CN108615236A - 一种图像处理方法及电子设备 - Google Patents
一种图像处理方法及电子设备 Download PDFInfo
- Publication number
- CN108615236A CN108615236A CN201810432947.8A CN201810432947A CN108615236A CN 108615236 A CN108615236 A CN 108615236A CN 201810432947 A CN201810432947 A CN 201810432947A CN 108615236 A CN108615236 A CN 108615236A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- pathological
- cell
- pathological 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 19
- 230000001575 pathological effect Effects 0.000 claims abstract description 173
- 230000011218 segmentation Effects 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 60
- 238000012545 processing Methods 0.000 claims description 21
- 238000003709 image segmentation Methods 0.000 claims description 20
- 238000013135 deep learning Methods 0.000 claims description 18
- 238000003384 imaging method Methods 0.000 claims description 13
- 230000007170 pathology Effects 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000002372 labelling Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 241000208340 Araliaceae Species 0.000 claims description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 2
- 235000008434 ginseng Nutrition 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 37
- 239000000463 material Substances 0.000 abstract description 9
- 238000000605 extraction Methods 0.000 description 21
- 238000006243 chemical reaction Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 16
- 238000013527 convolutional neural network Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 238000012549 training Methods 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 6
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000007635 classification algorithm Methods 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000010297 mechanical methods and process Methods 0.000 description 2
- 230000005226 mechanical processes and functions Effects 0.000 description 2
- 239000002547 new drug Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000032823 cell division Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000002380 cytological effect Effects 0.000 description 1
- 238000013497 data interchange Methods 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003255 drug test Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本申请实施例公开了一种图像处理方法及电子设备,其中方法包括:将原始病理图像转换为符合目标图像参数的结果病理图像;将所述结果病理图像中包含细胞的图像区域作为目标区域;分割所述目标区域中的细胞,获得分割结果。本申请实施例可以实现对病理图像细胞自动化的检测与分割,降低人力物力消耗,以及人工参与所可能导致的诊断误差,提高了细胞检测与分割的精度。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种图像处理方法及电子设备。
背景技术
影像处理又称为图像处理,是用计算机对图像进行分析,以达到所需结果的技术。图像处理一般指数字图像处理,数字图像是指用工业相机、摄像机、扫描仪等设备经过拍摄得到的一个大的二维数组,该数组的元素称为像素,其值称为灰度值。图像处理在许多领域起着十分重要的作用,特别是医学领域的图像处理。
目前,随着医学技术的发展与成熟,针对影像数据的远程会诊或诊断需求也逐渐提高。病理图像数据是临床中用于疾病诊断和药剂试验的金标准和重要依据之一。通常,医生和研究人员需要对病理图像中的每一个细胞进行分析,从而实现对疾病诊断或药剂试验的量化分析。在实际操作过程中,通过人工的方法分析逐个分析海量的细胞,将会耗费大量的人力物力,且人工分析存在主观偏差,无法得到统一、精确的诊断结果。
细胞分割指的是对细胞图像进行图像分割处理,图像分割是图像分析的一项基本任务,是计算机视觉的基础,是图像理解的重要组成部分。所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域,使得这些特征在同一区域内表现出一致性或相似性,而在不同区域间表现出明显的不同,简单的说就是在一幅图像中,把目标从背景中分离出来,通过对细胞图像的分割,可以提取细胞特征,进而准确地对细胞进行病理分析。目前使用的细胞检测与分割系统,通常只能针对特定的组织区域和成像设备,训练出相应的深度学习模型,再实现细胞的检测与分割。然而,对于一套临床可用的病理系统,通常需要分析不同类型的、由不同成像设备获取的病理图像,对于多模态的病理图像,需要采用专用的深度学习模型进行分析。一般而言,细胞检测与细胞分割通常为两个独立的流程,需要人工参与,可见目前的图像处理方法较复杂,增加了人力物力的消耗、以及存在人工参与所导致的误差,无法得到统一、精确的诊断结果。
发明内容
本申请实施例提供了一种图像处理方法及电子设备,可以实现对多模态病理图像的细胞自动化的检测与分割,提高细胞检测与分割的精度。
本申请实施例第一方面提供一种图像处理方法,包括:
将原始病理图像转换为符合目标图像参数的结果病理图像;
将所述结果病理图像中包含细胞的图像区域作为目标区域;
分割所述目标区域中的细胞,获得分割结果。
在一种可选的实施方式中,所述图像处理参数包括:所述目标图像参数包括目标尺寸参数和目标灰度参数;
所述将原始病理图像转换为符合目标图像参数的结果病理图像包括:
缩放所述原始病理图像,获得符合所述目标尺寸参数的中间图像;
使用图像转换网络将所述中间图像转换为符合所述目标灰度参数的所述结果病理图像。
在一种可选的实施方式中,所述目标图像参数还包括目标分辨率参数,所述缩放所述原始病理图像前,所述方法还包括:
对所述原始病理图像进行超分辨率处理,使所述原始病理图像符合所述目标分辨率参数。
在一种可选的实施方式中,所述原始病理图像包括:不同病理组织的病理图像、不同成像设备获取的病理图像、不同图像大小的病理图像、不同分辨率的病理图像中的一种或几种。
在一种可选的实施方式中,所述将所述结果病理图像中包含细胞的图像区域作为目标区域包括:
将所述结果病理图像中可能包含细胞的图像区域作为可疑细胞区域;
从所述可疑细胞区域中筛选出所述目标区域。
在一种可选的实施方式中,所述从所述可疑细胞区域中筛选出所述目标区域包括:
使用基于深度学习的图像分类网络从所述可疑细胞区域中筛选出所述目标区域。
在一种可选的实施方式中,所述分割所述目标区域中的细胞包括:
使用面向图像分割的深度神经网络模型分割所述目标区域中的细胞;
所述分割结果包括用于描述细胞位置与细胞轮廓的信息标注,所述面向图像分割的深度神经网络模型为使用带标注的病理图像进行训练后得到的。
本申请实施例第二方面提供一种电子设备,包括:图像转换模块、细胞区域提取模块和细胞分割模块,其中:
所述图像转换模块,用于将原始病理图像转换为符合目标图像参数的结果病理图像;
所述细胞区域提取模块,用于将所述结果病理图像中包含细胞的图像区域作为目标区域;
所述细胞分割模块,用于分割所述目标区域中的细胞,获得分割结果。
在一种可选的实施方式中,所述图像转换模块包括缩放单元和模态转换单元,其中:
所述目标图像参数包括目标尺寸参数和目标灰度参数;
所述缩放单元,用于缩放所述原始病理图像,获得符合所述目标尺寸参数的中间图像;
所述模态转换单元,用于使用图像转换网络将所述中间图像转换为符合所述目标灰度参数的所述结果病理图像。
在一种可选的实施方式中,所述电子设备还包括分辨率处理模块,所述目标图像参数还包括目标分辨率参数;
所述分辨率处理模块,用于对所述原始病理图像进行超分辨率处理,使所述原始病理图像符合所述目标分辨率参数。
在一种可选的实施方式中,所述原始病理图像包括:不同病理组织的病理图像、不同成像设备获取的病理图像、不同图像大小的病理图像、不同分辨率的病理图像中的一种或几种。
在一种可选的实施方式中,所述细胞区域提取模块包括第一提取单元和第二提取单元,其中:
所述第一提取单元,用于将所述结果病理图像中可能包含细胞的图像区域作为可疑细胞区域;
所述第二提取单元,用于从所述可疑细胞区域中筛选出所述目标区域。
在一种可选的实施方式中,所述第二提取单元具体用于:
使用基于深度学习的图像分类网络从所述可疑细胞区域中筛选出所述目标区域。
在一种可选的实施方式中,所述细胞分割模块具体用于:
使用面向图像分割的深度神经网络模型分割所述目标区域中的细胞,获得分割结果,所述分割结果包括用于描述细胞位置与细胞轮廓的信息标注。
本申请实施例第三方面提供另一种电子设备,包括处理器以及存储器,所述存储器用于存储一个或多个程序,所述一个或多个程序被配置成由所述处理器执行,所述程序包括用于执行如本申请实施例第一方面任一方法中所描述的部分或全部步骤。
本申请实施例第四方面提供一种计算机可读存储介质,所述计算机可读存储介质用于存储电子数据交换的计算机程序,其中,所述计算机程序使得计算机执行如本申请实施例第三方面任一方法中所描述的部分或全部步骤。
本申请实施例中,可以将原始病理图像转换为符合目标图像参数的结果病理图像,再将结果病理图像中包含细胞的图像区域作为目标区域,分割目标区域中的细胞,获得分割结果,进而可以根据上述病理图像的细胞分割结果进行进一步的诊断,实现了对病理图像细胞自动化的检测与分割,与一般方法相比降低了人力物力消耗,以及人工参与所可能导致的诊断误差,提高了细胞检测与分割的精度。
附图说明
为了更清楚地说明本申请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。
图1是本申请实施例公开的一种图像处理方法的流程示意图;
图2是本申请实施例公开的另一种图像处理方法的流程示意图;
图3是本申请实施例公开的一种病理图像表现形式示意图;
图4是本申请实施例公开的一种电子设备的结构示意图;
图5是本申请实施例公开的另一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本申请实施例中的附图,对本申请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作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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本申请实施例所涉及到的电子设备可以允许多个其他终端设备进行访问。上述电子设备包括终端设备,具体实现中,上述终端设备包括但不限于诸如具有触摸敏感表面(例如,触摸屏显示器和/或触摸板)的移动电话、膝上型计算机或平板计算机之类的其它便携式设备。还应当理解的是,在某些实施例中,所述设备并非便携式通信设备,而是具有触摸敏感表面(例如,触摸屏显示器和/或触摸板)的台式计算机。
本申请实施例中的深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。
深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值(例如一幅图像)可以使用多种方式来表示,如每个像素强度值的向量,或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务(例如,人脸识别或面部表情识别)。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。深度学习是机器学习研究中的一个新的领域,其动机在于建立、模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据,例如图像,声音和文本。
同机器学习方法一样,深度机器学习方法也有监督学习与无监督学习之分。不同的学习框架下建立的学习模型很是不同。例如,卷积神经网络(Convolutional neuralnetwork,CNN)就是一种深度的监督学习下的机器学习模型,也可称为基于深度学习的网络结构模型,而深度置信网(Deep Belief Net,DBN)就是一种无监督学习下的机器学习模型。
下面对本申请实施例进行详细介绍。
请参阅图1,图1是本申请实施例公开的一种图像处理的流程示意图,如图1所示,该图像处理包括如下步骤;
101、将原始病理图像转换为符合目标图像参数的结果病理图像。
在实际操作过程中,通过人工的方法分析逐个分析病理图像中海量的细胞,将会耗费大量的人力物力,且人工分析存在主观偏差,无法得到统一、精确的诊断结果。
本申请实施例中提到的原始病理图像可以为通过各种图像采集设备(比如显微镜)获得的多模态病理图像,多模态可以理解为其图像类型可以是多样化的,并且其图像大小、分辨率等特征可能不相同,呈现出的图像风格不一样,即上述原始病理图像可以为一张或者多张。在病理切片的制作以及成像的过程中,由于其组织类型、获取途径、成像设备等因素的不同,得到的病理影像数据通常差异很大。例如,不同显微镜下采集的病理图像,其分辨率会有很大的差异。通过光学显微镜可以获取病理组织的彩色图像(分辨率较低),而电子显微镜通常只能采集到灰度图像(但分辨率较高)。当前的细胞检测与分割系统,通常只能针对特定的组织区域和成像设备,训练出相应的深度学习模型,进而实现细胞的自动检测与分割。然而,对于一套临床可用的病理系统,通常需要分析不同类型的、由不同成像设备获取的病理组织。如果对于每种不同的病理组织,需要采用专用的深度学习模型进行分析,将会极大的增加运营成本。
具体地,执行本申请实施例步骤的主体可以为前述的一种电子设备。
上述目标图像参数为描述图像特征的参数,可以理解为用于使上述原始病理图像呈统一风格的参数。例如,上述目标图像参数可以包括:用于描述图像分辨率、图像灰度、图像大小等特征的参数,电子设备中可以存储有上述目标图像参数。
电子设备可以借助图像超分辨率(Image Super Resolution)以及图像转化等技术,将不同病理组织、不同成像设备获取的多模态病理图像进行统一,使它们可以作为通用细胞检测与分割模型的输入。此步骤也可以称为多模态病理图像的归一化过程。
图像超分辨率技术是指用图像处理的方法,通过软件算法(强调不变动成像硬件设备)的方式将已有的低分辨率(LR)图像转换成高分辨率(HR)图像的技术,可分为超分辨率复原和也称超分辨率图像重建(Super resolution image reconstruction,SRIR)。目前,图像超分辨率研究可分为三个主要范畴:基于插值、基于重建和基于学习的方法。超分辨率重建的核心思想就是用时间带宽(获取同一场景的多帧图像序列)换取空间分辨率,实现时间分辨率向空间分辨率的转换。在大量的电子图像应用领域,人们经常期望得到高分辨率图像。高分辨率意味着图像中的像素密度高,能够提供更多的细节,而这些细节在许多实际应用中不可或缺。例如,高分辨率病理图像或医疗图像对于医生做出正确的诊断是非常有帮助的,如果能够提供高分辨的图像,计算机视觉中的模式识别的性能也就会大大提高。
在步骤101中,可以对一张或者同时对多张原始多模态病理图像进行处理,转换为符合上述目标图像参数的结果病理图像,即经过转化后得到的结果病理图像,其分辨率、图像灰度、图像大小可以相同或者均处于相同范围内,转换为统一风格的图像,更便于后续处理。
将原始病理图像转换为符合目标图像参数的结果病理图像之后,可以执行步骤102。
102、将上述结果病理图像中包含细胞的图像区域作为目标区域。
在获得符合目标图像参数的结果病理图像后,上述电子设备可以对上述结果病理图像进行细胞检测,检测出该结果病理图像中包含细胞的图像区域,为方便描述,上述包含细胞的图像区域称为上述目标区域。
具体地,步骤102可以包括:
将上述结果病理图像中可能包含细胞的图像区域作为可疑细胞区域;
从上述可疑细胞区域中筛选出上述目标区域。
在获得上述结果病理图像之后,该电子设备可以对病理图像中的细胞进行检测,确定可能包含细胞的图像区域(可疑细胞区域)。
基于深度学习的目标检测技术,涉及到面向区域处理的卷积神经网络网络(Regions with CNN features,RCNN),是将卷积神经网络方法应用到目标检测问题上的一种面向区域处理的网络,借助卷积神经网络良好的特征提取和分类性能,可以通过基于候选区域的深度学习目标检测方法实现目标检测问题的转化。Fast R-CNN和Faster R-CNN则是由R-CNN演进出的目标检测技术,性能更优。在Faster R-CNN框架的处理流程中,主要包括生成候选区域、特征提取、分类和位置精修的过程,能够很好地实现目标检测任务。
可选的,可通过训练候选区域生成网络(Region Proposal Network,RPN)来实现对上述可疑细胞区域的提取,例如使用Faster-RCNN中所提出的RPN方法,RPN和检测网络共享全图的卷积特征,使得区域建议几乎不花时间,因此能够更快地完成上述步骤。RPN是一个端到端训练的全卷积网络,可生成高质量区域建议框,用于Fast R-CNN来检测。
需要注意的是,通过上述方法得到的可疑细胞区域可能并不包含细胞,为了更加准确,需要进一步对可疑细胞区域进行筛选,去除不包含细胞的区域。
具体地,可以使用图像分类算法对上述可疑细胞区域的图像进行二分类,得到包含细胞的图像和不包含细胞的图像,再确定上述包含细胞的图像在上述结果病理图像中所处的区域为上述目标区域。
采用图像分类算法对获取的上述可疑细胞区域的图像进行二分类,即将图像分为包含细胞和不包含细胞两种类别。而通过训练基于深度学习的图像分类网络,也可以实现对上述目标区域的筛选,例如目前常见的图像分类网络:一种深度残差网络(ResNet)、VGGNet等。VGGNet是由牛津大学的视觉几何组(Visual Geometry Group,VGG)提出的图像分类网络,突出贡献在于证明使用很小的卷积(3*3),增加网络深度可以有效提升模型的效果,而且VGGNet对其他数据集具有很好的泛化能力。经过上述步骤,可以获取经过筛选的、包含细胞的目标区域。
可以理解为,该电子设备可以对上述结果病理图像中的细胞进行初步检测,确定可疑细胞区域,再进行一次分类,从上述可疑细胞区域中选出包含细胞的目标区域。上述可疑细胞区域为可能包含细胞的图像区域,即可疑细胞区域中可以包含细胞,也可能存在一些误差,选出的部分可疑细胞区域里不包含细胞;而最后获得的目标区域包含细胞,具体可以为一个目标区域里包含一个细胞。
在确定上述目标区域之后,可以执行步骤103。
103、分割所述目标区域中的细胞,获得分割结果。
细胞分割作为细胞跟踪、细胞分裂检测过程中提取细胞特征的一个重要手段,在医疗图像处理、分析领域占据重要的地位。本申请实施例中提到的细胞分割,指的是对细胞图像进行图像分割处理,图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程,它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类:基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。从数学角度来看,图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程,即把属于同一区域的像索赋予相同的编号。
具体地,上述电子设备分割上述目标区域中的细胞,可包括:
使用面向图像分割的深度神经网络模型分割上述目标区域中的细胞;
上述分割结果可包括用于描述细胞位置与细胞轮廓的信息标注,上述面向图像分割的深度神经网络模型为使用带标注的病理图像进行训练后得到的。
基于神经网络模型进行图像分割的基本思想是:通过训练多层感知机来得到线性决策函数,然后用决策函数对像素进行分类来达到分割的目的。可以通过训练近年来被提出的面向图像分割的深度神经网络模型、利用上述分割网络模型实现图像分割,例如全卷积神经网络(Fully Convolutional Neural Network),或者一种应用于生物医学图像分割中的卷积网络(Convolutional Networks for Biomedical Image Segmentation,U-Net),U-Net网络常用于分割细胞图像。经过分割网络模型的训练,可以自动的实现对确定的目标区域中病理细胞的分割。
上述分割结果可以理解为进行图像分割后得到的细胞图像集,分割结果还可以包括用于描述细胞位置与细胞轮廓的信息标注,即通过上述步骤,确定了细胞在病理图像中的位置以及细胞的组织结构,通过标注信息的方式可以使分割结果更加直观。
此外,在该步骤具体实施过程中,首先需要收集大量带标注的病理图像用于训练该步骤涉及的各类深度神经网络。可选地,此处可采用已有的公开数据集对深度神经网络进行训练,例如采用Kaggle Data Science Bowl(2018)所公开的包含细胞检测与分割标注的数据集,或者专业病理专家进行标注的数据集。
本申请实施例中,可以将原始病理图像转换为符合目标图像参数的结果病理图像,再将结果病理图像中包含细胞的图像区域作为目标区域,分割所有目标区域中的细胞,获得分割结果,进而可以根据上述病理图像的细胞分割结果进行进一步的诊断,实现了对病理图像细胞自动化的检测与分割,与一般方法相比降低了人力物力消耗,以及人工参与所可能导致的诊断误差,提高了细胞检测与分割的精度。
请参阅图2,图2是本申请实施例公开的另一种图像处理方法的流程示意图,图2是在图1的基础上进一步优化得到的。执行本申请实施例步骤的主体可以为前述的一种电子设备。如图2所示,该图像处理方法包括如下步骤:
201、判断原始病理图像的分辨率是否符合目标分辨率参数。
本申请实施例中提到的分辨率指的是图像分辨率,图像分辨率指图像中存储的信息量,是每英寸图像内有多少个像素点,分辨率的单位可以为像素每英寸(Pixels PerInch,PPI),它和图像的宽、高尺寸一起决定了图像文件的大小及图像质量。图像分辨率一般被用于图像处理中,用来改变图像的清晰度。
具体地,上述电子设备中可以存储上述目标分辨率参数,电子设备可以检测原始病理图像的分辨率,判断分辨率是否符合上述目标分辨率参数。若符合,可以执行步骤203,若不符合,可以执行步骤202。比如,电子设备中的目标分辨率参数设置为100PPI,电子设备到检测原始病理图像S的分辨率为60PPI,小于100PPI,则判断原始病理图像S的分辨率不符合上述目标分辨率参数,或者,若电子设备中的目标分辨率参数设置为80-100PPI,则判断原始病理图像S的分辨率是否属于80-100PPI范围内,若不属于,则原始病理图像S的分辨率不符合上述目标分辨率参数,若属于则符合。
202、对原始病理图像进行超分辨率处理,使上述原始病理图像符合上述目标分辨率参数。
在多模态病理图像归一化的过程中,由于不同成像设备获取病理图像的分辨率可能会不同,因此首先对病理图像的分辨率进行统一。
若该电子设备判断上述原始病理图像的分辨率不符合上述目标分辨率参数,则对该原始病理图像进行超分辨率处理,提升该原始病理图像的分辨率,使上述原始病理图像符合上述目标分辨率参数。上述目标分辨率参数可以进行更改设置。
可以首先采用图像超分辨率技术,将病理图像的分辨率进行统一,即将分辨率较低的病理图像进行超分辨率重建,从而可以在之后的步骤中更精确的地对细胞进行分割。可选地,上述图像超分辨率技术可以是近年来被提出的基于深度学习的超分辨率算法,例如基于组织学图像超分辨率的深度递归残差网络(Deep Recursive Residual Network)。
203、判断上述原始病理图像是否符合目标尺寸参数。
图像尺寸的长度与宽度是以像素为单位的,也有的是以厘米为单位。图片分辨率越高,所需像素越多,比如:分辨率640×480的图片,大概需要31万像素,2084×1536的图片,则需要高达314万像素。像素越大,分辨率越高,照片越清晰,可输出照片尺寸也可以越大。
具体地,上述电子设备中可以存储有上述目标尺寸参数,电子设备可以获得上述原始病理图像的图像尺寸,判断上述图像尺寸是否符合上述目标尺寸参数。若符合,上述原始病理图像即为中间图像,可以执行步骤205;若不符合,可以执行步骤204。
比如,电子设备中的目标尺寸参数设置为图像尺寸256×256,电子设备到检测原始病理图像S2的图像尺寸为512×256,则判断原始病理图像S2不符合上述目标尺寸参数。
204、缩放上述原始病理图像,获得符合上述目标尺寸参数的中间图像。
该电子设备可以对上述原始病理图像进行缩小或放大处理,以获得符合该目标尺寸参数的中间图像。例如,例如电子设备中设置了目标尺寸参数为256ⅹ256尺寸,该电子设备可以将不符合该尺寸的原始病理图像进行缩小或放大处理,从而获得上述中间图像,该中间图像的图像尺寸为256ⅹ256。
在对多模态的原始病理图像进行分辨率统一之后可以进一步将原始病理图像的大小(即尺寸)进行统一,更方便其作为后续神经网络的输入。
在获得上述中间图像之后,可以执行步骤205。
205、判断上述中间图像是否符合目标灰度参数。
由于物体各点的颜色及亮度不同,摄成的黑白照片上或电视接收机重现的黑白图像上各点呈现不同程度的灰色。把白色与黑色之间按对数关系分成若干级,称为“灰度等级”。范围一般从0到255,白色为255,黑色为0,故黑白图片也称灰度图像,在医学、图像识别领域有很广泛的用途。
具体地,上述电子设备中可以存储有上述目标灰度参数,电子设备可以判断上述中间图像是否符合上述目标灰度参数。若符合,上述中间图像则为结果病理图像,可以执行步骤207;若不符合,可以执行步骤206。可以以电子显微镜获取的灰度图像作为图像转换的金标准,即上述目标灰度参数可以为电子显微镜采集图像的灰度值。比如,电子设备中的目标灰度参数设置为灰度值216,电子设备到检测中间图像S3的灰度值158,则判断中间图像S3的灰度值不符合上述目标灰度参数。
206、使用图像转换网络将上述中间图像转换为符合上述目标灰度参数的结果病理图像。
考虑到由不同显微镜获取的病理图像通常具有不同的模态,例如荧光显微镜和电子显微镜具有不同的成像表现,可以引入图像转换网络,将多模态的原始病理图像转换成统一风格的灰度图像。可选地,上述图像转换网络可以是近年来被提出的基于深度学习的图像风格转换网络。在一般的图像处理中常用到图像格式转换器,图像格式即图像文件存放在记忆卡上的格式,通常有JPEG、TIFF、RAW等格式,图像格式转换器即可以用于将图像从当前格式转换为其他图像格式。
继续举例来讲,电子设备中的目标灰度参数设置为灰度值216,电子设备检测到中间图像S3的灰度值158,则判断中间图像S3的灰度值不符合上述目标灰度参数,可以使用上述图像转换网络将上述中间图像转换为灰度值216的结果病理图像。得到结果病理图像之后,可以执行步骤207。
可以参见图3所示的病理图像显示形式示意图,其中,原始病理图像A1、B1和C1图像尺寸不同,经过上述步骤201-步骤204可以分别得到中间图像A2、B2和C2,这些中间图像的分辨率和图像尺寸进行了统一,需要注意的是上述原始病理图像A1、B1和C1的色彩表现也不同,在获得中间图像A2、B2和C2后,经过上述步骤205和步骤206处理,可以得到统一风格的灰度图像,从而便于进行后续处理步骤。
经过上述超分辨率重建和上述图像转换网络,各类原始病理图像均可转换为相同尺寸、相同模态的图像,以作为后续细胞检测与分割模型的输入。
207、将上述结果病理图像中可能包含细胞的图像区域作为可疑细胞区域。
在获得上述结果病理图像之后,该电子设备可以对病理图像中的细胞进行检测,确定可能包含细胞的图像区域(可疑细胞区域)。
可选的,可通过训练RPN来实现对上述可疑细胞区域的提取,例如使用Faster-RCNN中所提出的RPN方法。
上述可疑细胞区域可以是以矩形框的形式在上述结果病理图像中提取出来。经过本步骤,可提取出病理图像中所有可能包含细胞的矩形框,进而作为后续细胞分割模型的输入。在提取上述可疑细胞区域之后,可以执行步骤205。
208、从上述可疑细胞区域中筛选出目标区域。上述目标区域为结果病理图像中包含细胞的图像区域。
在标注204中得到的可疑细胞区域,可能并不包含细胞。因而需要进一步对可疑细胞区域进行筛选,去除不包含细胞的矩形框。
具体地,可以使用图像分类算法对上述可疑细胞区域的图像进行二分类,得到包含细胞的图像和不包含细胞的图像;确定上述包含细胞的图像在上述结果病理图像中所处的区域为上述目标区域。
可选的,可以使用基于深度学习的图像分类网络从上述可疑细胞区域中筛选出上述目标区域。
采用图像分类算法对上述步骤204中获取的大量矩形框进行二分类,即将矩形框区域的图像分为包含细胞和不包含细胞两种类别。而通过训练基于深度学习的图像分类网络,也可以实现细胞区域矩形框的筛选,例如目前常见的图像分类网络:深度残差网络(ResNet)、VGGNet等。
在计算机视觉里,特征的“等级”随增网络深度的加深而变高,研究表明,网络的深度是实现好的效果的重要因素,然而梯度弥散/爆炸成为训练深层次的网络的障碍,导致无法收敛。有一些方法可以弥补,如归一初始化,各层输入归一化,使得可以收敛的网络的深度提升为原来的十倍。然而,虽然收敛了,但网络却开始退化了,即增加网络层数却导致更大的误差。深度残差网络是2015年提出的深度卷积网络,对于图像分类、检测、定位有很好的应用,残差网络解决了上述退化的问题,在训练集和校验集上,都证明了的更深的网络错误率越小。ResNet通过学习形成残差函数,这种残差函数更容易优化,能使网络层数大大加深。VGGNet是由牛津大学的视觉几何组(Visual Geometry Group,VGG)提出,其突出贡献在于证明使用很小的卷积(比如3*3),增加网络深度可以有效提升模型的效果,而且VGGNet对其他数据集具有很好的泛化能力。经过上述步骤,可以获取经过筛选的、包含细胞的矩形框,具体可以为一个矩形框里包含一个细胞。同时,根据步骤204中RPN网络的输出,也可以获取细胞在病理图像中的位置信息,实现了病理细胞的检测。
209、分割上述目标区域中的细胞,获得分割结果。
上述步骤206可以参见图1所示实施例中对步骤103的具体描述,此处不再赘述。
本申请实施例适用于对病理图像的临床分析,以及依据病理图像的药物检测或医疗过程中。当医生需要对一张病理图像进行量化分析时,通常需要分析所有细胞的数目,以及其中良性和恶性细胞所占的比例。在传统的临床检测过程中,需要医生对病理图像中的海量细胞进行分析,时间和人力成本巨大。基于上述方法,可以自动的对各类不同的原始病理图像进行分析,通过对图像中的每个细胞进行检测与分割,可以对细胞的良恶程度进度判断,进而可以将细胞的分析结果以统计的方式直接呈现给医生,便于进行医疗诊断。上述方法可以在数分钟内自动实现,可以大幅度的提高医生进行临床诊断的效率。
同时,在生物医学领域新药的研发中,通常需要将某种药剂应用于组织细胞中,并观察细胞的形态学反应。传统的方法需要人工对细胞的形态学变化进行观察和统计分析,耗费大量的人力物力。此处,基于本申请实施例所述的方法,可以自动对多种不同模态的病理组织细胞进行检测与分割。所获得的分割结果,可进一步用于细胞的形态学分析。同样的,可以在数分钟内自动完成一张病理图像细胞级别的检测与分割,即可以更加高效且精确的实现细胞形态学分析,从而加速在生物医学领域新药的研发进程。
本申请实施例对原始病理图像进行超分辨率处理,使上述原始病理图像符合目标分辨率参数,再缩放原始病理图像,获得符合目标尺寸参数的中间图像,然后,使用图像转换网络将上述中间图像转换为符合目标灰度参数的结果病理图像,可以将多模态的病理图像转换为分辨率、图像尺寸均统一风格的图像,进而,将上述结果病理图像中可能包含细胞的图像区域作为可疑细胞区域,再从上述可疑细胞区域中筛选出包含细胞的目标区域,并分割上述目标区域中的细胞,可以获得分割结果。上述方法可以无需任何人工干预,在上述所有需要用到的模型训练完毕后,当有任意模态的原始病理图像需要进行细胞的检测与分割,可以将其作为该方法的输入,即可获取该病理图像中细胞的检测与分割结果。
上述主要从方法侧执行过程的角度对本申请实施例的方案进行了介绍。可以理解的是,电子设备为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,本发明能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,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特定的应用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。
本申请实施例可以根据上述方法示例对电子设备进行功能单元的划分,例如,可以对应各个功能划分各个功能单元,也可以将两个或两个以上的功能集成在一个处理单元中。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。需要说明的是,本申请实施例中对单元的划分是示意性的,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。
请参阅图4,图4是本申请实施例公开的一种电子设备的结构示意图。如图4所示,该电子设备400包括:图像转换模块401、细胞区域提取模块402和细胞分割模块403,其中:
图像转换模块401,用于将原始病理图像转换为符合目标图像参数的结果病理图像;
细胞区域提取模块402,用于将上述结果病理图像中包含细胞的图像区域作为目标区域;
细胞分割模块403,用于分割上述目标区域中的细胞,获得分割结果。
在一种可选的实施方式中,上述图像转换模块401包括缩放单元411和模态转换单元412,其中:
上述目标图像参数包括目标尺寸参数和目标灰度参数;
上述缩放单元411,用于缩放上述原始病理图像,获得符合上述目标尺寸参数的中间图像;
上述模态转换单元412,用于使用图像转换网络将上述中间图像转换为符合上述目标灰度参数的上述结果病理图像。
在一种可选的实施方式中,上述电子设备还包括分辨率处理模块404,上述目标图像参数还包括目标分辨率参数;
上述分辨率处理模块404,用于对上述原始病理图像进行超分辨率处理,使上述原始病理图像符合上述目标分辨率参数。
在一种可选的实施方式中,上述细胞区域提取模块402包括第一提取单元421和第二提取单元422,其中:
上述第一提取单元421,用于将上述结果病理图像中可能包含细胞的图像区域作为可疑细胞区域;
上述第二提取单元422,用于从上述可疑细胞区域中筛选出上述目标区域。
在一种可选的实施方式中,上述第二提取单元422具体用于:
使用基于深度学习的图像分类网络从上述可疑细胞区域中筛选出上述目标区域。
在一种可选的实施方式中,上述细胞分割模块403具体用于:
使用面向图像分割的深度神经网络模型分割上述目标区域中的细胞,获得分割结果,上述分割结果包括用于描述细胞位置与细胞轮廓的信息标注。
实施图4所示的电子设备,电子设备可以将原始病理图像转换为符合目标图像参数的结果病理图像,再将结果病理图像中包含细胞的图像区域作为目标区域,分割目标区域中的细胞,获得分割结果,进而可以根据上述病理图像的细胞分割结果进行进一步的诊断,实现了对病理图像细胞自动化的检测与分割,与一般方法相比降低了人力物力消耗,以及人工参与所可能导致的诊断误差,提高了细胞检测与分割的精度。
请参阅图5,图5是本申请实施例公开的另一种电子设备的结构示意图。如图5所示,该电子设备500包括处理器501和存储器502,其中,电子设备500还可以包括总线503,处理器501和存储器502可以通过总线503相互连接,总线503可以是外设部件互连标准(Peripheral Component Interconnect,简称PCI)总线或扩展工业标准结构(ExtendedIndustry Standard Architecture,简称EISA)总线等。总线503可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。其中,电子设备500还可以包括输入输出设备504,输入输出设备504可以包括显示屏,例如液晶显示屏。存储器502用于存储包含指令的一个或多个程序;处理器501用于调用存储在存储器502中的指令执行上述图1和图2实施例中提到的部分或全部方法步骤。
实施图5所示的电子设备,电子设备以将原始病理图像转换为符合目标图像参数的结果病理图像,再将结果病理图像中包含细胞的图像区域作为目标区域,分割目标区域中的细胞,获得分割结果,进而可以根据上述病理图像的细胞分割结果进行进一步的诊断,实现了对病理图像细胞自动化的检测与分割,与一般方法相比降低了人力物力消耗,以及人工参与所可能导致的诊断误差,提高了细胞检测与分割的精度。
本申请实施例还提供一种计算机存储介质,其中,该计算机存储介质存储用于电子数据交换的计算机程序,该计算机程序使得计算机执行如上述方法实施例中记载的任何一种图像处理方法的部分或全部步骤。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
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,可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。另一点,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,可以是电性或其它的形式。
所述作为分离部件说明的单元(模块)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器中。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器中,包括若干指令用以使得一台计算机设备(可为个人计算机、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。而前述的存储器包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取器(英文:Random Access Memory,简称:RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种图像处理方法,其特征在于,所述方法包括:
将原始病理图像转换为符合目标图像参数的结果病理图像;
将所述结果病理图像中包含细胞的图像区域作为目标区域;
分割所述目标区域中的细胞,获得分割结果。
2.根据权利要求1所述的图像处理方法,其特征在于,所述目标图像参数包括目标尺寸参数和目标灰度参数;
所述将原始病理图像转换为符合目标图像参数的结果病理图像包括:
缩放所述原始病理图像,获得符合所述目标尺寸参数的中间图像;
使用图像转换网络将所述中间图像转换为符合所述目标灰度参数的所述结果病理图像。
3.根据权利要求2所述的图像处理方法,其特征在于,所述目标图像参数还包括目标分辨率参数,所述缩放所述原始病理图像前,所述方法还包括:
对所述原始病理图像进行超分辨率处理,使所述原始病理图像符合所述目标分辨率参数。
4.根据权利要求1-3任一项所述的图像处理方法,其特征在于,所述原始病理图像包括:不同病理组织的病理图像、不同成像设备获取的病理图像、不同图像大小的病理图像、不同分辨率的病理图像中的一种或几种。
5.根据权利要求1-4任一项所述的图像处理方法,其特征在于,所述将所述结果病理图像中包含细胞的图像区域作为目标区域包括:
将所述结果病理图像中可能包含细胞的图像区域作为可疑细胞区域;
从所述可疑细胞区域中筛选出所述目标区域。
6.根据权利要求5所述的图像处理方法,其特征在于,所述从所述可疑细胞区域中筛选出所述目标区域包括:
使用基于深度学习的图像分类网络从所述可疑细胞区域中筛选出所述目标区域。
7.根据权利要求6所述的图像处理方法,其特征在于,所述分割所述目标区域中的细胞包括:
使用面向图像分割的深度神经网络模型分割所述目标区域中的细胞;
所述分割结果包括用于描述细胞位置与细胞轮廓的信息标注,所述面向图像分割的深度神经网络模型为使用带标注的病理图像进行训练后得到的。
8.一种电子设备,其特征在于,包括用于执行如权利要求1-7任一权利要求所述的方法的模块。
9.一种电子设备,其特征在于,包括处理器以及存储器,所述存储器用于存储一个或多个程序,所述一个或多个程序被配置成由所述处理器执行,所述程序包括用于执行如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储电子数据交换的计算机程序,其中,所述计算机程序使得计算机执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810432947.8A CN108615236A (zh) | 2018-05-08 | 2018-05-08 | 一种图像处理方法及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810432947.8A CN108615236A (zh) | 2018-05-08 | 2018-05-08 | 一种图像处理方法及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108615236A true CN108615236A (zh) | 2018-10-02 |
Family
ID=63662185
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810432947.8A Pending CN108615236A (zh) | 2018-05-08 | 2018-05-08 | 一种图像处理方法及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108615236A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109614921A (zh) * | 2018-12-07 | 2019-04-12 | 安徽大学 | 一种基于对抗生成网络的半监督学习的细胞分割方法 |
CN109740668A (zh) * | 2018-12-29 | 2019-05-10 | 北京市商汤科技开发有限公司 | 深度模型训练方法及装置、电子设备及存储介质 |
CN109800631A (zh) * | 2018-12-07 | 2019-05-24 | 天津大学 | 基于掩膜区域卷积神经网络的荧光编码微球图像检测方法 |
CN109975291A (zh) * | 2019-03-08 | 2019-07-05 | 广州金域医学检验中心有限公司 | 数字病理切片的生成方法、装置和计算机设备 |
CN110020987A (zh) * | 2019-03-24 | 2019-07-16 | 北京工业大学 | 一种基于深度学习的医学影像超分辨率重建方法 |
CN110136153A (zh) * | 2019-05-14 | 2019-08-16 | 上海商汤智能科技有限公司 | 一种图像处理方法、设备及存储介质 |
CN110334565A (zh) * | 2019-03-21 | 2019-10-15 | 江苏迪赛特医疗科技有限公司 | 一种显微镜病理照片的宫颈癌病变细胞分类系统 |
CN110428475A (zh) * | 2019-06-21 | 2019-11-08 | 腾讯科技(深圳)有限公司 | 一种医学图像的分类方法、模型训练方法和服务器 |
CN110765855A (zh) * | 2019-09-12 | 2020-02-07 | 杭州迪英加科技有限公司 | 一种病理图像处理方法及系统 |
CN111210442A (zh) * | 2020-01-02 | 2020-05-29 | 广东博智林机器人有限公司 | 图纸图像定位与校对方法、装置及电子设备 |
WO2020119679A1 (zh) * | 2018-12-14 | 2020-06-18 | 深圳先进技术研究院 | 三维左心房分割方法、装置、终端设备及存储介质 |
CN111461165A (zh) * | 2020-02-26 | 2020-07-28 | 上海商汤智能科技有限公司 | 图像识别方法、识别模型的训练方法及相关装置、设备 |
CN111523597A (zh) * | 2020-04-23 | 2020-08-11 | 北京百度网讯科技有限公司 | 目标识别模型训练方法、装置、设备以及存储介质 |
CN111784630A (zh) * | 2020-05-18 | 2020-10-16 | 广州信瑞医疗技术有限公司 | 一种病理图像的成分分割方法、装置 |
CN112017162A (zh) * | 2020-08-10 | 2020-12-01 | 上海杏脉信息科技有限公司 | 病理图像处理方法、装置、存储介质和处理器 |
CN112925938A (zh) * | 2021-01-28 | 2021-06-08 | 上海商汤智能科技有限公司 | 一种图像标注方法、装置、电子设备及存储介质 |
CN113468371A (zh) * | 2021-07-12 | 2021-10-01 | 公安部第三研究所 | 实现自然语句图像检索的方法、系统、装置、处理器及其计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106373109A (zh) * | 2016-08-31 | 2017-02-01 | 南方医科大学 | 一种医学图像模态合成的方法 |
CN107169556A (zh) * | 2017-05-15 | 2017-09-15 | 电子科技大学 | 基于深度学习的干细胞自动计数方法 |
CN107256558A (zh) * | 2017-05-18 | 2017-10-17 | 深思考人工智能机器人科技(北京)有限公司 | 一种无监督式的宫颈细胞图像自动分割方法及系统 |
CN107563123A (zh) * | 2017-09-27 | 2018-01-09 | 百度在线网络技术(北京)有限公司 | 用于标注医学图像的方法和装置 |
-
2018
- 2018-05-08 CN CN201810432947.8A patent/CN108615236A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106373109A (zh) * | 2016-08-31 | 2017-02-01 | 南方医科大学 | 一种医学图像模态合成的方法 |
CN107169556A (zh) * | 2017-05-15 | 2017-09-15 | 电子科技大学 | 基于深度学习的干细胞自动计数方法 |
CN107256558A (zh) * | 2017-05-18 | 2017-10-17 | 深思考人工智能机器人科技(北京)有限公司 | 一种无监督式的宫颈细胞图像自动分割方法及系统 |
CN107563123A (zh) * | 2017-09-27 | 2018-01-09 | 百度在线网络技术(北京)有限公司 | 用于标注医学图像的方法和装置 |
Non-Patent Citations (1)
Title |
---|
骆清铭 等: "《生物分子光子学研究前沿》", 31 October 2014 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109800631A (zh) * | 2018-12-07 | 2019-05-24 | 天津大学 | 基于掩膜区域卷积神经网络的荧光编码微球图像检测方法 |
CN109800631B (zh) * | 2018-12-07 | 2023-10-24 | 天津大学 | 基于掩膜区域卷积神经网络的荧光编码微球图像检测方法 |
CN109614921B (zh) * | 2018-12-07 | 2022-09-30 | 安徽大学 | 一种基于对抗生成网络的半监督学习的细胞分割方法 |
CN109614921A (zh) * | 2018-12-07 | 2019-04-12 | 安徽大学 | 一种基于对抗生成网络的半监督学习的细胞分割方法 |
WO2020119679A1 (zh) * | 2018-12-14 | 2020-06-18 | 深圳先进技术研究院 | 三维左心房分割方法、装置、终端设备及存储介质 |
CN109740668A (zh) * | 2018-12-29 | 2019-05-10 | 北京市商汤科技开发有限公司 | 深度模型训练方法及装置、电子设备及存储介质 |
CN109975291A (zh) * | 2019-03-08 | 2019-07-05 | 广州金域医学检验中心有限公司 | 数字病理切片的生成方法、装置和计算机设备 |
CN110334565A (zh) * | 2019-03-21 | 2019-10-15 | 江苏迪赛特医疗科技有限公司 | 一种显微镜病理照片的宫颈癌病变细胞分类系统 |
CN110020987A (zh) * | 2019-03-24 | 2019-07-16 | 北京工业大学 | 一种基于深度学习的医学影像超分辨率重建方法 |
CN110020987B (zh) * | 2019-03-24 | 2023-06-30 | 北京工业大学 | 一种基于深度学习的医学影像超分辨率重建方法 |
CN110136153B (zh) * | 2019-05-14 | 2022-03-15 | 上海商汤智能科技有限公司 | 一种图像处理方法、设备及存储介质 |
CN110136153A (zh) * | 2019-05-14 | 2019-08-16 | 上海商汤智能科技有限公司 | 一种图像处理方法、设备及存储介质 |
CN110428475A (zh) * | 2019-06-21 | 2019-11-08 | 腾讯科技(深圳)有限公司 | 一种医学图像的分类方法、模型训练方法和服务器 |
CN110765855A (zh) * | 2019-09-12 | 2020-02-07 | 杭州迪英加科技有限公司 | 一种病理图像处理方法及系统 |
CN111210442A (zh) * | 2020-01-02 | 2020-05-29 | 广东博智林机器人有限公司 | 图纸图像定位与校对方法、装置及电子设备 |
CN111210442B (zh) * | 2020-01-02 | 2023-02-03 | 广东博智林机器人有限公司 | 图纸图像定位与校对方法、装置及电子设备 |
CN111461165A (zh) * | 2020-02-26 | 2020-07-28 | 上海商汤智能科技有限公司 | 图像识别方法、识别模型的训练方法及相关装置、设备 |
CN111523597A (zh) * | 2020-04-23 | 2020-08-11 | 北京百度网讯科技有限公司 | 目标识别模型训练方法、装置、设备以及存储介质 |
CN111523597B (zh) * | 2020-04-23 | 2023-08-25 | 北京百度网讯科技有限公司 | 目标识别模型训练方法、装置、设备以及存储介质 |
CN111784630A (zh) * | 2020-05-18 | 2020-10-16 | 广州信瑞医疗技术有限公司 | 一种病理图像的成分分割方法、装置 |
CN112017162B (zh) * | 2020-08-10 | 2022-12-06 | 上海杏脉信息科技有限公司 | 病理图像处理方法、装置、存储介质和处理器 |
CN112017162A (zh) * | 2020-08-10 | 2020-12-01 | 上海杏脉信息科技有限公司 | 病理图像处理方法、装置、存储介质和处理器 |
CN112925938A (zh) * | 2021-01-28 | 2021-06-08 | 上海商汤智能科技有限公司 | 一种图像标注方法、装置、电子设备及存储介质 |
CN113468371A (zh) * | 2021-07-12 | 2021-10-01 | 公安部第三研究所 | 实现自然语句图像检索的方法、系统、装置、处理器及其计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108615236A (zh) | 一种图像处理方法及电子设备 | |
WO2021036616A1 (zh) | 一种医疗图像处理方法、医疗图像识别方法及装置 | |
WO2020151536A1 (zh) | 一种脑部图像分割方法、装置、网络设备和存储介质 | |
CN108198184B (zh) | 造影图像中血管分割的方法和系统 | |
TWI777092B (zh) | 一種圖像處理方法、電子設備及存儲介質 | |
Bilal et al. | A Transfer Learning and U-Net-based automatic detection of diabetic retinopathy from fundus images | |
CN108510482B (zh) | 一种基于阴道镜图像的宫颈癌检测装置 | |
US9684967B2 (en) | Imaging segmentation using multi-scale machine learning approach | |
JP7026826B2 (ja) | 画像処理方法、電子機器および記憶媒体 | |
CN107527069A (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN111368849B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN113011485A (zh) | 多模态多病种长尾分布眼科疾病分类模型训练方法和装置 | |
WO2022088665A1 (zh) | 病灶分割方法、装置及存储介质 | |
CN110246109B (zh) | 融合ct影像和个性化信息的分析系统、方法、装置及介质 | |
CN110175998A (zh) | 基于多尺度深度学习的乳腺癌图像识别方法、装置及介质 | |
WO2021159811A1 (zh) | 青光眼辅助诊断装置、方法及存储介质 | |
CN114066904A (zh) | 一种基于深度学习的皮肤病变图像分割方法、设备及存储介质 | |
Lei et al. | Automated detection of retinopathy of prematurity by deep attention network | |
Cai et al. | Identifying architectural distortion in mammogram images via a se-densenet model and twice transfer learning | |
AU2019430369A1 (en) | VRDS 4D medical image-based vein Ai endoscopic analysis method and product | |
Arjmand et al. | Transfer learning versus custom CNN architectures in NAFLD biopsy images | |
Shao et al. | Application of U-Net and Optimized Clustering in Medical Image Segmentation: A Review. | |
CN113362360A (zh) | 基于流体速度场的超声颈动脉斑块分割方法 | |
JP2023504875A (ja) | コンピュータビジョンに基づく導管特徴取得方法、並びに知能顕微鏡、導管組織特徴取得装置、コンピュータプログラム、及びコンピュータ機器 | |
Iqbal et al. | Automatic diagnosis of diabetic retinopathy using fundus images |
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: 20181002 |