CN108573267B - 一种肝脏组织结构分类的方法及装置 - Google Patents
一种肝脏组织结构分类的方法及装置 Download PDFInfo
- Publication number
- CN108573267B CN108573267B CN201710146719.XA CN201710146719A CN108573267B CN 108573267 B CN108573267 B CN 108573267B CN 201710146719 A CN201710146719 A CN 201710146719A CN 108573267 B CN108573267 B CN 108573267B
- Authority
- CN
- China
- Prior art keywords
- image
- sample
- binary image
- tissue
- binary
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明实施例提供了肝脏组织结构分类的方法及装置,根据第一组特征的值,利用预设的第一决策树对孔洞进行分类,获得孔洞中类血管结构的位置分布;根据第二组特征的值和胶原蛋白的含量,利用预设的第二决策树确定待测目标结构的类型。预设的第一决策树用于表征第一组特征的值与孔洞的类型的对应关系,预设的第二决策树用于表征第二组特征的值,胶原蛋白含量与已有目标结构的类型的对应关系,采用预设的第一决策树和预设的第二决策树作为统一标准,确定类血管结构的位置分布和待测目标结构的类型时,实现对同一组织样本进行分析时,能够获得相同的分析结果,避免个人主观因素对分析结果的影响。
Description
技术领域
本发明涉及计算机技术领域,特别是涉及一种肝脏组织结构分类的方法及装置。
背景技术
生物组织纤维化是指由于炎症导致生物器官实质细胞发生坏死,生物组织内细胞外基质(Extracellular Matrix,ECM)异常增多和过度积累的病理过程。生物组织纤维化会引起生物器官中组织结构破坏、导致该生物器官功能下降,并最终使得该生物器官硬化。
生物组织纤维化可能出现在多种生物器官,以肝脏为例,慢性肝炎会导致肝脏组织中的实质细胞发生坏死,肝脏组织的纤维化程度随着实质细胞的坏死不断加重,使得肝脏新陈代谢异常,最终导致肝硬化甚至肝癌。
导致肝脏组织纤维化的病因有很多种,不同病因所导致纤维化所发生的肝脏组织的部位不同。例如,慢性乙肝,早期纤维化集中在肝脏的汇管区。再例如,非酒精脂肪肝患者,早期纤维化集中在中央静脉附近和小叶内区域。因此,依据早期纤维化所发生的肝脏组织的部位,确定诱发肝脏纤维化的病因,对实现有效的诊断和治疗非常重要。
现有技术中,评估纤维化所发生的肝脏组织的部位,采用如下方法:对肝脏组织的切片进行染色处理,由病理医生观察染色后的肝脏组织的切片,基于该病理医生的经验分析肝脏组织结构,确定纤维化所发生的肝脏组织的部位。上述分析肝脏组织结构的方法,主要依赖于人为的主观判断,一方面,染色处理会影响病理医生的判断;另一方面,不同的病理医生之间存在能力、以及经验等个体差异。对同一个肝脏组织的切片来说,肝脏组织结构的分析结果也会有所不同。从而,上述分析肝脏组织结构的方法,所得的分析结果稳定性差,影响诊断和治疗的有效性。
发明内容
本发明解决的技术问题在于提供一种肝脏组织结构分类的方法及装置,从而能够提供对肝脏组织结构按照统一标准进行分类的技术方案。
为此,本发明解决技术问题的技术方案是:
一种肝脏组织结构分类的方法,所述方法包括:
获取组织样本的图像进行图像处理,获得第一二值图像、组织信号图像和胶原信号图像,所述组织信号图像用于表征组织在所述组织样本中的位置分布,所述胶原信号图像用于表征胶原蛋白在所述组织样本中的位置分布;
对所述胶原信号图像进行图像分割获得第二二值图像,对所述组织信号图像进行图像分割获得第三二值图像,计算所述第二二值图像与所述第一二值图像的比值获得所述胶原蛋白的含量;
根据所述第一二值图像和第三二值图像获得第四二值图像,所述第四二值图像用于表征孔洞在所述组织样本中的位置分布;
根据所述第二二值图像和所述第四二值图像获得第一组特征的值,根据所述第一组特征的值,利用预设的第一决策树对所述孔洞进行分类,获得所述孔洞中类血管结构的位置分布,所述第一组特征的值用于表征所述孔洞的特征,所述预设的第一决策树用于表征第一组特征的值与孔洞的类型的对应关系;
根据所述第二二值图像和所述类血管结构的位置分布,建立待测目标结构;
获取所述待测目标结构的第二组特征的值,根据所述第二组特征的值和所述胶原蛋白的含量,利用预设的第二决策树确定所述待测目标结构的类型,所述第二组特征的值用于表征所述待测目标结构的特征,所述第二决策树用于表征第二组特征的值,胶原蛋白含量与已有目标结构的类型的对应关系。
在一个例子中,所述获取组织样本的图像进行图像处理,获得第一二值图像、组织信号图像和胶原信号图像包括:
对所述组织样本的图像进行去噪处理,获得原始组织图像和原始胶原图像;
对所述原始组织图像进行二值化处理,获得组织二值图像;
删除所述组织二值图像中面积小于预设的第一阈值的连通域,获得第五二值图像,对所述第五二值图像进行图像填充获得所述第一二值图像;
计算所述原始组织图像与所述第一二值图像的乘积获得所述组织信号图像,计算所述原始胶原图像与所述第一二值图像的乘积获得所述胶原信号图像。
在一个例子中,所述根据所述第一二值图像和第三二值图像获得第四二值图像包括:
对所述第三二值图像取反获得第六二值图像;
将所述第六二值图像与所述第一二值图像进行与运算获得第七二值图像;
删除所述第七二值图像中面积小于预设的第二阈值的连通域,获得所述第四二值图像。
在一个例子中,所述预设的第一决策树的创建方法包括:
获取多个组织样本的样本图像,已知每个组织样本中孔洞的位置分布和类型;
对每个样本图像进行图像处理,获得每个样本图像的第一二值图像、组织信号图像和胶原信号图像;
对每个样本图像的胶原信号图像进行图像分割获得该样本图像的第二二值图像,对每个样本图像的组织信号图像进行图像分割获得该样本图像的第三二值图像;
根据每个样本图像的第一二值图像和该样本图像的第三二值图像获得该样本图像的第四二值图像;
根据每个样本图像的第二二值图像和该样本图像的第四二值图像获得该样本图像中每个孔洞的第一组特征的值;
根据每个孔洞的第一组特征值以及该孔洞的类型,利用CART算法建立预设的第一决策树。
在一个例子中,所述预设的第二决策树的创建方法包括:
获取多个组织样本的样本图像,已知每个组织样本中已有目标结构的位置分布和类型,所述已有目标结构的类型包括中央静脉或汇管区;
对每个样本图像进行图像处理,获得每个样本图像的第一二值图像、组织信号图像和胶原信号图像;
对每个样本图像的胶原信号图像进行图像分割获得该样本图像的第二二值图像,计算每个样本图像的第二二值图像与该样本图像的第一二值图像的比值获得该样本图像的胶原蛋白的含量;
根据每个样本图像的第二二值图像和该样本图像的已有目标结构的位置分布获得第二组特征的值;
根据每个样本图像的第二组特征的值,该样本图像的胶原蛋白的含量,以及该样本图像的已有目标结构的类型,利用CART算法建立预设的第二决策树。
在一个例子中,所述方法还包括:
利用所述第一组特征的值与所述孔洞的类型更新所述预设的第一决策树;
利用所述第二组特征的值与所述类血管结构的类型更新所述预设的第二决策树。
一种肝脏组织结构分类的装置,所述装置包括:
第一获得单元,用于获取组织样本的图像进行图像处理,获得第一二值图像、组织信号图像和胶原信号图像,所述组织信号图像用于表征组织在所述组织样本中的位置分布,所述胶原信号图像用于表征胶原蛋白在所述组织样本中的位置分布;
分割单元,用于对所述胶原信号图像进行图像分割获得第二二值图像,对所述组织信号图像进行图像分割获得第三二值图像,计算所述第二二值图像与所述第一二值图像的比值获得所述胶原蛋白的含量;
第二获得单元,用于根据所述第一二值图像和第三二值图像获得第四二值图像,所述第四二值图像用于表征孔洞在所述组织样本中的位置分布;
第三获得单元,用于根据所述第二二值图像和所述第四二值图像获得第一组特征的值,根据所述第一组特征的值,利用预设的第一决策树对所述孔洞进行分类,获得所述孔洞中类血管结构的位置分布,所述第一组特征的值用于表征所述孔洞的特征,所述预设的第一决策树用于表征第一组特征的值与孔洞的类型的对应关系;
建立单元,用于根据所述第二二值图像和所述类血管结构的位置分布,建立待测目标结构;
确定单元,用于获取所述待测目标结构的第二组特征的值,根据所述第二组特征的值和所述胶原蛋白的含量,利用预设的第二决策树确定所述待测目标结构的类型,所述第二组特征的值用于表征所述待测目标结构的特征,所述第二决策树用于表征第二组特征的值,胶原蛋白含量与已有目标结构的类型的对应关系,每个目标结构包括至少一个类血管结构,以及与类血管结构相连的胶原蛋白。
在一个例子中,所述第一获得单元包括:
去噪子单元,用于对所述组织样本的图像进行去噪处理,获得原始组织图像和原始胶原图像;
第一处理子单元,用于对所述原始组织图像进行二值化处理,获得组织二值图像;
第二处理子单元,用于删除所述组织二值图像中面积小于预设的第一阈值的连通域,获得第五二值图像,对所述第五二值图像进行图像填充获得所述第一二值图像;
计算子单元,用于计算所述原始组织图像与所述第一二值图像的乘积获得所述组织信号图像,计算所述原始胶原图像与所述第一二值图像的乘积获得所述胶原信号图像。
在一个例子中,所述第二获得单元包括:
取反子单元,用于对所述第三二值图像取反获得第六二值图像;
求与子单元,用于将所述第六二值图像与所述第一二值图像进行与运算获得第七二值图像;
删除子单元,用于删除所述第七二值图像中面积小于预设的第二阈值的连通域,获得所述第四二值图像。
在一个例子中,所述装置还包括:
第四获得单元,用于获取多个组织样本的样本图像,已知每个组织样本中孔洞的位置分布和类型;
第一处理单元,用于对每个样本图像进行图像处理,获得每个样本图像的第一二值图像、组织信号图像和胶原信号图像;
第一分割单元,用于对每个样本图像的胶原信号图像进行图像分割获得该样本图像的第二二值图像,对每个样本图像的组织信号图像进行图像分割获得该样本图像的第三二值图像;
第五获得单元,用于根据每个样本图像的第一二值图像和该样本图像的第三二值图像获得该样本图像的第四二值图像;
第六获得单元,用于根据每个样本图像的第二二值图像和该样本图像的第四二值图像获得该样本图像中每个孔洞的第一组特征的值;
第一建立单元,用于根据每个孔洞的第一组特征值以及该孔洞的类型,利用CART算法建立预设的第一决策树。
在一个例子中,所述装置还包括:
第七获得单元,用于获取多个组织样本的样本图像,已知每个组织样本中已有目标结构的位置分布和类型,所述已有目标结构的类型包括中央静脉或汇管区;
第二处理单元,用于对每个样本图像进行图像处理,获得每个样本图像的第一二值图像、组织信号图像和胶原信号图像;
第二分割单元,用于对每个样本图像的胶原信号图像进行图像分割获得该样本图像的第二二值图像,计算每个样本图像的第二二值图像与该样本图像的第一二值图像的比值获得该样本图像的胶原蛋白的含量;
第八获得单元,用于根据每个样本图像的第二二值图像和该样本图像的已有目标结构的位置分布获得第二组特征的值;
第二建立单元,用于根据每个样本图像的第二组特征的值,该样本图像的胶原蛋白的含量,以及该样本图像的已有目标结构的类型,利用CART算法建立预设的第二决策树。
在一个例子中,所述装置还包括:
第一更新单元,用于利用所述第一组特征的值与所述孔洞的类型更新所述预设的第一决策树;
第二更新单元,用于利用所述第二组特征的值与所述待测目标结构的类型更新所述预设的第二决策树。
通过上述技术方案可知,本发明有如下有益效果:
本发明实施例提供了肝脏组织结构分类的方法及装置,获取组织样本的图像进行图像处理,获得第一二值图像、组织信号图像和胶原信号图像,对胶原信号图像进行图像分割获得第二二值图像,对组织信号图像进行图像分割获得第三二值图像,计算第二二值图像与第一二值图像的比值获得胶原蛋白的含量,根据第一二值图像和第三二值图像获得第四二值图像,根据第二二值图像和第四二值图像获得第一组特征的值,根据第一组特征的值,利用预设的第一决策树对孔洞进行分类,获得类血管结构的位置分布,根据第二二值图像和类血管结构的位置分布,建立待测目标结构,获取待测目标结构的第二组特征的值,根据第二组特征的值和胶原蛋白的含量,利用预设的第二决策树确定所述待测目标结构的类型。预设的第一决策树用于表征第一组特征的值与孔洞的类型的对应关系,预设的第二决策树用于表征第二组特征的值,胶原蛋白含量与已有目标结构的类型的对应关系,采用预设的第一决策树和预设的第二决策树作为统一标准,确定类血管结构的位置分布和待测目标结构的类型时,实现对同一组织样本进行分析时,能够获得相同的分析结果,避免个人主观因素对分析结果的影响。
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为本发明实施例提供的肝脏组织结构分类的方法流程图;
图2(a)为本发明实施例提供的组织样本的图像示意图;
图2(b)为本发明实施例提供的显示组织样本中胶原蛋白形态学特征的SHG图像示意图;
图2(c)为本发明实施例提供的显示组织样本中组织细胞形态学特征的TPEF图像示意图;
图3(a)为本发明实施例提供的组织二值图像的示意图;
图3(b)为本发明实施例提供的第五二值图像的示意图;
图3(c)为本发明实施例提供的第一二值图像的示意图;
图4(a)为本发明实施例提供的第六二值图像示意图;
图4(b)为本发明实施例提供的第一二值图像示意图;
图4(c)为本发明实施例提供的第七二值图像示意图;
图5为本发明实施例提供的计算孔洞密度时所参考的范围示意图;
图6为本发明实施例提供的孔洞的宽度和长度示意图;
图7为本发明实施例提供的孔洞的环绕胶原蛋白示意图;
图8为本发明实施例提供的待测目标结构示意图;
图9为本发明实施例提供的采用本发明实施例所提供的技术方案分析的待测目标结构的类型与病理医生分析的待测目标结构的类型的比对图;
图10为本发明实施例提供的肝脏组织结构分类的装置结构示意图。
具体实施方式
为了给出对肝脏组织结构按照统一标准进行分类的实现方案,本发明实施例提供了一种肝脏组织结构分类的方法及装置,以下结合说明书附图对本发明的优选实施例进行说明。
生物组织纤维化可能出现在多种生物器官中,本发明实施例中以肝脏为例进行说明。肝脏出现炎症时,会导致肝脏组织中实质细胞发生坏死,导致肝脏组织的纤维化程度不断加重,使得肝脏新陈代谢异常,从而导致肝硬化甚至肝癌。肝脏组织包括汇管区(PortalTract)和中央静脉(Central Vein)。不同病因所导致的早期纤维化所发生的肝脏组织的部位不同。例如,慢性乙肝,早期纤维化集中在肝脏的汇管区。再例如,非酒精脂肪肝患者,早期纤维化集中在中央静脉附近和小叶内区域。因此,依据早期纤维化所发生的肝脏组织的部位,确定诱发肝脏纤维化的病因,对实现有效的诊断和治疗非常重要。
现有技术中,评估早期纤维化所发生的肝脏组织的部位,一般是将肝脏组织的切片进行染色处理,由病理医生观察染色后的肝脏组织的切片,基于该病理医生的经验分析肝脏组织结构,确定纤维化所发生的肝脏组织的部位。但是,由于不同病理医生个体差异的影响,对同一个肝脏组织的切片来说,肝脏组织结构的分析结果也会有所不同。
本发明实施例所提供的肝脏组织结构分类的技术方案,提供了统一的分析标准,能够实现对肝脏组织结构的自动分析,对同一组织样本进行分析时,能够获得相同的肝脏组织结构的分类结果,避免个体差异的影响。
下面将本发明实施例中涉及的专业术语进行描述。
汇管区,又称为门管区,肝脏每个肝小叶间含有3~6个汇管区,在肝脏内呈树状分支,包括小叶间动脉、小叶间静脉、以及小叶间胆管。除此以外,还包括淋巴管和神经纤维。
中央静脉,中央静脉位于肝小叶中央,肝脏细胞以中央静脉为中心,向四周略呈放射状排列,形成肝细胞素。
脂肪空泡(Fat Vacuole),脂肪变性后会在组织中形成脂肪滴,冲洗染色的组织标本后会在组织标本中形成脂肪空泡。
类血管结构,包括肝脏组织中的小叶静脉,小叶动脉,小叶间胆管,以及中央静脉等结构。
下面对本发明实施例提供的技术方案进行详细阐述。
图1为本发明实施例提供的肝脏组织结构分类的方法流程图,包括:
101:获取组织样本的图像进行图像处理,获得第一二值图像、组织信号图像和胶原信号图像,所述组织信号图像用于表征组织在所述组织样本中的位置分布,所述胶原信号图像用于表征胶原蛋白在所述组织样本中的位置分布。
本发明实施例中的组织样本的图像,如图2(a)所示,并不需要对组织样本进行染色,而是采用非线性光学纤维成像系统,获得组织样本的二次谐波(Second HarmonicGeneration,SHG)信号,根据该SHG信号获得显示组织样本中胶原蛋白形态学特征的SHG图像,如2b所示;还获得组织样本的双光子自发荧光(Two-photon ExcitationFluorescence,TPEF)信号,根据该TPEF获得显示组织样本中组织细胞形态学特征的TPEF图像,如图2c所示。该组织样本的图像包括该组织样本的SHG图像和TPEF图像。
获取组织样本的图像进行图像处理,获得第一二值图像、组织信号图像和胶原信号图像包括:
对所述组织样本的图像进行去噪处理,获得原始组织图像和原始胶原图像;
对所述原始组织图像进行二值化处理,获得组织二值图像;
删除所述组织二值图像中面积小于预设的第一阈值的连通域,获得第五二值图像,对所述第五二值图像进行图像填充获得所述第一二值图像;
计算所述原始组织图像与所述第一二值图像的乘积获得所述组织信号图像,计算所述原始胶原图像与所述第一二值图像的乘积获得所述胶原信号图像。
先对组织样本的图像中的SHG图像和TPEF图像分别进行去噪处理,消除椒盐噪声。可以采用多种去噪算法进行去噪处理,例如:采用中值滤波算法、均值滤波算法或高斯滤波算法等算法中的任意一种。当然,还可以采用其它去噪算法,这里不再一一赘述。将SHG图像进行去噪处理后获得原始胶原信号图像,将TPEF图像进行去噪处理后获得原始组织图像。
对原始组织图像进行二值化处理,获得组织二值图像,如图3(a)所示。上述二值化处理可以采用Ostu’s自动阈值分割算法,将原始组织图像中像素值不小于阈值的像素点的值置1,将像素值小于阈值的像素点的值置0。该组织二值图像能够表征组织细胞在组织样本中的分布,存在组织细胞分布的区域像素点为1,不存在组织细胞分布的区域像素点为0。
删除组织二值图像中面积小于预设的第一阈值的连通域,获得第一二值图像。删除面积很小的连通域,即删除组织二值图像的小块组织和异常胶原蛋白,从而获得第五二值图像,如图3(b)所示。则第五二值图像中,组织细胞分布形成的封闭区域内,像素点的像素值都为1。其中,所删除的连通域的面积小于预设的第一阈值。预设的第一阈值可以根据实际情况由技术人员具体设置,这里不进行具体限定。
对第五二值图像进行图像填充获得第一二值图像,如图3(c)所示。该第一二值图像中,是将封闭区域中的像素点为0的像素点设置为1。例如,第五二值图像中,组织细胞分布形成一个封闭区域,该封闭区域中表示孔洞的像素点的像素值为0,对该第五二值图像进行图像填充,即将该封闭区域中表示孔洞的像素点的像素值设置为1。
获得第一二值图像后,计算原始组织图像与第一二值图像的乘积获得组织信号图像,该组织信号图像表征组织细胞在组织样本中的位置分布。计算原始胶原图像与第一二值图像的乘积获得胶原信号图像,胶原信号图像表征胶原蛋白在组织样本的位置分布。
102:对所述胶原信号图像进行图像分割获得第二二值图像,对所述组织信号图像进行图像分割获得第三二值图像,计算所述第二二值图像与所述第一二值图像的比值获得所述胶原蛋白的含量。
对胶原信号图像,利用Ostu’s自动阈值分割算法进行图像分割,获得第二二值图像,即将胶原信号图像中像素值不小于阈值的像素点的值置1,将像素值小于阈值的像素点的值置0。对组织信号图像,利用Ostu’s自动阈值分割算法进行图像分割,获得第三二值图像,即将组织信号图像中像素值不小于阈值的像素点的值置1,将像素值小于阈值的像素点的值置0。
103:根据所述第一二值图像和第三二值图像获得第四二值图像,所述第四二值图像用于表征孔洞在所述组织样本中的位置分布。
第一二值图像表征组织样本中组织分布形成的封闭区域,第三二值图像表征组织样本中的组织分布。即第一二值图像中表征组织中的孔洞的像素点的像素值为1,而第三二值图像中表征组织中的孔洞的像素点的像素值为0。
根据所述第一二值图像和第三二值图像获得第四二值图像包括:
对所述第三二值图像取反获得第六二值图像;
将所述第六二值图像与所述第一二值图像进行与运算获得第七二值图像;
删除所述第七二值图像中面积小于预设的第二阈值的连通域,获得所述第四二值图像。
对第三二值图像取反,即将第三二值图像中像素值为1的像素点的像素值设置为0,将像素值为0的像素点的像素值设置为1,获得第六二值图像。所获得的第六二值图像中组织分布区域的像素点的像素值为0,非组织分布区域的像素点的像素值为1。
而第一二值图像中,组织分布区域,以及该组织分布形成的封闭区域中的孔洞的像素点的像素值都为1。
将第六二值图像与第一二值图像进行图像与运算获得第七二值图像,该第七二值图像。第六二值图像与第一二值图像进行图像与运算,即表示一个像素点在第六二值图像和第一二值图像中的像素值都为1时,该像素点在第七二值图像的像素值也为1;若一个像素点在第六二值图像的像素值为1,而在第一二值图像中的像素值为0;或者该像素点在第六二值图像的像素值为0,而在第一二值图像中的像素值为1;或者该像素点在第六二值图像的像素值为0,而在第一二值图像中的像素值也为0时,该像素点在第七二值图像中的像素值为0。第六二值图像中像素点的像素值为1的区域为非组织分布区域。第一二值图像中像素点的像素值为1的区域是组织细胞分布形成的封闭区域。则第七二值图像像素点的像素值为1的区域是组织细胞分布形成的封闭区域中的孔洞区域。如图4所示,图4(a)为第六二值图像,图4(b)为第一二值图像,图4(c)为第七二值图像。
删除第七二值图像中面积小于预设的第二阈值的连通域,获得第四二值图像。为了减小误差,删除小面积的连通域,所删除的连通域的面积小于预设的第二阈值。预设的第二阈值可以根据实际情况由技术人员具体设置,这里不进行具体限定。所得的第四二值图像表征组织样品中孔洞的位置分布。
104:根据所述第二二值图像和所述第四二值图像获得第一组特征的值,根据所述第一组特征的值,利用预设的第一决策树对所述孔洞进行分类,获得所述孔洞中类血管结构的位置分布,所述第一组特征的值用于表征所述孔洞的特征,所述预设的第一决策树用于表征第一组特征的值与孔洞的类型的对应关系。
根据所述第二二值图像和所述第四二值图像获得第一组特征的值,第一组特征是用于表征孔洞的特征。第一组特征包括孔洞的密度,孔洞的宽度,孔洞的长度,孔洞的面积与该孔洞的凸包的面积比,以及环绕孔洞的胶原蛋白的面积。由于第二二值图像用于表征胶原蛋白在组织样本中的位置分布,第四二值图像用于表征孔洞在所述组织样本中的位置分布。根据第二二值图像和第四二值图像,可以获得第一组特征的值。
孔洞的密度,即为以孔洞的中心为圆心,半径为50像素点的范围内包含的孔洞数量称为孔洞密度。如图5所示。
孔洞的宽度为与孔洞具有相同标准二阶中心矩的椭圆的短轴长度。如图6所示。
孔洞的长度为与孔洞具有相同标准二阶中心矩的椭圆的长轴长度。如图6所示。
孔洞的环绕胶原蛋白是以孔洞的边缘轮廓为基准,环绕范围为10个像素点所形成的环形区域中胶原蛋白的面积。如图7所示。
预设的第一决策树用于表征第一组特征的值与孔洞的类型的对应关系,将预设的第一决策树作为统一的标准,将孔洞的第一组特征的值作为已知参数,可以得到该孔洞的类型。利用第一预设的第一决策树,对组织样本中的孔洞进行分类,得到孔洞的分类结果。表1为利用第一组特征的值和预设的第一决策树所获得的孔洞的分类结果,表1仅是一个具体的实例,为了更好的说明本发明实例所提供的技术方案,并不仅限于表1所示的内容。
其中,孔洞的类型包括类血管结构,脂肪空泡和组织裂纹。
表1孔洞的第一组特征的值及该孔洞的类型对应关系
105:根据所述第二二值图像和所述类血管结构的位置分布,建立待测目标结构。
106:获取所述待测目标结构的第二组特征的值,根据所述第二组特征的值和所述胶原蛋白的含量,利用预设的第二决策树确定所述待测目标结构的类型,所述第二组特征的值用于表征所述待测目标结构的特征,所述第二决策树用于表征第二组特征的值,胶原蛋白含量与已有目标结构的类型的对应关系。
根据第二二值图像和类血管结构的位置分布,建立待测目标结构,具体实现方式如下所述:
对第二二值图像进行图像处理,该图像处理包括闭运算和删除面积小于第三阈值的胶原蛋白(即删除小面积的胶原蛋白)。处理后的第二二值图像中,仅包括面积较大的胶原蛋白。
根据类血管结构的位置分布分析相邻的类血管结构时,计算任意两个类血管结构间的最短距离,若两个类血管结构的最短距离小于第四阈值时,即认为这两个类血管相邻。
根据所述第二二值图像和所述类血管结构的位置分布,分析每个类血管结构所连的胶原蛋白时,计算该类血管结构与胶原蛋白的最短距离,若该最短距离小于第五阈值时,即认为该类血管结构与该胶原蛋白相连。实际情况下,一个类血管结构可能与多个胶原蛋白相连,一个胶原蛋白也可能与多个类血管结构相连。
建立待测目标结构时,若一个类血管结构无相邻的类血管结构,则将该类血管结构,以及与该类血管结构相连的蛋白胶原进行合并,获得一个待测目标结构;若存在多个类血管结构相邻,则将所有相邻的类血管结构,以及与每个类血管机构相连的胶原蛋白进行合并,获得一个待测目标结构。所建立的待测目标结构如图8所示。
这里需要说明的是,所建立的待测目标结构的类型有两种,一种是PT,即汇管区;另一种是CV,即中央静脉。
根据处理后的第二二值图像,以及类血管结构的位置分布,获得所建立的待测目标结构的第二组特征的值,第二组特征用于表征待测目标结构的特征。第二组特征包括孔洞的总面积,最大孔洞的面积,胶原蛋白的总面积,最大胶原蛋白连通域的面积,所有胶原蛋白连通域的总长度与总宽度的比值。孔洞的总面积是该组织样本中所有孔洞的面积的和。胶原蛋白的总面积是该组织样本中所有胶原蛋白的面积的和。
预设的第二决策树用于表征第二组特征的值,胶原蛋白含量,以及待测目标结构的类型的对应关系,将预设的第二决策树作为统一的标准,将第二组特征值和胶原蛋白含量作为已知参数,可以获得待测目标结构的类型。表2是利用第二组特征的值,胶原蛋白的含量,以及预设的第二决策树所获得的待测目标结构的分类结果,表2仅是一个具体的实例,为了更好的说明本发明实例所提供的技术方案,并不仅限于表2所示的内容。
其中,类血管结构包括小叶静脉,小叶动脉,小叶内胆管,以及中央静脉。
表2 PT/CV目标特征参数及其分类结果举例
图9为采用本发明实施例所提供的技术方案分析的待测目标结构的类型与病理医生分析的待测目标结构的类型的比对图。可以看出,采用本发明实施例所提供的技术方案分析得到的待测目标结构的类型的准确率非常高。
在一个例子中,预设的第一决策树的创建方法包括:
获取多个组织样本的样本图像,已知每个组织样本中孔洞的位置分布和类型;
对每个样本图像进行图像处理,获得每个样本图像的第一二值图像、组织信号图像和胶原信号图像;
对每个样本图像的胶原信号图像进行图像分割获得该样本图像的第二二值图像,对每个样本图像的组织信号图像进行图像分割获得该样本图像的第三二值图像;
根据每个样本图像的第一二值图像和该样本图像的第三二值图像获得该样本图像的第四二值图像;
根据每个样本图像的第二二值图像和该样本图像的第四二值图像获得该样本图像中每个孔洞的第一组特征的值;
根据每个孔洞的第一组特征值以及该孔洞的类型,利用CART算法建立预设的第一决策树。
建立预设的第一决策树需要大量的组织样本的样本图像作为训练数据,该训练数据中每个组织样本中孔洞的类型已知,每个组织样本中孔洞的类型是由病理医生进行分析得到的。每个组织样本中的孔洞的类型,可以由多名病理医生分析,确定该孔洞的类型正确。其中,孔洞包括类血管结构,脂肪空泡以及组织裂纹。
按照图1所示的步骤101至103所述的方法,获得每个样本图像的第二二值图像和第四二值图像。一个组织样本的样本图像的第二二值图像用于表征该组织样本中胶原蛋白的位置分布,一个组织样本的样本图像的第四二值图像用于标识该组织样本中孔洞的位置分布。
根据每个样本图像的第二二值图像和第四二值图像,获得该样本图像中各个孔洞的第一组特征的值。由于已知每个组织样本的样本图像中孔洞的类型,因此,利用CART算法建立孔洞的第一组特征的值与该孔洞的类型的对应关系,获得预设的第一决策树。
在一个例子中,预设的第二决策树的创建方法包括:
获取多个组织样本的样本图像,已知每个组织样本中已有目标结构的位置分布和类型,所述已有目标结构的类型包括中央静脉或汇管区;
对每个样本图像进行图像处理,获得每个样本图像的第一二值图像、组织信号图像和胶原信号图像;
对每个样本图像的胶原信号图像进行图像分割获得该样本图像的第二二值图像,计算每个样本图像的第二二值图像与该样本图像的第一二值图像的比值获得该样本图像的胶原蛋白的含量;
根据每个样本图像的第二二值图像和该样本图像的已有目标结构的位置分布获得第二组特征的值;
根据每个样本图像的第二组特征的值,该样本图像的胶原蛋白的含量,以及该样本图像的已有目标结构的类型,利用CART算法建立预设的第二决策树。
建立预设的第二决策树需要大量的组织样本的样本图像作为训练数据,该训练数据中每个组织样本中已有目标结构的位置分布和类型已知,每个组织样本中已有目标结构的位置分布和类型是由病理医生进行分析得到的。每个组织样本中已有目标结构的位置分布和类型,可以由多名病理医生分析,确定该组织样本中已有目标结构的位置分布和类型正确。该已有目标结构的类型是中央静脉,或者是汇管区。
按照图1所示的步骤101至103所述的方法,获得每个样本图像的第二二值图像和胶原蛋白的含量。一个组织样本的样本图像的第二二值图像用于表征该组织样本中胶原蛋白的位置分布。
根据每个样本图像的第二二值图像和已有目标结构的位置分布,获得该样本图像中已有目标结构的第二组特征的值。由于已知每个组织样本的样本图像中已有目标结构的类型,因此,利用CART算法建立已有目标结构的第二组特征的值与该已有目标结构的类型的对应关系,获得预设的第二决策树。
在一个例子中,所述方法还包括:
利用所述第一组特征的值与所述孔洞的类型更新所述预设的第一决策树;
利用所述第二组特征的值与所述待测目标结构的类型更新所述预设的第二决策树。
图1所示的肝脏组织结构分类的方法中,获得了该组织样本的孔洞的类型以及类血管结构的类型后,确定对组织样本的评估结果正确的情况下,可以将孔洞的第一组特征的值与孔洞的类型作为已知参数添加至CART算法所需的训练数据中,更新预设的第一决策树。还可以将类血管结构的第二组特征值与类血管结构的类型作为已知参数添加至CART算法所需的训练数据中,更新预设的第二决策树。以便进一步提高预设的第一决策树和预设的第二决策树的准确性。
由上述内容可知,本发明有如下有益效果:
预设的第一决策树用于表征第一组特征的值与孔洞的类型的对应关系,预设的第二决策树用于表征第二组特征的值,胶原蛋白含量与目标结构的类型的对应关系,采用预设的第一决策树和预设的第二决策树作为统一标准,确定类血管结构的位置分布和目标结构的类型时,实现对同一组织样本进行分析时,能够获得相同的分析结果,避免个人主观因素对分析结果的影响。
图10为本发明实施例提供的肝脏组织结构分类的装置结构示意图,包括:
第一获得单元1001,用于获取组织样本的图像进行图像处理,获得第一二值图像、组织信号图像和胶原信号图像,所述组织信号图像用于表征组织在所述组织样本中的位置分布,所述胶原信号图像用于表征胶原蛋白在所述组织样本中的位置分布。
在一个例子中,第一获得单元包括:
去噪子单元,用于对所述组织样本的图像进行去噪处理,获得原始组织图像和原始胶原图像;
第一处理子单元,用于对所述原始组织图像进行二值化处理,获得组织二值图像;
第二处理子单元,用于删除所述组织二值图像中面积小于预设的第一阈值的连通域,获得第五二值图像,对所述第五二值图像进行图像填充获得所述第一二值图像;
计算子单元,用于计算所述原始组织图像与所述第一二值图像的乘积获得所述组织信号图像,计算所述原始胶原图像与所述第一二值图像的乘积获得所述胶原信号图像。
分割单元1002,用于对所述胶原信号图像进行图像分割获得第二二值图像,对所述组织信号图像进行图像分割获得第三二值图像,计算所述第二二值图像与所述第一二值图像的比值获得所述胶原蛋白的含量。
第二获得单元1003,用于根据所述第一二值图像和第三二值图像获得第四二值图像,所述第四二值图像用于表征孔洞在所述组织样本中的位置分布。
在一个例子中,所述第二获得单元1003包括:
取反子单元,用于对所述第三二值图像取反获得第六二值图像;
求与子单元,用于将所述第六二值图像与所述第一二值图像进行与运算获得第七二值图像;
删除子单元,用于删除所述第七二值图像中面积小于预设的第二阈值的连通域,获得所述第四二值图像。
第三获得单元1004,用于根据所述第二二值图像和所述第四二值图像获得第一组特征的值,根据所述第一组特征的值,利用预设的第一决策树对所述孔洞进行分类,获得所述孔洞中类血管结构的位置分布,所述第一组特征的值用于表征所述孔洞的特征,所述预设的第一决策树用于表征第一组特征的值与孔洞的类型的对应关系。
建立单元1005,用于根据所述第二二值图像和所述类血管结构的位置分布,建立待测目标结构。
确定单元1006,用于获取所述待测目标结构的第二组特征的值,根据所述第二组特征的值和所述胶原蛋白的含量,利用预设的第二决策树确定所述待测目标结构的类型,所述第二组特征的值用于表征所述待测目标结构的特征,所述第二决策树用于表征第二组特征的值,胶原蛋白含量与已有目标结构的类型的对应关系,每个目标结构包括至少一个类血管结构,以及与类血管结构相连的胶原蛋白。
在一个例子中,
所述装置还包括:
第四获得单元,用于获取多个组织样本的样本图像,已知每个组织样本中孔洞的位置分布和类型;
第一处理单元,用于对每个样本图像进行图像处理,获得每个样本图像的第一二值图像、组织信号图像和胶原信号图像;
第一分割单元,用于对每个样本图像的胶原信号图像进行图像分割获得该样本图像的第二二值图像,对每个样本图像的组织信号图像进行图像分割获得该样本图像的第三二值图像;
第五获得单元,用于根据每个样本图像的第一二值图像和该样本图像的第三二值图像获得该样本图像的第四二值图像;
第六获得单元,用于根据每个样本图像的第二二值图像和该样本图像的第四二值图像获得该样本图像中每个孔洞的第一组特征的值;
第一建立单元,用于根据每个孔洞的第一组特征值以及该孔洞的类型,利用CART算法建立预设的第一决策树。
在一个例子中,所述装置还包括:
第七获得单元,用于获取多个组织样本的样本图像,已知每个组织样本中已有目标结构的位置分布和类型,所述已有目标结构的类型包括中央静脉或汇管区;
第二处理单元,用于对每个样本图像进行图像处理,获得每个样本图像的第一二值图像、组织信号图像和胶原信号图像;
第二分割单元,用于对每个样本图像的胶原信号图像进行图像分割获得该样本图像的第二二值图像,计算每个样本图像的第二二值图像与该样本图像的第一二值图像的比值获得该样本图像的胶原蛋白的含量;
第八获得单元,用于根据每个样本图像的第二二值图像和该样本图像的已有目标结构的位置分布获得第二组特征的值;
第二建立单元,用于根据每个样本图像的第二组特征的值,该样本图像的胶原蛋白的含量,以及该样本图像的已有目标结构的类型,利用CART算法建立预设的第二决策树。
在一个例子中,
所述装置还包括:
第一更新单元,用于利用所述第一组特征的值与所述孔洞的类型更新所述预设的第一决策树;
第二更新单元,用于利用所述第二组特征的值与所述待测目标结构的类型更新所述预设的第二决策树。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (12)
1.一种肝脏组织结构分类的方法,其特征在于,所述方法包括:
获取组织样本的图像进行图像处理,获得第一二值图像、组织信号图像和胶原信号图像,所述组织信号图像用于表征组织在所述组织样本中的位置分布,所述胶原信号图像用于表征胶原蛋白在所述组织样本中的位置分布;
对所述胶原信号图像进行图像分割获得第二二值图像,对所述组织信号图像进行图像分割获得第三二值图像,计算所述第二二值图像与所述第一二值图像的比值获得所述胶原蛋白的含量;
根据所述第一二值图像和第三二值图像获得第四二值图像,所述第四二值图像用于表征孔洞在所述组织样本中的位置分布;
根据所述第二二值图像和所述第四二值图像获得第一组特征的值,根据所述第一组特征的值,利用预设的第一决策树对所述孔洞进行分类,获得所述孔洞中类血管结构的位置分布,所述第一组特征的值用于表征所述孔洞的特征,所述预设的第一决策树用于表征第一组特征的值与孔洞的类型的对应关系;
根据所述第二二值图像和所述类血管结构的位置分布,建立待测目标结构;
获取所述待测目标结构的第二组特征的值,根据所述第二组特征的值和所述胶原蛋白的含量,利用预设的第二决策树确定所述待测目标结构的类型,所述第二组特征的值用于表征所述待测目标结构的特征,所述第二决策树用于表征第二组特征的值,胶原蛋白含量与已有目标结构的类型的对应关系。
2.根据权利要求1所述的方法,其特征在于,所述获取组织样本的图像进行图像处理,获得第一二值图像、组织信号图像和胶原信号图像包括:
对所述组织样本的图像进行去噪处理,获得原始组织图像和原始胶原图像;
对所述原始组织图像进行二值化处理,获得组织二值图像;
删除所述组织二值图像中面积小于预设的第一阈值的连通域,获得第五二值图像,对所述第五二值图像进行图像填充获得所述第一二值图像;
计算所述原始组织图像与所述第一二值图像的乘积获得所述组织信号图像,计算所述原始胶原图像与所述第一二值图像的乘积获得所述胶原信号图像。
3.根据权利要求1所述的方法,其特征在于,所述根据所述第一二值图像和第三二值图像获得第四二值图像包括:
对所述第三二值图像取反获得第六二值图像;
将所述第六二值图像与所述第一二值图像进行与运算获得第七二值图像;
删除所述第七二值图像中面积小于预设的第二阈值的连通域,获得所述第四二值图像。
4.根据权利要求1-3任意一项所述的方法,其特征在于,所述预设的第一决策树的创建方法包括:
获取多个组织样本的样本图像,已知每个组织样本中孔洞的位置分布和类型;
对每个样本图像进行图像处理,获得每个样本图像的第一二值图像、组织信号图像和胶原信号图像;
对每个样本图像的胶原信号图像进行图像分割获得该样本图像的第二二值图像,对每个样本图像的组织信号图像进行图像分割获得该样本图像的第三二值图像;
根据每个样本图像的第一二值图像和该样本图像的第三二值图像获得该样本图像的第四二值图像;
根据每个样本图像的第二二值图像和该样本图像的第四二值图像获得该样本图像中每个孔洞的第一组特征的值;
根据每个孔洞的第一组特征值以及该孔洞的类型,利用CART算法建立预设的第一决策树。
5.根据权利要求1-3任意一项所述的方法,其特征在于,所述预设的第二决策树的创建方法包括:
获取多个组织样本的样本图像,已知每个组织样本中已有目标结构的位置分布和类型,所述已有目标结构的类型包括中央静脉或汇管区;
对每个样本图像进行图像处理,获得每个样本图像的第一二值图像、组织信号图像和胶原信号图像;
对每个样本图像的胶原信号图像进行图像分割获得该样本图像的第二二值图像,计算每个样本图像的第二二值图像与该样本图像的第一二值图像的比值获得该样本图像的胶原蛋白的含量;
根据每个样本图像的第二二值图像和该样本图像的已有目标结构的位置分布获得第二组特征的值;
根据每个样本图像的第二组特征的值,该样本图像的胶原蛋白的含量,以及该样本图像的已有目标结构的类型,利用CART算法建立预设的第二决策树。
6.根据权利要求1-3任意一项所述的方法,其特征在于,所述方法还包括:
利用所述第一组特征的值与所述孔洞的类型更新所述预设的第一决策树;
利用所述第二组特征的值与所述类血管结构的类型更新所述预设的第二决策树。
7.一种肝脏组织结构分类的装置,其特征在于,所述装置包括:
第一获得单元,用于获取组织样本的图像进行图像处理,获得第一二值图像、组织信号图像和胶原信号图像,所述组织信号图像用于表征组织在所述组织样本中的位置分布,所述胶原信号图像用于表征胶原蛋白在所述组织样本中的位置分布;
分割单元,用于对所述胶原信号图像进行图像分割获得第二二值图像,对所述组织信号图像进行图像分割获得第三二值图像,计算所述第二二值图像与所述第一二值图像的比值获得所述胶原蛋白的含量;
第二获得单元,用于根据所述第一二值图像和第三二值图像获得第四二值图像,所述第四二值图像用于表征孔洞在所述组织样本中的位置分布;
第三获得单元,用于根据所述第二二值图像和所述第四二值图像获得第一组特征的值,根据所述第一组特征的值,利用预设的第一决策树对所述孔洞进行分类,获得所述孔洞中类血管结构的位置分布,所述第一组特征的值用于表征所述孔洞的特征,所述预设的第一决策树用于表征第一组特征的值与孔洞的类型的对应关系;
建立单元,用于根据所述第二二值图像和所述类血管结构的位置分布,建立待测目标结构;
确定单元,用于获取所述待测目标结构的第二组特征的值,根据所述第二组特征的值和所述胶原蛋白的含量,利用预设的第二决策树确定所述待测目标结构的类型,所述第二组特征的值用于表征所述待测目标结构的特征,所述第二决策树用于表征第二组特征的值,胶原蛋白含量与已有目标结构的类型的对应关系,每个目标结构包括至少一个类血管结构,以及与类血管结构相连的胶原蛋白。
8.根据权利要求7所述的装置,其特征在于,所述第一获得单元包括:
去噪子单元,用于对所述组织样本的图像进行去噪处理,获得原始组织图像和原始胶原图像;
第一处理子单元,用于对所述原始组织图像进行二值化处理,获得组织二值图像;
第二处理子单元,用于删除所述组织二值图像中面积小于预设的第一阈值的连通域,获得第五二值图像,对所述第五二值图像进行图像填充获得所述第一二值图像;
计算子单元,用于计算所述原始组织图像与所述第一二值图像的乘积获得所述组织信号图像,计算所述原始胶原图像与所述第一二值图像的乘积获得所述胶原信号图像。
9.根据权利要求7所述的装置,其特征在于,所述第二获得单元包括:
取反子单元,用于对所述第三二值图像取反获得第六二值图像;
求与子单元,用于将所述第六二值图像与所述第一二值图像进行与运算获得第七二值图像;
删除子单元,用于删除所述第七二值图像中面积小于预设的第二阈值的连通域,获得所述第四二值图像。
10.根据权利要求7-9任意一项所述的装置,其特征在于,所述装置还包括:
第四获得单元,用于获取多个组织样本的样本图像,已知每个组织样本中孔洞的位置分布和类型;
第一处理单元,用于对每个样本图像进行图像处理,获得每个样本图像的第一二值图像、组织信号图像和胶原信号图像;
第一分割单元,用于对每个样本图像的胶原信号图像进行图像分割获得该样本图像的第二二值图像,对每个样本图像的组织信号图像进行图像分割获得该样本图像的第三二值图像;
第五获得单元,用于根据每个样本图像的第一二值图像和该样本图像的第三二值图像获得该样本图像的第四二值图像;
第六获得单元,用于根据每个样本图像的第二二值图像和该样本图像的第四二值图像获得该样本图像中每个孔洞的第一组特征的值;
第一建立单元,用于根据每个孔洞的第一组特征值以及该孔洞的类型,利用CART算法建立预设的第一决策树。
11.根据权利要求7-9任意一项所述的装置,其特征在于,所述装置还包括:
第七获得单元,用于获取多个组织样本的样本图像,已知每个组织样本中已有目标结构的位置分布和类型,所述已有目标结构的类型包括中央静脉或汇管区;
第二处理单元,用于对每个样本图像进行图像处理,获得每个样本图像的第一二值图像、组织信号图像和胶原信号图像;
第二分割单元,用于对每个样本图像的胶原信号图像进行图像分割获得该样本图像的第二二值图像,计算每个样本图像的第二二值图像与该样本图像的第一二值图像的比值获得该样本图像的胶原蛋白的含量;
第八获得单元,用于根据每个样本图像的第二二值图像和该样本图像的已有目标结构的位置分布获得第二组特征的值;
第二建立单元,用于根据每个样本图像的第二组特征的值,该样本图像的胶原蛋白的含量,以及该样本图像的已有目标结构的类型,利用CART算法建立预设的第二决策树。
12.根据权利要求7-9任意一项所述的装置,其特征在于,所述装置还包括:
第一更新单元,用于利用所述第一组特征的值与所述孔洞的类型更新所述预设的第一决策树;
第二更新单元,用于利用所述第二组特征的值与所述待测目标结构的类型更新所述预设的第二决策树。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710146719.XA CN108573267B (zh) | 2017-03-13 | 2017-03-13 | 一种肝脏组织结构分类的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710146719.XA CN108573267B (zh) | 2017-03-13 | 2017-03-13 | 一种肝脏组织结构分类的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108573267A CN108573267A (zh) | 2018-09-25 |
CN108573267B true CN108573267B (zh) | 2020-10-27 |
Family
ID=63578459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710146719.XA Active CN108573267B (zh) | 2017-03-13 | 2017-03-13 | 一种肝脏组织结构分类的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108573267B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021051335A1 (zh) * | 2019-09-19 | 2021-03-25 | 北京大学人民医院(北京大学第二临床医学院) | 丙肝肝纤维化特征信息提取方法及装置 |
WO2022000220A1 (zh) * | 2020-06-30 | 2022-01-06 | 杭州筹图科技有限公司 | 一种区域划分方法及相关设备 |
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 |
---|---|---|---|---|
CN105335425A (zh) * | 2014-08-07 | 2016-02-17 | 新加坡赫斯托因德私人有限公司 | 纤维化值评估方法及装置、纤维化动态评估方法及系统 |
CN105574859A (zh) * | 2015-12-14 | 2016-05-11 | 中国科学院深圳先进技术研究院 | 一种基于ct图像的肝脏肿瘤分割方法及装置 |
CN105989245A (zh) * | 2015-08-17 | 2016-10-05 | 杭州筹图科技有限公司 | 获取纤维化的特征量化参数的值的方法及装置 |
CN106023105A (zh) * | 2016-05-18 | 2016-10-12 | 四川省农业科学院土壤肥料研究所 | 一种植物叶片的二值图像生成方法及系统 |
-
2017
- 2017-03-13 CN CN201710146719.XA patent/CN108573267B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105335425A (zh) * | 2014-08-07 | 2016-02-17 | 新加坡赫斯托因德私人有限公司 | 纤维化值评估方法及装置、纤维化动态评估方法及系统 |
CN105989245A (zh) * | 2015-08-17 | 2016-10-05 | 杭州筹图科技有限公司 | 获取纤维化的特征量化参数的值的方法及装置 |
CN105574859A (zh) * | 2015-12-14 | 2016-05-11 | 中国科学院深圳先进技术研究院 | 一种基于ct图像的肝脏肿瘤分割方法及装置 |
CN106023105A (zh) * | 2016-05-18 | 2016-10-12 | 四川省农业科学院土壤肥料研究所 | 一种植物叶片的二值图像生成方法及系统 |
Non-Patent Citations (4)
Title |
---|
Karan Aggarwal等.The identifiation of liver cirrhosis with modifid LBP grayscaling and Otsu binarization.《Springer》.2016, * |
Sasaki等.A liver cirrhosis classification on B-mode ultrasound images by the use of higher order local autocorrelation features.《ICGIP 2016》.2017, * |
张慧等.基于灰度共生矩阵的肝癌B超纹理特征决策树诊断分析.《中国医药指南》.2015,第13卷(第25期), * |
曹务腾等.结直肠癌患者肝脏CT图像分类中决策树模型的应用.《CT理论与应用研究》.2014,第23卷(第2期), * |
Also Published As
Publication number | Publication date |
---|---|
CN108573267A (zh) | 2018-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wen et al. | MyoVision: software for automated high-content analysis of skeletal muscle immunohistochemistry | |
Alomari et al. | Automatic detection and quantification of WBCs and RBCs using iterative structured circle detection algorithm | |
CN108573267B (zh) | 一种肝脏组织结构分类的方法及装置 | |
Mula et al. | Automated image analysis of skeletal muscle fiber cross-sectional area | |
Romero et al. | Automatic morphometry of nerve histological sections | |
CN110135271A (zh) | 一种细胞分类方法及装置 | |
JP5771513B2 (ja) | 病理診断支援装置、病理診断支援方法、及び病理診断支援プログラム | |
Scarpa et al. | Development of a reliable automated algorithm for the morphometric analysis of human corneal endothelium | |
Chopin et al. | RootAnalyzer: a cross-section image analysis tool for automated characterization of root cells and tissues | |
McLean et al. | High-speed collagen fiber modeling and orientation quantification for optical coherence tomography imaging | |
CN107895368A (zh) | Shg/tpef图像中的参数作为成人或儿童的肝纤维化的分期特征参数的应用 | |
McLean et al. | Three-dimensional collagen fiber mapping and tractography of human uterine tissue using OCT | |
CN108198170B (zh) | 一种纤维间隔的识别方法及装置 | |
CN106023165B (zh) | 一种用于光学分辨率光声显微镜下活体肿瘤血管新生图像的血管提取方法 | |
Takahashi et al. | Artificial intelligence and deep learning: New tools for histopathological diagnosis of nonalcoholic fatty liver disease/nonalcoholic steatohepatitis | |
Zhou et al. | Learning to address intra-segment misclassification in retinal imaging | |
Ross et al. | A three-dimensional image processing program for accurate, rapid, and semi-automated segmentation of neuronal somata with dense neurite outgrowth | |
CN108074242B (zh) | 一种提高炎症识别准确度的方法及装置 | |
US20230117179A1 (en) | System and method for generating an indicator from an image of a histological section | |
Vijayalakshmi et al. | Liver tumor detection using CNN | |
Roszkowiak et al. | Improvements to segmentation method of stained lymphoma tissue section images | |
Ivanovska et al. | A fast and robust hepatocyte quantification algorithm including vein processing | |
Fernandez-Gonzalez et al. | Quantitative image analysis in mammary gland biology | |
Oztan et al. | Biologically-driven cell-graphs for breast tissue grading | |
McGarry et al. | Vessel Metrics: A software tool for automated analysis of vascular structure in confocal imaging |
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 |