CN108564578A - 病理诊断辅助方法、装置及系统 - Google Patents
病理诊断辅助方法、装置及系统 Download PDFInfo
- Publication number
- CN108564578A CN108564578A CN201810335254.7A CN201810335254A CN108564578A CN 108564578 A CN108564578 A CN 108564578A CN 201810335254 A CN201810335254 A CN 201810335254A CN 108564578 A CN108564578 A CN 108564578A
- Authority
- CN
- China
- Prior art keywords
- image
- resolution
- pathological
- suspected abnormality
- pathological section
- 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.)
- Pending
Links
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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明实施例公开一种病理诊断辅助方法及装置，其中方法包括：采用第一分辨率扫描病理切片，得到第一图像；确定第一图像的至少一局部区域为疑似病灶区域；采用第二分辨率扫描病理切片对应疑似病灶区域的部分，得到第二图像，其中，第二分辨率高于所述第一分辨率；发送第二图像，第二图像用于进行病理诊断或辅助诊断。本发明实施例只需先得到病理切片低分辨率的第一图像，后续只需对识别出的疑似病灶区域进行扫描得到高分辨的第二图像而不是整个病理切片的高分辨率的图像，可以有效减少获取病理图像的获取时间，同时由于病理图像只是疑似病灶组织的高分辨率图像，减小了需要传输的病理图像数据的数据量，因此也减少了传输病理图像的传输时间。
Description
技术领域
本发明涉及医疗诊断技术领域，尤其涉及一种病理诊断辅助方法、装置及系统。
背景技术
医疗资源分布不均匀是普遍存在的问题。例如，专业病理科医生有限，高水平的病理科医生往往只分布在有限的区域(例如分布在少数大型医院)，因此某些地区的病患者往往不能及时得到专业的病理诊断和服务。
随着医学影像技术的发展，影像图像已经成为医生进行诊断的重要依据，远程诊断就是将计算机技术、通信技术与医学影像技术相结合产生的新的诊断方法。然而由于医学影像诊断的特殊性，远程诊断所需的医学影像的分辨率要求高，获取和/或传输高分辨率的医学影像都非常耗时，影响了远程诊断服务的时效性。
发明内容
本发明实施例提供一种病理诊断辅助技术方案。
第一方面，本发明实施例提供了一种病理诊断辅助方法，该方法包括：
采用第一分辨率扫描病理切片，得到第一图像；
确定所述第一图像的至少一局部区域为疑似病灶区域；
采用第二分辨率扫描所述病理切片对应所述疑似病灶区域的部分，得到第二图像，所述第二分辨率高于所述第一分辨率；
发送所述第二图像，所述第二图像用于进行病理诊断或辅助诊断。
可选地，所述发送所述第二图像之后，还包括：采用所述第二分辨率扫描所述病理切片除对应所述疑似病灶区域之外的其他部分，得到第三图像；发送所述第三图像。
可选地，所述确定所述第一图像的至少一局部区域为疑似病灶区域，包括：至少根据预定的病理组织关注优先级，确定所述第一图像的至少一局部区域为疑似病灶区域。
可选地，确定所述第一图像的至少一局部区域为疑似病灶区域，包括：至少基于神经网络模型对所述第一图像进行疑似病灶区域的识别和定位。
可选地，所述神经网络模型包括：区域分类网络模型，和/或，分割卷积神经网络模型。
可选地，所述神经网络模型基于具有第三分辨率的包括有病灶区域标注信息的训练图像预先训练而得，所述第三分辨率大于或者等于所述第一分辨率。
可选地，所述神经网络模型的训练方法包括：获取多张所述训练图像；对每张所述训练图像进行处理，生成每张所述训练图像对应的多张不同分辨率的目标训练图像；使用所述训练图像和所述目标训练图像训练所述神经网络模型。
可选地，发送所述第三图像之后，还包括：融合所述第二图像和所述第三图像，得到第四图像；存储所述第四图像。
第二方面，本发明提供一种病理诊断辅助装置，该装置包括：
扫描单元，用于采用第一分辨率扫描病理切片，得到第一图像；
处理单元，用于确定所述第一图像的至少一局部区域为疑似病灶区域；
所述扫描单元还用于：
采用第二分辨率扫描所述病理切片对应所述疑似病灶区域的部分，得到第二图像，所述第二分辨率高于所述第一分辨率；
发送单元：用于发送所述第二图像，其中，所述第二图像用于进行病理诊断或辅助诊断。
可选地，所述扫描单元还用于：采用所述第二分辨率扫描所述病理切片除对应所述疑似病灶区域之外的其他部分，得到第三图像；
可选地，所述发送单元还用于：发送所述第三图像。
可选地，所述处理单元具体用于：至少根据预定的病理组织关注优先级，确定所述第一图像的至少一局部区域为疑似病灶区域。
可选地，所述处理单元具体用于：至少基于神经网络模型对所述第一图像进行疑似病灶区域的识别和定位。
可选地，所述神经网络模型包括：区域分类网络模型，和/或，分割卷积神经网络模型。
可选地，所述神经网络模型基于具有第三分辨率的包括有病灶区域标注信息的训练图像预先训练而得，所述第三分辨率大于或者等于所述第一分辨率。
可选地，所述处理单元还用于：获取多张所述训练图像；对每张所述训练图像进行处理，生成每张所述训练图像对应的多张不同分辨率的目标训练图像；使用所述训练图像和所述目标训练图像训练所述神经网络模型。
可选地，所述处理单元还用于：融合所述第二图像和所述第三图像，得到第四图像；
所述装置还包括：
存储单元，用于存储所述第四图像。
第三方面，本发明实施例提供一种电子设备，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行上述第一方面所述的方法。
第四方面，本发明实施例提供一种病理诊断辅助系统，包括：第一电子设备和第二电子设备，其中，
所述第一电子设备用于：
采用第一分辨率扫描病理切片，得到第一图像；
确定所述第一图像的至少一局部区域为疑似病灶区域；
采用第二分辨率扫描所述病理切片对应所述疑似病灶区域的部分，得到第二图像，所述第二分辨率高于所述第一分辨率；
向所述第二电子设备发送所述第二图像，所述第二图像用于进行病理诊断或辅助诊断；
所述第二电子设备用于：
接收所述第一电子设备发送的所述第二图像。
可选地，所述第一电子设备在发送所述第二图像之后，还用于：
采用所述第二分辨率扫描所述病理切片除对应所述疑似病灶区域之外的其他部分，得到第三图像；发送所述第三图像。
可选地，所述第一电子设备确定所述第一图像的至少一局部区域为疑似病灶区域，包括：至少根据预定的病理组织关注优先级，确定所述第一图像的至少一局部区域为疑似病灶区域。
可选地，所述第一电子设备确定所述第一图像的至少一局部区域为疑似病灶区域，包括：至少基于神经网络模型对所述第一图像进行疑似病灶区域的识别和定位。
可选地，所述神经网络模型包括：区域分类网络模型，和/或，分割卷积神经网络模型。
可选地，所述神经网络模型基于具有第三分辨率的包括有病灶区域标注信息的训练图像预先训练而得，所述第三分辨率大于或者等于所述第一分辨率。
可选地，所述第一电子设备还用于：获取多张所述训练图像；对每张所述训练图像进行处理，生成每张所述训练图像对应的多张不同分辨率的目标训练图像；使用所述训练图像和所述目标训练图像训练所述神经网络模型。
可选地，所述第一电子设备在发送所述第三图像之后，还用于：融合所述第二图像和所述第三图像，得到第四图像；存储所述第四图像。
可选地，所述第一电子设备还用于：向所述第二电子设备发送所述第四图像；所述第二电子设备还用于：接收并存储所述第四图像。
可选地，所述第二电子设备还用于：接收所述第三图像；融合所述第二图像和所述第三图像，得到第五图像；存储所述第五图像。
本发明实施例先对病理切片采用第一分辨率进行扫描得到病理切片对应的第一图像，然后确定第一图像中的疑似病灶区域，再对第一图像中疑似病灶区域在病理切片中对应的位置采用第二分辨率进行扫描得到第二图像，其中，第二分辨率高于第一分辨率。由于只需先得到病理切片较低分辨率的第一图像，后续只需对确定出的疑似病灶区域在病理切片对应位置进行高分辨率的扫描而不是对整个病理切片进行高分辨率的扫描，可以有效减少对病理切片进行高分辨率扫描获取高分辨率的病理图像的获取时间。同时由于需要传送的病理图像只是疑似病灶区域的高分辨率图像，而不是整个病理切片的高分辨率图像，减小了需要传输的病理图像数据的数据量，因此也减少了传输病理图像的传输时间，从而能够有效减少远程辅助诊断所需的时间，使远程辅助诊断更加及时。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种病理诊断辅助方法的示意流程图；
图2是本发明另一实施例提供的一种病理诊断辅助方法的示意流程图；
图3是本发明另一实施例提供的确定第一图像中疑似病灶区域的示意图；
图4是本发明另一实施例提供的一种病理诊断辅助方法的示意流程图；
图5是本发明实施例提供的一种病理诊断辅助装置的示意性框图；
图6是本发明实施例提供的一种病理诊断辅助电子设备的示意框图；
图7是本发明实施例提供的一种病理诊断辅助系统的交互示意图。
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。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
本发明实施例提供一种病理诊断辅助方法，请参见图1，图1是本发明实施例提供的一种病理诊断辅助方法的示意流程图，如图1所示，该方法包括：
101、采用第一分辨率扫描病理切片，得到第一图像；
在获取病人的病理切片之后，采用相对较低的第一分辨率对病理切片进行扫描，以便在相对较短的时间内，获得该病理切片完整的较低分辨率的第一图像，举例来讲，常规诊断中，需要将病理切片在放大40倍至100倍的情况下进行扫描，得到的高分辨率的扫描图像分辨率通常在105x105级别，占据的存储空间也在百兆字节以上，本发明实施例中，可以选择将病理切片在放大15倍的情况下进行扫描，以得到较低分辨率的扫描图像，比如只要求得到104x104级别的图像。可以理解，上述例子仅用作举例，不能理解为具体限定。
102、确定所述第一图像中至少一局部区域为疑似病灶区域；
在获得病理切片的第一图像之后，可以采用机器学习或者深度学习等人工智能算法，确定第一图像中至少一处局部区域为疑似病灶区域，其中，疑似病灶区域可以是确实为病灶的区域，可以是出现病灶概率较高的区域，还可以是医生关注度高的区域，本发明实施例不作具体限定。
103、采用第二分辨率扫描所述病理切片对应所述疑似病灶区域的部分，得到第二图像；
其中，所述第二分辨率高于所述第一分辨率。在采用人工智能算法确定第一分辨率的第一图像中的疑似病灶区域之后，再采用第二分辨率扫描上述疑似病灶区域在病理切片上的对应位置，得到疑似病灶区域对应的疑似病灶组织在第二分辨率下的第二图像。可以理解，在第二图像中，非疑似病灶区域可以用与疑似病灶区域不同的颜色填充，也可以用第一图像中的非疑似病灶区域填充，本发明不作具体限定。
104、发送所述第二图像。
将第二图像通过网络发送给提供远程辅助诊断或远程病理诊断的第三方机构或者个人，以使其通过相对高分辨率的疑似病灶区域的第二图像进行诊断。
随着医学影像技术的发展，医学影像已经成为医生进行诊断的重要依据，远程诊断就是将医学影像、计算机技术与通信技术相结合产生的新的诊断方法。借助远程诊断系统，基层医院可以对病人的病理切片进行放大然后扫描得到高分辨率的病理切片的病理图像，然后将高分辨率的病理图像发送给医疗水平较高的医院，从而得到专家的正确诊断。
本发明实施例提供的方法，先对病理切片采用第一分辨率进行扫描得到病理切片对应的第一图像，然后确定第一图像中的疑似病灶区域，再对第一图像中疑似病灶区域在病理切片中对应的位置采用第二分辨率进行扫描得到第二图像，其中，第二分辨率高于第一分辨率。由于只需先得到病理切片较低分辨率的第一图像，后续只需对确定出的疑似病灶区域在病理切片对应位置进行高分辨率的扫描而不是对整个病理切片进行高分辨率的扫描，可以有效减少对病理切片进行高分辨率扫描获取高分辨率的病理图像的获取时间。同时由于需要传送的病理图像只是疑似病灶区域的高分辨率图像，而不是整个病理切片的高分辨率图像，减小了需要传输的病理图像数据的数据量，因此也减少了传输病理图像的传输时间，从而能够有效减少远程辅助诊断所需的时间，使远程辅助诊断更加及时。
请参与图2，图2是本发明另一实施例提供的一种病理诊断辅助方法的示意流程图，如图2所示，该方法可包括：
201、训练神经网络模型，得到训练好的神经网络模型；
本发明实施例中，后续至少会采用基于神经网络模型的方法确定病人病理切片中的疑似病灶区域，因此需要对选择使用的神经网络模型进行训练，例如采用梯度下降算法或者反向传播算法训练神经网络模型，优化模型参数，以得到训练好的神经网络模型。本发明实施例中选用的神经网络模型可以是区域分类网络模型和/或分割卷积神经网络模型，其中，区域分类神经网络模型包括但不限于残差网络(Residual Networks，ResNet)模型，VGG16模型，VGGNet模型、Inception模型等，分割卷积神经网络模型包括但不限于全卷积网络(Fully Convolutional Networks，FCN)模型、多任务网络级联MNC模型、Mask-RCNN模型等。
本发明实施例中，为了使最终得到的训练好的神经网络模型的识别结果或者分割结果更加准确，在确定使用的神经网络模型之后，首先，获取多张采用第三分辨率扫描的被标注出病灶区域的病理切片图像作为训练图像，其中，第三分辨率大于或者等于第一分辨率；然后对第三分辨率的训练图像进行处理，例如缩小2倍，缩小4倍等，得到每张训练图像对应的多张不同分辨率的目标训练图像；最后将训练图像以及目标训练图像作为神经网络模型的训练数据，输入到神经网络模型中对神经网络进行训练，得到确定使用的神经网络模型对应的训练好的神经网络模型。
可以理解，上述不同分辨率的目标训练图像也可以是通过在不同分辨率下对病理切片进行扫描，然后对病灶区域进行标注得到的，本发明实施例不作具体限制。
可以理解，在对采用第三分辨扫描得到的病理切片图像进行病灶区域的标注时，可以将医生关注度高的区域或者出现病灶概率较高的区域作为病灶区域进行标注，例如对于肝脏而言，如果肝裸区为出现病灶概率较高的区域，则在标注时将病理切片中肝裸区对应的区域标注为病灶区域。
202、采用第一分辨率扫描病理切片，得到第一图像；
由实践经验可知，获取的图像的分辨率越高，扫描所需的时间越长，在获取了病人的病理切片之后，采用相对较低的第一分辨率对病理切片进行扫描，以便在相对较短的时间内，获得该病理切片完整的第一分辨率的第一图像。
203、基于神经网络模型对所述第一图像进行疑似病灶区域的识别和定位；
本发明实施例中，采用基于神经网络模型识别或者分割出第一图像中的疑似病灶区域，然后根据第一图像与病理切片之间的对应关系，确定第一图像中疑似病灶区域对应的疑似病灶组织在病理切片中的对应位置。举例来讲，可以采用ResNet模型对第一图像中的不同区域进行分类，在实现时可以采用16x16的滑动窗，以8为步长遍历第一图像的所有区域并对每一个滑动窗内的图像进行识别分类，分类结果包括背景区域、健康区域以及疑似病灶区域，其中，疑似病灶区域可以是确实为病灶的区域，可以是出现病灶概率较高的区域，还可以是医生关注度高的区域。最终输出被分类为疑似病灶区域的滑动窗在第一图像中的图像位置信息，然后根据第一图像与病理切片之间的对应关系，以及图像位置信息，得到疑似病灶区域对应的疑似病灶组织在病理切片中的位置信息。还可以采用FCN模型直接对第一图像中的疑似病灶区域进行分割，得到疑似病灶区域的边缘形状或者边缘形状的最小外接矩形，最终输出疑似病灶区域在第一图像中的图像位置信息，然后根据第一图像与病理切片之间的对应关系，以及图像位置信息，得到疑似病灶区域对应的疑似病灶组织在病理切片中的位置信息。
可以理解，在确定第一图像中的病灶区域时，可以只单独使用任意一种神经网络模型识别和定位第一图像中的疑似病灶区域，也可以使用两种或者两种以上的神经网络模型识别和定位第一图像中的疑似病灶区域，然后将多种神经网络模型确定的疑似病灶区域取并集，作为第一图像中最终确定的疑似病灶区域，举例来讲，如图3所示，图3为确定第一图像中的疑似病灶区域的示意图，其中，图3上部分为病理切片低分辨率的第一图像，阴影部分为组织切片部分，空白部分为背景部分，若图3中间左侧图为采用ResNet模型识别出的疑似病灶区域在第一图像中的示意图，疑似病灶区域的连通域集合P1＝{a1,a2,a3,a4,a5,a6,a7,a8}；图3中间右侧为采用FCN模型识别出的疑似病灶区域在第一图像中的示意图，疑似病灶区域的连通域集合P2＝{a1,b2,a3,a4,a5,a6,b7,a8}，则将两种模型得到的结果取并集得到最终的疑似病灶区域的连通域集合P＝{a1,a2,a3,a4,a5,a6,a7,a8,b2,b7}，在第一图像中的示意图如图3最下层的图所示，即最终输出连通域集合P中十个连通域在第一图像中的图像位置信息。应理解，上述例子仅用作举例，不能理解为具体限定。
本发明实施例中，还可以根据预设的病理组织优先级，识别和定位第一图像中的疑似病灶区域。例如，先对医生关注度高的区域或者出现病灶概率较高的区域进行识别，再对医生关注度低的区域或者出现病灶概率较低的区域进行识别，举例来讲，对于肾脏，其中间部位的肾椎体为医生关注度较高的区域，而其边缘部位的肾皮质为医生关注度较低的区域，则在对肾脏的第一图像进行疑似病灶区域的识别时，先对肾锥体在第一图像中对应的区域进行疑似病灶区域的识别，再对肾皮质在第一图像中对应的区域进行疑似病灶区域的识别。应理解，上述例子仅用作举例，不能理解为具体限定。
204、采用第二分辨率扫描所述病理切片对应所述疑似病灶区域的部分，得到第二图像；
其中，所述第二分辨率高于所述第一分辨率。在采用人工智能算法确定第一分辨率的第一图像中的疑似病灶区域之后，再采用第二分辨率扫描上述疑似病灶区域在病理切片上的对应位置，得到疑似病灶区域对应的疑似病灶组织在第二分辨率下的第二图像。
205、发送所述第二图像。
将第二图像通过网络发送给提供远程辅助诊断或远程病理诊断的第三方机构或者个人，以使其查看和进行诊断。
通过实施本发明实施例提供的方法，利用不同分辨率的被标注出病灶区域的训练图像训练至少一种神经网络模型，然后在相对较低的第一分辨率下对病理切片进行扫描得到病理切片对应的低分辨率的第一图像，再利用至少一种神经网络模型识别和定位第一图像中的疑似病灶区域，并获取疑似病灶区域在病理切片中对应的疑似病灶组织的位置信息，最后在相对较高的第二分辨率下对疑似病灶区域对应的疑似病灶组织进行扫描得到高分辨率的第二图像，由于只需先得到病理切片较低分辨率的第一图像，后续只需对确定出的疑似病灶区域进行高分辨率的扫描而不是对整个病理切片进行高分辨率的扫描，可以有效减少进行高分辨率扫描获取高分辨率的病理图像的获取时间，同时由于需要传送的病理图像只是疑似病灶区域的高分辨率图像，而不是整个病理切片的高分辨率图像，减小了需要传输的病理图像数据的数据量，因此也减少了传输病理图像的传输时间，从而能够有效减少远程辅助诊断所需的时间，使远程辅助诊断更加及时。
请参阅图4，图4是本发明另一实施例提供的一种病理诊断辅助方法的示意流程图，如图4所示，该方法可包括：
401、训练神经网络模型，得到训练好的神经网络模型；
402、采用第一分辨率扫描病理切片，得到第一图像；
403、基于神经网络模型对所述第一图像进行疑似病灶区域的识别和定位；
404、采用第二分辨率扫描所述病理切片对应所述疑似病灶区域的部分，得到第二图像；
405、发送所述第二图像；
本发明实施例中，上述步骤401-405的实现方法在上一实施例中已进行了介绍，在此不再赘述。
406、采用所述第二分辨率扫描所述病理切片除对应所述疑似病灶区域之外的其他部分，得到第三图像；
在得到第二分辨率的疑似病灶区域对应的疑似病灶组织的第二图像之后，采用第二分辨率扫描病理切片中除疑似病灶组织之外的区域，得到第三图像；
407、融合所述第二图像和所述第三图像，得到第四图像；
融合上述第二图像以及第三图像，得到病理切片完整的第二分辨率的第四图像，并存储所述第四图像。
408、发送所述第四图像。
将所述第四图像发送给提供远程辅助诊断的第三方机构或者个人所使用的电子设备，以使第三方机构或者个人能够查看病理切片完整的第二分辨率的图像。
可选地，上述步骤407还可以是：发送所述第三图像。
将第三图像发送给提供远程辅助诊断的第三方机构或者个人所使用的电子设备，由该电子设备融合第二图像与第三图像，得到病理切片完整的第二分辨率的第四图像。
通过实施本发明实施例，可以有效减少进行高分辨率扫描获取高分辨率的病理图像的获取时间，同时也减少了需要传输的病理图像的传输时间，从而能够有效减少远程辅助诊断所需的时间，使远程辅助诊断更加及时。进一步的，在传送完上述第二图像之后，再对病理切片中除疑似病灶组织之外的区域在第二分辨率下进行扫描，最终可以得到病理切片的完整的高分辨率图像。
本发明实施例还提供一种装置，该装置用于执行前述任一项所述的方法的单元。具体地，参见图5，图5是本发明实施例提供的一种装置的示意框图。本实施例的装置包括：扫描单元501、处理单元502以及发送单元503。
扫描单元501，用于采用第一分辨率扫描病理切片，得到第一图像；
处理单元502，用于确定第一图像的至少一局部区域为疑似病灶区域；
扫描单元501还用于：采用第二分辨率扫描病理切片对应疑似病灶区域的部分，得到第二图像，其中，第二分辨率高于所述第一分辨率；
发送单元503，用于发送第二图像，其中，第二图像用于进行病理诊断或辅助诊断。
可选地，扫描单元501还用于：采用第二分辨率扫描病理切片除对应疑似病灶区域之外的其他部分，得到第三图像；
发送单元503还用于：发送第三图像。
可选地，处理单元502还用于：至少根据预定的病理组织关注优先级，确定第一图像的至少一局部区域为疑似病灶区域。
可选地，处理单元502还用于：至少基于神经网络模型对第一图像进行疑似病灶区域的识别和定位。神经网络模型包括区域分类网络模型和/或分割卷积神经网络模型。区域分类神经网络模型包括但不限于ResNet模型，VGG16模型，VGGNet模型、Inception模型等，分割卷积神经网络模型包括但FCN模型、MNC模型、Mask-RCNN模型等。
可选地，处理单元502还用于：基于具有第三分辨率的包括有病灶区域标注信息的训练图像预先训练所述神经网络模型，其中，第三分辨率大于或者等于第一分辨率。具体的，神经网络模型的训练方法为：获取多张训练图像；对每张训练图像进行处理，生成每张训练图像对应的多张不同分辨率的目标训练图像；使用训练图像和目标训练图像训练神经网络模型。可以理解，上述不同分辨率的目标训练图像也可以是通过在不同分辨率下对病理切片进行扫描，然后对病灶区域进行标注得到的，本发明实施例不作具体限制。
可选地，处理单元502还用于：融合第二图像和第三图像，得到第四图像。
可选地，上述装置还包括存储单元504：用于存储第四图像。
请参见图6，图6是本发明另一实施例提供的一种电子设备示意框图。如图6所示的本实施例中的电子设备可以包括：一个或多个处理器601；一个或多个输入设备602，一个或多个输出设备603和存储器604。上述处理器601、输入设备602、输出设备603和存储器604通过总线605连接。存储器602用于存储计算机程序，所述计算机程序包括程序指令，处理器601用于执行存储器602存储的程序指令。其中，处理器601被配置用于调用所述程序指令执行：
控制输入设备602获取采用第一分辨率扫描病理切片得到的第一图像；
确定所述第一图像的至少一局部区域为疑似病灶区域；
控制输入设备602获取采用第二分辨率扫描所述病理切片对应所述疑似病灶区域的部分得到的第二图像，其中，所述第二分辨率高于所述第一分辨率；
控制输出设备603发送所述第二图像，所述第二图像用于进行病理诊断或辅助诊断。
应当理解，在本发明实施例中，所称处理器601可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备602可以包括触控板、传感器、麦克风、电子显微镜等，输出设备603可以包括显示器(LCD等)、扬声器、通信模块等。
存储器604可以包括只读存储器和随机存取存储器，并向处理器601提供指令和数据。存储器604的一部分还可以包括非易失性随机存取存储器。例如，存储器604还可以存储设备类型的信息。
具体实现中，本发明实施例中所描述的处理器601、输入设备602、输出设备603可执行本发明实施例提供的病理诊断辅助方法的第一实施例、第二实施例和第三实施例中所描述的实现方式，也可执行本发明实施例所描述的装置的实现方式，在此不再赘述。
请参阅图7，图7是本发明实施例提供的一种病理诊断辅助系统的交互示意图，如图7所示，该系统包括：第一电子设备和第二电子设备，其中，
第一电子设备用于：
采用第一分辨率扫描病理切片，得到第一图像；
确定第一图像的至少一局部区域为疑似病灶区域；
采用第二分辨率扫描病理切片对应疑似病灶区域的部分，得到第二图像，其中，第二分辨率高于第一分辨率；
向第二电子设备发送第二图像，其中，第二图像用于进行病理诊断或辅助诊断；
第二电子设备用于：
接收第一电子设备发送的第二图像。
可选地，第二电子设备还用于：向第一电子设备发送根据第二图像得到的诊断结果。
可选地，第一电子设备在发送第二图像之后，还用于：采用第二分辨率扫描病理切片除对应疑似病灶区域之外的其他部分，得到第三图像；向第二电子设备发送第三图像。
可选地，第一电子设备确定第一图像的至少一局部区域为疑似病灶区域，包括：至少根据预定的病理组织关注优先级，确定第一图像的至少一局部区域为疑似病灶区域。
可选地，第一电子设备确定第一图像的至少一局部区域为疑似病灶区域，包括：至少基于神经网络模型对第一图像进行疑似病灶区域的识别和定位。其中，神经网络模型包括区域分类网络模型和/或分割卷积神经网络模型。区域分类神经网络模型包括但不限于ResNet模型，VGG16模型，VGGNet模型、Inception模型等，分割卷积神经网络模型包括但FCN模型、MNC模型、Mask-RCNN模型等。
可选地，上述神经网络模型基于具有第三分辨率的包括有病灶区域标注信息的训练图像预先训练而得，其中，第三分辨率大于或者等于第一分辨率。具体的，神经网络模型的训练方法为：获取多张训练图像；对每张训练图像进行处理，生成每张训练图像对应的多张不同分辨率的目标训练图像；使用训练图像和目标训练图像训练神经网络模型。可以理解，上述不同分辨率的目标训练图像也可以是通过在不同分辨率下对病理切片进行扫描，然后对病灶区域进行标注得到的，本发明实施例不作具体限制。
可选地，第一电子设备在发送第三图像之后，还用于：融合所述第二图像和所述第三图像，得到第四图像并存储该第四图像。
可选地，第一电子设备还用于：向第二电子设备发送第四图像；
第二电子设备还用于：接收并存储第四图像。
可选地，第二电子设备还用于：接收第三图像；融合第二图像和第三图像，得到第五图像；存储该第五图像。
具体实现中，本发明实施例中的第一电子设备是可用来执行本发明提供的第一实施例、第二实施例和第三实施例中所描述的方法的终端设备，也可以是包括本发明所描述的装置的终端设备，第二电子设备可以包括移动手机、平板电脑、个人数字助理(PersonalDigital Assistant，PDA)、移动互联网设备(Mobile Internet Device，MID)、服务器等各种终端设备，本发明实施例不作限定。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置、电子设备和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置、电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种病理诊断辅助方法，其特征在于，包括：
采用第一分辨率扫描病理切片，得到第一图像；
确定所述第一图像的至少一局部区域为疑似病灶区域；
采用第二分辨率扫描所述病理切片对应所述疑似病灶区域的部分，得到第二图像，所述第二分辨率高于所述第一分辨率；
发送所述第二图像，所述第二图像用于进行病理诊断或辅助诊断。
2.根据权利要求1所述的方法，其特征在于，发送所述第二图像之后，还包括：
采用所述第二分辨率扫描所述病理切片除对应所述疑似病灶区域之外的其他部分，得到第三图像；
发送所述第三图像。
3.根据权利要求2所述的方法，其特征在于，发送所述第三图像之后，还包括：
融合所述第二图像和所述第三图像，得到第四图像；
存储所述第四图像。
4.一种病理诊断辅助装置，其特征在于，包括：
扫描单元，用于采用第一分辨率扫描病理切片，得到第一图像；
处理单元，用于确定所述第一图像的至少一局部区域为疑似病灶区域；
所述扫描单元还用于：
采用第二分辨率扫描所述病理切片对应所述疑似病灶区域的部分，得到第二图像，所述第二分辨率高于所述第一分辨率；
发送单元，用于发送所述第二图像，其中，所述第二图像用于进行病理诊断或辅助诊断。
5.根据权利要求4所述的装置，其特征在于，
所述扫描单元还用于：
采用所述第二分辨率扫描所述病理切片除对应所述疑似病灶区域之外的其他部分，得到第三图像；
所述发送单元还用于：
发送所述第三图像。
6.根据权利要求5所述的装置，其特征在于，
所述处理单元还用于：
融合所述第二图像和所述第三图像，得到第四图像；
所述装置还包括：
存储单元，用于存储所述第四图像。
7.一种电子设备，其特征在于，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1-3任一项所述的方法。
8.一种病理诊断辅助系统，包括：第一电子设备和第二电子设备，其中，
所述第一电子设备用于：
采用第一分辨率扫描病理切片，得到第一图像；
确定所述第一图像的至少一局部区域为疑似病灶区域；
采用第二分辨率扫描所述病理切片对应所述疑似病灶区域的部分，得到第二图像，所述第二分辨率高于所述第一分辨率；
向所述第二电子设备发送所述第二图像，所述第二图像用于进行病理诊断或辅助诊断；
所述第二电子设备用于：
接收所述第一电子设备发送的所述第二图像。
9.根据权利要求8所述的系统，所述第一电子设备在发送所述第二图像之后，还用于：
采用所述第二分辨率扫描所述病理切片除对应所述疑似病灶区域之外的其他部分，得到第三图像；
发送所述第三图像。
10.根据权利要求9所述的系统，所述第一电子设备在发送所述第三图像之后，还用于：
融合所述第二图像和所述第三图像，得到第四图像；
存储所述第四图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810335254.7A CN108564578A (zh) | 2018-04-13 | 2018-04-13 | 病理诊断辅助方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810335254.7A CN108564578A (zh) | 2018-04-13 | 2018-04-13 | 病理诊断辅助方法、装置及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108564578A true CN108564578A (zh) | 2018-09-21 |
Family
ID=63535087
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810335254.7A Pending CN108564578A (zh) | 2018-04-13 | 2018-04-13 | 病理诊断辅助方法、装置及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108564578A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109636788A (zh) * | 2018-12-11 | 2019-04-16 | 中国石油大学(华东) | 一种基于深度神经网络的ct图像胆结石智能检测模型 |
| CN110223774A (zh) * | 2019-07-05 | 2019-09-10 | 扬州大学附属医院 | 一种实体肿瘤三维病理诊断与三维影像诊断融合方法 |
| CN110335256A (zh) * | 2019-06-18 | 2019-10-15 | 广州智睿医疗科技有限公司 | 一种病理辅助诊断方法 |
| CN110532408A (zh) * | 2019-08-28 | 2019-12-03 | 广州金域医学检验中心有限公司 | 病理切片管理方法、装置、计算机设备及存储介质 |
| CN111009308A (zh) * | 2019-12-06 | 2020-04-14 | 上海国汇已丰生物科技有限公司 | 一种用于远程病理诊断的切图方法 |
| CN111291813A (zh) * | 2020-02-13 | 2020-06-16 | 腾讯科技（深圳）有限公司 | 图像标注方法、装置、计算机设备和存储介质 |
| CN111353975A (zh) * | 2020-02-24 | 2020-06-30 | 北京推想科技有限公司 | 网络模型训练方法及装置、病灶定位方法及装置 |
| CN112653834A (zh) * | 2020-12-01 | 2021-04-13 | 广东鼎诚电子科技有限公司 | 超分辨率扫描成像方法、系统和存储介质 |
| CN112990339A (zh) * | 2021-03-31 | 2021-06-18 | 平安科技（深圳）有限公司 | 胃病理切片图像分类方法、装置及存储介质 |
| CN113613036A (zh) * | 2021-06-25 | 2021-11-05 | 海南视联大健康智慧医疗科技有限公司 | 一种图像传输方法、装置、设备及介质 |
| EP4365909A1 (en) * | 2022-11-07 | 2024-05-08 | Speclipse, Inc. | Skin cancer diagnosis method based on image analysis using artificial intelligence |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105675558A (zh) * | 2016-01-12 | 2016-06-15 | 宁波江丰生物信息技术有限公司 | 一种杆菌自动扫描筛选系统及方法 |
| CN105975793A (zh) * | 2016-05-23 | 2016-09-28 | 麦克奥迪（厦门）医疗诊断系统有限公司 | 一种基于数字病理图像的癌症辅助诊断方法 |
| CN107368670A (zh) * | 2017-06-07 | 2017-11-21 | 万香波 | 基于大数据深度学习的胃癌病理诊断支持系统和方法 |
-
2018
- 2018-04-13 CN CN201810335254.7A patent/CN108564578A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105675558A (zh) * | 2016-01-12 | 2016-06-15 | 宁波江丰生物信息技术有限公司 | 一种杆菌自动扫描筛选系统及方法 |
| CN105975793A (zh) * | 2016-05-23 | 2016-09-28 | 麦克奥迪（厦门）医疗诊断系统有限公司 | 一种基于数字病理图像的癌症辅助诊断方法 |
| CN107368670A (zh) * | 2017-06-07 | 2017-11-21 | 万香波 | 基于大数据深度学习的胃癌病理诊断支持系统和方法 |
Non-Patent Citations (2)
| Title |
|---|
| MILTIADES GLETSOS等: "A Computer-Aided Diagnostic System to Characterize CT Focal Liver Lesions: Design and Optimization of a Neural Network Classifier", 《IEEE TRANSACTIONS ON INFORMATION TECHNOLOGY IN BIOMEDICINE》 * |
| 唐思源: "基于人工神经网络的肺癌细胞图像特征的提取与识别", 《电子世界》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109636788A (zh) * | 2018-12-11 | 2019-04-16 | 中国石油大学(华东) | 一种基于深度神经网络的ct图像胆结石智能检测模型 |
| CN110335256A (zh) * | 2019-06-18 | 2019-10-15 | 广州智睿医疗科技有限公司 | 一种病理辅助诊断方法 |
| CN110223774B (zh) * | 2019-07-05 | 2022-12-13 | 扬州大学附属医院 | 一种实体肿瘤三维病理诊断图像与三维影像诊断图像融合方法 |
| CN110223774A (zh) * | 2019-07-05 | 2019-09-10 | 扬州大学附属医院 | 一种实体肿瘤三维病理诊断与三维影像诊断融合方法 |
| CN110532408A (zh) * | 2019-08-28 | 2019-12-03 | 广州金域医学检验中心有限公司 | 病理切片管理方法、装置、计算机设备及存储介质 |
| CN111009308A (zh) * | 2019-12-06 | 2020-04-14 | 上海国汇已丰生物科技有限公司 | 一种用于远程病理诊断的切图方法 |
| CN111291813A (zh) * | 2020-02-13 | 2020-06-16 | 腾讯科技（深圳）有限公司 | 图像标注方法、装置、计算机设备和存储介质 |
| CN111291813B (zh) * | 2020-02-13 | 2023-10-31 | 腾讯科技（深圳）有限公司 | 图像标注方法、装置、计算机设备和存储介质 |
| CN111353975A (zh) * | 2020-02-24 | 2020-06-30 | 北京推想科技有限公司 | 网络模型训练方法及装置、病灶定位方法及装置 |
| CN112653834B (zh) * | 2020-12-01 | 2022-04-08 | 广东鼎诚电子科技有限公司 | 超分辨率扫描成像方法、系统和存储介质 |
| CN112653834A (zh) * | 2020-12-01 | 2021-04-13 | 广东鼎诚电子科技有限公司 | 超分辨率扫描成像方法、系统和存储介质 |
| CN112990339A (zh) * | 2021-03-31 | 2021-06-18 | 平安科技（深圳）有限公司 | 胃病理切片图像分类方法、装置及存储介质 |
| CN113613036A (zh) * | 2021-06-25 | 2021-11-05 | 海南视联大健康智慧医疗科技有限公司 | 一种图像传输方法、装置、设备及介质 |
| EP4365909A1 (en) * | 2022-11-07 | 2024-05-08 | Speclipse, Inc. | Skin cancer diagnosis method based on image analysis using artificial intelligence |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108564578A (zh) | 病理诊断辅助方法、装置及系统 | |
| US11954902B2 (en) | Generalizable medical image analysis using segmentation and classification neural networks | |
| KR102243830B1 (ko) | 통합 의료 진단 서비스 제공 시스템 및 그 방법 | |
| KR101887194B1 (ko) | 피검체의 의료 영상의 판독을 지원하는 방법 및 이를 이용한 장치 | |
| KR101874348B1 (ko) | 피검체의 흉부 pa 영상의 판독을 지원하는 방법 및 이를 이용한 장치 | |
| CN110097951B (zh) | 根据医学文本报告的图像生成 | |
| CN111563523B (zh) | 利用机器训练的异常检测的copd分类 | |
| JP6768620B2 (ja) | 学習支援装置、学習支援装置の作動方法、学習支援プログラム、学習支援システム、端末装置及びプログラム | |
| CN113646655B (zh) | 差分脑网络分析 | |
| CN110335256A (zh) | 一种病理辅助诊断方法 | |
| JP2008521468A (ja) | デジタル医療画像分析 | |
| CN110210543B (zh) | 图像分类系统、方法、设备和存储介质 | |
| US7676076B2 (en) | Neural network based method for displaying an examination image with normalized grayscale values | |
| CN110310280A (zh) | 肝胆管及结石的图像识别方法、系统、设备及存储介质 | |
| US11263494B2 (en) | Classification device, classification method, program, and information recording medium | |
| CN113576508A (zh) | 一种基于神经网络的脑出血辅助诊断系统 | |
| KR20200139606A (ko) | 자궁경부암 자동 진단 시스템 | |
| CN111583385A (zh) | 一种可变形数字人解剖学模型的个性化变形方法及系统 | |
| CN111524109A (zh) | 头部医学影像的评分方法和装置、电子设备及存储介质 | |
| JP2021121261A (ja) | 診断支援プログラム、装置、及び方法 | |
| JP7456928B2 (ja) | 胸部ｘ線画像の異常表示制御方法、異常表示制御プログラム、異常表示制御装置、及びサーバ装置 | |
| JP2018201629A (ja) | 眼底画像処理装置 | |
| CN114283114A (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN111784637A (zh) | 一种预后特征可视化方法，系统、设备和存储介质 | |
| CN112585618A (zh) | 用于确定解释图的方法和设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180921 |