CN110220902A - 数字病理切片分析方法和装置 - Google Patents
数字病理切片分析方法和装置 Download PDFInfo
- Publication number
- CN110220902A CN110220902A CN201910385581.8A CN201910385581A CN110220902A CN 110220902 A CN110220902 A CN 110220902A CN 201910385581 A CN201910385581 A CN 201910385581A CN 110220902 A CN110220902 A CN 110220902A
- Authority
- CN
- China
- Prior art keywords
- pathological section
- digital
- image
- analyzed
- kfb
- 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
- 230000001575 pathological effect Effects 0.000 title claims abstract description 127
- 238000004458 analytical method Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000004043 dyeing Methods 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims description 18
- 230000007170 pathology Effects 0.000 claims description 15
- 210000001365 lymphatic vessel Anatomy 0.000 claims description 13
- 238000013459 approach Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000011532 immunohistochemical staining Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 2
- 238000010191 image analysis Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 238000010186 staining Methods 0.000 abstract description 2
- 206010028980 Neoplasm Diseases 0.000 description 13
- 201000011510 cancer Diseases 0.000 description 13
- 238000003364 immunohistochemistry Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 208000005189 Embolism Diseases 0.000 description 6
- 206010027476 Metastases Diseases 0.000 description 4
- 230000009401 metastasis Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 208000007433 Lymphatic Metastasis Diseases 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004321 preservation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 210000002889 endothelial cell Anatomy 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 210000003743 erythrocyte Anatomy 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 210000002751 lymph Anatomy 0.000 description 1
- 230000001926 lymphatic effect Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 210000004881 tumor cell Anatomy 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
- G01N1/30—Staining; Impregnating ; Fixation; Dehydration; Multistep processes for preparing samples of tissue, cell or nucleic acid material and the like for analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Immunology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种数字病理切片分析方法和装置。其中，该方法包括：获取待分析病理切片的数字图像，其中，数字图像是对病理切片进行染色处理并数字化的图像；基于预先训练的数字病理切片分析模型，对待分析病理切片的数字图像进行分析，得到待分析病理切片的分析结果，其中，数字病理切片分析模型的输入数据为病理切片的数字图像，数字病理切片分析模型的输出数据为病理切片的分析结果。本发明可以实现采用人工智能对病理切片染色处理后的数字图像进行分析，提高切片分析工作效率和准确性的技术效果。
Description
技术领域
本发明涉及数字化病理领域，具体而言，涉及一种数字病理切片分析方法和装置。
背景技术
随着发病率和死亡率的增加，癌症已经成为中国人群死亡的首要原因和主要的公共健康问题。癌症转移是癌症致死的最重要原因,恶性肿瘤转移的三大途径包括血道转移、淋巴道转移和直接蔓延，其中淋巴道转移是癌转移的主要途径，而淋巴管侵润(LymphaticVessel Invasion，LVI)又是淋巴道转移的重要表现形式之一，而且，LVI诊断结果已被确定为大多数癌症的重要预后指标。
目前，现有的LVI诊断方式主要有由病理医师在显微镜下对染色切片进行分析，根据癌栓的显微镜下形态学标准来寻找和计数淋巴管癌栓。目前公认的形态学基本标准包括：①被衬有内皮细胞的淋巴管内查见单个或呈簇状的癌细胞；②癌细胞团表面可被衬有内皮细胞；③脉管管腔内可混合存在淋巴液或红细胞。这种方式存在如下缺点：①病理医师对LVI诊断标准的理解和掌握程度因人而异，导致每个病理医师的识别结果具有显著的主观性，客观可重复性较差；②癌栓识别过程繁杂耗时，病理医师需要对全切片每个视野进行仔细寻找，容易导致疲劳阅片；③由于癌栓形态、大小以及分布区域差异较大，人工寻找癌栓难以准确定量。
针对上述现有技术中，依靠病理医师在显微镜下观察染色切片来进行对切片进行分析，导致工作效率和准确性均比较低的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种数字病理切片分析方法和装置，以至少解决现有技术中，依靠病理医师在显微镜下观察染色切片来进行对切片进行分析，导致工作效率和准确性均比较低的技术问题。
根据本发明实施例的一个方面，提供了一种数字病理切片分析方法，包括：获取待分析病理切片的数字图像，其中，数字图像是对病理切片进行染色处理并数字化的图像；基于预先训练的数字病理切片分析模型，对待分析病理切片的数字图像进行分析，得到待分析病理切片的分析结果，其中，数字病理切片分析模型的输入数据为病理切片的数字图像，数字病理切片分析模型的输出数据为病理切片的分析结果。
根据本发明实施例的另一方面，还提供了一种数字病理切片分析装置，包括：切片数字图像获取模块，用于获取待分析病理切片的数字图像，其中，数字图像是对病理切片进行染色处理并数字化的图像；切片分析模块，用于基于预先训练的数字病理切片分析模型，对待分析病理切片的数字图像进行分析，得到待分析病理切片的分析结果，其中，数字病理切片分析模型的输入数据为病理切片的数字图像，数字病理切片分析模型的输出数据为病理切片的分析结果。
根据本发明实施例的另一方面，还提供了一种存储介质，存储介质包括存储的程序，其中，程序执行上述任意一项的数字病理切片分析方法。
根据本发明实施例的另一方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述任意一项的数字病理切片分析方法。
在本发明实施例中，通过一个数字病理切片分析模型，在获取待分析病理切片的数字图像后，对所述待分析病理切片的数字图像进行分析，得到所述待分析病理切片的分析结果，从而实现采用人工智能对病理切片染色处理后的数字图像进行分析，提高切片分析工作效率和准确性的技术效果，进而解决了现有技术中，依靠病理医师在显微镜下观察染色切片来进行对切片进行分析，导致工作效率和准确性均比较低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例提供的一种数字病理切片分析方法流程图；
图2是根据本发明实施例提供的一种根据病理切片的D2-40免疫组化染色图像进行淋巴管侵润检测的流程图；
图3是根据本发明实施例提供的一种Faster-RCNN检测模型示意图；
图4是根据本发明实施例提供的一种图像子区域化示意图；
图5是根据本发明实施例提供的一种图像子区域集成化示意图；以及
图6是根据本发明实施例的一种数字病理切片分析装置示意图。
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，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，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”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例，提供了一种数字病理切片分析方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例提供的一种数字病理切片分析方法流程图，如图1所示，该方法包括如下步骤：
S101，获取待分析病理切片的数字图像，其中，数字图像是对病理切片进行染色处理并数字化的图像；
S102，基于预先训练的数字病理切片分析模型，对待分析病理切片的数字图像进行分析，得到待分析病理切片的分析结果，其中，数字病理切片分析模型的输入数据为病理切片的数字图像，数字病理切片分析模型的输出数据为病理切片的分析结果。
作为一种可选的实施例，上述数字图像可以是病理切片的D2-40免疫组化染色数字图像，上述数字病理切片分析模型可以是淋巴管侵润检测模型，用于对数字病理切片进行淋巴管侵润检测(LVI检测)。
由于病理切片的数字图像像素很大，直接输入模型可能会导致内存溢出而无法处理，由此，本发明实施例在通过数字病理切片分析模型对图像进行处理的时候，可以将图像进行子区域化，再输入到模型中，通过模型对子区域图像进行处理后，将各个子区域的分析结果进行集成，得到病理切片的分析结果。
由此，作为一种可选的实施方式，上述S102具体可以包括：对待分析病理切片的数字图像进行子区域化处理，得到多个子区域图像；将各个子区域图像分别输入到数字病理切片分析模型，得到各个包含各个子区域图像分析结果的数字图像；对多个子区域图像的分析结果进行集成化处理，得到包含待分析病理切片整体分析结果的数字图像。
需要说明的是，在对病理切片的数字图像进行子区域化处理操作具体可以包括：获取病理切片对应的kfb格式数字图像和json文件，其中，病理切片对应的json文件中包含病理切片上至少一个标注区域在kfb格式数字图像上的坐标信息；根据kfb格式数字图像的尺寸信息和滑动窗口的尺寸信息，计算滑动窗口在kfb格式数字图像上每一行和每一列滑动的步数；将滑动窗口按照每一行和每一列滑动的步数，在kfb格式数字图像上滑动，得到多个没有重叠区域的栅格，获取每个栅格在kfb格式数字图像上的坐标信息；根据每个栅格在kfb格式数字图像上的坐标信息提取每个栅格在kfb格式数字图像上所覆盖区域对应的图像，保存为png格式栅格图像，并记录每个栅格图像在kfb格式数字图像上的行号、列号和序号；根据每个标注区域在kfb格式数字图像上的坐标信息和每个栅格在kfb格式数字图像上的坐标信息，将病理切片上各个标注区域的坐标信息保存到相应的栅格图像的json文件中。
其中，根据每个标注区域在kfb格式数字图像上的坐标信息和每个栅格在kfb格式数字图像上的坐标信息，将病理切片上各个标注区域的坐标信息保存到相应的栅格图像的json文件中，可以包括：如果某个标注区域完全包含于某个栅格内，则将该标注区域的坐标信息保存到该栅格对应的栅格图像的json文件中；如果某个标注区域未完全包含于某个栅格内，但与该栅格存在交叉区域，则提取该交叉区域的坐标信息保存到该栅格对应的栅格图像的json文件中。
其中，对多个子区域图像的分析结果进行集成化处理，得到包含待分析病理切片整体分析结果的数字图像，可以具体包括：根据栅格图像的最大行号和最大列号创建一个空图像；根据栅格图像的序号，对根据kfb格式数字图像子区域化的多个栅格图像进行排序，并按照顺序依次覆盖于空图像上，得到包含待分析病理切片整体分析结果的数字图像。
通过上述子区域化和集成化操作，可以确保病理切片数字图像上的标注信息不丢失。
图2是根据本发明实施例提供的一种根据病理切片的D2-40免疫组化染色图像进行淋巴管侵润检测的流程图，如图2所示，采集建立带标注的D2-40免疫组化数据集，训练一个用于淋巴管侵润检测的数字病理切片分析模型来实现D2-40免疫组化淋巴管侵润检测，为传统临床中淋巴管侵润检测提供了一种可能的全新辅助解决方案。
作为一种可选的实施例，本发明实施例中的数字病理切片分析模型可以是基于深度学习的Faster-RCNN检测模型，利用深度学习方法检测一张数字化病理图像中的LVI区域，该模型的输入为D2-40免疫组化图像，输出为淋巴管侵润检测结果。
例如，图3是根据本发明实施例提供的一种Faster-RCNN检测模型示意图，如图3所示，Faster-RCNN主要包含如下四个步骤：
①特征提取：是利用卷积层来得到特征图，其中卷积层包含了卷积、池化以及Relu激活；
②候选区域生成：通过区域生成网络，在提取好的特征图上，对所有可能的候选框进行前景还是背景的判别。
③类别预测：通过全连接层与Softmax计算每个候选框具体属于那个类别。
④位置精修：利用边框回归来获得每个候选框的位置偏移量，用于回归更加精确的目标检测框。
此处需要说明的是，Faster-RCNN检测模型的输入数据为D2-40免疫组化图像，输出数据为LVI检测结果。在将D2-40免疫组化图像子区域化的情况下，Faster-RCNN检测模型输入为所有子区域化后的D2-40免疫组化图像块，输出为子区域块中的LVI检测结果。
由于D2-40免疫组化全场图像的像素过大，直接送入Faster-RCNN中会导致内存溢出而无法处理，所以在送入Faster-RCNN之前，首先，对图像进行子区域化处理，利用滑动窗口的方式将一张全场切片分成1024*1024大小的互相不重叠的子区域；其次，将这些分割出来的子区域送入Faster-RCNN中进行检测；最后，将子区域进行集成化，就得到了带有LVI检测结果的D2-40免疫组化图像。
下面，结合图4和图5对图像子区域化和集成化处理进行详细说明。其中，图4是根据本发明实施例提供的一种图像子区域化示意图；图5是根据本发明实施例提供的一种图像子区域集成化示意图。需要说明的是，本发明实施例中对数字图像和数字图像进行子区域化和子区域集成化处理均可以图4和图5所示的操作。
如图4所示，子区域化的具体操作为：输入为kfb格式的数字切片以及该切片对应的json文件。输出为该数字切片对应的png格式的子区域图像以及每张子区域图像对应的json文件。具体包括如下流程图：
(1)读取kfb格式的数字切片以及该切片对应的json文件；
(2)获取数字切片的长度width和宽度height；
(3)设定子区域图像的尺寸大小size_patch，根据设定的size计算滑动窗口在该数字切片需要在每一行上滑动的步数和在每一列上滑动的步数：
num_width＝int(width/size_patch)；num_height＝int(height/size_patch)；
(4)设定滑动窗口的步长等于滑动窗口的大小，即相邻的俩个窗口之间没有重叠区域。那么滑动窗口滑过整张数字切片后，会将数字切片分成num_height行和num_width列的网格。根据每一个栅格在网格中的所处的行号i和列号j(i和j均从0开始计数)，以及每一个窗口的大小size_patch，我们就可以得到该栅格相对于数字切片的坐标信息。
其中，栅格左上角的坐标为：(start_x＝i*size_patch,start_y＝j*size_patch)；栅格右下角的坐标为：(end_x＝start_x+size_patch,end_y＝start_y+size_patch)；根据栅格左上角和右下角的坐标信息，可以得到该栅格的覆盖范围，并提取该覆盖范围，保存为png格式的图片。图片的命名格式为：数字切片名-行号i-列号j-栅格的序号(i*num_width+j).png；例如，F49787-HE-7-21-497.png。
(5)由于原始的json文件中保存着所有医生标注的癌栓信息，所谓的标注信息就是医生所画的能够包围一个癌栓的边界框的坐标信息。
每一个坐标信息的保存格式为(minx,miny,maxx,maxy)分别代表该标注框左上角的横坐标，纵坐标以及右下角的横坐标和纵坐标。
在将一个格栅所覆盖范围生成子区域图像的同时，使用该格栅的坐标信息(start_x,start_y)以及(end_x,end_y)与json文件中所有标注信息一一进行比较。
如果(minx,miny,maxx,maxy)完全包含在(start_x,start_y,end_x,end_y)之中，我们就将(minx,miny,maxx,maxy)这个信息保存到该子区域图像所对应的json文件中；如果(minx,miny,maxx,maxy)与(start_x,start_y,end_x,end_y)有交集，但不是完全包含的关系。我们将相交区域的信息(minx,miny,maxx,maxy)提取出来并保存到该子区域图像所对应的json文件中。
通过上述子区域化处理操作，可以确保在将原始的病理切片子区域化的同时而不丢失医生对切片的标注信息。
如图5所示，子区域集成化具体操作为：输入所有子区域图像所在的文件夹路径，输出为子区域集成后的原图。具体流程图如下：
(1)根据输入的路径读取该路径下的所有图片名字。
(2)在利用滑动窗口将原始病理切片子区域化的时候，保存每张子区域图像在原始病理图片中所在的行号、列号以及序号。
首先，可以求出最大的行号max_row以及最大的列号max_col。然后，根据最大的行号和列号创建一个大小为(max_row*size_patch)*(max_rol*size_patch)的空图像。
(3)生成空图像后，利用子区域图像名字中的序号对所有的子区域图像进行排序，按照序号从小到大的顺序，将这些子区域图像从左到右、从上到下，没有重叠的依次覆盖到空图像上。当所有的子区域图像都覆盖到空图像上后，就得到了所有子区域集成后的病理原图。
根据本发明实施例，还提供了一种用于实现图1所示的数字病理切片分析方法的装置实施例，图6是根据本发明实施例的一种数字病理切片分析装置示意图，如图6所示，该装置包括：切片数字图像获取模块61和切片分析模块62。
其中，切片数字图像获取模块61，用于获取待分析病理切片的数字图像，其中，数字图像是对病理切片进行染色处理并数字化的图像；
切片分析模块62，用于基于预先训练的数字病理切片分析模型，对待分析病理切片的数字图像进行分析，得到待分析病理切片的分析结果，其中，数字病理切片分析模型的输入数据为病理切片的数字图像，数字病理切片分析模型的输出数据为病理切片的分析结果。
此处需要说明的是，上述切片数字图像获取模块61和切片分析模块62对应于方法实施例中的步骤S101至S102，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述方法实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
由于装置实施例解决问题的原理与数字病理切片分析方法相似，因此该装置实施例的实施可以参见方法的实施，重复之处不再赘述。
根据本发明实施例，还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述方法实施例中任意一项可选的或优选的数字病理切片分析方法。
根据本发明实施例，还提供了一种计算机可读存储介质，计算机可读存储介质存储有执行上述方法实施例中任意一项可选的或优选的数字病理切片分析方法。
综上所述，本发明实施例提供了一种面向临床诊断应用的D2-40免疫组化染色淋巴管侵润计算机辅助检测方法，利用计算机辅助诊断技术的稳定性、可重复性以及较高的准确性来减轻临床病理医师的日常工作压力，同时辅助病理医师获得更高的诊断准确率。
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。
在本发明的上述实施例中，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，所揭露的技术内容，可通过其它的方式实现。其中，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，可以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，单元或模块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介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、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。而前述的存储介质包括：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。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种数字病理切片分析方法，其特征在于，包括：
获取待分析病理切片的数字图像，其中，所述数字图像是对病理切片进行染色处理并数字化的图像；
基于预先训练的数字病理切片分析模型，对所述待分析病理切片的数字图像进行分析，得到所述待分析病理切片的分析结果，其中，所述数字病理切片分析模型的输入数据为病理切片的数字图像，所述数字病理切片分析模型的输出数据为病理切片的分析结果。
2.根据权利要求1所述的方法，其特征在于，基于预先训练的数字病理切片分析模型，对所述待分析病理切片的数字图像进行分析，得到所述待分析病理切片的分析结果，包括：
对所述待分析病理切片的数字图像进行子区域化处理，得到多个子区域图像；
将所述各个子区域图像分别输入到所述数字病理切片分析模型，得到各个包含各个子区域图像分析结果的数字图像；
对所述多个子区域图像的分析结果进行集成化处理，得到包含所述待分析病理切片整体分析结果的数字图像。
3.根据权利要求2所述的方法，其特征在于，对所述待分析病理切片的数字图像进行子区域化处理，得到多个子区域图像，包括：
获取病理切片对应的kfb格式数字图像和json文件，其中，病理切片对应的json文件中包含病理切片上至少一个标注区域在所述kfb格式数字图像上的坐标信息；
根据所述kfb格式数字图像的尺寸信息和滑动窗口的尺寸信息，计算所述滑动窗口在所述kfb格式数字图像上每一行和每一列滑动的步数；
将所述滑动窗口按照所述每一行和每一列滑动的步数，在所述kfb格式数字图像上滑动，得到多个没有重叠区域的栅格，获取每个栅格在所述kfb格式数字图像上的坐标信息；
根据每个栅格在所述kfb格式数字图像上的坐标信息提取每个栅格在所述kfb格式数字图像上所覆盖区域对应的图像，保存为png格式栅格图像，并记录每个栅格图像在所述kfb格式数字图像上的行号、列号和序号；
根据每个标注区域在所述kfb格式数字图像上的坐标信息和每个栅格在所述kfb格式数字图像上的坐标信息，将病理切片上各个标注区域的坐标信息保存到相应的栅格图像的json文件中。
4.根据权利要求3所述的方法，其特征在于，根据每个标注区域在所述kfb格式数字图像上的坐标信息和每个栅格在所述kfb格式数字图像上的坐标信息，将病理切片上各个标注区域的坐标信息保存到相应的栅格图像的json文件中，包括：
如果某个标注区域完全包含于某个栅格内，则将该标注区域的坐标信息保存到该栅格对应的栅格图像的json文件中；
如果某个标注区域未完全包含于某个栅格内，但与该栅格存在交叉区域，则提取该交叉区域的坐标信息保存到该栅格对应的栅格图像的json文件中。
5.根据权利要求3所述的方法，其特征在于，对所述多个子区域图像的分析结果进行集成化处理，得到包含所述待分析病理切片整体分析结果的数字图像，包括：
根据栅格图像的最大行号和最大列号创建一个空图像；
根据栅格图像的序号，对根据所述kfb格式数字图像子区域化的多个栅格图像进行排序，并按照顺序依次覆盖于所述空图像上，得到包含所述待分析病理切片整体分析结果的数字图像。
6.根据权利要求1至5任一所述的方法，其特征在于，所述数字图像为病理切片的D2-40免疫组化染色数字图像，所述数字病理切片分析模型为淋巴管侵润检测模型。
7.根据权利要求6所述的方法，其特征在于，所述淋巴管侵润检测模型为基于深度学习的Faster-RCNN检测模型。
8.一种数字病理切片分析装置，其特征在于，包括：
切片数字图像获取模块，用于获取待分析病理切片的数字图像，其中，所述数字图像是对病理切片进行染色处理并数字化的图像；
切片分析模块，用于基于预先训练的数字病理切片分析模型，对所述待分析病理切片的数字图像进行分析，得到所述待分析病理切片的分析结果，其中，所述数字病理切片分析模型的输入数据为病理切片的数字图像，所述数字病理切片分析模型的输出数据为病理切片的分析结果。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一所述的数字病理切片分析方法。
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存储有执行权利要求1至7任一所述数字病理切片分析方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910385581.8A CN110220902B (zh) | 2019-05-09 | 2019-05-09 | 数字病理切片分析方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910385581.8A CN110220902B (zh) | 2019-05-09 | 2019-05-09 | 数字病理切片分析方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110220902A true CN110220902A (zh) | 2019-09-10 |
| CN110220902B CN110220902B (zh) | 2022-10-04 |
Family
ID=67820678
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910385581.8A Active CN110220902B (zh) | 2019-05-09 | 2019-05-09 | 数字病理切片分析方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110220902B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110767312A (zh) * | 2019-12-26 | 2020-02-07 | 杭州迪英加科技有限公司 | 人工智能辅助病理诊断系统及方法 |
| CN111795879A (zh) * | 2020-07-14 | 2020-10-20 | 青岛大学附属医院 | 利用脱水套装制作的病理标本在数字化评估系统中的应用 |
| CN113313705A (zh) * | 2021-06-22 | 2021-08-27 | 上海杏脉信息科技有限公司 | 一种病理图像处理系统、方法及介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105931226A (zh) * | 2016-04-14 | 2016-09-07 | 南京信息工程大学 | 基于深度学习的自适应椭圆拟合细胞自动检测分割方法 |
| CN107220980A (zh) * | 2017-05-25 | 2017-09-29 | 重庆理工大学 | 一种基于全卷积网络的mri图像脑肿瘤自动分割方法 |
| CN107492071A (zh) * | 2017-08-17 | 2017-12-19 | 京东方科技集团股份有限公司 | 医学图像处理方法及设备 |
| CN108305249A (zh) * | 2018-01-24 | 2018-07-20 | 福建师范大学 | 基于深度学习的全尺度病理切片的快速诊断和评分方法 |
| CN109410194A (zh) * | 2018-10-19 | 2019-03-01 | 山东省计算中心（国家超级计算济南中心） | 一种基于深度学习的食管癌病理图像处理方法 |
| CN109544507A (zh) * | 2018-10-18 | 2019-03-29 | 清影医疗科技（深圳）有限公司 | 一种病理图像处理方法及系统、设备、存储介质 |
-
2019
- 2019-05-09 CN CN201910385581.8A patent/CN110220902B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105931226A (zh) * | 2016-04-14 | 2016-09-07 | 南京信息工程大学 | 基于深度学习的自适应椭圆拟合细胞自动检测分割方法 |
| CN107220980A (zh) * | 2017-05-25 | 2017-09-29 | 重庆理工大学 | 一种基于全卷积网络的mri图像脑肿瘤自动分割方法 |
| CN107492071A (zh) * | 2017-08-17 | 2017-12-19 | 京东方科技集团股份有限公司 | 医学图像处理方法及设备 |
| CN108305249A (zh) * | 2018-01-24 | 2018-07-20 | 福建师范大学 | 基于深度学习的全尺度病理切片的快速诊断和评分方法 |
| CN109544507A (zh) * | 2018-10-18 | 2019-03-29 | 清影医疗科技（深圳）有限公司 | 一种病理图像处理方法及系统、设备、存储介质 |
| CN109410194A (zh) * | 2018-10-19 | 2019-03-01 | 山东省计算中心（国家超级计算济南中心） | 一种基于深度学习的食管癌病理图像处理方法 |
Non-Patent Citations (1)
| Title |
|---|
| YUN LIU,ET AL: "Detecting Cancer Metastases on Gigapixel Pathology Images", 《LIFE SCIENCES》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110767312A (zh) * | 2019-12-26 | 2020-02-07 | 杭州迪英加科技有限公司 | 人工智能辅助病理诊断系统及方法 |
| CN111795879A (zh) * | 2020-07-14 | 2020-10-20 | 青岛大学附属医院 | 利用脱水套装制作的病理标本在数字化评估系统中的应用 |
| CN113313705A (zh) * | 2021-06-22 | 2021-08-27 | 上海杏脉信息科技有限公司 | 一种病理图像处理系统、方法及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110220902B (zh) | 2022-10-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Saha et al. | Her2Net: A deep framework for semantic segmentation and classification of cell membranes and nuclei in breast cancer evaluation | |
| US20200279125A1 (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 | |
| CN111448569B (zh) | 存储和检索数字病理学分析结果的方法 | |
| US10650221B2 (en) | Systems and methods for comprehensive multi-assay tissue analysis | |
| CA2944831C (en) | An image processing method and system for analyzing a multi-channel image obtained from a biological tissue sample being stained by multiple stains | |
| CN107430771B (zh) | 用于图像分段的系统和方法 | |
| CN111448584A (zh) | 计算肿瘤空间和标记间异质性的方法 | |
| JP2021506022A (ja) | 生体画像における連帯的細胞および領域分類のための深層学習システムならびに方法 | |
| JP2022516154A (ja) | 組織画像の人工知能セグメンテーション | |
| CN110220902A (zh) | 数字病理切片分析方法和装置 | |
| Dobrescu et al. | Medical images classification for skin cancer diagnosis based on combined texture and fractal analysis | |
| CN111527519B (zh) | 用于生成感兴趣的细胞类型的选择性染色剂分割图像的系统和方法 | |
| Adiga et al. | High-throughput analysis of multispectral images of breast cancer tissue | |
| CN108229344A (zh) | 图像处理方法和装置、电子设备、计算机程序和存储介质 | |
| US11568657B2 (en) | Method of storing and retrieving digital pathology analysis results | |
| CN112424825A (zh) | 染色聚集体中信号的定量 | |
| Kousalya et al. | Improved the detection and classification of breast cancer using hyper parameter tuning | |
| Feng et al. | An advanced automated image analysis model for scoring of ER, PR, HER-2 and Ki-67 in breast carcinoma | |
| Cheng et al. | Identifying cells in histopathological images | |
| Karthik | Diagnostic Breast Cancer Image Data Classification using CNN | |
| Apou et al. | Fast segmentation for texture-based cartography of whole slide images | |
| Khryashchev et al. | Histological Images Segmentation by Convolutional Neural Network with Morphological Post-filtration | |
| Stoelinga | Extracting Biomarkers from Hematoxylin-Eosin Stained Histopathological Images of Lung Cancer using Deep Learning | |
| Rajyalakshmi | A Remote Sensing Image Segmentation Method Based On Spectral and Texture Information |
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 |