CN110322436B - 医学图像处理方法、装置、存储介质及设备 - Google Patents
医学图像处理方法、装置、存储介质及设备 Download PDFInfo
- Publication number
- CN110322436B CN110322436B CN201910532706.5A CN201910532706A CN110322436B CN 110322436 B CN110322436 B CN 110322436B CN 201910532706 A CN201910532706 A CN 201910532706A CN 110322436 B CN110322436 B CN 110322436B
- Authority
- CN
- China
- Prior art keywords
- image
- region
- medical image
- pathological sample
- information
- 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.)
- Active
Links
Images
Classifications
-
- 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
- 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
- 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
- G06T7/187—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
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及医学图像分析技术领域，尤其涉及一种医学图像处理方法、装置、存储介质及设备。所述医学图像处理方法包括：获取医学图像，对所述医学图像进行数字化处理得到数字医学图像；对所述数字医学图像中的各个区域进行特征识别，得到每个区域对应的图像特征，所述图像特征包括：颜色特征、形态特征、纹理特征中的至少一种；根据各个区域对应的图像特征将所述数字医学图像中的区域分为多个类别，具有相同或相似图像特征的区域属于同一类别。本发明自动化、快捷、准确的识别出病理图像区域，提高了医生工作效率，提高了诊断准确性。
Description
技术领域
本发明涉及医学图像分析技术领域，尤其涉及一种医学图像处理方法、装置、存储介质及设备。
背景技术
病理学诊断中依靠医学图像的形态学来识别细胞，与组织中各类细胞的含量、分布、形态等异常的表现，从而结合临床资料确定疾病的良恶性、类型分组、恶性程度、判断预后、指导临床治疗等。病理学诊断的方法类别较多，其中以图像诊断为一大类别，包括HE染色、巴氏染色、特殊染色、免疫组化、免疫荧光、电子显微镜等医学图像。
人工智能、机器学习、深度学习等多种计算机技术已逐渐广泛应用于自然图像识别的领域，目前人工智能在肺CT影像中已取得相应的进展。随着算力及算法的不断迭代与提升，未来对于依靠人类经验识别的自然图像领域将会有更深入的发展。面临着巨大前景的同时，我们也同样面临着巨大的挑战：一、大量的自然医学图像没有足够的病理图像区域的样本，让机器学习从监督学习到无监督学习的方式困难重重，现阶段的机器学习方法仍然以强监督学习模式为主，提供大量有效的病理图像区域的样本数据是实现这一学习模式的关键；二、识别病理图像区域工作异常繁琐，一位高年资的病理医生看一张HE切片并确定诊断的时间可能仅需几秒钟，但如果让他使用电脑工具进行软件识别出病理图像区域的样本，所花费的时间可能需要几分钟到几十个小时；三、不同医生之间识别时间、认真程度与识别质量的结果存在差异，高年资的医生因担任着课题研究或者更多量的工作任务没有充裕的时间去完成识别任务，而有较充裕时间的低年资医生又缺乏诊断经验对一部分相对较难的病例识别可能存在失误的风险；四、人的不稳定性导致难以确保一致性，即便是同一个医生在不同的时间段对重复的一个病例在识别上也存在差异。因此，如何自动化、快捷、准确的识别出病理图像区域而让医生只从事相对简洁而不费时的审核工作变得尤为重要。
发明内容
基于此，有必要针对上述问题，提出了一种医学图像处理方法、装置、存储介质及设备。
第一方面，本发明提供了一种医学图像处理方法，所述方法包括：
获取医学图像，对所述医学图像进行数字化处理得到数字医学图像；
对所述数字医学图像中的各个区域进行特征识别，得到每个区域对应的图像特征，所述图像特征包括：颜色特征、形态特征、纹理特征中的至少一种；
根据各个区域对应的图像特征将所述数字医学图像中的区域分为多个类别，具有相同或相似图像特征的区域属于同一类别。
进一步的，所述方法还包括：
获取每个类别对应的标注信息；
获取预设的具有相似关系的至少两个标注信息；
在所述数字医学图像中将所述具有相似关系的至少两个标注信息对应的区域归为同一类；
将相邻的对应于同一类的区域进行连通，得连通区域，每个连通区域对应同一类别。
进一步的，在所述将相邻的对应于同一类的区域进行连通，得连通区域，每个连通区域对应同一类别之后，还包括：
将所述连通区域的边缘用标记线进行标记。
进一步的，所述方法还包括：
对每个所述区域进行噪点检测，确定所述区域中包含的噪点；
获取所述噪点周围的图像特征信息，根据所述周围的图像特征信息更新所述噪点对应的图像特征信息。
进一步的，在所述获取所述噪点周围的图像特征信息，根据所述周围的图像特征信息更新所述噪点对应的图像特征信息之后，包括：
获取噪点容忍阈值；
当更新后的噪点的图像特征信息对应的噪点差异值大于所述噪点容忍阈值时，则对所述更新后的噪点的图像特征信息进行调整，直至调整后的噪点差异值小于所述噪点容忍阈值。
进一步的，所述方法还包括：
获取每个类别对应的标注信息；
将包含有标注信息的区域作为病理样本，存入相应的病理样本集。
进一步的，所述将包含有标注信息的区域作为病理样本，存入相应的病理样本集具体包括：
根据区域对应的图像特征在所述病理样本集进行检索得出近似病理样本；
当没有检索到近似病理样本时，将包含有标注信息的区域作为病理样本，存入相应的病理样本集；
当检索到近似病理样本时，根据所述近似病理样本、所述区域的图像特征及标注信息更新病理样本集。
进一步的，所述当检索到近似病理样本时，根据所述近似病理样本、区域的图像特征及标注信息更新病理样本集具体包括：
将所述近似病理样本的标注信息与所述区域对应的标注信息进行比较，若相同则结束，若不同则获取病理样本集的标注人信息；
当所述病理样本集的标注人信息与所述类别对应的标注人信息相同时，获取覆盖确认信息，根据所述覆盖确认信息更新病理样本集；
当所述病理样本集的标注人信息与所述类别对应的标注人信息不相同时，根据所述病理样本集、所述区域的图像特征及标注信息更新争议标注列表，所述争议标注列表包括与区域的对应的图像特征、标注信息、近似病理样本。
进一步的，所述方法还包括：
根据同一类别区域对应的图像特征在所述病理样本集检索得出近似病理样本；
将近似病理样本的标注信息作为所述类别区域对应的图像特征标注信息；
根据类别区域对应的图像特征标注信息得出已标注区域图像列表；
根据未检索到的近似病理样本的类别区域对应的图像特征得出未标注区域图像列表。
第二方面，本发明还提供了一种医学图像处理装置，所述装置包括：
医学图像管理模块，用于获取医学图像，对所述医学图像进行数字化处理得到数字医学图像；
图像特征识别模块，用于对所述数字医学图像中的各个区域进行特征识别，得到每个区域对应的图像特征，所述图像特征包括：颜色特征、形态特征、纹理特征中的至少一种；
类别提取模块，用于根据各个区域对应的图像特征将所述数字医学图像中的区域分为多个类别，具有相同或相似图像特征的区域属于同一类别。
进一步的，所述医学图像处理装置还包括：
病理样本集管理模块，用于记录病理样本集；
病理样本集构建模块，用于获取每个类别对应的标注信息，将包含有标注信息的区域作为病理样本，存入相应的病理样本集。
第三方面，本发明还提供了一种存储介质，存储有计算机指令程序，所述计算机指令程序被处理器执行时，使得所述处理器执行第一方面任一项所述方法的步骤。
第四方面，本发明还提供了.一种计算机设备，包括至少一个存储器、至少一个处理器，所述存储器存储有计算机指令程序，所述计算机指令程序被所述处理器执行时，使得所述处理器执行第一方面任一项所述方法的步骤。
综上所述，所述医学图像处理方法包括获取医学图像，对所述医学图像进行数字化处理得到数字医学图像；对所述数字医学图像中的各个区域进行特征识别，得到每个区域对应的图像特征，所述图像特征包括：颜色特征、形态特征、纹理特征中的至少一种；根据各个区域对应的图像特征将所述数字医学图像中的区域分为多个类别，具有相同或相似图像特征的区域属于同一类别。本发明通过自动化实现医学图像的数字化处理、识别每个区域对应的图像特征、把相同或相似图像特征的区域进行归类得出病理图像区域，从而后续让医生只从事相对简洁而不费时的审核工作。因此，本发明自动化、快捷、准确的识别出病理图像区域，提高了医生工作效率，提高了诊断准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
其中：
图1为一个实施例中医学图像处理方法的流程图；
图2为另一个实施例中医学图像处理方法的流程图；
图3为一个实施例中医学图像处理方法的噪点处理的流程图；
图4为一个实施例中医学图像处理方法的噪点多重特征维度处理方法的流程图；
图5为一个实施例中医学图像处理方法的交叉的区域处理效果示意图；
图6为一个实施例中医学图像处理方法的病理样本集更新方法的流程图；
图7为一个实施例中医学图像处理方法的病理样本集使用方法的流程图；
图8为一个实施例中医学图像处理装置的结构框图；
图9为一个实施例中计算机设备的结构框图。
具体实施方式
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实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1示出了本实施例提供了一种医学图像处理方法，通过自动化实现医学图像的数字化处理、识别每个区域对应的图像特征、把相同或相似图像特征的区域进行归类得出病理图像区域，从而后续让医生只从事相对简洁而不费时的审核工作。所述医学图像处理方法具体包括如下步骤：
S102、获取医学图像，对所述医学图像进行数字化处理得到数字医学图像；
所述医学图像是对人体或人体某部分内部组织以HE染色、巴氏染色、特殊染色、免疫组化、免疫荧光、电子显微镜等非侵入方式取得的图像，用于结合临床资料进行病理学诊断确定疾病的良恶性、类型分组、恶性程度、判断预后、指导临床治疗等。
其中，所述数字化处理是指根据所述医学图像的像素点进行数字转化，得到的数字医学图像的信息包括像素点位置、像素点的RGB值。在另一个实施例中，所述医学图像还携带有图像提取方式、组织对应部位，得到的数字医学图像的信息包括像素点位置、像素点的RGB值、图像提取方式、组织对应部位，图像提取方式包括HE染色、巴氏染色、特殊染色、免疫组化、免疫荧光、电子显微镜中的任一种，组织对应部位包括肺部、心脏等，在此只做举例不作具体限定。
图像的色彩是通过红黄蓝三原色通过不同的比例进行混合而成的，红、黄、蓝三种原色的色调值都在0到255。通过红、黄、蓝三种原色不同比例的混合形成一张彩色图像，也就是说看到的一张数字图像，其在计算机存储中就是一堆数字符号，可转变为0101010的计算机二进制语言。
S104、对所述数字医学图像中的各个区域进行特征识别，得到每个区域对应的图像特征，所述图像特征包括：颜色特征、形态特征、纹理特征中的至少一种；
具体而言，将医学图像分割成小图片或微图片，对小图片或微图片逐个识别图像特征。其中，图像特征包括颜色特征、形态特征、纹理特征中的至少一种，方法简单，成本低；在另一个实施例中，图像特征包括颜色特征、形态特征、纹理特征，通过颜色特征、形态特征、纹理特征更准确的表述了人体或人体某部分内部组织的图像的特征，从而提高了医学图像处理方法的准确性。
所述颜色特征是指全局特征,描述了图像或图像区域所对应的人体或人体某部分的内部组织图像的表面性质，是基于像素点的特征，比如像素点的RGB值，可以通过颜色直方图、颜色集、颜色矩等方法对医学图像颜色特征进行提取。
所述形态特征是指感兴趣区域的形状特征，通过面积、周长、圆形度、长宽比、矩、边心矩、傅立叶描绘子、偏心率、紧凑度等描述，可以通过边界特征法、傅里叶形状描述符法等方法对医学图像形态特征进行提取。
所述纹理特征是指全局特征，纹理能够对视觉图像中不同区域的结构、方向、粒度和规则性的差异进行有效的描述，是图像像素灰度或颜色的某种变化，需要在包含多个像素点的区域中进行统计计算。可以通过灰度共生矩阵(GLCM)、图像的能量谱函数、半方差图(semivariogram)等方法对医学图像的纹理特征进行提取。
S106、根据各个区域对应的图像特征将所述数字医学图像中的区域分为多个类别，具有相同或相似图像特征的区域属于同一类别。
具体而言，根据各个区域对应的颜色特征、形态特征、纹理特征中的至少一种将所述数字医学图像中的区域分为多个类别，具有相同或相似图像特征的区域属于同一类别，从而有利于基于该类别可以快速进行病理学诊断相关的统计分析。
其中，依据染色分类可分为黄色、蓝色、红色的三类、依据形态特征分类可分为圆形、三角形、线条形，综合颜色特征、形态特征可精确分为9类：黄色圆形、蓝色圆形、红色圆形、黄色三角形、蓝色三角形、红色三角形、黄色线条形、蓝色线条形、红色线条形。可以理解的是，综合颜色特征、形态特征、纹理特征可划分为多类，在此只做举例不作具体限定。
所述相似图像特征的区域是指区域内的图像特征近似度比较高，比如：纹理相同、颜色色值比较相近、形态相近的可以视为相似图像特征的区域，在病理学诊断中纹理特征相近、颜色RGB值比较接近、形态特征相近的区域具有相同的病理，从而在不影响病理学诊断准确性的基础上减少需要识别的区域，提高了医学图像处理方法的效率。
在一个实施例中，图2示出了一种所述医学图像处理方法，具体包括如下步骤：
S202、获取医学图像，对所述医学图像进行数字化处理得到数字医学图像；
S204、对所述数字医学图像中的各个区域进行特征识别，得到每个区域对应的图像特征，所述图像特征包括：颜色特征、形态特征、纹理特征中的至少一种；
S206、根据各个区域对应的图像特征将所述数字医学图像中的区域分为多个类别，具有相同或相似图像特征的区域属于同一类别；
S208、获取每个类别对应的标注信息；
其中，根据类别对应的区域的图像特征从病理样本集中检索出近似病理样本，把近似病理样本的标注信息作为与类别对应的区域的标注信息。
在另一个实施例中，根据区域对应的图像特征、当前医学图像的图像提取方式及组织对应部位从病理样本集中检索出近似病理样本，把近似病理样本的标注信息作为与类别对应的区域的标注信息。
所述标注信息根据临床资料确定疾病的良恶性、类型分组(组织学分型)、恶性程度、判断预后、指导临床治疗等对数字医学图像中的区域进行的识别和标注，从而有利于基于该标识信息进行快速病理学诊断；比如，所述标注信息包括：病理类、医生诊断、标注人信息，病理类包括肿瘤、非肿瘤，医生诊断包括良性肿瘤、恶性肿瘤、早期癌症、中期癌症、晚期癌症、未知病变(非肿瘤性病变及其他病变)，标注信息在此只做举例不作具体限定。
所述病理样本集记录了已经识别并标注的病理样本，病理样本中包括医学图像特征、标注信息。
S210、获取预设的具有相似关系的至少两个标注信息；
具体而言，是获取具有相似病理类的至少两个与类别对应的区域的标注信息；
S212、在所述数字医学图像中将所述具有相似关系的至少两个标注信息对应的区域归为同一类；
具体而言，在所述数字医学图像中将所述具有相似关系的至少两个标注信息对应的区域归为同一病理类。
S214、将相邻的对应于同一类的区域进行连通，得连通区域，每个连通区域对应同一类别。
具体而言，将相邻的并且具有同一病理类的区域进行连通得到连通区域。该连通区域与周围的其他区域差异性较大，通过该该连通区域可以尽可能准确的诊断出病理的严重性，从而有利于提高病理学诊断的准确性。
在一个实施例中，在所述将相邻的对应于同一类的区域进行连通，得连通区域，每个连通区域对应同一类别之后，还包括：将所述连通区域的边缘用标记线进行标记。其中，不同连通区域采用的标记线的宽度和颜色不同，从而有利于在医学图像上快速找到感兴趣的连通区域。
在另一个实施例中，相同类别的连通区域对应的标记线的宽度和颜色相同，不同类别的连通区域的标记线的颜色不同，从而有利于在医学图像上快速找到感兴趣的类别的区域，提高了效率。
可以理解的是，标记线的颜色与区域内的图像的颜色差异较大，以便从视觉效果能快速识别出标记线。标记线可以是在紧贴区域外边缘增加，也可以位于区域最边缘上。
在一个实施例中，图3提出了一种所述医学图像处理方法，具体包括如下步骤：
S402、获取医学图像，对所述医学图像进行数字化处理得到数字医学图像；
S404、对所述数字医学图像中的各个区域进行特征识别，得到每个区域对应的图像特征，所述图像特征包括：颜色特征、形态特征、纹理特征中的至少一种；
S406、根据各个区域对应的图像特征将所述数字医学图像中的区域分为多个类别，具有相同或相似图像特征的区域属于同一类别；
S408、对每个所述区域进行噪点检测，确定所述区域中包含的噪点；
其中，所述噪点是指与类别对应的区域的颜色特征、纹理特征差异较大的区域；在另一个实施例中，所述噪点是指医学图像内相邻的类别对应的区域交叉的区域。可以理解的是噪点也叫图像的噪声，图像的噪声可以通过基于PCA分析的高斯噪声检测方法、基于SDN模型的噪声检测方法等方法检测识别出噪点。基于PCA分析的高斯噪声检测方法将实际图像中的噪声估计为addictive white Gaussian noise(AWGN)，通过寻找图像中的弱纹理图像块，计算其协方差矩阵的最小特征值来估计高斯噪声的方差从而判定噪声的程度，该方法对于高斯噪声非常敏感，与人肉眼的评价非常相近。
S410、获取所述噪点周围的图像特征信息，根据所述周围的图像特征信息更新所述噪点对应的图像特征信息。
具体而言，获取所述噪点周围的图像特征信息，根据所述周围的图像特征信息对噪点进行优化，把优化后的噪点图像特征信息更新为所述噪点对应的图像特征信息。从而减少与类别对应的区域的噪点，提升了医学图像处理方法的效率。
其中，所述噪点进行优化采用周围八方均值法去除噪点，周围八方均值法是指把噪点周围八方像素点的平均值作为优化后的噪点图像特征信息。
在另一个实施例中，采用加深或者减弱噪点的颜色特征来对噪点进行优化。比如噪点颜色是浅红色无纹理，噪点周围的图像特征是红色无纹理，则把噪点颜色加深调整成红色。
在一个实施例中，请参阅图4，在所述获取所述噪点周围的图像特征信息，根据所述周围的图像特征信息更新所述噪点对应的图像特征信息之后，还包括：
S502、获取噪点容忍阈值；
所述噪点容忍阈值是指可以接受的噪点的最高值。具体而言，噪点容忍阈值为区域面积的1％至5％时，不会影响医学图像处理方法的的准确性。
S504、当更新后的噪点的图像特征信息对应的噪点差异值大于所述噪点容忍阈值时，则对所述更新后的噪点的图像特征信息进行调整，直至调整后的噪点差异值小于所述噪点容忍阈值。
具体而言，当更新后的噪点的图像特征信息对应的噪点差异值大于所述噪点容忍阈值时，利用多重特征维度对所述更新后的噪点的图像特征信息进行调整，直至调整后的噪点差异值小于所述噪点容忍阈值。
在处理图像上，如仅以一层维度为基础，可能出现较大的相邻的类别对应的区域交叉的区域，而利用多重特征维度的处理，可降低噪点的出现。
所述利用多重特征维度对所述更新后的噪点的图像特征信息进行调整具体包括：重复步骤S404至步骤S410直至调整后的噪点差异值小于所述噪点容忍阈值。比如,图5中区域B分别和区域A、区域C相邻并交叉，左图(未处理的区域示意图)利用多重特征维度优化减少了区域B与区域A及区域C的交叉区域的面积即右图(处理后的区域示意图)。
在一个实施例中，图6示出提出了一种所述医学图像处理方法，所述方法在上述任一实施例之后还包括：
S602、获取每个类别对应的标注信息；
具体而言，把与类别对应的区域的图像发送给具有标注权限的用户，获取该用户对所述与类别对应的区域的图像的标注信息。
S604、将包含有标注信息的区域作为病理样本，存入相应的病理样本集。
具体而言，把区域的图像特征信息、标注信息、图像提取方式、组织对应部位存入相应的病理样本集。通过形成病理样本集，提高了医学图像处理方法的效率。
在一个实施例中，所述将包含有标注信息的区域作为病理样本，存入相应的病理样本集具体包括：根据区域对应的图像特征在所述病理样本集进行检索得出近似病理样本；当没有检索到近似病理样本时，将包含有标注信息的区域作为病理样本，存入相应的病理样本集；当检索到近似病理样本时，根据所述近似病理样本、所述区域的图像特征及标注信息更新病理样本集。从而减少标注工作量，让医生只从事相对简洁而不费时的审核工作。
在另一个实施例中，所述当检索到近似病理样本时，根据所述近似病理样本、区域的图像特征及标注信息更新病理样本集具体包括：将所述近似病理样本的标注信息与所述区域对应的标注信息进行比较，若相同则结束，若不同则获取病理样本集的标注人信息；当所述病理样本集的标注人信息与所述类别对应的标注人信息相同时，获取覆盖确认信息，根据所述覆盖确认信息更新病理样本集；当所述病理样本集的标注人信息与所述类别对应的标注人信息不相同时，根据所述病理样本集、所述区域的图像特征及标注信息更新争议标注列表，所述争议标注列表包括与区域的对应的图像特征、标注信息、近似病理样本。通过争议标注列表确保病理样本集的准确性。
其中，在当所述病理样本集的标注人信息与所述类别对应的标注人信息不相同时，根据所述病理样本集、所述区域的图像特征及标注信息更新争议标注列表，所述争议标注列表包括与区域的对应的图像特征、标注信息、近似病理样本之后，还包括：发送所述争议标注列表近似病理样本的标注人；获取近似病理样本的标注人的覆盖确认信息；当覆盖确认信息为覆盖时将所述区域的图像特征及标注信息更新病理样本集；当覆盖确认信息为不覆盖时，发送所述争议标注列表给具有较高权限的标注人，获取具有较高权限的标注人的覆盖确认信息，根据具有较高权限的标注人的覆盖确认信息更新病理样本集。从而进一步提高了病理样本集的准确性和权威性，提高了医学图像处理方法的准确性。
在一个实施例中，图7示出了一种所述医学图像处理方法，所述方法在上述任一实施例之后还包括：
902、根据同一类别区域对应的图像特征在所述病理样本集检索得出近似病理样本；
其中，根据类别对应的区域的颜色特征、形态特征、纹理特征中的至少一种从病理样本集中检索出近似病理样本。
在另一个实施例中，根据区域对应的颜色特征、形态特征、纹理特征中的至少一种、当前医学图像的图像提取方式及组织对应部位从病理样本集中检索出近似病理样本。
904、将近似病理样本的标注信息作为所述类别区域对应的图像特征标注信息；
具体而言，将检索出的近似病理样本的标注信息作为所述类别区域对应的图像特征标注信息。
906、根据类别区域对应的图像特征标注信息得出已标注区域图像列表；
所述已标注区域图像列表包括与区域的对应的图像特征、近似病理样本的标注信息，用于方便用户查阅。从而实现了自动化出病理图像区域，让医生只从事相对简洁而不费时的审核工作；而且因病理样本集准确性较高，提高了医生病理学诊断的准确性和一致性。
908、根据未检索到的近似病理样本的类别区域对应的图像特征得出未标注区域图像列表。
所述未标注区域图像列表包括与区域的对应的图像特征，方便医生快速诊断。
在一个实施例中，图8示出了一种医学图像处理装置，从而后续让医生只从事相对简洁而不费时的审核工作，所述装置包括：
医学图像管理模块801，用于获取医学图像，对所述医学图像进行数字化处理得到数字医学图像；
图像特征识别模块802，用于对所述数字医学图像中的各个区域进行特征识别，得到每个区域对应的图像特征，所述图像特征包括：颜色特征、形态特征、纹理特征中的至少一种；
类别提取模块803，用于根据各个区域对应的图像特征将所述数字医学图像中的区域分为多个类别，具有相同或相似图像特征的区域属于同一类别。
所述医学图像处理装置通过自动化实现医学图像的数字化处理、识别每个区域对应的图像特征、把相同或相似图像特征的区域进行归类得出病理图像区域，自动化、快捷、准确的识别出病理图像区域，提高了医生工作效率，提高了诊断准确性。
在一个实施例中，所述医学图像处理装置还包括：
病理样本集管理模块804，用于记录病理样本集；
病理样本集构建模块805，用于获取每个类别对应的标注信息，将包含有标注信息的区域作为病理样本，存入相应的病理样本集。
在一个实施例中，所述医学图像处理装置还包括：
争议病理管理模块806，用于发送所述争议标注列表近似病理样本的标注人；获取近似病理样本的标注人的覆盖确认信息；当覆盖确认信息为覆盖时将所述区域的图像特征及标注信息更新病理样本集；当覆盖确认信息为不覆盖时，发送所述争议标注列表给具有较高权限的标注人，获取具有较高权限的标注人的覆盖确认信息，根据具有较高权限的标注人的覆盖确认信息更新病理样本集。
图像去噪模块807，用于对每个所述区域进行噪点检测，确定所述区域中包含的噪点；获取所述噪点周围的图像特征信息，根据所述周围的图像特征信息更新所述噪点对应的图像特征信息；获取噪点容忍阈值；当更新后的噪点的图像特征信息对应的噪点差异值大于所述噪点容忍阈值时，则对所述更新后的噪点的图像特征信息进行调整，直至调整后的噪点差异值小于所述噪点容忍阈值。
图9示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是服务器和终端设备，所述服务器包括但不限于高性能计算机和高性能计算机集群；所述终端设备包括但不限于移动终端设备和台式终端设备，所述移动终端设备包括但不限于手机、平板电脑、智能手表和笔记本电脑，所述台式终端设备包括但不限于台式电脑和车载电脑。如图9所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现医学图像处理方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行医学图像处理方法。本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，本申请提供的医学图像处理方法可以实现为一种计算机程序的形式，计算机程序可在如图9所示的计算机设备上运行。计算机设备的存储器中可存储组成医学图像处理装置的各个程序模板。比如，医学图像管理模块801、图像特征识别模块802、类别提取模块803、病理样本集管理模块804、病理样本集构建模块805、争议病理管理模块806、图像去噪模块807。
一种存储介质，存储有计算机指令程序，所述计算机指令程序被处理器执行时，所述计算机程序被处理器执行时实现如下步骤：获取医学图像，对所述医学图像进行数字化处理得到数字医学图像；对所述数字医学图像中的各个区域进行特征识别，得到每个区域对应的图像特征，所述图像特征包括：颜色特征、形态特征、纹理特征中的至少一种；根据各个区域对应的图像特征将所述数字医学图像中的区域分为多个类别，具有相同或相似图像特征的区域属于同一类别。
一种计算机设备，包括至少一个存储器、至少一个处理器，所述存储器存储有计算机指令程序，所述计算机指令程序被所述处理器执行时，使得所述处理器执行实现如下步骤：获取医学图像，对所述医学图像进行数字化处理得到数字医学图像；对所述数字医学图像中的各个区域进行特征识别，得到每个区域对应的图像特征，所述图像特征包括：颜色特征、形态特征、纹理特征中的至少一种；根据各个区域对应的图像特征将所述数字医学图像中的区域分为多个类别，具有相同或相似图像特征的区域属于同一类别。
需要说明的是，上述医学图像处理方法、医学图像处理装置、计算机设备及计算机可读存储介质属于一个总的发明构思，医学图像处理方法、医学图像处理装置、计算机设备及计算机可读存储介质实施例中的内容可相互适用。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上所述，所述医学图像处理方法包括获取医学图像，对所述医学图像进行数字化处理得到数字医学图像；对所述数字医学图像中的各个区域进行特征识别，得到每个区域对应的图像特征，所述图像特征包括：颜色特征、形态特征、纹理特征中的至少一种；根据各个区域对应的图像特征将所述数字医学图像中的区域分为多个类别，具有相同或相似图像特征的区域属于同一类别。本发明通过自动化实现医学图像的数字化处理、识别每个区域对应的图像特征、把相同或相似图像特征的区域进行归类得出病理图像区域，从而后续让医生只从事相对简洁而不费时的审核工作。因此，本发明自动化、快捷、准确的识别出病理图像区域，提高了医生工作效率，提高了诊断准确性。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种医学图像处理方法，所述方法包括：
获取医学图像，对所述医学图像进行数字化处理得到数字医学图像；
对所述数字医学图像中的各个区域进行特征识别，得到每个区域对应的图像特征，所述图像特征包括：颜色特征、形态特征、纹理特征中的至少一种；
根据各个区域对应的图像特征将所述数字医学图像中的区域分为多个类别，具有相同或相似图像特征的区域属于同一类别；
对每个所述区域进行噪点检测，确定所述区域中包含的噪点；
获取所述噪点周围的图像特征信息，根据所述周围的图像特征信息更新所述噪点对应的图像特征信息；
获取噪点容忍阈值；
当更新后的噪点的图像特征信息对应的噪点差异值大于所述噪点容忍阈值时，则返回执行所述对所述数字医学图像中的各个区域进行特征识别，得到每个区域对应的图像特征的步骤，直至调整后的噪点差异值小于所述噪点容忍阈值；
获取每个类别对应的标注信息，其中，所述标注信息是根据临床资料确定疾病的良恶性、类型分组、恶性程度、判断预后和/或指导临床治疗中的一个或多个对所述数字医学图像中的区域进行的识别和标注；
从每个所述类别对应的标注信息中获取具有相似关系的至少两个所述标注信息，其中，所述具有相似关系是指具有相似病理类；
在所述数字医学图像中将所述具有相似关系的至少两个标注信息对应的区域归为同一类；
将相邻的对应于同一类的区域进行连通，得连通区域，每个连通区域对应同一类别。
2.根据权利要求1所述的方法，其特征在于，在所述将相邻的对应于同一类的区域进行连通，得连通区域，每个连通区域对应同一类别之后，还包括：
将所述连通区域的边缘用标记线进行标记。
3.根据权利要求1至2任一项所述的方法，其特征在于，所述方法还包括：
获取每个类别对应的标注信息；
将包含有标注信息的区域作为病理样本，存入相应的病理样本集。
4.根据权利要求3所述的方法，其特征在于，所述将包含有标注信息的区域作为病理样本，存入相应的病理样本集具体包括：
根据区域对应的图像特征在所述病理样本集进行检索得出近似病理样本；
当没有检索到近似病理样本时，将包含有标注信息的区域作为病理样本，存入相应的病理样本集；
当检索到近似病理样本时，根据所述近似病理样本、所述区域的图像特征及标注信息更新病理样本集。
5.根据权利要求4所述的方法，其特征在于，
所述当检索到近似病理样本时，根据所述近似病理样本、区域的图像特征及标注信息更新病理样本集具体包括：
将所述近似病理样本的标注信息与所述区域对应的标注信息进行比较，若相同则结束，若不同则获取病理样本集的标注人信息；
当所述病理样本集的标注人信息与所述类别对应的标注人信息相同时，获取覆盖确认信息，根据所述覆盖确认信息更新病理样本集；
当所述病理样本集的标注人信息与所述类别对应的标注人信息不相同时，根据所述病理样本集、所述区域的图像特征及标注信息更新争议标注列表，所述争议标注列表包括与区域的对应的图像特征、标注信息、近似病理样本。
6.根据权利要求1至2任一项所述的方法，其特征在于，所述方法还包括：
根据同一类别区域对应的图像特征在病理样本集检索得出近似病理样本；
将近似病理样本的标注信息作为所述类别区域对应的图像特征标注信息；
根据类别区域对应的图像特征标注信息得出已标注区域图像列表；
根据未检索到的近似病理样本的类别区域对应的图像特征得出未标注区域图像列表。
7.一种医学图像处理装置，其特征在于，所述装置包括：
医学图像管理模块，用于获取医学图像，对所述医学图像进行数字化处理得到数字医学图像；
图像特征识别模块，用于对所述数字医学图像中的各个区域进行特征识别，得到每个区域对应的图像特征，所述图像特征包括：颜色特征、形态特征、纹理特征中的至少一种；根据各个区域对应的图像特征将所述数字医学图像中的区域分为多个类别，具有相同或相似图像特征的区域属于同一类别；对每个所述区域进行噪点检测，确定所述区域中包含的噪点；获取所述噪点周围的图像特征信息，根据所述周围的图像特征信息更新所述噪点对应的图像特征信息；获取噪点容忍阈值；当更新后的噪点的图像特征信息对应的噪点差异值大于所述噪点容忍阈值时，则返回执行所述对所述数字医学图像中的各个区域进行特征识别，得到每个区域对应的图像特征的步骤，直至调整后的噪点差异值小于所述噪点容忍阈值；
类别提取模块，用于获取每个类别对应的标注信息，其中，所述标注信息是根据临床资料确定疾病的良恶性、类型分组、恶性程度、判断预后和/或指导临床治疗中的一个或多个对所述数字医学图像中的区域进行的识别和标注；从每个所述类别对应的标注信息中获取具有相似关系的至少两个所述标注信息，其中，所述具有相似关系是指具有相似病理类；在所述数字医学图像中将所述具有相似关系的至少两个标注信息对应的区域归为同一类；将相邻的对应于同一类的区域进行连通，得连通区域，每个连通区域对应同一类别。
8.根据权利要求7所述的医学图像处理装置，其特征在于，所述医学图像处理装置还包括：
病理样本集管理模块，用于记录病理样本集；
病理样本集构建模块，用于获取每个类别对应的标注信息，将包含有标注信息的区域作为病理样本，存入相应的病理样本集。
9.一种存储介质，存储有计算机指令程序，其特征在于，所述计算机指令程序被处理器执行时，使得所述处理器执行如权利要求1至6中任一项所述方法的步骤。
10.一种计算机设备，其特征在于，包括至少一个存储器、至少一个处理器，所述存储器存储有计算机指令程序，所述计算机指令程序被所述处理器执行时，使得所述处理器执行如权利要求1至6中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910532706.5A CN110322436B (zh) | 2019-06-19 | 2019-06-19 | 医学图像处理方法、装置、存储介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910532706.5A CN110322436B (zh) | 2019-06-19 | 2019-06-19 | 医学图像处理方法、装置、存储介质及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110322436A CN110322436A (zh) | 2019-10-11 |
| CN110322436B true CN110322436B (zh) | 2020-10-02 |
Family
ID=68120972
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910532706.5A Active CN110322436B (zh) | 2019-06-19 | 2019-06-19 | 医学图像处理方法、装置、存储介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110322436B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111180048B (zh) * | 2019-12-30 | 2024-02-06 | 上海镜观生物科技有限公司 | 肿瘤成分标注方法、装置、设备及存储介质 |
| CN111986785B (zh) * | 2020-08-26 | 2023-09-12 | 北京至真互联网技术有限公司 | 医学影像标注方法和装置、设备及存储介质 |
| CN112233123B (zh) * | 2020-09-21 | 2024-05-14 | 广州金域医学检验中心有限公司 | 病理图片中肿瘤间质分类方法、装置、计算机设备及存储介质 |
| CN112508010A (zh) * | 2020-11-30 | 2021-03-16 | 广州金域医学检验中心有限公司 | 数字病理切片目标区域的识别方法、系统、设备及介质 |
| CN112612915B (zh) * | 2020-12-30 | 2024-04-09 | 上海芯翌智能科技有限公司 | 一种图片标注方法及设备 |
| CN115206146B (zh) * | 2021-04-14 | 2023-09-22 | 北京医智影科技有限公司 | 用于放疗靶区勾画的智能教学方法、系统、设备和介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101853489A (zh) * | 2009-04-02 | 2010-10-06 | 深圳艾科创新微电子有限公司 | 一种视频图像降噪装置及方法 |
| CN104956399A (zh) * | 2013-01-28 | 2015-09-30 | 皇家飞利浦有限公司 | 医学图像处理 |
| CN106023145A (zh) * | 2016-05-06 | 2016-10-12 | 哈尔滨工程大学 | 基于超像素标注的遥感图像的分割与识别方法 |
| CN107220523A (zh) * | 2017-07-25 | 2017-09-29 | 青岛大学附属医院 | 一种数字化病理分析系统及方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6751348B2 (en) * | 2001-03-29 | 2004-06-15 | Fotonation Holdings, Llc | Automated detection of pornographic images |
| CN105913086A (zh) * | 2016-04-12 | 2016-08-31 | 福州大学 | 一种应用特征权重自适应选择的计算机辅助诊断乳腺的方法 |
-
2019
- 2019-06-19 CN CN201910532706.5A patent/CN110322436B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101853489A (zh) * | 2009-04-02 | 2010-10-06 | 深圳艾科创新微电子有限公司 | 一种视频图像降噪装置及方法 |
| CN104956399A (zh) * | 2013-01-28 | 2015-09-30 | 皇家飞利浦有限公司 | 医学图像处理 |
| CN106023145A (zh) * | 2016-05-06 | 2016-10-12 | 哈尔滨工程大学 | 基于超像素标注的遥感图像的分割与识别方法 |
| CN107220523A (zh) * | 2017-07-25 | 2017-09-29 | 青岛大学附属医院 | 一种数字化病理分析系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110322436A (zh) | 2019-10-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110322436B (zh) | 医学图像处理方法、装置、存储介质及设备 | |
| Bejnordi et al. | Automated detection of DCIS in whole-slide H&E stained breast histopathology images | |
| US10839510B2 (en) | Methods and systems for human tissue analysis using shearlet transforms | |
| Khan et al. | A nonlinear mapping approach to stain normalization in digital histopathology images using image-specific color deconvolution | |
| CN111985536B (zh) | 一种基于弱监督学习的胃镜病理图像分类方法 | |
| CN111986150B (zh) | 一种数字病理图像的交互式标注精细化方法 | |
| Mi et al. | Deep learning-based multi-class classification of breast digital pathology images | |
| Bechar et al. | Semi-supervised superpixel classification for medical images segmentation: application to detection of glaucoma disease | |
| Smaoui et al. | A developed system for melanoma diagnosis | |
| CN111402267B (zh) | 前列腺癌病理图像中上皮细胞核的分割方法、装置和终端 | |
| CN108830853A (zh) | 一种基于人工智能的黑色素瘤辅助诊断方法 | |
| Haggerty et al. | Segmentation of epidermal tissue with histopathological damage in images of haematoxylin and eosin stained human skin | |
| Xu et al. | Computerized classification of prostate cancer gleason scores from whole slide images | |
| WO2021073279A1 (zh) | 数字病理图像染色归一化方法、系统、电子装置及存储介质 | |
| Nguyen et al. | Spatial statistics for segmenting histological structures in H&E stained tissue images | |
| CN113706564A (zh) | 基于多种监督方式的睑板腺分割网络的训练方法及装置 | |
| Van Zon et al. | Segmentation and classification of melanoma and nevus in whole slide images | |
| He et al. | Local and global Gaussian mixture models for hematoxylin and eosin stained histology image segmentation | |
| CN112990214A (zh) | 一种医学图像特征识别预测模型 | |
| CN111415352A (zh) | 一种基于深度级联网络的癌转移全景病理切片分析方法 | |
| CN113570619A (zh) | 基于人工智能的计算机辅助胰腺病理图像诊断系统 | |
| CN112767325A (zh) | 一种癌症病理图像自动检测方法及系统 | |
| Tosta et al. | Computational method for unsupervised segmentation of lymphoma histological images based on fuzzy 3-partition entropy and genetic algorithm | |
| Sharma et al. | A comparative study of cell nuclei attributed relational graphs for knowledge description and categorization in histopathological gastric cancer whole slide images | |
| WO2014006421A1 (en) | Identification of mitotic cells within a tumor region |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Che Shuanlong Inventor after: Luo Pifu Inventor after: Li Jing Inventor after: Zhang Zhikui Inventor after: Ding Xiangdong Inventor after: Liu Si Inventor after: Li Yinghua Inventor after: Qiu Weisong Inventor before: Che Shuanlong Inventor before: Luo Pifu Inventor before: Li Jing Inventor before: Zhang Zhikui Inventor before: Ding Xiangdong Inventor before: Liu Si Inventor before: Li Yinghua Inventor before: Qiu Weisong |
|
| CP02 | Change in the address of a patent holder | ||
| CP02 | Change in the address of a patent holder |
Address after: 510700 No. 10, helix 3 Road, International Biological Island, Huangpu District, Guangzhou City, Guangdong Province Patentee after: GUANGZHOU KINGMED CENTER FOR CLINICAL LABORATORY Address before: 510330 Guangdong Guangzhou Haizhuqu District Xingang East Road 2429, 3rd floor. Patentee before: GUANGZHOU KINGMED CENTER FOR CLINICAL LABORATORY |