CN111275016A - 一种玻片扫描影像采集与分析方法及装置 - Google Patents

一种玻片扫描影像采集与分析方法及装置 Download PDF

Info

Publication number
CN111275016A
CN111275016A CN202010138836.3A CN202010138836A CN111275016A CN 111275016 A CN111275016 A CN 111275016A CN 202010138836 A CN202010138836 A CN 202010138836A CN 111275016 A CN111275016 A CN 111275016A
Authority
CN
China
Prior art keywords
image
visual field
scanning
slide
area
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
Application number
CN202010138836.3A
Other languages
English (en)
Other versions
CN111275016B (zh
Inventor
向北海
张泰�
许会
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.)
Hunan Guokezhitong Technology Co Ltd
Original Assignee
Hunan Guokezhitong Technology 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 Hunan Guokezhitong Technology Co Ltd filed Critical Hunan Guokezhitong Technology Co Ltd
Priority to CN202010138836.3A priority Critical patent/CN111275016B/zh
Publication of CN111275016A publication Critical patent/CN111275016A/zh
Application granted granted Critical
Publication of CN111275016B publication Critical patent/CN111275016B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/693—Acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/695—Preprocessing, e.g. image segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698—Matching; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Microscoopes, Condenser (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种玻片扫描影像采集与分析方法，该方法包括获取玻片样本并标记；对玻片样本进行标记识别和预览，获得预览图像；识别预览图像，获得预览图像的扫描区域；依次扫描所述扫描区域的各个视野区域，获得所述视野区域的差值图像；通过卷积神经网络模型计算所述差值图像的失焦距离值，确定各个视野区域的最佳焦平面位置；依次将各个视野区域移动至最佳焦平面位置并扫描，获得各个视野下的显微图像，将显微图像拼接成数字化显微图像；通过细胞识别分类网络，将数字化显微图像中可疑病变的细胞区域进行标记并标注可能的病变类型。本发明提供的方法不完全依赖单个医生的经验以及业务水平，也不完全依赖于识别算法的识别精度，速度快且精确度高。

Description

一种玻片扫描影像采集与分析方法及装置
技术领域
本发明涉及病理切片显微成像及智能识别技术领域，尤其是一种玻片扫描影像采集与分析方法及装置。
背景技术
病理检查是用于检查机体器官、组织或者细胞中病理改变的病理形态学方法。传统的病理检查，采用的是光学显微镜人眼镜检，严重依赖于单个医生的经验以及业务水平，存在一定的误检概率，不仅检测效率低下，而且组织样品的保存和携带也极其不便。此外，随着玻片数量的增加，玻片的保存管理成本也越来越高。而且，某些染色或标记的标本会随着时间产生变化，难以实现小长时间的保存。
近年来，玻片扫描仪的出现在一定程度上解决了上述问题。玻片扫描仪对载玻片上的样本内容进行扫描数字化处理，将整个载玻片全信息、全方位快速扫描，使传统物质化的载玻片变成新一代数字化病理切片。玻片扫描仪将病理玻片数字化保存到本地服务器，使得医务工作者可以直接通过数字化图像进行病理玻片的阅片诊断。数字化的病理玻片数据不仅降低了玻片的保存成本提高了数据共享的效率，而且为进一步实现计算机智能诊断提供了数据基础。
现有技术中，如中国专利CN108982500中提供了一种用于液基细胞病理学的智能辅助阅片方法及系统，该方法采用全玻片扫描，获得单张全玻片数字化显微图像，对全玻片数字化图像进行识别和分类，并将标记的病变细胞区和重叠细胞区作为可疑标记区，以可疑标记区为中心生成探查区，移动玻片将探查区逐一送入成像视场内，进行多层面三维成像。该方法采用识别算法寻找病变细胞，相比人工阅片的方法，极大地依赖于识别算法的识别精度，因此对识别算法的精度要求极高。
发明内容
本发明提供一种玻片扫描影像采集与分析方法及装置，用于克服现有技术中完全依赖单个医生的经验以及业务水平，极大地依赖于识别算法的识别精度而导致对识别算法的精度要求极高等问题。
为实现上述目的，本发明提出一种玻片扫描影像采集与分析方法，包括：
获取玻片样本，对所述玻片样本进行标记；
根据图像识别算法，对玻片样本进行标记识别和预览，获得对应标记的预览图像；
预览所述预览图像，获得所述预览图像的扫描区域；
依次扫描所述扫描区域的各个视野区域，获得所述视野区域的差值图像；
依次将所述差值图像作为输入预先训练好的卷积神经网络模型，计算得到所述差值图像的失焦距离值，根据所述失焦距离值确定各个视野区域的最佳焦平面位置；
依次将各个视野区域移动至最佳焦平面位置并扫描，获得各个视野下的显微图像，将各个视野下的显微图像拼接成数字化显微图像；
通过预先训练好的细胞识别分类网络，将所述数字化显微图像中可疑病变的细胞区域进行标识并标注所属的病变类型。
为实现上述目的，本发明还提出一种玻片扫描影像采集与分析装置，包括：
采集模块，用于获取玻片样本，对所述玻片样本进行标记；
识别模块，用于根据图像识别算法，对玻片样本进行标记识别和预览，获得对应标记的预览图像；
预览模块，用于预览所述预览图像，获得所述预览图像的扫描区域；
预扫描模块，用于依次扫描所述扫描区域的各个视野区域，获得所述视野区域的差值图像；
聚焦模块，用于依次将所述差值图像作为输入预先训练好的卷积神经网络模型，计算得到所述差值图像的失焦距离值，根据所述失焦距离值确定各个视野区域的最佳焦平面位置；
扫描模块，用于依次将各个视野区域移动至最佳焦平面位置并扫描，获得各个视野下的显微图像，将各个视野下的显微图像拼接成数字化显微图像；
分析模块，用于通过预先训练好的细胞识别分类网络，将所述数字化显微图像中可疑病变的细胞区域进行标识并标注所属的病变类型。
为实现上述目的，本发明还提出一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述所述方法的步骤。
与现有技术相比，本发明的有益效果有：
本发明提供的玻片扫描影像采集与分析方法，通过对玻片样本进行预览和识别获得扫描区域，可大大减少后续步骤的计算量和扫描时间，并可有效提高本方法的精确度；本发明提供的方法通过扫描获得差值图像，并以所述差值图像作为输入，利用卷积神经网络模型可快速获得玻片样本扫描的最佳焦平面位置，此外差值图像在一定程度上可消除显微图像中冗余的色彩信息，同时差值图像也描述了显微图像失焦的距离，且差值图像的边缘特征也可描述失焦的方向，可有效提高方法的效率；本发明提供的方法采用细胞识别分类网络，可直接将显微图像中可疑病变的细胞区域进行标记并标注可能的病变类型，且该细胞识别分类网络识别准确率高，鲁棒性好。
通过本发明方法获得的显微图像中对可疑病变的细胞区域进行标记并标注可能的病变类型，准确率高，可供专业工作者参考以提高工作效率；同时，本发明的方法获得的显微图像为原始显微图像，未删除任何有用信息，专业工作者可根据所述显微图像直接进行病理分析，而不完全依赖通过本发明方法标记的结果。
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示出的结构获得其他的附图。
图1为本发明提供的玻片扫描影像采集与分析方法流程图；
图2为本发明某个实施例中玻片样本的示意图；
图3为本发明某个实施例中玻片扫描影像采集与分析装置结构示意图。
附图标号说明：1：数字切片扫描仪；11：玻片装载夹；12：高精度XYZ三轴运动控制单元；13：玻片扫描成像单元；14：数字切片扫描仪侧板；15：数字切片扫描仪壳体；2：玻片扫描影像分析控制器。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
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的一部分实施例，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。
另外，本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
本发明提出一种玻片扫描影像采集与分析方法，如图1所示，包括：
101获取玻片样本，对所述玻片样本进行标记；
标记为对所述玻片样本进行编码，以便于计算机识别。标记也可以为对所述玻片样本打上条码，以便于计算机识别。所述标记也可以为其他可被计算机识别的标记方法。
102根据图像识别算法，对玻片样本进行标记识别和预览，获得对应标记的预览图像；
预览图像为所述玻片样本的待识别区域，包括有效区域和无效区域。
有效区域为包含玻片样本病理分析具体信息的区域，如可疑病变细胞区域等。
无效区域为不包含玻片样本病理分析的区域，如空白区域、常规组织区域等。
103预览所述预览图像，获得所述预览图像的扫描区域；
扫描区域即为所述预览图像的有效区域。
104依次扫描所述扫描区域的各个视野区域，获得所述视野区域的差值图像；
差值图像为：在同一视野下，将同一玻片样本置于不同位置处的采集的两幅图像对应像素作差得到的图像。
105依次将所述差值图像作为预先训练好的卷积神经网络模型的输入，计算得到所述差值图像的失焦距离值，根据所述失焦距离值确定各个视野区域的最佳焦平面位置；
失焦距离值为当前图像所处位置离最佳焦平面位置的距离。
106依次将各个视野区域移动至最佳焦平面位置并扫描，获得各个视野下的显微图像，将各个视野下的显微图像拼接成数字化显微图像；
107通过预先训练好的细胞识别分类网络，将所述数字化显微图像中可疑病变的细胞区域进行标识并标注所属的病变类型。
细胞识别分类网络采用的分类器可以为现有的任意分类器。
在其中一个实施例中，对于步骤101，获取玻片样本，包括：
获取机体器官病理检测制备的玻片样本、机体组织病理检测制备的玻片样本和机体细胞病理检测制备的玻片样本。
在某个实施例中，所述玻片样本如图2所示。
在另一个实施例中，对于步骤102，根据图像识别算法，对玻片样本进行标记识别和预览，获得对应标记的预览图像，包括：
1021根据图像识别算法，对玻片样本进行标记识别，获得玻片样本与标记的映射；
1022采集所述玻片样本的预览图像，并将所述预览图像与所述标记对应，获得对应标记的预览图像。
在某一实施例中，图像识别算法采用ZBAR开源库，所述ZBAR开源库可以自动识别字符串标识、一维条形码和二维码。
在下一个实施例中，对于步骤103，预览所述预览图像，获得所述预览图像的扫描区域，包括：
1031预览所述预览图像，将所述预览图像划分为有效区域和无效区域；
1032选定所述有效区域为所述预览图像的扫描区域。
在下一个实施例中，对于步骤104，依次扫描所述扫描区域的各个视野区域，获得所述视野区域的差值图像，包括：
1041通过移动视野窗口多次扫描所述扫描区域的某个视野区域，得到若干张所述视野窗口中的显微图像，计算每张所述显微图像的拉普拉斯梯度值，将所述拉普拉斯梯度值最大的显微图像对应的位置记为初始最佳焦平面位置；
视野窗口为用于扫面各个视野区域的窗口，每个视野窗口相应的对应一个视野区域，通过所述视野窗口能够采集各个视野区域的显微图像。视野窗口可以为圆形、方形等几何图形。
1042在下一个视野窗口中，将所述初始最佳焦平面位置作为当前视野的估计最佳焦平面位置，将当前视野窗口对应的视野区域置于所述估计最佳焦平面位置下方两个不同位置处，采集两张显微图像；将所述两张显微图像的对应像素作差，得到当前视野区域的差值图像。
在某一实施例中，将扫描区域划分为N×N个视野区域(N行、N列)，以第一行第一列的视野区域为第一个视野区域，在所述扫描区域内进行从上至下的逐行蛇形扫描。
首先，通过步骤1041获得第一个视野区域的初始最佳焦平面位置；
然后，通过步骤1042获得下一个视野区域(即第二视野区域)的两张显微图像，最终获得当前视野区域的差值图像；
接着，通过步骤1041获得第二个视野区域的初始最佳焦平面位置；
再，通过步骤1042获得下一个视野区域(即第三视野区域)的两张显微图像，最终获得当前视野区域的差值图像；
如此循环，最终获得(N×N)-1张差值图像。
在某个实施例中，计算每张显微图像的拉普拉斯梯度值，包括：
Figure BDA0002398291850000081
式中，g(m-1,n)表示像素点(m-1,n)位置处图像的像素值；g(m+1,n)表示像素点(m+1,n)位置处图像的像素值；g(m,n-1)表示像素点(m,n-1)位置处图像的像素值；g(m,n+1)表示像素点(m,n+1)位置处图像的像素值；m表示图像的宽度；n表示图像的高度；FLAP表示显微图像的拉普拉斯梯度值。
在某个具体实施例中，将所述两张显微图像的对应像素作差，得到差值图像，包括：
将所述两张显微图像I1和I2的对应像素作差，得到差值图像I，
I(x,y)＝I2(x,y)-I1(x,y) (2)
式中，I(x,y)表示差值图像I中位置(x,y)处像素值；I2(x,y)表示显微图像I2中位置(x,y)处像素值；I1(x,y)表示显微图像I1中位置(x,y)处像素值。
在下一个实施例中，对于步骤105，依次将所述差值图像作为输入，通过训练好的卷积神经网络模型计算所述差值图像的失焦距离值，确定各个扫描视野的最佳焦平面位置，包括：
1051依次将所述差值图像分割成互不重叠的若干个图像块，将所述若干个图像块分别输入到训练好的卷积神经网络模型，获得每个图像块的失焦距离值；
1052计算所述若干个图像块在所述显微图像I1或I2中对应的图像块的标准差；
1053通过所述每个图像块的失焦距离值和标准差，计算获得所述差值图像的失焦距离值，得到各个扫描视野的最佳焦平面位置。
在某个实施例中，计算所述若干个图像块在所述显微图像I1或I2中对应的图像块的标准差，包括：
Figure BDA0002398291850000091
式中，M表示图像块的宽度；N表示图像块的高度；μ表示图像块的均值；P(x,y)表示图像块中位置(x,y)处像素值；σ表示图像块的标准差。
在下一个实施例中，通过所述每个图像块的失焦距离值和标准差，计算获得所述差值图像的失焦距离值，包括：
Figure BDA0002398291850000092
式中，Dis表示最佳焦平面位置值，num表示图像块的个数，σi表示第i个图像块的标准差，di表示第i个图像块的失焦距离值。
在下一个实施例中，细胞识别分类网络采用的分类器为卷积神经网络。
本实施例中，卷积神经网络的训练过程为：
采集大量显微图像数据集；
手动标注显微图像中的细胞区域及对应病变类别，构建已标注的训练数据集；
利用所述训练数据集对卷积神经网络进行模型训练，得到细胞识别分类网络。
本发明还提出一种玻片扫描影像采集与分析装置，包括：
采集模块，用于获取玻片样本，对所述玻片样本进行标记；
识别模块，用于根据图像识别算法，对玻片样本进行标记识别和预览，获得对应标记的预览图像；
预览模块，用于预览所述预览图像，获得所述预览图像的扫描区域；
预扫描模块，用于依次扫描所述扫描区域的各个视野区域，获得所述视野区域的差值图像；
聚焦模块，用于依次将所述差值图像作为输入预先训练好的卷积神经网络模型，计算得到所述差值图像的失焦距离值，根据所述失焦距离值确定各个视野区域的最佳焦平面位置；
扫描模块，用于依次将各个视野区域移动至最佳焦平面位置并扫描，获得各个视野下的显微图像，将各个视野下的显微图像拼接成数字化显微图像；
分析模块，用于通过预先训练好的细胞识别分类网络，将所述数字化显微图像中可疑病变的细胞区域进行标识并标注所属的病变类型。
在其中一个实施例中，所述预扫描模块还用于通过移动视野窗口多次扫描所述扫描区域的某视野区域，得到若干张所述视野窗口中的显微图像，计算每张所述显微图像的拉普拉斯梯度值，将所述拉普拉斯梯度值最大的显微图像对应的位置记为初始最佳焦平面位置；在下一个视野窗口中，将所述初始最佳焦平面位置作为当前视野的估计最佳焦平面位置，将当前视野窗口对应的视野区域置于所述估计最佳焦平面位置下方两个不同位置处，采集两张显微图像；将所述两张显微图像的对应像素作差，得到当前视野区域的差值图像。
在某个实施例中，所述玻片扫描影像采集与分析装置如图3所示，包括：数字切片扫描仪1，玻片扫描影像分析控制器2。
所述玻片扫描影像分析控制器2可以是PC机，主要用于扫描显微图像的处理和整个系统的协调控制，包括：采集模块，用于获取玻片样本，对所述玻片样本进行标记；识别模块，用于根据图像识别算法，对玻片样本进行标记识别和预览，获得对应标记的预览图像；预览模块，用于预览所述预览图像，获得所述预览图像的扫描区域；预扫描模块，用于依次扫描所述扫描区域的各个视野区域，获得各个视野区域的差值图像；聚焦模块，用于依次将所述差值图像作为输入预先训练好的卷积神经网络模型，计算得到所述差值图像的失焦距离值，根据所述失焦距离值确定各个视野区域的最佳焦平面位置；扫描模块，用于依次将各个视野区域移动至最佳焦平面位置并扫描，获得各个视野下的显微图像，将各个视野下的显微图像拼接成数字化显微图像；分析模块，用于通过预先训练好的细胞识别分类网络，将所述数字化显微图像中可疑病变的细胞区域进行标识并标注所属的病变类型。
所述数字切片扫描仪1包括：玻片装载夹11，高精度XYZ三轴运动控制单元12，玻片扫描成像单元13，数字切片扫描仪侧板14，数字切片扫描仪壳体15。高精度XYZ三轴运动控制单元12、玻片扫描成像单元13分别固定在数字切片扫描仪壳体15的内部，玻片扫描成像单元13安装在高精度XYZ三轴运动控制单元12的上方。数字切片扫描仪侧板14用于数字切片扫描仪壳体15侧面密封。
高精度XYZ三轴运动控制单元12包括XY水平移动平台和Z轴移动平台。XY水平移动平台用于接收玻片扫描影像分析控制器2发出的水平方向位置指令，将其承载的玻片样本在水平方向上移动至指定位置进行扫描。Z轴移动平台，用于接收玻片扫描影像分析控制器2发出的对焦指令和垂直位置指令，根据玻片扫描影像分析控制器2发出的对焦指令，使物镜纵向移动完成自动对焦，确定最佳焦平面位置；依据玻片扫描影像分析控制器发出垂直位置指令，控制XY水平移动平台纵向移动至指定位置。
玻片扫描成像单元13用于实时拍摄玻片样本预览图像，还用于对玻片装载夹上的细胞样本或切片组织区域进行自动扫描，得到全视野数字化显微图像。
数字切片扫描仪侧板14上有一个安全锁外面板。通过安全锁外面板开关卸下安全锁外面板，具体为用三角安全钥匙分别插入Z轴安全锁锁芯以及XY轴安全锁锁芯，旋转锁芯至解锁位置。
玻片装载夹11用于固定多张待扫描的玻片样本。通过数字切片扫描仪侧板6上安全锁外面板，玻片装载夹3可插入高精度XYZ三轴运动控制单元4的XY水平移动平台上。
数字切片扫描仪壳体15用于保护数字切片扫描仪内部结构。在数字切片扫描仪壳体15的中间面板上有五个外接端口，分别是RS232通讯端口、固件升级端口、电源线端口、图像采集端口以及图像预览端口。各个端口的连接方式具体为将RS232通讯端口与玻片扫描影像分析控制器上的USB2.0端口通过串口线相连；将图像预览接口与玻片扫描影像分析控制器上的USB2.0端口通过图像预览相机线相连；用图像采集相机线连接图像采集端口与玻片扫描影像分析控制器上的USB3.0端口；用电源线将电源端口与AC电源插座相连；将固件升级端口与玻片扫描影像分析控制器的USB2.0端口用串口线相连。
本发明提供的装置，可以同时完成多个玻片样本的全片扫描任务，具有扫描速度快、成像不良率低、设备紧凑便携等优势。可以满足病理科室全数字化阅片、玻片影像永久数字化存档等基本需求；同时在图像识别技术的帮助下，可以辅助病理医生进行样本病变区域的标注、测量、以及筛查分析，帮助他们提高工作效率，降低工作强度。
本发明还提出一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述所述方法的步骤。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims (10)

1.一种玻片扫描影像采集与分析方法，其特征在于，包括：
获取玻片样本，对所述玻片样本进行标记；
根据图像识别算法，对玻片样本进行标记识别和预览，获得对应标记的预览图像；
预览所述预览图像，获得所述预览图像的扫描区域；
依次扫描所述扫描区域的各个视野区域，获得所述视野区域的差值图像；
依次将所述差值图像作为预先训练好的卷积神经网络模型的输入，计算得到所述差值图像的失焦距离值，根据所述失焦距离值确定各个视野区域的最佳焦平面位置；
依次将各个视野区域移动至最佳焦平面位置并扫描，获得各个视野下的显微图像，将各个视野下的显微图像拼接成数字化显微图像；
通过预先训练好的细胞识别分类网络，将所述数字化显微图像中可疑病变的细胞区域进行标识并标注所属的病变类型。
2.如权利要求1所述的玻片扫描影像采集与分析方法，其特征在于，获取玻片样本，包括：
获取机体器官病理检测制备的玻片样本、机体组织病理检测制备的玻片样本和机体细胞病理检测制备的玻片样本。
3.如权利要求1所述的玻片扫描影像采集与分析方法，其特征在于，根据图像识别算法，对玻片样本进行标记识别和预览，获得对应标记的预览图像，包括：
根据图像识别算法，对玻片样本进行标记识别，获得玻片样本与标记的映射；
采集所述玻片样本的预览图像，并将所述预览图像与所述标记对应，获得对应标记的预览图像。
4.如权利要求1所述的玻片扫描影像采集与分析方法，其特征在于，预览所述预览图像，获得所述预览图像的扫描区域，包括：
预览所述预览图像，将所述预览图像划分为有效区域和无效区域；
选定所述有效区域为所述预览图像的扫描区域。
5.如权利要求1所述的玻片扫描影像采集与分析方法，其特征在于，依次扫描所述扫描区域的各个视野区域，获得所述视野区域的差值图像，包括：
通过移动视野窗口多次扫描所述扫描区域的某视野区域，得到若干张所述视野窗口中的显微图像，计算每张所述显微图像的拉普拉斯梯度值，将所述拉普拉斯梯度值最大的显微图像对应的位置记为初始最佳焦平面位置；
在下一个视野窗口中，将所述初始最佳焦平面位置作为当前视野的估计最佳焦平面位置，将当前视野窗口对应的视野区域置于所述估计最佳焦平面位置下方两个不同位置处，采集两张显微图像；
将所述两张显微图像的对应像素作差，得到当前视野区域的差值图像。
6.如权利要求5所述的玻片扫描影像采集与分析方法，其特征在于，将所述两张显微图像的对应像素作差，得到差值图像，包括：
将所述两张显微图像I1和I2的对应像素作差，得到差值图像I，
I(x,y)＝I2(x,y)-I1(x,y) (2)
式中，I(x,y)表示差值图像I中位置(x,y)处像素值，I2(x,y)表示显微图像I2中位置(x,y)处像素值，I1(x,y)表示显微图像I1中位置(x,y)处像素值。
7.如权利要求6所述的玻片扫描影像采集与分析方法，其特征在于，依次将所述差值图像作为预先训练好的卷积神经网络模型的输入，计算得到所述差值图像的失焦距离值，根据所述失焦距离值确定各个视野区域的最佳焦平面位置，包括：
依次将所述差值图像分割成互不重叠的若干个图像块，将所述若干个图像块分别输入到训练好的卷积神经网络模型，获得每个图像块的失焦距离值；
计算所述若干个图像块在所述显微图像I1或I2中对应的图像块的标准差；
通过所述每个图像块的失焦距离值和标准差，计算获得所述差值图像的失焦距离值，得到各个扫描视野的最佳焦平面位置。
8.一种玻片扫描影像采集与分析装置，其特征在于，包括：
采集模块，用于获取玻片样本，对所述玻片样本进行标记；
识别模块，用于根据图像识别算法，对玻片样本进行标记识别和预览，获得对应标记的预览图像；
预览模块，用于预览所述预览图像，获得所述预览图像的扫描区域；
预扫描模块，用于依次扫描所述扫描区域的各个视野区域，获得所述视野区域的差值图像；
聚焦模块，用于依次将所述差值图像作为输入预先训练好的卷积神经网络模型，计算得到所述差值图像的失焦距离值，根据所述失焦距离值确定各个视野区域的最佳焦平面位置；
扫描模块，用于依次将各个视野区域移动至最佳焦平面位置并扫描，获得各个视野下的显微图像，将各个视野下的显微图像拼接成数字化显微图像；
分析模块，用于通过预先训练好的细胞识别分类网络，将所述数字化显微图像中可疑病变的细胞区域进行标识并标注所属的病变类型。
9.如权利要求8所述的玻片扫描影像采集与分析方法，其特征在于，所述预扫描模块还用于通过移动视野窗口多次扫描所述扫描区域的某个视野区域，得到若干张所述视野窗口中的显微图像，计算每张所述显微图像的拉普拉斯梯度值，将所述拉普拉斯梯度值最大的显微图像对应的位置记为初始最佳焦平面位置；在下一个视野窗口中，将所述初始最佳焦平面位置作为当前视野的估计最佳焦平面位置，将当前视野窗口对应的视野区域置于所述估计最佳焦平面位置下方两个不同位置处，采集两张显微图像；将所述两张显微图像的对应像素作差，得到差值图像。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1～7中任一项所述方法的步骤。
CN202010138836.3A 2020-03-03 2020-03-03 一种玻片扫描影像采集与分析方法及装置 Active CN111275016B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010138836.3A CN111275016B (zh) 2020-03-03 2020-03-03 一种玻片扫描影像采集与分析方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010138836.3A CN111275016B (zh) 2020-03-03 2020-03-03 一种玻片扫描影像采集与分析方法及装置

Publications (2)

Publication Number Publication Date
CN111275016A true CN111275016A (zh) 2020-06-12
CN111275016B CN111275016B (zh) 2023-05-16

Family

ID=70999261

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010138836.3A Active CN111275016B (zh) 2020-03-03 2020-03-03 一种玻片扫描影像采集与分析方法及装置

Country Status (1)

Country Link
CN (1) CN111275016B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111679420A (zh) * 2020-07-06 2020-09-18 海德星科技（厦门）有限公司 一种数字病理切片自动扫描系统及方法
CN111983797A (zh) * 2020-08-26 2020-11-24 宁波兰茜生物科技有限公司 一种超分辨成像数字玻片扫描仪及其图像处理原理
CN112037154A (zh) * 2020-09-08 2020-12-04 哈尔滨工业大学 一种全切片数字成像两次拍照高精度准焦复原方法
CN112464802A (zh) * 2020-11-26 2021-03-09 湖南国科智瞳科技有限公司 一种玻片样本信息的自动识别方法、装置和计算机设备
CN113344958A (zh) * 2021-08-02 2021-09-03 长沙蓝芯智能科技有限责任公司 一种显微成像扫描方法及扫描系统
CN113358056A (zh) * 2021-05-31 2021-09-07 深圳中科飞测科技股份有限公司 工件表面形貌的扫描方法、扫描系统及存储介质
CN113420653A (zh) * 2021-06-22 2021-09-21 深圳跃美生物医学科技有限公司 一种细菌细胞形态学综合检测分析方法、装置及可读介质
WO2021189771A1 (zh) * 2020-07-30 2021-09-30 平安科技（深圳）有限公司 玻片数字化信息质量检测方法、装置、设备及介质
CN114663323A (zh) * 2022-03-24 2022-06-24 杭州迪安生物技术有限公司 基于单张玻片多个样品的图像范围识别对焦方法及其应用
CN117115636A (zh) * 2023-09-12 2023-11-24 奥谱天成（厦门）光电有限公司 一种藻类与浮游生物分析方法、分析仪、介质及设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020090127A1 (en) * 2001-01-11 2002-07-11 Interscope Technologies, Inc. System for creating microscopic digital montage images
US20090295963A1 (en) * 2006-02-10 2009-12-03 Pascal Bamford Method and apparatus and computer program product for collecting digital image data from microscope media-based specimens
CN102682305A (zh) * 2012-04-25 2012-09-19 深圳市迈科龙医疗设备有限公司 宫颈液基细胞学自动筛查方法和系统
CN103592754A (zh) * 2013-11-07 2014-02-19 麦克奥迪实业集团有限公司 一种数字切片实时扫描自动聚焦跟踪方法
US20160370565A1 (en) * 2013-07-18 2016-12-22 Ventana Medical Systems, Inc. Auto-Focus Methods and Systems for Multi-Spectral Imaging
CN108020903A (zh) * 2016-10-28 2018-05-11 广州康昕瑞基因健康科技有限公司 自动聚焦方法和系统
CN108603998A (zh) * 2015-12-16 2018-09-28 文塔纳医疗系统公司 多光谱轨迹的数字成像的自动聚焦方法和系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020090127A1 (en) * 2001-01-11 2002-07-11 Interscope Technologies, Inc. System for creating microscopic digital montage images
US20090295963A1 (en) * 2006-02-10 2009-12-03 Pascal Bamford Method and apparatus and computer program product for collecting digital image data from microscope media-based specimens
CN102682305A (zh) * 2012-04-25 2012-09-19 深圳市迈科龙医疗设备有限公司 宫颈液基细胞学自动筛查方法和系统
US20160370565A1 (en) * 2013-07-18 2016-12-22 Ventana Medical Systems, Inc. Auto-Focus Methods and Systems for Multi-Spectral Imaging
CN103592754A (zh) * 2013-11-07 2014-02-19 麦克奥迪实业集团有限公司 一种数字切片实时扫描自动聚焦跟踪方法
CN108603998A (zh) * 2015-12-16 2018-09-28 文塔纳医疗系统公司 多光谱轨迹的数字成像的自动聚焦方法和系统
CN108020903A (zh) * 2016-10-28 2018-05-11 广州康昕瑞基因健康科技有限公司 自动聚焦方法和系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吕美妮 等: "基于支持向量机的显微图像聚焦区域选取算法" *
姜志国 等: "基于全自动显微镜的图像新技术研究" *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111679420A (zh) * 2020-07-06 2020-09-18 海德星科技（厦门）有限公司 一种数字病理切片自动扫描系统及方法
WO2021189771A1 (zh) * 2020-07-30 2021-09-30 平安科技（深圳）有限公司 玻片数字化信息质量检测方法、装置、设备及介质
CN111983797A (zh) * 2020-08-26 2020-11-24 宁波兰茜生物科技有限公司 一种超分辨成像数字玻片扫描仪及其图像处理原理
CN111983797B (zh) * 2020-08-26 2023-10-31 宁波兰茜生物科技有限公司 一种超分辨成像数字玻片扫描仪
CN112037154A (zh) * 2020-09-08 2020-12-04 哈尔滨工业大学 一种全切片数字成像两次拍照高精度准焦复原方法
CN112464802A (zh) * 2020-11-26 2021-03-09 湖南国科智瞳科技有限公司 一种玻片样本信息的自动识别方法、装置和计算机设备
CN112464802B (zh) * 2020-11-26 2023-07-25 湖南国科智瞳科技有限公司 一种玻片样本信息的自动识别方法、装置和计算机设备
CN113358056A (zh) * 2021-05-31 2021-09-07 深圳中科飞测科技股份有限公司 工件表面形貌的扫描方法、扫描系统及存储介质
CN113420653A (zh) * 2021-06-22 2021-09-21 深圳跃美生物医学科技有限公司 一种细菌细胞形态学综合检测分析方法、装置及可读介质
CN113344958A (zh) * 2021-08-02 2021-09-03 长沙蓝芯智能科技有限责任公司 一种显微成像扫描方法及扫描系统
CN114663323A (zh) * 2022-03-24 2022-06-24 杭州迪安生物技术有限公司 基于单张玻片多个样品的图像范围识别对焦方法及其应用
CN117115636A (zh) * 2023-09-12 2023-11-24 奥谱天成（厦门）光电有限公司 一种藻类与浮游生物分析方法、分析仪、介质及设备

Also Published As

Publication number Publication date
CN111275016B (zh) 2023-05-16

Similar Documents

Publication Publication Date Title
CN111275016B (zh) 一种玻片扫描影像采集与分析方法及装置
US11927738B2 (en) Computational microscopy based-system and method for automated imaging and analysis of pathology specimens
CN108982500B (zh) 一种宫颈液基细胞学智能辅助阅片方法和系统
JP6453298B2 (ja) 細胞診標本を観察および解析するためのシステムおよび方法
US20050123181A1 (en) Automated microscope slide tissue sample mapping and image acquisition
US7027628B1 (en) Automated microscopic image acquisition, compositing, and display
EP2053535B1 (en) Automated detection of cell colonies and coverslip detection using hough transforms
US5848177A (en) Method and system for detection of biological materials using fractal dimensions
CN101542527A (zh) 可组合图像的基于特征的配准
US8582924B2 (en) Data structure of an image storage and retrieval system
CN111602136A (zh) 使用载玻片重新染色创建组织病理学基准真值掩膜的方法
JP2009528580A (ja) スライドをディジタル撮影する方法及びそのための自動ディジタル画像記録システム
CN110736747A (zh) 一种细胞液基涂片镜下定位的方法及系统
US7653260B2 (en) System and method of registering field of view
CN112464802B (zh) 一种玻片样本信息的自动识别方法、装置和计算机设备
Becker et al. Automated 3‐D montage synthesis from laser‐scanning confocal images: Application to quantitative tissue‐level cytological analysis
CN113052166A (zh) 病理图像的显示方法及装置
Preibisch et al. Bead-based mosaicing of single plane illumination microscopy images using geometric local descriptor matching
CN111369553A (zh) 一种样本玻片扫描和图像处理方法及数字显微镜系统
Alvarez et al. Tele-pathology: A use case in colombia
CN116230214B (zh) Hcc及vetc辅助诊断装置及设备
Ashman et al. A Camera-Assisted Pathology Microscope to Capture the Lost Data in Clinical Glass Slide Diagnosis
US20220375604A1 (en) System and method for automation of surgical pathology processes using artificial intelligence
Molnar et al. Three-dimensional reconstruction and analysis of gastric malignancies by electronic slides of consecutive sections and virtual microscopy
CN117831032A (zh) 一种融合扫描原理与癌症性质判别的一体化扫描方法

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