CN111815624B - 基于图像处理算法的肿瘤间质比判定方法及系统 - Google Patents
基于图像处理算法的肿瘤间质比判定方法及系统 Download PDFInfo
- Publication number
- CN111815624B CN111815624B CN202010738520.8A CN202010738520A CN111815624B CN 111815624 B CN111815624 B CN 111815624B CN 202010738520 A CN202010738520 A CN 202010738520A CN 111815624 B CN111815624 B CN 111815624B
- Authority
- CN
- China
- Prior art keywords
- image
- area
- tumor
- value
- interstitial
- 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
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 144
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000012545 processing Methods 0.000 title claims abstract description 48
- 230000011218 segmentation Effects 0.000 claims abstract description 53
- 238000007781 pre-processing Methods 0.000 claims abstract description 30
- 230000002055 immunohistochemical effect Effects 0.000 claims abstract description 17
- 230000001575 pathological effect Effects 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims description 37
- 230000001338 necrotic effect Effects 0.000 claims description 34
- 238000002372 labelling Methods 0.000 claims description 24
- 230000009467 reduction Effects 0.000 claims description 21
- 230000002146 bilateral effect Effects 0.000 claims description 19
- 201000011510 cancer Diseases 0.000 claims description 15
- 230000017074 necrotic cell death Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 abstract description 12
- 210000004881 tumor cell Anatomy 0.000 description 12
- 230000012010 growth Effects 0.000 description 8
- 238000003709 image segmentation Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 210000004027 cell Anatomy 0.000 description 7
- 230000011278 mitosis Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004393 prognosis Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 230000007170 pathology Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 241001270131 Agaricus moelleri Species 0.000 description 2
- 206010009944 Colon cancer Diseases 0.000 description 2
- 102000010834 Extracellular Matrix Proteins Human genes 0.000 description 2
- 108010037362 Extracellular Matrix Proteins Proteins 0.000 description 2
- 208000029742 colonic neoplasm Diseases 0.000 description 2
- 230000034994 death Effects 0.000 description 2
- 231100000517 death Toxicity 0.000 description 2
- 210000002889 endothelial cell Anatomy 0.000 description 2
- 210000002744 extracellular matrix Anatomy 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 210000002540 macrophage Anatomy 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 208000015634 Rectal Neoplasms Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009400 cancer invasion Effects 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 210000000805 cytoplasm Anatomy 0.000 description 1
- 230000001086 cytosolic effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000002950 fibroblast Anatomy 0.000 description 1
- 238000007490 hematoxylin and eosin (H&E) staining Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001394 metastastic effect Effects 0.000 description 1
- 206010061289 metastatic neoplasm Diseases 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 206010038038 rectal cancer Diseases 0.000 description 1
- 201000001275 rectum cancer Diseases 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000004614 tumor growth Effects 0.000 description 1
- 231100000588 tumorigenic Toxicity 0.000 description 1
- 230000000381 tumorigenic effect Effects 0.000 description 1
- 230000016776 visual perception Effects 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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—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
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供了一种基于图像处理算法的肿瘤间质比判定方法及系统,包括:步骤M1:读取肿瘤病理切片HE免疫组化图像;步骤M2:选取图像的平均灰度值和图像的模糊程度在预设范围内的图像;步骤M3:基于图像预处理算法对选取的图像进行预处理,得到预处理后的图像;步骤M4:对预处理后的图像进行分割;步骤M5:得到分割结果并标注,计算肿瘤间的质比。本发明大大增加了数据的准确度,提供了一套效率更高、精确度更高的肿瘤间质比的计算方式。
Description
技术领域
本发明涉及医学图像处理领域,具体地,涉及一种基于图像处理算法的肿瘤间质比判定方法及系统,更为具体地,涉及一种快速病理切片图像间质比计算方法及系统,涉及对肿瘤病理HE免疫组化图像间质比等数据的计算;尤其地,涉及一种用于将肿瘤病理HE免疫组化图像的间质、实质部分分割并标注的算法。
背景技术
2018年全球新增癌症患者达1810万人,因癌症死亡人数为960万人。我国是人口大国,也是肿瘤高发国家,2018年我国新发病例数380.4万例,占全球癌症新发病人数的20%以上,其中恶性肿瘤发病率为278.07/10万,死亡率为167.89/10万,相当于平均每天超过1万人被确诊为癌症,每分钟有7个人被确诊为癌症。癌症已经成为新世纪人类的第一杀手,已构成对公共卫生的巨大挑战。
肿瘤间质比(TSR)指肿瘤组织内肿瘤细胞与间质部分的比例,通过术后常规病理切片HE染色进行评估获得。TSR能够反映肿瘤细胞周围间质成分的数量,有独立预测肿瘤预后的作用。肿瘤组织是由肿瘤细胞及周围的复杂的间质构成的。肿瘤微环境在肿瘤的发生与肿瘤细胞转移播散方面扮演着重要的角色[1]。肿瘤的发生、发展是肿瘤细胞与间质成分间不断相互作用、相互影响的复杂过程[2]。肿瘤间质由细胞外基质、巨噬细胞、内皮细胞及肿瘤相关性成纤维细胞(CAFs)等构成。CAFs被认为是肿瘤间质的主要构成成分,并且在肿瘤生长和侵袭中发挥重要作用[3,4]。除CAFs外,细胞外基质成分、巨噬细胞及内皮细胞等在肿瘤发生、发展及侵袭过程中亦发挥不同的作用。间质影响肿瘤的生长和生物学行为,肿瘤间质成分在肿瘤预后预测中的价值越来越受到重视[5]。
2012年一学者团队进一步对710例Ⅱ~Ⅲ期结肠癌患者进行研究发现,间质丰富组患者OS、DFS较间质稀少组明显缩短,间质丰富组5年总生存率和无病生存率(分别为69.0%、58.6%)均低于间质稀少组(分别为83.4%、77.3%)。研究者[6]将肿瘤间质参数与美国临床肿瘤学会标准联合运用于患者治疗评估中,发现“治疗不足”的患者比例由5.9%降至4.3%,正确分类增加了14%。West等[7]研究结果证实TSR不仅能够良好地预测结肠癌患者的预后,同时也能较好地预测直肠癌患者的预后。
而目前,各大医院对肿瘤细胞间质比的计算仍停留在通过医生肉眼判断肿瘤图像,并根据经验预估出一个肿瘤间质比数据,这种判断方法的不确定性极大,甚至会有两个医生判断出不同的间质比这种情况的出现。因此,一个规范的、适用于病理科多肿瘤细胞筛查、高效率的肿瘤病理切片间质比判定方案的出现是势在必行,本发明研究一种基于算法的通过利用计算机图像处理技术对肿瘤图像进行分割从而得到癌间质比的新方案,这种方法满足高准确率、高效率的需求,对于一些特定情况本发明提供了另一种分割方案来计算间质比数据,满足了适用于所有情况的需求。
图像预处理(Image pre-processing)的主要目的是消除图像中的干扰信息,突出图像中有用的信息,使得能够更加准确的提取特征值。本发明中的研究对象肿瘤图像分为三个区域,分别是实质区域、间质区域、坏死区域,其中间质区域的噪点较多,坏死区域灰度分布不够平滑,这些特征会影响判断,所以需要进行图像预处理。所以,本明中的图像预处理算法主要用于降噪、增强对比度、平滑化图像,从而使图像分割达到最佳精度。本文所涉及到的预处理算法有直方图均衡化(Histogram Equalization)、中值滤波(MedianFiltering)、开闭运算、双边滤波(Bilateral Filtering)。
图像分割(image segmentation)就是把图像中具有重要研究意义的部分分割出来,方便提取特征值,在本发明中采用分割并标注的模式,把肿瘤图像的是实质部分和坏死部分分割并标注,其余的部分即是间质部分。现有的图像分割方法主要分以下几类:基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等[8]。从数学角度来看,图像分割是将数字图像划分成互不相交的区域的过程[8]。常见的图像分割方法有三种:1、基于边缘的方法,其中边缘信息用于确定需要分割对象的边界。然后,如果有必要,可以对边界进行分析和修改,在图像中表示特定对象的区域;2、基于阈值的分割方法,利用图像本身的灰度性质(颜色、色调)确定一个或多个阈值进行分割,常用于有明显单一色块分布的图像;3、基于区域的方法,根据预先定义的相似性原则,使用区域生长的方法,直接对区域生长过程中的像素点进行分析,形成闭合区域[9]。本发明所用到的图像分割算法有最大类间方差法(OTSU)、区域生长。
专利文献CNCN111161212A(申请号:201911232177.3)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。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于图像处理算法的肿瘤间质比判定方法及系统。
根据本发明提供的一种基于图像处理算法的肿瘤间质比判定方法,包括:
步骤M1:读取肿瘤病理切片HE免疫组化图像;
步骤M2:选取图像的平均灰度值和图像的模糊程度在预设范围内的图像;
步骤M3:基于图像预处理算法对选取的图像进行预处理,得到预处理后的图像;
步骤M4:对预处理后的图像进行分割;
步骤M5:得到分割结果并标注,计算肿瘤间的质比。
优选地,所述步骤M3包括:
步骤M3.1:对HE免疫组化图像进行灰度化处理,对图像数据进行归一化;
步骤M3.2:对图像进行归一化处理后,通过中值滤波处理对图像进行第一次降噪;
步骤M3.3:对图像进行第一次降噪处理后,通过直方图均衡化处理增强图像对比度;
步骤M3.4:对图像进行直方图均衡化处理后,通过开闭运算和双边滤波处理对图像进行第二次降噪。
优选地所述步骤M4包括:对预处理后的图像按照阈值和/或区域进行分割;
所述对预处理后的图像按照阈值进行分割是基于阈值的分割,采用改进的OTSU法计算阈值,通过阈值分割肿瘤图像的实质、间质部分并标注;
所述对预处理后的图像按照区域进行分割,采用区域生长算法通过对肿瘤空白区域的手动标注来进行分割;
所述改进的OTSU法是在OTSU算法的基础上对OTSU法的遍历范围根据癌肿瘤图像特征进行改进的算法。
优选地,所述对预处理后的图像按照阈值进行分割包括:
预设表示肿瘤图像坏死区域特征的近白色参数;将图像灰度最小值和近白色参数作为遍历条件,计算得到使图像类间方差最大的像素值,并将使图像类间方差最大的像素值设为阈值A,将像素灰度值小于阈值A的图像区域划分为实质区域;近白色参数作为阈值B,将像素灰度值大于阈值B的图像区域划分为间质区域;通过阈值A和阈值B分割并标注肿瘤图像的区域,包括:实质区域、坏死区域和间质区域。
优选地,所述对预处理后的图像按照区域进行分割包括:按照区域分割是使用区域生长的算法进行分割的方法,通过以对图像每块坏死区域点击一点作为种子点,以每块区域的种子点的灰度值K与图像像素灰度平均值O的绝对值P(|K-O|)作为判断条件,当种子点周围像素点灰度值与种子点灰度值的绝对值小于P时,则划分到一个区域内,使这个区域不断生长,直到周围没有满足条件的像素点为止,分割出来的坏死区域中所有像素点的灰度平均值作为近白色参数,使用改进的OTSU算法计算阈值分割图像实质部分,则图像其余区域则为图像间质区域。
优选地,所述步骤M5包括:对肿瘤间质比的计算,在各区域分割并标注成功的基础上,肿瘤的间质比为肿瘤图像的间质部分面积与整体面积的比例。
根据本发明提供的一种基于图像处理算法的肿瘤间质比判定系统,包括:
模块M1:读取肿瘤病理切片HE免疫组化图像;
模块M2:选取图像的平均灰度值和图像的模糊程度在预设范围内的图像;
模块M3:基于图像预处理算法对选取的图像进行预处理,得到预处理后的图像;
模块M4:对预处理后的图像进行分割;
模块M5:得到分割结果并标注,计算肿瘤间的质比。
优选地,所述模块M3包括:
模块M3.1:对HE免疫组化图像进行灰度化处理,对图像数据进行归一化;
模块M3.2:对图像进行归一化处理后,通过中值滤波处理对图像进行第一次降噪;
模块M3.3:对图像进行第一次降噪处理后,通过直方图均衡化处理增强图像对比度;
模块M3.4:对图像进行直方图均衡化处理后,通过开闭运算和双边滤波处理对图像进行第二次降噪;
所述模块M5包括:对肿瘤间质比的计算,在各区域分割并标注成功的基础上,肿瘤的间质比为肿瘤图像的间质部分面积与整体面积的比例。
优选地,所述模块M4包括:对预处理后的图像按照阈值和/或区域进行分割;
所述对预处理后的图像按照阈值进行分割是基于阈值的分割,采用改进的OTSU法计算阈值,通过阈值分割肿瘤图像的实质、间质部分并标注;
所述对预处理后的图像按照区域进行分割,采用区域生长算法通过对肿瘤空白区域的手动标注来进行分割;
所述改进的OTSU法是在OTSU算法的基础上对OTSU法的遍历范围根据癌肿瘤图像特征进行改进的算法。
优选地,所述对预处理后的图像按照阈值进行分割包括:
预设表示肿瘤图像坏死区域特征的近白色参数;将图像灰度最小值和近白色参数作为遍历条件,计算得到使图像类间方差最大的像素值,并将使图像类间方差最大的像素值设为阈值A,将像素灰度值小于阈值A的图像区域划分为实质区域;近白色参数作为阈值B,将像素灰度值大于阈值B的图像区域划分为间质区域;通过阈值A和阈值B分割并标注肿瘤图像的区域,包括:实质区域、坏死区域和间质区域;
所述对预处理后的图像按照区域进行分割包括:按照区域分割是使用区域生长的算法进行分割的方法,通过以对图像每块坏死区域点击一点作为种子点,以每块区域的种子点的灰度值K与图像像素灰度平均值O的绝对值P(|K-O|)作为判断条件,当种子点周围像素点灰度值与种子点灰度值的绝对值小于P时,则划分到一个区域内,使这个区域不断生长,直到周围没有满足条件的像素点为止,分割出来的坏死区域中所有像素点的灰度平均值作为近白色参数,使用改进的OTSU算法计算阈值分割图像实质部分,则图像其余区域则为图像间质区域。
与现有技术相比,本发明具有如下的有益效果:
1、本发明采用区域生长、动态阈值、中值滤波、双边滤波、直方图均衡化等图像处理算法全智能的分割肿瘤图像的实质、间质部分并标注,从而计算出肿瘤的间质比数据。大大增加了数据的准确度,提供了一套效率更高、精确度更高的肿瘤间质比的计算方式;
2、本发明使用计算机图像处理的算法,从读入肿瘤图像到实现对肿瘤图像三种区域的标注和对肿瘤间质比(TSR)的计算整个流程只需要3-4秒;
3、本发明不需要对图像进行训练等前提步骤,只需要读取图像即可完成计算和标注,对用户友好,对肿瘤图像具有通用性;
4、本发明完全基于单机,相比于使用深度学习等技术的图像分割算法更快捷,从读入图像数据到得到分割结果整个流程只需要3-4秒,且无需细胞质和细胞间隙的标注及深度学习模型训练过程,对医生等用户更加友好,可用性更强,对于肿瘤细胞病理HE免疫组化图像这种具有明显像素值特征的图像本发明所使用的分割方法更合适,经过数据测试,本发明分割及间质比计算准确率可到达97%以上。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明的方法流程图;
图2为本发明的实验对象原图;
图3为本发明图像进行中值滤波处理后的图像;
图4为本发明图像进行直方图均衡化处理后的图像;
图5为本发明图像进行开闭运算处理和双边滤波处理后的图像;
图6为本发明通过阈值进行分割图像示意图;
图7为本发明分割结果示意图;
图8为本发明的手动标注示意图;
图9为本发明通过区域进行分割图像示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明专利属于医学影像智能计算领域,本发明即是利用计算机图像处理的方法全自动的分割肿瘤图像的实质、间质部分并标注,帮助医生计算肿瘤细胞的间质比,即细胞间隙区域与细胞质区域的面积比。本发明提供了两种分割方案分别为基于阈值的分割、基于区域的分割。基于阈值的分割采用中值滤波、双边滤波、直方图均衡化等图像处理算法先对图像进行四步预处理,接着使用改进的OTSU(最大类间方差法)计算阈值,通过阈值分割肿瘤图像的实质、间质部分并标注,从而计算出肿瘤的间质比数据。基于区域的分割则是采用区域生长算法通过对肿瘤空白区域的手动标注来进行分割。两种分割方案结合能处理肿瘤图像所有可能出现的情况。大大增加了数据的准确度,提供了一套效率更高、精确度更高的肿瘤间质比的计算方式。
实施例1
根据本发明提供的一种基于图像处理算法的肿瘤间质比判定方法,包括:
步骤M1:读取肿瘤病理切片HE免疫组化图像;
步骤M2:选取图像的平均灰度值和图像的模糊程度在预设范围内的图像;
步骤M3:基于图像预处理算法对选取的图像进行预处理,得到预处理后的图像;
步骤M4:对预处理后的图像进行分割;
步骤M5:得到分割结果并标注,计算肿瘤间的质比。
具体地,所述步骤M3包括:
步骤M3.1:对HE免疫组化图像进行灰度化处理,对图像数据进行归一化;
步骤M3.2:对图像进行归一化处理后,通过中值滤波处理对图像进行第一次降噪,能较好的消除噪点,使图像各区域平滑;
步骤M3.3:对图像进行第一次降噪处理后,通过直方图均衡化处理增强图像对比度,使图像区域特征更鲜明;
步骤M3.4:对图像进行直方图均衡化处理后,通过开闭运算和双边滤波处理对图像进行第二次降噪,双边滤波同时考虑了像素点之间的空间关系,进一步平滑化图像,使图像各区域按明显且连续的灰度分布。
具体地,所述步骤M4包括:对预处理后的图像按照阈值和/或区域进行分割;
所述对预处理后的图像按照阈值进行分割是基于阈值的分割,采用改进的OTSU法计算阈值,通过阈值分割肿瘤图像的实质、间质部分并标注;
所述对预处理后的图像按照区域进行分割,采用区域生长算法通过对肿瘤空白区域的手动标注来进行分割;
所述改进的OTSU法是在OTSU算法的基础上对OTSU法的遍历范围根据癌肿瘤图像特征进行改进的算法。
具体地,所述对预处理后的图像按照阈值进行分割包括:
预设表示肿瘤图像坏死区域特征的近白色参数;将图像灰度最小值和近白色参数作为遍历条件,计算得到使图像类间方差最大的像素值,并将使图像类间方差最大的像素值设为阈值A,将像素灰度值小于阈值A的图像区域划分为实质区域;近白色参数作为阈值B,将像素灰度值大于阈值B的图像区域划分为间质区域;通过阈值A和阈值B分割并标注肿瘤图像的区域,包括:实质区域、坏死区域和间质区域。
具体地,所述对预处理后的图像按照区域进行分割包括:按照区域分割是使用区域生长的算法进行分割的方法,通过以对图像每块坏死区域(坏死区域有明显像素特征,在图像上呈一片片的白色区域)点击一点作为种子点,以每块区域的种子点的灰度值K与图像像素灰度平均值O的绝对值P(|K-O|)作为判断条件,当种子点周围像素点灰度值与种子点灰度值的绝对值小于P时,则划分到一个区域内,使这个区域不断生长,直到周围没有满足条件的像素点为止,分割出来的坏死区域中所有像素点的灰度平均值作为近白色参数,使用改进的OTSU算法计算阈值分割图像实质部分,则图像其余区域则为图像间质区域。
具体地,所述步骤M5包括:对肿瘤间质比的计算,在各区域分割并标注成功的基础上,肿瘤的间质比为肿瘤图像的间质部分面积与整体面积的比例。同时,本系统页标注了肿瘤图像的坏死区域和实质区域,这些区域和整体的比例也可作为数据供医生参考。
根据本发明提供的一种基于图像处理算法的肿瘤间质比判定系统,包括:
模块M1:读取肿瘤病理切片HE免疫组化图像;
模块M2:选取图像的平均灰度值和图像的模糊程度在预设范围内的图像;
模块M3:基于图像预处理算法对选取的图像进行预处理,得到预处理后的图像;
模块M4:对预处理后的图像进行分割;
模块M5:得到分割结果并标注,计算肿瘤间的质比。
具体地,所述模块M3包括:
模块M3.1:对HE免疫组化图像进行灰度化处理,对图像数据进行归一化;
模块M3.2:对图像进行归一化处理后,通过中值滤波处理对图像进行第一次降噪,能较好的消除噪点,使图像各区域平滑;
模块M3.3:对图像进行第一次降噪处理后,通过直方图均衡化处理增强图像对比度,使图像区域特征更鲜明;
模块M3.4:对图像进行直方图均衡化处理后,通过开闭运算和双边滤波处理对图像进行第二次降噪,双边滤波同时考虑了像素点之间的空间关系,进一步平滑化图像,使图像各区域按明显且连续的灰度分布。
具体地,所述模块M4包括:对预处理后的图像按照阈值和/或区域进行分割;
所述对预处理后的图像按照阈值进行分割是基于阈值的分割,采用改进的OTSU法计算阈值,通过阈值分割肿瘤图像的实质、间质部分并标注;
所述对预处理后的图像按照区域进行分割,采用区域生长算法通过对肿瘤空白区域的手动标注来进行分割;
所述改进的OTSU法是在OTSU算法的基础上对OTSU法的遍历范围根据癌肿瘤图像特征进行改进的算法。
具体地,所述对预处理后的图像按照阈值进行分割包括:
预设表示肿瘤图像坏死区域特征的近白色参数;将图像灰度最小值和近白色参数作为遍历条件,计算得到使图像类间方差最大的像素值,并将使图像类间方差最大的像素值设为阈值A,将像素灰度值小于阈值A的图像区域划分为实质区域;近白色参数作为阈值B,将像素灰度值大于阈值B的图像区域划分为间质区域;通过阈值A和阈值B分割并标注肿瘤图像的区域,包括:实质区域、坏死区域和间质区域。
具体地,所述对预处理后的图像按照区域进行分割包括:按照区域分割是使用区域生长的算法进行分割的方法,通过以对图像每块坏死区域(坏死区域有明显像素特征,在图像上呈一片片的白色区域)点击一点作为种子点,以每块区域的种子点的灰度值K与图像像素灰度平均值O的绝对值P(|K-O|)作为判断条件,当种子点周围像素点灰度值与种子点灰度值的绝对值小于P时,则划分到一个区域内,使这个区域不断生长,直到周围没有满足条件的像素点为止,分割出来的坏死区域中所有像素点的灰度平均值作为近白色参数,使用改进的OTSU算法计算阈值分割图像实质部分,则图像其余区域则为图像间质区域。
具体地,所述模块M5包括:对肿瘤间质比的计算,在各区域分割并标注成功的基础上,肿瘤的间质比为肿瘤图像的间质部分面积与整体面积的比例。同时,本系统页标注了肿瘤图像的坏死区域和实质区域,这些区域和整体的比例也可作为数据供医生参考。
实施例2
实施例2是实施例1的变化例
本发明的目的在于提供一种可靠的计算肿瘤细胞间质比的方案,通过对肿瘤细胞病理HE免疫组化图像的间质部分和实质部分的分割,计算各自占图像总面积的比例来得到这些数据。该方案与传统医生计算肿瘤间质比的方法相比效率更高、准确率更高,同时系统附带了一套交互性的GUI界面,对用户友好。
本发明提供两种分割方案,两种分割方案都需要先对图像进行四步预处理步骤。首先,我们需要对图像进行灰度化处理,原因有二:1、肿瘤间质比图像是一种RGB图像,由三个颜色通道(在Matlab里则表示为三通道矩阵),不方便处理需转变为单一矩阵;2、灰度化处理即为把图像所有像素点的灰度值都放缩在[0,1]之间,是一种归一化的处理,方便了数据的计算,而且后续无论是中值滤波还是直方图均衡化这些预处理步骤都需要图像灰度值控制在[0,1]之间,这一步是项目开始的前提。接着,开始对图像进行第一次预处理,对图像进行第一次降噪,此时用中值滤波效果最佳,可以在最开始时就很好的过滤掉椒盐噪声,方便后续预处理的进行。然后,我们对图像采用直方图均衡化,来增强图像的对比度,使图像灰度值的分布更加明显,把原先灰度值较高的区域的灰度值提升,把灰度值较低的区域的灰度值降低,为后面进行分割打下基础。最后,对图像进行第二次降噪,使用开闭运算和双边滤波,对图像进行平滑处理,更使得图像区域按灰度划分更加鲜明。
预处理步骤完成,接着我们通过基于阈值和基于区域两种方案对图像进行分割。
基于阈值的分割方案使用改进的OTSU算法(最大类间方差法),它通过图像的整体灰度值分布确定一个阈值从而分割图像,本发明对OTSU算法改进的点在于缩小其遍历的灰度级范围,使得其计算的阈值更适合于判断肿瘤图像的实质部分。通常OTSU算法遍历的灰度级范围在[0,1]之间,本发明根据肿瘤图像的特性,通过遍历肿瘤图像,得到一个图像灰度最小值,再设定一个参数作为遍历的下限与上限更精准的计算用于判断肿瘤实质部分的阈值。
因为在肿瘤图像中,图像坏死部分整体呈近白色显示,我们以一个近白色参数表示这一特征。
设W1为表示图像坏死区域的近白色参数(一般在0.8-0.9)。
设W2为图像中像素点灰度最小值。
设一幅大小为M×N的灰度图像I,设K为未确定阈值,假定K确定,把图像I根据阈值K分为前景和背景,小于阈值K的区域为前景,大于阈值K的区域为背景;
MAX=0;MAXK=0;
For i=W2 to W1
设N0为图像中像素点的灰度值小于阈值K的像素点个数,设N1为像素点灰度值大于阈值K的像素个数;
设b0,b1分别为前景,背景中像素点的平均灰度值;
b=a1*b0+a1*b1
c=a0*(b0-b)2+a1*(b1-b)2
c=a0*a1*(b0-b1)2
If MAX<c
MAX=c;MAXK=K
End
根据肿瘤图像的特性,我们用阈值MAXK来判断肿瘤图像的实质部分,将像素灰度值小于这个阈值MAXK的图像区域划分为实质区域。将像素灰度值大于W1的图像区域划分为坏死区域,间质区域即为像素灰度值大于MAXK且小于W1的区域。
当我们不能以预估的方式确定近白色参数W1时,可采用基于区域的分割方式。
基于区域的分割方案采用区域生长算法,通过手动在图像中每块坏死区域点击一次,以这些点作为种子点对图像进行分割。
癌肿瘤图像中坏死区域在灰度上呈近白色特征,与其它区域有明显的边界,故可通过手动标注结合区域生长算法分割坏死区域,并精确的得到参数W1;
通过用鼠标对图像每块坏死区域点击一次的方式进行标注,用数组[X,Y]记录每个种子点的坐标;用数组[P]记录每个像素点的灰度值;
设O为图像像素灰度平均值;
设T为最小面积阈值,这个阈值决定了分割区域的最小面积,T=|P–O|;
引入u,v来描述像素点8领域任一像素点坐标;
设矩阵J用于判断像素点是否被纳入生长区域;
For u=-1:1
For v=-1:1
If J(X+u,Y+v)==0&&abs(P(X+u,Y+v)-P)<=T
J(X+u,Y+v)=1;把该像素纳入生长区域;
End
End
当种子点8邻域像素点的J值全为1时,把种子点8邻域任意一点作为新的种子点继续遍历;
当没有像素点满足条件可加入生长区域时,遍历结束,分割完毕。此时图像坏死区域已分割完毕,接着由这些区域计算区域中所有像素点的灰度平均值,以此值作为近白色参数,通过改进的OSTU法分割实质部分,则剩余图像区域即为间质区域。
实施例3
实施例3是实施例1和/或实施例2的变化例
图1为本发明的方法流程图。
图2即为肿瘤图像的原图,图像颜色分布不均匀,受噪点影响较大,因此,对图像进行恰当的预处理是必要的。
步骤一,对原图进行灰度化处理,灰度化处理即为把图像所有像素点的灰度值都放缩在[0,1]之间,是一种归一化的处理,方便了数据的计算,而且后续无论是中值滤波还是直方图均衡化这些预处理步骤都需要图像灰度值控制在[0,1]之间,这一步是算法开始的前提。
步骤二,如图3所示,对灰度化后的图像进行中值滤波处理,进行第一次降噪,中值滤波(Median filtering)是一种图像预处理算法,是基于排序统计理论的一种能够有效抑制噪声的非线性信号处理技术,基本思想是用像素点邻域灰度值的中值来代替该像素点的灰度值,让周围像素的灰度值接近真实的值从而消除孤立的噪声点。
步骤三,如图4所示,接着对图像进行直方图均衡化处理,用于增强图像的对比度,使图像灰度值的分布更加明显。直方图均衡化(Histogram Equalization)是一种图像预处理算法,通过拉伸像素强度的分布范围来增强图像对比度(Image Contrast),其基本原理是引入一种直方图来表示图像的数据分布,并使图像从原本的数据分布转换成在直方图上呈近似均匀情况的分布,在这一过程中扩大了各像素点灰度值的范围和强度,从而增强图像的对比度。在本发明中用于在使用OTSU法分割图像前使用,增加分割准确度。
步骤四,如图5所示,对图像进行开闭运算和双边滤波,进行第二次降噪,对图像进行平滑处理,使得图像区域按灰度划分更加鲜明。双边滤波(Bilateral filtering)是一种图像预处理算法,是同时考虑到图像像素点的空间邻近度和像素点间灰度值相似度的一种处理方法,达到了保边去噪的目的。一般的高斯滤波在进行处理时只考虑像素点间的空间邻近度,却没有考虑像素点之间灰度值的相似度,因此,常常会出现处理结果过于模糊甚至会丢失原图像的各区域边缘。双边滤波的改进就在于处理时不仅考虑到了像素点的空间邻近度,同时加入了对像素点间灰度值相似度的考虑(通过将一个空间距离相关的高斯函数与一个灰度距离相关的高斯函数相乘),可以在对图像进行平滑处理的同时保持原始图像各区域分布明确,边缘清晰。
步骤五,至此,预处理步骤已全部完成,正式对图像进行分割,先设置近白色参数n,再根据这个参数用改进的OTSU算法确定一个阈值,小于这个阈值的部分即为图像的实质区域。为直观我们把小于阈值的区域同黑色表示,大于阈值的部分用白色表示,如图6所示。
此时,实质部分已标注完成,但为了计算间质比(间质部分与图像整体的比例)我们还需要标注坏死区域,由我们设定的近白色参数来进行判断,通常,我们把这个近白色参数设为0.8,这个参数是可以调试的,经过多次实验,这个参数的调试范围在0.8-0.9之间。灰度值大于此参数的区域即为坏死细胞区域。遍历图像计算各区域面积,并为图像标注上色。肿瘤间质比(TSR)即为图像间质部分面积与图像总面积的比例。标注结果如图7。
同时,有一些特定情况下,我们不能判断用怎样的参数来描述坏死区域时,这种情况下,我们引入了一种依靠手动标注来确定近白色参数的方式。这种分割方案基于区域生长算法。如图8所示,对图像每一块坏死区域点击一次,这个点就会记为这块区域的种子点,这时,坏死区域会自动分割,我们把这些区域所标记的所有区域中像素点的灰度平均值设为近白色参数,并根据这个参数来使用改进的OTSU算法分割实质部分从而完成分割。
当对图像所有坏死区域的标注完成时,分割完成,系统跳出标注结果。如图9所示。
本发明提供了一种利用计算机图像处理技术帮助医生计算肿瘤的间质比的方案。相比于传统医生通过肉眼判断肿瘤图片,根据经验预估出一个间质比数据。本文采用区域生长、动态阈值、中值滤波、双边滤波、直方图均衡化等图像处理算法全智能的分割肿瘤图像的实质、间质部分并标注,从而计算出肿瘤的间质比数据。大大增加了数据的准确度,提供了一套效率更高、精确度更高的肿瘤间质比的计算方式。
最后需要注意的是,公布实施方式的目的在于帮助进一步理解本发明,但是本领域的技术人员可以理解:在不脱离本发明及所附的权利要求的精神和范围内,各种替换和修改都是可能的。因此,本发明不应局限于实施例所公开的内容,本发明要求保护的范围以权利要求书界定的范围为准。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以,本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件,而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构;也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (3)
1.一种基于图像处理算法的肿瘤间质比判定方法,其特征在于,包括:
步骤M1:读取肿瘤病理切片HE免疫组化图像;
步骤M2:选取图像的平均灰度值和图像的模糊程度在预设范围内的图像;
步骤M3:基于图像预处理算法对选取的图像进行预处理,得到预处理后的图像;
步骤M4:对预处理后的图像进行分割;
步骤M5:得到分割结果并标注,计算肿瘤间质比;
所述步骤M3包括:
步骤M3.1:对HE免疫组化图像进行灰度化处理,对图像数据进行归一化;
步骤M3.2:对图像进行归一化处理后,通过中值滤波处理对图像进行第一次降噪;
步骤M3.3:对图像进行第一次降噪处理后,通过直方图均衡化处理增强图像对比度;
步骤M3.4:对图像进行直方图均衡化处理后,通过开闭运算和双边滤波处理对图像进行第二次降噪;
所述步骤M4包括:对预处理后的图像按照阈值和/或区域进行分割;
所述对预处理后的图像按照阈值进行分割是基于阈值的分割,采用改进的OTSU法计算阈值,通过阈值分割肿瘤图像的实质、间质部分并标注;
所述对预处理后的图像按照区域进行分割,采用区域生长算法通过对肿瘤空白区域的手动标注来进行分割;
所述改进的OTSU法是在OTSU算法的基础上对OTSU法的遍历范围根据癌肿瘤图像特征进行改进的算法;
所述步骤M5包括:对肿瘤间质比的计算,在各区域分割并标注成功的基础上,肿瘤间质比为肿瘤图像的间质部分面积与整体面积的比例;
所述对预处理后的图像按照阈值进行分割包括:
预设表示肿瘤图像坏死区域特征的近白色参数;将图像灰度最小值和近白色参数作为遍历条件,计算得到使图像类间方差最大的像素值,并将使图像类间方差最大的像素值设为阈值A,将像素灰度值小于阈值A的图像区域划分为实质区域;近白色参数作为阈值B,将像素灰度值大于阈值B的图像区域划分为间质区域;通过阈值A和阈值B分割并标注肿瘤图像的区域,包括:实质区域、坏死区域和间质区域。
2.根据权利要求1所述的基于图像处理算法的肿瘤间质比判定方法,其特征在于,所述对预处理后的图像按照区域进行分割包括:按照区域分割是使用区域生长的算法进行分割的方法,通过以对图像每块坏死区域点击一点作为种子点,以每块区域的种子点的灰度值K与图像像素灰度平均值O的差值的绝对值P作为判断条件,当种子点周围像素点灰度值与种子点灰度值的差值的绝对值小于P时,则划分到一个区域内,使这个区域不断生长,直到周围没有满足条件的像素点为止,分割出来的坏死区域中所有像素点的灰度平均值作为近白色参数,使用改进的OTSU算法计算阈值分割图像实质部分,则图像其余区域则为图像间质区域。
3.一种基于图像处理算法的肿瘤间质比判定系统,其特征在于,包括:
模块M1:读取肿瘤病理切片HE免疫组化图像;
模块M2:选取图像的平均灰度值和图像的模糊程度在预设范围内的图像;
模块M3:基于图像预处理算法对选取的图像进行预处理,得到预处理后的图像;
模块M4:对预处理后的图像进行分割;
模块M5:得到分割结果并标注,计算肿瘤间质比;
所述模块M3包括:
模块M3.1:对HE免疫组化图像进行灰度化处理,对图像数据进行归一化;
模块M3.2:对图像进行归一化处理后,通过中值滤波处理对图像进行第一次降噪;
模块M3.3:对图像进行第一次降噪处理后,通过直方图均衡化处理增强图像对比度;
模块M3.4:对图像进行直方图均衡化处理后,通过开闭运算和双边滤波处理对图像进行第二次降噪;
所述模块M5包括:对肿瘤间质比的计算,在各区域分割并标注成功的基础上,肿瘤间质比为肿瘤图像的间质部分面积与整体面积的比例;
所述模块M4包括:对预处理后的图像按照阈值和/或区域进行分割;
所述对预处理后的图像按照阈值进行分割是基于阈值的分割,采用改进的OTSU法计算阈值,通过阈值分割肿瘤图像的实质、间质部分并标注;
所述对预处理后的图像按照区域进行分割,采用区域生长算法通过对肿瘤空白区域的手动标注来进行分割;
所述改进的OTSU法是在OTSU算法的基础上对OTSU法的遍历范围根据癌肿瘤图像特征进行改进的算法;
所述对预处理后的图像按照阈值进行分割包括:
预设表示肿瘤图像坏死区域特征的近白色参数;将图像灰度最小值和近白色参数作为遍历条件,计算得到使图像类间方差最大的像素值,并将使图像类间方差最大的像素值设为阈值A,将像素灰度值小于阈值A的图像区域划分为实质区域;近白色参数作为阈值B,将像素灰度值大于阈值B的图像区域划分为间质区域;通过阈值A和阈值B分割并标注肿瘤图像的区域,包括:实质区域、坏死区域和间质区域;
所述对预处理后的图像按照区域进行分割包括:按照区域分割是使用区域生长的算法进行分割的方法,通过以对图像每块坏死区域点击一点作为种子点,以每块区域的种子点的灰度值K与图像像素灰度平均值O的差值的绝对值P作为判断条件,当种子点周围像素点灰度值与种子点灰度值的差值的绝对值小于P时,则划分到一个区域内,使这个区域不断生长,直到周围没有满足条件的像素点为止,分割出来的坏死区域中所有像素点的灰度平均值作为近白色参数,使用改进的OTSU算法计算阈值分割图像实质部分,则图像其余区域则为图像间质区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010738520.8A CN111815624B (zh) | 2020-07-28 | 2020-07-28 | 基于图像处理算法的肿瘤间质比判定方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010738520.8A CN111815624B (zh) | 2020-07-28 | 2020-07-28 | 基于图像处理算法的肿瘤间质比判定方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111815624A CN111815624A (zh) | 2020-10-23 |
CN111815624B true CN111815624B (zh) | 2024-05-03 |
Family
ID=72862944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010738520.8A Active CN111815624B (zh) | 2020-07-28 | 2020-07-28 | 基于图像处理算法的肿瘤间质比判定方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111815624B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642386B (zh) * | 2021-07-02 | 2024-06-21 | 广州金域医学检验中心有限公司 | 基于深度学习评价鼻咽癌治疗效果的方法、装置、设备和介质 |
CN113790946A (zh) * | 2021-11-14 | 2021-12-14 | 梅傲科技(广州)有限公司 | 用于数字病理扫描分析系统的细胞间质染色试剂盒 |
CN114549670B (zh) * | 2022-02-23 | 2023-04-07 | 京东方数字科技有限公司 | 图像处理方法及图像处理系统 |
CN117422722B (zh) * | 2023-12-19 | 2024-03-29 | 北京智源人工智能研究院 | 基于adc图像的肿瘤预后特征评估的方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6112112A (en) * | 1998-09-18 | 2000-08-29 | Arch Development Corporation | Method and system for the assessment of tumor extent in magnetic resonance images |
CN105891484A (zh) * | 2016-05-06 | 2016-08-24 | 中南大学湘雅医院 | 一组结肠癌转移相关肿瘤间质标志物及应用 |
CN109978880A (zh) * | 2019-04-08 | 2019-07-05 | 哈尔滨理工大学 | 采用高维特征选择对肺部肿瘤ct图像进行判别的方法 |
-
2020
- 2020-07-28 CN CN202010738520.8A patent/CN111815624B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6112112A (en) * | 1998-09-18 | 2000-08-29 | Arch Development Corporation | Method and system for the assessment of tumor extent in magnetic resonance images |
CN105891484A (zh) * | 2016-05-06 | 2016-08-24 | 中南大学湘雅医院 | 一组结肠癌转移相关肿瘤间质标志物及应用 |
CN109978880A (zh) * | 2019-04-08 | 2019-07-05 | 哈尔滨理工大学 | 采用高维特征选择对肺部肿瘤ct图像进行判别的方法 |
Non-Patent Citations (3)
Title |
---|
基于扩张卷积网络的脑瘤MRI分割技术研究;李晓岗;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;第11-38页 * |
肿瘤间质比评估阑尾来源腹膜假粘液瘤的临床价值;马茹 等;《北京大学学报(医学版)》;第52卷(第2期);第242-246页 * |
马茹 等.肿瘤间质比评估阑尾来源腹膜假粘液瘤的临床价值.《北京大学学报(医学版)》.2020,第52卷(第2期),第242-246页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111815624A (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111815624B (zh) | 基于图像处理算法的肿瘤间质比判定方法及系统 | |
Jain et al. | Computer aided melanoma skin cancer detection using image processing | |
Kaur et al. | A generalized method for the segmentation of exudates from pathological retinal fundus images | |
Gurcan et al. | Image analysis for neuroblastoma classification: segmentation of cell nuclei | |
Smaoui et al. | A developed system for melanoma diagnosis | |
Xie et al. | PDE-based unsupervised repair of hair-occluded information in dermoscopy images of melanoma | |
CN111524080A (zh) | 脸部皮肤特征的识别方法、终端及计算机设备 | |
Garnavi et al. | Automatic segmentation of dermoscopy images using histogram thresholding on optimal color channels | |
AU2003207787A2 (en) | Image processing using measures of similarity | |
CN108615239B (zh) | 基于阈值技术和灰度投影的舌图像分割方法 | |
Oikawa et al. | Pathological diagnosis of gastric cancers with a novel computerized analysis system | |
WO2016146469A1 (en) | Tissue sample analysis technique | |
EP1579366A1 (en) | Histological assessment of nuclear pleomorphism | |
Kaur et al. | Hairlines removal and low contrast enhancement of melanoma skin images using convolutional neural network with aggregation of contextual information | |
Lezoray et al. | Segmentation of cytological images using color and mathematical morphology | |
Brancati et al. | Automatic segmentation of pigment deposits in retinal fundus images of Retinitis Pigmentosa | |
CN112837259A (zh) | 基于特征分割的皮肤色素病变治疗效果图像处理方法 | |
CN116883994A (zh) | 基于自监督学习识别非小细胞肺癌周组织病理类型的方法、装置及存储介质 | |
Barhoumi et al. | Pigment network detection in dermatoscopic images for melanoma diagnosis | |
Ibrahim et al. | Texture and pixel intensity characterization-based image segmentation with morphology and watershed techniques | |
Les et al. | Automatic reconstruction of overlapped cells in breast cancer FISH images | |
Parvaze et al. | Extraction of multiple cellular objects in HEp-2 images using LS segmentation | |
JP7254283B2 (ja) | 閾値決定方法、画像処理方法、標本画像の評価方法、コンピュータプログラムおよび記録媒体 | |
Mane et al. | Non-invasive skin cancer detection using Dermoscopy images | |
Pereira et al. | Accurate Segmentation of Dermoscopic Images based on Local Binary Pattern Clustering |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210225 Address after: 200131 building C, No. 888, Huanhu West 2nd Road, Lingang New District, Pudong New Area pilot Free Trade Zone, Shanghai Applicant after: Fuying (Shanghai) Medical Technology Co.,Ltd. Address before: 200040 No. 12 middle Urumqi Road, Shanghai, Jingan District Applicant before: HUASHAN HOSPITAL, FUDAN University |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |