-10-24 | 2017-08-15 | 东北大学 | 一种从胸部ct图像中提取肺血管的方法及装置 |
-
2018
- 2018-01-29 CN CN201810082823.1A patent/CN108074242B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101460976A (zh) * | 2006-06-05 | 2009-06-17 | 仁爱米拉索莱有限公司 | 用于影响人或动物组织的疾病的“体外”诊断方法 |
CN102298700A (zh) * | 2011-06-09 | 2011-12-28 | 华东师范大学 | 一种骨髓病理图像中细胞识别与定位方法 |
CN105139454A (zh) * | 2015-08-06 | 2015-12-09 | 北京工业大学 | 一种三维ct图像中肝脏三维感兴趣区域的自动提取方法 |
CN107045721A (zh) * | 2016-10-24 | 2017-08-15 | 东北大学 | 一种从胸部ct图像中提取肺血管的方法及装置 |
Non-Patent Citations (3)
Title |
---|
CT图像的肝脏及肺部肿瘤检测方法研究;王进科;《中国博士学位论文全文数据库》;20180115;全文 * |
Images of IMAGE Segmentation of liver fibrosis;H.-S.WU;《Journal of Microscopy》;20081231;全文 * |
急、慢性病毒性肝炎中胶原的含量与分布;张敏;《临床与实验病理学杂志》;19980830;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108074242A (zh) | 2018-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7076698B2 (ja) | 画像解析方法、画像解析装置、プログラム、学習済み深層学習アルゴリズムの製造方法および学習済み深層学習アルゴリズム | |
CN106815853B (zh) | 对眼底图像中视网膜血管的分割方法和装置 | |
Smaoui et al. | A developed system for melanoma diagnosis | |
US10229488B2 (en) | Method and system for determining a stage of fibrosis in a liver | |
Kanimozhi et al. | Computer aided melanoma skin cancer detection using artificial neural network classifier | |
Vogado et al. | Unsupervised leukemia cells segmentation based on multi-space color channels | |
Di Leo et al. | An improved procedure for the automatic detection of dermoscopic structures in digital ELM images of skin lesions | |
Su et al. | Detection of tubule boundaries based on circular shortest path and polar‐transformation of arbitrary shapes | |
CN109816655A (zh) | 基于ct图像的肺结节图像特征检测方法 | |
CN113935666A (zh) | 基于图像处理的建筑装饰墙面砖异常评估方法 | |
Huang et al. | An automated computational framework for retinal vascular network labeling and branching order analysis | |
Rachna et al. | Detection of Tuberculosis bacilli using image processing techniques | |
CN113129281B (zh) | 一种基于深度学习的小麦茎秆截面参数检测方法 | |
Gupta et al. | Adaptive thresholding for skin lesion segmentation using statistical parameters | |
CN108074242B (zh) | 一种提高炎症识别准确度的方法及装置 | |
Zhao et al. | Automatic identification and morphometry of optic nerve fibers in electron microscopy images | |
Gao et al. | Automatic measurement of skin textures of the dorsal hand in evaluating skin aging | |
Zhang et al. | Retinal spot lesion detection using adaptive multiscale morphological processing | |
Kim et al. | Tongue diagnosis method for extraction of effective region and classification of tongue coating | |
Roy et al. | Detection of retinal microaneurysms using fractal analysis and feature extraction technique | |
Palokangas et al. | Segmentation of folds in tissue section images | |
EP3877990A1 (en) | Method for identification of different categories of biopsy sample images | |
JP2017523423A (ja) | 線維化を検出及び定量化する方法 | |
Cao et al. | Leaf vein extraction and angle measurement using hue information and line detection | |
Raju Maher et al. | A Decision Support System for Automatic Screening of Non-proliferative Diabetic Retinopathy |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |