CN110458835B - 一种图像处理方法、装置、设备、系统及介质 - Google Patents

一种图像处理方法、装置、设备、系统及介质 Download PDF

Info

Publication number
CN110458835B
CN110458835B CN201910759288.3A CN201910759288A CN110458835B CN 110458835 B CN110458835 B CN 110458835B CN 201910759288 A CN201910759288 A CN 201910759288A CN 110458835 B CN110458835 B CN 110458835B
Authority
CN
China
Prior art keywords
staining
image
area
cell membrane
channel image
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
Application number
CN201910759288.3A
Other languages
English (en)
Other versions
CN110458835A (zh
Inventor
张军
颜克洲
姚建华
韩骁
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201910759288.3A priority Critical patent/CN110458835B/zh
Publication of CN110458835A publication Critical patent/CN110458835A/zh
Application granted granted Critical
Publication of CN110458835B publication Critical patent/CN110458835B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例公开了一种图像处理方法、装置、设备及存储介质，该方法包括：获取对染色组织切片进行图像采集生成的目标图像；对该目标图像进行色彩通道分解，获得第一通道图像和第二通道图像，该第一通道图像用于突出细胞核染色情况，该第二通道图像用于突出细胞膜染色情况；根据第二通道图像确定染色组织切片中细胞膜的染色形态；当细胞膜的染色形态为深染色时，根据第二通道图像中的细胞膜染色区域确定癌症区域；当细胞膜的染色形态为无染色或浅染色时，根据第一通道图像中的细胞核染色区域确定癌症区域。该方法既能准确地划分癌症区域，又无需获取有标注的图像训练样本，大大节约了处理成本。

Description

一种图像处理方法、装置、设备、系统及介质
技术领域
本申请涉及图像处理技术领域，尤其涉及一种图像处理方法、装置、设备、系统及计算机存储介质。
背景技术
随着图像处理技术和机器学习技术的快速发展，采用有监督算法例如深度学习方法训练模型，基于模型进行图像处理这一技术已经在各个领域得以应用。
比较典型的应用为在医疗领域中基于深度学习方法训练的模型对细胞检测图像进行处理以区分出间质细胞和癌症细胞，从而为医护工作者提供参考数据，以帮助医护工作者基于这些参考数据做进一步医疗诊断，提高诊断效率和诊断精确度。
但由于有监督算法需要大量标注数据作为训练样本，而医疗领域中标注数据很难获取而且获取成本比较高，如此导致在实际应用中的训练样本量有限，从而限制了模型的训练精度，影响图像处理结果的精度。
发明内容
本申请实施例提供了一种图像处理方法、装置、设备、系统及存储介质，既能够准确地从图像中划分出癌症区域，又无需获取有标注的图像训练样本，大大节约了图像处理成本。
有鉴于此，本申请第一方面提供了一种图像处理方法，包括：
获取目标图像，所述目标图像是对染色组织切片进行图像采集生成的；
对所述目标图像进行色彩通道分解，获得第一通道图像和第二通道图像，所述第一通道图像用于突出细胞核染色情况；所述第二通道图像用于突出细胞膜染色情况；
根据所述第二通道图像确定所述染色组织切片中细胞膜的染色形态，所述细胞膜的染色形态包括无染色、深染色或浅染色；
当所述细胞膜的染色形态为深染色时，根据所述第二通道图像中的细胞膜染色区域确定癌症区域；
当所述细胞膜的染色形态为无染色或浅染色时，根据所述第一通道图像中的细胞核染色区域确定癌症区域。
本申请第二方面提供了一种图像处理装置，包括：
目标图像获取模块，用于获取目标图像，所述目标图像是对染色组织切片进行图像采集生成的；
色彩通道分解模块，用于对所述目标图像进行色彩通道分解，获得第一通道图像和第二通道图像，所述第一通道图像用于突出细胞核染色情况；所述第二通道图像用于突出细胞膜染色情况；
染色形态分析模块，用于根据所述第二通道图像确定所述染色组织切片中细胞膜的染色形态，所述细胞膜的染色形态包括无染色、深染色或浅染色；
第一确定模块，用于当所述细胞膜的染色形态为深染色时，根据所述第二通道图像中的细胞膜染色区域确定癌症区域；
第二确定模块，用于当所述细胞膜的染色形态为无染色或浅染色时，根据所述第一通道图像中的细胞核染色区域确定癌症区域。
本申请第三方面提供了一种图像处理设备，所述图像处理设备包括处理器以及存储器：
所述存储器用于存储计算机程序；
所述处理器用于根据所述计算机程序执行第一方面所述的图像处理方法。
本申请第四方面提供了一种图像处理系统，所述系统包括：
显微镜、采集设备、以及图像处理设备；
所述显微镜，用于观察染色组织切片；
所述采集设备，用于在所述显微镜上观察所述染色组织切片时采集图像，将采集到的图像作为待处理的目标图像发送至图像处理设备；
所述图像处理设备，用于获取目标图像，对所述目标图像进行色彩通道分解，获得第一通道图像和第二通道图像，所述第一通道图像用于突出细胞核染色情况；所述第二通道图像用于突出细胞膜染色情况；根据所述第二通道图像确定所述染色组织切片中细胞膜的染色形态，当所述细胞膜的染色形态为深染色时，根据所述第二通道图像中的细胞膜染色区域确定癌症区域，当所述细胞膜的染色形态为无染色或浅染色时，根据所述第一通道图像中的细胞核染色区域确定癌症区域。
本申请第五方面提供一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序用于执行上述第一方面所述的图像处理方法。
本申请第六方面提供一种包括指令的计算机程序产品，当其在计算机上运行时，使得所述计算机执行上述第一方面所述的图像处理方法。
从以上技术方案可以看出，本申请实施例具有以下优点：
本申请实施例提供了一种图像处理方法，该方法采用无监督的处理思想，基于癌症细胞与间质细胞的细胞形态特点不同这一特性，在染色组织切片图像中区分癌症细胞和间质细胞，进而确定癌症细胞区域。具体的，在本申请实施例提供的图像处理方法中，获取染色组织切片图像作为目标图像；然后，对该目标图像进行色彩通道分解得到第一通道图像和第二通道图像，其中，第一通道图像用于突出细胞核染色情况，第二通道图像用于图像细胞膜染色情况；接着，根据第二通道图像确定染色组织切片中细胞膜的染色形态；当细胞膜的染色形态为深染色时，根据第二通道图像中的细胞膜染色区域确定癌症区域；当细胞膜染色形态为无染色或浅染色时，根据第一通道图像中的细胞核染色区域确定癌症区域。相比相关技术中利用通过深度学习算法训练得到的模型从细胞检测图像中划分癌症区域，本申请实施例提供的图像处理方法无需基于有监督训练机制利用有标注的图像训练样本进行模型训练，如此，大大降低了所需耗费的成本；并且，本申请实施例提供的图像处理方法实现过程简单，性能可靠，能够准确地对癌症区域进行划分。
附图说明
图1为本申请实施例提供的图像处理系统的结构示意图；
图2为本申请实施例提供的一种图像处理方法的流程示意图；
图3为本申请实施例提供的另一种图像处理方法的流程示意图；
图4为本申请实施例提供的图像处理方法的检测结果示意图；
图5为本申请实施例提供的第一种图像处理装置的结构示意图；
图6为本申请实施例提供的第二种图像处理装置的结构示意图；
图7为本申请实施例提供的第三种图像处理装置的结构示意图；
图8为本申请实施例提供的第四种图像处理装置的结构示意图；
图9为本申请实施例提供的服务器的结构示意图；
图10为本申请实施例提供的终端设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)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，以便这里描述的本申请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。
相关技术中，通常采用基于有监督机制训练得到的模型对细胞检测图像进行处理，从而划分出癌症区域；然而，基于有监督机制对模型进行训练时，通常需要获取大量的标注数据作为训练样本，在医疗领域这类标注数据的获取成本极高，通常难以获取到足够的训练样本，如此将导致训练得到的模型精度较低。
针对上述相关技术存在的问题，本申请实施例提供了一种图像处理方法，该方法采用无监督的处理思想，基于癌症细胞与间质细胞的细胞形态特点不同这一特性，在染色组织切片图像中区分癌症细胞和间质细胞，从而确定癌症区域。相比相关技术中利用通过深度学习算法训练得到的模型从细胞检测图像中划分癌症区域，本申请实施例提供的图像处理方法无需获取大量的标注数据，基于有监督机制进行模型训练，如此，大大降低了所需耗费的成本；并且，本申请实施例提供的图像处理方法实现过程简单，性能可靠，能够准确地对癌症区域进行划分。
应理解，本申请实施例提供的图像处理方法可以应用于具备图像处理能力的设备，如终端设备、服务器等；其中，终端设备具体可以为计算机、个人数字助理(PersonalDigitalAssitant，PDA)等；服务器具体可以为应用服务器，也可以为Web服务器，在实际部署时，该服务器可以为独立服务器，也可以为集群服务器。
为了便于理解本申请实施例提供的技术方案，下面对本申请实施例提供的图像处理方法所适用的图像处理系统进行介绍。
参见图1，图1为本申请实施例提供的图像处理系统的结构示意图。如图1所示，该图像处理系统包括显微镜101、采集设备102和图像处理设备103；其中，显微镜101用于观察染色组织切片；采集设备102具体可以为实时拍摄相机，其用于采集通过显微镜101观察的染色组织切片的图像，并将其采集的染色组织切片的图像发送至图像处理设备103；在实际应用中，采集设备102与显微镜101通常可以集成于一体。该图像处理设备103具体可以为计算机，其用于执行本申请实施例提供的图像处理方法，以从采集设备102发送的染色组织切片的图像中划分出癌症区域。
需要说明的是，上述染色组织切片可以为HER2 IHC染色切片，其通过使用Humanepidermal growth factor receptor 2Immunohistochemical技术将细胞膜染成棕色，Haematoxylin将细胞核染成蓝色；对于正常染色来说，即使癌症细胞膜的染色形态为深染色或浅染色，间质细胞的细胞膜也不会有棕色膜染色，并且在单个视野下，通常不会出现完全无染色区域和染色区域混杂的情况。因此，对于细胞膜的染色形态为深染色的图像，可以设计针对性算法，直接通过膜染色区域来确定癌症区域；对于细胞膜的染色形态为浅染色或无染色的图像，可以基于细胞形态进行区域划分。
应理解，上述染色组织切片除了基于HER2之外，还可以为通过其他膜染色类型来实现，例如EGFR,HER2,CD117,CD3,CD5,CD20等，本申请对具体染色方式以及染色类型均不做具体限定。
具体应用时，计算机103获取到实时拍摄相机102发送的染色组织切片的图像后，将该染色组织切片的图像作为目标图像；然后，对该目标图像进行色彩通道分解，获得用于突出细胞核染色情况的第一通道图像和用于突出细胞膜染色情况的第二通道图像；进而，根据第二通道图像确定染色组织切片中细胞膜的染色形态；当细胞膜的染色形态为深染色时，根据第二通道图像中的细胞膜染色区域确定癌症区域；当细胞膜的染色形态为浅染色或无染色时，根据第一通道图像中的细胞核染色区域确定癌症区域。
如此，采用无监督的处理思想，基于癌症细胞与间质细胞的细胞形态特点不同这一特性，在染色组织切片图像中区分癌症细胞和间质细胞，从而准确地确定癌症区域
应理解，图1所示的图像处理系统结构仅为示例，在实际应用中，采集设备102还可以为其他具备图像采集功能的设备，图像处理设备103还可以为服务器等具备图像处理功能的设备，本申请在此不对图像处理系统的具体结构做任何限定。
下面通过实施例对本申请提供的图像处理方法进行介绍。
参见图2，图2为本申请实施例提供的图像处理方法的流程示意图。为了便于描述，下述实施例以计算机作为执行主体为例，对图像处理方法进行介绍。如图2所示，该图像处理方法包括以下步骤：
步骤201：获取目标图像，所述目标图像是对染色组织切片进行图像采集生成的。
当计算机需要针对某染色组织切片确定其中的癌症区域时，计算机可以获取该染色组织切片的图像作为目标图像；该染色组织切片的图像通常是通过显微镜观察该染色组织切片时的观察图像。
在一种可能的实现方式中，计算机可以接收采集设备采集的显微镜上观察的染色组织切片的图像，作为目标图像。即，在通过显微镜对染色组织切片进行观察时，利用采集设备(如实时拍摄相机等)采集通过显微镜观察到的染色组织切片的图像，进而，采集设备可以将其采集到的染色组织切片的图像发送给计算机，计算机相应地将所接收的染色组织切片的图像作为目标图像。
应理解，在实际应用中，计算机还可以通过其他方式获取染色组织切片的图像，即获取目标图像，本申请在此不对计算机获取目标图像的方式做任何限定。
步骤202：对所述目标图像进行色彩通道分解，获得第一通道图像和第二通道图像，所述第一通道图像用于突出细胞核染色情况；所述第二通道图像用于突出细胞膜染色情况。
计算机获取到目标图像后，进一步对该目标图像进行色彩通道分解处理，从而得到第一通道图像和第二通道图像；其中，第一通道图像能够突出表现染色组织切片中细胞核的染色情况，第二通道系统能够突出表现染色组织切片中细胞膜的染色情况。
具体的，计算机对目标图像进行色彩通道分解处理，可以将目标图像(RGB通道彩色图片)分解为苏木精(IH)、依红(IE)和二氨基联苯胺(IDAB)三个通道；进而，计算机可以获取苏木精通道的图像作为第一通道图像，获取二氨基联苯胺的图像作为第二通道图像。
需要说明的是，计算机对目标图像进行色彩通道分解处理时，具体可以采用skimage算法包中的skimage.color.rgb2hed函数，完成对于目标图像的色彩通道分解。当然，计算机也可以采用其他色彩通道分解算法实现对于目标图像的色彩通道分解，在此不对计算机所采用的色彩通道分解算法做任何限定。
步骤203：根据所述第二通道图像确定所述染色组织切片中细胞膜的染色形态，所述细胞膜的染色形态包括无染色、深染色或浅染色。
计算机对目标图像进行色彩通道分解，得到第一通道图像和第二通道图像后，进一步根据其中的第二通道图像，确定目标图像对应的染色组织切片中细胞膜的染色形态，即确定染色组织切片中细胞膜的染色形态具体为无染色，还是为深染色，还是为浅染色。
具体实现时，计算机可以从第二通道图像中提取细胞膜染色区域；当该细胞膜染色区域在第二通道图像中的面积占比不大于第一阈值时，确定染色组织切片中细胞膜的染色形态为无染色；当该细胞膜染色区域在第二通道图像中的面积占比大于第一阈值，且细胞膜染色区域内像素平均值小于第二阈值时，确定染色组织切片中细胞膜的染色形态为浅染色；当该细胞膜染色区域在第二通道图像中的面积占比大于第一阈值，且细胞膜染色区域内像素平均值不小于第二阈值时，确定染色组织切片中细胞膜的染色形态为深染色。
具体的，计算机可以采用简单阈值分割法对第二通道图像进行分割，并从中提取细胞膜染色区域；应理解，当染色组织切片为HER2 IHC染色切片时，其中的棕色染色区域即为细胞膜染色区域。计算细胞膜染色区域的面积在第二通道图像整体面积中占据的比例，如果该比例小于或等于第一阈值，则可以直接确定染色组织切片中细胞膜的染色形态为无染色。如果该比例大于第一阈值，则需要进一步计算细胞膜染色区域内所有像素的平均值，如果该平均值小于第二阈值，则确定染色组织切片中细胞膜的染色形态为浅染色，如果该平均值大于或等于第二阈值，则确定染色组织切片中细胞膜的染色形态为深染色。
应理解，在实际应用中，可以根据实际需求设置第一阈值和第二阈值，在此不对第一阈值和第二阈值的大小做具体限定。
需要说明的是，对于细胞膜染色形态不同的染色组织切片，本申请实施例提供的图像处理方法分别提出了不同的划分癌症区域的策略，具体的，当确定细胞膜的染色形态为深染色时，计算机需要通过步骤204划分癌症区域，当确定细胞膜的染色形态为无染色或浅染色时，计算机需要通过步骤205划分癌症区域。
步骤204：当所述细胞膜的染色形态为深染色时，根据所述第二通道图像中的细胞膜染色区域确定癌症区域。
在确定染色组织切片中细胞膜的染色形态为深染色的情况下，计算机可以直接基于细胞膜染色区域来确定癌症区域，即计算机可以根据用于突出细胞膜染色情况的第二通道图像中的细胞膜染色区域，确定染色组织切片中的癌症区域。
具体实现时，计算机可以对第二通道图像中的细胞膜染色区域进行区域空洞填充，进而将填充后的区域确定为癌症区域。以染色组织切片为HER2IHC染色切片为例，计算机可以通过简单阈值分割法从中提取出棕色染色区域，即提取出细胞膜染色区域；然后可以通过先膨胀再腐蚀的形态学操作，对第二通道图像中的棕色染色区域进行区域空洞填充，由此得到的填充后的区域结果即可被确定为癌症区域。
应理解，在实际应用中，计算机也可以通过其他方式基于第二通道图像确定癌症区域，在此不对确定染色组织切片中细胞膜的染色形态为深染色时，计算机基于第二通道图像确定癌症区域的方式做任何限定。
步骤205：当所述细胞膜的染色形态为无染色或浅染色时，根据所述第一通道图像中的细胞核染色区域确定癌症区域。
在确定染色组织切片中细胞膜的染色形态为无染色或者浅染色的情况下，计算机可以基于癌症细胞与间质细胞的细胞形态不同这一特点，确定染色组织切片中的癌症区域。由于通常情况下细胞核会在苏木精通道有强响应，因此，计算机可以根据用于突出细胞核染色情况的第一通道图像中的细胞核染色区域，确定染色组织切片中的癌症区域。
具体实现时，计算机可以先对第一通道图像进行二值化处理，得到该第一通道图像中的细胞核染色区域；然后，对细胞核染色区域进行膨胀处理，并统计膨胀处理后各连通区域的区域面积；当连通区域的区域面积小于第三阈值时，确定该连通区域为间质区域，并剔除该间质区域；当连通区域的区域面积不小于第三阈值时，确定该连通区域为癌症区域，并保留该癌症区域。如此，最终保留下来的区域即为所划分出的癌症区域。
在一种可能的实现方式中，计算机可以采用最大类间方差法(OTSU)对第一通道图像进行二值化处理；具体的，计算机可以针对第一通道图像，确定使得背景和前景之间的类间方差最大时灰度的值；将该灰度的值作为阈值，根据该阈值对第一通道图像进行二值化处理，从而得到第一通道图像中的细胞核染色区域。
最大类间方差法是一种自适应阈值确定的方法，其是一种基于全局的二值化算法，其可以根据图像的灰度特性，将图像分为背景和前景两个部分，当取最佳阈值时，背景与前景之间的差别应该是最大的，在最大类间方差法中所采用的衡量差别的标准即为最大类间方差。前景与背景之间的类间方差越大，则说明前景与背景这两部分之间的差别越大，当部分前景被错分为背景，或者部分背景被错分为前景时，将会导致这两部分的差别变小，因此，当所取阈值的分割使得类间方差最大时，就意味着错分概率越小。
应理解，在实际应用中，计算机除了可以采用最大类间方差法对第一通道图像进行二值化处理外，还可以采用其他分割算法对第一通道图像进行二值化处理，本申请在此不对二值化处理的具体方法做任何限定。
考虑到间质细胞的面积较小且通常孤立呈梭状结构，而癌症细胞的面积较大且经常挤压在一起，因此，计算机对第一通道图像进行二值化处理得到第一通道图像中的细胞核染色区域后，可以通过形态学操作移除间质细胞区域，以便根据保留的癌症细胞区域进行癌症区域的划分。
具体的，计算机可以先对细胞核染色区域进行膨胀处理，以促使其中的癌症细胞连接融合，而间质细胞在此过程中将依然保持孤立。计算膨胀处理后得到的各连通区域的区域面积，并针对每个连通区域进行以下处理：判断连通区域的区域面积是否小于第三阈值，若是，则将该连通区域定义为间质区域，并剔除该间质区域，若否，则将该连通区域定义为癌症区域，并保留该癌症区域。如此，最终保留下来的各个癌症区域即为该染色组织切片中的癌症区域。
应理解，在实际应用中，可以根据实际需求设置上述第三阈值，在此不对第三阈值的大小做具体限定。
上述图像处理方法采用无监督的处理思想，基于癌症细胞与间质细胞的细胞形态特点不同这一特性，在染色组织切片图像中区分癌症细胞和间质细胞，从而确定癌症区域。相比相关技术中利用通过深度学习算法训练得到的模型从细胞检测图像中划分癌症区域，本申请实施例提供的图像处理方法无需获取大量的标注数据，基于有监督机制进行模型训练，如此，大大降低了所需耗费的成本；并且，本申请实施例提供的图像处理方法实现过程简单，性能可靠，能够准确地对癌症区域进行划分。
为了便于进一步理解本申请实施例提供的图像处理方法，下面以染色组织切片为HER2 IHC染色切片为例，对本申请实施例提供的图像处理方法做整体示例性介绍。参见图3，图3为本申请实施例提供的图像处理方法的流程示意图。
通过显微镜对HER2 IHC染色切片进行观察时，实时拍摄相机可以采集通过显微镜观察到的HER2 IHC染色切片的图像，并将该HER2 IHC染色切片的图像发送至计算机，计算机将该HER2 IHC染色切片的图像作为目标图像，基于该目标图像进行癌症区域的划分。
计算机获取到目标图像后，利用skimage算法包(Python语言)中的skimage.color.rgb2hed函数对目标图像进行色彩通道分解，从而获得IH、IE和IDAB三个通道的图像。然后，采用简单阈值分割法对IDAB通道图像进行分割，从中提取棕色染色区域(即细胞膜染色区域)作为分割结果M1，如果该棕色染色区域面积area(M1)占IDAB通道图像的比例不大于第一阈值，则确定染色组织切片中细胞膜的染色形态为无染色；如果该棕色染色区域面积area(M1)占IDAB通道图像的比例大于第一阈值，则计算IDAB通道图像在棕色染色区域M1内所有像素的平均值，如果该平均值小于第二阈值，则确定染色组织切片中细胞膜的染色形态为浅染色，反之，则确定染色组织切片中细胞膜的染色形态为深染色。
具体划分癌症区域时，计算机针对细胞膜染色形态不同的染色组织切片，可以相应地采用不同的划分策略。
当染色组织切片中细胞膜的染色形态为深染色时，可以对IDAB通道图像中的棕色区域M1进行区域空洞填充，具体可以通过先膨胀再腐蚀的形态学操作完成，由此得到的填充后的区域结果即可确定为癌症区域。
当染色组织切片中细胞膜的染色形态为浅染色或无染色时，考虑到通常情况下蓝色细胞核会在H通道有强响应，因此，可以基于IH通道图像进行癌症区域的划分。计算机可以先采用最大类间方差法对IH通道图像进行二值化处理得到蓝色染色区域M2(即细胞核染色区域)，由于间质细胞面积较小且通常孤立呈梭状，而癌症细胞面积较大且经常挤压在一起，因此，可以通过形态学操作移除间质细胞区域，保留癌症细胞区域。具体的，可以先进行膨胀操作，促使癌症区域连接融合，此时间质细胞将依然保持孤立；然后计算膨胀操作后得到的各个连通区域的区域面积，如果连通区域的区域面积小于第三阈值，则确定连通区域为间质区域，并将该间质区域剔除，如果连通区域的区域面积大于或等于第三阈值，则确定连通区域为癌症区域，并将该癌症区域保留。最终确定所有保留下来的区域为染色组织切片中的癌症区域。
经实验研究证明，本申请实施例提供的图像处理方法在实际应用中能够准确地划分出癌症区域，如图4所示，第一行为深染色图像的癌症区域划分结果，第二行为无染色图像的癌症区域划分结果。图4中第三列所示的癌症区域，即为采用本申请实施例提供的图像处理方法划分出的癌症区域的示意图。从图4可以看出，本申请实施例提供的图像处理方法在检测出癌症细胞的同时，还可以检测出大量间质细胞，并且采用本申请实施例提供的图像处理方法确定癌症区域后，可以进一步获得仅包括癌症细胞的检测结果。
针对上文描述的图像处理方法，本申请还提供了对应的图像处理装置，以使上述图像处理方法在实际中的应用以及实现。
参见图5，图5为上文图2所示的图像处理方法对应的一种图像处理装置500的结构示意图，该图像处理装置500包括：
目标图像获取模块501，用于获取目标图像，所述目标图像是对染色组织切片进行图像采集生成的；
色彩通道分解模块502，用于对所述目标图像进行色彩通道分解，获得第一通道图像和第二通道图像，所述第一通道图像用于突出细胞核染色情况；所述第二通道图像用于突出细胞膜染色情况；
染色形态分析模块503，用于根据所述第二通道图像确定所述染色组织切片中细胞膜的染色形态，所述细胞膜的染色形态包括无染色、深染色或浅染色；
第一确定模块504，用于当所述细胞膜的染色形态为深染色时，根据所述第二通道图像中的细胞膜染色区域确定癌症区域；
第二确定模块505，用于当所述细胞膜的染色形态为无染色或浅染色时，根据所述第一通道图像中的细胞核染色区域确定癌症区域。
可选的，在图5所示的图像处理装置的基础上，参见图6，图6为本申请实施例提供的另一种图像处理装置600的结构示意图，如图6所示，所述染色形态分析模块503中具体包括：
提取子模块601，用于从所述第二通道图像中提取细胞膜染色区域；
第一分析子模块602，用于当所述细胞膜染色区域与所述第二通道图像的面积占比不大于第一阈值时，确定所述染色组织切片中细胞膜的染色形态为无染色；
第二分析子模块603，用于当所述细胞膜染色区域与所述第二通道图像的面积占比大于第一阈值且所述细胞膜染色区域内像素平均值小于第二阈值时，确定所述染色组织切片中细胞膜的染色形态为浅染色；
第三分析子模块604，用于当所述细胞膜染色区域与所述第二通道图像的面积占比大于第一阈值且所述细胞膜染色区域内像素平均值不小于第二阈值时，确定所述染色组织切片中细胞膜的染色形态为深染色。
可选的，在图5所示的图像处理装置的基础上，参见图7，图7为本申请实施例提供的另一种图像处理装置700的结构示意图，如图7所示，所述第一确定模块504具体包括：
填充子模块701，用于对所述第二通道图像中的细胞膜染色区域进行区域空洞填充；
第一确定子模块702，用于将填充后的区域确定为癌症区域。
可选的，在图5所示的图像处理装置的基础上，参见图8，图8为本申请实施例提供的另一种图像处理装置800的结构示意图，如图8所示，所述第二确定模块505具体包括：
二值化处理子模块801，用于对所述第一通道图像进行二值化得到所述第一通道图像中的细胞核染色区域；
统计子模块802，用于对所述细胞核染色区域进行膨胀处理，并统计各连通区域的区域面积；
提出子模块803，用于当所述连通区域的区域面积小于第三阈值时，确定所述连通区域为间质区域，剔除所述间质区域；
第二确定子模块804，用于当所述连通区域的区域面积不小于所述第三阈值时，确定所述连通区域为癌症区域。
可选的，在图8所示的图像处理装置的基础上，所述二值化处理子模块801具体用于：
针对所述第一通道图像，确定使得背景和前景之间的类间方差最大时灰度的值，作为阈值；
根据所述阈值对所述第一通道图像进行二值化处理得到所述第一色彩通道中的细胞核染色区域。
可选的，在图5所示的图像处理装置的基础上，所述色彩通道分解模块502具体用于：
将所述目标图像分解为苏木精、依红和二氨基联苯胺三个通道；
获取所述苏木精通道的图像作为所述第一通道图像，并获取所述二氨基联苯胺通道的图像作为所述第二通道图像。
可选的，在图5所示的图像处理装置的基础上，所述目标图像获取模块501具体用于：
接收采集设备采集的显微镜上观察的所述染色组织切片的图像，作为目标图像。
上述图像处理装置采用无监督的处理思想，基于癌症细胞与间质细胞的细胞形态特点不同这一特性，在染色组织切片图像中区分癌症细胞和间质细胞，从而确定癌症区域。相比相关技术中利用通过深度学习算法训练得到的模型从细胞检测图像中划分癌症区域，本申请实施例提供的图像处理装置无需获取大量的标注数据，基于有监督机制进行模型训练，如此，大大降低了所需耗费的成本；并且，本申请实施例提供的图像处理装置实现过程简单，性能可靠，能够准确地对癌症区域进行划分。
本申请实施例还提供了一种用于对图进行处理像的服务器和终端设备，下面将从硬件实体化的角度对本申请实施例提供的用于对图像进行处理的服务器和终端设备进行介绍。
参见图9，图9是本申请实施例提供的一种服务器结构示意图，该服务器900可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(centralprocessing units，CPU)922(例如，一个或一个以上处理器)和存储器932，一个或一个以上存储应用程序942或数据944的存储介质930(例如一个或一个以上海量存储设备)。其中，存储器932和存储介质930可以是短暂存储或持久存储。存储在存储介质930的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器922可以设置为与存储介质930通信，在服务器900上执行存储介质930中的一系列指令操作。
服务器900还可以包括一个或一个以上电源926，一个或一个以上有线或无线网络接口950，一个或一个以上输入输出接口958，和/或，一个或一个以上操作系统941，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。
上述实施例中由服务器所执行的步骤可以基于该图9所示的服务器结构。
其中，CPU 922用于执行如下步骤：
获取目标图像，所述目标图像是对染色组织切片进行图像采集生成的；
对所述目标图像进行色彩通道分解，获得第一通道图像和第二通道图像，所述第一通道图像用于突出细胞核染色情况；所述第二通道图像用于突出细胞膜染色情况；
根据所述第二通道图像确定所述染色组织切片中细胞膜的染色形态，所述细胞膜的染色形态包括无染色、深染色或浅染色；
当所述细胞膜的染色形态为深染色时，根据所述第二通道图像中的细胞膜染色区域确定癌症区域；
当所述细胞膜的染色形态为无染色或浅染色时，根据所述第一通道图像中的细胞核染色区域确定癌症区域。
可选的，CPU922还可以执行本申请实施例中图像处理方法任一具体实现方式的方法步骤。
参见图10，图10为本申请实施例提供的一种终端设备的结构示意图。为了便于说明，仅示出了与本申请实施例相关的部分，具体技术细节未揭示的，请参照本申请实施例方法部分。该终端可以为包括计算机、平板电脑、个人数字助理(英文全称：Personal DigitalAssistant，英文缩写：PDA)等任意终端设备，以终端为计算机为例：
图10示出的是与本申请实施例提供的终端相关的计算机的部分结构的框图。参考图10，计算机包括：射频(英文全称：Radio Frequency，英文缩写：RF)电路1010、存储器1020、输入单元1030、显示单元1040、传感器1050、音频电路1060、无线保真(英文全称：wireless fidelity，英文缩写：WiFi)模块1070、处理器1080、以及电源1090等部件。本领域技术人员可以理解，图10中示出的计算机结构并不构成对计算机的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
存储器1020可用于存储软件程序以及模块，处理器1080通过运行存储在存储器1020的软件程序以及模块，从而执行计算机的各种功能应用以及数据处理。存储器1020可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器1020可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器1080是计算机的控制中心，利用各种接口和线路连接整个计算机的各个部分，通过运行或执行存储在存储器1020内的软件程序和/或模块，以及调用存储在存储器1020内的数据，执行计算机的各种功能和处理数据，从而对计算机进行整体监控。可选的，处理器1080可包括一个或多个处理单元；优选的，处理器1080可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器1080中。
在本申请实施例中，该终端所包括的处理器1080还具有以下功能：
获取目标图像，所述目标图像是对染色组织切片进行图像采集生成的；
对所述目标图像进行色彩通道分解，获得第一通道图像和第二通道图像，所述第一通道图像用于突出细胞核染色情况；所述第二通道图像用于突出细胞膜染色情况；
根据所述第二通道图像确定所述染色组织切片中细胞膜的染色形态，所述细胞膜的染色形态包括无染色、深染色或浅染色；
当所述细胞膜的染色形态为深染色时，根据所述第二通道图像中的细胞膜染色区域确定癌症区域；
当所述细胞膜的染色形态为无染色或浅染色时，根据所述第一通道图像中的细胞核染色区域确定癌症区域。
可选的，所述处理器1080还用于执行本申请实施例提供的图像处理方法的任意一种实现方式的步骤。
本申请实施例还提供一种计算机可读存储介质，用于存储计算机程序，该计算机程序用于执行前述各个实施例所述的一种图像处理方法中的任意一种实施方式。
本申请实施例还提供一种包括指令的计算机程序产品，当其在计算机上运行时，使得计算机执行前述各个实施例所述的一种图像处理方法中的任意一种实施方式。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，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，仅仅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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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网络单元上。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，在本申请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，本申请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(可以是个人计算机，服务器，或者网络设备等)执行本申请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、移动硬盘、只读存储器(英文全称：Read-OnlyMemory，英文缩写：ROM)、随机存取存储器(英文全称：Random Access Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (11)

1.一种图像处理方法，其特征在于，包括：
获取目标图像，所述目标图像是对染色组织切片进行图像采集生成的；
对所述目标图像进行色彩通道分解，获得第一通道图像和第二通道图像，所述第一通道图像用于突出细胞核染色情况；所述第二通道图像用于突出细胞膜染色情况；
根据所述第二通道图像确定所述染色组织切片中细胞膜的染色形态，所述细胞膜的染色形态包括无染色、深染色或浅染色；
当所述细胞膜的染色形态为深染色时，根据所述第二通道图像中的细胞膜染色区域确定癌症区域；
当所述细胞膜的染色形态为无染色或浅染色时，根据所述第一通道图像中的细胞核染色区域确定癌症区域；
其中，所述根据所述第二通道图像确定所述染色组织切片中细胞膜的染色形态，包括：
从所述第二通道图像中提取细胞膜染色区域；
当所述细胞膜染色区域与所述第二通道图像的面积占比不大于第一阈值时，确定所述染色组织切片中细胞膜的染色形态为无染色；
当所述细胞膜染色区域与所述第二通道图像的面积占比大于第一阈值且所述细胞膜染色区域内像素平均值小于第二阈值时，确定所述染色组织切片中细胞膜的染色形态为浅染色；
当所述细胞膜染色区域与所述第二通道图像的面积占比大于第一阈值且所述细胞膜染色区域内像素平均值不小于第二阈值时，确定所述染色组织切片中细胞膜的染色形态为深染色；
其中，所述根据所述第一通道图像中的细胞核染色区域确定癌症区域，包括：
对所述第一通道图像进行二值化得到所述第一通道图像中的细胞核染色区域；
对所述细胞核染色区域进行膨胀处理，并统计各连通区域的区域面积；
当所述连通区域的区域面积小于第三阈值时，确定所述连通区域为间质区域，剔除所述间质区域；
当所述连通区域的区域面积不小于所述第三阈值时，确定所述连通区域为癌症区域。
2.根据权利要求1所述的图像处理方法，其特征在于，所述根据所述第二通道图像中的细胞膜染色区域确定癌症区域，包括：
对所述第二通道图像中的细胞膜染色区域进行区域空洞填充；
将填充后的区域确定为癌症区域。
3.根据权利要求1所述的图像处理方法，其特征在于，所述对所述第一通道图像进行二值化得到所述第一通道图像中的细胞核染色区域，包括：
针对所述第一通道图像，确定使得背景和前景之间的类间方差最大时灰度的值；
将所述灰度的值作为阈值，根据所述阈值对所述第一通道图像进行二值化处理得到所述第一通道图像中的细胞核染色区域。
4.根据权利要求1至3中任一项所述的图像处理方法，其特征在于，所述对所述目标图像进行色彩通道分解，获得第一通道图像和第二通道图像，包括：
将所述目标图像分解为苏木精、依红和二氨基联苯胺三个通道；
获取所述苏木精通道的图像作为所述第一通道图像，并获取所述二氨基联苯胺通道的图像作为所述第二通道图像。
5.根据权利要求1至3中任一项所述的图像处理方法，其特征在于，所述获取目标图像，包括：
接收采集设备采集的显微镜上观察的所述染色组织切片的图像，作为目标图像。
6.一种图像处理装置，其特征在于，包括：
目标图像获取模块，用于获取目标图像，所述目标图像是对染色组织切片进行图像采集生成的；
色彩通道分解模块，用于对所述目标图像进行色彩通道分解，获得第一通道图像和第二通道图像，所述第一通道图像用于突出细胞核染色情况；所述第二通道图像用于突出细胞膜染色情况；
染色形态分析模块，用于根据所述第二通道图像确定所述染色组织切片中细胞膜的染色形态，所述细胞膜的染色形态包括无染色、深染色或浅染色；
第一确定模块，用于当所述细胞膜的染色形态为深染色时，根据所述第二通道图像中的细胞膜染色区域确定癌症区域；
第二确定模块，用于当所述细胞膜的染色形态为无染色或浅染色时，根据所述第一通道图像中的细胞核染色区域确定癌症区域；
其中，所述染色形态分析模块，包括：
提取子模块，用于从所述第二通道图像中提取细胞膜染色区域；
第一分析子模块，用于当所述细胞膜染色区域与所述第二通道图像的面积占比不大于第一阈值时，确定所述染色组织切片中细胞膜的染色形态为无染色；
第二分析子模块，用于当所述细胞膜染色区域与所述第二通道图像的面积占比大于第一阈值且所述细胞膜染色区域内像素平均值小于第二阈值时，确定所述染色组织切片中细胞膜的染色形态为浅染色；
第三分析子模块，用于当所述细胞膜染色区域与所述第二通道图像的面积占比大于第一阈值且所述细胞膜染色区域内像素平均值不小于第二阈值时，确定所述染色组织切片中细胞膜的染色形态为深染色；
所述第二确定模块，包括：
二值化处理子模块，用于对所述第一通道图像进行二值化得到所述第一通道图像中的细胞核染色区域；
统计子模块，用于对所述细胞核染色区域进行膨胀处理，并统计各连通区域的区域面积；
提出子模块，用于当所述连通区域的区域面积小于第三阈值时，确定所述连通区域为间质区域，剔除所述间质区域；
第二确定子模块，用于当所述连通区域的区域面积不小于所述第三阈值时，确定所述连通区域为癌症区域。
7.根据权利要求6所述的图像处理装置，其特征在于，所述第一确定模块，包括：
填充子模块，用于对所述第二通道图像中的细胞膜染色区域进行区域空洞填充；
第一确定子模块，用于将填充后的区域确定为癌症区域。
8.根据权利要求6所述的图像处理装置，其特征在于，所述二值化处理子模块具体用于：
针对所述第一通道图像，确定使得背景和前景之间的类间方差最大时灰度的值，作为阈值；
根据所述阈值对所述第一通道图像进行二值化处理得到所述第一色彩通道中的细胞核染色区域。
9.一种图像处理设备，其特征在于，所述图像处理设备包括处理器以及存储器：
所述存储器用于存储计算机程序；
所述处理器用于根据所述计算机程序执行权利要求1至5中任一项所述的方法。
10.一种图像处理系统，其特征在于，所述系统包括：
显微镜、采集设备、以及图像处理设备；
所述显微镜，用于观察染色组织切片；
所述采集设备，用于在所述显微镜上观察所述染色组织切片时采集图像，将采集到的图像作为待处理的目标图像发送至图像处理设备；
所述图像处理设备，用于获取目标图像，对所述目标图像进行色彩通道分解，获得第一通道图像和第二通道图像，所述第一通道图像用于突出细胞核染色情况；所述第二通道图像用于突出细胞膜染色情况；根据所述第二通道图像确定所述染色组织切片中细胞膜的染色形态，当所述细胞膜的染色形态为深染色时，根据所述第二通道图像中的细胞膜染色区域确定癌症区域，当所述细胞膜的染色形态为无染色或浅染色时，根据所述第一通道图像中的细胞核染色区域确定癌症区域；
其中，所述根据所述第二通道图像确定所述染色组织切片中细胞膜的染色形态，包括：
从所述第二通道图像中提取细胞膜染色区域；
当所述细胞膜染色区域与所述第二通道图像的面积占比不大于第一阈值时，确定所述染色组织切片中细胞膜的染色形态为无染色；
当所述细胞膜染色区域与所述第二通道图像的面积占比大于第一阈值且所述细胞膜染色区域内像素平均值小于第二阈值时，确定所述染色组织切片中细胞膜的染色形态为浅染色；
当所述细胞膜染色区域与所述第二通道图像的面积占比大于第一阈值且所述细胞膜染色区域内像素平均值不小于第二阈值时，确定所述染色组织切片中细胞膜的染色形态为深染色；
其中，所述根据所述第一通道图像中的细胞核染色区域确定癌症区域，包括：
对所述第一通道图像进行二值化得到所述第一通道图像中的细胞核染色区域；
对所述细胞核染色区域进行膨胀处理，并统计各连通区域的区域面积；
当所述连通区域的区域面积小于第三阈值时，确定所述连通区域为间质区域，剔除所述间质区域；
当所述连通区域的区域面积不小于所述第三阈值时，确定所述连通区域为癌症区域。
11.一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用于存储计算机程序，所述计算机程序用于执行权利要求1至5中任一项所述的方法。
CN201910759288.3A 2019-08-16 2019-08-16 一种图像处理方法、装置、设备、系统及介质 Active CN110458835B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910759288.3A CN110458835B (zh) 2019-08-16 2019-08-16 一种图像处理方法、装置、设备、系统及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910759288.3A CN110458835B (zh) 2019-08-16 2019-08-16 一种图像处理方法、装置、设备、系统及介质

Publications (2)

Publication Number Publication Date
CN110458835A CN110458835A (zh) 2019-11-15
CN110458835B true CN110458835B (zh) 2022-02-01

Family

ID=68487313

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910759288.3A Active CN110458835B (zh) 2019-08-16 2019-08-16 一种图像处理方法、装置、设备、系统及介质

Country Status (1)

Country Link
CN (1) CN110458835B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111127434B (zh) * 2019-12-25 2024-03-08 志诺维思（北京）基因科技有限公司 染色分离方法及装置
CN111260677B (zh) * 2020-02-20 2023-03-03 腾讯医疗健康(深圳)有限公司 基于显微图像的细胞分析方法、装置、设备及存储介质
CN111339899B (zh) * 2020-02-21 2020-12-22 腾讯科技（深圳）有限公司 导管特征获取方法、装置、设备、介质和智能显微镜
CN111429440B (zh) * 2020-03-31 2023-04-28 上海杏脉信息科技有限公司 显微病理图像细胞充足检测方法、系统、设备、装置及介质
CN112014193B (zh) * 2020-07-24 2021-06-15 武汉大学中南医院 一种新的fj染色方法和装置
CN112330690B (zh) * 2020-11-02 2022-08-05 腾讯医疗健康(深圳)有限公司 基于显微图像的细胞分割方法、装置、设备及存储介质
CN112419295B (zh) * 2020-12-03 2024-08-23 腾讯科技（深圳）有限公司 医学图像处理方法、装置、计算机设备和存储介质
CN112614142B (zh) * 2020-12-25 2023-05-30 华侨大学 一种基于多通道图像融合的细胞弱标签制作方法及系统
CN114359247A (zh) * 2022-01-10 2022-04-15 腾讯科技（深圳）有限公司 图像处理方法、装置、计算机设备及存储介质
CN114841978A (zh) * 2022-05-18 2022-08-02 中国科学院深圳先进技术研究院 图像分区方法、装置、设备及可读存储介质
CN117831030B (zh) * 2023-11-15 2024-10-18 中康智慧(上海)生命科技有限公司 基于多模态的癌症早期器官病变症状智能识别方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109872335A (zh) * 2019-02-28 2019-06-11 志诺维思（北京）基因科技有限公司 一种用于pd-l1抗体染色切片的自动读片方法及其系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103097889B (zh) * 2010-09-30 2015-03-18 日本电气株式会社 信息处理设备、信息处理系统、信息处理方法、程序和记录介质
CN102831607B (zh) * 2012-08-08 2015-04-22 深圳市迈科龙生物技术有限公司 宫颈液基细胞图像分割方法
CA3209249A1 (en) * 2013-02-18 2014-08-21 Theranos Ip Company, Llc Image analysis and measurement of biological samples
US10586376B2 (en) * 2017-06-13 2020-03-10 Optrascan, Inc. Automated method of predicting efficacy of immunotherapy approaches
CN109697450B (zh) * 2017-10-20 2023-04-07 曦医生技股份有限公司 细胞分类方法
WO2019122047A1 (en) * 2017-12-22 2019-06-27 Ventana Medical Systems, Inc. System and method for generating selective stain segmentation images for cell types of interest
CN108646034B (zh) * 2018-07-03 2020-10-23 珠海圣美生物诊断技术有限公司 细胞群中的稀有细胞判读方法
CN110012278B (zh) * 2019-04-30 2020-07-07 腾讯科技（深圳）有限公司 一种图像渲染方法、装置、计算机设备和存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109872335A (zh) * 2019-02-28 2019-06-11 志诺维思（北京）基因科技有限公司 一种用于pd-l1抗体染色切片的自动读片方法及其系统

Also Published As

Publication number Publication date
CN110458835A (zh) 2019-11-15

Similar Documents

Publication Publication Date Title
CN110458835B (zh) 一种图像处理方法、装置、设备、系统及介质
CN110751215B (zh) 一种图像识别方法、装置、设备、系统及介质
EP3486836A1 (en) Image analysis method, apparatus, program, and learned deep learning algorithm
CN111145209B (zh) 一种医学图像分割方法、装置、设备及存储介质
Landini et al. Automatic thresholding from the gradients of region boundaries
Chang et al. Nuclear segmentation in H&E sections via multi-reference graph cut (MRGC)
CN110929728B (zh) 一种图像感兴趣区域划分方法、图像分割方法及装置
CN107527028A (zh) 目标细胞识别方法、装置及终端
US20180253590A1 (en) Systems, methods, and apparatuses for digital histopathological imaging for prescreened detection of cancer and other abnormalities
US11676268B2 (en) Image diagnosis assisting apparatus, image diagnosis assisting system and image diagnosis assisting method
Javed et al. An intelligent saliency segmentation technique and classification of low contrast skin lesion dermoscopic images based on histogram decision
CN111402267A (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
CN110632069B (zh) 循环肿瘤细胞检测方法、装置、设备及介质
WO2019184851A1 (zh) 图像处理方法和装置及神经网络模型的训练方法
CN110517273B (zh) 基于动态梯度阈值的细胞学图像分割方法
CN110544262B (zh) 一种基于机器视觉的子宫颈细胞图像分割方法
CN109815974A (zh) 一种细胞病理玻片分类方法、系统、设备、存储介质
CN111340831A (zh) 点云边缘检测方法和装置
CN111126162A (zh) 一种识别图像中炎症细胞的方法、装置及存储介质
KR20240012738A (ko) 인공지능 기술에 기반한 전립선암 조직의 세포 핵의 클러스터 분석 시스템 및 방법
Tomari et al. Red blood cell counting analysis by considering an overlapping constraint
CN113724235B (zh) 镜下环境改变条件时半自动化的Ki67/ER/PR阴性、阳性细胞计数系统及方法
CN109872307B (zh) 一种检测生物组织图像中肿块的方法、相应设备及介质
CN113255766B (zh) 一种图像分类方法、装置、设备和存储介质
CN114494887A (zh) 遥感图像分类方法、装置、计算机设备和可读存储介质

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