CN112233123B - 病理图片中肿瘤间质分类方法、装置、计算机设备及存储介质 - Google Patents
病理图片中肿瘤间质分类方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112233123B CN112233123B CN202010995923.0A CN202010995923A CN112233123B CN 112233123 B CN112233123 B CN 112233123B CN 202010995923 A CN202010995923 A CN 202010995923A CN 112233123 B CN112233123 B CN 112233123B
- Authority
- CN
- China
- Prior art keywords
- tumor
- type
- image
- small
- region
- 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 274
- 230000001575 pathological effect Effects 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000000126 substance Substances 0.000 claims abstract description 7
- 210000004881 tumor cell Anatomy 0.000 claims description 30
- 210000004698 lymphocyte Anatomy 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 13
- 210000004204 blood vessel Anatomy 0.000 claims description 10
- 210000002950 fibroblast Anatomy 0.000 claims description 8
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 210000000440 neutrophil Anatomy 0.000 claims description 7
- 210000004027 cell Anatomy 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 210000004180 plasmocyte Anatomy 0.000 claims description 4
- 206010016654 Fibrosis Diseases 0.000 claims description 3
- 230000002308 calcification Effects 0.000 claims description 3
- 230000004761 fibrosis Effects 0.000 claims description 3
- 230000007170 pathology Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 239000000835 fiber Substances 0.000 claims 2
- 230000002792 vascular Effects 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 11
- 238000012549 training Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000028993 immune response Effects 0.000 description 3
- 210000000987 immune system Anatomy 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 230000007850 degeneration Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 206010006187 Breast cancer Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 208000009956 adenocarcinoma Diseases 0.000 description 1
- 230000011712 cell development Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 210000002865 immune cell Anatomy 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 206010041823 squamous cell carcinoma Diseases 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 206010044412 transitional cell carcinoma Diseases 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- 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
- G06T2207/30204—Marker
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)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明实施例公开了一种病理图片中肿瘤间质分类方法、装置、计算机设备及存储介质，包括：获取待分析的病理图片，所述病理图片中包括肿瘤间质区域；对所述病理图片中的肿瘤间质区域进行识别并提取出肿瘤间质区域图像；将所述肿瘤间质区域图像分割为多个小区域图像；对每个所述小区域图像中包含的肿瘤间质进行类型识别，并根据识别到的类型进行标记。该方法能够自动化地识别出肿瘤间质的类型并标记，不仅提高了分类的速度，而且提高了分类的准确度。
Description
技术领域
本发明涉及分类技术领域，尤其涉及一种病理图片中肿瘤间质分类方法、装置、计算机设备及存储介质。
背景技术
肿瘤的成分，包括肿瘤细胞和肿瘤相关性间质组织(即肿瘤间质)。目前在临床工作肿瘤的分类，是以肿瘤细胞发生的部位、来源和形态特征等来进行，例如肺癌、乳腺癌、鳞状细胞癌、尿路上皮癌和腺癌等。目前，肿瘤的分类主要以肿瘤细胞为分类依据，没有反映患者机体的局部直接间质免疫反应特征。而肿瘤相关性间质组织内不同比例地分布有纤维母细胞、纤维细胞、淋巴细胞、浆细胞和中性粒细胞等免疫细胞，这些多因素参数的特征，反映了肿瘤细胞在机体内生活状态下的免疫系统的反应状态。
因此，做好肿瘤间质的分类是非常重要的，但是基于病理医生主观性判读肿瘤间质反应状态，是一个繁琐而又重复性不高的工作。故，亟需要一种快速准确地对肿瘤间质进行分类的方法。
发明内容
基于此，有必要针对上述问题，提出一种可以快速准确地对肿瘤间质进行分类的病理图片中肿瘤间质分类方法、装置、计算机设备及存储介质。
一种病理图片中肿瘤间质分类方法，其特征在于，包括：
获取待分析的病理图片，所述病理图片中包括肿瘤间质区域；
对所述病理图片中的肿瘤间质区域进行识别并提取出肿瘤间质区域图像；
将所述肿瘤间质区域图像分割为多个小区域图像；
对每个所述小区域图像中包含的肿瘤间质进行类型识别，并根据识别到的类型进行标记。
一种病理图片中肿瘤间质分类装置，其包括：
获取模块，用于获取待分析的病理图片，所述病理图片中包括肿瘤间质区域；
提取模块，用于对所述病理图片中的肿瘤间质区域进行识别并提取出肿瘤间质区域图像；
分割模块，用于将所述肿瘤间质区域图像分割为多个小区域图像；
标记模块，用于对每个所述小区域图像中包含的肿瘤间质进行类型识别，并根据识别到的类型进行标记。
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以下步骤：
获取待分析的病理图片，所述病理图片中包括肿瘤间质区域；
对所述病理图片中的肿瘤间质区域进行识别并提取出肿瘤间质区域图像；
将所述肿瘤间质区域图像分割为多个小区域图像；
对每个所述小区域图像中包含的肿瘤间质进行类型识别，并根据识别到的类型进行标记。
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以下步骤：
获取待分析的病理图片，所述病理图片中包括肿瘤间质区域；
对所述病理图片中的肿瘤间质区域进行识别并提取出肿瘤间质区域图像；
将所述肿瘤间质区域图像分割为多个小区域图像；
对每个所述小区域图像中包含的肿瘤间质进行类型识别，并根据识别到的类型进行标记。
上述病理图片中肿瘤间质分类方法、装置、计算机设备及存储介质，首先，从病理图片中提取出肿瘤间质区域图像，然后将肿瘤间质区域图像分割为多个小区域图像，进而对每个小区域图像中包含的肿瘤间质进行类型识别并进行标记。该方法能够自动化地识别出肿瘤间质的类型并标记，不仅提高了分类的速度，而且提高了分类的准确度。进一步的，该病理图片中肿瘤间质分类方法不再依赖于人的主观判断，具有客观性，有利于被推广到临床实践中去。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
其中：
图1为一个实施例中病理图片中肿瘤间质分类方法的流程图；
图2为一个实施例中针对划分出的小区域进行肿瘤间质类型识别的示意图；
图3为一个实施例中为8个肿瘤间质类型的特征示意图；
图4为一个实施例中叠加图像的效果示意图；
图5为一个实施例中病理图片中肿瘤间质分类装置的结构框图；
图6为另一个实施例中病理图片中肿瘤间质分类装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，提出了一种病理图片中肿瘤间质分类方法，该病理图片中肿瘤间质分类方法可以应用于终端，本实施例以应用于终端举例说明。该病理图片中肿瘤间质分类方法具体包括以下步骤：
步骤102，获取待分析的病理图片，病理图片中包括肿瘤间质区域。
其中，病理图片是肿瘤病理切片的图像。病理图片是包含有肿瘤组织的图像，肿瘤组织分为肿瘤细胞和肿瘤间质。所以病理图片中包括肿瘤间质区域和肿瘤细胞区域。
步骤104，对病理图片中的肿瘤间质区域进行识别并提取出肿瘤间质区域图像。
其中，为了对肿瘤间质的类型进行识别，首先，需要从病理图片中提取出肿瘤间质区域图像。在一个实施例中，利用深度学习训练得到的肿瘤间质识别模型对病理图片中的肿瘤间质区域进行识别，然后进行提取，得到肿瘤间质区域图像。具体地，肿瘤间质识别模型可以采用如下方式训练得到，对训练样本集中的病理图片中的肿瘤区域和肿瘤间质区域进行人工标注，然后基于带有标签的病理样本图像利用深度学习的监督学习方式，进行不断迭代训练，最后训练得到肿瘤间质识别模型。
步骤106，将肿瘤间质区域图像分割为多个小区域图像。
其中，由于肿瘤间质区域图像中往往包含有多个类型的肿瘤间质类型，为了更准确地识别出每个区域的肿瘤间质类型，将肿瘤间质区域划分为多个小区域，得到多个小区域图像。小区域图像的大小可以根据实际情况预先设置。如图2所示，针对划分出的小区域进行肿瘤间质类型识别的示意图，图2中展示了划分出的两个小区域，后续针对小区域进行肿瘤间质类型识别。
步骤108，对每个小区域图像中包含的肿瘤间质进行类型识别，并根据识别到的类型进行标记。
其中，预先根据肿瘤间质的特征将肿瘤间质分为多个类型，然后根据小区域图像中包含的肿瘤间质的特征来进行类型识别，并根据识别得到的结果进行标记。
在一个实施例中，预先将肿瘤间质分为8个类型，分别为(1)纤维细胞较丰富型；(2)较多淋巴细胞、少量血管型；(3)较多淋巴细胞型；(4)血管丰富型；(5)较多淋巴细胞、中性粒细胞型；(6)较多淋巴细胞、粘液变性型；(7)大量淋巴细胞、血管较丰富型；(8)粘液变性型。如图3所示，为8个肿瘤间质类型的特征示意图。
针对不同的类型，设置不同的标记。比如，可以设置不同的形状来标记，比如，可以将第(1)类型型的标记设置为三角形，第(2)类型型的标记设置为圆形，依次类推。在另一个实施例中，也可以设置不同的颜色来标记，比如，将第(1)种用黄色来标记；第(2)种用绿色来标记；第(3)种用海蓝色来标记；第(4)种用橙黄色来标记；第(5)种水泥灰色来标记；第(6)种用橙色来标记；第(7)种用深蓝色来标记；第(8)种用黑色来标记。
在一个实施例中，一个小区域图像对应的标记类型为一种。在另一个实施例中，一个小区域图像的不同区域可以标记为不同的类型。
上述病理图片中肿瘤间质分类方法，首先，从病理图片中提取出肿瘤间质区域图像，然后将肿瘤间质区域图像分割为多个小区域图像，进而对每个小区域图像中包含的肿瘤间质进行类型识别并进行标记。该方法能够自动化地识别出肿瘤间质的类型并标记，不仅提高了分类的速度，而且提高了分类的准确度。进一步的，该病理图片中肿瘤间质分类方法不再依赖于人的主观判断，具有客观性，有利于被推广到临床实践中去。
在一个实施例中，所述对每个所述小区域图像中包含的肿瘤间质进行类型识别，并根据识别到的类型进行标记，包括：提取所述小区域图像中包含的肿瘤间质的特征，根据提取到的特征确定所述肿瘤间质的类型；获取与所述肿瘤间质的类型对应的标识，采用所述标识对所述肿瘤间质的类型进行标记。
其中，不同的肿瘤间质的特征不同，可以根据提取到的特征来确定肿瘤间质的类型。具体地，计算机根据形态学进行特征提取，然后根据提取到的特征进行分类。其中，形态学特征包括：是否含有淋巴细胞、浆细胞、中性粒细胞，以及数量的多与少，间质是否丰富，间质内纤维细胞、纤维母细胞等数量，血管的类型、数量与分布模式以及是否伴有纤维变性、粘液变性、钙化等形态学特征。
肿瘤间质的类型对应的标识可以为图形标识，也可以是颜色标识，当然也可以是其他标识，比如，数字标识等。在一个实施例中，所述标识为颜色标识，不同类型的肿瘤间质对应不同的颜色标识。
其中，颜色标识可以采用色块填充的方式进行标识，即标记的方式可以采用颜色填充的方式进行标记，当识别到小区域图像中包含的肿瘤间质类型时，采用与该类型对应的颜色填充该小区域图像。
在一个实施例中，在所述对每个所述小区域图像中包含的肿瘤间质进行类型识别，并根据识别到的类型进行标记之后，还包括：根据所述肿瘤间质区域图像中各个小区域图像对应的类型标记，统计同一类型标记对应的区域面积，根据不同类型标记对应的不同区域面积确定肿瘤间质区域的状态。
其中，每个小区域图像都对应有相应的类型标记，不同小区域图像对应的类型标记可能相同，也可能不同。肿瘤间质图像中包含有多个小区域图像，统计同一类型标记对应的区域面积，同一类型标记对应的区域面积越大，该类型标记越能够反映该肿瘤间质的状态。
肿瘤间质的状态实际上反映了机体的局部直接免疫反应特征，即反映了机体免疫系统与肿瘤细胞之间的相关作用水平。也就是说，肿瘤间质的类型可以用来作为一个评价指标来评价肿瘤的状态。
在一个实施例中，所述对每个所述小区域图像中包含的肿瘤间质进行类型识别，并根据识别到的类型进行标记，包括：将所述小区域图像作为肿瘤间质分类识别模型的输入，所述肿瘤间质分类识别模型用于对所述小区域图像进行特征识别，确定所述小区域图像中的肿瘤间质的类型；获取所述肿瘤间质分类识别模型识别出的类型，并对所述识别到的类型进行标记。
其中，肿瘤间质类型的识别是通过是采用模型得到的，通过人为标注不同的小区域图像对应的类型来得到训练样本集，然后基于深度学习采用有监督的训练方式进行训练，学习得到各种肿瘤间质类型的特征，进而得到肿瘤间质分类模型。通过将小区域图像作为肿瘤间质分类识别模型的输入，即可得到输出的识别类型，然后根据识别到的类型进行标记。
在一个实施例中，所述对所述病理图片中的肿瘤间质区域进行识别并提取出肿瘤间质区域图像，包括：将所述病理图片作为肿瘤间质区域识别模型的输入，获取所述肿瘤间质识别模型输出的识别结果；根据识别结果将肿瘤间质区域从所述病理图片中分割出来。
其中，将肿瘤间质区域从病理图片中识别出来也可以采用模型识别的方式，肿瘤间质识别模型用于识别肿瘤间质区域。识别出肿瘤间质区域后，将识别的肿瘤间质区域从病理图片中分割出来，即仅保留肿瘤间质区域。
在一个实施例中，所述病理图片中还包括：肿瘤细胞区域；该方法还包括：从所述病理图片中提取出肿瘤细胞区域图像；根据所述肿瘤间质区域图像中小区域图像包含的肿瘤间质的类型采用与所述类型对应的颜色填充所述小区域图像，得到颜色填充后的肿瘤间质区域图像；将所述肿瘤细胞区域图像以小图像的方式叠加到颜色填充后的肿瘤间质区域图像的中间部位，将叠加后的图像进行展示。
其中，为了能够让病理医生根据肿瘤细胞和肿瘤间质特征进行准确地评价，需要将肿瘤细胞和肿瘤间质特征展示到病理医生的电脑端。而为了病理医生能够更加准确地判断，通过将肿瘤细胞区域与标记后的肿瘤间质区域进行叠加，然后一起展示。具体地，采用与肿瘤间质类型对应的颜色填充小区域图像。由于肿瘤间质区域图像可以看作是一个个小区域图像组成的，所以将填充后的小区域图像再拼接得到填充后的肿瘤间质区域图像，并将肿瘤细胞区域图像以小图像的方式叠加到肿瘤间质区域图像的中间部位，然后将叠加后的图像进行展示，如图4所示，为一个实施例中，叠加图像的效果示意图，中间的小图像为肿瘤细胞区域图像，小图像周围的区域为用不同颜色填充后的肿瘤间质区域图像的示意图。
肿瘤间质的类型可以反映机体的局部直接免疫反应特征，反映了机体免疫系统与肿瘤细胞之间的相关作用水平。通过对肿瘤间质的类型进行识别，更加客观、全面的、系统的、自动化的评估肿瘤间质的生活反应状态。
肿瘤间质的类型可以作为一个肿瘤评价指标，病理医生可以结合肿瘤细胞的特征和肿瘤间质的类型来进行综合性的评判，相对于原来仅仅依据肿瘤细胞的特征进行评判的方式，该方式明显更具准确性。
上述病理图片中肿瘤间质分类方法，通过自动化进行分类，实现了评估肿瘤生活间质反应状态特征的参数，减少了病理医生的工作流程和工作量，同时提高了评估的准确性、一致性、重复性，也大大提高了工作效率。
病理医生或医学研究者，可利用肿瘤间质的分类方法(即肿瘤间质生活反应状态评估的方法)，与肿瘤患者的预后、药物治疗反应，如靶向治疗、免疫治疗等相关的患者紧密联系在一起。通过一定相关数据量的关联、统计分析。找出预测肿瘤患者生活质量、生存期、药物反应的敏感性等重要参数。
如图5所示，在一个实施例中，提出了一种病理图片中肿瘤间质分类装置，包括：
获取模块502，用于获取待分析的病理图片，所述病理图片中包括肿瘤间质区域；
提取模块504，用于对所述病理图片中的肿瘤间质区域进行识别并提取出肿瘤间质区域图像；
分割模块506，用于将所述肿瘤间质区域图像分割为多个小区域图像；
标记模块508，用于对每个所述小区域图像中包含的肿瘤间质进行类型识别，并根据识别到的类型进行标记。
在一个实施例中，所述标记模块还用于提取所述小区域图像中包含的肿瘤间质的特征，根据提取到的特征确定所述肿瘤间质的类型；获取与所述肿瘤间质的类型对应的标识，采用所述标识对所述肿瘤间质的类型进行标记。
在一个实施例中，所述标识为颜色标识，不同类型的肿瘤间质对应不同的颜色标识。
在一个实施例中，上述病理图片中肿瘤间质分类装置还包括：
统计确定模块，用于根据所述肿瘤间质区域图像中各个小区域图像对应的类型标记，统计同一类型标记对应的区域面积，根据不同类型标记对应的不同区域面积确定肿瘤间质区域的状态。
在一个实施例中，所述标记模块还用于将所述小区域图像作为肿瘤间质分类识别模型的输入，所述肿瘤间质分类识别模型用于对所述小区域图像进行特征识别，确定所述小区域图像中的肿瘤间质的类型；获取所述肿瘤间质分类识别模型识别出的类型，并对所述识别到的类型进行标记。
在一个实施例中，所述提取模块还用于将所述病理图片作为肿瘤间质区域识别模型的输入，获取所述肿瘤间质识别模型输出的识别结果；根据识别结果将肿瘤间质区域从所述病理图片中分割出来。
如图6所示，在一个实施例中，所述病理图片中还包括：肿瘤细胞区域；所述提取模块还用于从所述病理图片中提取出肿瘤细胞区域图像；
上述装置还包括：
填充模块510，用于根据所述肿瘤间质区域图像中小区域图像包含的肿瘤间质的类型采用与所述类型对应的颜色填充所述小区域图像，得到颜色填充后的肿瘤间质区域图像；
叠加模块512，用于将所述肿瘤细胞区域图像以小图像的方式叠加到颜色填充后的肿瘤间质区域图像的中间部位，将叠加后的图像进行展示。
图7示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端，也可以是服务器。如图7所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该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，可使得处理器实现上述的病理图片中肿瘤间质分类方法。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，可使得处理器执行上述的病理图片中肿瘤间质分类方法。本领域技术人员可以理解，图7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，提出了一种计算机设备，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以下步骤：获取待分析的病理图片，所述病理图片中包括肿瘤间质区域；对所述病理图片中的肿瘤间质区域进行识别并提取出肿瘤间质区域图像；将所述肿瘤间质区域图像分割为多个小区域图像；对每个所述小区域图像中包含的肿瘤间质进行类型识别，并根据识别到的类型进行标记。
在一个实施例中，所述对每个所述小区域图像中包含的肿瘤间质进行类型识别，并根据识别到的类型进行标记，包括：提取所述小区域图像中包含的肿瘤间质的特征，根据提取到的特征确定所述肿瘤间质的类型；获取与所述肿瘤间质的类型对应的标识，采用所述标识对所述肿瘤间质的类型进行标记。
在一个实施例中，所述标识为颜色标识，不同类型的肿瘤间质对应不同的颜色标识。
在一个实施例中，在所述对每个所述小区域图像中包含的肿瘤间质进行类型识别，并根据识别到的类型进行标记之后，所述计算机程序被所述处理器执行时，还用于执行以下步骤：
根据所述肿瘤间质区域图像中各个小区域图像对应的类型标记，统计同一类型标记对应的区域面积，根据不同类型标记对应的不同区域面积确定肿瘤间质区域的状态。
在一个实施例中，所述对每个所述小区域图像中包含的肿瘤间质进行类型识别，并根据识别到的类型进行标记，包括：将所述小区域图像作为肿瘤间质分类识别模型的输入，所述肿瘤间质分类识别模型用于对所述小区域图像进行特征识别，确定所述小区域图像中的肿瘤间质的类型；获取所述肿瘤间质分类识别模型识别出的类型，并对所述识别到的类型进行标记。
在一个实施例中，所述对所述病理图片中的肿瘤间质区域进行识别并提取出肿瘤间质区域图像，包括：将所述病理图片作为肿瘤间质区域识别模型的输入，获取所述肿瘤间质识别模型输出的识别结果；根据识别结果将肿瘤间质区域从所述病理图片中分割出来。
在一个实施例中，所述病理图片中还包括：肿瘤细胞区域；所述计算机程序被所述处理器执行时，还用于执行以下步骤：从所述病理图片中提取出肿瘤细胞区域图像；根据所述肿瘤间质区域图像中小区域图像包含的肿瘤间质的类型采用与所述类型对应的颜色填充所述小区域图像，得到颜色填充后的肿瘤间质区域图像；将所述肿瘤细胞区域图像以小图像的方式叠加到颜色填充后的肿瘤间质区域图像的中间部位，将叠加后的图像进行展示。
在一个实施例中，提出了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以下步骤：获取待分析的病理图片，所述病理图片中包括肿瘤间质区域；对所述病理图片中的肿瘤间质区域进行识别并提取出肿瘤间质区域图像；将所述肿瘤间质区域图像分割为多个小区域图像；对每个所述小区域图像中包含的肿瘤间质进行类型识别，并根据识别到的类型进行标记。
在一个实施例中，所述对每个所述小区域图像中包含的肿瘤间质进行类型识别，并根据识别到的类型进行标记，包括：提取所述小区域图像中包含的肿瘤间质的特征，根据提取到的特征确定所述肿瘤间质的类型；获取与所述肿瘤间质的类型对应的标识，采用所述标识对所述肿瘤间质的类型进行标记。
在一个实施例中，所述标识为颜色标识，不同类型的肿瘤间质对应不同的颜色标识。
在一个实施例中，在所述对每个所述小区域图像中包含的肿瘤间质进行类型识别，并根据识别到的类型进行标记之后，所述计算机程序被所述处理器执行时，还用于执行以下步骤：
根据所述肿瘤间质区域图像中各个小区域图像对应的类型标记，统计同一类型标记对应的区域面积，根据不同类型标记对应的不同区域面积确定肿瘤间质区域的状态。
在一个实施例中，所述对每个所述小区域图像中包含的肿瘤间质进行类型识别，并根据识别到的类型进行标记，包括：将所述小区域图像作为肿瘤间质分类识别模型的输入，所述肿瘤间质分类识别模型用于对所述小区域图像进行特征识别，确定所述小区域图像中的肿瘤间质的类型；获取所述肿瘤间质分类识别模型识别出的类型，并对所述识别到的类型进行标记。
在一个实施例中，所述对所述病理图片中的肿瘤间质区域进行识别并提取出肿瘤间质区域图像，包括：将所述病理图片作为肿瘤间质区域识别模型的输入，获取所述肿瘤间质识别模型输出的识别结果；根据识别结果将肿瘤间质区域从所述病理图片中分割出来。
在一个实施例中，所述病理图片中还包括：肿瘤细胞区域；所述计算机程序被所述处理器执行时，还用于执行以下步骤：从所述病理图片中提取出肿瘤细胞区域图像；根据所述肿瘤间质区域图像中小区域图像包含的肿瘤间质的类型采用与所述类型对应的颜色填充所述小区域图像，得到颜色填充后的肿瘤间质区域图像；将所述肿瘤细胞区域图像以小图像的方式叠加到颜色填充后的肿瘤间质区域图像的中间部位，将叠加后的图像进行展示。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种病理图片中肿瘤间质分类方法，其特征在于，包括：
获取待分析的病理图片，所述病理图片中包括肿瘤间质区域；
对所述病理图片中的肿瘤间质区域进行识别并提取出肿瘤间质区域图像；
将所述肿瘤间质区域图像分割为多个小区域图像；
对每个所述小区域图像中包含的肿瘤间质进行类型识别，并根据识别到的类型进行标记；
所述对每个所述小区域图像中包含的肿瘤间质进行类型识别，包括：
根据形态学进行特征提取，根据提取到的形态学特征确定所述肿瘤间质的类型；其中，形态学特征包括：是否含有淋巴细胞、浆细胞、中性粒细胞，以及数量的多与少，间质是否丰富；间质内纤维细胞、纤维母细胞数量；血管的类型、数量与分布模式以及是否伴有纤维变性、粘液变性、钙化；
所述小区域图像的类型包括：纤维细胞较丰富型；较多淋巴细胞、少量血管型；较多淋巴细胞型；血管丰富型；较多淋巴细胞、中性粒细胞型；较多淋巴细胞、粘液变性型；大量淋巴细胞、血管较丰富型和粘液变性型。
2.根据权利要求1所述的方法，其特征在于，所述根据识别到的类型进行标记，包括：
获取与所述肿瘤间质的类型对应的标识，采用所述标识对所述肿瘤间质的类型进行标记。
3.根据权利要求2所述的方法，其特征在于，所述标识为颜色标识，不同类型的肿瘤间质对应不同的颜色标识。
4.根据权利要求1所述的方法，其特征在于，在所述对每个所述小区域图像中包含的肿瘤间质进行类型识别，并根据识别到的类型进行标记之后，还包括：
根据所述肿瘤间质区域图像中各个小区域图像对应的类型标记，统计同一类型标记对应的区域面积，根据不同类型标记对应的不同区域面积确定肿瘤间质区域的状态。
5.根据权利要求1所述的方法，其特征在于，所述对每个所述小区域图像中包含的肿瘤间质进行类型识别，并根据识别到的类型进行标记，包括：
将所述小区域图像作为肿瘤间质分类识别模型的输入，所述肿瘤间质分类识别模型用于对所述小区域图像进行特征识别，确定所述小区域图像中的肿瘤间质的类型；
获取所述肿瘤间质分类识别模型识别出的类型，并对所述识别到的类型进行标记。
6.根据权利要求1所述的方法，其特征在于，所述对所述病理图片中的肿瘤间质区域进行识别并提取出肿瘤间质区域图像，包括：
将所述病理图片作为肿瘤间质区域识别模型的输入，获取所述肿瘤间质识别模型输出的识别结果；
根据识别结果将肿瘤间质区域从所述病理图片中分割出来。
7.根据权利要求1所述的方法，其特征在于，所述病理图片中还包括：肿瘤细胞区域；
所述方法还包括：
从所述病理图片中提取出肿瘤细胞区域图像；
根据所述肿瘤间质区域图像中小区域图像包含的肿瘤间质的类型采用与所述类型对应的颜色填充所述小区域图像，得到颜色填充后的肿瘤间质区域图像；
将所述肿瘤细胞区域图像以小图像的方式叠加到颜色填充后的肿瘤间质区域图像的中间部位，将叠加后的图像进行展示。
8.一种病理图片中肿瘤间质分类装置，其特征在于，包括：
获取模块，用于获取待分析的病理图片，所述病理图片中包括肿瘤间质区域；
提取模块，用于对所述病理图片中的肿瘤间质区域进行识别并提取出肿瘤间质区域图像；
分割模块，用于将所述肿瘤间质区域图像分割为多个小区域图像；
标记模块，用于对每个所述小区域图像中包含的肿瘤间质进行类型识别，并根据识别到的类型进行标记；
所述对每个所述小区域图像中包含的肿瘤间质进行类型识别，包括：
根据形态学进行特征提取，根据提取到的形态学特征确定所述肿瘤间质的类型；其中，形态学特征包括：是否含有淋巴细胞、浆细胞、中性粒细胞，以及数量的多与少，间质是否丰富；间质内纤维细胞、纤维母细胞数量；血管的类型、数量与分布模式以及是否伴有纤维变性、粘液变性、钙化；
所述小区域图像的类型包括：纤维细胞较丰富型；较多淋巴细胞、少量血管型；较多淋巴细胞型；血管丰富型；较多淋巴细胞、中性粒细胞型；较多淋巴细胞、粘液变性型；大量淋巴细胞、血管较丰富型和粘液变性型。
9.一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7中任一项所述的病理图片中肿瘤间质分类方法的步骤。
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，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7中任一项所述的病理图片中肿瘤间质分类方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010995923.0A CN112233123B (zh) | 2020-09-21 | 2020-09-21 | 病理图片中肿瘤间质分类方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010995923.0A CN112233123B (zh) | 2020-09-21 | 2020-09-21 | 病理图片中肿瘤间质分类方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112233123A CN112233123A (zh) | 2021-01-15 |
| CN112233123B true CN112233123B (zh) | 2024-05-14 |
Family
ID=74108775
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010995923.0A Active CN112233123B (zh) | 2020-09-21 | 2020-09-21 | 病理图片中肿瘤间质分类方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112233123B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115438359B (zh) * | 2022-09-14 | 2023-05-12 | 山东科迅信息技术有限公司 | 项目申报用数据匹配共享系统 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103251761A (zh) * | 2013-03-08 | 2013-08-21 | 翁捷 | 一种预防和治疗骨折不愈合的药物组合物及其制备方法 |
| CN104143101A (zh) * | 2014-07-01 | 2014-11-12 | 华南理工大学 | 一种基于超声图像的乳腺肿瘤区域自动识别方法 |
| CN105492016A (zh) * | 2013-06-25 | 2016-04-13 | 瓦西尼斯公司 | 脑信号蛋白-4d抑制分子与免疫调节治疗联用以抑制肿瘤生长和转移的应用 |
| CN106030608A (zh) * | 2013-11-06 | 2016-10-12 | 理海大学 | 生物组织分析诊断系统与方法 |
| WO2018015953A1 (en) * | 2016-07-20 | 2018-01-25 | Tel Hashomer Medical Research Infrastructure And Services Ltd. | A system and method for automated characterization of solid tumors using medical imaging |
| WO2018086985A1 (en) * | 2016-11-10 | 2018-05-17 | F. Hoffmann-La Roche Ag | Distance-based tumor classification |
| CN109593854A (zh) * | 2018-12-30 | 2019-04-09 | 广州金域医学检验集团股份有限公司 | 适于肿瘤类药物相关基因snp位点检测的核酸组以及应用 |
| CN109902421A (zh) * | 2019-03-08 | 2019-06-18 | 山东大学齐鲁医院 | 一种宫颈癌预后评估方法、系统、存储介质及计算机设备 |
| CN110088804A (zh) * | 2016-12-22 | 2019-08-02 | 文塔纳医疗系统公司 | 基于原色和免疫组织化学图像的计算机评分 |
| CN110322436A (zh) * | 2019-06-19 | 2019-10-11 | 广州金域医学检验中心有限公司 | 医学图像处理方法、装置、存储介质及设备 |
| CN110390678A (zh) * | 2019-06-14 | 2019-10-29 | 广东省人民医院(广东省医学科学院) | 一种结直肠癌ihc染色图像的组织类型分割方法 |
| CN110400287A (zh) * | 2019-06-14 | 2019-11-01 | 广东省人民医院(广东省医学科学院) | 结直肠癌ihc染色图像肿瘤侵袭边缘和中心的检测系统及方法 |
| CN110705565A (zh) * | 2019-09-09 | 2020-01-17 | 西安电子科技大学 | 淋巴结肿瘤区域识别方法与装置 |
| CN111161212A (zh) * | 2019-12-05 | 2020-05-15 | 广州金域医学检验中心有限公司 | 数字病理切片有丝核分裂象统计方法、装置、设备和介质 |
| CN111417958A (zh) * | 2017-12-07 | 2020-07-14 | 文塔纳医疗系统公司 | 用于生物图像中的联合细胞和区域分类的深度学习系统和方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5581574B2 (ja) * | 2008-07-09 | 2014-09-03 | 富士ゼロックス株式会社 | 画像処理装置及び画像処理プログラム |
-
2020
- 2020-09-21 CN CN202010995923.0A patent/CN112233123B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103251761A (zh) * | 2013-03-08 | 2013-08-21 | 翁捷 | 一种预防和治疗骨折不愈合的药物组合物及其制备方法 |
| CN105492016A (zh) * | 2013-06-25 | 2016-04-13 | 瓦西尼斯公司 | 脑信号蛋白-4d抑制分子与免疫调节治疗联用以抑制肿瘤生长和转移的应用 |
| CN106030608A (zh) * | 2013-11-06 | 2016-10-12 | 理海大学 | 生物组织分析诊断系统与方法 |
| CN104143101A (zh) * | 2014-07-01 | 2014-11-12 | 华南理工大学 | 一种基于超声图像的乳腺肿瘤区域自动识别方法 |
| WO2018015953A1 (en) * | 2016-07-20 | 2018-01-25 | Tel Hashomer Medical Research Infrastructure And Services Ltd. | A system and method for automated characterization of solid tumors using medical imaging |
| WO2018086985A1 (en) * | 2016-11-10 | 2018-05-17 | F. Hoffmann-La Roche Ag | Distance-based tumor classification |
| CN110088804A (zh) * | 2016-12-22 | 2019-08-02 | 文塔纳医疗系统公司 | 基于原色和免疫组织化学图像的计算机评分 |
| CN111417958A (zh) * | 2017-12-07 | 2020-07-14 | 文塔纳医疗系统公司 | 用于生物图像中的联合细胞和区域分类的深度学习系统和方法 |
| CN109593854A (zh) * | 2018-12-30 | 2019-04-09 | 广州金域医学检验集团股份有限公司 | 适于肿瘤类药物相关基因snp位点检测的核酸组以及应用 |
| CN109902421A (zh) * | 2019-03-08 | 2019-06-18 | 山东大学齐鲁医院 | 一种宫颈癌预后评估方法、系统、存储介质及计算机设备 |
| CN110390678A (zh) * | 2019-06-14 | 2019-10-29 | 广东省人民医院(广东省医学科学院) | 一种结直肠癌ihc染色图像的组织类型分割方法 |
| CN110400287A (zh) * | 2019-06-14 | 2019-11-01 | 广东省人民医院(广东省医学科学院) | 结直肠癌ihc染色图像肿瘤侵袭边缘和中心的检测系统及方法 |
| CN110322436A (zh) * | 2019-06-19 | 2019-10-11 | 广州金域医学检验中心有限公司 | 医学图像处理方法、装置、存储介质及设备 |
| CN110705565A (zh) * | 2019-09-09 | 2020-01-17 | 西安电子科技大学 | 淋巴结肿瘤区域识别方法与装置 |
| CN111161212A (zh) * | 2019-12-05 | 2020-05-15 | 广州金域医学检验中心有限公司 | 数字病理切片有丝核分裂象统计方法、装置、设备和介质 |
Non-Patent Citations (1)
| Title |
|---|
| 特殊类型乳腺恶性肿瘤的超声与病理图像分析;孟焱等;《中国医学影像学杂志》;20150602;第23卷(第03期);188-191 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112233123A (zh) | 2021-01-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11030744B2 (en) | Deep learning method for tumor cell scoring on cancer biopsies | |
| US20230419696A1 (en) | Image analysis method, apparatus, program, and learned deep learning algorithm | |
| CN107665492B (zh) | 基于深度网络的结直肠全景数字病理图像组织分割方法 | |
| CN111967465A (zh) | 肿瘤细胞含量评估方法、系统、计算机设备及存储介质 | |
| CN106462767B (zh) | 用于处理和分析图像的检查设备 | |
| US20150186755A1 (en) | Systems and Methods for Object Identification | |
| EP3729371B1 (en) | System and method for generating selective stain segmentation images for cell types of interest | |
| CN106780522A (zh) | 一种基于深度学习的骨髓液细胞分割方法 | |
| Hoque et al. | Retinex model based stain normalization technique for whole slide image analysis | |
| CN112508854B (zh) | 一种基于unet的肾小管检测分割方法 | |
| CN110517273B (zh) | 基于动态梯度阈值的细胞学图像分割方法 | |
| CN115546605A (zh) | 一种基于图像标注和分割模型的训练方法及装置 | |
| CN112233123B (zh) | 病理图片中肿瘤间质分类方法、装置、计算机设备及存储介质 | |
| CN109978849B (zh) | 基于数字病理图像的基线细胞确定方法、装置及可读介质 | |
| CN111161212B (zh) | 数字病理切片有丝核分裂象统计方法、装置、设备和介质 | |
| CN110738702B (zh) | 一种三维超声图像的处理方法、装置、设备及存储介质 | |
| US20180040120A1 (en) | Methods for quantitative assessment of mononuclear cells in muscle tissue sections | |
| US9785848B2 (en) | Automated staining and segmentation quality control | |
| CN116959712A (zh) | 基于病理图像的肺腺癌预后方法、系统、设备及存储介质 | |
| CN112085695A (zh) | 一种图像处理方法、装置及存储介质 | |
| DE10229880A1 (de) | Bildanalyseverfahren und Vorrichtung zur Bildauswertung für die in vivo Kleintierbildgebung | |
| DE112019004112T5 (de) | System und verfahren zur analyse mikroskopischer bilddaten und zur erzeugung eines annotierten datensatzes zum training der klassifikatoren | |
| CN115564750A (zh) | 术中冰冻切片图像识别方法及装置、设备、存储介质 | |
| Silva et al. | Development of a quantitative semi-automated system for intestinal morphology assessment in Atlantic salmon, using image analysis | |
| US8229674B2 (en) | Automated histological grading of tubules |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: 510700 No. 10, helix 3 Road, International Biological Island, Huangpu District, Guangzhou City, Guangdong Province Applicant after: GUANGZHOU KINGMED CENTER FOR CLINICAL LABORATORY Applicant after: GUANGZHOU KINGMED DIAGNOSTICS GROUP Co.,Ltd. Address before: 510330 Guangdong Guangzhou Haizhuqu District Xingang East Road 2429, 3rd floor. Applicant before: GUANGZHOU KINGMED CENTER FOR CLINICAL LABORATORY Country or region before: China Applicant before: GUANGZHOU KINGMED DIAGNOSTICS GROUP Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |