CN108629761B - 一种乳腺癌图像识别方法、装置和用户终端 - Google Patents
一种乳腺癌图像识别方法、装置和用户终端 Download PDFInfo
- Publication number
- CN108629761B CN108629761B CN201810199085.9A CN201810199085A CN108629761B CN 108629761 B CN108629761 B CN 108629761B CN 201810199085 A CN201810199085 A CN 201810199085A CN 108629761 B CN108629761 B CN 108629761B
- Authority
- CN
- China
- Prior art keywords
- image
- binary image
- region
- cancer
- segmented
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 83
- 206010006187 Breast cancer Diseases 0.000 title claims abstract description 77
- 208000026310 Breast neoplasm Diseases 0.000 title claims abstract description 77
- 201000011510 cancer Diseases 0.000 claims abstract description 111
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 109
- 210000004698 lymphocyte Anatomy 0.000 claims abstract description 99
- 230000001575 pathological effect Effects 0.000 claims abstract description 69
- 230000011218 segmentation Effects 0.000 claims abstract description 64
- 210000004027 cell Anatomy 0.000 claims abstract description 58
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 53
- 208000009458 Carcinoma in Situ Diseases 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 21
- 230000008595 infiltration Effects 0.000 claims description 12
- 238000001764 infiltration Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004043 dyeing Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000007170 pathology Effects 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 24
- 230000000007 visual effect Effects 0.000 abstract description 2
- 201000004933 in situ carcinoma Diseases 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 239000003086 colorant Substances 0.000 description 9
- 238000003709 image segmentation Methods 0.000 description 9
- 238000001914 filtration Methods 0.000 description 8
- 230000000877 morphologic effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000003628 erosive effect Effects 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 5
- 210000001519 tissue Anatomy 0.000 description 5
- 210000001744 T-lymphocyte Anatomy 0.000 description 4
- 210000003719 b-lymphocyte Anatomy 0.000 description 4
- 230000010339 dilation Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 238000010186 staining Methods 0.000 description 4
- 210000000170 cell membrane Anatomy 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 3
- 239000007850 fluorescent dye Substances 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 210000000805 cytoplasm Anatomy 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003711 image thresholding Methods 0.000 description 2
- 238000003365 immunocytochemistry Methods 0.000 description 2
- 238000010166 immunofluorescence Methods 0.000 description 2
- 238000003125 immunofluorescent labeling Methods 0.000 description 2
- 238000003364 immunohistochemistry Methods 0.000 description 2
- 238000012744 immunostaining Methods 0.000 description 2
- 230000035755 proliferation Effects 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- SWGJCIMEBVHMTA-UHFFFAOYSA-K trisodium;6-oxido-4-sulfo-5-[(4-sulfonatonaphthalen-1-yl)diazenyl]naphthalene-2-sulfonate Chemical compound [Na+].[Na+].[Na+].C1=CC=C2C(N=NC3=C4C(=CC(=CC4=CC=C3O)S([O-])(=O)=O)S([O-])(=O)=O)=CC=C(S([O-])(=O)=O)C2=C1 SWGJCIMEBVHMTA-UHFFFAOYSA-K 0.000 description 2
- 201000009030 Carcinoma Diseases 0.000 description 1
- 108010043121 Green Fluorescent Proteins Proteins 0.000 description 1
- 238000010867 Hoechst staining Methods 0.000 description 1
- 206010027476 Metastases Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000000427 antigen Substances 0.000 description 1
- 102000036639 antigens Human genes 0.000 description 1
- 108091007433 antigens Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000001185 bone marrow Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 210000000981 epithelium Anatomy 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003394 haemopoietic effect Effects 0.000 description 1
- 230000001900 immune effect Effects 0.000 description 1
- 230000008073 immune recognition Effects 0.000 description 1
- 230000028993 immune response Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 210000000265 leukocyte Anatomy 0.000 description 1
- 210000004324 lymphatic system Anatomy 0.000 description 1
- 210000005210 lymphoid organ Anatomy 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001839 systemic circulation Effects 0.000 description 1
- 210000001541 thymus gland Anatomy 0.000 description 1
- 239000000724 thymus hormone Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 210000003171 tumor-infiltrating lymphocyte Anatomy 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/30068—Mammography; Breast
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Geometry (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)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种乳腺癌图像识别方法、装置和用户终端,其中所述方法包括:将预处理病理图像通过阈值分割算法进行分割,得到分割后二值图像;以淋巴细胞为区域生长算法的种子,以所述分割后二值图像的并集作为目标图片,通过所述区域生长算法分割出区域二值图像;根据所述区域二值图像获得与所述区域二值图像对应的区域面积,并通过所述区域面积计算得到浸润癌间质淋巴细胞比例。本发明所提供的方法实现了通过计算机对乳腺癌的病理图像中的癌细胞的识别,提高了对于乳腺癌病理图像诊断的准确性,避免了人工肉眼判断的误差,减少了对于乳腺癌病理图像诊断的时间,提高了诊断效率,从而为医生的诊断工作带来方便。
Description
技术领域
本发明涉及图像识别技术领域,更具体地说,涉及一种乳腺癌图像识别方法、装置和用户终端。
背景技术
在医学上,癌(cancer)是指起源于上皮组织的恶性肿瘤,是恶性肿瘤中最常见的一类。癌细胞是一种变异的细胞,是产生癌症的病源,癌细胞与正常细胞不同,有无限增殖、可转化和易转移三大特点,能够无限增殖并破坏正常的细胞组织。癌细胞除了分裂失控外(能进行多极分裂),还会局部侵入周遭正常组织甚至经由体内循环系统或淋巴系统转移到身体其他部分。
通常,在大多数癌症诊断中(包括乳腺癌),医生需要根据患者的大量病理图像做出诊断,以病理图像为基础的诊断也被视为是对于癌症判别的“金标准”。然而通过人工来分析大量的细胞组织构成的病理图像进而给患者诊断出一个准确的结果,这对病理医生来说将是一个十分耗时而且是极具挑战性的工作。
对乳腺癌的诊断和预后当中,仍然需要专业医生对于医学影像图像等资料进行肉眼细致排查,往往不同的医生会给出不同的诊断结果,容易造成诊断结果不精确,且人工诊断耗时巨大,为医生的诊断工作带来巨大的不便,为患者病情的及时确诊带来隐患。
发明内容
有鉴于此,本发明提供一种乳腺癌图像识别方法、装置和用户终端以解决现有技术的不足。
为解决上述问题,本发明提供一种乳腺癌图像识别方法,包括:
将预处理病理图像通过阈值分割算法进行分割,得到分割后二值图像;
以淋巴细胞为所述区域生长算法的种子,以所述分割后二值图像的并集作为目标图片,通过所述区域生长算法分割出区域二值图像;
根据所述区域二值图像获得与所述区域二值图像对应的区域面积,并通过所述区域面积计算得到浸润癌间质淋巴细胞比例。
优选地,所述“将预处理病理图像通过阈值分割算法进行分割,得到分割后二值图像”包括:
将所述预处理病理图像转化为HSV颜色空间,并截取得到目标图像;
对目标图像进行直方图分析,得到与所述目标图像对应的阈值范围;
对所述预处理病理图像的每个像素点进行阈值分割,并根据所述阈值范围获得所述分割后二值图像。
优选地,所述“对所述预处理病理图像的每一个像素点进行阈值分割,并根据所述阈值范围获得所述分割后二值图像”包括:
对所述预处理病理图像的每个所述像素点进行阈值分割,确认其中在H、S、V三个维度的像素值都在所述阈值范围内的像素点;
将在H、S、V三个维度的像素值都在所述阈值范围内的像素点设置为1,将在H、S、V三个维度的像素值不都在所述阈值范围内的像素点设置为0,得到所述分割后二值图像。
优选地,所述分割后二值图像包括分割后癌细胞区域二值图像和分割后淋巴细胞区域二值图像;
所述“以淋巴细胞为所述区域生长算法的种子,以所述分割后二值图像的并集作为目标图片,通过所述区域生长算法分割出区域二值图像”包括:
对所述分割后癌细胞区域二值图像和所述分割后淋巴细胞区域二值图像取并集,生成混合图像;
以所述淋巴细胞作为种子,将所述混合图像通过区域生长算法处理,取所述混合图像与所述淋巴细胞区域二值图像的交集,得到原位癌二值图像;取所述原位癌二值图像与所述癌细胞区域二值图像通过异或操作得到浸润癌二值图像;以所述原位癌二值图像和所述浸润癌二值图像作为所述区域二值图像。
优选地,所述区域面积包括浸润癌间质面积和淋巴细胞面积;
所述“根据所述区域二值图像获得与所述区域二值图像对应的区域面积,并通过所述区域面积计算得到浸润癌间质淋巴细胞比例”包括:
根据所述区域二值图像获得所述浸润癌间质面积和所述淋巴细胞面积;
计算所述淋巴细胞面积除以所述浸润癌间质面积的商,得到浸润癌间质淋巴细胞比例。
优选地,所述“将预处理病理图像通过阈值分割算法进行分割,得到分割后二值图像”之前,还包括:
接收三重染色数字化病理图像;
将所述三重染色数字化病理图像转换为三通道病理图片,并获得目标待分析区;
将所述目标待分析区进行降噪处理,得到所述预处理病理图像。
优选地,所述“对所述分割后癌细胞区域二值图像和所述分割后淋巴细胞区域二值图像取并集,生成混合图像”之前,还包括:
对所述分割后癌细胞区域二值图像和所述分割后淋巴细胞区域二值图像的每个预设处理区进行闭操作,计算每个所述预设处理区间的连通域面积,并删除小于预设最小面积值的所述连通域面积,以便于删除后,对所述分割后癌细胞区域二值图像和所述分割后淋巴细胞区域二值图像取并集。
此外,为解决上述问题,本发明还提供一种乳腺癌图像识别装置,包括:分割模块和计算模块;
所述分割模块,用于将预处理病理图像通过阈值分割算法进行分割,得到分割后二值图像;
所述分割模块,还用于以淋巴细胞为所述区域生长算法的种子,以所述分割后二值图像的并集作为目标图片,通过所述区域生长算法分割出区域二值图像;
所述计算模块,用于根据所述区域二值图像获得与所述区域二值图像对应的区域面积,并通过所述区域面积计算得到浸润癌间质淋巴细胞比例。
此外,为解决上述问题,本发明还提供一种用户终端,包括存储器以及处理器,所述存储器用于存储乳腺癌图像识别程序,所述处理器运行所述乳腺癌图像识别程序以使所述用户终端执行如上述所述乳腺癌图像识别方法。
此外,为解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有乳腺癌图像识别程序,所述乳腺癌图像识别程序被处理器执行时实现如上述所述乳腺癌图像识别方法。
本发明提供的一种乳腺癌图像识别方法、装置和用户终端。其中,本发明所提供的方法通过对预处理病理图像进行分割,并利用区域生长算法得到区域二值图像,再通过与其对应的区域面积计算得到浸润癌间质淋巴细胞比例,从而实现通过计算机对乳腺癌的病理图像中的癌细胞的识别,提高了对于乳腺癌病理图像诊断的准确性,避免了人工肉眼判断的误差,减少了对于乳腺癌病理图像诊断的时间,提高了诊断效率,从而为医生的诊断工作带来方便。
附图说明
图1为本发明乳腺癌图像识别方法实施例方案涉及的硬件运行环境的结构示意图;
图2为本发明乳腺癌图像识别方法第一实施例的流程示意图;
图3为本发明乳腺癌图像识别方法第二实施例的流程示意图;
图4为本发明乳腺癌图像识别方法第三实施例的流程示意图;
图5为本发明乳腺癌图像识别方法第四实施例的流程示意图;
图6为本发明乳腺癌图像识别方法第五实施例的流程示意图;
图7为本发明乳腺癌图像识别方法第六实施例的流程示意图;
图8为本发明乳腺癌图像识别方法第七实施例的流程示意图;
图9为本发明乳腺癌图像识别方法浸润癌和原位癌示意图;
图10为本发明乳腺癌图像识别方法淋巴细胞示意图;
图11为本发明乳腺癌图像识别装置的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面详细描述本发明的实施例,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,图1是本发明实施例方案涉及的终端的硬件运行环境的结构示意图。
本发明实施例终端可以是PC,也可以是智能手机、平板电脑、电子书阅读器、MP3播放器、MP4播放器、便携计算机等具有显示功能的可移动式终端设备。
如图1所示,该终端可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏、输入单元比如键盘、遥控器,可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器,例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地,终端还可以包括摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。此外,移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
本领域技术人员可以理解,图1中示出的终端并不构成对终端的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机可读存储介质的存储器1005中可以包括操作系统、数据接口控制程序、网络连接程序以及乳腺癌图像识别程序。
本发明提供的一种乳腺癌图像识别方法、装置和用户终端。其中,所述方法实现了通过计算机对乳腺癌的病理图像中的癌细胞的识别,提高了对于乳腺癌病理图像诊断的准确性,避免了人工肉眼判断的误差,减少了对于乳腺癌病理图像诊断的时间,提高了诊断效率,从而为医生的诊断工作带来方便。
实施例1:
参照图2,本发明第一实施例提供一种乳腺癌图像识别方法,包括:
步骤S100,将预处理病理图像通过阈值分割算法进行分割,得到分割后二值图像;
上述,需要理解的是,二值图像(Binary Image)是指将图像上的每一个像素只有两种可能的取值或灰度等级状态,人们经常用黑白、B&W、单色图像表示二值图像。二值图像是指在图像中,灰度等级只有两种,也就是说,图像中的任何像素不是0就是1,再无其他过渡的灰度值。
上述,需要理解的是,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。
上述,需要理解的是,阈值分割法是一种最常用的并行区域技术,它是图像分割中应用数量最多的一类。阈值分割算法的关键是确定阈值,如果能确定一个合适的阈值就可准确地将图像分割开来。阈值确定后,将阈值与像素点的灰度值逐个进行比较,而且像素分割可对各像素并行地进行,分割的结果直接给出图像区域。阈值分割的优点是计算简单、运算效率较高、速度快。在重视运算效率的应用场合(如用于硬件实现),它得到了广泛应用。阈值的选择需要根据具体问题来确定,一般通过实验来确定。对于给定的图像,可以通过分析直方图的方法确定最佳的阈值,例如当直方图明显呈现双峰情况时,可以选择两个峰值的中点作为最佳阈值。
上述,预处理病理图像为经过人工或系统的自动处理后,实现大小、规格、形式、格式或条件相同或相似的病理图像,从而可进行进一步的通过计算机对图像的识别。通过对所述预处理病理图像进行阈值分割算法进行分割,从而得到分割后二值图像。
步骤S200,以淋巴细胞为所述区域生长算法的种子,以所述分割后二值图像的并集作为目标图片,通过所述区域生长算法分割出区域二值图像;
上述,需要理解的是,淋巴细胞(lymphocyte)是白细胞的一种,是体积最小的白细胞,由淋巴器官产生,是机体免疫应答功能的重要细胞成分。淋巴细胞是一类具有免疫识别功能的细胞系,按其发生迁移、表面分子和功能的不同,可分为T淋巴细胞(又名T细胞)、B淋巴细胞(又名B细胞)和自然杀伤(NK)细胞。T细胞和B细胞都是抗原特异性淋巴细胞,它们的最初来源是相同的,都来自造血组织。T淋巴细胞随血循环到胸腺,在胸腺激素等的作用下成熟,而B细胞在骨髓中分化成熟。
上述,需要理解的是,区域生长(region growing)是指将成组的像素或区域发展成更大区域的过程。从种子点的集合开始,从这些点的区域增长是通过将与每个种子点有相似属性像强度、灰度级、纹理颜色等的相邻像素合并到此区域。
在本实施例中,所述分割后二值图像可以包括癌细胞区域的分割后二值图像和淋巴细胞区域的分割后二值图像。取癌细胞区域和淋巴细胞区域的分割后二值图像的并集,作为目标图片,进而通过区域生长算法,基于淋巴细胞作为的种子,进行计算,分割出区域二值图像。
步骤S300,根据所述区域二值图像获得与所述区域二值图像对应的区域面积,并通过所述区域面积计算得到浸润癌间质淋巴细胞比例。
上述,对乳腺癌病理图像进行阈值分割、区域生长算法之后,可以得到癌细胞、淋巴细胞等阈值分割后的区域二值图像,再根据区域二值图像获取与其对应的区域面积,并最终计算得到浸润癌间质淋巴细胞比例。其中,区域二值图像对应的区域面积可以包括浸润癌细胞、原位癌细胞和淋巴细胞的在区域二值图片中的区域面积。
本实施例所提供的方法通过对预处理病理图像进行分割,并利用区域生长算法得到区域二值图像,再通过与其对应的区域面积计算得到浸润癌间质淋巴细胞比例,从而实现通过计算机对乳腺癌的病理图像中的癌细胞的识别,提高了对于乳腺癌病理图像诊断的准确性,避免了人工肉眼判断的误差,减少了对于乳腺癌病理图像诊断的时间,提高了诊断效率,从而为医生的诊断工作带来方便。
实施例2:
参照图3,本发明第二实施例提供一种乳腺癌图像识别方法,基于上述图2所示的第一实施例,所述步骤S100“将预处理病理图像通过阈值分割算法进行分割,得到分割后二值图像”包括:
步骤S110,将所述预处理病理图像转化为HSV颜色空间,并截取得到目标图像;
上述,需要理解的是,HSV(Hue,Saturation,Value)是根据颜色的直观特性由A.R.Smith在1978年创建的一种颜色空间,也称六角锥体模型(Hexcone Model)。这个模型中颜色的参数分别是:色调(H),饱和度(S),明度(V)。
上述,色调H为用角度度量,取值范围为0°~360°,从红色开始按逆时针方向计算,红色为0°,绿色为120°,蓝色为240°。它们的补色是:黄色为60°,青色为180°,品红为300°;饱和度S表示颜色接近光谱色的程度。一种颜色,可以看成是某种光谱色与白色混合的结果。其中光谱色所占的比例愈大,颜色接近光谱色的程度就愈高,颜色的饱和度也就愈高。饱和度高,颜色则深而艳。光谱色的白光成分为0,饱和度达到最高。通常取值范围为0%~100%,值越大,颜色越饱和;明度V,表示颜色明亮的程度,对于光源色,明度值与发光体的光亮度有关;对于物体色,此值和物体的透射比或反射比有关。通常取值范围为0%(黑)到100%(白)。
上述,述预处理病理图像转化为HSV颜色空间即为将RGB模型的预处理病理图像转换为HSV模型的预处理病理图像,其转换公式如下:
V=max(R,G,B)
在进行HSV模型的转换后,对转换后图像进行截取目标图像。其中,目标图像包括癌细胞和淋巴细胞部分图像,通过截取分别得到癌细胞的截图和淋巴细胞的截图。
步骤S120,对目标图像进行直方图分析,得到与所述目标图像对应的阈值范围;
上述,需要理解的是,直方图(Histogram)又称质量分布图,是一种统计报告图,由一系列高度不等的纵向条纹或线段表示数据分布的情况。一般用横轴表示数据类型,纵轴表示分布情况。直方图是数值数据分布的精确图形表示。为了构建直方图,第一步是将值的范围分段,即将整个值的范围分成一系列间隔,然后计算每个间隔中有多少值。这些值通常被指定为连续的,不重叠的变量间隔。间隔必须相邻,并且通常是(但不是必须的)相等的大小。
上述,通过对目标图像所包括的癌细胞截图和淋巴细胞截图进行直方图分析,从而得到每个图像对应的在H、S、V三个不同维度上的上下界的阈值范围。
步骤S130,对所述预处理病理图像的每个像素点进行阈值分割,并根据所述阈值范围获得所述分割后二值图像。
上述,需要理解的是,阈值分割法是一种基于区域的图像分割技术,原理是把图像象素点分为若干类。图像阈值化分割是一种传统的最常用的图像分割方法,因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术。它特别适用于目标和背景占据不同灰度级范围的图像。它不仅可以极大的压缩数据量,而且也大大简化了分析和处理步骤,因此在很多情况下,是进行图像分析、特征提取与模式识别之前的必要的图像预处理过程。图像阈值化的目的是要按照灰度级,对像素集合进行一个划分,得到的每个子集形成一个与现实景物相对应的区域,各个区域内部具有一致的属性,而相邻区域不具有这种一致属性。这样的划分可以通过从灰度级出发选取一个或多个阈值来实现。
上述,对预处理病理图像的每个像素点进行阈值分割,进而根据上一步所获得的所述阈值范围进行筛选和设置,从而获得所述分割后二值图像。
实施例3:
参照图4,本发明第三实施例提供一种乳腺癌图像识别方法,基于上述图3所示的第二实施例,所述步骤S130“对所述预处理病理图像的每一个像素点进行阈值分割,并根据所述阈值范围获得所述分割后二值图像”包括:
步骤S131,对所述预处理病理图像的每个所述像素点进行阈值分割,确认其中在H、S、V三个维度的像素值都在所述阈值范围内的像素点;
步骤S132,将在H、S、V三个维度的像素值都在所述阈值范围内的像素点设置为1,将在H、S、V三个维度的像素值不都在所述阈值范围内的像素点设置为0,得到所述分割后二值图像。
上述,对图像的每个点进行阈值分割,判断该点H、S、V三个维度的像素值是否都在直方图分析得到的阈值范围,建立一个二值图像,将符合条件的点置1,不符合的点置0,得到癌细胞区域阈值分割后的二值图像和淋巴细胞区域阈值分割后的二值图像。例如,正常细胞的饱和度为0.3,癌细胞的饱和度为0.6,则利用该区别,得到上下界,即为阈值范围。
实施例4:
参照图5,本发明第四实施例提供一种乳腺癌图像识别方法,基于上述图2所示的第一实施例,所述分割后二值图像包括分割后癌细胞区域二值图像和分割后淋巴细胞区域二值图像;
所述步骤S200“以淋巴细胞为所述区域生长算法的种子,以所述分割后二值图像的并集作为图片,通过所述区域生长算法分割出区域二值图像”包括:
步骤S210,对所述分割后癌细胞区域二值图像和所述分割后淋巴细胞区域二值图像取并集,生成混合图像;
上述,对分割后的癌细胞区域二值图像和淋巴细胞区域二值图像取并集,得到两者的混合图像。
步骤S220,以所述淋巴细胞作为种子,将所述混合图像通过区域生长算法处理,取所述混合图像与所述淋巴细胞区域二值图像的交集,得到原位癌二值图像;取所述原位癌二值图像与所述癌细胞区域二值图像通过异或操作得到浸润癌二值图像;以所述原位癌二值图像和所述浸润癌二值图像作为所述区域二值图像。
上述,以淋巴细胞区域二值图像为种子点,对混合图像进行区域生长算法,生长标准为生长点的像素值为‘1’,得到原位癌和淋巴细胞区域的二值图像;对混合图像与淋巴细胞区域二值图像取交集得到原位癌二值图像;对原位癌二值图像与癌细胞区域二值图像做异或操作,得到浸润癌二值图像。
实施例5:
参照图6,本发明第五实施例提供一种乳腺癌图像识别方法,基于上述图5所示的第四实施例,所述区域面积包括浸润癌间质面积和淋巴细胞面积;
所述步骤S300“根据所述区域二值图像获得与所述区域二值图像对应的区域面积,并通过所述区域面积计算得到浸润癌间质淋巴细胞比例”包括:
步骤S310,根据所述区域二值图像获得所述浸润癌间质面积和所述淋巴细胞面积;
步骤S320,计算所述淋巴细胞面积除以所述浸润癌间质面积的商,得到浸润癌间质淋巴细胞比例。
上述,在对乳腺癌病理图像进行阈值分割、以及区域生长算法之后,可以得到浸润癌、原位癌、淋巴细胞等阈值分割后的二值图像,假定浸润癌间质浸润癌的间质的面积为S3,浸润癌间质内的淋巴细胞面积为S2,则浸润癌间质淋巴细胞比例的计算公式如下:
通过该比值,即得到浸润癌间质淋巴细胞比例浸润癌间质淋巴细胞比例。
实施例6:
参照图7,本发明第六实施例提供一种乳腺癌图像识别方法,基于上述图6所示的第五实施例,所述步骤S100“将预处理病理图像通过阈值分割算法进行分割,得到分割后二值图像”之前,还包括:
步骤S400,接收三重染色数字化病理图像;
上述,需要理解的是,免疫染色(immunol staining)包括免疫荧光(immunolfluorescence)、免疫组化(immunolhistochemistry),免疫组化又称免疫细胞化学(immunolcytochemistry)等。其中,免疫染色包括多重染色,即为,使用红色荧光、绿色荧光和蓝色荧光进行三重荧光染色。例如用免疫荧光染色试剂盒-抗小鼠Cy3进行红色荧光染色,随后可以用免疫荧光染色试剂盒-抗兔Cy2进行绿色荧光染色,在完成上述两种染色后可以使用Hoechst染色试剂盒对细胞核进行染色。
用户导入,系统接收或系统自动获取三重染色数字化病理图像,进而进行进一步的对图像的处理。
步骤S500,将所述三重染色数字化病理图像转换为三通道病理图片,并获得目标待分析区;
步骤S600,将所述目标待分析区进行降噪处理,得到所述预处理病理图像。
上述,图片通道即为RGB色彩通道,RGB色彩模式是工业界的一种颜色标准,是通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的,RGB即是代表红、绿、蓝三个通道的颜色,这个标准几乎包括了人类视力所能感知的所有颜色,是目前运用最广的颜色系统之一。
对于三重染色数字化病理图像存在大小过大和图像通道过多等问题,可以先将其转化为三通道的图片,并裁剪值得关注的有乳腺癌的部分进行分析。在选取完感兴趣的区域后,需要对图像中存在的噪声进行处理。本发明采取均值滤波进行去噪。均值滤波也称为线性滤波,其采用的主要方法为邻域平均法。对待处理的当前像素点(x,y)进行变换,公式如下:
其中m为该模板中包含当前像素在内的像素总个数。
所述步骤S210“对所述分割后癌细胞区域二值图像和所述分割后淋巴细胞区域二值图像取并集,生成混合图像”之前,还包括:
步骤S700,对所述分割后癌细胞区域二值图像和所述分割后淋巴细胞区域二值图像的每个预设处理区进行闭操作,计算每个所述预设处理区间的连通域面积,并删除小于预设最小面积值的所述连通域面积,以便于删除后,对所述分割后癌细胞区域二值图像和所述分割后淋巴细胞区域二值图像取并集。
上述,对数字图像进行形态学处理。即为,数字图像上的形态学处理通常应用于获取数字图像中所需物体的拓扑和结构信息,使图像便于识别和计算。而腐蚀和膨胀则是数字图像处理相当常见的操作。本发明将腐蚀和膨胀应用于二值图像上。闭操作是先进行膨胀再进行腐蚀,可使轮廓线更光滑,闭操作一般能消除小的空洞,并填补轮廓线中的断裂。本发明采取闭操作,使得修复轮廓线中的断裂同时,也保护原位癌细胞周围的棕色实性点。
在本实施例中,选取3×3的区域作为腐蚀和膨胀的结构元素,对癌细胞区域二值图像和淋巴细胞区域二值图像分别进行闭操作,并删去与所述预设最小面积值比较后的连通域面积较小的部分。
实施例7:
此外,为了更好的理解发明中所提供的乳腺癌图像识别方法,参考图8,包括如下步骤:
1,图像预处理:
对于三重染色数字化病理图像存在大小过大和图像通道过多等问题,可以先将其转化为三通道的图片,并裁剪值得关注的有乳腺癌的部分进行分析。在选取完感兴趣的区域后,需要对图像中存在的噪声进行处理。本发明采取均值滤波进行去噪。
均值滤波也称为线性滤波,其采用的主要方法为邻域平均法。对待处理的当前像素点(x,y)进行变换:
其中m为该模板中包含当前像素在内的像素总个数。
2,图像分割:
2.1基于HSV直方图的阈值分割
将RGB模型转化为HSV模型的公式如下:
V=max(R,G,B)
本实施例中,首先通过人工分别提取浸润癌、原位癌、淋巴细胞的部分区域,观察分析该区域的直方图。目的是通过直方图选择更好进行分割的阈值上下界,分类原位癌、浸润癌、淋巴细胞,来提高阈值分割的准确度。
算法如下:
输入:预处理过后的乳腺癌病理图像;
输出:癌细胞区域阈值分割后的二值图像和淋巴细胞区域阈值分割后的二值图像;
将输入图像转化为HSV颜色空间;
对转图像截取癌细胞与淋巴细胞部分图像;
对截取的图像进行直方图分析,估计图像癌细胞区域与淋巴细胞区域的像素在H、S、V三个维度的上下界;
对图像的每个点进行阈值分割,判断该点H、S、V三个维度的像素值是否都在直方图分析得到的上下界内;
建立一个二值图像,将符合条件的点置1,不符合的点置0,得到癌细胞区域阈值分割后的二值图像和淋巴细胞区域阈值分割后的二值图像。
2.2,形态学处理
数字图像上的形态学处理通常应用于获取数字图像中所需物体的拓扑和结构信息,使图像便于识别和计算。而腐蚀和膨胀则是数字图像处理相当常见的操作。本发明将腐蚀和膨胀应用于二值图像上。
闭操作是先进行膨胀再进行腐蚀,可使轮廓线更光滑,闭操作一般能消除小的空洞,并填补轮廓线中的断裂。本发明采取闭操作,使得修复轮廓线中的断裂同时,也保护原位癌细胞周围的棕色实性点。
本实施例中,形态学处理最后一步是计算各连通域面积,删去连通域面积较小的部分。
2.3,区域生长算法:
在基于HSV直方图的阈值分割后,可以明显的发现浸润癌和原位癌的直方图十分相似,导致分割结果几乎相同,完全无法通过简单的颜色阈值进行区分,但是原位癌的周围会有与淋巴细胞类似的棕黄色细胞环绕,基于这一点本发明采用区域生长算法进行浸润癌和原位癌的区分。
算法如下:
输入:阈值分割后的癌细胞区域二值图像,淋巴细胞区域二值图像;
输出:原位癌区域二值图像,浸润癌区域二值图像;
选取3×3的区域作为腐蚀和膨胀的结构元素;
对癌细胞区域二值图像和淋巴细胞区域二值图像分别进行闭操作,并删去连通域面积较小的部分;
对形态学处理后的癌细胞区域二值图像和淋巴细胞区域二值图像取并集,得到两者的混合图像;
以淋巴细胞区域二值图像为种子点,对混合图像进行区域生长算法,生长标准为生长点的像素值为‘1’,得到原位癌和淋巴细胞区域的二值图像;
对上一步得到的混合图像与淋巴细胞区域二值图像取交集得到原位癌二值图像;
对上一步得到的原位癌二值图像与癌细胞区域二值图像做异或操作,得到浸润癌二值图像。
3、图像分析与计算:
在对乳腺癌病理图像进行阈值分割、形态学处理以及区域生长算法之后,可以得到浸润癌、原位癌、淋巴细胞等阈值分割后的二值图像,假定浸润癌间质浸润癌的间质的面积为S3,浸润癌间质内的淋巴细胞面积为S2,则TILs的计算公式如下:
在本实施例中,计算面积比需要从病理图像中提取出浸润癌、原位癌、淋巴细胞以及浸润癌所处区域的间质。为了更好的理解本实施例所提供的乳腺癌图像识别方法,参考图9和图10,将其中浸润癌、原位癌、淋巴细胞的特点列于如下:
浸润癌:细胞质和细胞膜着色,深紫红色,颜色强弱不等,周围无棕褐色实性点环绕。
原位癌和正常组织:细胞质和细胞膜着色,深或淡紫红色,周围一定有棕褐色实性点环绕,常常排列成规则的圆形,颜色强度弱于浸润癌。
淋巴细胞:细胞膜着色,表现为棕褐色中空点,散在分布,可能存在重叠。
此外,参考图11,本发明还提供一种乳腺癌图像识别装置,包括:分割模块10和计算模块20;
所述分割模块10,用于将预处理病理图像通过阈值分割算法进行分割,得到分割后二值图像;
所述分割模块10,还用于以淋巴细胞为所述区域生长算法的种子,以所述分割后二值图像的并集作为目标图片,通过所述区域生长算法分割出区域二值图像;
所述计算模块20,用于根据所述区域二值图像获得与所述区域二值图像对应的区域面积,并通过所述区域面积计算得到浸润癌间质淋巴细胞比例。
此外,本发明还提供一种用户终端,包括存储器以及处理器,所述存储器用于存储乳腺癌图像识别程序,所述处理器运行所述乳腺癌图像识别程序以使所述用户终端执行如上述所述乳腺癌图像识别方法。
此外,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有乳腺癌图像识别程序,所述乳腺癌图像识别程序被处理器执行时实现如上述所述乳腺癌图像识别方法。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,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的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种乳腺癌图像识别方法,其特征在于,包括:
将预处理病理图像通过阈值分割算法进行分割,得到分割后二值图像;
以淋巴细胞为区域生长算法的种子,以所述分割后二值图像的并集作为目标图片,通过所述区域生长算法分割出区域二值图像;
其中,所述分割后二值图像包括分割后癌细胞区域二值图像和分割后淋巴细胞区域二值图像;
所述“以淋巴细胞为区域生长算法的种子,以所述分割后二值图像的并集作为目标图片,通过所述区域生长算法分割出区域二值图像”包括:
对所述分割后癌细胞区域二值图像和所述分割后淋巴细胞区域二值图像取并集,生成混合图像;
以所述淋巴细胞作为种子,将所述混合图像通过区域生长算法处理,取所述混合图像与所述区域生长算法分割出区域二值图像的交集,得到原位癌二值图像;取所述原位癌二值图像与所述分割后癌细胞区域二值图像通过异或操作得到浸润癌二值图像;以所述原位癌二值图像、所述浸润癌二值图像、和所述区域生长算法分割出区域二值图像作为所述区域二值图像;
根据所述区域二值图像获得与所述区域二值图像对应的区域面积,并通过所述区域面积计算得到浸润癌间质淋巴细胞比例。
2.如权利要求1所述乳腺癌图像识别方法,其特征在于,所述“将预处理病理图像通过阈值分割算法进行分割,得到分割后二值图像”包括:
将所述预处理病理图像转化为HSV颜色空间,并截取得到目标图像;
对目标图像进行直方图分析,得到与所述目标图像对应的阈值范围;
对所述预处理病理图像的每个像素点进行阈值分割,并根据所述阈值范围获得所述分割后二值图像。
3.如权利要求2所述乳腺癌图像识别方法,其特征在于,所述“对所述预处理病理图像的每一个像素点进行阈值分割,并根据所述阈值范围获得所述分割后二值图像”包括:
对所述预处理病理图像的每个所述像素点进行阈值分割,确认其中在H、S、V三个维度的像素值都在所述阈值范围内的像素点;
将在H、S、V三个维度的像素值都在所述阈值范围内的像素点设置为1,将在H、S、V三个维度的像素值不都在所述阈值范围内的像素点设置为0,得到所述分割后二值图像。
4.如权利要求1所述乳腺癌图像识别方法,其特征在于,
所述区域面积包括浸润癌面积和淋巴细胞面积;
所述“根据所述区域二值图像获得与所述区域二值图像对应的区域面积,并通过所述区域面积计算得到浸润癌间质淋巴细胞比例”包括:
根据所述区域二值图像获得所述浸润癌面积和所述淋巴细胞面积;
计算所述淋巴细胞面积除以所述浸润癌面积的商,得到浸润癌间质淋巴细胞比例。
5.如权利要求1-4任一项所述乳腺癌图像识别方法,其特征在于,所述“将预处理病理图像通过阈值分割算法进行分割,得到分割后二值图像”之前,还包括:
接收三重染色数字化病理图像;
将所述三重染色数字化病理图像转换为三通道病理图片,并获得目标待分析区;
将所述目标待分析区进行降噪处理,得到所述预处理病理图像。
6.如权利要求1所述乳腺癌图像识别方法,其特征在于,所述“对所述分割后癌细胞区域二值图像和所述分割后淋巴细胞区域二值图像取并集,生成混合图像”之前,还包括:
对所述分割后癌细胞区域二值图像和所述分割后淋巴细胞区域二值图像的每个预设处理区进行闭操作,计算每个所述预设处理区的连通域面积,并删除小于预设最小面积值的所述连通域面积,以便于删除后,对所述分割后癌细胞区域二值图像和所述分割后淋巴细胞区域二值图像取并集。
7.一种乳腺癌图像识别装置,其特征在于,包括:分割模块和计算模块;
所述分割模块,用于将预处理病理图像通过阈值分割算法进行分割,得到分割后二值图像,其中,所述分割后二值图像包括分割后癌细胞区域二值图像和分割后淋巴细胞区域二值图像;
所述分割模块,还用于对所述分割后癌细胞区域二值图像和所述分割后淋巴细胞区域二值图像取并集,生成混合图像;及以所述淋巴细胞作为种子,将所述混合图像通过区域生长算法处理,取所述混合图像与所述区域生长算法分割出区域二值图像的交集,得到原位癌二值图像;取所述原位癌二值图像与所述分割后癌细胞区域二值图像通过异或操作得到浸润癌二值图像;以所述原位癌二值图像、所述浸润癌二值图像、和所述区域生长算法分割出区域二值图像作为所述区域二值图像;
所述计算模块,用于根据所述区域二值图像获得与所述区域二值图像对应的区域面积,并通过所述区域面积计算得到浸润癌间质淋巴细胞比例。
8.一种用户终端,其特征在于,包括存储器以及处理器,所述存储器用于存储乳腺癌图像识别程序,所述处理器运行所述乳腺癌图像识别程序以使所述用户终端执行如权利要求1-6中任一项所述乳腺癌图像识别方法。
9.一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上存储有乳腺癌图像识别程序,所述乳腺癌图像识别程序被处理器执行时实现如权利要求1-6中任一项所述乳腺癌图像识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810199085.9A CN108629761B (zh) | 2018-03-12 | 2018-03-12 | 一种乳腺癌图像识别方法、装置和用户终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810199085.9A CN108629761B (zh) | 2018-03-12 | 2018-03-12 | 一种乳腺癌图像识别方法、装置和用户终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108629761A CN108629761A (zh) | 2018-10-09 |
CN108629761B true CN108629761B (zh) | 2020-11-03 |
Family
ID=63706175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810199085.9A Expired - Fee Related CN108629761B (zh) | 2018-03-12 | 2018-03-12 | 一种乳腺癌图像识别方法、装置和用户终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108629761B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978849B (zh) * | 2019-03-20 | 2023-09-15 | 广州金域医学检验中心有限公司 | 基于数字病理图像的基线细胞确定方法、装置及可读介质 |
US12039722B2 (en) | 2019-03-26 | 2024-07-16 | Osaka University | Image analysis method, storage medium, image analysis device, and image analysis system |
CN110097510B (zh) * | 2019-04-11 | 2023-10-03 | 平安科技(深圳)有限公司 | 一种纯色花朵识别方法、装置及存储介质 |
CN110210308B (zh) * | 2019-04-30 | 2023-05-02 | 南方医科大学南方医院 | 生物组织图像的识别方法及装置 |
CN111583210B (zh) * | 2020-04-29 | 2022-03-15 | 北京小白世纪网络科技有限公司 | 基于卷积神经网络模型集成的乳腺癌图像自动识别方法 |
CN112378837B (zh) * | 2020-09-15 | 2021-12-28 | 深圳市华中生物药械有限公司 | 一种宫颈脱落细胞检测方法及相关装置 |
CN112132854B (zh) * | 2020-09-22 | 2021-11-09 | 推想医疗科技股份有限公司 | 图像分割的方法及装置,以及电子设备 |
CN112233151B (zh) * | 2020-10-14 | 2023-10-03 | 北京优纳科技有限公司 | 一种自动确认浸润性乳腺癌区域系统 |
CN116934742B (zh) * | 2023-09-13 | 2024-02-27 | 中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所) | 一种淋巴结构图像识别方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023239A (zh) * | 2016-07-05 | 2016-10-12 | 东北大学 | 基于乳腺子区域密度聚类的乳腺肿块分割系统及方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102388305B (zh) * | 2009-02-02 | 2014-11-19 | 罗格斯新泽西州立大学 | 基于图像的风险分数-来自数字组织病理学的存活率和结果的预后预估 |
WO2011100511A2 (en) * | 2010-02-11 | 2011-08-18 | University Of Michigan | Methods for microcalification detection of breast cancer on digital tomosynthesis mammograms |
CN105205804B (zh) * | 2015-08-18 | 2018-10-30 | 爱威科技股份有限公司 | 血细胞图像中白细胞的核浆分离方法、分类方法及装置 |
-
2018
- 2018-03-12 CN CN201810199085.9A patent/CN108629761B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023239A (zh) * | 2016-07-05 | 2016-10-12 | 东北大学 | 基于乳腺子区域密度聚类的乳腺肿块分割系统及方法 |
Non-Patent Citations (1)
Title |
---|
基于乳腺X线图像的乳腺癌检测方法研究;张胜君;《中国博士学位论文全文数据库 信息科技辑》;20140515(第05期);I138-64页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108629761A (zh) | 2018-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108629761B (zh) | 一种乳腺癌图像识别方法、装置和用户终端 | |
CN109978890B (zh) | 基于图像处理的目标提取方法、装置及终端设备 | |
US9842391B2 (en) | Method and apparatus for processing an image of a tissue sample | |
US9946953B2 (en) | Apparatus and method for processing images of tissue samples | |
JP6483826B2 (ja) | 画像解析装置、画像解析方法、画像解析システム、画像解析プログラム、および記録媒体 | |
US7736313B2 (en) | Detecting and classifying lesions in ultrasound images | |
Abbas et al. | A perceptually oriented method for contrast enhancement and segmentation of dermoscopy images | |
US9607376B2 (en) | Method and apparatus for image scoring and analysis | |
Haggerty et al. | Segmentation of epidermal tissue with histopathological damage in images of haematoxylin and eosin stained human skin | |
CA3182538A1 (en) | Systems and methods for finding regions of interest in hematoxylin and eosin (h&e) stained tissue images and quantifying intratumor cellular spatial heterogeneity in multiplexed/hyperplexed fluorescence tissue images | |
US20180253590A1 (en) | Systems, methods, and apparatuses for digital histopathological imaging for prescreened detection of cancer and other abnormalities | |
Mungle et al. | Automated characterization and counting of Ki-67 protein for breast cancer prognosis: A quantitative immunohistochemistry approach | |
US10229498B2 (en) | Image processing device, image processing method, and computer-readable recording medium | |
CN113609984A (zh) | 一种指针式仪表读数识别方法、装置及电子设备 | |
Valous et al. | Multistage histopathological image segmentation of Iba1-stained murine microglias in a focal ischemia model: methodological workflow and expert validation | |
CN113570619A (zh) | 基于人工智能的计算机辅助胰腺病理图像诊断系统 | |
JP6819445B2 (ja) | 情報処理装置、制御方法、及びプログラム | |
CN112035821A (zh) | 图形验证码识别方法、装置、计算机设备及存储介质 | |
CN112840375A (zh) | 使用图形分析显微数据的系统 | |
Guatemala-Sanchez et al. | Nuclei segmentation on histopathology images of breast carcinoma | |
Faisal et al. | New Segmentation Method for Skin Cancer Lesions | |
KR100927642B1 (ko) | 영상 분할 히스토그램 분석을 이용한 얼굴 윤곽선 검출 방법 | |
Nikitaev et al. | Model for Detecting Globules in Images of Skin Neoplasms | |
RU2712919C1 (ru) | Способ распознавания пигментных новообразований кожи | |
US12100137B2 (en) | System for analysis of microscopic data using graphs |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201103 |
|
CF01 | Termination of patent right due to non-payment of annual fee |