CN110232410A - 多层级的器官组织病理图像分析方法及分析装置 - Google Patents

多层级的器官组织病理图像分析方法及分析装置 Download PDF

Info

Publication number
CN110232410A
CN110232410A CN201910461728.7A CN201910461728A CN110232410A CN 110232410 A CN110232410 A CN 110232410A CN 201910461728 A CN201910461728 A CN 201910461728A CN 110232410 A CN110232410 A CN 110232410A
Authority
CN
China
Prior art keywords
organ
tissue
segment
image
pixel
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
Application number
CN201910461728.7A
Other languages
English (en)
Inventor
江瑞
李冉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN201910461728.7A priority Critical patent/CN110232410A/zh
Publication of CN110232410A publication Critical patent/CN110232410A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明提供一种多层级的器官组织病理图像分析方法及分析装置，分析方法包括以下步骤：将器官组织病理图像转换到HSV空间，用基于颜色空间的聚类方法对器官组织病理图像中的细胞核进行提取，并给出数量统计；将器官组织病理图像切分为多个图块，利用深度神经网络模型提取各图块的特征，输出图块的类型及分类的置信度；将所有图块的分类结果构成该器官组织病理图像的热力图，热力图中的每个像素点对应于一个图块，像素值等于该图块分类的概率，提取该热力图的统计特征，并基于统计特征训练分类器，利用训练的分类器对整张图像进行类型分析和判断。本发明分别从细胞级别、区域级别、全图级别给出对应的分析结果，可极大减轻医生的阅片负担。

Description

多层级的器官组织病理图像分析方法及分析装置
技术领域
本发明涉及生物技术领域，具体地说，涉及多层级的器官组织病理图像分析方法及分析装置。
背景技术
肝癌是全球高发病率的恶性肿瘤之一,也是我国第三大肿瘤致死病因。由于肝癌具有高度异质性，精确的筛查和诊断，是肝癌治疗中的关键。目前，在临床诊断特别是大多数癌症诊断中，通过活体组织检查、脱落和细针穿刺细胞学检查等，对患者病变区域的活体组织切片在微观视野下进行观察和分析而获得的病理检查结果是医生进行疾病诊断的重要依据甚至最终依据，以病理影像为基础的诊断被视为癌症诊断的“金标准”。
目前，病理诊断主要通过病理医生人工进行，随着病人数量的日益增长和对疾病诊断准确率要求的不断提高，需要分析的病理影像成倍增长，病理医生的工作量也急剧增高，然而依据我国的实际国情，病理医生数量稀少，水平参差不齐，病理科室数字化水平普遍偏低，数字病理设备严重匮乏，这给病理诊断的进一步发展带来了极大的困难。数字化组织病理影像为引入人工智能辅助分析以减轻医生负担提供了可能，对缓解医疗资源的紧张形势有重要意义。本发明正是针对肝部病理图像的人工智能辅助分析设计的。
发明内容
为解决以上问题，本发明提供一种多层级的器官组织病理图像分析方法，包括以下步骤：
从细胞级别方面：将器官组织病理图像转换到HSV空间，用基于颜色空间的聚类方法对器官组织病理图像中的细胞核进行提取，并给出数量统计；
从区域级别方面：将器官组织病理图像切分为多个图块，利用深度神经网络模型提取各图块的特征，输出图块的类型及分类的置信度；
从全图级别方面：将所有图块的分类结果构成该器官组织病理图像的热力图，热力图中的每个像素点对应于一个图块，像素值等于该图块分类的概率，提取该热力图的统计特征，并基于统计特征训练分类器，利用训练的分类器对整张图像进行类型分析和判断。
优选地，基于颜色空间的聚类方法对器官组织病理图像中的细胞核进行提取的过程包括：
用基于颜色的Kmeans聚类方法将每个像素作为HSV空间的一个三维数据点，按照指定的聚类簇数K，随机选择K个聚类中心，将每个像素归于距离最近的中心所属的类别，再重新计算每类的中心，如此迭代，直到聚类中心不再变化。
优选地，聚类簇数K为2，实现细胞核与细胞浆的分割。
优选地，对病理图像进行二值化，并基于区域生长法统计病理图像的连通区域数量作为细胞核数量。
优选地，区域生长法按从左至右、从上至下的顺序，对整幅病理图像进行扫描，通过比较每一个像素的邻域进行连通区域标记，从而提取出各细胞核，并统计连通区域的数量，确定细胞核的数量。
优选地，所述统计特征包括提取热力图的均值、灰度分布直方图的统计特征。
优选地，所述分类器为SVM分类器。
优选地，所述深度神经网络模型是pnasnet网络模型，pnasnet网络模型由预先准备的有类型标注的病理图像的图块作为训练集训练得到。
本发明还提供一种多层级的器官组织病理图像分析装置，包括：
细胞级别分析模块，用于将器官组织病理图像转换到HSV空间，用基于颜色空间的聚类方法对器官组织病理图像中的细胞核进行提取，并给出数量统计；
区域级别分析模块，用于将器官组织病理图像切分为多个图块，利用深度神经网络模型提取各图块的特征，输出图块的类型及分类的置信度；
全图级别分析模块，用于将所有图块的分类结果构成该器官组织病理图像的热力图，热力图中的每个像素点对应于一个图块，像素值等于该图块分类的概率，提取该热力图的统计特征，并基于统计特征训练分类器，利用训练的分类器对整张图像进行类型分析和判断。
本发明可以辅助病理医生对肝部组织病理图像进行分析，综合考虑不同层级的特征，分别从细胞级别、区域级别、全图级别给出对应的分析结果，从细胞级别可以分析出细胞核区域和细胞核的数量、形态及细胞的核质比等特征，能够帮助医生确定细胞类型，并为后续分析结果提供细胞层面的理论支撑，提高智能分析的可解释性。从区域级别可以将病理图像的不同部位分类到相应的类别中，进而获知各图块对应的病理标注。全图级别可以获知例如热力图的均值、灰度分布直方图等统计特征，进一步了解病理图像的分布特征，得出对于病理图像的整体分析结果。细胞级别、区域级别、全图级别联合分析能极大减轻医生的阅片负担，为医生提供参考。并且，本发明的方法并不局限于仅对于肝部组织病理图像进行分析，其同样也适用于其他器官组织的病理图像分析。
附图说明
通过结合下面附图对其实施例进行描述，本发明的上述特征和技术优点将会变得更加清楚和容易理解。
图1是表示本发明实施例的多层级的器官组织病理图像分析方法的步骤示意图；
图2是表示本发明实施例的多层级的器官组织病理图像分析方法的流程示意图；
图3-A为pnasnet网络模型的网络结构示意图；
图3-B为任一个cell的结构示意图；
图4是多层级的器官组织病理图像分析装置的模块构成图。
具体实施方式
下面将参考附图来描述本发明所述的多层级的器官组织病理图像分析方法及分析装置的实施例。本领域的普通技术人员可以认识到，在不偏离本发明的精神和范围的情况下，可以用各种不同的方式或其组合对所描述的实施例进行修正。因此，附图和描述在本质上是说明性的，而不是用于限制权利要求的保护范围。此外，在本说明书中，附图未按比例画出，并且相同的附图标记表示相同的部分。
本发明的多层级的器官组织病理图像分析方法包括以下步骤：
S1，从细胞级别方面：将器官组织病理图像转换到HSV空间，用基于颜色空间的聚类方法对器官组织病理图像中的细胞核进行提取，并给出数量统计。器官组织病理图像通常由HE染色的组织切片扫描得到，由于细胞核与细胞浆在HE染色中色相有明显区别，所以可以采用基于颜色空间的聚类方法来区分细胞核与细胞浆。HSV色彩空间是根据颜色的直观特性的一种颜色空间模型，这个模型中颜色的参数分别是：色调(H)，饱和度(S)，明度(V)。色调(H)是图像场景的纯色的属性。其中，色调是区分细胞核和细胞浆的主要参数，采用基于颜色的聚类就使得属于细胞核颜色范围的像素聚集在一起，从而提取出细胞核。
S2，从区域级别方面：将器官组织病理图像切分为多个图块，优选地，对于肝部病理图像，选择的分块尺寸为304*304像素。利用深度神经网络模型提取各图块的特征，输出图块的类型及分类的置信度。例如，对于肝部组织，肝部组织病理图像具有极高的分辨率，对全图直接进行操作对计算机负担较大，因此可以根据全扫描病理图像的分辨率，设置合适的图块大小，以保证每个图块内有足够的信息来判断其所属类型。其中，类型包括病理图像所对应的不同的病症特征的分类，例如，某一个肝部病理图像中，具有息肉、囊肿、糜烂等不同的病症特征，每个病症特征对应一个分类。通过将器官组织病理图像切分为多个图块，能够更加快速的完成对应类型的分类。
S3，从全图级别方面：将所有图块的分类结果构成该器官组织病理图像的热力图，热力图中的每个像素点对应于一个图块，像素值等于该图块分类的概率，提取该热力图的统计特征，并基于统计特征训练分类器，利用训练的分类器对整张图像进行类型分析和判断。也就是对整张图像的各个图块的分类概率进行统计分析，从而得到全图的分析结论。全图级别的分类是对于整张图像，综合不同小块的分析结果得出一个整体的结论，比如说一张癌症的图像可能包含有癌症的图块、正常的图块、炎症的图块，但综合分析之后整张图像属于癌症；另一方面只考虑区域级别的话一张图像里通常都会有一些分类错误的图块，但综合考虑全图级别的话就可以提高容错率。比如只有零星几块被误认为是癌症的区域，综合分析了全图特征之后还是可以得出这张图像是正常的结论。
进一步地，基于颜色空间的聚类方法对器官组织病理图像中的细胞核进行提取的过程包括：
将病理图像二值化，即像素值仅有0或255。设定聚类簇数K为2，从而实现细胞核与细胞浆的分割。其聚类过程如下：
将每一个像素点的像素值作为聚类的参照，随机选取两个像素点分别作为两个初始簇的聚类中心，所有像素点随机聚集形成两个初始簇；
分析除了聚类中心的其他像素与各聚类中心的欧式距离，将与各聚类中心的欧式距离小于阈值(即颜色最相似)的其他向量分别与对应的聚类中心聚集，形成新簇；
对于每个新簇，将组成新簇的像素点的像素值相加求平均，得到各新簇的聚类中心；
判断各新簇的聚类中心是否等于各初始簇的聚类中心。
若是等于，则聚类完成，即可区分处细胞核和细胞浆；
若是不等于，将该新簇的中心作为初始簇的聚类中心，返回之前分析像素点与各聚类中心之间欧式距离的步骤，并顺序执行，直至新簇的中心不再发生变化，则聚类完成，即可区分处细胞核和细胞浆。
在一个可选实施例中，对病理图像进行二值化，并基于区域生长法统计病理图像的连通区域数量作为细胞核数量。
其中，计算连通区域就是检查各像素与其相邻像素的连通性。二值化的图像的像素值为0或255，可以从左至右扫描一行，然后向下换行继续从左至右扫描，每扫描到一个像素，都检查像素位置的上、下、左、右的紧邻像素值，也可以是检查上、下、左、右、左上、右上、左下、右下的紧邻的像素值。
下面以上、下、左、右检查为例说明一下具体步骤：
假设当前位置的像素值为255，检查它左边和上边的两个邻接像素(这两个像素一定会在当前像素之前被扫描到)。这两个像素值和标记的组合有以下四种情况：
1)左边和上边的像素值都为0，则给当前位置的像素一个新的标记(表示一个新的连通域的开始)；
2)左边和上边只有一个像素值为255，则当前位置的像素与像素值为255的像素的标记相同；
3)左边和上边的像素值都为255且标记相同，则当前位置的像素的标记与左边和上边的像素的标记相同；
4)左边和上边的像素值为255且标记不同，则将其中的较小的标记赋给当前位置的像素，然后从右至左回溯到区域的开始像素为止，每次回溯再分别执行上述4个步骤。
通过以上4个步骤就可以把病理图像划分为不同的连通区域。
在一个可选实施例中，所述统计特征包括提取热力图的均值、灰度分布直方图的统计特征，例如直方图中概率最高的图块结合图块所处全图的位置来判断。基于多张由多个图块组成的全图(全图标注有对应不同的统计特征所对应的分类)来训练分类器，即可利用训练的分类器对整张图像进行类型分析和判断。
在一个可选实施例中，所述分类器为SVM分类器。
在一个可选实施例中，所述深度神经网络模型是pnasnet网络模型，pnasnet网络模型由预先准备的有类型标注的病理图像的图块作为训练集训练得到。pnasnet网络模型的结构如图3-A和图3-B所示，图3-A为pnasnet网络模型的网络结构，包括依次连接的一个卷积段、6个cell(细胞)段和softmax层。其中每个cell对应的stride为该cell中卷积操作的步长，参数N＝4，表示该cell段有4个cell层。
图3-B为任一个cell的结构，其中，sep 3x3，5x5,7x7分别表示3x3，5x5,7x7的深度可分离卷积结构，max 3x3表示3x3的max pooling(最大池化)结构，identity表示将输入直接输出给下一层，concat表示将各个输入连接，Hc-1表示前一个cell的输出，Hc-2表示Hc-1之前的cell的输出。
本发明还提供一种多层级的器官组织病理图像分析装置2，如图4所示，包括以下模块和单元：
细胞级别分析模块21，用于将器官组织病理图像转换到HSV空间，用基于颜色空间的聚类方法对器官组织病理图像中的细胞核进行提取，并给出数量统计；
区域级别分析模块22，用于将器官组织病理图像切分为多个图块，利用深度神经网络模型提取各图块的特征，输出图块的类型及分类的置信度；
全图级别分析模块23，用于将所有图块的分类结果构成该器官组织病理图像的热力图，热力图中的每个像素点对应于一个图块，像素值等于该图块分类的概率，提取该热力图的统计特征，并基于统计特征训练分类器，利用训练的分类器对整张图像进行类型分析和判断。
进一步地，细胞级别分析模块21包括HSV空间转换单元211和聚类单元212，HSV空间转换单元将病理图像转换为HSV空间并二值化，即像素值仅有0或255。聚类单元设定聚类簇数K为2，从而实现细胞核与细胞浆的分割。其聚类过程如下：
将每一个像素点的像素值作为聚类的参照，随机选取两个像素点分别作为两个初始簇的聚类中心，所有像素点随机聚集形成两个初始簇；
分析除了聚类中心的其他像素与各聚类中心的欧式距离，将与各聚类中心的欧式距离小于阈值(即颜色最相似)的其他向量分别与对应的聚类中心聚集，形成新簇；
对于每个新簇，将组成新簇的像素点的像素值相加求平均，得到各新簇的聚类中心；
判断各新簇的聚类中心是否等于各初始簇的聚类中心。
若是等于，则聚类完成，即可区分处细胞核和细胞浆；
若是不等于，将该新簇的中心作为初始簇的聚类中心，返回之前分析像素点与各聚类中心之间欧式距离的步骤，并顺序执行，直至新簇的中心不再发生变化，则聚类完成，即可区分处细胞核和细胞浆。
在一个可选实施例中，对病理图像进行二值化，并基于区域生长法统计病理图像的连通区域数量作为细胞核数量。
其中，计算连通区域就是检查各像素与其相邻像素的连通性。二值化的图像的像素值为0或255，可以从左至右扫描一行，然后向下换行继续从左至右扫描，每扫描到一个像素，都检查像素位置的上、下、左、右的紧邻像素值，也可以是检查上、下、左、右、左上、右上、左下、右下的紧邻的像素值。
下面以上、下、左、右检查为例说明一下具体步骤：
假设当前位置的像素值为255，检查它左边和上边的两个邻接像素(这两个像素一定会在当前像素之前被扫描到)。这两个像素值和标记的组合有以下四种情况：
1)左边和上边的像素值都为0，则给当前位置的像素一个新的标记(表示一个新的连通域的开始)；
2)左边和上边只有一个像素值为255，则当前位置的像素与像素值为255的像素的标记相同；
3)左边和上边的像素值都为255且标记相同，则当前位置的像素的标记与左边和上边的像素的标记相同；
4)左边和上边的像素值为255且标记不同，则将其中的较小的标记赋给当前位置的像素，然后从右至左回溯到区域的开始像素为止，每次回溯再分别执行上述4个步骤。
通过以上4个步骤就可以把病理图像划分为不同的连通区域。
进一步地，区域级别分析模块22包括切分单元221和图块分类单元222。切分单元221用于将器官组织病理图像切分为多个图块，图块分类单元222利用深度神经网络模型提取各图块的特征，输出图块的类型及分类的置信度。
图块分类单元222采用pnasnet网络模型提取该热力图的统计特征，并基于统计特征训练SVM分类器，利用训练的分类器对整张图像进行类型分析和判断。所述统计特征包括提取热力图的均值、灰度分布直方图的统计特征。
其中，pnasnet网络模型由预先准备的有类型标注的病理图像的图块作为训练集训练得到。pnasnet网络模型的结构如图3-A和图3-B所示，图3-A为pnasnet网络模型的网络结构，包括依次连接的一个卷积段、6个cell(细胞)段和softmax层。其中每个细胞(cell)对应的步长(stride)为该cell中卷积操作的步长，参数N＝4，表示该cell段有4个cell层。
图3-B为任一个cell的结构，其中，深度可分离卷积(sep)3x3，5x5,7x7分别表示3x3，5x5，7x7的深度可分离卷积结构，最大池化(max pooling)3x3表示3x3的最大池化结构，identity(恒等)表示将输入直接输出给下一层，连接(concat)表示将各个输入连接，Hc -1表示前一个cell的输出，Hc-2表示Hc-1之前的cell的输出。
全图级别分析模块23包括热力图构建单元231和全图分类单元232。热力图构建单元231用于将所有图块的分类结果构成该器官组织病理图像的热力图，热力图中的每个像素点对应于一个图块，像素值等于该图块分类的概率。全图分类单元232提取该热力图的统计特征，并基于统计特征训练分类器，利用训练的分类器对整张图像进行类型分析和判断。
以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种多层级的器官组织病理图像分析方法，其特征在于，包括以下步骤：
从细胞级别方面：将器官组织病理图像转换到HSV空间，用基于颜色空间的聚类方法对器官组织病理图像中的细胞核进行提取，并给出数量统计；
从区域级别方面：将器官组织病理图像切分为多个图块，利用深度神经网络模型提取各图块的特征，输出图块的类型及分类的置信度；
从全图级别方面：将所有图块的分类结果构成该器官组织病理图像的热力图，热力图中的每个像素点对应于一个图块，每个像素点的像素值等于该图块分类对应的概率，提取该热力图的统计特征，并基于统计特征训练分类器，利用训练的分类器对整张图像进行类型分析和判断。
2.如权利要求1所述的多层级的器官组织病理图像分析方法，其特征在于：
基于颜色空间的聚类方法对器官组织病理图像中的细胞核进行提取的过程包括：
用基于颜色的Kmeans聚类方法将每个像素作为HSV空间的一个三维数据点，按照指定的聚类簇数K，随机选择K个聚类中心，将每个像素归于距离最近的中心所属的类别，再重新计算每类的中心，如此迭代，直到聚类中心不再变化。
3.如权利要求1所述的多层级的器官组织病理图像分析方法，其特征在于：
聚类簇数K为2，实现细胞核与细胞浆的分割。
4.如权利要求2所述的多层级的器官组织病理图像分析方法，其特征在于：
对病理图像进行二值化，并基于区域生长法统计病理图像的连通区域数量作为细胞核数量。
5.如权利要求4所述的多层级的器官组织病理图像分析方法，其特征在于：
区域生长法按从左至右、从上至下的顺序，对整幅病理图像进行扫描，通过比较每一个像素的邻域进行连通区域标记，从而提取出各细胞核，并统计连通区域的数量，确定细胞核的数量。
6.如权利要求1所述的多层级的器官组织病理图像分析方法，其特征在于：
所述统计特征包括提取热力图的均值、灰度分布直方图的统计特征。
7.如权利要求1所述的多层级的器官组织病理图像分析方法，其特征在于：
所述分类器为SVM分类器。
8.如权利要求1所述的多层级的器官组织病理图像分析方法，其特征在于：
所述深度神经网络模型是pnasnet网络模型，pnasnet网络模型由预先准备的有类型标注的病理图像的图块作为训练集训练得到。
9.一种多层级的器官组织病理图像分析装置，其特征在于，包括：
细胞级别分析模块，用于将器官组织病理图像转换到HSV空间，用基于颜色空间的聚类方法对器官组织病理图像中的细胞核进行提取，并给出数量统计；
区域级别分析模块，用于将器官组织病理图像切分为多个图块，利用深度神经网络模型提取各图块的特征，输出图块的类型及分类的置信度；
全图级别分析模块，用于将所有图块的分类结果构成该器官组织病理图像的热力图，热力图中的每个像素点对应于一个图块，每个像素点的像素值等于该图块分类对应的概率，提取该热力图的统计特征，并基于统计特征训练分类器，利用训练的分类器对整张图像进行类型分析和判断。
CN201910461728.7A 2019-05-30 2019-05-30 多层级的器官组织病理图像分析方法及分析装置 Pending CN110232410A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910461728.7A CN110232410A (zh) 2019-05-30 2019-05-30 多层级的器官组织病理图像分析方法及分析装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910461728.7A CN110232410A (zh) 2019-05-30 2019-05-30 多层级的器官组织病理图像分析方法及分析装置

Publications (1)

Publication Number Publication Date
CN110232410A true CN110232410A (zh) 2019-09-13

Family

ID=67858192

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910461728.7A Pending CN110232410A (zh) 2019-05-30 2019-05-30 多层级的器官组织病理图像分析方法及分析装置

Country Status (1)

Country Link
CN (1) CN110232410A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111091539A (zh) * 2019-12-09 2020-05-01 上海联影智能医疗科技有限公司 网络模型训练、医学图像处理方法、装置、介质及设备
CN113010626A (zh) * 2021-04-27 2021-06-22 威创集团股份有限公司 一种热力图生成方法、装置、设备和存储介质
CN113077001A (zh) * 2021-04-07 2021-07-06 西南大学 一种基于生成型张量网络的医学图像分类系统
CN114549532A (zh) * 2022-04-27 2022-05-27 珠海市人民医院 一种基于医学图像处理的脑缺血辅助分析方法及系统
CN114708362A (zh) * 2022-03-02 2022-07-05 透彻影像(北京)科技有限公司 一种基于web的人工智能预测结果的展示方法
CN116580216A (zh) * 2023-07-12 2023-08-11 北京大学 病理图像匹配方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106780522A (zh) * 2016-12-23 2017-05-31 杭州华卓信息科技有限公司 一种基于深度学习的骨髓液细胞分割方法
US10019656B2 (en) * 2013-11-06 2018-07-10 Lehigh University Diagnostic system and method for biological tissue analysis
CN108564567A (zh) * 2018-03-15 2018-09-21 中山大学 一种超高分辨率病理图像癌变区域可视化方法
CN109493954A (zh) * 2018-12-20 2019-03-19 广东工业大学 一种基于类别判别定位的sd-oct图像视网膜病变检测系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10019656B2 (en) * 2013-11-06 2018-07-10 Lehigh University Diagnostic system and method for biological tissue analysis
CN106780522A (zh) * 2016-12-23 2017-05-31 杭州华卓信息科技有限公司 一种基于深度学习的骨髓液细胞分割方法
CN108564567A (zh) * 2018-03-15 2018-09-21 中山大学 一种超高分辨率病理图像癌变区域可视化方法
CN109493954A (zh) * 2018-12-20 2019-03-19 广东工业大学 一种基于类别判别定位的sd-oct图像视网膜病变检测系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘天昊: "《基于深度卷积神经网络的细胞核分割》", 《CNKI数据库》 *
薛河儒 等: "《牛乳体细胞显微图像处理》", 31 December 2018, 中国铁道出版社 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111091539A (zh) * 2019-12-09 2020-05-01 上海联影智能医疗科技有限公司 网络模型训练、医学图像处理方法、装置、介质及设备
CN111091539B (zh) * 2019-12-09 2024-03-26 上海联影智能医疗科技有限公司 网络模型训练、医学图像处理方法、装置、介质及设备
CN113077001A (zh) * 2021-04-07 2021-07-06 西南大学 一种基于生成型张量网络的医学图像分类系统
CN113010626A (zh) * 2021-04-27 2021-06-22 威创集团股份有限公司 一种热力图生成方法、装置、设备和存储介质
CN113010626B (zh) * 2021-04-27 2023-12-05 威创集团股份有限公司 一种热力图生成方法、装置、设备和存储介质
CN114708362A (zh) * 2022-03-02 2022-07-05 透彻影像(北京)科技有限公司 一种基于web的人工智能预测结果的展示方法
CN114549532A (zh) * 2022-04-27 2022-05-27 珠海市人民医院 一种基于医学图像处理的脑缺血辅助分析方法及系统
CN116580216A (zh) * 2023-07-12 2023-08-11 北京大学 病理图像匹配方法、装置、设备及存储介质
CN116580216B (zh) * 2023-07-12 2023-09-22 北京大学 病理图像匹配方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN110232410A (zh) 多层级的器官组织病理图像分析方法及分析装置
CN107067402B (zh) 医疗图像处理装置及其乳房图像处理方法
George et al. Remote computer-aided breast cancer detection and diagnosis system based on cytological images
CN112101451B (zh) 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法
Zhang et al. Automated semantic segmentation of red blood cells for sickle cell disease
CN106056595B (zh) 基于深度卷积神经网络自动识别甲状腺结节良恶性的辅助诊断系统
US9741112B2 (en) Generating image-based diagnostic tests by optimizing image analysis and data mining of co-registered images
US9159129B2 (en) Generating image-based diagnostic tests by optimizing image analysis and data mining of co-registered images
US8699769B2 (en) Generating artificial hyperspectral images using correlated analysis of co-registered images
Chekkoury et al. Automated malignancy detection in breast histopathological images
CN111986150B (zh) 一种数字病理图像的交互式标注精细化方法
CN108898175A (zh) 基于深度学习胃癌病理切片的计算机辅助模型构建方法
CN111798425B (zh) 基于深度学习的胃肠道间质瘤中核分裂象智能检测方法
CN107066829A (zh) 基于云计算的病理分析系统及方法
CN110245657A (zh) 病理图像相似性检测方法及检测装置
CN111931811A (zh) 一种基于超像素图像相似度的计算方法
Xu et al. Using transfer learning on whole slide images to predict tumor mutational burden in bladder cancer patients
CN107909102A (zh) 一种组织病理图像的分类方法
Maitra et al. Automated digital mammogram segmentation for detection of abnormal masses using binary homogeneity enhancement algorithm
CN108765411B (zh) 一种基于影像组学的肿瘤分型系统
Mercan et al. Deep feature representations for variable-sized regions of interest in breast histopathology
CN112785603A (zh) 一种基于Unet和超像素的脑组织分割方法
WO2021183765A1 (en) Automated detection of tumors based on image processing
Kalkan et al. Automated colorectal cancer diagnosis for whole-slice histopathology
CN111554381A (zh) 一种基于深度学习的肾透明细胞癌人工智能病理诊断方法及其诊断模型

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: 20190913