CN108648193A - 生物组织影像识别的方法及其系统、计算机储存介质 - Google Patents
生物组织影像识别的方法及其系统、计算机储存介质 Download PDFInfo
- Publication number
- CN108648193A CN108648193A CN201810574640.1A CN201810574640A CN108648193A CN 108648193 A CN108648193 A CN 108648193A CN 201810574640 A CN201810574640 A CN 201810574640A CN 108648193 A CN108648193 A CN 108648193A
- Authority
- CN
- China
- Prior art keywords
- biological tissue
- image
- structure region
- region
- identification
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000001914 filtration Methods 0.000 claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 210000001519 tissue Anatomy 0.000 claims description 157
- 238000013139 quantization Methods 0.000 claims description 61
- 210000004204 blood vessel Anatomy 0.000 claims description 55
- 230000006870 function Effects 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 19
- 238000013178 mathematical model Methods 0.000 claims description 18
- 238000012216 screening Methods 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 14
- 230000008439 repair process Effects 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 10
- 210000000577 adipose tissue Anatomy 0.000 claims description 8
- 210000002808 connective tissue Anatomy 0.000 claims description 8
- 230000004069 differentiation Effects 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 7
- 230000008520 organization Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 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
- 239000000284 extract Substances 0.000 claims description 2
- 235000008434 ginseng Nutrition 0.000 claims description 2
- 239000000835 fiber Substances 0.000 description 92
- 210000004072 lung Anatomy 0.000 description 56
- 230000002792 vascular Effects 0.000 description 39
- 230000002685 pulmonary effect Effects 0.000 description 37
- 210000004027 cell Anatomy 0.000 description 15
- 230000004927 fusion Effects 0.000 description 7
- 238000004043 dyeing Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 210000001147 pulmonary artery Anatomy 0.000 description 6
- 210000001789 adipocyte Anatomy 0.000 description 4
- 230000002440 hepatic effect Effects 0.000 description 4
- 210000002821 alveolar epithelial cell Anatomy 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 210000005229 liver cell Anatomy 0.000 description 3
- 208000020816 lung neoplasm Diseases 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000002889 endothelial cell Anatomy 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 239000000693 micelle Substances 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 210000000944 nerve tissue Anatomy 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 210000003491 skin Anatomy 0.000 description 2
- 210000002784 stomach Anatomy 0.000 description 2
- 210000003437 trachea Anatomy 0.000 description 2
- 102000008186 Collagen Human genes 0.000 description 1
- 108010035532 Collagen Proteins 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 241001282153 Scopelogadus mizolepis Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 229920001436 collagen Polymers 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000007877 drug screening Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism 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
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000012958 reprocessing Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 210000000813 small intestine Anatomy 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 230000009466 transformation 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/10024—Color 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
- G06T2207/10—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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
一种生物组织影像识别的方法，包括以下步骤：对生物组织图像进行面积计算，并区分出若干个一级结构区域；基于至少一个所述一级结构区域，区分出至少一个从属于任一所述一级结构区域的二级结构区域；基于至少一个所述二级结构区域，区分出至少一个特征区域。本发明还提供一种生物组织影像识别的系统包括：处理器、几何计算模块、灰度处理模块、条件筛选模块，所述系统用于生物组织图像。本发明还提供一种计算机储存介质，所述计算机存储介质包括一种生物组织影像识别的程序。本发明的生物组织影像识别的方法能够实现对生物组织图像的有效识别，识别结果具有较高可靠性和稳定性，识别准确率高。
Description
技术领域
本发明主要涉及影像识别领域，特别是涉及一种针对生物组织影像识别的方法及其系统、计算机储存介质。
背景技术
生物组织由于形态复杂、结构繁多，肉眼识别特定的结构、组织存在不少难题。生物组织的影像中经常出现多组织的交织、交叠等干扰判断识别的情况，为识别带来新的挑战。此外，生物组织的影像采集还经常由于采集环境、采集仪器等因素影响，采集的影像也会存在失真、色彩偏差等问题。更重要的是，目前的生物组织以人肉眼观察为主，主观性非常强，经常依赖于判断者的经验，出现遗漏判断、判断不清的情况常见。并且肉眼判断生物组织的性质、量化特征不准确，人对于尺度的把握具有主观性，难以把握统一的尺度和标准，重复再现性比较差。不同的判断者对于组织形态、相关位置的理解存在差异，不能形成统一的标准，即使是同一判断者判断的状态、修习专业知识的熟练程度都会影响判断的结论。
在某些情况下，识别生物组织还需要特殊的染色。染色的质量、时间、次序、样本的状态都会影响染色情况，染色的过程比较难以把控。进一步地，染色有时候会影响部分组织形态，影响判断。
发明内容
本发明提供一种生物组织影像识别的方法，所述方法包括以下步骤：
对生物组织图像进行面积计算，并区分出若干个一级结构区域；
基于至少一个所述一级结构区域，区分出至少一个从属于任一所述一级结构区域的二级结构区域；
基于至少一个所述二级结构区域，区分出至少一个特征区域。
优选地，所述区分二级结构区域至少包括步骤：在每个一级结构区域中应用灰度值阀值法选取至少一个在预设阀值范围内的像素点作为识别对象，所述识别对象通过灰度值增长凸显成为第一候选结构区域，再通过条件筛选得到二级结构区域。
更优选地，所述条件筛选至少包括位置、距离、面积、边界、形态、对比度之一的数值范围。
更优选地，所述区分二级结构区域的步骤之前，还包括步骤：融合至少两个相邻或交叠的所述一级结构区域。
更优选地，所述识别对象的特征属性参数提取自包括血管、结缔组织、神经细胞、肌肉组织、胶原纤维、脂肪组织的中至少一种组织，所述特征属性参数的集合预录入至第一数据库中。
进一步优选地，所述区分特征区域至少包括步骤：基于所述至少一个二级结构区域，结合所述一级结构区域，再通过集合了其他指定结构组织的特征属性参数的第二数据库的对应匹配，得到所述特征区域。
更优选地，所述方法还包括针对识别得到的一级结构区域、二级结构区域、特征区域、识别对象的任一种进行量化参数的提取，所述量化参数包括边界、面积、几何尺寸、数量的至少一种参数。
进一步优选地，所述几何尺寸至少包括识别对象中血管的壁厚值、胶原纤维的长度值以及一级结构区域、二级结构区域、特征区域的中心线位置和/或质心位置。
进一步优选地，所述方法至少包括以下步骤：对所述量化参数按照参数的属性进行分类并且建立数学模型，归一化处理后进行测试，以多次调整量化分类的正确率。
更进一步优选地，所述归一化处理应用以下公式：
其中，hθ(x)是描述生物组织图像性质的描述函数，θ是权重系数，x是特征向量，e为自然对数，m是特征向量维度。
优选地，所述方法至少还包括以下步骤：对所述生物组织图像进行色彩修正、对比度调节、比例调节、变形修复的至少一种预处理手段。
本发明还提供了一种生物组织影像识别的系统，其包括：
处理器，用于向该识别系统的其他部分发送指令，执行预设的程序，以针对所输入的生物组织图像进行各级结构区域的识别区分；
几何计算模块，用于接受所述处理器的指令，计算所输入的生物组织图像的几何特征参数，并且反馈至所述处理器；
灰度处理模块，用于接受所述处理器的指令，处理所输入的生物组织图像的灰度值，并且反馈至所述处理器；
条件筛选模块，用于接受所述处理器的指令，选取指定的筛选条件以对进行了几何计算和/或灰度处理的所述生物组织图像进行进一步的识别，直至区分出至少一个特征区域。
优选地，所述筛选条件的选取基于第一数据库和第二数据库，其中，所述第一数据库集合了提取自包括血管、结缔组织、神经细胞、肌肉组织、胶原纤维、脂肪组织的中至少一种组织的特征属性参数；所述第二数据库集合了其他指定结构组织的特征属性参数。
优选地，所述灰度处理模块应用灰度值阀值法在至少一个通过所述几何计算模块初步区分出的一级结构区域中，选取在预设阀值范围内的像素点，通过灰度值增长凸显出第一候选结构区域，再通过所述条件筛选模块处理得到下一级结构区域。
优选地，所述筛选条件至少包括位置、距离、面积、边界、形态、对比度之一的数值范围。
优选地，所述几何计算模块还用于融合至少两个相邻或交叠的各级结构区域，以便于对应区域的几何特征参数的提取。
优选地，所述几何计算模块还用于针对识别得到的各级结构区域、特征区域、或中间识别区域进行量化参数的提取，所述量化参数包括边界、面积、几何尺寸、数量的至少一种参数。
更优选地，所述几何尺寸至少包括中血管的壁厚值、胶原纤维的长度值以及各级结构区域、特征区域的中心线位置和/或质心位置。
进一步优选地，所述量化参数按照参数的属性进行分类并且建立数学模型，归一化处理后进行测试，以多次调整量化分类的正确率，所述数学模型、归一化处理结果反馈录入至第三数据库。
更进一步优选地，所述处理器进行归一化处理应用以下公式：
其中，hθ(x)是描述生物组织影像性质的描述函数，θ是权重系数，x是特征向量，e为自然对数，m是特征向量维度。
优选地，所述系统还包括用于对所述生物组织图像进行色彩修正的色彩修正模块、进行对比度调节的对比度处理模块、进行比例调节的比例调节模块、进行变形修复的变形修复模块中的至少一种。
本发明还提供了一种计算机储存介质，所述计算机存储介质中包括一种生物组织影像识别的程序，所述生物组织影像识别的程序被处理器执行时，实现如下步骤：
对生物组织图像进行面积计算，并区分出若干个一级结构区域；
基于所述至少一个一级结构区域，区分出至少一个从属于任一所述一级结构区域的二级结构区域；
基于所述至少一个二级结构区域，区分出至少一个特征区域。
本发明提供了一种生物组织影像识别的方法及其系统、计算机储存介质能够较好解决部分技术问题，并具有下述优点：
(1)本发明所涉及的一种生物组织影像识别的方法及其系统，能对生物组织图像实现多级结构区域划分，最终获得期望的特征区域，并围绕识别中间过程、识别结果能提供量化参数指标，通过数字化识别和数学量化，能提供相对可靠、统一、标准化的识别结果；
(2)本发明所涉及的一种生物组织影像识别的方法及其系统，通过特征属性参数、条件筛选等条件和参数的限制，能相对准确界定期望识别的区域或对象，避免模糊不清的识别和判断，使识别过程更精确可靠；
(3)本发明所涉及的一种生物组织影像识别的方法及其系统，通过建立数据库，通过输入典型样本数据、统计历史样本数据，能够赋予所述方法以深度学习的功能，提升识别结果的可靠性；
(4)本发明所涉及的一种生物组织影像识别的方法及其系统，通过预处理手段或者增加预处理模块，能够进一步提升识别结果的可靠性，还可以避免无效识别，节约系统资源，提升识别效率。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明一种生物组织影像识别的方法步骤展示图；
图2为本发明一种生物组织影像识别的方法识别的影像1；
图3为本发明一种生物组织影像识别的系统的结构展示图；
图4为本发明一种生物组织影像识别的方法识别的影像2。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。为了便于展示所述一种生物组织影像识别的方法及其系统、计算机储存介质的实际应用，下述实施例将引入方法具体的操作步骤，使所述生物组织影像识别的方法及其系统、计算机储存介质的应用和效果展示更充分和便于理解，值得注意的是，本发明的保护范围不受所限。
实施例1
为展示一种生物组织影像识别的方法，在本实施例中引入一幅肝脏组织的图像(称为“影像1”，见图2)作为生物组织图像，进行影像识别。对影像1应用所述一种生物组织影像识别的方法执行识别步骤请参考图1，步骤包括：
步骤S1：对生物组织图像进行面积计算，并区分出若干个一级结构区域。具体地，在本实施例中，对影像1进行面积计算，并且区分出三个一级结构区域，一级结构区域在本实施例中具体包括细胞结构区域、血管结构区域、纤维结构区域。
在步骤S1中区分一级结构区域的依据可以是适用于黑白或彩色影像的影像波长值或波长值范围、明暗对比度等便于计算机识别的参数，也可以是根据明显的边界、特殊的形态学特征以区别所述一级结构区域。
步骤S2：基于至少一个所述一级结构区域，区分出至少一个从属于任一所述一级结构区域的二级结构区域。具体地在本实施例中，基于纤维结构区域区分得到桥连纤维区域。所述桥连纤维区域从属于所述纤维结构区域，即为二级结构区域之一。基于细胞结构区域、血管结构区域、纤维胶原结构区域三者的相互关系，区分得到同样是二级结构区域的汇管纤维区域。
更具体地，所述从一级结构区域中区分得到二级结构区域的步骤：在每个一级结构区域中应用灰度值阀值法选取至少一个在预设阀值范围内的像素点作为识别对象，所述识别对象通过灰度值增长凸显成为第一候选结构区域，再通过条件筛选得到二级结构区域。
在本实施例中，在纤维结构区域随机或全面选取纤维像素点作为识别对象，所述像素点在预设的阀值范围内。针对选取的纤维像素点应用灰度值阀值法，具体地将所述纤维像素点通过灰度值增长，凸显一系列的纤维像素点集合并形成属于第一候选结构区域的初级桥连纤维区域。继续基于初级桥连纤维区域作为识别对象，进一步应用条件筛选，去除不符合预设条件筛选的区域或对象，修整后就得到了属于二级结构区域的桥连纤维区域。
进一步地在本实施例中，所述纤维结构区域结合血管结构区域应用灰度值阀值法。纤维结构区域的纤维像素点进行灰度值增长时，在所述血管结构区域之间进行。此举，将纤维的增长识别限制在血管结构区域的间隙间进行，识别得到的对象即为桥连纤维。
进一步地在本实施例中，所述条件筛选根据血管结构区域之间的位置关系识别得到桥连纤维区域，将不符合血管结构区域之间位置关系的初桥连纤维区域予以排除，其后得到的桥连纤维区域即符合预设条件筛选。
更进一步地，所述步骤S2之前，即区分二级结构区域的步骤之前，还包括步骤：融合至少两个相邻或交叠的所述一级结构区域。具体在本实施例中，所述一级结构区域预先融合，预先融合的一级结构区域包括在影像1中相互交织的血管结构区域、纤维结构区域，彼此相邻或者呈现交叠状态。融合的一级结构区域可以进一步通过区域间相互关系，继续进行识别。所述血管结构区域与纤维结构区域相互融合，形成初级管区纤维区域，所述初级管区纤维区域属于一级结构区域。
进一步对初级管区纤维区域以灰度值阀值法识别。具体地，随机或全面在初级管区纤维区域中选取符合阀值的纤维像素点作为识别对象，针对纤维像素点进行灰度值增长凸显成为第一子纤维域，所述第一子纤维域属于第一候选结构区域。通过对纤维像素点的灰度值阀值法识别的到的第一子纤维域，已经去除未存在桥连纤维的区域。通过条件筛选，第一子纤维域进一步去除小于指定面积的区域，形成第二子纤维域。所述第二子纤维域属于第二结构区域。在本实施例中，所述指定面积为一个肝细胞的平均面积。
更进一步地，所述条件筛选在S2步骤中的区分可以通过调整、变换、多次重复得到同一层级的第一候选结构区域或不同层级的候选区域。在本实施例中，对血管结构区域应用灰度值阀值法，随机或全面选取血管结构区域中的血管像素点作为识别对象，针对血管像素点进行灰度值增长凸显成为第一子血管域，所述第一子血管域属于第一候选结构区域。通过应用灰度值阀值法，能够获得只存在血管的第一子血管域，同时能够通过血管像素点的识别，实现边缘提取，进一步计算出血管壁厚度值。针对第一子血管域继续应用条件筛选，所述条件筛选为除去血管壁厚度值大于或等于5μm血管对应的区域，即得到第二子血管域，所述第二子血管域属于第二结构区域。
更具体地，针对所述识别对象还可以提取特征属性参数，所述特征属性参数的集合，按照分类录入至第一数据库中。所述识别对象更具体地在本实施例中体现为生物组织或者细胞、细胞形成的细胞束，即包括血管组织、结缔组织、神经细胞、神经细胞形成的神经纤维、肌肉组织、胶原纤维、脂肪细胞、脂肪细胞形成的脂肪组织。针对单一或多个所述识别对象提取特征属性参数，所提取的特征属性参数可以为一项，也可以是多项。在本实施例中，所述特征属性参数可以是组织形态学、细胞形态学的属性参数，如细胞大小、细胞排布、细胞边界形态、组织形态等。
仅在本实施例中，所述第一数据库中还可以通过预设的特征属性参数与后续提取的特征属性参数进行比对，比对结果可以计算入容错率、可靠性等反映识别结果可靠性的统计学数据中，也可以作为辅助判断识别对象是否符合的依据之一。再次判断的检验机制或者提供统计学数据，可以帮助本领域技术人员更好地把握影像1的实际状态。
步骤S3：基于至少一个所述二级结构区域，区分出至少一个特征区域。具体地在本实施例中，基于第二子纤维域以及第二血管域，进行位置映射即获得汇管纤维区域，所述汇管纤维区域属于特征区域。此处，结合的第二子纤维域以及第二血管域均属二级结构区域。
更具体地，区分特征区域至少包括步骤：基于至少一个二级结构区域，结合所述一级结构区域，再通过集合其他指定结构组织的特征属性参数的第二数据库的对应匹配，得到所述特征区域。具体地在本实施例中，基于所述桥连纤维区域结合细胞结构区域，进一步识别得到结节特征区域。所诉识别结节特征区域之前还通过第二数据库的执行对应匹配的识别步骤，确定结节特征区域符合既定的特征属性参数，所述特征属性参数反映其他指定结构组织的特征。
在本实施例中，基于特征区域还可以继续通过结合不同层级的区域进行进一步区分。例如，所述汇管纤维区域结合细胞结构区域可以进一步区分得到胞周纤维特征区域。
在本实施例中，所述特征区域还可以特定的条件进一步区分出至少一级区域或识别对象。例如，所述桥连纤维区域与肝血窦内皮细胞以及肝细胞之间的区域进行映射，得到窦周纤维特征区域。特定条件所指即肝血窦内皮细胞以及肝细胞之间区域的特征属性参数，即可用于筛选窦周纤维特征区域。所述结节特征区域、胞周纤维特征区域、窦周纤维特征区域属于所述特征区域。
进一步地，所述第一数据库和第二数据库中的特征属性参数，可以通过预设录入的方式，也可以通过收集历次识别的中间数据、最终结果等方式进行优化和深度学习。所述特征属性参数可以是组织形态学、细胞形态学的属性参数，如细胞大小、细胞排布、细胞边界形态、组织形态、组织学和细胞学染色等结构本身具有的属性参数，还可以是特定组织或细胞之间的相互关系，也可以包括由于采集影像而获得的在数据电文、计算机可识别载体上有区分性质的属性参数，如对比度、灰度、边界、色彩以及属性参数之间相互配合的特征。所述第一数据库以及第二数据库同样可以将特征属性参数应用在步骤S1以及其后的步骤中。
更具体地，所述生物组织影像识别的方法还包括步骤，针对识别得到的一级结构区域、二级结构区域、特征区域、识别对象的任意一种进行量化参数的提取，所述量化参数包括边界、面积、几何尺寸、数量的至少一种参数。
在本实施例中，提取所述量化参数的时间点可以是识别后立刻提取，也可以在最后步骤统一提取。所述量化参数通过边界提取、微积分计算等方式可以获得。所述量化参数中所指数量是所述一级结构区域、二级结构区域、特征区域、识别对象之一的具体数量，例如所述影像1中存在多个隔离的血管结构区域、影像1中也存在多个结节特征区域，这些一级结构区域、二级结构区域、特征区域、识别对象如出现多个并且有计算需求时，需要计算具体数量。
进一步地，所述几何尺寸在本实施例中，针对不同的识别对象有不同的体现。以血管为例，所述几何尺寸指血管壁厚值、血管直径、血管区域、血管集中程度等反映血管几何特征的尺寸数值；以胶原纤维为例，所述几何尺寸值胶原纤维长度、形成胶原纤维束的密集程度、胶原纤维布满面积、胶原纤维边界等反映胶原纤维及其区域的几何特征的尺寸数值；以一级结构区域、二级结构区域、特征区域为例，所述几何尺寸指前述三者的中心线位置、质心位置、面积、边界、轮廓等反映三者几何方面特征的参数。
进一步地，对所述量化参数进行分类并建立数学模型，所述分类的依据是参数本身的属性或者根据识别的需要形成的分类逻辑。根据量化参数的特点，进行归一化处理再进行测试，以多次调整量化分类的正确率，继续优化分类逻辑或参数本身的属性设置。在本实施例中，所述与血管相关的量化参数即可归为血管类参数，以结节特征区域相关的量化参数可以归为结节参数等。在本实施例中，还可以根据是否具有形态学意义、病理学意义，分类为不同的量化参数序列，在量化参数序列中继续按照分类标准进一步细化。量化参数进行分类是进行数学模型化的重要前置步骤，分类的准确性关系到了后续数学模型建立的可靠性，最后数据库(包括第一数据库、第二数据库)的可靠性，进而影响其后的识别。在本实施例中，还可以通过技术人员添加确认定性、定量的样本，通过所述生物组织影像识别的方法，将相关量化参数写入数据库中，用作调试或者作为经典样本对照识别。确定的样本通过所述生物组织影像识别的方法还可以判断，量化分类的正确率。
更进一步地，所述归一化处理可以应用以下公式：
其中，hθ(x)是描述生物组织图像性质的描述函数，θ是权重系数，x是特征向量，e为自然对数，m是特征向量维度。所述描述函数是将影像1通过数学归一化和权重统计的方式，将最后以函数值的方式反映影像1的具体情形。所述权重系数θ根据量化参数本身的重要程度以及相互之间的影响，调整量化参数之间权重比例以获得能够反映影像1实际情况的描述函数值。所述特征向量x是指针对识别对象、一级结构区域、二级结构区域、特征区域的具有向量性质的数值。所述特征向量维度m是指反映所述特征向量x中维度特征的量。所述归一化处理能够将复杂以及数量繁多的参数简化为简单的数值，便于技术人员的快速高效利用所述描述函数，进行后续工作。
具体地，所述生物组织影像识别的方法还包括步骤：对所述生物组织图像进行色彩修正、对比度调节、比例调节、变形修复的至少一种预处理手段。在本实施例中，影像1有可能因为摄像头等扫描工具的质量、扫描环境等因素影响所获得影像的质量，具体可能存在影响识别的色彩失真、边界不明显、影像模糊、图像变形等情况。针对识别不同的影像还可能存在比例失真、由于调焦影响比例等问题。调整比例的预处理手段在本实施例中可以在扫描输入图像时就引入比例尺，后期通过识别、比例换算获得统一尺度的影像1。
本实施例中还提供了一种生物组织影像识别的系统3(下称“系统3”)，请参考图3。所述系统3至少包括处理器301、几何计算模块302、灰度处理模块303、条件筛选模块304。所述处理器301用于向该识别系统3的其他部分发送指令，执行预设的程序，以针对所输入的生物组织图像进行各级结构区域的识别区分。所述几何计算模块302用于接受所述处理器301的指令，计算所输入的生物组织图像的几何特征参数，并且反馈至所述处理器301。所述灰度处理模块303用于接受所述处理器301的指令，处理所输入的生物组织图像的灰度值，并且反馈至所述处理器301。所述条件筛选模块304用于接受所述处理器301的指令，选取指定的筛选条件以对进行了几何计算和/或灰度处理的所述生物组织图像进行进一步的识别，直至区分出至少一个特征区域。
具体在本实施例中，所述处理器301先接收影像1的数据，并针对影像1预先区分各级结构区域，尤其是一级结构区域。并将影像1整体和初分的一级结构区域通过几何计算模块302计算生物组织整体面积以及一级结构区域面积，几何计算模块302将计算结果反馈至所述处理器301。所述处理器301进一步根据一级结构区域区分得出从属于一级结构区域的二级结构区域，根据二级结构区域区分三级结构区域。所述灰度处理模块303处理经过处理器301处理的影像1，与处理器301之间发生交互，反馈处理结果至处理器301。
更具体地，所述条件筛选模块304与数据库(包括第一数据库305、第二数据库306)直接关联，与处理器301之间发生交互。条件筛选模块304接收处理器301传输的影像1中包含的一级结构区域，并通过与第一数据库305或第二数据库306的筛选条件比对，所述条件筛选模块304将条件筛选的结果输出至处理器301，条件筛选的结果可以是二级结构区域、特征区域、识别对象等。
所述条件筛选模块304的筛选条件选自于第一数据库305和第二数据库306。所述第一数据库305中集合了提取自组织的特征属性参数。本实施例中提取特征属性参数的组织体现为生物组织或者细胞、细胞形成的细胞束，即包括血管组织、结缔组织、神经细胞、神经细胞形成的神经纤维、肌肉组织、胶原纤维、脂肪细胞、脂肪细胞形成的脂肪组织。所述第二数据库306集合的是其他指定结构组织的特征属性参数。所述其他指定结构组织可以是肝脏相关的结节组织、汇管纤维组织、桥连纤维组织、窦周纤维组织、胞周纤维组织等，当然所述其他指定结构组织还包括其他组织器官相关的特定结构。所述特征属性参数指的是有关于所述组织的组织形态学、细胞形态学、边界特征等反映所述组织特征的参数。
具体地，所述灰度处理模块303应用灰度值阀值法在至少一个通过所述几何计算模块302初步区分出的一级结构区域中，选取在预设阀值范围内的像素点，通过灰度值增长凸显出第一候选结构区域，再通过所述条件筛选模块304处理得到下一级结构区域。在本实施例中，灰度处理模块303接收来自处理器301的指令，对传输的影像1以及已经区分得到的一级结构区域执行灰度处理，去除跟色彩有关的参数。除了可以应用处理器301进行分区获得所述一级结构区域，也可以由几何计算模块302根据几何边界划分一级结构区域。以一个一级结构区域——纤维结构区域为例，所述灰度处理模块303在纤维结构区域中随机或全面扫面选取符合预设阀值范围内的纤维像素点，通过灰度值增长的手段在单个纤维像素点的基础上，将符合阀值的纤维像素点生长而结合形成第一子纤维域。第一子纤维域的数据通过条件筛选模块304，条件筛选模块304向第一数据库305请求相关条件数据并进一步匹配，确定在第一子纤维域中符合预设条件的第二子纤维域。所述第一子纤维域即第一候选结构区域，第二子纤维域即下一级结构区域。
具体地，所述条件筛选至少包括位置、距离、面积、边界、形态、对比度以及相互关系的任一数值范围确定的条件筛选。为了得到第二子纤维域所进行的条件筛选，在本实施例中，所述条件筛选可以是限制所述第二子纤维域的纤维像素点位于血管像素位点所形成的血管对象之间的位置条件。
具体地，所述几何计算模块302还用于融合至少两个相邻或交叠的各级结构区域，以便于对应区域的几何特征参数的提取。在本实施例中，所述第二结构区域通过几何计算模块302的数学运算功能，进行合集运算。更具体地，区分得到，交叠的第二子纤维域与第二血管域通过合集运算融合，融合后便于几何计算模块302的特定区域的几何特征参数的提取。
具体地，所述几何计算模块302还用于针对识别得到的各级结构区域、特征区域、或中间识别区域进行量化参数的提取，所述量化参数包括边界、面积、几何尺寸、数量的至少一种参数。在本实施例中，所述各级结构区域包括一级结构区域、二级结构区域以及后续识别得到的下一层级结构区域，所述中间识别区域指的是所述第一候选结构区域等为了辅助识别获得各级结构区域的中间区域，还包括一些用于辅助识别的识别对象。
具体地，所述量化参数中，边界、面积、几何尺寸、数量可以是各级结构区域、中间识别区域、特征区域整体的边界、面积、几何尺寸、数量，还可以是中间的识别对象或者组成区域的对象的边界、面积、几何尺寸、数量。在本实施例中，以血管结构区域为例，量化参数可以是单个血管结构区域的边界轮廓、面积，整个影像1的血管结构区域的数量、总面积，组成血管结构区域的血管对象的数量、分布等量化参数。以纤维结构区域为例，量化参数可以是单个纤维结构区域纤维布满的区域、比例、边界轮廓，全部纤维结构区域的总面积、数量。
更具体地，所述几何尺寸至少包括中血管的壁厚值、胶原纤维的长度值以及各级结构区域、特征区域的中心线位置或质心位置。几何尺寸可以确定各级结构区域、特征区域、中间识别区域、识别对象的特征，是重要的量化参数。
进一步地，所述量化参数按照参数的属性进行分类并且建立数学模型，归一化处理后进行测试，以多次调整量化分类的正确率，所述数学模型、归一化处理结果反馈录入至第三数据库307。所述量化参数由于对应的对象不同，因此更系统、更科学地进行分类便于后续建立数学模型。在本实施例中，所述分类可以根据识别对象本身的属性、相似程度、工程需要进行分类。所述第三数据库307存储所述建立的数学模型，所述第三数据库307用于后续识别的数据匹配和比对，当识别并输入第三数据库307的数据逐渐增多时，识别的结果也会更加可靠。
更进一步地，所述处理器301进行归一化处理可以应用以下公式：
其中，hθ(x)是描述生物组织影像性质的描述函数，θ是权重系数，x是特征向量，e为自然对数，m是特征向量维度。应用描述函数hθ(x)的主要思想是通过归一化处理将复杂的参数、特征属性等量化，以体现参数重要性的权重系数θ作为调整描述描述函数的因子，使描述函数hθ(x)的输出值能够全面、准确、有侧重地描述影像1本身。所述描述函数hθ(x)中自变量是代表特征向量的x，m表示的是作为特征向量x的向量维度。
具体地，所述系统3还包括用于对所述生物组织图像进行色彩修正的色彩修正模块308、进行对比度调节的对比度处理模块309、进行比例调节的比例调节模块310、进行变形修复的变形修复模块311。在本实施例中，所述色彩修正模块308、对比度处理模块309、比例调节模块310、变形修复模块311分别与处理器301连接，所述影像1在输入处理器301之前将先经过色彩修正模块308、对比度处理模块309、比例调节模块310、变形修复模块311之一的调整。当处理器301判断影像1出现需要执行图像调整处理时，所述处理器301将反馈结果输入至对应处理的模块，对应的模块经过处理后将影像1和相关处理数据返回。相关处理数据最后会在整个影像1识别结果中得到体现，用于反映影像1的质量以及可靠程度。所述处理器301还可以根据预处理、后续对影像1的再处理次数、处理质量、处理程度，在影像1最后输出的识别结果中反馈，反馈结果可以是重新扫描图像识别、图像不可用、图像可靠度低等反馈建议，或建议直接中止识别，以避免输出不符合识别要求和可靠程度低的识别结果。
本实施例还提供了一种计算机储存介质，所述计算机可读存储介质中包括一种生物组织影像识别的程序，所述生物组织影像识别的程序被处理器301执行时，实现如下步骤：
对生物组织图像进行面积计算，并区分出若干个一级结构区域；
基于所述至少一个一级结构区域，区分出至少一个从属于任一所述一级结构区域的二级结构区域；
基于所述至少一个二级结构区域，区分出至少一个特征区域。
具体地，所述计算机储存介质在本实施例中指的是通过数据电文形式记载在计算机存储介质中，所述计算机存储介质在本实施例中指的是软盘、硬盘、磁带、孔带或是存在服务器等以计算机能够识别的方式的介质中。
实施例2
在本实施例中，应用一种生物组织影像识别的方法识别影像2，影像2请参见图4。具体地，请参考图1，所述方法包括以下步骤：
步骤S1：对影像2中的肺部组织进行面积计算，并区分出若干个一级结构区域。在本实施例中区分的一级结构区域包括肺细胞区域、肺血管区域、肺气管区域、肺纤维区域等。所述一级结构区域可以通过明显的生物组织学染色、对比度、边界轮廓、状态等对影像2中的肺部组织进行初步细分。
步骤S2：基于至少一个所述一级结构区域，区分出至少一个从属于任一所述一级结构区域的二级结构区域。
所述步骤S2中区分二级结构区域至少包括步骤：在每个一级结构区域中应用灰度值阀值法选取至少一个在预设阀值范围内的像素点作为识别对象，所述识别对象通过灰度值增长凸显成为第一候选结构区域，再通过条件筛选得到二级结构区域。
在本实施例中具体地，以肺血管区域为例。在肺血管区域中全面选取在预设灰度值阀值内的肺血管像素点作为识别对象，进一步以灰度值阀值法控制增长所述肺血管像素点，将识别对象增长为完整的肺血管结构，并将完整的肺血管结构图像成为第一子肺血管区域，第一子肺血管区域属于第一候选结构区域。更进一步地，所述第一子肺血管区域中的肺血管结构通过条件筛选得到第二子肺血管区域，第二子肺血管区域属于二级结构区域。针对肺血管区域的识别，所述条件筛选除了包括位置、距离、面积、边界、形态、对比度之一的数值范围，条件筛选中，通过肺血管的形态排除血管直径较大的肺血管。条件筛选还可以是肺血管本身的状态，在本实施例中可以将堵塞的肺血管排除。所述条件筛选还可以将肺部组织存在阴影、絮状的区域进行排除。
具体地识别对象的特征属性参数提取自包括血管、结缔组织、神经细胞、肌肉组织、胶原纤维、脂肪组织的中至少一种组织，所述特征属性参数的集合预录入至第一数据库中。在本实施例中，以提取血管、胶原纤维相关的特征属性参数为例，可以提取血管直径、血管壁厚度值、胶原纤维长度、胶原纤维所处位置、胶原纤维堆积程度等。所提取的特征属性参数将集合并录入第一数据库中。同时根据以往的数据，可以预先将之前获得的特征属性参数录入第一数据库中。
更具体地，所述区分二级结构区域的步骤之前，还包括步骤：融合至少两个相邻或交叠的所述一级结构区域。
在本实施例中再以肺纤维区域为例。首先融合所述肺纤维区域以及肺血管区域形成联合区域，进一步在联合区域中随机选取肺纤维像素点作为识别对象，所述肺纤维像素点符合预设的灰度值阀值。以灰度值阀值法控制增长所述肺纤维像素点，将识别对象增长为肺纤维组织的集合，并将完整的肺纤维组织结构图像成为第一子肺纤维区域，第一子肺纤维区域属于第一候选结构区域。更进一步地，所述第一子肺纤维区域中的肺纤维组织结构通过条件筛选得到第二子肺纤维区域，第二子肺纤维区域属于二级结构区域。针对肺纤维区域的条件筛选，可以是选取连接在识别的到的血管结构之间的肺纤维、选取纤维长度达到预设值的肺纤维等条件。通过区域融合以及条件筛选，获得第二子肺纤维区域中的肺纤维具有桥连于血管结构之间的特点。
步骤S3：基于至少一个所述二级结构区域，区分出至少一个特征区域。
具体地，所述区分特征区域至少包括步骤：基于所述至少一个二级结构区域，结合所述一级结构区域，再通过集合了其他指定结构组织的特征属性参数的第二数据库的对应匹配，得到所述特征区域。所述其他指定结构组织可以是肺部相关的结节组织、纤维组织、侵染区域等，所述其他指定结构组织还包括其他组织器官相关的特定结构，例如可以推广适用到小肠、胃、肾、皮肤等的影像识别。
更具体地在本实施例中，基于识别得到的所述第二子肺纤维区域结合肺细胞区域，通过位置映射等手段再通过集合了结节组织的特征属性参数的第二数据库的对应匹配，获得肺结节区域。所述结节组织的特征属性参数在本实施例中体现为纤维组织与肺细胞的连接关系参数、结节组织形态等能够反映结节组织特征并能将其与其他相似组织区分的特征数据。
具体地，所述生物组织影像识别的方法还包括针对识别得到的一级结构区域、二级结构区域、特征区域、识别对象的任一种进行量化参数的提取，所述量化参数包括边界、面积、几何尺寸、数量的至少一种参数。在本实施例中，可以提取所述肺血管区域、肺结节区域的边界、面积、几何尺寸以及数量。值得注意的是，所述肺血管区域、肺结节区域、肺纤维区域以及其中识别对象的数量有可能是多个分散的区域或对象，区域或对象之间的位置关系可以是离散、交叠、邻接的一种或数种。
更具体地，所述几何尺寸可以具体体现为肺血管的壁厚值、胶原纤维的长度值、肺纤维组织覆盖范围以及一级结构区域、二级结构区域、特征区域的中心线位置以及质心位置，便于更好地勾勒边界和轮廓。
所述方法至少包括以下步骤：对所述量化参数按照参数的属性进行分类并且建立数学模型，归一化处理后进行测试，以多次调整量化分类的正确率。所述量化参数在本实施例中根据一定的分类规则进行分类，具体可以根据量化参数反映的组织、细胞的类别进行归类，也可以根据重要程度、权重比例进行分类。根据分类的量化参数建立的数学模型，进行归一化处理后测试正确率，若正确率不合要求，则重新调整分类规则。
具体地，所述归一化处理可以应用以下公式：
其中，hθ(x)是描述生物组织图像性质的描述函数，θ是权重系数，x是特征向量，e为自然对数，m是特征向量维度。所述描述函数hθ(x)用于描述影像2中的肝组织的状态。描述函数hθ(x)具体描述的描述侧重点将通过控制权重系数θ控制，所述权重系数θ根据特征向量x的不同而变化，特征向量x的维度由特征向量维度m表示。
具体地，所述影像2还预先通过预处理手段进行预处理，针对影像2的具体特点，影像2中的肺组织由于结构比较复杂，可以通过对比度的调节、灰度的调节等预处理获得更清晰的影像2。除此之外，在其它可能的实施方式中，预处理手段还可以包括色彩修正、比例调节、变形修复等。针对比例调节可以引入标准尺，针对色彩修整可以引入标准色卡
请参考图3，本实施例还提供了一种生物组织影像识别的系统3，具体包括：
处理器301，用于向该识别系统3的其他部分发送指令，执行预设的程序，以针对所输入的影像2进行各级结构区域的识别区分；
几何计算模块302，用于接受所述处理器301的指令，计算所输入的影像2的几何特征参数，并且反馈至所述处理器301；
灰度处理模块303，用于接受所述处理器301的指令，处理所输入的影像2的灰度值，并且反馈至所述处理器301；
条件筛选模块304，用于接受所述处理器301的指令，选取指定的筛选条件以对进行了几何计算和/或灰度处理的所述影像2进行进一步的识别，直至区分出至少一个特征区域。
在本实施例中，所述处理器301结合几何计算模块302预先区分出一级结构区域，区分的一级结构区域包括肺细胞区域、肺血管区域、肺气管区域、肺纤维区域等。处理器301可以通过明显的生物组织学染色、由灰度处理模块303识别的对比度、由几何计算模块302识别的边界轮廓、由条件筛选模块304确定匹配的状态等对影像2中的肺部组织进行初步细分。
所述系统3识别二级结构区域是在每个一级结构区域中，灰度处理模块303应用灰度值阀值法选取至少一个在预设阀值范围内的像素点作为识别对象，所述识别对象通过灰度值增长凸显成为第一候选结构区域，再通过条件筛选得到二级结构区域。在本实施例中具体地，以肺血管区域为例。灰度处理模块303在肺血管区域中全面选取在预设灰度值阀值内的肺血管像素点作为识别对象，进一步以灰度值阀值法控制增长所述肺血管像素点，将识别对象增长为完整的肺血管结构，并将完整的肺血管结构图像成为第一子肺血管区域，第一子肺血管区域属于第一候选结构区域，灰度处理模块303将该处理结果反馈至处理器301。
更进一步地，处理器301将指令并将需要处理的数据发送给条件筛选模块304，所述第一子肺血管区域中的肺血管结构通过条件筛选模块304的条件筛选得到第二子肺血管区域，第二子肺血管区域属于二级结构区域。针对肺血管区域的识别，所述条件筛选除了包括位置、距离、面积、边界、形态、对比度之一的数值范围，条件筛选中，通过肺血管的形态排除血管直径较大的肺血管。条件筛选还可以是肺血管本身的状态，在本实施例中可以将堵塞的肺血管排除。所述条件筛选还可以将肺部组织存在阴影、絮状的区域进行排除。
具体地识别对象的特征属性参数选取自第一数据库305和第二数据库306，第一数据库305中包括血管、结缔组织、神经细胞、肌肉组织、胶原纤维、脂肪组织的中至少一种组织的特征属性参数，所述第二数据库306集合了其他指定结构组织的特征属性参数。在本实施例中，以提取血管、胶原纤维相关的特征属性参数为例，可以选取血管直径、血管壁厚度值、胶原纤维长度、胶原纤维所处位置、胶原纤维堆积程度等。所选取的特征属性参数预先录入第一数据库305、第二数据库306中。
更具体地，所述几何计算模块302还用于融合至少两个相邻或交叠的各级结构区域，以便于对应区域的几何特征参数的提取。
在本实施例中再以肺纤维区域为例。首先几何计算模块302融合所述肺纤维区域以及肺血管区域以形成联合区域，并将融合区域反馈至处理器301。处理器301将融合区域数据传至灰度处理模块303，并指令进一步在联合区域中随机选取肺纤维像素点作为识别对象，所述肺纤维像素点符合预设的灰度值阀值。以灰度值阀值法控制增长所述肺纤维像素点，将识别对象增长为肺纤维组织的集合，并将完整的肺纤维组织结构图像成为第一子肺纤维区域，第一子肺纤维区域属于第一候选结构区域。将得到的第一候选结构区域再次返回处理器301中。
更进一步地，处理器301将所述第一子肺纤维区域相关数据传至条件筛选模块304，第一子肺纤维区域中的肺纤维组织结构通过条件筛选模块304的筛选得到第二子肺纤维区域，第二子肺纤维区域属于二级结构区域。针对肺纤维区域的条件筛选，可以是选取连接在识别的到的血管结构之间的肺纤维、选取纤维长度达到预设值的肺纤维等条件。通过区域融合以及条件筛选，获得第二子肺纤维区域中的肺纤维具有桥连于血管结构之间的特点。
所述几何计算模块302还用于针对识别得到的各级结构区域、特征区域、或中间识别区域进行量化参数的提取，所述量化参数包括边界、面积、几何尺寸、数量的至少一种参数。更具体地，所述几何尺寸至少包括中血管的壁厚值、胶原纤维的长度值以及各级结构区域、特征区域的中心线位置和/或质心位置。
在本实施例中，所述处理器301指令几何计算模块302根据各级结构区域、特征区域、或中间识别区域、识别对象的特点和预设的要求进行量化参数的提取。针对不同的区域、识别对象的量化参数提取有所不同。例如针对肺血管区域可以提取肺血管区域的中心线位置和/或质心位置、区域边界等；针对肺纤维区域中的胶原纤维可以提取胶原纤维面积、胶原纤维长度等。
更具体地，所述量化参数按照参数的属性进行分类并且建立数学模型，归一化处理后进行测试，以多次调整量化分类的正确率，所述数学模型、归一化处理结果反馈录入至第三数据库307。进一步地，所述处理器301进行归一化处理可以应用以下公式：
其中，hθ(x)是描述生物组织影像性质的描述函数，θ是权重系数，x是特征向量，e为自然对数，m是特征向量维度。所述描述函数hθ(x)将由所述处理器301执行运算。
在本实施例中，所述量化参数经由处理器301的分类处理，可以将分类的量化参数回输至第一数据库305、第二数据库306中以充实数据库，数据体量大的数据库，可靠性也会随之提升。归一化处理结果所指是描述函数hθ(x)，是重要的系统反馈结果之一。所述分类结果、数学模型、描述函数值还可以通过第一数据库305、第二数据库306、第三数据库307的检验，便于系统3进行深度学习。
具体地，所述系统3还包括用于对所述生物组织图像进行色彩修正的色彩修正模块308、进行对比度调节的对比度处理模块309、进行比例调节的比例调节模块310、进行变形修复的变形修复模块311中的至少一种。针对影像2的肺组织而言，由于肺组织的结构较为复杂，因此需要处理器301调用对比度处理模块309进行对比度的调节一伙的更清晰的影像2。处理器301还可以通过色彩修正模块308将影像2去除不必要的色彩构成，以减少处理器301的处理负担，并且便于后续灰度处理模块303的处理。所述处理器301还可以根据影像2的质量、识别要求，指令比例调节模块310、变形修复模块311对影像2进行处理。
本实施例还提供了一种计算机储存介质，所述计算机可读存储介质中包括一种生物组织影像识别的程序，所述生物组织影像识别的程序被处理器301执行时，实现如下步骤：
对生物组织图像进行面积计算，并区分出若干个一级结构区域；
基于所述至少一个一级结构区域，区分出至少一个从属于任一所述一级结构区域的二级结构区域；
基于所述至少一个二级结构区域，区分出至少一个特征区域。
具体在本实施例中，所述计算机储存介质指的是内置于识别设备的硬盘，检验设备可以调用硬盘中的程序。在其它可能的实现方式中，所述计算机储存介质还可以是具有储存功能的服务器，当识别设备需要应用所述程序时，通过网络将影像2向服务器发送并请求识别，或是将所述程序载入至识别设备中，进行本地识别。
通过本发明以及两个典型的实施例，可以发现本发明能够至少部分克服现有技术中存在的问题。本发明能对生物组织图像实现多级结构区域，最终获得期望的特征区域，并围绕识别中间过程、识别结果能提供量化参数指标，通过数字化识别和数学量化，能提供可靠、统一、标准化的识别结果。进一步地，通过特征属性参数、条件筛选等条件和参数的限制，能准确界定期望识别的区域或对象，避免模糊不清的识别和判断，使识别过程更精确可靠。再者，本发明通过建立数据库，通过典型样本、历史对比等手段，能够赋予所述方法以深度学习的功能，提升识别结果的可靠性。此外，通过预处理手段、预处理模块，能够进一步提升识别结果的可靠性，还可以避免无效识别，节约系统资源，提升识别效率。本发明除了应用在两个典型实施例中涉及肝组织、肺组织之外，还可应用在胃、皮肤、肌肉等组织中。本发明可以应用在实验室实验、检验机构检验中人体、动物的器官、组织。对实验中的组织、器官需要大体量识别场合中，尤其是在药物筛选过程中，均可适用本发明所提供的方法和系统3，可以提高识别效率、减轻工作量，更重要的是提升识别的统一性和重复再现性。
以上所述仅是本发明的部分实施方式，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 (22)
1.一种生物组织影像识别的方法，其特征在于，所述方法包括以下步骤：
对生物组织图像进行面积计算，并区分出若干个一级结构区域；
基于至少一个所述一级结构区域，区分出至少一个从属于任一所述一级结构区域的二级结构区域；
基于至少一个所述二级结构区域，区分出至少一个特征区域。
2.根据权利要求1所述生物组织影像识别的方法，其特征在于，所述区分二级结构区域至少包括步骤：在每个一级结构区域中应用灰度值阀值法选取至少一个在预设阀值范围内的像素点作为识别对象，所述识别对象通过灰度值增长凸显成为第一候选结构区域，再通过条件筛选得到二级结构区域。
3.根据权利要求2所述生物组织影像识别的方法，其特征在于，所述条件筛选至少包括位置、距离、面积、边界、形态、对比度之一的数值范围。
4.根据权利要求2所述生物组织影像识别的方法，其特征在于，所述区分二级结构区域的步骤之前，还包括步骤：融合至少两个相邻或交叠的所述一级结构区域。
5.根据权利要求2所述生物组织影像识别的方法，其特征在于，所述识别对象的特征属性参数提取自包括血管、结缔组织、神经细胞、肌肉组织、胶原纤维、脂肪组织的中至少一种组织，所述特征属性参数的集合预录入至第一数据库中。
6.根据权利要求5所述生物组织影像识别的方法，其特征在于，所述区分特征区域至少包括步骤：基于所述至少一个二级结构区域，结合所述一级结构区域，再通过集合了其他指定结构组织的特征属性参数的第二数据库的对应匹配，得到所述特征区域。
7.根据权利要求2所述生物组织影像识别的方法，其特征在于，所述方法还包括针对识别得到的一级结构区域、二级结构区域、特征区域、识别对象的任一种进行量化参数的提取，所述量化参数包括边界、面积、几何尺寸、数量的至少一种参数。
8.根据权利要求7所述生物组织影像识别的方法，其特征在于，所述几何尺寸至少包括识别对象中血管的壁厚值、胶原纤维的长度值以及一级结构区域、二级结构区域、特征区域的中心线位置和/或质心位置。
9.根据权利要求7所述生物组织影像识别的方法，其特征在于，所述方法至少包括以下步骤：对所述量化参数按照参数的属性进行分类并且建立数学模型，归一化处理后进行测试，以多次调整量化分类的正确率。
10.根据权利要求9所述生物组织影像识别的方法，其特征在于，所述归一化处理应用以下公式：
其中，hθ(x)是描述生物组织图像性质的描述函数，θ是权重系数，x是特征向量，e为自然对数，m是特征向量维度。
11.根据权利要求1所述生物组织影像识别的方法，其特征在于，所述方法至少还包括以下步骤：对所述生物组织图像进行色彩修正、对比度调节、比例调节、变形修复的至少一种预处理手段。
12.一种生物组织影像识别的系统，其特征在于，其包括：
处理器，用于向该识别系统的其他部分发送指令，执行预设的程序，以针对所输入的生物组织图像进行各级结构区域的识别区分；
几何计算模块，用于接受所述处理器的指令，计算所输入的生物组织图像的几何特征参数，并且反馈至所述处理器；
灰度处理模块，用于接受所述处理器的指令，处理所输入的生物组织图像的灰度值，并且反馈至所述处理器；
条件筛选模块，用于接受所述处理器的指令，选取指定的筛选条件以对进行了几何计算和/或灰度处理的所述生物组织图像进行进一步的识别，直至区分出至少一个特征区域。
13.根据权利要求12所述生物组织影像识别的系统，其特征在于，所述筛选条件的选取基于第一数据库和第二数据库，其中，所述第一数据库集合了提取自包括血管、结缔组织、神经细胞、肌肉组织、胶原纤维、脂肪组织的中至少一种组织的特征属性参数；所述第二数据库集合了其他指定结构组织的特征属性参数。
14.根据权利要求12所述生物组织影像识别的系统，其特征在于，所述灰度处理模块应用灰度值阀值法在至少一个通过所述几何计算模块初步区分出的一级结构区域中，选取在预设阀值范围内的像素点，通过灰度值增长凸显出第一候选结构区域，再通过所述条件筛选模块处理得到下一级结构区域。
15.根据权利要求12所述生物组织影像识别的系统，其特征在于，所述筛选条件至少包括位置、距离、面积、边界、形态、对比度之一的数值范围。
16.根据权利要求12所述生物组织影像识别的系统，其特征在于，所述几何计算模块还用于融合至少两个相邻或交叠的各级结构区域，以便于对应区域的几何特征参数的提取。
17.根据权利要求12所述生物组织影像识别的系统，其特征在于，所述几何计算模块还用于针对识别得到的各级结构区域、特征区域、或中间识别区域进行量化参数的提取，所述量化参数包括边界、面积、几何尺寸、数量的至少一种参数。
18.根据权利要求17所述生物组织影像识别的系统，其特征在于，所述几何尺寸至少包括中血管的壁厚值、胶原纤维的长度值以及各级结构区域、特征区域的中心线位置和/或质心位置。
19.根据权利要求18所述生物组织影像识别的系统，其特征在于，所述量化参数按照参数的属性进行分类并且建立数学模型，归一化处理后进行测试，以多次调整量化分类的正确率，所述数学模型、归一化处理结果反馈录入至第三数据库。
20.根据权利要求19所述生物组织影像识别的系统，其特征在于，所述处理器进行归一化处理应用以下公式：
其中，hθ(x)是描述生物组织影像性质的描述函数，θ是权重系数，x是特征向量，e为自然对数，m是特征向量维度。
21.根据权利要求12所述生物组织影像识别的系统，其特征在于，所述系统还包括用于对所述生物组织图像进行色彩修正的色彩修正模块、进行对比度调节的对比度处理模块、进行比例调节的比例调节模块、进行变形修复的变形修复模块中的至少一种。
22.一种计算机储存介质，其特征在于，所述计算机存储介质中包括一种生物组织影像识别的程序，所述生物组织影像识别的程序被处理器执行时，实现如下步骤：
对生物组织图像进行面积计算，并区分出若干个一级结构区域；
基于所述至少一个一级结构区域，区分出至少一个从属于任一所述一级结构区域的二级结构区域；
基于所述至少一个二级结构区域，区分出至少一个特征区域。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810574640.1A CN108648193B (zh) | 2018-06-06 | 2018-06-06 | 生物组织影像识别的方法及其系统、计算机储存介质 |
| PCT/CN2018/092499 WO2019232824A1 (zh) | 2018-06-06 | 2018-06-22 | 生物组织影像识别的方法及其系统、计算机储存介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810574640.1A CN108648193B (zh) | 2018-06-06 | 2018-06-06 | 生物组织影像识别的方法及其系统、计算机储存介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108648193A true CN108648193A (zh) | 2018-10-12 |
| CN108648193B CN108648193B (zh) | 2023-10-31 |
Family
ID=63751950
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810574640.1A Active CN108648193B (zh) | 2018-06-06 | 2018-06-06 | 生物组织影像识别的方法及其系统、计算机储存介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN108648193B (zh) |
| WO (1) | WO2019232824A1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109447964A (zh) * | 2018-10-23 | 2019-03-08 | 上海鹰瞳医疗科技有限公司 | 眼底图像处理方法及设备 |
| CN110210308A (zh) * | 2019-04-30 | 2019-09-06 | 南方医科大学南方医院 | 生物组织图像的识别方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101256670A (zh) * | 2008-03-20 | 2008-09-03 | 华南师范大学 | 序列图像三维可视化的方法及装置 |
| WO2016177337A1 (en) * | 2015-05-05 | 2016-11-10 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for image segmentation |
| CN106296664A (zh) * | 2016-07-30 | 2017-01-04 | 上海联影医疗科技有限公司 | 血管提取方法 |
| CN107038705A (zh) * | 2017-05-04 | 2017-08-11 | 季鑫 | 视网膜图像出血区域分割方法、装置和计算设备 |
| CN107045721A (zh) * | 2016-10-24 | 2017-08-15 | 东北大学 | 一种从胸部ct图像中提取肺血管的方法及装置 |
| CN107403201A (zh) * | 2017-08-11 | 2017-11-28 | 强深智能医疗科技（昆山）有限公司 | 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1891155A (zh) * | 2006-05-26 | 2007-01-10 | 北京思创贯宇科技开发有限公司 | 一种基于ct图像的组织成分分析方法 |
| JP5723541B2 (ja) * | 2010-03-31 | 2015-05-27 | 富士フイルム株式会社 | 医用画像診断支援装置およびその作動方法、並びにプログラム |
| JP5597429B2 (ja) * | 2010-03-31 | 2014-10-01 | 富士フイルム株式会社 | 医用画像処理装置および方法、並びにプログラム |
| CN106023144B (zh) * | 2016-05-06 | 2019-05-31 | 福建工程学院 | 在断层影像中分割股骨的方法 |
-
2018
- 2018-06-06 CN CN201810574640.1A patent/CN108648193B/zh active Active
- 2018-06-22 WO PCT/CN2018/092499 patent/WO2019232824A1/zh active Application Filing
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101256670A (zh) * | 2008-03-20 | 2008-09-03 | 华南师范大学 | 序列图像三维可视化的方法及装置 |
| WO2016177337A1 (en) * | 2015-05-05 | 2016-11-10 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for image segmentation |
| CN106296664A (zh) * | 2016-07-30 | 2017-01-04 | 上海联影医疗科技有限公司 | 血管提取方法 |
| WO2018023917A1 (zh) * | 2016-07-30 | 2018-02-08 | 上海联影医疗科技有限公司 | 一种下肢血管的提取方法及系统 |
| CN107045721A (zh) * | 2016-10-24 | 2017-08-15 | 东北大学 | 一种从胸部ct图像中提取肺血管的方法及装置 |
| CN107038705A (zh) * | 2017-05-04 | 2017-08-11 | 季鑫 | 视网膜图像出血区域分割方法、装置和计算设备 |
| CN107403201A (zh) * | 2017-08-11 | 2017-11-28 | 强深智能医疗科技（昆山）有限公司 | 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法 |
Non-Patent Citations (1)
| Title |
|---|
| 庞学明;张泽伟;侯爱林;孙浩然;: "基于支持向量机与随机游走结合的GGO型肺结节分割方法", 天津医科大学学报, no. 03, pages 263 - 266 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109447964A (zh) * | 2018-10-23 | 2019-03-08 | 上海鹰瞳医疗科技有限公司 | 眼底图像处理方法及设备 |
| CN110210308A (zh) * | 2019-04-30 | 2019-09-06 | 南方医科大学南方医院 | 生物组织图像的识别方法及装置 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2019232824A1 (zh) | 2019-12-12 |
| CN108648193B (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7496389B2 (ja) | 画像解析方法、装置、プログラムおよび学習済み深層学習アルゴリズムの製造方法 | |
| JP7458328B2 (ja) | マルチ分解能登録を介したマルチサンプル全体スライド画像処理 | |
| JP6791245B2 (ja) | 画像処理装置、画像処理方法及び画像処理プログラム | |
| JP2023065352A (ja) | 画像解析方法、画像解析装置、プログラム、学習済み深層学習アルゴリズムの製造方法および学習済み深層学習アルゴリズム | |
| US11501446B2 (en) | Segmenting 3D intracellular structures in microscopy images using an iterative deep learning workflow that incorporates human contributions | |
| CN109662686A (zh) | 一种眼底黄斑定位方法、装置、系统及存储介质 | |
| US11756199B2 (en) | Image analysis in pathology | |
| Joseph et al. | Quantitative and qualitative evaluation of deep learning automatic segmentations of corneal endothelial cell images of reduced image quality obtained following cornea transplant | |
| CN111754457A (zh) | 一种基于角膜共聚焦图像的菌丝筛查系统 | |
| CN108648193A (zh) | 生物组织影像识别的方法及其系统、计算机储存介质 | |
| CN115965607A (zh) | 一种智能中医舌诊辅助分析系统 | |
| US20040014165A1 (en) | System and automated and remote histological analysis and new drug assessment | |
| CN113470041B (zh) | 免疫组化细胞图像细胞核分割与计数方法和系统 | |
| JPWO2019171909A1 (ja) | 画像処理方法、画像処理装置及びプログラム | |
| Mata et al. | Zigzag persistent homology for processing neuronal images | |
| CN110084270A (zh) | 病理切片图像识别方法及设备 | |
| US11830622B2 (en) | Processing multimodal images of tissue for medical evaluation | |
| CN113469939B (zh) | 一种基于特性曲线的her-2免疫组化自动判读系统 | |
| Aubreville et al. | Field of interest proposal for augmented mitotic cell count: comparison of two convolutional networks | |
| Orobinskyi et al. | The Task of Identifying the Various Objects’ Boundary Points of the Medical Image as the Optimal Path Search on the Graph | |
| US20240127449A1 (en) | Computer vision based monoclonal quality control | |
| CN116883333B (zh) | 一种基于深度学习的纺织品表面缺陷检测方法 | |
| Stroe et al. | Cell boundary detection for quantitative studies of the role of tetraspanin CD82 in cell-cell adhesion | |
| KR20230011895A (ko) | 병리 이미지 분석 방법 및 시스템 | |
| CN117373017A (zh) | 一种基于荧光染色技术的数字图像目标检测方法 |
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 |