CN111127434B - 染色分离方法及装置 - Google Patents
染色分离方法及装置 Download PDFInfo
- Publication number
- CN111127434B CN111127434B CN201911352536.9A CN201911352536A CN111127434B CN 111127434 B CN111127434 B CN 111127434B CN 201911352536 A CN201911352536 A CN 201911352536A CN 111127434 B CN111127434 B CN 111127434B
- Authority
- CN
- China
- Prior art keywords
- image
- color base
- base vector
- pathological section
- dyeing
- 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
- 238000004043 dyeing Methods 0.000 title claims abstract description 112
- 238000000926 separation method Methods 0.000 title claims abstract description 58
- 239000013598 vector Substances 0.000 claims abstract description 214
- 230000001575 pathological effect Effects 0.000 claims abstract description 112
- 238000006243 chemical reaction Methods 0.000 claims abstract description 61
- 239000012535 impurity Substances 0.000 claims abstract description 30
- 230000009466 transformation Effects 0.000 claims abstract description 27
- 238000010186 staining Methods 0.000 claims description 80
- WZUVPPKBWHMQCE-UHFFFAOYSA-N Haematoxylin Chemical compound C12=CC(O)=C(O)C=C2CC2(O)C1C1=CC=C(O)C(O)=C1OC2 WZUVPPKBWHMQCE-UHFFFAOYSA-N 0.000 claims description 72
- 238000000354 decomposition reaction Methods 0.000 claims description 39
- SXEHKFHPFVVDIR-UHFFFAOYSA-N [4-(4-hydrazinylphenyl)phenyl]hydrazine Chemical compound C1=CC(NN)=CC=C1C1=CC=C(NN)C=C1 SXEHKFHPFVVDIR-UHFFFAOYSA-N 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000002829 reductive effect Effects 0.000 abstract description 11
- 239000000975 dye Substances 0.000 description 38
- 238000010586 diagram Methods 0.000 description 18
- 238000012545 processing Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000036961 partial effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 210000003855 cell nucleus Anatomy 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
Abstract
本申请实施例提供一种染色分离方法及装置，通过对病理切片染色图像进行分解转换，并根据分解转换得到的颜色基向量转换数据对病理切片染色图像进行二维极坐标变换，得到病理切片染色图像在该二维极坐标中的数据分布图像。接着，根据数据分布图像计算得到每个染色通道的标准颜色基向量，并根据标准颜色基向量分离出每个染色通道对应的染色通道图像。如此，能够对任意病理切片染色图像生成标准颜色基向量，提高染色分离准确性，并减少染色通道图像中其它类型的染色和杂质，使得各染色通道分离明显，减少重合信息和伪影。此外，本申请无需对病理切片染色图像进行标注，减少手动提取染色图像特征的需求，适用范围更广。
Description
技术领域
本申请涉及医学图像分析处理领域，具体而言，涉及一种染色分离方法及装置。
背景技术
目前，对于病理切片染色图像的染色分离，得到所需要的染色通道(例如二氨基联苯胺通道、苏木精通道等)图像，通常可以根据标注过的染色分离图像进行深度学习以对染色图像进行染色分离，或者使用聚类算法对染色图像进行染色分离等。然而，上述方案要求染色图像必须处于一些标准试验情况，分离条件苛刻，并且得到的染色通道图像存在较多其它类型的染色和杂质，导致各染色通道分离不明显，重合信息较多，存在较多伪影。并且，深度学习方案需要病理切片染色图像的有效标注，增加了手动提取染色图像特征的需求，适用范围有限。
发明内容
有鉴于此，本申请实施例的目的在于提供一种染色分离方法及装置，能够对任意病理切片染色图像生成标准颜色基向量，提高染色分离准确性，并减少染色通道图像中其它类型的染色和杂质，使得各染色通道分离明显，减少重合信息和伪影。此外，无需对病理切片染色图像进行标注，减少手动提取染色图像特征的需求，适用范围更广。
根据本申请实施例的一个方面，提供一种电子设备，可以包括一个或多个存储介质和一个或多个与存储介质通信的处理器。一个或多个存储介质存储有处理器可执行的机器可执行指令。当电子设备运行时，所述处理器执行所述机器可执行指令，以执行下述的染色分离方法。
根据本申请实施例的另一方面，提供一种染色分离方法，应用于电子设备，所述方法包括：
对获得的病理切片染色图像进行分解转换，得到所述病理切片染色图像的颜色基向量转换数据；
根据所述颜色基向量转换数据对所述病理切片染色图像进行二维极坐标变换，得到所述病理切片染色图像在该二维极坐标中的数据分布图像；
根据所述数据分布图像计算得到所述病理切片染色图像中每个染色通道的标准颜色基向量；
根据所述标准颜色基向量从所述病理切片染色图像中分离出每个染色通道对应的染色通道图像。
在一种可能的实施方式中，所述对获得的病理切片染色图像进行分解转换，得到所述病理切片染色图像的颜色基向量转换数据的步骤，包括：
将所述病理切片染色图像进行对数化处理，得到所述病理切片染色图像的对数化图像；
剔除所述对数化图像中像素值大于设定阈值的杂质像素点；
采用非负矩阵分解算法将剔除杂质像素点后的对数化图像进行矩阵分解转换，得到所述病理切片染色图像的颜色基向量转换数据。
在一种可能的实施方式中，所述采用非负矩阵分解算法将剔除杂质像素点后的对数化图像进行矩阵分解转换，得到所述病理切片染色图像的颜色基向量转换数据的步骤，包括：
将剔除杂质像素点后的对数化图像进行随机取样；
采用非负矩阵分解算法对每次随机取样得到的取样图像数据进行分解转换，得到每份取样图像数据的颜色基向量转换数据；
将每份取样图像数据的颜色基向量转换数据进行汇总，得到所述病理切片染色图像的颜色基向量转换数据。
在一种可能的实施方式中，所述染色通道包括二氨基联苯胺DAB通道和苏木精通道，所述根据所述数据分布图像计算得到所述病理切片染色图像中每个染色通道的标准颜色基向量的步骤，包括：
从所述数据分布图像中确定DAB通道对应的第一颜色基向量和苏木精通道对应的第二颜色基向量；
计算所述第一颜色基向量与所述第二颜色基向量之间的向量夹角；
根据所述向量夹角、所述第一颜色基向量的长度以及所述第二颜色基向量的长度确定所述DAB通道对应的第一标准颜色基向量和所述苏木精通道对应的第二标准颜色基向量，其中，所述第一标准颜色基向量与所述第一颜色基向量之间的第一夹角为所述向量夹角的第一预设比例，所述第二标准颜色基向量与所述第二颜色基向量之间的第二夹角为所述向量夹角的第二预设比例，所述第一标准颜色基向量的长度为所述第一颜色基向量的长度的第三预设比例，所述第二标准颜色基向量的长度为所述第二颜色基向量的长度的第四预设比例。
在一种可能的实施方式中，所述从所述数据分布图像中确定DAB通道对应的第一颜色基向量和苏木精通道对应的第二颜色基向量的步骤之前，还包括：
检测所述数据分布图像中的奇异点；
将检测到奇异点从所述数据分布图像中去除。
根据本申请实施例的另一方面，提供一种染色分离装置，应用于电子设备，所述装置包括：
分解转换模块，用于对获得的病理切片染色图像进行分解转换，得到所述病理切片染色图像的颜色基向量转换数据；
坐标变换模块，用于根据所述颜色基向量转换数据对所述病理切片染色图像进行二维极坐标变换，得到所述病理切片染色图像在该二维极坐标中的数据分布图像；
向量计算模块，用于根据所述数据分布图像计算得到所述病理切片染色图像中每个染色通道的标准颜色基向量；
图像分离模块，用于根据所述标准颜色基向量从所述病理切片染色图像分离出每个染色通道对应的染色通道图像。
根据本申请实施例的另一方面，提供一种可读存储介质，该可读存储介质上存储有机器可执行指令，该计算机程序被处理器运行时可以执行上述的染色分离方法的步骤。
基于上述任一方面，本申请实施例通过对病理切片染色图像进行分解转换，并根据分解转换得到的颜色基向量转换数据对病理切片染色图像进行二维极坐标变换，得到病理切片染色图像在该二维极坐标中的数据分布图像。接着，根据数据分布图像计算得到每个染色通道的标准颜色基向量，并根据标准颜色基向量分离出每个染色通道对应的染色通道图像。如此，能够对任意病理切片染色图像生成标准颜色基向量，提高染色分离准确性，并减少染色通道图像中其它类型的染色和杂质，使得各染色通道分离明显，减少重合信息和伪影。此外，本申请无需对病理切片染色图像进行标注，减少手动提取染色图像特征的需求，适用范围更广。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1示出了本申请实施例所提供的染色分离方法的流程示意图；
图2示出了一种未标记的病理切片染色图像的示意图；
图3示出了本申请实施例所提供的针对图2所示的病理切片染色图像进行杂质像素点剔除后的示意图；
图4示出了本申请实施例所提供的针对图1所示的病理切片染色图像进行二维极坐标变换得到的在该二维极坐标中的数据分布图像；
图5示出了本申请实施例所提供的针对图4所示的数据分布图像去除奇异点后的示意图；
图6a和图6b示出了采用本申请实施例所提供的染色分离方法从图2中的病理切片染色图像中分离得到的苏木精通道图像和DAB通道图像的示意图；
图7a和图7b示出了未采用本申请实施例所提供的染色分离方法从图2中的病理切片染色图像中分离得到的苏木精通道图像和DAB通道图像的示意图；
图8a和图8b示出了采用本申请实施例所提供的染色分离方法从图2中的病理切片染色图像中分离得到的部分坐标区域的苏木精通道图像示意图；
图9a和图9b示出了未采用本申请实施例所提供的染色分离方法从图2中的病理切片染色图像中分离得到的部分坐标区域的苏木精通道图像示意图；
图10a和图10b示出了采用本申请实施例所提供的染色分离方法从图2中的病理切片染色图像中分离得到的坐标区域的DAB通道图像示意图；
图11a和图11b示出了未采用本申请实施例所提供的染色分离方法从图2中的病理切片染色图像中分离得到的部分坐标区域的DAB通道图像示意图；
图12示出了本申请实施例所提供的用于执行上述染色分离方法的电子设备的结构示意框图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，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，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请实施例的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的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。
图1示出了本申请实施例提供的染色分离方法的流程示意图，应当理解，在其它实施例中，本实施例的染色分离方法其中部分步骤的顺序可以根据实际需要相互交换，或者其中的部分步骤也可以省略或删除。该染色分离方法的详细步骤介绍如下。
步骤S110，对获得的病理切片染色图像进行分解转换，得到所述病理切片染色图像的颜色基向量转换数据。
步骤S120，根据所述颜色基向量转换数据对所述病理切片染色图像进行二维极坐标变换，得到所述病理切片染色图像在该二维极坐标中的数据分布图像。
步骤S130，根据所述数据分布图像计算得到所述病理切片染色图像中每个染色通道的标准颜色基向量。
步骤S140，根据所述标准颜色基向量从所述病理切片染色图像中分离出每个染色通道对应的染色通道图像。
基于上述步骤，本实施例通过对病理切片染色图像进行转换后，根据得到的颜色基向量转换数据对病理切片染色图像进行二维极坐标变换，以使得该病理切片染色图像在该二维极坐标中的数据分布图像可以从整体上反应该病理切片染色图像的标准颜色基向量的特征，并以此根据数据分布图像计算得到每个染色通道的标准颜色基向量后，从该病理切片染色图像中分离出每个染色通道对应的染色通道图像。如此，能够对任意病理切片染色图像生成标准颜色基向量，提高染色分离准确性，并减少染色通道图像中其它类型的染色和杂质，使得各染色通道分离明显，减少重合信息和伪影。此外，上述方案无需进行深度学习训练，因此也无需对病理切片染色图像进行标注，可以减少手动提取染色图像特征的需求，适用范围更广。
在一种可能的实施方式中，针对步骤S110，首先将所述病理切片染色图像进行对数化处理，得到所述病理切片染色图像的对数化图像，以将病理切片染色图像映射到一个线性空间。在此基础上，为了避免高亮像素点对后续处理过程中造成影响，接下来可以剔除所述对数化图像中像素值大于设定阈值的杂质像素点，然后采用非负矩阵分解算法将剔除杂质像素点后的对数化图像进行矩阵分解转换，得到所述病理切片染色图像的颜色基向量转换数据。
其中，以图2所示的病理切片染色图像为例，图3为采用上述方案对该病理切片染色图像进行杂质像素点剔除后的示意图，可以看出，剔除杂质像素点后的病理切片染色图像中，黑色区域为杂质去除区域。
可选地，为了避免一次性处理增加过多计算量，可以将剔除杂质像素点后的对数化图像进行随机取样，然后采用非负矩阵分解算法对每次随机取样得到的取样图像数据进行分解转换，得到每份取样图像数据的颜色基向量转换数据，最后将每份取样图像数据的颜色基向量转换数据进行汇总，得到所述病理切片染色图像的颜色基向量转换数据。
在一种可能的实施方式中，针对步骤S120，可以所得的颜色基向量转换数据对所述病理切片染色图像进行二维极坐标变换，得到所述病理切片染色图像在该二维极坐标中的数据分布图像。作为示例，该数据分布图像如图4所示，图4中从左上角原点出发的深黑色像素点区域即为所述病理切片染色图像的图像数据点。
在前述基础上，针对步骤S130，所述病理切片染色图像中的染色通道可以根据实际染色图像的染色类型进行确定。例如，在一种可能的实施方式中，所述染色通道可以包括二氨基联苯胺DAB(Diaminobenzidine)通道和苏木精(Hematoxylin)通道。
详细地，本步骤中，首先从所述数据分布图像中确定DAB通道对应的第一颜色基向量和苏木精通道对应的第二颜色基向量。以图4为例，第一颜色基向量和第二颜色基向量分别为该深黑色像素点区域中从原点出发的两条不同射线中所有像素点构成的边界。
在上述基础上，计算所述第一颜色基向量与所述第二颜色基向量之间的向量夹角，然后根据所述向量夹角、所述第一颜色基向量的长度以及所述第二颜色基向量的长度确定所述DAB通道对应的第一标准颜色基向量和所述苏木精通道对应的第二标准颜色基向量。
其中，所述第一标准颜色基向量与所述第一颜色基向量之间的第一夹角为所述向量夹角的第一预设比例，所述第二标准颜色基向量与所述第二颜色基向量之间的第二夹角为所述向量夹角的第二预设比例，所述第一标准颜色基向量的长度为所述第一颜色基向量的长度的第三预设比例，所述第二标准颜色基向量的长度为所述第二颜色基向量的长度的第四预设比例。
值得说明的是，上述第一预设比例、第二预设比例、第三预设比例以及第四预设比例可以根据不同情况进行确定，本实施例对此不作具体限定。示例性地，第一预设比例和第二预设比例可以为0.1，第三预设比例和第四预设比例可以为0.05。
例如，假设所述第一颜色基向量与所述第二颜色基向量之间的向量夹角为60度，所述第一颜色基向量的长度为10个坐标单位，所述第二颜色基向量的长度为15个坐标单位，那么所述第一标准颜色基向量与所述第一颜色基向量之间的第一夹角为6度，所述第二标准颜色基向量与所述第二颜色基向量之间的第二夹角为6度，所述第一标准颜色基向量的长度为0.5个坐标单位，所述第二标准颜色基向量的长度为0.75个坐标单位。
示例性地，以图5中所示的数据分布图像为例，黑色叉标志m1与原点之间的连线的向量即为DAB通道对应的第一标准颜色基向量，黑色三角标志m2与原点之间的连线的向量即为苏木精通道对应的第二颜色基向量。
可选地，为了进一步对前述标准颜色基向量进行优化以提高标准颜色基向量的代表性，本实施例还可以检测所述数据分布图像中的奇异点，奇异点是指数据分布图像中的某些样点与其周围像素点的像素值相差大于设定阈值，在视觉上比较刺目的点，这些奇异点会影响后续提取的标准颜色基向量的准确性。因此，在提取标准颜色基向量之前，可以将检测到奇异点从所述数据分布图像中去除。
在上述基础上，针对步骤S140，根据上述提取出的第一标准颜色基向量和第二标准颜色基向量，采用反卷积算法从所述病理切片染色图像中分离出DAB通道图像和苏木精通道图像。以图6a和图6b为例，分别示出了采用本实施例提供的方案的实验组分离出的苏木精通道图像和DAB通道图像。
为证明使用本实施例所得的标准颜色基向量可以提高染色分离的准确性，下面结合图6a和图6b中使用本实施例提供的方案的实验组所得的染色分离结果，与图7a和图7b中未使用本实施例提供的方案的对照组的染色分离结果进行对比。作为本实施例的对照组，均针对同一份病理切片染色图像使用相同的反卷积算法进行染色分离，不同之处在于，对照组使用的反卷积算法所使用的标准颜色基向量为通用的标准颜色基向量。
下面将通过对比实验组例的染色分离结果(图6a和图6b)与对照组的染色分离结果(图7a和图7b)中苏木精通道图像和DAB通道图像上杂质和其它染色区域的大小和数量，阐述实验组得到的染色分离结果的准确性。
图8a和图8b分别示出了实验组进行染色分离得到坐标为(100，300)和(450，500)的苏木精通道图像，图9a和图9b分别示出了对照组进行染色分离得到坐标为(50，300)和(450，500)的苏木精通道图像，可以看出，实验组的苏木精通道信号明显，可肉眼辨别细胞核区，而对照组的苏木精通道亮度差异小，肉眼难以辨认。
图10a和图10b分别示出了实验组进行染色分离得到坐标为(250，50)和(450，200)的DAB通道图像，图11a和图11b分别示出了对照组进行染色分离得到坐标为(250，20)和(450，200)的DAB通道图像，可以看出，实验组的DAB通道信号明显，且苏木精染色的核区被分离，通道清晰，而对照组的DAB通道亮度低、差异小、信号弱，且存在苏木精染色伪影，通道模糊。
由此，通过采用本实施例计算得到的每个染色通道的标准颜色基向量分离出的每个染色通道对应的染色通道图像，可以提高染色分离准确性，并减少染色通道图像中其它类型的染色和杂质，使得各染色通道分离明显，减少重合信息和伪影。此外，无需对病理切片染色图像进行标注，减少手动提取染色图像特征的需求，适用范围更广。
图12示出了本申请实施例提供的用于执行上述的染色分离方法的电子设备100的结构示意图，本实施例中，该电子设备100可以包括存储介质110、处理器120以及染色分离装置130。
其中，处理器120可以是一个通用的中央处理器(Central Processing Unit，CPU)，微处理器，特定应用集成电路(Application-Specific Integrated Circuit，ASIC)，或一个或多个用于控制上述方法实施例提供的染色分离方法的程序执行的集成电路。
存储介质110可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(Electrically Erasable Programmabler-Only Memory，EEPROM)、只读光盘(Compactdisc Read-Only Memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储介质110可以是独立存在，通过通信总线与处理器120相连接。存储介质110也可以和处理器集成在一起。其中，存储介质110用于存储执行本申请方案的应用程序代码，例如图12中所示的染色分离装置130，并由处理器120来控制执行。处理器120用于执行存储介质110中存储的应用程序代码，例如染色分离装置130，以执行上述方法实施例的染色分离方法。
本申请可以根据上述方法实施例对染色分离装置130进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本申请中对模块的划分是示意性的，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。比如，在采用对应各个功能划分各个功能模块的情况下，图12示出的染色分离装置130只是一种装置示意图。其中，染色分离装置130可以包括分解转换模块131、坐标变换模块132、向量计算模块133以及图像分离模块134，下面分别对该染色分离装置130的各个功能模块的功能进行详细阐述。
分解转换模块131，用于对获得的病理切片染色图像进行分解转换，得到所述病理切片染色图像的颜色基向量转换数据。可以理解，该分解转换模块131可以用于执行上述步骤S110，关于该分解转换模块131的详细实现方式可以参照上述对步骤S110有关的内容。
坐标变换模块132，用于根据所述颜色基向量转换数据对所述病理切片染色图像进行二维极坐标变换，得到所述病理切片染色图像在该二维极坐标中的数据分布图像。可以理解，该坐标变换模块132可以用于执行上述步骤S120，关于该坐标变换模块132的详细实现方式可以参照上述对步骤S120有关的内容。
向量计算模块133，用于根据所述数据分布图像计算得到所述病理切片染色图像中每个染色通道的标准颜色基向量。可以理解，该向量计算模块133可以用于执行上述步骤S130，关于该向量计算模块133的详细实现方式可以参照上述对步骤S130有关的内容。
图像分离模块134，用于根据所述标准颜色基向量从所述病理切片染色图像分离出每个染色通道对应的染色通道图像。可以理解，该图像分离模块134可以用于执行上述步骤S140，关于该图像分离模块134的详细实现方式可以参照上述对步骤S140有关的内容。
在一种可能的实施方式中，所述分解转换模块131通过以下方式对获得的病理切片染色图像进行分解转换，得到所述病理切片染色图像的颜色基向量转换数据：
将所述病理切片染色图像进行对数化处理，得到所述病理切片染色图像的对数化图像；
剔除所述对数化图像中像素值大于设定阈值的杂质像素点；
采用非负矩阵分解算法将剔除杂质像素点后的对数化图像进行矩阵分解转换，得到所述病理切片染色图像的颜色基向量转换数据。
在一种可能的实施方式中，所述分解转换模块131通过以下方式将剔除杂质像素点后的对数化图像进行分解转换，得到所述病理切片染色图像的颜色基向量转换数据：
将剔除杂质像素点后的对数化图像进行随机取样；
采用非负矩阵分解算法对每次随机取样得到的取样图像数据进行分解转换，得到每份取样图像数据的颜色基向量转换数据；
将每份取样图像数据的颜色基向量转换数据进行汇总，得到所述病理切片染色图像的颜色基向量转换数据。
在一种可能的实施方式中，所述染色通道包括二氨基联苯胺DAB通道和苏木精通道，所述向量计算模块133通过以下方式计算得到所述病理切片染色图像中每个染色通道的标准颜色基向量：
从所述数据分布图像中确定DAB通道对应的第一颜色基向量和苏木精通道对应的第二颜色基向量；
计算所述第一颜色基向量与所述第二颜色基向量之间的向量夹角；
根据所述向量夹角、所述第一颜色基向量的长度以及所述第二颜色基向量的长度确定所述DAB通道对应的第一标准颜色基向量和所述苏木精通道对应的第二标准颜色基向量，其中，所述第一标准颜色基向量与所述第一颜色基向量之间的第一夹角为所述向量夹角的第一预设比例，所述第二标准颜色基向量与所述第二颜色基向量之间的第二夹角为所述向量夹角的第二预设比例，所述第一标准颜色基向量的长度为所述第一颜色基向量的长度的第三预设比例，所述第二标准颜色基向量的长度为所述第二颜色基向量的长度的第四预设比例。
在一种可能的实施方式中，所述向量计算模块133还用于在从所述数据分布图像中确定DAB通道对应的第一颜色基向量和苏木精通道对应的第二颜色基向量之前检测所述数据分布图像中的奇异点，并将检测到奇异点从所述数据分布图像中去除。
由于本申请实施例提供的染色分离装置130是图2所示的染色分离方法的另一种实现形式，且染色分离装置130可用于执行图2所示的实施例所提供的方法，因此其所能获得的技术效果可参考上述方法实施例，在此不再赘述。
进一步地，基于同一发明构思，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述染色分离方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述染色分离方法。
本申请实施例是参照根据本申请实施例的方法、设备(如图12的电子设备100)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
尽管在此结合各实施例对本申请进行了描述，然而，在实施所要求保护的本申请过程中，本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书，可理解并实现所述公开实施例的其他变化。在权利要求中，“包括”一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。
以上所述，仅为本申请的各种实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
Claims (8)
1.一种染色分离方法，其特征在于，应用于电子设备，所述方法包括：
对获得的病理切片染色图像进行分解转换，得到所述病理切片染色图像的颜色基向量转换数据；
根据所述颜色基向量转换数据对所述病理切片染色图像进行二维极坐标变换，得到所述病理切片染色图像在该二维极坐标中的数据分布图像；
根据所述数据分布图像计算得到所述病理切片染色图像中每个染色通道的标准颜色基向量；
根据所述标准颜色基向量从所述病理切片染色图像中分离出每个染色通道对应的染色通道图像；
所述染色通道包括二氨基联苯胺DAB通道和苏木精通道，所述根据所述数据分布图像计算得到所述病理切片染色图像中每个染色通道的标准颜色基向量的步骤，包括：
从所述数据分布图像中确定DAB通道对应的第一颜色基向量和苏木精通道对应的第二颜色基向量；
计算所述第一颜色基向量与所述第二颜色基向量之间的向量夹角；
根据所述向量夹角、所述第一颜色基向量的长度以及所述第二颜色基向量的长度确定所述DAB通道对应的第一标准颜色基向量和所述苏木精通道对应的第二标准颜色基向量，其中，所述第一标准颜色基向量与所述第一颜色基向量之间的第一夹角为所述向量夹角的第一预设比例，所述第二标准颜色基向量与所述第二颜色基向量之间的第二夹角为所述向量夹角的第二预设比例，所述第一标准颜色基向量的长度为所述第一颜色基向量的长度的第三预设比例，所述第二标准颜色基向量的长度为所述第二颜色基向量的长度的第四预设比例。
2.根据权利要求1所述的染色分离方法，其特征在于，所述对获得的病理切片染色图像进行分解转换，得到所述病理切片染色图像的颜色基向量转换数据的步骤，包括：
将所述病理切片染色图像进行对数化处理，得到所述病理切片染色图像的对数化图像；
剔除所述对数化图像中像素值大于设定阈值的杂质像素点；
采用非负矩阵分解算法将剔除杂质像素点后的对数化图像进行矩阵分解转换，得到所述病理切片染色图像的颜色基向量转换数据。
3.根据权利要求2所述的染色分离方法，其特征在于，所述采用非负矩阵分解算法将剔除杂质像素点后的对数化图像进行矩阵分解转换，得到所述病理切片染色图像的颜色基向量转换数据的步骤，包括：
将剔除杂质像素点后的对数化图像进行随机取样；
采用非负矩阵分解算法对每次随机取样得到的取样图像数据进行分解转换，得到每份取样图像数据的颜色基向量转换数据；
将每份取样图像数据的颜色基向量转换数据进行汇总，得到所述病理切片染色图像的颜色基向量转换数据。
4.根据权利要求1所述的染色分离方法，其特征在于，所述从所述数据分布图像中确定DAB通道对应的第一颜色基向量和苏木精通道对应的第二颜色基向量的步骤之前，还包括：
检测所述数据分布图像中的奇异点；
将检测到奇异点从所述数据分布图像中去除。
5.一种染色分离装置，其特征在于，应用于电子设备，所述装置包括：
分解转换模块，用于对获得的病理切片染色图像进行分解转换，得到所述病理切片染色图像的颜色基向量转换数据；
坐标变换模块，用于根据所述颜色基向量转换数据对所述病理切片染色图像进行二维极坐标变换，得到所述病理切片染色图像在该二维极坐标中的数据分布图像；
向量计算模块，用于根据所述数据分布图像计算得到所述病理切片染色图像中每个染色通道的标准颜色基向量；
图像分离模块，用于根据所述标准颜色基向量从所述病理切片染色图像分离出每个染色通道对应的染色通道图像；
所述染色通道包括二氨基联苯胺DAB通道和苏木精通道，所述向量计算模块通过以下方式计算得到所述病理切片染色图像中每个染色通道的标准颜色基向量：
从所述数据分布图像中确定DAB通道对应的第一颜色基向量和苏木精通道对应的第二颜色基向量；
计算所述第一颜色基向量与所述第二颜色基向量之间的向量夹角；
根据所述向量夹角、所述第一颜色基向量的长度以及所述第二颜色基向量的长度确定所述DAB通道对应的第一标准颜色基向量和所述苏木精通道对应的第二标准颜色基向量，其中，所述第一标准颜色基向量与所述第一颜色基向量之间的第一夹角为所述向量夹角的第一预设比例，所述第二标准颜色基向量与所述第二颜色基向量之间的第二夹角为所述向量夹角的第二预设比例，所述第一标准颜色基向量的长度为所述第一颜色基向量的长度的第三预设比例，所述第二标准颜色基向量的长度为所述第二颜色基向量的长度的第四预设比例。
6.根据权利要求5所述的染色分离装置，其特征在于，所述分解转换模块通过以下方式对获得的病理切片染色图像进行分解转换，得到所述病理切片染色图像的颜色基向量转换数据：
将所述病理切片染色图像进行对数化处理，得到所述病理切片染色图像的对数化图像；
剔除所述对数化图像中像素值大于设定阈值的杂质像素点；
采用非负矩阵分解算法将剔除杂质像素点后的对数化图像进行矩阵分解转换，得到所述病理切片染色图像的颜色基向量转换数据。
7.根据权利要求6所述的染色分离装置，其特征在于，所述分解转换模块通过以下方式将剔除杂质像素点后的对数化图像进行分解转换，得到所述病理切片染色图像的颜色基向量转换数据：
将剔除杂质像素点后的对数化图像进行随机取样；
采用非负矩阵分解算法对每次随机取样得到的取样图像数据进行分解转换，得到每份取样图像数据的颜色基向量转换数据；
将每份取样图像数据的颜色基向量转换数据进行汇总，得到所述病理切片染色图像的颜色基向量转换数据。
8.根据权利要求5所述的染色分离装置，其特征在于，所述向量计算模块还用于在从所述数据分布图像中确定DAB通道对应的第一颜色基向量和苏木精通道对应的第二颜色基向量之前检测所述数据分布图像中的奇异点，并将检测到奇异点从所述数据分布图像中去除。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911352536.9A CN111127434B (zh) | 2019-12-25 | 2019-12-25 | 染色分离方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911352536.9A CN111127434B (zh) | 2019-12-25 | 2019-12-25 | 染色分离方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111127434A CN111127434A (zh) | 2020-05-08 |
| CN111127434B true CN111127434B (zh) | 2024-03-08 |
Family
ID=70502325
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911352536.9A Active CN111127434B (zh) | 2019-12-25 | 2019-12-25 | 染色分离方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111127434B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115293985B (zh) * | 2022-08-11 | 2023-04-07 | 北京拙河科技有限公司 | 一种用于图像优化的超分降噪方法及装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002057295A2 (en) * | 2001-01-16 | 2002-07-25 | Calibrant Biosystems, Inc. | Microfluidic apparatus for performing gel protein extractions and methods for using the apparatus |
| DE102010037855A1 (de) * | 2009-09-30 | 2011-03-31 | General Electric Company | Färbungs-basierte optimierte Kompression von digitalen Pathologieobjektträgern |
| AU2015221546A1 (en) * | 2010-11-29 | 2015-09-24 | Agilent Technologies, Inc. | Methods and systems for analyzing images of specimens processed by a programmable quantitative assay |
| CN106940889A (zh) * | 2017-03-30 | 2017-07-11 | 福建师范大学 | 基于像素邻域特征聚类的淋巴结he染色病理图像分割方法 |
| CN107977682A (zh) * | 2017-12-19 | 2018-05-01 | 南京大学 | 基于极坐标变换数据增强的淋巴类细胞分类方法及其装置 |
| CN108021903A (zh) * | 2017-12-19 | 2018-05-11 | 南京大学 | 基于神经网络的人工标注白细胞的误差校准方法及装置 |
| CN109345601A (zh) * | 2018-09-21 | 2019-02-15 | 合肥工业大学 | 基于低秩嵌入非负矩阵分解的病理图像颜色标准化的方法 |
| CN110223305A (zh) * | 2019-06-12 | 2019-09-10 | 志诺维思（北京）基因科技有限公司 | 细胞分割方法、装置及可读存储介质 |
| CN110458835A (zh) * | 2019-08-16 | 2019-11-15 | 腾讯科技（深圳）有限公司 | 一种图像处理方法、装置、设备及介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8744165B2 (en) * | 2012-07-19 | 2014-06-03 | Sony Corporation | Method and apparatus for stain separation in digital pathology images |
-
2019
- 2019-12-25 CN CN201911352536.9A patent/CN111127434B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002057295A2 (en) * | 2001-01-16 | 2002-07-25 | Calibrant Biosystems, Inc. | Microfluidic apparatus for performing gel protein extractions and methods for using the apparatus |
| DE102010037855A1 (de) * | 2009-09-30 | 2011-03-31 | General Electric Company | Färbungs-basierte optimierte Kompression von digitalen Pathologieobjektträgern |
| AU2015221546A1 (en) * | 2010-11-29 | 2015-09-24 | Agilent Technologies, Inc. | Methods and systems for analyzing images of specimens processed by a programmable quantitative assay |
| CN106940889A (zh) * | 2017-03-30 | 2017-07-11 | 福建师范大学 | 基于像素邻域特征聚类的淋巴结he染色病理图像分割方法 |
| CN107977682A (zh) * | 2017-12-19 | 2018-05-01 | 南京大学 | 基于极坐标变换数据增强的淋巴类细胞分类方法及其装置 |
| CN108021903A (zh) * | 2017-12-19 | 2018-05-11 | 南京大学 | 基于神经网络的人工标注白细胞的误差校准方法及装置 |
| CN109345601A (zh) * | 2018-09-21 | 2019-02-15 | 合肥工业大学 | 基于低秩嵌入非负矩阵分解的病理图像颜色标准化的方法 |
| CN110223305A (zh) * | 2019-06-12 | 2019-09-10 | 志诺维思（北京）基因科技有限公司 | 细胞分割方法、装置及可读存储介质 |
| CN110458835A (zh) * | 2019-08-16 | 2019-11-15 | 腾讯科技（深圳）有限公司 | 一种图像处理方法、装置、设备及介质 |
Non-Patent Citations (2)
| Title |
|---|
| Fermi平台下的医学超声实时扫描转换并行算法;何兴无;张霞;;重庆师范大学学报(自然科学版);20130520(03);全文 * |
| 基于非负矩阵分解的病理图像染色分离方法;张翼;王丽君;庞宝川;;信息技术;20180625(06);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111127434A (zh) | 2020-05-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108229490B (zh) | 关键点检测方法、神经网络训练方法、装置和电子设备 | |
| US10817741B2 (en) | Word segmentation system, method and device | |
| CN111681273B (zh) | 图像分割方法、装置、电子设备及可读存储介质 | |
| EP2899671A1 (en) | Identification method and device for target object in image | |
| CN110991310B (zh) | 人像检测方法、装置、电子设备及计算机可读介质 | |
| US20180101951A1 (en) | Method and system for processing image | |
| CN110223305B (zh) | 细胞分割方法、装置及可读存储介质 | |
| Harb et al. | Improved image magnification algorithm based on Otsu thresholding | |
| CN110110667B (zh) | 一种硅藻图像的处理方法、系统及相关组件 | |
| Liang et al. | A new wavelet-Laplacian method for arbitrarily-oriented character segmentation in video text lines | |
| CN104281850B (zh) | 一种文字区域识别方法和装置 | |
| CN111127434B (zh) | 染色分离方法及装置 | |
| CN116228746A (zh) | 缺陷检测方法、装置、电子设备、存储介质和程序产品 | |
| CN108877030B (zh) | 图像处理方法、装置、终端和计算机可读存储介质 | |
| CN114972339A (zh) | 用于推土机结构件生产异常检测的数据增强系统 | |
| CN111614959B (zh) | 一种视频打码方法、装置以及电子设备 | |
| CN110991408B (zh) | 基于深度学习方法分割脑白质高信号的方法和装置 | |
| JP2014016710A (ja) | 対象物検出装置及びプログラム | |
| JP2016053763A (ja) | 画像処理装置、画像処理方法及びプログラム | |
| US20220207724A1 (en) | Method of determining a distribution of stem cells in a cell image, electronic device, and storage medium | |
| CN113743360B (zh) | 智能化印章解析的方法和装置 | |
| CN115578362A (zh) | 电极涂层的缺陷检测方法、装置、电子设备及介质 | |
| CN113554024A (zh) | 一种车辆的清洁度的确定方法、装置及计算机设备 | |
| CN117523219A (zh) | 图像处理方法及装置、电子设备、存储介质 | |
| CN111401352B (zh) | 文本图片下划线识别方法、装置、计算机设备及存储介质 |
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 |