CN111339899B - 导管特征获取方法、装置、设备、介质和智能显微镜 - Google Patents
导管特征获取方法、装置、设备、介质和智能显微镜 Download PDFInfo
- Publication number
- CN111339899B CN111339899B CN202010108133.6A CN202010108133A CN111339899B CN 111339899 B CN111339899 B CN 111339899B CN 202010108133 A CN202010108133 A CN 202010108133A CN 111339899 B CN111339899 B CN 111339899B
- Authority
- CN
- China
- Prior art keywords
- catheter
- image
- tissue
- region
- catheter tissue
- 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
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000005516 engineering process Methods 0.000 claims abstract description 59
- 238000003860 storage Methods 0.000 claims abstract description 13
- 210000001519 tissue Anatomy 0.000 claims description 366
- 210000004027 cell Anatomy 0.000 claims description 97
- 239000011148 porous material Substances 0.000 claims description 44
- 230000001413 cellular effect Effects 0.000 claims description 32
- 210000000805 cytoplasm Anatomy 0.000 claims description 12
- 238000010191 image analysis Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000001086 cytosolic effect Effects 0.000 claims description 5
- 210000003484 anatomy Anatomy 0.000 claims description 2
- 230000000877 morphologic effect Effects 0.000 abstract description 19
- 238000013473 artificial intelligence Methods 0.000 abstract description 15
- 238000012545 processing Methods 0.000 description 95
- 230000000875 corresponding effect Effects 0.000 description 82
- 210000003855 cell nucleus Anatomy 0.000 description 32
- 238000000605 extraction Methods 0.000 description 23
- 230000011218 segmentation Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 15
- 210000004940 nucleus Anatomy 0.000 description 12
- 230000001575 pathological effect Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 210000000481 breast Anatomy 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 230000003902 lesion Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 206010020718 hyperplasia Diseases 0.000 description 4
- 230000002062 proliferating effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000002380 cytological effect Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007490 hematoxylin and eosin (H&E) staining Methods 0.000 description 3
- 210000005075 mammary gland Anatomy 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000000390 breast intraductal proliferative lesion Diseases 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 210000003850 cellular structure Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002390 hyperplastic effect Effects 0.000 description 1
- 230000002055 immunohistochemical effect Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000017074 necrotic cell death Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
- G06V20/695—Preprocessing, e.g. image segmentation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B90/00—Instruments, implements or accessories specially adapted for surgery or diagnosis and not covered by any of the groups A61B1/00 - A61B50/00, e.g. for luxation treatment or for protecting wound edges
- A61B90/20—Surgical microscopes characterised by non-optical aspects
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B21/00—Microscopes
- G02B21/36—Microscopes arranged for photographic purposes or projection purposes or digital imaging or video purposes including associated control and data processing arrangements
- G02B21/365—Control or image processing arrangements for digital or video microscopes
-
- 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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2576/00—Medical imaging apparatus involving image processing or analysis
- A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
-
- 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
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
-
- 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
-
- 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
- G06T2207/30242—Counting objects in image
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Surgery (AREA)
- Quality & Reliability (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Optics & Photonics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本申请涉及人工智能技术领域,提供了一种基于计算机视觉技术的导管组织特征获取方法、装置、智能显微镜、存储介质和计算机设备,获取包含有导管组织的图像,在该图像的导管组织对应的图像区域中,确定与导管组织的导管形态相适应的至少两个特征获取区域,获取该导管组织的细胞分别在这些特征获取区域中的细胞特征,基于该导管组织的细胞分别在这些特征获取区域中的细胞特征获取导管组织的特征。该方案可利用计算机视觉技术对导管组织的图像进行分析,基于图像中各种导管组织的形态特性自适应地从相应特征获取区域中提取细胞特征,综合各区域的细胞特征得到导管组织的特征,能以细胞特征与导管形态特性相结合的方式提高获取导管组织特征的准确性。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种基于计算机视觉技术的导管组织特征获取方法、装置、智能显微镜、计算机可读存储介质和计算机设备。
背景技术
随着人工智能技术领域的发展,出现了基于人工智能技术的图像分类处理技术,该技术可以将人工智能技术应用于对图像中的如乳腺导管组织等导管组织进行特征提取、识别和分类等处理。
对图像中的导管组织进行分割可以得到导管组织的图像,基于导管组织的图像可以提取出导管组织的相关特征,而目前的导管组织特征提取技术主要是将图像中导管组织的细胞核的整体数量作为该导管组织的主要特征,但导管组织中细胞核的整体数量往往会比较多不易于统计,且仅依据细胞核的整体数量往往难以准确反映出导管组织的特征,导致这种技术获取导管组织特征的准确性较低。
发明内容
基于此,有必要针对相关技术中存在获取导管组织特征的准确性较低的技术问题,提供一种基于计算机视觉技术的导管组织特征获取方法、装置、智能显微镜、计算机可读存储介质和计算机设备。
一种基于计算机视觉技术的导管组织特征获取方法,包括:
获取包含有导管组织的图像;
在所述图像的所述导管组织对应的图像区域中,确定与所述导管组织的导管形态相适应的至少两个特征获取区域;
获取所述导管组织的细胞分别在所述至少两个特征获取区域中的细胞特征;
基于所述至少两个特征获取区域中的细胞特征,获取所述导管组织的特征。
一种基于计算机视觉技术的导管组织特征获取装置,包括:
导管图像获取模块,用于获取包含有导管组织的图像;
特征区域确定模块,用于在所述图像的所述导管组织对应的图像区域中,确定与所述导管组织的导管形态相适应的至少两个特征获取区域;
细胞特征获取模块,用于获取所述导管组织的细胞分别在所述至少两个特征获取区域中的细胞特征;
导管特征获取模块,用于基于所述至少两个特征获取区域中的细胞特征,获取所述导管组织的特征。
一种智能显微镜,包括:图像采集设备和图像分析设备;
所述图像采集设备,用于获取包含有导管组织的图像,发送至所述图像分析设备;
所述图像分析设备,用于执行如上所述方法的步骤。
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:
获取包含有导管组织的图像;在所述图像的所述导管组织对应的图像区域中,确定与所述导管组织的导管形态相适应的至少两个特征获取区域;获取所述导管组织的细胞分别在所述至少两个特征获取区域中的细胞特征;基于所述至少两个特征获取区域中的细胞特征,获取所述导管组织的特征。
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:
获取包含有导管组织的图像;在所述图像的所述导管组织对应的图像区域中,确定与所述导管组织的导管形态相适应的至少两个特征获取区域;获取所述导管组织的细胞分别在所述至少两个特征获取区域中的细胞特征;基于所述至少两个特征获取区域中的细胞特征,获取所述导管组织的特征。
上述基于计算机视觉技术的导管组织特征获取方法、装置、智能显微镜、计算机可读存储介质和计算机设备,首先获取包含有导管组织的图像,然后在该图像的导管组织对应的图像区域中,确定与该导管组织的导管形态相适应的至少两个特征获取区域,然后获取该导管组织的细胞分别在这些特征获取区域当中的细胞特征,基于该导管组织的细胞分别在这些特征获取区域当中的细胞特征,获取导管组织的特征。该方案可利用计算机视觉技术,对导管组织的图像进行分析,基于图像中各种导管组织的形态特性,自适应地从相应特征获取区域中提取细胞特征,并综合各区域的细胞特征得到导管组织的特征,能够以细胞特征与导管形态特性相结合的方式提高获取导管组织特征的准确性。
附图说明
图1为一个实施例中基于计算机视觉技术的导管组织特征获取方法的应用环境图;
图2为一个实施例中基于计算机视觉技术的导管组织特征获取方法的流程示意图;
图3为一个实施例中确定特征获取区域的步骤的流程示意图;
图4为一个实施例中获取筛孔的筛孔特征的步骤的流程示意图;
图5为一个实施例中筛孔区域提取结果的示意图;
图6为另一个实施例中基于计算机视觉技术的导管组织特征获取方法的流程示意图;
图7为一个应用示例中导管组织分类方法的流程示意图;
图8为一个应用示例中导管组织的类别判读的参考流程的示意图;
图9为一个应用示例中筛孔区域提取方法的流程示意图;
图10为一个应用示例中导管组织的类别判读结果示意图;
图11为一个实施例中基于计算机视觉技术的导管组织特征获取装置的结构框图;
图12为一个实施例中智能显微镜的结构框图;
图13为一个实施例中计算机设备的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
其中,计算机视觉技术(Computer Vision,CV)是一门研究如何使机器“看”的科学,更进一步的说,就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术,还包括常见的人脸识别、指纹识别等生物特征识别技术。
本申请提供的基于计算机视觉技术的导管组织特征获取方法,可以将人工智能技术中的计算机视觉技术,应用于对图像中的导管组织进行快速、准确地特征提取处理当中,还可以进一步在导管组织特征提取的基础上,应用人工智能技术对导管组织进行准确地识别分类,以借助计算机视觉技术实现对导管组织特征和分类处理过程。具体参考图1,本申请提供的基于计算机视觉技术的导管组织特征获取方法,可以应用于如图1所示的应用环境当中,图1为一个实施例中基于计算机视觉技术的导管组织特征获取方法的应用环境图,该应用环境可以包括图像处理设备100,其中,该图像处理设备100可以是具备图像采集、分析和显示等图像处理能力的计算机设备,该计算机设备具体可以是手机、平板电脑、台式电脑和笔记本电脑中的至少一种,从而可基于图像处理设备100所具备的图像采集、分析等图像处理能力,将计算机视觉技术通过该图像处理设备100应用于对导管组织特征提取当中,图像处理设备100通过采集导管组织的图像,例如可基于导管组织的轮廓定位出该导管组织在图像上的位置,从而可以进一步对图像上的该导管组织进行特征提取和分类等图像处理过程。
另外,该图像处理设备100还可以是智能显微镜,其中,智能显微镜融入了人工智能(Artificial Intelligence,英文缩写为AI)的视觉、语音、自然语言处理技术,及增强现实(AR)技术,用户可以通过向智能显示为输入如语音指令等控制指令,智能显微镜可以根据该指令执行例如自动识别、检测、定量计算和生成报告等操作,还可以将检测结果实时显示到用户所看目镜所示的视野当中,及时提醒且不会打扰用户的阅片流程,能提高处理效率和准确度。也就是说,可以将导管组织置于智能显微镜下,智能显微镜可以自动调整镜头的缩放倍数以采集该导管组织的图像,还可以进一步从所采集的图像中识别导管组织并分割出包含有该导管组织的图像,并根据导管组织的特征对导管组织进行自动分类,将自动分类结果通过如不同颜色标识等方式形式显示用户所看目镜是的视野当中,以对视野中相应分类的导管组织进行类别标注,以协助用户在智能显微镜上阅览如导管组织的病理切片等图像。
具体的,本申请提供的基于计算机视觉技术的导管组织分类方法,图像处理设备100可以通过扫描等方式采集包含有导管组织的图像,然后,图像处理设备100可以在图像的导管组织对应的图像区域中,确定与导管组织的导管形态相适应的至少两个特征获取区域,接着图像处理设备100获取导管组织的细胞分别在至少两个特征获取区域中的细胞特征,最后图像处理设备100即可基于至少两个特征获取区域中的细胞特征,获取导管组织的特征。该方法可以应用于如计算机设备、智能显微镜等图像处理设备100当中,完成对如病理切片图像当中所包含的各种形态的导管组织进行导管组织特征的准确获取。
需要说明的是,如图1所示的应用场景当中,可以利用图像处理设备100在本地对导管组织进行扫描,并对扫描得到的图像中的各种形态导管组织进行特征获取处理。除此以外,还可以通过远程通信的方式完成对导管组织特征获取处理。示例性的,可以基于第五代移动通信技术(5th generation mobile networks或5th generation wirelesssystems、5th-Generation,简称5G或5G 技术)来实现非本地对导管组织特征的获取处理,用户可以如手机、平板电脑等终端设备获取包含有导管组织的图像,然后可以基于5G通信网络将图像实时发送至远端的图像处理设备100,然后图像处理设备100即可对该图像中的导管组织进行特征获取处理,将特征获取结果通过5G通信网络回传至用户的终端设备,以使用户可以通过终端设备掌握特征获取结果,由于5G通信技术具有实时性强等优势,即使由远端的图像处理设备100来对用户在现场采集的图像中的导管组织进行特征提取处理,也能够使得用户能够在现场实时获取相应的导管组织特征提取结果,在确保实时性的条件下也能够减轻用户端的图像数据处理压力。
在一个实施例中,提供了一种基于计算机视觉技术的导管组织特征获取方法,如图2所示,图2为一个实施例中基于计算机视觉技术的导管组织特征获取方法的流程示意图,本实施例主要以该方法应用于上述图1中的图像处理设备 100来举例说明。参照图2,该方法具体包括如下步骤:
步骤S201,获取包含有导管组织的图像;
本步骤中,图像处理设备100通过对导管组织进行扫描等方式实时采集包含有导管组织的图像,也可以从预先存储在如手机、台式电脑等电子设备当中获取该包含有导管组织的图像。该图像可以是导管组织的病理切片图像,病理切片图像可以是获取一定大小的病变导管组织,用病理组织学方法制成病理切片,病理切片图像还可以经过HE染色处理从而形成包含有导管组织的HE病理切片图像,HE染色处理是指苏木精-伊红染色法(hematoxylin-eosin staining,简称 HE染色法),可以使得导管组织中的细胞核、细胞质等进行着色,可以便于对对图像中导管组织进行识别和特征提取。另外,图像处理设备100所获取的包含有导管组织的图像,还可以包括经过二值化或多值化处理的图像,其中,对于二值化处理,可以将导管组织与图像背景进行区分,例如将导管组织的像素值设为1,图像背景设为0,以便于识别从图像当中识别出导管组织及其轮廓特征。
步骤S202,在图像的导管组织对应的图像区域中,确定与导管组织的导管形态相适应的至少两个特征获取区域。
本步骤中,图像处理设备100可以先确定出图像的导管组织对应的图像区域,可以在包含有导管组织的图像当中,将导管组织的边界所围成的整个区域通常是作为该图像中导管组织对应的图像区域。在该图像区域当中,图像处理设备100可以划分特征获取区域,该特征获取区域主要用于提取导管组织的细胞在该特征获取区域当中的细胞特征。其中,特征获取区域的数量需要至少两个,即图像处理设备100需要在图像的导管组织对应的图像区域中,选取至少两个特征获取区域,以分别获取导管组织细胞在该两个区域当中的细胞特征。
其中,对于特征获取区域的选择,还需要与导管组织的导管形态相适应,这样做的目的在于可以针对于导管不同增生类型或生长方式且为了适应导管形态的差异性,自适应地根据导管组织的导管形态选取与之适配的特征获取区域。举例来说,对于导管形态为圆形的导管组织,可以选择以导管组织为中心取不同半径对应的圆形区域作为特征获取区域等等,而选取至少两个特征获取区域,可以便于对比不同的特征获取区域内导管组织的细胞特征等差异特性,以准确获取导管组织特征。由此,从而图像处理设备100可以根据导管组织的导管形态特点,自适应选取出至少两个特征获取区域。
步骤S203,获取导管组织的细胞分别在至少两个特征获取区域中的细胞特征。
本步骤中,图像处理设备100需要分别在各特征获取区域中,获取导管组织的细胞分别在相应区域当中的细胞特征。其中,图像处理设备100在对细胞特征进行提取之前,可以先确定需要提取哪些细胞特征,而为了更准确对导管组织的特征进行确定,在各特征获取区域中,所提取的细胞特征的种类可以是一致的,也就是说,假设图像处理设备100在特征获取区域A中提取的细胞特征包括细胞特征X和细胞特征Y,则图像处理设备100在特征获取区域B当中,也提取该区域中细胞的细胞特征X和细胞特征Y。
对于细胞特征的种类,示例性,在一个实施例中,导管组织的细胞分别在该至少两个特征获取区域中的细胞特征,可以包括该细胞在相应特征获取区域中的细胞统计特征或者细胞结构特征中的至少一种。其中,细胞结构特征是针对于单个细胞本身的基础特征,例如形状、大小、颜色等均可作为细胞结构特征,而细胞统计特征是针对于相应特征获取区域中,多个细胞的整体特征,例如在相应特征获取区域中,细胞的密度、细胞的分布情况,以及还可以在特征获取区域中分别获取细胞核大小的均值和方差等细胞统计特征、细胞圆形度的均值和方差等细胞统计特征。
在具体应用当中,图像处理设备100可以获取特征获取区域中的细胞核大小、细胞核圆形度和细胞核密度作为细胞特征。其中,对于细胞核大小的提取,主要是根据细胞核的分割结果,求取每一个连接实体即细胞核的在图像中面积而得到;而对于细胞核圆形度的计算,则可以由该公式计算得到: e=(4πA1)/L^2,其中,e表示细胞核圆形度,A1表示细胞核的面积,L表示细胞核的周长;对于细胞核的密度,可以由细胞核面积除以该细胞核在相应特征获取区域所占的区域面积得到。
步骤S204,基于至少两个特征获取区域中的细胞特征,获取导管组织的特征。
本步骤,图像处理设备100可以将导管组织的细胞在前述至少两个特征获取区域当中的例如细胞结构特征和细胞统计特征等细胞特征,作为该导管组织的特征,而这种导管组织特征的获取方式可以自适应导管的不同形态特性,以将细胞学特征以及导管内结构特征相结合的方式获取导管组织特征。
上述导管组织特征获取方法,首先获取包含有导管组织的图像,然后在该图像的导管组织对应的图像区域中,确定与该导管组织的导管形态相适应的至少两个特征获取区域,然后获取该导管组织的细胞分别在这些特征获取区域当中的细胞特征,基于该导管组织的细胞分别在这些特征获取区域当中的细胞特征,获取导管组织的特征。该方案可基于各种导管组织的形态特性,自适应地从相应特征获取区域中提取细胞特征,并综合各区域的细胞特征得到导管组织的特征,能够以细胞特征与导管形态特性相结合的方式提高获取导管组织特征的准确性。
在一个实施例中,在步骤S202中的在图像的导管组织对应的图像区域中,确定与导管组织的导管形态相适应的至少两个特征获取区域之前,可以通过如下方式获取导管组织的导管形态,具体包括:
将图像的导管组织对应的图像区域的边界,作为导管组织区域边界;根据导管组织区域边界的边界形状,确定导管组织的导管形态。
本实施例中,图像处理设备100可以在包含有导管组织的二值化图像当中,根据导管组织的外轮廓确定该导管组织对应的图像区域边界,从而得到导管组织区域边界,然后图像处理设备100可以得到该导管组织区域边界的边界形状,示例性的,边界形状可以是如圆形、方形等规则形状,也可以是具有一定随机性的不规则形状,图像处理设备100可以根据该边界形状确定导管组织的导管形态,例如对于一些偏圆形的边界形状,图像处理设备100可以将其导管形态判别为圆形或椭圆形,图像处理设备100也可以直接将边界形状作为该导管组织的导管形态,通过本实施例的方案,图像处理设备100可以依据导管组织区域边界快速地识别出导管组织的导管形态,从而有利于提高导管组织的特征获取效率。
在一个实施例中,与导管组织的导管形态相适应的至少两个特征获取区域,可以均为环形区域;其中,该环形区域的边界形状与导管形态相适应。
本实施例中,可以采用环形作为特征获取区域的形状,即每个特征获取区域均为环形区域,该环形区域可以从导管组织的内部向导管组织的边界均匀排布,而为了可以自适应导管组织的不同导管形态,该环形区域的边界形状与导管形态相适应,示例性的环形区域的内环边界和外环边界的边界形状,可以与导管组织区域边界的边界形状相同,这样,各特征获取区域的区域边界均可以与导管边界平行设置,以使其更符合导管组织的形态特性,提高特征获取的准确性。
在一个实施例中,如图3所示,图3为一个实施例中确定特征获取区域的步骤的流程示意图,步骤S202中的在图像的导管组织对应的图像区域中,确定与导管组织的导管形态相适应的至少两个特征获取区域,具体可以包括:
步骤S301,根据导管形态,确定环形区域的边界形状;以及,确定环形区域的数量。
本步骤中,图像处理设备100可以在划分特征获取区域之前,先根据导管形态确定环形区域的边界形状,即采用环形区域作为特征获取区域,而导管形态可以根据导管组织区域边界的边界形状来确定,图像处理设备100可以将导管组织区域边界的边界形状作为环形区域的边界形状。此外,图像处理设备100 还需要确定环形区域的数量,该环形区域的数量需要设置为至少两个,以此从图像的导管组织对应的图像区域中划分出至少两个特征获取区域来进行细胞特征提取。
步骤S302,获取图像的导管组织对应的图像区域的面积。
本步骤,图像处理设备100可以获取导管组织在图像中所对应的图像区域的面积。
步骤S303,根据环形区域的边界形状和数量,以及图像的导管组织对应的图像区域的面积,将图像的导管组织对应的图像区域,划分为相应数量的且边界形状与导管形态相适应的环形区域,得到至少两个特征获取区域。
本步骤,图像处理设备100在确定好环形区域的边界形状和数量,以及获取导管组织对应的图像区域的面积后,对图像的导管组织对应的图像区域进行特征获取区域的划分,将该图像区域划分为与前述数量一致的,以及边界形状与导管组织区域边界的边界形状相同的多个环形区域,作为用于细胞特征提取的特征获取区域。
上述实施例的技术方案,为在图像的导管组织对应的图像区域中确定多个特征获取区域提供一种简单可行的方式,通过多个与导管组织区域边界形状相同的环形区域划分,快速得到应用于对对细胞特征进行提取的多个特征获取区域,而这些环形区域还具有边界平行于导管边界的特征,符合导管的形态特性以使得对导管组织特征的获取更加准确和稳定。
进一步的,为了使得各环形区域的分布更均匀以更准确获取各环形区域内细胞特征,从而提高获取导管组织特征的准确性。在一些实施例当中,前述实施例中,相应数量的且边界形状与导管形态相适应的环形区域中,各环形区域的环宽可以设置为相同,以在图像上形成均匀且多层次的细胞特征获取区域。
下面提供一种多层次环形区域的具体分割方式,主要步骤如下:
步骤A.确定环形区域数量n,根据环形区域数量n计算出形态学滑块大小 Ksize=2×sqrt(A2/π)/n,其中,A2表示图像中导管组织对应的图像区域的面积;
步骤B.设置循环迭代数i=1,其中,初始区域为整个导管区域,当i<n,使用A步骤中定义的滑块对当前区域进行形态学腐蚀操作,然后再使用当前区域减去腐蚀后的区域即可得到环形区域Ci,腐蚀后的区域作为下一次迭代的初始区域。
步骤C.当i=n时,可直接输出初始区域作为最内层的环形区域,结束循环。
上述使用形态学对环形区域进行分割方式,优势在于可以直接自适应导管不同形态,分割所得到的环形区域和边界平行于导管边界,此时统计的导管组织特征在和医学领域判读有较高的一致性。
在一个实施例中,步骤S204中的基于至少两个特征获取区域中的细胞特征,获取导管组织的特征之前,还包括如下步骤:
基于图像的导管组织对应的图像区域,获取导管组织中筛孔的筛孔特征。
本实施例主要是在获取导管组织的特征之前,图像处理设备100还可以从图像当中获取导管组织的其他特征,例如导管组织内的钙化和坏死也可以作为导管组织特征的获取依据。本实施例中,图像处理设备100还可以从图像的导管组织对应的图像区域当中,获取导管组织中筛孔的筛孔特征。其中,导管组织中筛孔的筛孔特征是获取导管组织特征的重要参考因素,在另一方面,也是医学上鉴别不同导管内增生性病变的重要依据。
由此,在一个实施例中,步骤S204中的基于至少两个特征获取区域中的细胞特征,获取导管组织的特征,可以进一步包括:
图像处理设备100根据筛孔特征以及至少两个特征获取区域中的细胞特征,得到导管组织的特征。
本实施例中,图像处理设备100结合筛孔特征和至少两个特征获取区域中的细胞特征共同决定导管组织的特征,以提高获取导管组织特征的准确性。示例性的,在一些实施例中,筛孔特征可以包括筛孔结构特征或者筛孔统计特征中的至少一种。其中,筛孔结构特征是指单个筛孔的基础特征,例如筛孔的形状、大小和筛孔边缘光滑度等,而筛孔统计特征是指在该图像的导管组织对应的图像区域中,筛孔数量、筛孔分布情况等统计特征。这样,图像处理设备100 可以结合多样性的筛孔特征以及细胞特征更准确地确定导管组织特征,有利于后续将不同类型的导管组织与其他类型的导管组织进行精准区分。
在一个实施例中,如图4所示,图4为一个实施例中获取筛孔的筛孔特征的步骤的流程示意图,前述实施例中的基于图像的导管组织对应的图像区域,获取导管组织中筛孔的筛孔特征,具体可以包括:
步骤S401,将图像的导管组织对应的图像区域中,亮度大于亮度阈值的图像区域识别为对应于筛孔的筛孔区域。
本步骤中,图像处理设备100可以从图像的导管组织对应的图像区域中识别对应于筛孔的筛孔区域,具体的,图像处理设备100可以将图像的导管组织对应的图像区域中,亮度大于亮度阈值的图像区域识别为对应于筛孔的筛孔区域,其中,该亮度阈值可以根据该导管组织的细胞在该图像当中的亮度所确定,也就是说,图像处理设备100可以在导管组织中统计导管组织各细胞在该图像当中的亮度值,从而根据各细胞在该图像当中的亮度值设置相应的亮度阈值,当识别出图像的导管组织对应的图像区域中具有亮度大于亮度阈值的图像区域,即可将其识别为对应于筛孔的筛孔区域,无需借助图像外的参数即可实现对筛孔区域的识别。
为了更精确地设定亮度阈值以准确提取出筛孔区域,进一步的,在一个实施例中,步骤S401中的将图像的导管组织对应的图像区域中,亮度大于亮度阈值的图像区域识别为对应于筛孔的筛孔区域之前,还可以通过如下方式设置亮度阈值,具体包括:
获取图像的导管组织对应的图像区域中,导管组织的细胞的细胞核亮度和细胞质亮度;根据细胞核亮度和细胞质亮度,获取亮度阈值。
具体的,图像处理设备100可以在图像的导管组织对应的图像区域中,识别导管组织的各细胞的细胞核和细胞质,统计各细胞的细胞核和细胞质在图像当中的亮度,得到细胞核亮度和细胞质亮度,而一般来说,筛孔区域的亮度通常会高于细胞核和细胞质区域,在具体场景当中,图像处理设备100可以根据该方式设定亮度阈值:亮度阈值=2×细胞质亮度均值-细胞核亮度均值,也就是说,图像处理设备100可以结合各细胞的细胞核和细胞质在图像当中的平均亮度来确定亮度阈值,以使得筛孔区域能够被图像处理设备100准确识别。
步骤S402,基于筛孔区域,获取筛孔的筛孔特征。
本步骤中,图像处理设备100准确确定筛孔所在筛孔区域后,可以将筛孔区域在图像当中的特征作为筛孔的筛孔特征。具体的,图像处理设备100可以对图像当中的筛孔区域的数量和分布进行统计,得到筛孔统计特征,可以获取图像当中各筛孔区域的形状和大小,得到筛孔结构特征。如图5所示,图5为一个实施例中筛孔区域提取结果的示意图,图像处理设备100可以将第一示例图像510当中亮度高于如前述方式设定的亮度阈值的第一示例图像区域5100作为筛孔区域,如第二示例图像520示出的第二示例图像区域5200为与第一示例图像区域5100对应的筛孔区域的分割结果,图像处理设备100可以根据第二示例图像区域5200获取相应筛孔的筛孔特征。
在一个实施例中,在步骤S204的基于至少两个特征获取区域中的细胞特征,获取导管组织的特征之后,还可以通过如下步骤获取对导管组织的分类结果,具体包括:
基于导管组织的特征,利用与特征获取区域在图像区域中的划分方式相对应的导管组织分类器,获取导管组织的分类结果。
本实施例中,图像处理设备100可以基于导管组织的特征,对导管组织进行分类从而得到导管组织的分类结果。其中,可以采用导管组织分类器基于导管组织的特征对导管组织进行分类,导管组织分类器可以基于SVM模型对样本数据进行训练得到,可以理解,数据量的可以进一步提升导管组织分类器的分类性能。
而本实施例所采用的导管组织分类器,还可以结合与特征获取区域在图像区域中的划分方式进行选取,因为不同的特征获取区域划分方式,对应的导管组织的特征不同,如果采用同一类导管组织分类器对以不同划分方式对特征获取区域进行划分得到的导管组织特征进行分类,分类结果不准确。具体的,划分方式可以是采用环形区域进行特征获取区域的划分,而针对于环形区域这种划分方式,还可以进一步细分为不同数量的环形区域,即针对于不同数量的环形区域划分方式,可以采用不同的导管组织分类器对取导管组织进行分类,以提高分类准确性。对于导管组织的类别,示例性的,如乳腺导管的类别可以被划分为正常导管、UDH(usual ductal hyperplasia,普通型导管增生)、ADH (atypical ductalhyperplasia,非典型导管增生)和DCIS(ductal carcinoma in situ,导管原位癌)等。
在一个实施例中,还提供了一种基于计算机视觉技术的导管组织特征获取方法,如图6所示,图6为另一个实施例中基于计算机视觉技术的导管组织特征获取方法的流程示意图,该方法可以由如图1所示的图像处理设备100执行,该导管组织特征获取方法,可以包括如下步骤:
步骤S601,图像处理设备100获取包含有导管组织的图像;
步骤S602,图像处理设备100将图像的导管组织对应的图像区域的边界,作为导管组织区域边界;
步骤S603,图像处理设备100根据导管组织区域边界的边界形状,确定导管组织的导管形态;
步骤S604,图像处理设备100根据导管形态确定环形区域的边界形状;以及确定环形区域的数量;
步骤S605,图像处理设备100获取图像的导管组织对应的图像区域的面积;
步骤S606,图像处理设备100根据环形区域的边界形状和数量,以及图像的导管组织对应的图像区域的面积,将图像的导管组织对应的图像区域,划分为相应数量的且边界形状与导管形态相适应的环形区域,得到至少两个特征获取区域;其中,环形区域的数量为至少两个;
步骤S607,图像处理设备100将图像的导管组织对应的图像区域中,亮度大于亮度阈值的图像区域识别为对应于筛孔的筛孔区域;
步骤S608,图像处理设备100基于筛孔区域,获取筛孔的筛孔特征;
步骤S609,图像处理设备100根据筛孔特征以及至少两个特征获取区域中的细胞特征,得到导管组织的特征;
步骤S610,基于导管组织的特征,图像处理设备100利用与特征获取区域在图像区域中的划分方式相对应的导管组织分类器,获取导管组织的分类结果。
上述基于计算机视觉技术的导管组织特征获取方法,图像处理设备100可利用计算机视觉技术,采集导管组织的图像,然后可基于图像中各种导管组织的形态特性,自适应地从与之适配的环形区域中提取细胞特征,并综合各区域的细胞特征以及结合该导管组织中筛孔特征得到导管组织的特征,图像处理设备100还可以进一步利用与环形区域在图像区域中的划分方式相对应的导管组织分类器,对该导管组织进行分类从而得到相应的分类结果,提高提取导管组织特征的准确性以及提高对导管组织进行分类的准确性。
应该理解的是,虽然图2至6的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2至6中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
为了更清晰阐明本申请的技术方案,将该技术方案应用于HE染色乳腺病理图像中的乳腺导管进行分类的场景当中进行说明,参考图7至图10。
其中,如图10所示,图10为一个应用示例中导管组织的类别判读结果示意图,本应用实例中,对乳腺导管的分类以软件接口方式提供服务,软件接口的输入为HE染色乳腺病理图像中的分割导管以及细胞核分割结果,软件接口的输出为导管内增生性病变判读结果。而对于导管内增生性病变的判读流程,可以参考图8,图8为一个应用示例中导管组织的类别判读的参考流程的示意图,基于图8提供的参考流程并结合机器学习实现方式,本应用实例对于输入图像的技术处理流程如图7所示,图7为一个应用示例中导管组织分类方法的流程示意图,具体说明如下:
对于分割模块,包括导管分割和细胞核分割:可以基于U-net分割网络,使用大量样本训练得到深度神经网络导管分割器,以及基于mask-RCNN分割网络,使用大量样本训练得到深度神经网络细胞核分割器,从而可以分别将当前病理图像输入这两个分割器得到导管和细胞核分割结果,其中,细胞核分割结果可以用于提取多层次环形区域的细胞特征,而细胞核分割和导管分割结果则可以共同用于筛孔特征提取,需要说明的是,对于导管分割和细胞核分割的具体在此不作具体限定,只要能在图像上完成对导管和细胞核分割即可。
对于多层次环形区域的细胞特征提取,主要包括:
(1),细胞核大小
细胞核大小的提取主要根据细胞核分割结果,求取每一个连接实体(细胞核)的面积而得到。
(2),细胞核圆形度
细胞核圆形度的计算由下面的公式得到:e=(4πA1)/L^2,其中,e表示细胞核圆形度,A1为细胞核面积,L为细胞核周长。
(3),细胞核密度
细胞核的密度由细胞核面积除以所占环形区域面积得到。
(4),多层次环形提取方法
由于导管组织当中,细胞核的数量较多,且不同导管的细胞核数目和分布各不相同,所以无法直接使用细胞核的大小、圆形度和密度等特征,基于对导管不同增生类型的特征统计,且为了适应导管形态的差异性,本应用实例使用形态学方法将导管区域分割成多个环形区域,在环形区域中分别统计细胞核大小的均值和方差等统计特征、细胞圆形度的均值和方差等统计特征,以及细胞核在环形区域中的密度特征等。
对于环形区域的分割方法,具体如下:
步骤A.确定环形区域数量n,根据环形区域数量n计算出形态学滑块大小 Ksize=2×sqrt(A2/π)/n,其中,A2表示图像中导管组织对应的图像区域的面积;
步骤B.设置循环迭代数i=1,其中,初始区域为整个导管区域,当i<n,使用A步骤中定义的滑块对当前区域进行形态学腐蚀操作,然后再使用当前区域减去腐蚀后的区域即可得到环形区域Ci,腐蚀后的区域作为下一次迭代的初始区域。
步骤C.当i=n时,可直接输出初始区域作为最内层的环形区域,结束循环。
上述使用形态学的分割方式,优势在于可以使得环形区域的设置自适应导管不同形态,从而分割得到的环形区域和边界平行于导管边界,这种情况之下所统计的特征在和医学判读有较高的一致性。
对于筛孔特征的提取:
其中,筛孔形态是鉴别不同导管内增生性病变的重要依据,筛孔区域的分割流程可以参考图9所示,图9为一个应用示例中筛孔区域提取方法的流程示意图,对应的筛孔区域分割效果可以参考图5所示。其中,初筛筛孔区域为亮度值高于细胞核和细胞质区域,从而可以根据经验调整,将经验阈值可以取为: 2×细胞质亮度均值-细胞核亮度均值。具体的,筛孔特征可以包括筛孔的数量以及各筛孔的圆形度特征,而圆形度的计算与参考细胞核圆形度的计算方式,此外,也还可以考虑筛孔的边缘光滑性等特征。
对于分类器的训练:
该分类器的训练可以采用SVM模型,在具体应用场景当中,SVM模型可以使用RBF核,正则化参数设为1,训练模型所使用的样本数据可以包含若干例正常导管、UDH、ADH和DCIS等数据,这些样例可以通过医学领域专家审核确定,且与免疫组化结果保持一致,以保证训练样本数据的准确性,可以理解,样本数据量的增加可以进一步提升分类器性能。
上述应用示例所提供的对导管组织特征提取以及分类的方案,对于正常导管、UDH、ADH和DCIS四类的分类精度可以达到80%以上,对于正常导管+UDH与 ADH+DCIS两分类精度可以达到90%以上,从而实现了根据医学分类图谱,同时使用细胞学特征和导管内结构特征结合学习SVM分类器对导管内增生性病变进行自动且精准地分类处理,且采用了多层次环形细胞学特征提取方法,极大的提高了特征提取和分类的精度和鲁棒性
在一个实施例中,提供了一种基于计算机视觉技术的导管组织特征获取装置,如图11所示,图11为一个实施例中基于计算机视觉技术的导管组织特征获取装置的结构框图,该导管组织特征获取装置1100,可以包括:
导管图像获取模块1101,用于获取包含有导管组织的图像;
特征区域确定模块1102,用于在图像的导管组织对应的图像区域中,确定与导管组织的导管形态相适应的至少两个特征获取区域;
细胞特征获取模块1103,用于获取导管组织的细胞分别在至少两个特征获取区域中的细胞特征;
导管特征获取模块1104,用于基于至少两个特征获取区域中的细胞特征,获取导管组织的特征。
在一个实施例中,上述装置还包括:导管形态确定模块,用于将图像的导管组织对应的图像区域的边界,作为导管组织区域边界;根据导管组织区域边界的边界形状,确定导管组织的导管形态。
在一个实施例中,与导管组织的导管形态相适应的至少两个特征获取区域,均为环形区域;其中,环形区域的边界形状与导管形态相适应。
在一个实施例中,特征区域确定模块1102,进一步用于根据导管形态,确定环形区域的边界形状;以及,确定环形区域的数量;其中,数量为至少两个;获取图像的导管组织对应的图像区域的面积;根据环形区域的边界形状和数量,以及图像的导管组织对应的图像区域的面积,将图像的导管组织对应的图像区域,划分为相应数量的且边界形状与导管形态相适应的环形区域,得到至少两个特征获取区域。
在一个实施例中,相应数量的且边界形状与导管形态相适应的环形区域中,各环形区域的环宽相同。
在一个实施例中,导管组织的细胞分别在至少两个特征获取区域中的细胞特征,包括细胞在相应特征获取区域中的细胞统计特征或者细胞结构特征中的至少一种。
在一个实施例中,上述装置还包括:筛孔特征获取模块,用于基于图像的导管组织对应的图像区域,获取导管组织中筛孔的筛孔特征;导管特征获取模块1104,进一步用于根据筛孔特征以及至少两个特征获取区域中的细胞特征,得到导管组织的特征。
在一个实施例中,筛孔特征获取模块,进一步用于将图像的导管组织对应的图像区域中,亮度大于亮度阈值的图像区域识别为对应于筛孔的筛孔区域;其中,亮度阈值根据细胞在图像中的亮度确定;基于筛孔区域,获取筛孔的筛孔特征。
在一个实施例中,筛孔特征获取模块,还用于在将图像的导管组织对应的图像区域中,亮度大于亮度阈值的图像区域识别为对应于筛孔的筛孔区域之前,获取像的导管组织对应的图像区域中,导管组织的细胞的细胞核亮度和细胞质亮度;根据细胞核亮度和细胞质亮度,获取亮度阈值。
在一个实施例中,筛孔特征包括筛孔结构特征或者筛孔统计特征中的至少一种。
在一个实施例中,上述装置还包括:导管分类模块,用于基于导管组织的特征,利用与特征获取区域在图像区域中的划分方式相对应的导管组织分类器,获取导管组织的分类结果。
在一个实施例中,还提供了一种智能显微镜,如图12所示,图12为一个实施例中智能显微镜的结构框图,该智能显微镜1200,可以包括:图像采集设备1210和图像分析设备1220;其中,
图像采集设备1210,用于获取包含有导管组织的图像,发送至图像分析设备1220;
图像分析设备1220,用于执行如上任一项实施例所述方法的步骤。
上述实施例提供的智能显微镜,可以应用于对乳腺导管等导管组织的特征提取处理当中,图像采集设备1210获取包含有各种形态特性的乳腺导管的图像,交由图像分析设备1220进行特征提取处理,图像分析设备1220可以配置有具有图像处理功能的处理器,通过该处理器执行如上任一项实施例所述的基于计算机视觉技术的导管组织特征获取方法,对具有各种形态特性的乳腺导管进行特征提取,还可以依据提取的导管特征进行导管内增生性病变识别,提高特征提取的准确性以及病变识别的准确性。
图13为一个实施例中计算机设备的结构框图。该计算机设备具体可以是图 1中的图像处理设备100。如图13所示,该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现基于计算机视觉技术的导管组织特征获取方法。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,可使得处理器执行基于计算机视觉技术的导管组织特征获取方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
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计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述基于计算机视觉技术的导管组织特征获取方法的步骤。此处基于计算机视觉技术的导管组织特征获取方法的步骤可以是上述各个实施例的基于计算机视觉技术的导管组织特征获取方法中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述基于计算机视觉技术的导管组织特征获取方法的步骤。此处基于计算机视觉技术的导管组织特征获取方法的步骤可以是上述各个实施例的基于计算机视觉技术的导管组织特征获取方法中的步骤。
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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,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易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM) 或动态随机存取存储器(Dynamic Random Access Memory,DRAM)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 (25)
1.一种基于计算机视觉技术的导管组织特征获取方法,其特征在于,包括:
获取包含有导管组织的图像;
在所述图像的所述导管组织对应的图像区域中,确定与所述导管组织的导管形态相适应的至少两个特征获取区域;
获取所述导管组织的细胞分别在所述至少两个特征获取区域中的细胞特征;
基于所述至少两个特征获取区域中的细胞特征,获取所述导管组织的特征;所述导管组织的特征包括所述至少两个特征获取区域中的细胞特征。
2.根据权利要求1所述的方法,其特征在于,所述在所述图像的所述导管组织对应的图像区域中,确定与所述导管组织的导管形态相适应的至少两个特征获取区域之前,还包括:
将所述图像的所述导管组织对应的图像区域的边界,作为导管组织区域边界;
根据所述导管组织区域边界的边界形状,确定所述导管组织的导管形态。
3.根据权利要求1所述的方法,其特征在于,所述与所述导管组织的导管形态相适应的至少两个特征获取区域,均为环形区域;其中,所述环形区域的边界形状与所述导管形态相适应。
4.根据权利要求3所述的方法,其特征在于,所述在所述图像的所述导管组织对应的图像区域中,确定与所述导管组织的导管形态相适应的至少两个特征获取区域,包括:
根据所述导管形态,确定所述环形区域的边界形状;以及,确定所述环形区域的数量;其中,所述数量为至少两个;
获取所述图像的所述导管组织对应的图像区域的面积;
根据所述环形区域的边界形状和数量,以及所述图像的所述导管组织对应的图像区域的面积,将所述图像的所述导管组织对应的图像区域,划分为相应数量的且边界形状与所述导管形态相适应的环形区域,得到所述至少两个特征获取区域。
5.根据权利要求4所述的方法,其特征在于,所述相应数量的且边界形状与所述导管形态相适应的环形区域中,各环形区域的环宽相同。
6.根据权利要求1所述的方法,其特征在于,所述导管组织的细胞分别在所述至少两个特征获取区域中的细胞特征,包括所述细胞在相应特征获取区域中的细胞统计特征或者细胞结构特征中的至少一种。
7.根据权利要求1所述的方法,其特征在于,所述基于所述至少两个特征获取区域中的细胞特征,获取所述导管组织的特征之前,还包括:
基于所述图像的所述导管组织对应的图像区域,获取所述导管组织中筛孔的筛孔特征;
所述基于所述至少两个特征获取区域中的细胞特征,获取所述导管组织的特征,包括:
根据所述筛孔特征以及所述至少两个特征获取区域中的细胞特征,得到所述导管组织的特征。
8.根据权利要求7所述的方法,其特征在于,所述基于所述图像的所述导管组织对应的图像区域,获取所述导管组织中筛孔的筛孔特征,包括:
将所述图像的所述导管组织对应的图像区域中,亮度大于亮度阈值的图像区域识别为对应于所述筛孔的筛孔区域;其中,所述亮度阈值根据所述细胞在所述图像中的亮度确定;
基于所述筛孔区域,获取所述筛孔的筛孔特征。
9.根据权利要求8所述的方法,其特征在于,所述将所述图像的所述导管组织对应的图像区域中,亮度大于亮度阈值的图像区域识别为对应于所述筛孔的筛孔区域之前,还包括:
获取所述图像的所述导管组织对应的图像区域中,所述导管组织的细胞的细胞核亮度和细胞质亮度;
根据所述细胞核亮度和细胞质亮度,获取所述亮度阈值。
10.根据权利要求7所述的方法,其特征在于,所述筛孔特征包括筛孔结构特征或者筛孔统计特征中的至少一种。
11.根据权利要求1至10任一项所述的方法,其特征在于,所述基于所述至少两个特征获取区域中的细胞特征,获取所述导管组织的特征之后,还包括:
基于所述导管组织的特征,利用与所述特征获取区域在所述图像区域中的划分方式相对应的导管组织分类器,获取所述导管组织的分类结果。
12.一种智能显微镜,其特征在于,包括:图像采集设备和图像分析设备;
所述图像采集设备,用于获取包含有导管组织的图像,发送至所述图像分析设备;
所述图像分析设备,用于执行如权利要求1至11任一项所述方法的步骤。
13.一种基于计算机视觉技术的导管组织特征获取装置,其特征在于,包括:
导管图像获取模块,用于获取包含有导管组织的图像;
特征区域确定模块,用于在所述图像的所述导管组织对应的图像区域中,确定与所述导管组织的导管形态相适应的至少两个特征获取区域;
细胞特征获取模块,用于获取所述导管组织的细胞分别在所述至少两个特征获取区域中的细胞特征;
导管特征获取模块,用于基于所述至少两个特征获取区域中的细胞特征,获取所述导管组织的特征;所述导管组织的特征包括所述至少两个特征获取区域中的细胞特征。
14.根据权利要求13所述的装置,其特征在于,所述装置还包括:导管形态确定模块,用于将所述图像的所述导管组织对应的图像区域的边界,作为导管组织区域边界;根据所述导管组织区域边界的边界形状,确定所述导管组织的导管形态。
15.根据权利要求13所述的装置,其特征在于,所述与所述导管组织的导管形态相适应的至少两个特征获取区域,均为环形区域;其中,所述环形区域的边界形状与所述导管形态相适应。
16.根据权利要求15所述的装置,其特征在于,所述特征区域确定模块,进一步用于根据所述导管形态,确定所述环形区域的边界形状;以及,确定所述环形区域的数量;其中,所述数量为至少两个;获取所述图像的所述导管组织对应的图像区域的面积;根据所述环形区域的边界形状和数量,以及所述图像的所述导管组织对应的图像区域的面积,将所述图像的所述导管组织对应的图像区域,划分为相应数量的且边界形状与所述导管形态相适应的环形区域,得到所述至少两个特征获取区域。
17.根据权利要求16所述的装置,其特征在于,所述相应数量的且边界形状与所述导管形态相适应的环形区域中,各环形区域的环宽相同。
18.根据权利要求13所述的装置,其特征在于,所述导管组织的细胞分别在所述至少两个特征获取区域中的细胞特征,包括所述细胞在相应特征获取区域中的细胞统计特征或者细胞结构特征中的至少一种。
19.根据权利要求13所述的装置,其特征在于,所述装置还包括:筛孔特征获取模块,用于基于所述图像的所述导管组织对应的图像区域,获取所述导管组织中筛孔的筛孔特征;所述导管特征获取模块,进一步用于根据所述筛孔特征以及所述至少两个特征获取区域中的细胞特征,得到所述导管组织的特征。
20.根据权利要求19所述的装置,其特征在于,所述筛孔特征获取模块,进一步用于将所述图像的所述导管组织对应的图像区域中,亮度大于亮度阈值的图像区域识别为对应于所述筛孔的筛孔区域;其中,所述亮度阈值根据所述细胞在所述图像中的亮度确定;基于所述筛孔区域,获取所述筛孔的筛孔特征。
21.根据权利要求20所述的装置,其特征在于,所述筛孔特征获取模块,还用于在将所述图像的所述导管组织对应的图像区域中,亮度大于亮度阈值的图像区域识别为对应于所述筛孔的筛孔区域之前,获取所述图像的所述导管组织对应的图像区域中,所述导管组织的细胞的细胞核亮度和细胞质亮度;根据所述细胞核亮度和细胞质亮度,获取所述亮度阈值。
22.根据权利要求19所述的装置,其特征在于,所述筛孔特征包括筛孔结构特征或者筛孔统计特征中的至少一种。
23.根据权利要求13至22任一项所述的装置,其特征在于,所述装置还包括:导管分类模块,用于基于所述导管组织的特征,利用与所述特征获取区域在所述图像区域中的划分方式相对应的导管组织分类器,获取所述导管组织的分类结果。
24.一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11中任一项所述方法的步骤。
25.一种计算机设备,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11中任一项所述方法的步骤。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010108133.6A CN111339899B (zh) | 2020-02-21 | 2020-02-21 | 导管特征获取方法、装置、设备、介质和智能显微镜 |
EP20920584.8A EP4016380A4 (en) | 2020-02-21 | 2020-11-03 | METHOD AND APPARATUS FOR ACQUISITION OF CATHETER CHARACTERISTICS BASED ON COMPUTER VISION AND INTELLIGENT MICROSCOPE |
JP2022534297A JP7404535B2 (ja) | 2020-02-21 | 2020-11-03 | コンピュータビジョンに基づく導管特徴取得方法、並びに知能顕微鏡、導管組織特徴取得装置、コンピュータプログラム、及びコンピュータ機器 |
PCT/CN2020/126102 WO2021164320A1 (zh) | 2020-02-21 | 2020-11-03 | 基于计算机视觉的导管特征获取方法、装置和智能显微镜 |
US17/685,099 US20220319208A1 (en) | 2020-02-21 | 2022-03-02 | Method and apparatus for obtaining feature of duct tissue based on computer vision, and intelligent microscope |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010108133.6A CN111339899B (zh) | 2020-02-21 | 2020-02-21 | 导管特征获取方法、装置、设备、介质和智能显微镜 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111339899A CN111339899A (zh) | 2020-06-26 |
CN111339899B true CN111339899B (zh) | 2020-12-22 |
Family
ID=71185438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010108133.6A Active CN111339899B (zh) | 2020-02-21 | 2020-02-21 | 导管特征获取方法、装置、设备、介质和智能显微镜 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220319208A1 (zh) |
EP (1) | EP4016380A4 (zh) |
JP (1) | JP7404535B2 (zh) |
CN (1) | CN111339899B (zh) |
WO (1) | WO2021164320A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110245721B (zh) * | 2019-06-25 | 2023-09-05 | 深圳市腾讯计算机系统有限公司 | 神经网络模型的训练方法、装置和电子设备 |
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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104182755A (zh) * | 2014-08-30 | 2014-12-03 | 西安电子科技大学 | 基于塔形pca的乳腺钼靶x线图像块特征提取方法 |
CN108447046A (zh) * | 2018-02-05 | 2018-08-24 | 龙马智芯(珠海横琴)科技有限公司 | 病灶的检测方法和装置、设备、计算机可读存储介质 |
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 (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2395263A (en) * | 2002-11-12 | 2004-05-19 | Qinetiq Ltd | Image analysis |
US8644582B2 (en) * | 2008-10-09 | 2014-02-04 | Nec Corporation | Support system for histopathological diagnosis, support program for histopathological diagnosis and support method for histopathological diagnosis |
US10339268B2 (en) * | 2014-12-30 | 2019-07-02 | Covidien Lp | System and method for cytopathological and genetic data based treatment protocol identification and tracking |
US10292684B2 (en) * | 2016-02-26 | 2019-05-21 | Toshiba Medical Systems Corporation | Ultrasound diagnosis apparatus and image processing method |
CN107330263B (zh) * | 2017-06-26 | 2020-07-28 | 成都知识视觉科技有限公司 | 一种计算机辅助乳腺浸润性导管癌组织学分级的方法 |
US20190353644A1 (en) * | 2018-05-17 | 2019-11-21 | Wake Forest University Health Sciences | Profile analysis of cell polarity |
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 |
-
2020
- 2020-02-21 CN CN202010108133.6A patent/CN111339899B/zh active Active
- 2020-11-03 JP JP2022534297A patent/JP7404535B2/ja active Active
- 2020-11-03 EP EP20920584.8A patent/EP4016380A4/en active Pending
- 2020-11-03 WO PCT/CN2020/126102 patent/WO2021164320A1/zh unknown
-
2022
- 2022-03-02 US US17/685,099 patent/US20220319208A1/en active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104182755A (zh) * | 2014-08-30 | 2014-12-03 | 西安电子科技大学 | 基于塔形pca的乳腺钼靶x线图像块特征提取方法 |
CN108447046A (zh) * | 2018-02-05 | 2018-08-24 | 龙马智芯(珠海横琴)科技有限公司 | 病灶的检测方法和装置、设备、计算机可读存储介质 |
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 |
---|
Use of Breast Magnetic Resonance Imaging and Ultrasonography for Identifying Nonpalpable Axillae Metastases in Newly Diagnosed Breast Cancer Patients;Zhou Juan 等;《Clinical breast cancer》;20181231;第18卷(第1期);第65-71页 * |
深度学习在乳腺癌磁共振诊断的探索性研究;周娟;《中国博士学位论文全文数据库 医药卫生科技辑》;20190915;E072-180 * |
Also Published As
Publication number | Publication date |
---|---|
JP2023504875A (ja) | 2023-02-07 |
EP4016380A1 (en) | 2022-06-22 |
WO2021164320A1 (zh) | 2021-08-26 |
US20220319208A1 (en) | 2022-10-06 |
JP7404535B2 (ja) | 2023-12-25 |
EP4016380A4 (en) | 2022-11-30 |
CN111339899A (zh) | 2020-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109389129B (zh) | 一种图像处理方法、电子设备及存储介质 | |
CN111524137B (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
WO2020253629A1 (zh) | 检测模型训练方法、装置、计算机设备和存储介质 | |
Sajjad et al. | Leukocytes classification and segmentation in microscopic blood smear: a resource-aware healthcare service in smart cities | |
CN109272492B (zh) | 一种细胞病理涂片的处理方法及系统 | |
CN110472616B (zh) | 图像识别方法、装置、计算机设备及存储介质 | |
WO2021093451A1 (zh) | 病理切片图像的处理方法、装置、系统及存储介质 | |
US20210118144A1 (en) | Image processing method, electronic device, and storage medium | |
CN110570352B (zh) | 图像标注方法、装置、系统及细胞标注方法 | |
CN108830149B (zh) | 一种目标细菌的检测方法及终端设备 | |
CN110211108A (zh) | 一种新型的基于Feulgen染色方法的异常宫颈细胞自动识别方法 | |
US20220319208A1 (en) | Method and apparatus for obtaining feature of duct tissue based on computer vision, and intelligent microscope | |
CN114445670A (zh) | 图像处理模型的训练方法、装置、设备及存储介质 | |
CN112990214A (zh) | 一种医学图像特征识别预测模型 | |
CN111583385A (zh) | 一种可变形数字人解剖学模型的个性化变形方法及系统 | |
WO2021139447A1 (zh) | 一种宫颈异常细胞检测装置及方法 | |
CN111598144B (zh) | 图像识别模型的训练方法和装置 | |
Guo et al. | Pathological detection of micro and fuzzy gastric cancer cells based on deep learning | |
CN113763315B (zh) | 玻片图像的信息获取方法、装置、设备及介质 | |
CN113706449B (zh) | 基于病理图像的细胞分析方法、装置、设备及存储介质 | |
Kassim et al. | A cell augmentation tool for blood smear analysis | |
CN111862003B (zh) | 医疗影像目标信息获取方法、装置、设备和存储介质 | |
Hao et al. | Automatic detection of breast nodule in the ultrasound images using CNN | |
Zhang et al. | SGDANet: Gland instance segmentation based on spatial and geometric dual-path attention modules | |
CN113989254A (zh) | 一种病理切片处理方法、系统及存储介质 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40023667 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |