CN111161212A - 数字病理切片有丝核分裂象统计方法、装置、设备和介质 - Google Patents
数字病理切片有丝核分裂象统计方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN111161212A CN111161212A CN201911232177.3A CN201911232177A CN111161212A CN 111161212 A CN111161212 A CN 111161212A CN 201911232177 A CN201911232177 A CN 201911232177A CN 111161212 A CN111161212 A CN 111161212A
- Authority
- CN
- China
- Prior art keywords
- mitotic
- statistical
- digital medical
- images
- 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.)
- Granted
Links
- 230000000394 mitotic effect Effects 0.000 title claims abstract description 225
- 230000001575 pathological effect Effects 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 43
- 210000004881 tumor cell Anatomy 0.000 claims abstract description 154
- 210000004027 cell Anatomy 0.000 claims abstract description 61
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 57
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000007619 statistical method Methods 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000013441 quality evaluation Methods 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 6
- 230000007170 pathology Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 210000004940 nucleus Anatomy 0.000 description 21
- 230000035755 proliferation Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 238000013467 fragmentation Methods 0.000 description 2
- 238000006062 fragmentation reaction Methods 0.000 description 2
- 210000000633 nuclear envelope Anatomy 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 108010077544 Chromatin Proteins 0.000 description 1
- 230000001640 apoptogenic effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000003855 cell nucleus Anatomy 0.000 description 1
- 210000003483 chromatin Anatomy 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 210000002808 connective tissue Anatomy 0.000 description 1
- 210000000805 cytoplasm Anatomy 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- 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)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明实施例公开了一种数字病理切片有丝核分裂象统计方法，该方法包括：获取病理样本对应的数字医学图像；对数字医学图像进行识别，根据识别结果将所述数字医学图像划分为有效统计区域和无效统计区域；识别有效统计区域中各个肿瘤细胞的细胞状态，根据各个肿瘤细胞的细胞状态确定目标统计区域；统计目标统计区域中有丝核分裂象的数量，根据有丝核分裂象的数量确定所述有丝核分裂象的占比。上述数字病理切片有丝核分裂象统计方法确定了统计目标统计区域内有丝核分裂象的数量，因此排除了因显微镜规格、肿瘤间质比、细胞密度等因素导致的诊断结偏差，同时由于结合了计算机识别和机器视觉，能实现快速且精准的定量检测分析。
Description
技术领域
本发明涉及有丝核分裂象统计技术领域，尤其是涉及一种数字病理切片有丝核分裂象统计方法、装置、设备和介质。
背景技术
恶性肿瘤的特征之一是肿瘤细胞中有丝核分裂象数量增多，因此统计有丝核分裂象的数量能一定程度上评价肿瘤的恶性程度。通常的有丝核分裂象统计方法通过寻找核分裂活跃区域，再从有核分裂的视野开始观察、计数多组10-40 个高倍视野下的有丝核分裂象数量，最后将有丝核分裂象的平均值作为最终统计结果。而随着计算机技术的不断进步，人工智能与医疗相结合的方式逐渐被应用。人工智能通过结合大数据与深度学习等技术，目前能实现几十种肿瘤细胞的判断分析，通过结合人工智能的机器阅片方式能明显提高阅片效率以及阅片的准确性。
然而，在高倍显微镜下阅读病理切片时，由于单位HPF的视野内的范围不一致，不同显微镜的观察区域大小有明显差异。其次，由于肿瘤细胞医学图像中还包括有不包含肿瘤细胞的干扰区域，所以这种有丝核分裂象统计方法存在着统计不准确的问题。比如，肿瘤组织内还存在肿瘤间质，而肿瘤间质是肿瘤组织中不包含肿瘤细胞的干扰区域，肿瘤间质内不存在有丝核分裂象，若不同数字医学图像中肿瘤细胞与间质的分布不均，当肿瘤性间质较多时，不能准确反应肿瘤的有丝核分裂象情况。同时，不同的肿瘤细胞密度下观察到的有丝核分裂象情况也会存在较大差异。传统的人工阅片时，医生还能根据经验来评估筛选。但是，在人工智能的阅片的条件下，有丝核分裂象统计方法会由于显微镜规格、肿瘤间质比、细胞密度等因素导致结果差异。
发明内容
基于此，有必要针对上述问题，提供一种能准确反映有丝核分裂象情况的数字病理切片有丝核分裂象统计方法、装置、设备和介质。
一种数字病理切片有丝核分裂象统计方法，其特征在于，所述方法包括：
获取病理样本对应的数字医学图像；
对所述数字医学图像进行识别，根据识别结果将所述数字医学图像划分为有效统计区域和无效统计区域；
识别所述有效统计区域中各个肿瘤细胞的细胞状态，根据所述各个肿瘤细胞的细胞状态确定目标统计区域；
统计所述目标统计区域中有丝核分裂象的数量，根据所述有丝核分裂象的数量确定所述有丝核分裂象的占比。
在其中一个实施例中，所述统计所述目标统计区域中有丝核分裂象的数量，根据所述有丝核分裂象的数量确定所述有丝核分裂象的占比，包括：
获取所述目标统计区域所占的总面积；
根据所述有丝核分裂象的数量和所述目标统计区域所占的总面积计算得到单位面积内包含的有丝核分裂象的数量。
在其中一个实施例中，所述统计所述目标统计区域中有丝核分裂象的数量，根据所述有丝核分裂象的数量确定所述有丝核分裂象的占比，包括：
获取所述目标统计区域中肿瘤细胞的总数量；
根据所述有丝核分裂象的数量和所述目标统计区域中肿瘤细胞的总数量计算得到有丝核分裂象的数量占肿瘤细胞总数的比例。
在其中一个实施例中，所述对所述数字医学图像进行识别，根据识别结果将所述数字医学图像划分为有效统计区域和无效统计区域，包括：
通过深度神经网络识别数字医学图像中的肿瘤实质区域与肿瘤间质区域；
将所述肿瘤实质区域作为有效统计区域，将所述肿瘤间质区域作为无效统计区域。
在其中一个实施例中，所述获取病理样本对应的数字医学图像，包括：获取病理样本对应的多张不同数字医学图像；
所述统计所述目标统计区域中有丝核分裂象的数量，根据所述有丝核分裂象的数量确定所述有丝核分裂象的占比，包括：
统计每一张数字医学图像中目标统计区域中的有丝核分裂象的数量，对所有数字医学图像中目标统计区域中的有丝核分裂象的数量求和并取平均值，得到平均有丝核分裂象数量；
根据所述平均有丝核分裂象数量确定所述有丝核分裂象的占比。
在其中一个实施例中，在所述对所述数字医学图像进行识别，根据识别结果将所述数字医学图像划分为有效统计区域和无效统计区域之前，还包括：
获取噪点预设阈值；
对每一张所述数字医学图像进行噪点检测，得到实际噪点值；
当所述实际噪点值对应的噪点差异值大于所述噪点预设阈值，对每一张所述数字医学图像进行调整，直至调整后的所述噪点差异值小于所述噪点预设阈值。
在其中一个实施例中，在所述当所述实际噪点值大于所述噪点预设阈值，对每一张所述数字医学图像进行调整，直至调整后的所述实际噪点值小于所述噪点预设阈值之后，还包括：
根据图像质量评价算法对每一张所述数字医学图像的图像质量进行评价，得到图像质量评分；
保留图像质量评分高于预设图像质量阈值的数字医学图像；
当保留的数字医学图的数量像少于预设数量，获取新增数字医学图像，并进入对每一张所述数字医学图像进行噪点检测，得到实际噪点值的步骤，直到保留的数字医学图像的数量等于预设数量。
在其中一个实施例中，所述识别所述有效统计区域中各个肿瘤细胞的细胞状态，根据所述各个肿瘤细胞的细胞状态确定目标统计区域，包括：
识别所述有效统计区域中各个肿瘤细胞的细胞状态，根据肿瘤细胞的细胞状态将有效统计区域内的肿瘤细胞区分为有效肿瘤细胞、无效肿瘤细胞；
确定所有有效肿瘤细胞的区域为有效肿瘤细胞区域，将所述有效肿瘤细胞区域作为目标统计区域。
一种数字病理切片有丝核分裂象统计装置，所述装置包括：
获取模块，用于获取病理样本对应的数字医学图像；
划分模块，用于对所述数字医学图像进行识别，根据识别结果将所述数字医学图像划分为有效统计区域和无效统计区域；
确定模块，用于识别所述有效统计区域中各个肿瘤细胞的细胞状态，根据所述各个肿瘤细胞的细胞状态确定目标统计区域；
统计模块，用于统计所述目标统计区域中有丝核分裂象的数量，根据所述有丝核分裂象的数量确定所述有丝核分裂象的占比。
一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
获取病理样本对应的数字医学图像；
对所述数字医学图像进行识别，根据识别结果将所述数字医学图像划分为有效统计区域和无效统计区域；
识别所述有效统计区域中各个肿瘤细胞的细胞状态，根据所述各个肿瘤细胞的细胞状态确定目标统计区域；
统计所述目标统计区域中有丝核分裂象的数量，根据所述有丝核分裂象的数量确定所述有丝核分裂象的占比。
一种数字病理切片有丝核分裂象统计设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
获取病理样本对应的数字医学图像；
对所述数字医学图像进行识别，根据识别结果将所述数字医学图像划分为有效统计区域和无效统计区域；
识别所述有效统计区域中各个肿瘤细胞的细胞状态，根据所述各个肿瘤细胞的细胞状态确定目标统计区域；
统计所述目标统计区域中有丝核分裂象的数量，根据所述有丝核分裂象的数量确定所述有丝核分裂象的占比。
上述数字病理切片有丝核分裂象统计方法，通过获取待处理的数字医学图像；将数字医学图像划分为有效统计区域与无效统计区域，仅保留数字医学图像中的有效统计区域；再确定有效统计区域内肿瘤细胞的目标统计区域，只获取目标统计区域内有丝核分裂象的数量。上述数字病理切片有丝核分裂象统计方法确定了统计目标统计区域内有丝核分裂象的数量，因此排除了因显微镜规格、肿瘤间质比、细胞密度等因素导致的诊断结偏差，同时由于结合了计算机识别和机器视觉，能实现快速且精准的定量检测分析。
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为一个实施例中数字病理切片有丝核分裂象统计方法的流程示意图；
图2为一个实施例中确定有丝核分裂象的占比的流程示意图；
图3为另一个实施例中确定有丝核分裂象的占比的流程示意图；
图4为一个实施例中有丝核分裂象占肿瘤细胞总数的示意图；
图5为另一个实施例中有丝核分裂象占肿瘤细胞总数的示意图；
图6为一个实施例中划分有效统计区域与无效统计区域的流程示意图；
图7为一个实施例中划分有效统计区域与无效统计区域的示意图；
图8为一个实施例中获取平均有丝核分裂象数量的示意图；
图9为另一个实施例中获取平均有丝核分裂象数量的示意图；
图10为又一个实施例中获取平均有丝核分裂象数量的示意图；
图11为一个实施例中确定目标统计区域的流程示意图；
图12为一个实施例中数字病理切片有丝核分裂象统计装置的结构示意图；
图13为一个实施例中数字病理切片有丝核分裂象统计设备的结构框图。
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。
在一个实施例中，如图1所示，提供了一种数字病理切片有丝核分裂象统计方法，具体包括以下步骤：
步骤102，获取病理样本对应的数字医学图像。
其中，数字医学图像是指通过扫描得到的可直接观察到肿瘤细胞的医学图像。为获取数字医学图像，需要制作对应的细胞病理切片，将细胞病理切片放置在高倍显微镜特定高倍视野下并扫描得到。
步骤104，对所述数字医学图像进行识别，根据识别结果将所述数字医学图像划分为有效统计区域和无效统计区域。
其中，有效统计区域内包括需要统计的有丝核分裂象。无效统计区域是指肿瘤细胞外的统计干扰区域。在无效统计区域内不包含有丝核分裂象，因此仅保留有效统计区域。比如，有效统计区域可以肿瘤组织的肿瘤实质，无效统计区域可以是肿瘤组织的肿瘤间质。
步骤106，识别所述有效统计区域中各个肿瘤细胞的细胞状态，根据所述各个肿瘤细胞的细胞状态确定目标统计区域。
其中，目标统计区域为实际统计有丝核分裂象的区域。在肿瘤细胞的生命周期中，不同的肿瘤细胞的细胞状态可能存在着差异，例如有的肿瘤细胞的细胞核出现核固缩、核碎裂的情况，这些细胞状态异常的肿瘤细胞会使统计结果存在一定的误差。通过对各个肿瘤细胞的细胞状态进行识别，将细胞状态出现异常的肿瘤细胞的区域作为干扰区域，并通过排除有效统计区域内的干扰区域可得到目标统计区域。
步骤108，统计所述目标统计区域中有丝核分裂象的数量，根据所述有丝核分裂象的数量确定所述有丝核分裂象的占比。
其中，有丝核分裂象是指细胞处于有丝分裂间期，细胞核正一分为二的现象。通常在观察到肿瘤细胞的有丝核分裂象时也能同时观察肿瘤细胞核膜消失、核染色体聚集、边缘呈锯齿状等有丝核分裂象特征。在一个实施例中，可以通过深度神经网络的方法识别数字医学图像中的有丝核分裂象特征，并得到数字医学图像中具体数量的有丝核分裂象。进而根据有丝核分裂象的数量确定有丝核分裂象的占比情况。
上述数字病理切片有丝核分裂象统计方法，通过获取待处理的数字医学图像；将数字医学图像划分为有效统计区域与无效统计区域，仅保留数字医学图像中的有效统计区域；再确定有效统计区域内肿瘤细胞的目标统计区域，只获取目标统计区域内有丝核分裂象的数量。本发明实施例确定了统计目标统计区域内有丝核分裂象的数量，因此排除了因显微镜规格、肿瘤间质比、细胞密度等因素导致的诊断结偏差，同时由于结合了计算机识别和机器视觉，能实现快速且精准的定量检测分析。
在一个实施例中，如图2所示，步骤108统计所述目标统计区域中有丝核分裂象的数量，根据所述有丝核分裂象的数量确定所述有丝核分裂象的占比，包括：
步骤108A，获取所述目标统计区域所占的总面积。
首先确定目标统计区域内包含的肿瘤细胞，然后对每个被确定的肿瘤细胞的面积进行检测，得到每个肿瘤细胞对应的个体面积，最后对个体面积求和得到目标统计区域所占的总面积。
步骤108B，根据所述有丝核分裂象的数量和所述目标统计区域所占的总面积计算得到单位面积内包含的有丝核分裂象的数量。
对有丝核分裂象的统计结合有丝核分裂象数量以及目标区域的总面积能真实的反应肿瘤细胞的增殖情况。例如对于不同时期采集的同一病理样本的两个医学图像视野下都观察到10个有丝核分裂象，但A医学图像视野下的目标统计区域为20个视野面积而B医学图像视野的目标统计区域为10个视野面积，若不考虑目标统计区域所占的总面积，会得到两个图像内有丝核分裂象增殖情况相近的结论，但实际在B医学图像视野下肿瘤细胞的增殖明显更加活跃。
上述数字病理切片有丝核分裂象统计方法，通过获取目标统计区域所占的总面积，并根据有丝核分裂象的数量和总面积计算得到单位面积内包含的有丝核分裂象的数量。本发明实施例能很好的结合统计面积与有丝核分裂象数量反应肿瘤细胞的增殖情况。
在一个实施例中，如图3所示，步骤108统计所述目标统计区域中有丝核分裂象的数量，根据所述有丝核分裂象的数量确定所述有丝核分裂象的占比，包括：
步骤108a，获取所述目标统计区域中肿瘤细胞的总数量。
步骤108b，根据所述有丝核分裂象的数量和所述目标统计区域中肿瘤细胞的总数量计算得到有丝核分裂象的数量占肿瘤细胞总数的比例。
肿瘤细胞浓度会对有丝核分裂象的统计结果造成影响。例如对于不同时期采集的同一病理样本的两个医学图像视野下的有丝核分裂象数量接近，但A、B 医学图像视野下肿瘤细胞的总数量存在较大差异，若不考虑目标统计区域肿瘤细胞的总数量的差异，会得到两个图像内有丝核分裂象增殖情况相近的结论，但实际两者的肿瘤细胞增殖情况不相同。在一个实施例中，如图4与图5所示，图4与图5中有丝核分裂象的数量相同，但在两图中观察到的肿瘤细胞数量不同，图4中肿瘤细胞数量明显多于图5中肿瘤细胞数量，因此在考虑肿瘤细胞数量的前提下，图5中肿瘤细胞增殖情况更活跃。
上述数字病理切片有丝核分裂象统计方法，通过获取目标统计区域内肿瘤细胞的总数量，并根据有丝核分裂象的数量和肿瘤细胞的总数量计算得到有丝核分裂象的数量占肿瘤细胞总数的比例。本发明实施例能很好的结合肿瘤细胞的总数量与有丝核分裂象数量反应肿瘤细胞的增殖情况。
在一个实施例中，如图7所示，步骤104对所述数字医学图像进行识别，根据识别结果将所述数字医学图像划分为有效统计区域和无效统计区域，包括：
步骤104A，通过深度神经网络识别数字医学图像中的肿瘤实质区域与肿瘤间质区域。
其中，肿瘤实质区域为肿瘤实质所包括的区域。肿瘤实质是肿瘤细胞的总称，是肿瘤的主要成分。肿瘤间质区域为肿瘤间质所包括的区域。肿瘤间质起着支持和营养肿瘤实质的作用，一般由结缔组织、血管、纤维等组成。肿瘤实质与肿瘤间质在物质组成上存在着差异，因此在数字医学图像上也表现为不同的图像特征。深度神经网络识别图像的不同区域需要经过深度神经网络训练，首先需挑选肿瘤细胞的数字医学图像构建标准数据集，再根据图片设置通用的损失函数，并随机设置深度神经网络的参数，将从标准数据集中挑选图像样本输入深度神经网络进行训练，并计算总损失函数；在获取总损失函数的数值后，根据损失函数的数值调整深度神经网络的参数，调整后再从标准数据集中挑选图片样本输入深度神经网络进行训练，这样循环，直至总损失函数的值收敛为止，从而将深度神经网络训练完成。最后将数字医学图像输入到训练好的深度神经网络，根据输出结果判断肿瘤实质区域与肿瘤间质区域。
步骤104B，将所述肿瘤实质区域作为有效统计区域，将所述肿瘤间质区域作为无效统计区域。
如图7所示，对数字医学图像用黑色与白色加以区分，肿瘤实质区域为图中的白色区域，仅将其中的白色区域作为有效统计区域。
上述数字病理切片有丝核分裂象统计方法，通过深度神经网络识别数字医学图像中的肿瘤实质区域与肿瘤间质区域，仅对肿瘤实质区域进行统计，从而能有效排除肿瘤间质的干扰。
在一个实施例中，步骤102获取病理样本对应的数字医学图像，包括：
获取病理样本对应的多张不同数字医学图像。
一般，多张不同数字医学图像是在一个病理切片上获取得到。高倍显微镜选取病理切片上不同观察点处的视野图像并扫描得到相应的多张不同数字医学图像。针对不同类型的肿瘤细胞，需要获取不同预设数量的数字医学图像。
步骤108统计所述目标统计区域中有丝核分裂象的数量，根据所述有丝核分裂象的数量确定所述有丝核分裂象的占比，包括：
统计每一张数字医学图像中目标统计区域中的有丝核分裂象的数量，对所有数字医学图像中目标统计区域中的有丝核分裂象的数量求和并取平均值，得到平均有丝核分裂象数量。
对各数字医学图像统计的有丝核分裂象的数量取和并取平均值，能保证对有丝核分裂象数量的统计足够准确。如图8、图9以及图10所示，图8中观察到的有丝核分裂象数量为6个、图9中观察到的有丝核分裂象数量为4个、图 10中有丝核分裂象观察到的有丝核分裂象数量为5个，因此平均有丝核分裂象数量为5个。
根据所述平均有丝核分裂象数量确定所述有丝核分裂象的占比。
上述数字病理切片有丝核分裂象统计方法，通过获取病理样本对应的多张不同数字医学图像，并对各数字医学图像统计的有丝核分裂象的数量取和并取平均值，能有效确保后续统计的准确性。
在一个实施例中，在步骤104所述对所述数字医学图像进行识别，根据识别结果将所述数字医学图像划分为有效统计区域和无效统计区域之前，还包括：
获取噪点预设阈值。
对每一张所述数字医学图像进行噪点检测，得到实际噪点值。
其中，噪点是指相对于原本图像发生的一种颜色信息或亮度信息的随机变化。通过对数字医学图像上每个噪点的颜色信息、亮度信息进行识别得到实际噪点值。
当所述实际噪点值对应的噪点差异值大于所述噪点预设阈值，对每一张所述数字医学图像进行调整，直至调整后的所述噪点差异值小于所述噪点预设阈值。
噪点差异值是通过获取噪点周围像素点的颜色信息与亮度信息，并通过与实际噪点值对应的颜色信息与亮度信息进行比对得到。当噪点差异值大于噪点预设阈值，对噪点进行降噪处理。
上述数字病理切片有丝核分裂象统计方法，通过对数字医学图像上的噪点进行噪点检测并根据检测结果对噪点进行降噪处理，可减少噪点的出现。
在一个实施例中，在所述当所述实际噪点值大于所述噪点预设阈值，对每一张所述数字医学图像进行调整，直至调整后的所述实际噪点值小于所述噪点预设阈值之后，还包括：
根据图像质量评价算法对每一张所述数字医学图像的图像质量进行评价，得到图像质量评分。
上述对每个子图像进行图像质量评分的过程可以是通过预设的图像质量评价算法进行评价的。例如，评价子图像的清晰度、评价子图像中各个颜色通道下的像素点数量等。可以根据不同肿瘤细胞类型的具体需求，来确定本步骤中的图像评价算法的具体算法。
保留图像质量评分高于预设图像质量阈值的数字医学图像。
当保留的数字医学图的数量像少于预设数量，获取新增数字医学图像，并进入对每一张所述数字医学图像进行噪点检测，得到实际噪点值的步骤，直到保留的数字医学图像的数量等于预设数量。
当存在图像质量不符合要求的数字医学图像，获取新的数字医学图像作为新增数字医学图像，新增数字医学图像用于填补数字医学图像数量的差额直到保留的数字医学图像的数量等于预设数量。
上述数字病理切片有丝核分裂象统计方法，通过数字医学图像的图像质量进行评价，保留图像质量符合要求的数字医学图像，并当出现图像质量不符合要求的数字医学图像时，获取新增的数字医学图像并进行降噪处理，直到保留的数字医学图像的数量等于预设数量。本发明实施例能确保数字医学图像的数量符合预设数量。
在一个实施例中，如图11所示，步骤106识别所述有效统计区域中各个肿瘤细胞的细胞状态，根据所述各个肿瘤细胞的细胞状态确定目标统计区域，包括：
步骤106A，识别所述有效统计区域中各个肿瘤细胞的细胞状态，根据肿瘤细胞的细胞状态将有效统计区域内的肿瘤细胞区分为有效肿瘤细胞、无效肿瘤细胞。
具体的可以通过对特定的细胞特征进行识别以判断细胞状态，例如当肿瘤细胞出现核碎裂时表现为染色质崩解成致密蓝染的碎屑，散在于胞浆中，核膜溶解变小甚至碎裂。核固缩表现为核缩小、凝聚，呈深蓝染。当识别的肿瘤细胞存在以上细胞特征是判定该肿瘤细胞的细胞状态为异常，将该肿瘤细胞确定为无效肿瘤细胞，相应的，将不存在以上细胞特征的肿瘤细胞确定为有效肿瘤细胞。
步骤106B，确定所有有效肿瘤细胞的区域为有效肿瘤细胞区域，将所述有效肿瘤细胞区域作为目标统计区域。
有效肿瘤细胞区域内的肿瘤细胞由于细胞状态正常，存在观察到有丝核分裂象的可能，所以被确定为目标统计区域。目标统计区域内排出了细胞间质、凋亡细胞等干扰因素的影响，使统计结果得以更加准确。
上述有丝核分裂象统计方法通过识别有效统计区域内的细胞状态来区分有效肿瘤细胞与无效肿瘤细胞，确保了有丝核分裂象的统计不收无效肿瘤细胞的印象。
在一个实施例中，如图12所示，提出了一种数字病理切片有丝核分裂象统计装置，该装置包括：
获取模块1202，用于获取病理样本对应的数字医学图像。
划分模块1204，用于对所述数字医学图像进行识别，根据识别结果将所述数字医学图像划分为有效统计区域和无效统计区域。
确定模块1206，用于识别所述有效统计区域中各个肿瘤细胞的细胞状态，根据所述各个肿瘤细胞的细胞状态确定目标统计区域。
统计模块1208，用于统计所述目标统计区域中有丝核分裂象的数量，根据所述有丝核分裂象的数量确定所述有丝核分裂象的占比。
上述数字病理切片有丝核分裂象统计装置，通过获取待处理的数字医学图像；将数字医学图像划分为有效统计区域与无效统计区域，仅保留数字医学图像中的有效统计区域；再确定有效统计区域内肿瘤细胞的目标统计区域，只获取目标统计区域内有丝核分裂象的数量。本发明实施例统计方法确定了统计目标统计区域内有丝核分裂象的数量，因此排除了因显微镜规格、肿瘤间质比、细胞密度等因素导致的诊断结偏差，同时由于结合了计算机识别和机器视觉，能实现快速且精准的定量检测分析。
在一个实施例中，统计模块1208还具体用于获取所述目标统计区域所占的总面积；根据所述有丝核分裂象的数量和所述目标统计区域所占的总面积计算得到单位面积内包含的有丝核分裂象的数量。
在一个实施例中，统计模块1208还具体用于获取所述目标统计区域中肿瘤细胞的总数量；根据所述有丝核分裂象的数量和所述目标统计区域中肿瘤细胞的总数量计算得到有丝核分裂象的数量占肿瘤细胞总数的比例。
在一个实施例中，划分模块1204还具体用于通过深度神经网络识别数字医学图像中的肿瘤实质区域与肿瘤间质区域；将所述肿瘤实质区域作为有效统计区域，将所述肿瘤间质区域作为无效统计区域。
在一个实施例中，获取模块1202还具体用于获取病理样本对应的多张不同数字医学图像。统计模块1208还具体用于统计每一张数字医学图像中目标统计区域中的有丝核分裂象的数量，对所有数字医学图像中目标统计区域中的有丝核分裂象的数量求和并取平均值，得到平均有丝核分裂象数量；根据所述平均有丝核分裂象数量确定所述有丝核分裂象的占比。
在一个实施例中，上述数字病理切片有丝核分裂象统计装置还包括：
第二获取模块，用于获取噪点预设阈值。
噪点检测模块，用于对每一张所述数字医学图像进行噪点检测，得到实际噪点值。
噪点调整模块，用于当所述实际噪点值大于所述噪点预设阈值，对每一张所述数字医学图像进行调整，直至调整后的所述实际噪点值小于所述噪点预设阈值。
在一个实施例中，上述数字病理切片有丝核分裂象统计装置还包括：
图像质量评价模块，用于根据图像质量评价算法对每一张所述数字医学图像的图像质量进行评价，得到图像质量评分。
图像保留模块，用于保留图像质量评分高于预设图像质量阈值的数字医学图像。
第三获取模块，用于当保留的数字医学图的数量像少于预设数量，获取新增数字医学图像，并进入对每一张所述数字医学图像进行噪点检测，得到实际噪点值的步骤，直到保留的数字医学图像的数量等于预设数量。
在一个实施例中，确定模块1206还具体用于识别所述有效统计区域中各个肿瘤细胞的细胞状态，根据肿瘤细胞的细胞状态将有效统计区域内的肿瘤细胞区分为有效肿瘤细胞、无效肿瘤细胞；确定所有有效肿瘤细胞的区域为有效肿瘤细胞区域，将所述有效肿瘤细胞区域作为目标统计区域。
图13示出了一个实施例中数字病理切片有丝核分裂象统计设备的内部结构图。如图13所示，该数字病理切片有丝核分裂象统计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。该数字病理切片有丝核分裂象统计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，可使得处理器实现数字病理切片有丝核分裂象统计方法。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，可使得处理器执行数字病理切片有丝核分裂象统计方法。本领域技术人员可以理解，图13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数字病理切片有丝核分裂象统计设备的限定，具体的数字病理切片有丝核分裂象统计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。
一种数字病理切片有丝核分裂象统计设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上执行的计算机程序，所述处理器执行所述计算机程序时实现如下步骤：获取病理样本对应的数字医学图像；对所述数字医学图像进行识别，根据识别结果将所述数字医学图像划分为有效统计区域和无效统计区域；识别所述有效统计区域中各个肿瘤细胞的细胞状态，根据所述各个肿瘤细胞的细胞状态确定目标统计区域；统计所述目标统计区域中有丝核分裂象的数量，根据所述有丝核分裂象的数量确定所述有丝核分裂象的占比。
在一个实施例中，所述统计所述目标统计区域中有丝核分裂象的数量，根据所述有丝核分裂象的数量确定所述有丝核分裂象的占比，包括：获取所述目标统计区域所占的总面积；根据所述有丝核分裂象的数量和所述目标统计区域所占的总面积计算得到单位面积内包含的有丝核分裂象的数量。
在一个实施例中，所述统计所述目标统计区域中有丝核分裂象的数量，根据所述有丝核分裂象的数量确定所述有丝核分裂象的占比，包括：获取所述目标统计区域中肿瘤细胞的总数量；根据所述有丝核分裂象的数量和所述目标统计区域中肿瘤细胞的总数量计算得到有丝核分裂象的数量占肿瘤细胞总数的比例。
在一个实施例中，所述对所述数字医学图像进行识别，根据识别结果将所述数字医学图像划分为有效统计区域和无效统计区域，包括：通过深度神经网络识别数字医学图像中的肿瘤实质区域与肿瘤间质区域；将所述肿瘤实质区域作为有效统计区域，将所述肿瘤间质区域作为无效统计区域。
在一个实施例中，所述获取病理样本对应的数字医学图像，包括：获取病理样本对应的多张不同数字医学图像；所述统计所述目标统计区域中有丝核分裂象的数量，根据所述有丝核分裂象的数量确定所述有丝核分裂象的占比，包括：统计每一张数字医学图像中目标统计区域中的有丝核分裂象的数量，对所有数字医学图像中目标统计区域中的有丝核分裂象的数量求和并取平均值，得到平均有丝核分裂象数量；根据所述平均有丝核分裂象数量确定所述有丝核分裂象的占比。
在一个实施例中，在所述对所述数字医学图像进行识别，根据识别结果将所述数字医学图像划分为有效统计区域和无效统计区域之前，还包括：获取噪点预设阈值；对每一张所述数字医学图像进行噪点检测，得到实际噪点值；当所述实际噪点值对应的噪点差异值大于所述噪点预设阈值，对每一张所述数字医学图像进行调整，直至调整后的所述噪点差异值小于所述噪点预设阈值。
在一个实施例中，在所述当所述实际噪点值大于所述噪点预设阈值，对每一张所述数字医学图像进行调整，直至调整后的所述实际噪点值小于所述噪点预设阈值之后，还包括：根据图像质量评价算法对每一张所述数字医学图像的图像质量进行评价，得到图像质量评分；保留图像质量评分高于预设图像质量阈值的数字医学图像；当保留的数字医学图的数量像少于预设数量，获取新增数字医学图像，并进入对每一张所述数字医学图像进行噪点检测，得到实际噪点值的步骤，直到保留的数字医学图像的数量等于预设数量。
在一个实施例中，所述识别所述有效统计区域中各个肿瘤细胞的细胞状态，根据所述各个肿瘤细胞的细胞状态确定目标统计区域，包括：识别所述有效统计区域中各个肿瘤细胞的细胞状态，根据肿瘤细胞的细胞状态将有效统计区域内的肿瘤细胞区分为有效肿瘤细胞、无效肿瘤细胞；确定所有有效肿瘤细胞的区域为有效肿瘤细胞区域，将所述有效肿瘤细胞区域作为目标统计区域。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如下步骤：获取病理样本对应的数字医学图像；对所述数字医学图像进行识别，根据识别结果将所述数字医学图像划分为有效统计区域和无效统计区域；识别所述有效统计区域中各个肿瘤细胞的细胞状态，根据所述各个肿瘤细胞的细胞状态确定目标统计区域；统计所述目标统计区域中有丝核分裂象的数量，根据所述有丝核分裂象的数量确定所述有丝核分裂象的占比。
在一个实施例中，所述统计所述目标统计区域中有丝核分裂象的数量，根据所述有丝核分裂象的数量确定所述有丝核分裂象的占比，包括：获取所述目标统计区域所占的总面积；根据所述有丝核分裂象的数量和所述目标统计区域所占的总面积计算得到单位面积内包含的有丝核分裂象的数量。
在一个实施例中，所述统计所述目标统计区域中有丝核分裂象的数量，根据所述有丝核分裂象的数量确定所述有丝核分裂象的占比，包括：获取所述目标统计区域中肿瘤细胞的总数量；根据所述有丝核分裂象的数量和所述目标统计区域中肿瘤细胞的总数量计算得到有丝核分裂象的数量占肿瘤细胞总数的比例。
在一个实施例中，所述对所述数字医学图像进行识别，根据识别结果将所述数字医学图像划分为有效统计区域和无效统计区域，包括：通过深度神经网络识别数字医学图像中的肿瘤实质区域与肿瘤间质区域；将所述肿瘤实质区域作为有效统计区域，将所述肿瘤间质区域作为无效统计区域。
在一个实施例中，所述获取病理样本对应的数字医学图像，包括：获取病理样本对应的多张不同数字医学图像；所述统计所述目标统计区域中有丝核分裂象的数量，根据所述有丝核分裂象的数量确定所述有丝核分裂象的占比，包括：统计每一张数字医学图像中目标统计区域中的有丝核分裂象的数量，对所有数字医学图像中目标统计区域中的有丝核分裂象的数量求和并取平均值，得到平均有丝核分裂象数量；根据所述平均有丝核分裂象数量确定所述有丝核分裂象的占比。
在一个实施例中，在所述对所述数字医学图像进行识别，根据识别结果将所述数字医学图像划分为有效统计区域和无效统计区域之前，还包括：获取噪点预设阈值；对每一张所述数字医学图像进行噪点检测，得到实际噪点值；当所述实际噪点值对应的噪点差异值大于所述噪点预设阈值，对每一张所述数字医学图像进行调整，直至调整后的所述噪点差异值小于所述噪点预设阈值。
在一个实施例中，在所述当所述实际噪点值大于所述噪点预设阈值，对每一张所述数字医学图像进行调整，直至调整后的所述实际噪点值小于所述噪点预设阈值之后，还包括：根据图像质量评价算法对每一张所述数字医学图像的图像质量进行评价，得到图像质量评分；保留图像质量评分高于预设图像质量阈值的数字医学图像；当保留的数字医学图的数量像少于预设数量，获取新增数字医学图像，并进入对每一张所述数字医学图像进行噪点检测，得到实际噪点值的步骤，直到保留的数字医学图像的数量等于预设数量。
在一个实施例中，所述识别所述有效统计区域中各个肿瘤细胞的细胞状态，根据所述各个肿瘤细胞的细胞状态确定目标统计区域，包括：识别所述有效统计区域中各个肿瘤细胞的细胞状态，根据肿瘤细胞的细胞状态将有效统计区域内的肿瘤细胞区分为有效肿瘤细胞、无效肿瘤细胞；确定所有有效肿瘤细胞的区域为有效肿瘤细胞区域，将所述有效肿瘤细胞区域作为目标统计区域。
需要说明的是，上述数字病理切片有丝核分裂象统计方法、装置、设备及计算机可读存储介质属于一个总的发明构思，数字病理切片有丝核分裂象统计方法、装置、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。
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 (11)
1.一种数字病理切片有丝核分裂象统计方法，其特征在于，所述方法包括：
获取病理样本对应的数字医学图像；
对所述数字医学图像进行识别，根据识别结果将所述数字医学图像划分为有效统计区域和无效统计区域；
识别所述有效统计区域中各个肿瘤细胞的细胞状态，根据所述各个肿瘤细胞的细胞状态确定目标统计区域；
统计所述目标统计区域中有丝核分裂象的数量，根据所述有丝核分裂象的数量确定所述有丝核分裂象的占比。
2.根据权利要求1所述的方法，其特征在于，所述统计所述目标统计区域中有丝核分裂象的数量，根据所述有丝核分裂象的数量确定所述有丝核分裂象的占比，包括：
获取所述目标统计区域所占的总面积；
根据所述有丝核分裂象的数量和所述目标统计区域所占的总面积计算得到单位面积内包含的有丝核分裂象的数量。
3.根据权利要求1所述的方法，其特征在于，所述统计所述目标统计区域中有丝核分裂象的数量，根据所述有丝核分裂象的数量确定所述有丝核分裂象的占比，包括：
获取所述目标统计区域中肿瘤细胞的总数量；
根据所述有丝核分裂象的数量和所述目标统计区域中肿瘤细胞的总数量计算得到有丝核分裂象的数量占肿瘤细胞总数的比例。
4.根据权利要求1所述的方法，其特征在于，所述对所述数字医学图像进行识别，根据识别结果将所述数字医学图像划分为有效统计区域和无效统计区域，包括：
通过深度神经网络识别数字医学图像中的肿瘤实质区域与肿瘤间质区域；
将所述肿瘤实质区域作为有效统计区域，将所述肿瘤间质区域作为无效统计区域。
5.根据权力要求1所述的方法，其特征在于，所述获取病理样本对应的数字医学图像，包括：获取病理样本对应的多张不同数字医学图像；
所述统计所述目标统计区域中有丝核分裂象的数量，根据所述有丝核分裂象的数量确定所述有丝核分裂象的占比，包括：
统计每一张数字医学图像中目标统计区域中的有丝核分裂象的数量，对所有数字医学图像中目标统计区域中的有丝核分裂象的数量求和并取平均值，得到平均有丝核分裂象数量；
根据所述平均有丝核分裂象数量确定所述有丝核分裂象的占比。
6.根据权利要求5所述的方法，其特征在于，在所述对所述数字医学图像进行识别，根据识别结果将所述数字医学图像划分为有效统计区域和无效统计区域之前，还包括：
获取噪点预设阈值；
对每一张所述数字医学图像进行噪点检测，得到实际噪点值；
当所述实际噪点值对应的噪点差异值大于所述噪点预设阈值，对每一张所述数字医学图像进行调整，直至调整后的所述噪点差异值小于所述噪点预设阈值。
7.根据权利要求6所述的方法，其特征在于，在所述当所述实际噪点值大于所述噪点预设阈值，对每一张所述数字医学图像进行调整，直至调整后的所述实际噪点值小于所述噪点预设阈值之后，还包括：
根据图像质量评价算法对每一张所述数字医学图像的图像质量进行评价，得到图像质量评分；
保留图像质量评分高于预设图像质量阈值的数字医学图像；
当保留的数字医学图的数量像少于预设数量，获取新增数字医学图像，并进入对每一张所述数字医学图像进行噪点检测，得到实际噪点值的步骤，直到保留的数字医学图像的数量等于预设数量。
8.根据权利要求1所述的方法，其特征在于，所述识别所述有效统计区域中各个肿瘤细胞的细胞状态，根据所述各个肿瘤细胞的细胞状态确定目标统计区域，包括：
识别所述有效统计区域中各个肿瘤细胞的细胞状态，根据肿瘤细胞的细胞状态将有效统计区域内的肿瘤细胞区分为有效肿瘤细胞、无效肿瘤细胞；
确定所有有效肿瘤细胞的区域为有效肿瘤细胞区域，将所述有效肿瘤细胞区域作为目标统计区域。
9.一种数字病理切片有丝核分裂象统计装置，其特征在于，所述装置包括：
获取模块，用于获取病理样本对应的数字医学图像；
划分模块，用于对所述数字医学图像进行识别，根据识别结果将所述数字医学图像划分为有效统计区域和无效统计区域；
确定模块，用于识别所述有效统计区域中各个肿瘤细胞的细胞状态，根据所述各个肿瘤细胞的细胞状态确定目标统计区域；
统计模块，用于统计所述目标统计区域中有丝核分裂象的数量，根据所述有丝核分裂象的数量确定所述有丝核分裂象的占比。
10.一种计算机可读存储介质，存储有计算机程序，所述计算机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8中任一项所述方法的步骤。
11.一种数字病理切片有丝核分裂象统计设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机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8中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911232177.3A CN111161212B (zh) | 2019-12-05 | 2019-12-05 | 数字病理切片有丝核分裂象统计方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911232177.3A CN111161212B (zh) | 2019-12-05 | 2019-12-05 | 数字病理切片有丝核分裂象统计方法、装置、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111161212A true CN111161212A (zh) | 2020-05-15 |
| CN111161212B CN111161212B (zh) | 2024-01-16 |
Family
ID=70555697
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911232177.3A Active CN111161212B (zh) | 2019-12-05 | 2019-12-05 | 数字病理切片有丝核分裂象统计方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111161212B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111832389A (zh) * | 2020-05-25 | 2020-10-27 | 中国人民解放军陆军军医大学第二附属医院 | 一种骨髓细胞形态学自动检测系统的计数及分析方法 |
| CN111967465A (zh) * | 2020-07-07 | 2020-11-20 | 广州金域医学检验中心有限公司 | 肿瘤细胞含量评估方法、系统、计算机设备及存储介质 |
| CN112233123A (zh) * | 2020-09-21 | 2021-01-15 | 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 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140112569A1 (en) * | 2012-07-13 | 2014-04-24 | Sony Corporation | Method and apparatus for automatic cancer diagnosis scoring of tissue samples |
| JP2014134517A (ja) * | 2013-01-11 | 2014-07-24 | Tokyo Institute Of Technology | 病理組織画像解析方法、病理組織画像解析装置及び病理組織画像解析プログラム |
| CN107036956A (zh) * | 2017-05-22 | 2017-08-11 | 粉蓝医疗科技（杭州）有限公司 | 细胞核统计方法和装置 |
| CN109472784A (zh) * | 2018-10-31 | 2019-03-15 | 安徽医学高等专科学校 | 基于级联全卷积网络病理图像有丝分裂细胞的识别方法 |
| US20190156476A1 (en) * | 2017-11-17 | 2019-05-23 | National Cancer Center | Image analysis method, image analysis apparatus, program, learned deep layer learning algorithm manufacturing method and learned deep layer learning algorithm |
-
2019
- 2019-12-05 CN CN201911232177.3A patent/CN111161212B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140112569A1 (en) * | 2012-07-13 | 2014-04-24 | Sony Corporation | Method and apparatus for automatic cancer diagnosis scoring of tissue samples |
| JP2014134517A (ja) * | 2013-01-11 | 2014-07-24 | Tokyo Institute Of Technology | 病理組織画像解析方法、病理組織画像解析装置及び病理組織画像解析プログラム |
| CN107036956A (zh) * | 2017-05-22 | 2017-08-11 | 粉蓝医疗科技（杭州）有限公司 | 细胞核统计方法和装置 |
| US20190156476A1 (en) * | 2017-11-17 | 2019-05-23 | National Cancer Center | Image analysis method, image analysis apparatus, program, learned deep layer learning algorithm manufacturing method and learned deep layer learning algorithm |
| CN109472784A (zh) * | 2018-10-31 | 2019-03-15 | 安徽医学高等专科学校 | 基于级联全卷积网络病理图像有丝分裂细胞的识别方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111832389A (zh) * | 2020-05-25 | 2020-10-27 | 中国人民解放军陆军军医大学第二附属医院 | 一种骨髓细胞形态学自动检测系统的计数及分析方法 |
| CN111832389B (zh) * | 2020-05-25 | 2022-12-09 | 中国人民解放军陆军军医大学第二附属医院 | 一种骨髓细胞形态学自动检测系统的计数及分析方法 |
| CN111967465A (zh) * | 2020-07-07 | 2020-11-20 | 广州金域医学检验中心有限公司 | 肿瘤细胞含量评估方法、系统、计算机设备及存储介质 |
| CN112233123A (zh) * | 2020-09-21 | 2021-01-15 | 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 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111161212B (zh) | 2024-01-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111161212B (zh) | 数字病理切片有丝核分裂象统计方法、装置、设备和介质 | |
| WO2021139258A1 (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
| CN111967465A (zh) | 肿瘤细胞含量评估方法、系统、计算机设备及存储介质 | |
| 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 | |
| CN112750121B (zh) | 用于病理玻片数字图像质量检测的系统及其方法 | |
| CN106780522A (zh) | 一种基于深度学习的骨髓液细胞分割方法 | |
| CN112508010A (zh) | 数字病理切片目标区域的识别方法、系统、设备及介质 | |
| CN115239715B (zh) | 一种囊胚发育结果预测方法、系统、设备及存储介质 | |
| CN111899246A (zh) | 玻片数字化信息质量检测方法、装置、设备及介质 | |
| CN110335686B (zh) | 细胞类型识别方法、装置、计算机设备及存储介质 | |
| CN115760858B (zh) | 基于深度学习的肾脏病理切片细胞识别方法及系统 | |
| CN109978849B (zh) | 基于数字病理图像的基线细胞确定方法、装置及可读介质 | |
| CN111105407B (zh) | 一种病理切片染色质量评价方法、装置、设备及存储介质 | |
| US11068740B2 (en) | Particle boundary identification | |
| CN110060246B (zh) | 一种图像处理方法、设备及存储介质 | |
| CN115880233A (zh) | 细胞病理图像评价方法及装置 | |
| CN116959712A (zh) | 基于病理图像的肺腺癌预后方法、系统、设备及存储介质 | |
| CN112233123B (zh) | 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 | |
| JP4452624B2 (ja) | 細管の自動組織学的類別 | |
| CN112233060B (zh) | 数字病理图像异常样本的筛选方法、装置、设备及介质 | |
| CN111583175B (zh) | 一种红细胞图像检测方法及设备、介质 | |
| Aubreville et al. | Field of Interest Proposal for Augmented Mitotic Cell Count: Comparison of Two Convolutional Networks. | |
| Gerger et al. | An automated method for the quantification and fractal analysis of immunostaining | |
| Witkowski | A computer system for a human semen quality assessment | |
| CN112801112B (zh) | 一种图像二值化处理方法、装置、介质及设备 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 510700 No. 10, helix 3 Road, International Biological Island, Huangpu District, Guangzhou City, Guangdong Province Applicant after: GUANGZHOU KINGMED CENTER FOR CLINICAL LABORATORY Address before: 510330 Guangdong Guangzhou Haizhuqu District Xingang East Road 2429, 3rd floor. Applicant before: GUANGZHOU KINGMED CENTER FOR CLINICAL LABORATORY |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |