CN111899246B - 玻片数字化信息质量检测方法、装置、设备及介质 - Google Patents

玻片数字化信息质量检测方法、装置、设备及介质 Download PDF

Info

Publication number
CN111899246B
CN111899246B CN202010752434.2A CN202010752434A CN111899246B CN 111899246 B CN111899246 B CN 111899246B CN 202010752434 A CN202010752434 A CN 202010752434A CN 111899246 B CN111899246 B CN 111899246B
Authority
CN
China
Prior art keywords
slide
image
target image
digitized information
preset
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
Application number
CN202010752434.2A
Other languages
English (en)
Other versions
CN111899246A (zh
Inventor
初晓
郭冰雪
王季勇
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202010752434.2A priority Critical patent/CN111899246B/zh
Priority to PCT/CN2020/112332 priority patent/WO2021189771A1/zh
Publication of CN111899246A publication Critical patent/CN111899246A/zh
Application granted granted Critical
Publication of CN111899246B publication Critical patent/CN111899246B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/90Dynamic range modification of images or parts thereof
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/11Region-based segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/90Determination of colour characteristics
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10004Still image; Photographic image
    • G06T2207/10008Still image; Photographic image from scanner, fax or copier
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30168Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及人工智能领域,应用于智慧医疗领域中,揭露了一种玻片数字化信息质量检测方法、装置、设备及介质。所述方法包括:从玻片数字化信息图像中提取出包含预设感兴趣区域的区域图像,并对区域图像进行图像切割后,获取切割后的多个第一目标图像块;根据图像处理算法对每一个第一目标图像块进行对比度增强处理,得到多个第二目标图像块;根据预设卷积神经网络对所有第二目标图像块进行质量分类,得到分类成功的多个第三目标图像块;对所有第三目标图像块的质量分类结果进行结合检测后,得到整张玻片的玻片数字化信息质量检测结果。本发明用于在人工智能辅助筛查系统筛查过程中,减少了对异常病灶漏检的风险。

Description

玻片数字化信息质量检测方法、装置、设备及介质
技术领域
本发明涉及人工智能的图像处理领域,尤其涉及一种玻片数字化信息质量检测方法、装置、设备及介质。
背景技术
目前,对载有检测样本的玻片进行扫描之后,对扫描的玻片的玻片数字化信息图像进行分析,确定检测样本的待分析数据,已经成为一种常用的手段。比如,目前市场上出现的宫颈癌人工智能辅助筛查系统,通过直接使用扫描仪扫描出来的玻片数字化信息图像,并对玻片数字化信息图像进行检测,以确定是否筛查出宫颈癌。但现有技术中的上述方案并不能保证玻片数字化信息质量合格,其中,玻片数字化信息质量是指玻片是否模糊、玻片表面是否被污染和玻片是否含有大量气泡等。在实际应用中,如果一张数字化玻片的玻片数字化信息质量不合格,将会出现无法观察到有效的分析数据(比如,玻片数字化信息质量不合格会导致在宫颈癌人工智能辅助筛查系统筛查过程中,很难检测到异常病灶信息),可见,现有技术中的该方案会增加对于玻片数字化信息的误检和漏检的风险。因此,本领域人员亟需寻找一种新的技术方案来解决上述问题。
发明内容
基于此,有必要针对上述技术问题,提供一种玻片数字化信息质量检测方法、装置、设备及介质,大大减少了由于玻片的玻片数字化信息质量不合格导致的误检和漏检风险。
一种玻片数字化信息质量检测方法,包括:
获取整张玻片的玻片数字化信息图像;
从所述玻片数字化信息图像中提取出包含预设感兴趣区域的区域图像,并对所述区域图像进行图像切割后,获取切割后的多个第一目标图像块;
根据图像处理算法对每一个所述第一目标图像块进行对比度增强处理,得到已增强图像视觉效果的多个第二目标图像块;
根据预设卷积神经网络对所有所述第二目标图像块进行质量分类,得到分类成功的多个第三目标图像块;每一个分类成功后的所述第三目标图像块对应一个质量分类结果;
对所有所述第三目标图像块的所述质量分类结果进行结合检测后,得到整张玻片的玻片数字化信息质量检测结果。
一种玻片数字化信息质量检测装置,包括:
第一获取模块,用于获取整张玻片的玻片数字化信息图像;
第二获取模块,用于从所述玻片数字化信息图像中提取出包含预设感兴趣区域的区域图像,并对所述区域图像进行图像切割后,获取切割后的多个第一目标图像块;
增强处理模块,用于根据图像处理算法对每一个所述第一目标图像块进行对比度增强处理,得到已增强图像视觉效果的多个第二目标图像块;
分类模块,用于根据预设卷积神经网络对所有所述第二目标图像块进行质量分类,得到分类成功的多个第三目标图像块;每一个分类成功后的所述第三目标图像块对应一个质量分类结果;
检测模块,用于对所有所述第三目标图像块的所述质量分类结果进行结合检测后,得到整张玻片的玻片数字化信息质量检测结果。
一种计算机设备,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运行的计算机程序,所述处理器执行所述计算机程序时实现上述玻片数字化信息质量检测方法。
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,所述计算机程序被处理器执行时实现上述玻片数字化信息质量检测方法。
上述玻片数字化信息质量检测方法、装置、设备及介质,预先通过图像切割和对比度增强处理对玻片数字化信息图像进行图像处理,以使得图像对比度增强,提高图像视觉效果,并可降低不同医用扫描仪数字化玻片数字化信息图像风格上存在的差异;最后将处理完成后的数字化玻片数字化信息图像输入至神经网络MobileNet V3中进行质量分类,综合考虑了精度和速度,也即能够有效地提高质量分类准确率,并提高质量分类效率;可见,本发明可预先进行玻片数字化信息质量分类,对于人工智能辅助筛查过程来说,排除了玻片的玻片数字化信息质量不合格对检测异常病灶的影响,减少了对异常病灶误检和漏检的风险。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例中玻片数字化信息质量检测方法的一应用环境示意图;
图2是本发明一实施例中玻片数字化信息质量检测方法的一流程图;
图3是本发明一实施例中玻片数字化信息质量检测装置的结构示意图;
图4是本发明一实施例中计算机设备的一示意图。
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。
本发明提供的玻片数字化信息质量检测方法,可应用在如图1的应用环境中,其中,客户端通过网络与服务器进行通信。其中,客户端可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中,如图2所示,提供一种玻片数字化信息质量检测方法,以该方法应用在图1中的服务器为例进行说明,包括如下步骤:
S10,获取整张玻片的玻片数字化信息图像;
可理解地,玻片可为各种病理细胞的玻片,如宫颈细胞病理玻片,具体地,玻片的玻片数字化信息图像是通过不同医用扫描仪扫描获取的,且扫描完成后的玻片数字化信息图像可包含多种数据格式,其中,数据格式包括但不限于svs、.kfb、.ndpi、.GIF和.sdpc。
S20,从所述玻片数字化信息图像中提取出包含预设感兴趣区域的区域图像,并对所述区域图像进行图像切割后,获取切割后的多个第一目标图像块;
可理解地,预设感兴趣区域是指位于玻片数字化信息图像中且满足玻片数字化信息质量检测要求的区域;具体地,首先确定出医用扫描仪扫描时所使用的物镜的倍数(如20倍或者40倍的物镜),接着根据医用扫描仪所使用物镜的倍数对玻片数字化信息图像进行图像放大处理,再接着根据预设选取规则(根据预设所需使用的目标倍数来确定预设分辨率图层,比如玻片数字化信息图像被放大20倍,而目标倍数为15倍,此时,预设分辨率图层为15倍的玻片数字化信息图像)选取预设分辨率图层,并通过该预设分辨率图层对玻片数字化信息图像增加或者减少分辨率,以实现对玻片数字化信息图像进行放大或者缩放处理,然后利用霍夫变换寻找玻片数字化信息图像中的细胞所在的前景区域,最后再从已确定出前景区域的玻片数字化信息图像提取出包含预设感兴趣的区域图像,并利用滑窗对区域图像进行图像切割后,得到切割后的多个第一目标图像块。
在本实施例中,可高效去掉玻片数字化信息图像中不包含有效信息的背景区域,在后续对该玻片数字化信息图像进行处理的过程中,可节省对玻片数字化信息图像的处理时间,进而可提高处理效率。
S30,根据图像处理算法对每一个所述第一目标图像块进行对比度增强处理,得到已增强图像视觉效果的多个第二目标图像块;
可理解地,图像处理算法是指图像对比度增强处理,其中,图像对比度增强处理是将图像中的亮度值范围拉伸或压缩成显示系统指定的亮度显示范围,从而提高图像全部或局部的对比度。本实施例主要是为了提高第一目标图像块的对比度,以达到增强图像主观视觉效果以及增强图像细节的目的。
S40,根据预设卷积神经网络对所有所述第二目标图像块进行质量分类,得到分类成功的多个第三目标图像块;每一个分类成功后的所述第三目标图像块对应一个质量分类结果;
可理解地,预设卷积神经网络是指轻量级深度学习卷积神经网络MobileNet V3,其中,该MobileNet v3版本结合了MobileNet v1的深度可分离卷积、MobileNet v2的Inverted Residuals和Linear Bottleneck、SE模块,利用NAS(神经结构搜索)来搜索网络的配置和参数;质量分类结果包括但不限于玻片正常、玻片模糊、玻片被污染和玻片存在气泡。本实施例利用MobileNetV3对第二目标图像块第二目标图像块进行质量分类,主要是利用MobileNetV3预测出第二目标图像块属于其中一个质量分类结果的概率,且本实施例使用MobileNet V3可用较少的运算量得到较高精度的质量分类结果,能够在实时性和精度之间得到较好的平衡。
S50,对所有所述第三目标图像块的所述质量分类结果进行结合检测后,得到整张玻片的玻片数字化信息质量检测结果。
可理解地,本实施例需对各种质量分类结果进行结合检测,以获取玻片的玻片数字化信息质量检测结果,其中,各种质量分类结果的占比情况可直接确定出整张玻片的玻片数字化信息质量检测结果,如占比数少于预设占比阈值,才能确定整张玻片的玻片数字化信息质量检测结果为正常,反之则可确定整张玻片的玻片数字化信息质量检测结果为异常。
进一步地,所述从所述玻片数字化信息图像中提取出包含预设感兴趣区域的区域图像,并对所述区域图像进行图像切割,包括:
通过选取的预设分辨率图层对所述玻片数字化信息图像进行分辨率调整,得到调整后的所述玻片数字化信息图像;
利用霍夫变换算法从调整后的所述玻片数字化信息图像中确定出所述预设感兴趣区域,并利用阈值分割图像算法从调整后的所述玻片数字化信息图像提取出所述包含预设感兴趣区域的区域图像;
使用预设大小的划窗对所述包含预设感兴趣区域的区域图像进行图像切割。
可理解地,霍夫变换算法主要用来从调整后的玻片数字化信息图像中分离出具有某种相同特征的几何形状(如,直线,圆等),具体地,本实施例可通过霍夫变换算法来针对于调整后的玻片数字化信息图像上每一个前景点,求出参数平面中对面中的对应直线,并统计该直线上所有点的出现的次数,最后以次数最多的点构成的点位置来确定出预设感兴趣区域(玻片中细胞所在的前景区域);阈值分割图像算法是一种基于区域的图像分割技术,原理是把图像象素点分为若干类,具体地,本实施例可通过阈值分割图像算法中的全局阈值法来对调整后的玻片数字化信息图像进行分割,其中,阈值法对图像进行分割主要是利用最大类间方差法,将调整后的玻片数字化信息图像的直方图在某一阈值处分割成两组,当被分成的两组的方差为最大时,得到阈值,接着通过该阈值把调整后的玻片数字化信息图像像素点分为若干类以得到包含预设感兴趣区域的区域图像(区域图像代表其中一类的像素点);预设大小的滑窗可为分辨率5120*5120大小的滑窗,本实施例可通过设计的滑窗来遍历区域图像,并将滑窗窗口对应的区域图像进行检测,能有效克服尺度、位置、形变等现象带来的输入异构的问题,进而提升区域图像的检测效果。
进一步地,所述利用霍夫变换算法从调整后的所述玻片数字化信息图像中确定出所述预设感兴趣区域之前,还包括:
在确定所述玻片数字化信息图像为黑白图像时,依次对调整后的所述玻片数字化信息图像依次进行图像膨胀和图像腐蚀操作。
可理解地,图像膨胀和图像腐蚀是两种基本的形态学运算,主要用来寻找图像中的极大区域和极小区域,其中图像膨胀将图像的高亮区域或白色部分进行扩张,其最后的运行结果图比原图的高亮区域更大,图像腐蚀将图像中的高亮区域或白色部分进行缩减细化,其最后的运行结果图比原图的高亮区域更小。本实施例主要是运用两种图像算法来对黑白图像的玻片数字化信息图像中的高亮区域进行处理,以将此高亮区域作为玻片中细胞所在的前景区域,进而便于去掉玻片数字化信息图像的背景区域。
进一步地,所述根据图像处理算法对每一个所述第一目标图像块进行对比度增强处理,包括:
获取每一个所述第一目标图像块分别对应于R通道、G通道和B通道三个通道的通道数据;
从所有的通道数据中确定每一个通道的最大通道数据和最小通道数据;
自各个所述第一目标图像块中的三个通道中按照预设选取规则选取一个通道作为当前通道,对所述当前通道的通道数据与所述当前通道的所述最小通道数据进行差值对比后,获取第一差值结果;
在所述当前通道下,在所述当前通道下,将所述最大通道数据与所述最小通道数据进行差值对比后,获取第二差值结果;
确定所述第一出差值结果与所述第二差值结果之间的比值,将所述比值与预设常数的乘积记录为所述当前通道的对比值;
在每一个所述第一目标图像块的三个通道所对应的三个所述对比值均被记录之后,通过三个所述对比值对与其对应的所述第一目标图像块进行对比度增强处理。
可理解地,预设选取规则可按照R通道、G通道和B通道的顺序进行选择,其中,当前通道为R通道、G通道和B通道中的其中一个,通道数据是指第一目标图像块在当前通道中的灰度值【0-255】,一个第一目标图像块对应于三个通道,一个通道对应于一个通道数据,因此一个第一目标图像块对应于三个通道数据;本实施例所有步骤可转换为一条公式,该公式为其中,Vin为当前通道的通道数据;Vmin为当前通道的最小通道数据;Vmax为当前通道的最大通道数据;Vout为第一比值;预设常数为255;本实施例在求出对比值后(利用最大通道数据和最小通道数据来对每一个第一目标图像块中通道的通道数据进行概率分布),将每一个第一目标图像块的三个对比值与预设常数进行乘积运算时,能将R通道、G通道和B通道三个通道的通道数据在0-255个灰度值上分布的更开,提高了图像的对比度,进而提高图像视觉效果,同时可有效地降低不同医用扫描仪数据化玻片数字化信息图像的风格对图像质量检测带来的影响,进而提高预设卷积神经网络识别第二目标图像块的准确率。
进一步地,所述根据预设卷积神经网络对所有所述第二目标图像块进行质量分类,得到分类成功的多个第三目标图像块,包括:
将所有的所述第二目标图像块输入至所述预设卷积神经网络;
根据所述预设卷积神经网络中设置的权重系数对所有的所述第二目标图像块中的每一个像素进行预测分类,得到分类成功的多个所述第三目标图像块。
具体地,首先将第二目标图像块输入至已训练成功的预设卷积神经网络MobileNet v3中,接着通过MobileNet v3中对每一种质量分类结果对应的权重系数以及第二目标图像块中的每一个像素周围环境中的像素对所有的第二目标图像块中的每一个像素进行检测,并通过检测结果提取到多个像素组合成的图像特征,然后依据该图像特征对第二目标图像块进行预测分类,得到第二目标图像块属于一个质量分类结果的概率,最后通过概率确定第三目标图像块的质量分类结果。
进一步地,所述玻片数字化信息质量检测结果存储于区块链中,所述对所有所述第三目标图像块的所述质量分类结果进行结合检测后,得到整张玻片的玻片数字化信息质量检测结果,包括:
从所有所述质量检测结果中确定出异常的质量检测结果,确定与异常的质量检测结果对应的所述第三目标图像块在整张玻片中的所有所述第三目标图像块中的占比数;
在确定所述占比数达到预设占比阈值时,确认整张玻片的所述玻片数字化信息图像存在质量问题,通过预设图形结构在与整张玻片对应的质量检测结果中标记异常的所述质量检测结果,并发送并提示预设接收人员。
本实施例通过占比数与预设占比阈值的关系来确定整张玻片的玻片数字化信息图像是否存在质量问题,在占比数的大小过大的情况下,可确定整张玻片的所述玻片数字化信息图像存在质量问题,此时,通过本实施例可及时对存在质量问题的玻片数字化信息图像进行反馈,进而加快处理效率。
另外需要强调的是,为进一步保证上述玻片的玻片数字化信息质量检测结果的私密和安全性,上述玻片的玻片数字化信息质量检测结果还可以存储于一区块链的节点中。其中,本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。区块链提供的去中心化的完全分布式DNS服务通过网络中各个节点之间的点对点数据传输服务就能实现域名的查询和解析,可用于确保某个重要的基础设施的操作系统和固件没有被篡改,可以监控软件的状态和完整性,发现不良的篡改,并确保所传输的数据没用经过篡改,将玻片的玻片数字化信息质量检测结果存储在区块链中,能够确保玻片的玻片数字化信息质量检测结果的私密和安全性。
综上所述,上述提供了一种玻片数字化信息质量检测方法,预先通过图像切割和对比度增强处理对玻片数字化信息图像进行图像处理,以使得图像对比度增强,提高图像视觉效果,并可降低不同医用扫描仪数字化玻片数字化信息图像风格上存在的差异;最后将处理完成后的数字化玻片数字化信息图像输入至神经网络MobileNet V3中进行质量分类,综合考虑了精度和速度,也即能够有效地提高质量分类准确率,并提高质量分类效率;可见,本方法可预先进行玻片数字化信息质量分类,对于人工智能辅助筛查系统筛查过程来说,排除了玻片的玻片数字化信息质量不合格对检测异常病灶的影响,减少了对异常病灶误检和漏检的风险。本方法可应用于智慧医疗领域中,从而推动智慧城市的建设。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种玻片数字化信息质量检测装置,该玻片数字化信息质量检测装置与上述实施例中玻片数字化信息质量检测方法一一对应。如图3所示,该玻片数字化信息质量检测装置包括第一获取模块11、第二获取模块12、增强处理模块13、分类模块14和检测模块15。各功能模块详细说明如下:
第一获取模块11,用于获取整张玻片的玻片数字化信息图像;
第二获取模块12,用于从所述玻片数字化信息图像中提取出包含预设感兴趣区域的区域图像,并对所述区域图像进行图像切割后,获取切割后的多个第一目标图像块;
增强处理模块13,用于根据图像处理算法对每一个所述第一目标图像块进行对比度增强处理,得到已增强图像视觉效果的多个第二目标图像块;
分类模块14,用于根据预设卷积神经网络对所有所述第二目标图像块进行质量分类,得到分类成功的多个第三目标图像块;每一个分类成功后的所述第三目标图像块对应一个质量分类结果;
检测模块15,用于对所有所述第三目标图像块的所述质量分类结果进行结合检测后,得到整张玻片的玻片数字化信息质量检测结果。
进一步地,所述第二获取模块包括:
调整子模块,包括通过选取的预设分辨率图层对所述玻片数字化信息图像进行分辨率调整,得到调整后的所述玻片数字化信息图像;
提取子模块,包括利用霍夫变换算法从调整后的所述玻片数字化信息图像中确定出所述预设感兴趣区域,并利用阈值分割图像算法从调整后的所述玻片数字化信息图像提取出所述包含预设感兴趣区域的区域图像;
切割子模块,用于使用预设大小的划窗对所述包含预设感兴趣区域的区域图像进行图像切割。
进一步地,所述第二获取模块包括:
图像膨胀和图像腐蚀子模块,用于在确定所述玻片数字化信息图像为黑白图像时,依次对调整后的所述玻片数字化信息图像依次进行图像膨胀和图像腐蚀操作。
进一步地,所述增强处理模块包括:
第一获取子模块,用于获取每一个所述第一目标图像块分别对应于R通道、G通道和B通道三个通道的通道数据;
第一确定子模块,用于从所有的通道数据中确定每一个通道的最大通道数据和最小通道数据;
第二获取子模块,用于自各个所述第一目标图像块中的三个通道中按照预设选取规则选取一个通道作为当前通道,对所述当前通道的通道数据与所述当前通道的所述最小通道数据进行差值对比后,获取第一差值结果;
第三获取子模块,用于在所述当前通道下,将所述最大通道数据与所述最小通道数据进行差值对比后,获取第二差值结果;
记录子模块,用于确定所述第一出差值结果与所述第二差值结果之间的比值,将所述比值与预设常数的乘积记录为所述当前通道的对比值;
增强处理子模块,用于在每一个所述第一目标图像块的三个通道所对应的三个所述对比值均被记录之后,通过三个所述对比值对与其对应的所述第一目标图像块进行对比度增强处理。
进一步地,所述分类模块包括:
输入子模块,用于将所有的所述第二目标图像块输入至所述预设卷积神经网络;
分类子模块,用于根据所述预设卷积神经网络中设置的权重系数对所有的所述第二目标图像块中的每一个像素进行预测分类,得到分类成功的多个所述第三目标图像块。
进一步地,所述检测模块包括:
第二确定子模块,用于从所有所述质量检测结果中确定出异常的质量检测结果,确定与异常的质量检测结果对应的所述第三目标图像块在整张玻片中的所有所述第三目标图像块中的占比数;
确认子模块,用于在确定所述占比数达到预设占比阈值时,确认整张玻片的所述玻片数字化信息图像存在质量问题,通过预设图形结构在与整张玻片对应的质量检测结果中标记异常的所述质量检测结果,并发送并提示预设接收人员。
关于玻片数字化信息质量检测装置的具体限定可以参见上文中对于玻片数字化信息质量检测方法的限定,在此不再赘述。上述玻片数字化信息质量检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储玻片数字化信息质量检测方法中涉及到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种玻片数字化信息质量检测方法。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述实施例中玻片数字化信息质量检测方法的步骤,例如图2所示的步骤S10至步骤S50。或者,处理器执行计算机程序时实现上述实施例中玻片数字化信息质量检测装置的各模块/单元的功能,例如图3所示模块11至模块15的功能。为避免重复,这里不再赘述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例中玻片数字化信息质量检测方法的步骤,例如图2所示的步骤S10至步骤S50。或者,计算机程序被处理器执行时实现上述实施例中玻片数字化信息质量检测装置的各模块/单元的功能,例如图3所示模块11至模块15的功能。为避免重复,这里不再赘述。
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,本发明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。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。

Claims (9)

1.一种玻片数字化信息质量检测方法,其特征在于,包括:
获取整张玻片的玻片数字化信息图像;
从所述玻片数字化信息图像中提取出包含预设感兴趣区域的区域图像,并对所述区域图像进行图像切割后,获取切割后的多个第一目标图像块;
根据图像处理算法对每一个所述第一目标图像块进行对比度增强处理,得到已增强图像视觉效果的多个第二目标图像块;
所述根据图像处理算法对每一个所述第一目标图像块进行对比度增强处理,包括:
获取每一个所述第一目标图像块分别对应于R通道、G通道和B通道三个通道的通道数据;
从所有的通道数据中确定每一个通道的最大通道数据和最小通道数据;
自各个所述第一目标图像块中的三个通道中按照预设选取规则选取一个通道作为当前通道,对所述当前通道的通道数据与所述当前通道的所述最小通道数据进行差值对比后,获取第一差值结果;
在所述当前通道下,将所述最大通道数据与所述最小通道数据进行差值对比后,获取第二差值结果;
确定所述第一差值结果与所述第二差值结果之间的比值,将所述比值与预设常数的乘积记录为所述当前通道的对比值;
在每一个所述第一目标图像块的三个通道所对应的三个所述对比值均被记录之后,通过三个所述对比值对与其对应的所述第一目标图像块进行对比度增强处理;
根据预设卷积神经网络对所有所述第二目标图像块进行质量分类,得到分类成功的多个第三目标图像块;每一个分类成功后的所述第三目标图像块对应一个质量分类结果;
对所有所述第三目标图像块的所述质量分类结果进行结合检测后,得到整张玻片的玻片数字化信息质量检测结果。
2.根据权利要求1所述的玻片数字化信息质量检测方法,其特征在于,从所述玻片数字化信息图像中提取出包含预设感兴趣区域的区域图像,并对所述区域图像进行图像切割,包括:
通过选取的预设分辨率图层对所述玻片数字化信息图像进行分辨率调整,得到调整后的所述玻片数字化信息图像;
利用霍夫变换算法从调整后的所述玻片数字化信息图像中确定出所述预设感兴趣区域,并利用阈值分割图像算法从调整后的所述玻片数字化信息图像提取出所述包含预设感兴趣区域的区域图像;
使用预设大小的滑窗对所述包含预设感兴趣区域的区域图像进行图像切割。
3.根据权利要求2所述的玻片数字化信息质量检测方法,其特征在于,所述利用霍夫变换算法从调整后的所述玻片数字化信息图像中确定出所述预设感兴趣区域之前,还包括:
在确定所述玻片数字化信息图像为黑白图像时,依次对调整后的所述玻片数字化信息图像依次进行图像膨胀和图像腐蚀操作。
4.根据权利要求1所述的玻片数字化信息质量检测方法,其特征在于,所述根据预设卷积神经网络对所有所述第二目标图像块进行质量分类,得到分类成功的多个第三目标图像块,包括:
将所有的所述第二目标图像块输入至所述预设卷积神经网络;
根据所述预设卷积神经网络中设置的权重系数对所有的所述第二目标图像块中的每一个像素进行预测分类,得到分类成功的多个所述第三目标图像块。
5.根据权利要求1所述的玻片数字化信息质量检测方法,其特征在于,所述玻片数字化信息质量检测结果存储于区块链中;
所述对所有所述第三目标图像块的所述质量分类结果进行结合检测后,得到整张玻片的玻片数字化信息质量检测结果,包括:
从所有所述质量检测结果中确定出异常的质量检测结果,确定与异常的质量检测结果对应的所述第三目标图像块在整张玻片中的所有所述第三目标图像块中的占比数;
在确定所述占比数达到预设占比阈值时,确认整张玻片的所述玻片数字化信息图像存在质量问题,通过预设图形结构在与整张玻片对应的质量检测结果中标记异常的所述质量检测结果,并发送并提示预设接收人员。
6.一种玻片数字化信息质量检测装置,其特征在于,包括:
第一获取模块,用于获取整张玻片的玻片数字化信息图像;
第二获取模块,用于从所述玻片数字化信息图像中提取出包含预设感兴趣区域的区域图像,并对所述区域图像进行图像切割后,获取切割后的多个第一目标图像块;
增强处理模块,用于根据图像处理算法对每一个所述第一目标图像块进行对比度增强处理,得到已增强图像视觉效果的多个第二目标图像块;
所述增强处理模块,还包括:
获取每一个所述第一目标图像块分别对应于R通道、G通道和B通道三个通道的通道数据;
从所有的通道数据中确定每一个通道的最大通道数据和最小通道数据;
自各个所述第一目标图像块中的三个通道中按照预设选取规则选取一个通道作为当前通道,对所述当前通道的通道数据与所述当前通道的所述最小通道数据进行差值对比后,获取第一差值结果;
在所述当前通道下,将所述最大通道数据与所述最小通道数据进行差值对比后,获取第二差值结果;
确定所述第一差值结果与所述第二差值结果之间的比值,将所述比值与预设常数的乘积记录为所述当前通道的对比值;
在每一个所述第一目标图像块的三个通道所对应的三个所述对比值均被记录之后,通过三个所述对比值对与其对应的所述第一目标图像块进行对比度增强处理;
分类模块,用于根据预设卷积神经网络对所有所述第二目标图像块进行质量分类,得到分类成功的多个第三目标图像块;每一个分类成功后的所述第三目标图像块对应一个质量分类结果;
检测模块,用于对所有所述第三目标图像块的所述质量分类结果进行结合检测后,得到整张玻片的玻片数字化信息质量检测结果。
7.根据权利要求6所述的玻片数字化信息质量检测装置,其特征在于,所述第二获取模块包括:
调整子模块,包括通过选取的预设分辨率图层对所述玻片数字化信息图像进行分辨率调整,得到调整后的所述玻片数字化信息图像;
提取子模块,包括利用霍夫变换算法从调整后的所述玻片数字化信息图像中确定出所述预设感兴趣区域,并利用阈值分割图像算法从调整后的所述玻片数字化信息图像提取出所述包含预设感兴趣区域的区域图像;
切割子模块,用于使用预设大小的滑窗对所述包含预设感兴趣区域的区域图像进行图像切割。
8.一种计算机设备,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运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述玻片数字化信息质量检测方法。
9.一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权利要求1至5中任一项所述玻片数字化信息质量检测方法。
CN202010752434.2A 2020-07-30 2020-07-30 玻片数字化信息质量检测方法、装置、设备及介质 Active CN111899246B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010752434.2A CN111899246B (zh) 2020-07-30 2020-07-30 玻片数字化信息质量检测方法、装置、设备及介质
PCT/CN2020/112332 WO2021189771A1 (zh) 2020-07-30 2020-08-30 玻片数字化信息质量检测方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010752434.2A CN111899246B (zh) 2020-07-30 2020-07-30 玻片数字化信息质量检测方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN111899246A CN111899246A (zh) 2020-11-06
CN111899246B true CN111899246B (zh) 2023-09-19

Family

ID=73182682

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010752434.2A Active CN111899246B (zh) 2020-07-30 2020-07-30 玻片数字化信息质量检测方法、装置、设备及介质

Country Status (2)

Country Link
CN (1) CN111899246B (zh)
WO (1) WO2021189771A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112508925B (zh) * 2020-12-16 2023-07-04 广州大学 电子锁面板质量检测方法、系统、计算机装置和存储介质
WO2022126923A1 (zh) * 2020-12-18 2022-06-23 平安科技(深圳)有限公司 Asc-us诊断结果分流方法、装置、计算机设备及存储介质
CN113962976B (zh) * 2021-01-20 2022-09-16 赛维森(广州)医疗科技服务有限公司 用于病理玻片数字图像的质量评估方法
CN113763315B (zh) * 2021-05-18 2023-04-07 腾讯医疗健康(深圳)有限公司 玻片图像的信息获取方法、装置、设备及介质
WO2023108412A1 (zh) * 2021-12-14 2023-06-22 深圳先进技术研究院 目标蛋白快速识别及定量方法
CN114219813A (zh) * 2021-12-16 2022-03-22 数坤(北京)网络科技股份有限公司 一种影像处理方法、智能终端及存储介质
CN117765533B (zh) * 2024-02-22 2024-04-26 天津医科大学第二医院 一种用于口腔黏膜癌预测的图像处理方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007024927A (ja) * 2005-07-12 2007-02-01 Olympus Corp 顕微鏡画像撮影装置
CN109583449A (zh) * 2018-10-29 2019-04-05 深圳市华尊科技股份有限公司 字符识别方法及相关产品
CN110853006A (zh) * 2019-11-05 2020-02-28 华南理工大学 一种使用扫描仪获取的数字病理图像质量评价的方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3214478B1 (en) * 2007-09-21 2018-12-26 Leica Biosystems Imaging Inc. Improved image quality for diagnostic resolution digital slide images
WO2016189065A1 (en) * 2015-05-26 2016-12-01 Ventana Medical Systems, Inc. Method and system for assessing stain quality for in-situ hybridization and immunohistochemistry
CN108364017B (zh) * 2018-01-24 2019-11-05 华讯方舟科技有限公司 一种图像质量分类方法、系统及终端设备
CN111275016B (zh) * 2020-03-03 2023-05-16 湖南国科智瞳科技有限公司 一种玻片扫描影像采集与分析方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007024927A (ja) * 2005-07-12 2007-02-01 Olympus Corp 顕微鏡画像撮影装置
CN109583449A (zh) * 2018-10-29 2019-04-05 深圳市华尊科技股份有限公司 字符识别方法及相关产品
CN110853006A (zh) * 2019-11-05 2020-02-28 华南理工大学 一种使用扫描仪获取的数字病理图像质量评价的方法

Also Published As

Publication number Publication date
WO2021189771A1 (zh) 2021-09-30
CN111899246A (zh) 2020-11-06

Similar Documents

Publication Publication Date Title
CN111899246B (zh) 玻片数字化信息质量检测方法、装置、设备及介质
CN111667011B (zh) 损伤检测模型训练、车损检测方法、装置、设备及介质
Chen et al. Pavement crack detection and classification based on fusion feature of LBP and PCA with SVM
CN111626123B (zh) 视频数据处理方法、装置、计算机设备及存储介质
CN110110799B (zh) 细胞分类方法、装置、计算机设备和存储介质
CN109492643B (zh) 基于ocr的证件识别方法、装置、计算机设备及存储介质
CN110414507B (zh) 车牌识别方法、装置、计算机设备和存储介质
CN110705583B (zh) 细胞检测模型训练方法、装置、计算机设备及存储介质
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
CN109766890B (zh) 信息识别方法、设备和系统
CN111753692B (zh) 目标对象提取方法、产品检测方法、装置、计算机和介质
CN111738244A (zh) 图像检测方法、装置、计算机设备和存储介质
CN110348522B (zh) 一种图像检测识别方法及系统、电子设备、图像分类网络优化方法及系统
CN114037637B (zh) 一种图像数据增强方法、装置、计算机设备和存储介质
WO2016045215A1 (zh) 指纹图像质量的判断方法和装置
CN113962976B (zh) 用于病理玻片数字图像的质量评估方法
CN114897806A (zh) 缺陷检测方法、电子设备及计算机可读存储介质
CN113706481A (zh) 精子质量检测方法、装置、计算机设备和存储介质
EP3579182A1 (en) Image processing device, image recognition device, image processing program, and image recognition program
CN113344961B (zh) 图像背景分割方法、装置、计算设备及存储介质
WO2018121414A1 (zh) 电子设备、目标图像识别方法及装置
CN112819834B (zh) 基于人工智能的胃部病理图像的分类方法和装置
CN112232390B (zh) 一种高像素大图像的识别方法和系统
CN113763315A (zh) 玻片图像的信息获取方法、装置、设备及介质
CN117218672A (zh) 一种基于深度学习的病案文字识别方法及系统

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