CN112464802A - 一种玻片样本信息的自动识别方法、装置和计算机设备 - Google Patents
一种玻片样本信息的自动识别方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN112464802A CN112464802A CN202011348364.0A CN202011348364A CN112464802A CN 112464802 A CN112464802 A CN 112464802A CN 202011348364 A CN202011348364 A CN 202011348364A CN 112464802 A CN112464802 A CN 112464802A
- Authority
- CN
- China
- Prior art keywords
- slide sample
- identification
- slide
- information
- convolution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
-
- 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
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
- G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device
- G06K17/0025—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device the arrangement consisting of a wireless interrogation device in combination with a device for optically marking the record carrier
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Networks & Wireless Communication (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开一种玻片样本信息的自动识别方法、装置和计算机设备,该方法通过构建的玻片样本信息识别模型、字符识别模型可全自动实时对玻片样本的扫描区域和标识信息进行检测和识别,实现玻片样本信息的高精准识别;同时本发明提供的方法可嵌入在病理切片扫描装置中,实现病理切片的自动化扫描,极大地提高了玻片样本的扫描效率,缩短了玻片样本扫描所需的时间,进一步地,通过对玻片样本扫描区域中细胞或组织空间密度的检测,可以获得玻片样本对应的细胞或组织空间分布情况,一方面可以剔除掉预扫描区域中的冗余区域,另一方面有利于扫描过程中预聚焦点的选择,进而生成高质量的数字病理切片显微图像。
Description
技术领域
本发明涉及数字图像处理技术领域,尤其是一种玻片样本信息的自动识别方法、装置和计算机设备。
背景技术
近年来,随着医疗行业的发展和科技进步,病理切片的扫描和分析在疾病诊断中发挥越来越大的作用。现有的基于病理切片扫描装置对玻片样本进行扫描的具体流程为:首先利用预览相机采集玻片样本的预览图像,接着基于预览图像选定待扫描区域并对预览图像中玻片样本的标识信息进行识别,最后利用病理切片扫描装置对选定的待扫描区域进行预聚焦并逐视野扫描拼接成最终的全方位、高分辨率的数字病理图像。
在病理切片的扫描过程中,正确地选定玻片样本的待扫描区域是至关重要的。基于采集的预览图像获得玻片样本的待扫描区域的方法一般是利用对应的软件在预览图像中指定一个固定大小和位置的矩形框作为初始扫描区域,然后人工对初始扫描区域进行调整,获得精准的玻片样本待扫描区域。该方法需要用户对玻片样本的待扫描区域进行调整,不利于病理切片的自动化扫描,增加了扫描时间,影响了病理切片扫描的效率,此外,由于人为因素引起的待扫描区域中冗余的扫描区域会影响实际扫描时的预聚焦过程,进而影响生成的数字病理切片显微图像的清晰度。
发明内容
本发明提供一种玻片样本信息的自动识别方法、装置和计算机设备,用于克服现有技术中效率低、对显微图像的清晰度产生影响等缺陷。
为实现上述目的,本发明提出一种玻片样本信息的自动识别方法,包括:
获取玻片样本的预览图像;
将所述预览图像输入训练好的玻片样本信息识别模型中,获得玻片样本信息;所述玻片样本信息包括预扫描区域的类别和位置信息、玻片样本标识的类别和位置信息;
利用训练好的空间密度检测网络对所述预扫描区域进行检测,获得预扫描区域的空间密度图,以所述空间密度图为模板对所述预扫描区域进行处理,获得玻片样本的扫描区域;
利用ZBAR算法或者训练好的字符识别模型对所述玻片样本标识进行识别,获得玻片样本的标识信息。
为实现上述目的,本发明还提出一种玻片样本信息的自动识别装置,包括:
图像获取模块,用于获取玻片样本的预览图像;
玻片样本信息识别模块,用于将所述预览图像输入训练好的玻片样本信息识别模型中,获得玻片样本信息;所述玻片样本信息包括预扫描区域的类别和位置信息、玻片样本标识的类别和位置信息;利用训练好的空间密度检测网络对所述预扫描区域进行检测,获得预扫描区域的空间密度图,以所述空间密度图为模板对所述预扫描区域进行处理,获得玻片样本的扫描区域;利用ZBAR算法或者训练好的字符识别模型对所述玻片样本标识进行识别,获得玻片样本的标识信息。
为实现上述目的,本发明还提出一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述所述方法的步骤。
为实现上述目的,本发明还提出一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述所述的方法的步骤。
与现有技术相比,本发明的有益效果有:
本发明提供的玻片样本信息的自动识别方法通过构建的玻片样本信息识别模型、字符识别模型可全自动实时对玻片样本的扫描区域和标识信息进行检测和识别,实现玻片样本信息的高精准识别;同时本发明提供的方法可嵌入在病理切片扫描装置中,实现病理切片的自动化扫描,极大地提高了玻片样本的扫描效率,缩短了玻片样本扫描所需的时间,进一步地,通过对玻片样本扫描区域中细胞或组织空间密度的检测,可以获得玻片样本对应的细胞或组织空间分布情况,一方面可以剔除掉预扫描区域中的冗余区域,另一方面有利于扫描过程中预聚焦点的选择,进而生成高质量的数字病理切片显微图像。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图示出的结构获得其他的附图。
图1为本发明提供的玻片样本信息的自动识别方法的流程图;
图2为本发明实施例中玻片样本信息识别模型的结构示意图;
图3为本发明实施例中空间密度检测网络的结构示意图;
图4为本发明实施例中字符识别模型的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
另外,本发明各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
如图1所示,本发明提出一种玻片样本信息的自动识别方法,包括:
101:获取玻片样本的预览图像;
利用病理切片扫描装置的预览相机采集玻片样本的预览图像。
102:将预览图像输入训练好的玻片样本信息识别模型中,获得玻片样本信息;玻片样本信息包括预扫描区域的类别和位置信息、玻片样本标识的类别和位置信息;
103:利用训练好的空间密度检测网络对预扫描区域进行检测,获得预扫描区域的空间密度图,以空间密度图为模板对所述预扫描区域进行处理,获得玻片样本的扫描区域;
104:利用ZBAR算法或者训练好的字符识别模型对玻片样本标识进行识别,获得玻片样本的标识信息。
本发明提供的玻片样本信息的自动识别方法通过构建的玻片样本信息识别模型、字符识别模型可全自动实时对玻片样本的扫描区域和标识信息进行检测和识别,实现玻片样本信息的高精准识别;同时本发明提供的方法可嵌入在病理切片扫描装置中,实现病理切片的自动化扫描,极大地提高了玻片样本的扫描效率,缩短了玻片样本扫描所需的时间,进一步地,通过对玻片样本扫描区域中细胞或组织空间密度的检测,可以获得玻片样本对应的细胞或组织空间分布情况,一方面可以剔除掉预扫描区域中的冗余区域,另一方面有利于扫描过程中预聚焦点的选择,进而生成高质量的数字病理切片显微图像。
在其中一个实施例中,对于步骤101,预览图像是利用病理切片扫描装置的预览相机采集获得的。病理切片扫描装置采用高通量玻片扫描影像分析系统,用于液基细胞或组织切片的自动扫描。病理切片扫描装置包含两个相机,分别为预览相机和扫描相机。预览相机采用普通摄像头,用于拍摄玻片样本的预览图像,扫描相机采用高倍率摄像头,放大倍率为20X(20倍)或40X,用于扫描玻片样本以获得高分辨率的数字病理切片显微图像。
在某个实施例中,预扫描区域的类别包括液基细胞和组织切片,所述预扫描区域的位置信息为液基细胞和组织切片包围框的坐标值及置信度;
所述玻片样本标识的类别包括二维码标识、一维条形码标识和字符标识,所述玻片样本标识的位置信息为二维码标识、一维条形码标识和字符标识包围框的坐标值及置信度。
在下一个实施例中,对于步骤102,玻片样本信息识别模型以YOLO模型为基础进行构建,如图2所示,包括卷积单元、分类及包围框回归单元;
卷积单元包括一系列的卷积层和最大池化层,每个卷积层都采用Leaky ReLU函数进行非线性映射,所述卷积单元用于提取输入图像的高维特征;
分类及包围框回归单元依次包括1×1的卷积层、平均池化层以及Softmax分类层,用于获取卷积单元输出的高维特征中包含目标的位置信息及类别;所述目标包括液基细胞、组织切片、二维码标识、一维条形码标识和字符标识。
YOLO模型将目标的识别和定位问题合二为一,可快速准确的检测并识别出输入图像中包含的目标类别及在图像中的具体位置。
本实施例的玻片样本信息识别模型可以定位并识别5种不同的目标,分别是液基细胞、组织切片、二维码标识、一维条形码标识以及字符标识。采集的预览图像通过玻片样本信息识别模型可以获得玻片样本中的液基细胞或组织切片预扫描区域,并输出玻片样本对应的标识类型及位置信息。
在另一个实施例中,对于步骤103,空间密度检测网络以全卷积回归网络为基础进行构建,如图3所示,依次包括5个卷积单元(c1~c5)、1个1×1的卷积层(conv)和5个反卷积单元(uc5~uc1);
每个卷积单元包括卷积层、ReLU非线性映射以及最大池化层;
每个反卷积单元包括上采样层、ReLU非线性映射以及卷积层,所述上采样层利用双线性插值对输入的特征图进行升维处理。
在某个实施例中,空间密度检测网络中所有卷积层采用的卷积核大小为3×3,输出空间密度图的大小和输入的预扫描区域的大小相同。
本实施例采用的空间密度检测网络由于是完全卷积的,因此可以预测任意大小的输入图像,回归输出与输入图像大小相同的空间密度图。空间密度图反映了预扫描区域中细胞或组织的空间分布,由于在预扫描区域中,包含了许多分散的不包含细胞或组织的空白区域,利用细胞或组织的空间密度分布,可剔除预扫描区域中的空白区域,一方面可以省去对冗余空白区域的扫描操作,另一方面可以确保扫描过程中预聚焦点的选取的有效性,进而确保扫描过程中各个视野的准确聚焦。
利用病理切片扫描装置对获得的玻片样本的扫描区域进行预聚焦,通过逐视野边扫描边拼接的方式,可以得到高质量、全方位、高分辨率的数字病理切片显微图像。
在下一个实施例中,对于步骤104,利用ZBAR算法或者训练好的字符识别模型对所述玻片样本标识进行识别,获得玻片样本的标识信息,包括:
当玻片样本信息识别模型输出的玻片样本标识的类别为二维码标识或一维条形码标识时,利用ZBAR算法对二维码标识或一维条形码标识进行解码,获得玻片样本的标识信息;
当玻片样本信息识别模型输出的玻片样本标识的类别为字符标识时,利用训练好的字符识别模型对字符标识进行识别,获得玻片样本的标识信息。
ZBAR算法是一种通用的一维条形码和二维码解码算法,可以识别来自于视频流、图像文件、手持扫码器和视频设备的二维码和一维条形码。
在某个实施例中,字符识别模型如图4所示,依次包括卷积单元、递归单元和翻译单元;
卷积单元包括一系列的卷积池化层,用于从输入的图像中提取特征序列;
递归单元采用双向循环神经网络结构,用于对卷积单元输出的特征序列中的每个特征进行预测,输出每个特征在所有字符集中的分类概率;
翻译单元用于将递归单元输出的分类概率翻译为后验概率最大的字符串,并对字符串进行后处理,合并重复的字符,输出玻片样本的标识信息。
玻片样本的标识信息与玻片一一对应,根据标识信息可快速定位到该玻片对应的数字病理切片显微图像。
本发明还提出一种玻片样本信息的自动识别装置,包括:
图像获取模块,用于获取玻片样本的预览图像;
玻片样本信息识别模块,用于将所述预览图像输入训练好的玻片样本信息识别模型中,获得玻片样本信息;所述玻片样本信息包括预扫描区域的类别和位置信息、玻片样本标识的类别和位置信息;利用训练好的空间密度检测网络对所述预扫描区域进行检测,获得预扫描区域的空间密度图,以所述空间密度图为模板对所述预扫描区域进行处理,获得玻片样本的扫描区域;利用ZBAR算法或者训练好的字符识别模型对所述玻片样本标识进行识别,获得玻片样本的标识信息。
在其中一个实施例中,对于图像获取模块,预览图像是利用病理切片扫描装置的预览相机采集获得的。病理切片扫描装置采用高通量玻片扫描影像分析系统,用于液基细胞或组织切片的自动扫描。病理切片扫描装置包含两个相机,分别为预览相机和扫描相机。预览相机采用普通摄像头,用于拍摄玻片样本的预览图像,扫描相机采用高倍率摄像头,放大倍率为20X(20倍)或40X,用于扫描玻片样本以获得高分辨率的数字病理切片显微图像。
在某个实施例中,预扫描区域的类别包括液基细胞和组织切片,所述预扫描区域的位置信息为液基细胞和组织切片包围框的坐标值及置信度;
所述玻片样本标识的类别包括二维码标识、一维条形码标识和字符标识,所述玻片样本标识的位置信息为二维码标识、一维条形码标识和字符标识包围框的坐标值及置信度。
在下一个实施例中,对于玻片样本信息识别模块,玻片样本信息识别模型以YOLO模型为基础进行构建,如图2所示,包括卷积单元、分类及包围框回归单元;
卷积单元包括一系列的卷积层和最大池化层,每个卷积层都采用Leaky ReLU函数进行非线性映射,所述卷积单元用于提取输入图像的高维特征;
分类及包围框回归单元依次包括1×1的卷积层、平均池化层以及Softmax分类层,用于获取卷积单元输出的高维特征中包含目标的位置信息及类别;所述目标包括液基细胞、组织切片、二维码标识、一维条形码标识和字符标识。
YOLO模型将目标的识别和定位问题合二为一,可快速准确的检测并识别出输入图像中包含的目标类别及在图像中的具体位置。
本实施例的玻片样本信息识别模型可以定位并识别5种不同的目标,分别是液基细胞、组织切片、二维码标识、一维条形码标识以及字符标识。采集的预览图像通过玻片样本信息识别模型可以获得玻片样本中的液基细胞或组织切片预扫描区域,并输出玻片样本对应的标识类型及位置信息。
在另一个实施例中,对于玻片样本信息识别模块,空间密度检测网络以全卷积回归网络为基础进行构建,如图3所示,依次包括5个卷积单元(c1~c5)、1个1×1的卷积层(conv)和5个反卷积单元(uc5~uc1);
每个卷积单元包括卷积层、ReLU非线性映射以及最大池化层;
每个反卷积单元包括上采样层、ReLU非线性映射以及卷积层,所述上采样层利用双线性插值对输入的特征图进行升维处理。
在某个实施例中,空间密度检测网络中所有卷积层采用的卷积核大小为3×3,输出空间密度图的大小和输入的预扫描区域的大小相同。
本实施例采用的空间密度检测网络由于是完全卷积的,因此可以预测任意大小的输入图像,回归输出与输入图像大小相同的空间密度图。空间密度图反映了预扫描区域中细胞或组织的空间分布,由于在预扫描区域中,包含了许多分散的不包含细胞或组织的空白区域,利用细胞或组织的空间密度分布,可剔除预扫描区域中的空白区域,一方面可以省去对冗余空白区域的扫描操作,另一方面可以确保扫描过程中预聚焦点的选取的有效性,进而确保扫描过程中各个视野的准确聚焦。
利用病理切片扫描装置对获得的玻片样本的扫描区域进行预聚焦,通过逐视野边扫描边拼接的方式,可以得到高质量、全方位、高分辨率的数字病理切片显微图像。
在下一个实施例中,对于玻片样本信息识别模块,利用ZBAR算法或者训练好的字符识别模型对所述玻片样本标识进行识别,获得玻片样本的标识信息,包括:
当玻片样本信息识别模型输出的玻片样本标识的类别为二维码标识或一维条形码标识时,利用ZBAR算法对二维码标识或一维条形码标识进行解码,获得玻片样本的标识信息;
当玻片样本信息识别模型输出的玻片样本标识的类别为字符标识时,利用训练好的字符识别模型对字符标识进行识别,获得玻片样本的标识信息。
ZBAR算法是一种通用的一维条形码和二维码解码算法,可以识别来自于视频流、图像文件、手持扫码器和视频设备的二维码和一维条形码。
在某个实施例中,字符识别模型如图4所示,依次包括卷积单元、递归单元和翻译单元;
卷积单元包括一系列的卷积池化层,用于从输入的图像中提取特征序列;
递归单元采用双向循环神经网络结构,用于对卷积单元输出的特征序列中的每个特征进行预测,输出每个特征在所有字符集中的分类概率;
翻译单元用于将递归单元输出的分类概率翻译为后验概率最大的字符串,并对字符串进行后处理,合并重复的字符,输出玻片样本的标识信息。
玻片样本的标识信息与玻片一一对应,根据标识信息可快速定位到该玻片对应的数字病理切片显微图像。
本发明还提出一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述所述方法的步骤。
本发明还提出一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述所述的方法的步骤。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是在本发明的发明构思下,利用本发明说明书及附图内容所作的等效结构变换,或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (10)
1.一种玻片样本信息的自动识别方法,其特征在于,包括:
获取玻片样本的预览图像;
将所述预览图像输入训练好的玻片样本信息识别模型中,获得玻片样本信息;所述玻片样本信息包括预扫描区域的类别和位置信息、玻片样本标识的类别和位置信息;
利用训练好的空间密度检测网络对所述预扫描区域进行检测,获得预扫描区域的空间密度图,以所述空间密度图为模板对所述预扫描区域进行处理,获得玻片样本的扫描区域;
利用ZBAR算法或者训练好的字符识别模型对所述玻片样本标识进行识别,获得玻片样本的标识信息。
2.如权利要求1所述的玻片样本信息的自动识别方法,其特征在于,所述预扫描区域的类别包括液基细胞和组织切片,所述预扫描区域的位置信息为液基细胞和组织切片包围框的坐标值及置信度;
所述玻片样本标识的类别包括二维码标识、一维条形码标识和字符标识,所述玻片样本标识的位置信息为二维码标识、一维条形码标识和字符标识包围框的坐标值及置信度。
3.如权利要求1所述的玻片样本信息的自动识别方法,其特征在于,所述玻片样本信息识别模型以YOLO模型为基础进行构建,包括卷积单元、分类及包围框回归单元;
所述卷积单元包括一系列的卷积层和最大池化层,每个卷积层都采用Leaky ReLU函数进行非线性映射,所述卷积单元用于提取输入图像的高维特征;
所述分类及包围框回归单元依次包括1×1的卷积层、平均池化层以及Softmax分类层,用于获取卷积单元输出的高维特征中包含目标的位置信息及类别;所述目标包括液基细胞、组织切片、二维码标识、一维条形码标识和字符标识。
4.如权利要求1所述的玻片样本信息的自动识别方法,其特征在于,所述空间密度检测网络以全卷积回归网络为基础进行构建,依次包括5个卷积单元、1个1×1的卷积层和5个反卷积单元;
每个所述卷积单元包括卷积层、ReLU非线性映射以及最大池化层;
每个所述反卷积单元包括上采样层、ReLU非线性映射以及卷积层,所述上采样层利用双线性插值对输入的特征图进行升维处理。
5.如权利要求1或4所述的玻片样本信息的自动识别方法,其特征在于,所述空间密度检测网络中所有卷积层采用的卷积核大小为3×3,输出空间密度图的大小和输入的预扫描区域的大小相同。
6.如权利要求1所述的玻片样本信息的自动识别方法,其特征在于,利用ZBAR算法或者训练好的字符识别模型对所述玻片样本标识进行识别,获得玻片样本的标识信息,包括:
当玻片样本信息识别模型输出的玻片样本标识的类别为二维码标识或一维条形码标识时,利用ZBAR算法对二维码标识或一维条形码标识进行解码,获得玻片样本的标识信息;
当玻片样本信息识别模型输出的玻片样本标识的类别为字符标识时,利用训练好的字符识别模型对字符标识进行识别,获得玻片样本的标识信息。
7.如权利要求1或6所述的玻片样本信息的自动识别方法,其特征在于,所述字符识别模型依次包括卷积单元、递归单元和翻译单元;
所述卷积单元包括一系列的卷积池化层,用于从输入的图像中提取特征序列;
所述递归单元采用双向循环神经网络结构,用于对卷积单元输出的特征序列中的每个特征进行预测,输出每个特征在所有字符集中的分类概率;
所述翻译单元用于将递归单元输出的分类概率翻译为后验概率最大的字符串,并对所述字符串进行后处理,合并重复的字符,输出玻片样本的标识信息。
8.一种玻片样本信息的自动识别装置,其特征在于,包括:
图像获取模块,用于获取玻片样本的预览图像;
玻片样本信息识别模块,用于将所述预览图像输入训练好的玻片样本信息识别模型中,获得玻片样本信息;所述玻片样本信息包括预扫描区域的类别和位置信息、玻片样本标识的类别和位置信息;利用训练好的空间密度检测网络对所述预扫描区域进行检测,获得预扫描区域的空间密度图,以所述空间密度图为模板对所述预扫描区域进行处理,获得玻片样本的扫描区域;利用ZBAR算法或者训练好的字符识别模型对所述玻片样本标识进行识别,获得玻片样本的标识信息。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1~7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1~7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011348364.0A CN112464802B (zh) | 2020-11-26 | 2020-11-26 | 一种玻片样本信息的自动识别方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011348364.0A CN112464802B (zh) | 2020-11-26 | 2020-11-26 | 一种玻片样本信息的自动识别方法、装置和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112464802A true CN112464802A (zh) | 2021-03-09 |
CN112464802B CN112464802B (zh) | 2023-07-25 |
Family
ID=74808567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011348364.0A Active CN112464802B (zh) | 2020-11-26 | 2020-11-26 | 一种玻片样本信息的自动识别方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112464802B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113256717A (zh) * | 2021-05-08 | 2021-08-13 | 华南师范大学 | 一种细胞涂片辅助分析方法和系统 |
CN114018810A (zh) * | 2021-09-17 | 2022-02-08 | 深圳市生强科技有限公司 | 玻片定位方法 |
CN114494465A (zh) * | 2022-02-28 | 2022-05-13 | 北京毅能博科技有限公司 | 面向自动扫描的组织病理切片检测目标定位方法与装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295502A (zh) * | 2016-07-25 | 2017-01-04 | 厦门中控生物识别信息技术有限公司 | 一种人脸检测方法及装置 |
CN108664937A (zh) * | 2018-05-14 | 2018-10-16 | 宁波江丰生物信息技术有限公司 | 一种基于数字病理切片扫描仪的多区域扫描方法 |
CN109447078A (zh) * | 2018-10-23 | 2019-03-08 | 四川大学 | 一种自然场景图像敏感文字的检测识别方法 |
CN109800749A (zh) * | 2019-01-17 | 2019-05-24 | 湖南师范大学 | 一种文字识别方法及装置 |
CN111275016A (zh) * | 2020-03-03 | 2020-06-12 | 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 |
CN111401372A (zh) * | 2019-12-20 | 2020-07-10 | 国家电网有限公司 | 一种扫描文档图文信息提取与鉴别的方法 |
CN111539354A (zh) * | 2020-04-27 | 2020-08-14 | 易普森智慧健康科技(深圳)有限公司 | 一种液基细胞玻片扫描区域识别方法 |
-
2020
- 2020-11-26 CN CN202011348364.0A patent/CN112464802B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295502A (zh) * | 2016-07-25 | 2017-01-04 | 厦门中控生物识别信息技术有限公司 | 一种人脸检测方法及装置 |
CN108664937A (zh) * | 2018-05-14 | 2018-10-16 | 宁波江丰生物信息技术有限公司 | 一种基于数字病理切片扫描仪的多区域扫描方法 |
CN109447078A (zh) * | 2018-10-23 | 2019-03-08 | 四川大学 | 一种自然场景图像敏感文字的检测识别方法 |
CN109800749A (zh) * | 2019-01-17 | 2019-05-24 | 湖南师范大学 | 一种文字识别方法及装置 |
CN111401372A (zh) * | 2019-12-20 | 2020-07-10 | 国家电网有限公司 | 一种扫描文档图文信息提取与鉴别的方法 |
CN111275016A (zh) * | 2020-03-03 | 2020-06-12 | 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 |
CN111539354A (zh) * | 2020-04-27 | 2020-08-14 | 易普森智慧健康科技(深圳)有限公司 | 一种液基细胞玻片扫描区域识别方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113256717A (zh) * | 2021-05-08 | 2021-08-13 | 华南师范大学 | 一种细胞涂片辅助分析方法和系统 |
CN113256717B (zh) * | 2021-05-08 | 2022-01-21 | 华南师范大学 | 一种细胞涂片辅助分析方法和系统 |
CN114018810A (zh) * | 2021-09-17 | 2022-02-08 | 深圳市生强科技有限公司 | 玻片定位方法 |
CN114494465A (zh) * | 2022-02-28 | 2022-05-13 | 北京毅能博科技有限公司 | 面向自动扫描的组织病理切片检测目标定位方法与装置 |
CN114494465B (zh) * | 2022-02-28 | 2024-06-04 | 北京毅能博科技有限公司 | 面向自动扫描的组织病理切片检测目标定位方法与装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112464802B (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11681418B2 (en) | Multi-sample whole slide image processing in digital pathology via multi-resolution registration and machine learning | |
JP7422825B2 (ja) | 顕微鏡スライド画像のための焦点重み付き機械学習分類器誤り予測 | |
JP6843086B2 (ja) | 画像処理システム、画像においてマルチラベル意味エッジ検出を行う方法、および、非一時的コンピューター可読記憶媒体 | |
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 | |
CN112464802B (zh) | 一种玻片样本信息的自动识别方法、装置和计算机设备 | |
CN111007661B (zh) | 一种基于深度学习的显微图像自动聚焦方法及装置 | |
CN111310841B (zh) | 医学图像分类方法、装置、设备、计算机设备和存储介质 | |
CN113474811A (zh) | 数字病理学图像中的感兴趣区域的基于神经网络的标识 | |
CN111291825B (zh) | 病灶分类模型训练方法、装置、计算机设备和存储介质 | |
CN111462076A (zh) | 一种全切片数字病理图像模糊区域检测方法及系统 | |
CN114972548A (zh) | 用于显示生物标本的多个图像的图像处理系统和方法 | |
CN112750121B (zh) | 用于病理玻片数字图像质量检测的系统及其方法 | |
CN111931751B (zh) | 深度学习训练方法、目标物识别方法、系统和存储介质 | |
CN112884782B (zh) | 生物对象分割方法、装置、计算机设备和存储介质 | |
CN110974306A (zh) | 一种超声内镜下识别和定位胰腺神经内分泌肿瘤的系统 | |
CN110837809A (zh) | 血液自动分析方法、系统、血细胞分析仪及存储介质 | |
CN114549603B (zh) | 细胞病理图像的标注坐标转换方法、系统、设备及介质 | |
CN110600106B (zh) | 病理切片处理方法、计算机设备和存储介质 | |
CN109859218B (zh) | 病理图关键区域确定方法、装置、电子设备及存储介质 | |
CN114998980A (zh) | 一种虹膜检测方法、装置、电子设备及存储介质 | |
CN113592807A (zh) | 一种训练方法、图像质量确定方法及装置、电子设备 | |
CN111583203A (zh) | 基于深度学习模型的病理图像标注方法及系统 | |
CN113421270B (zh) | 基于单中心标定数据实现医学图像域自适应分割的方法、系统、装置、处理器及其存储介质 | |
CN111862003B (zh) | 医疗影像目标信息获取方法、装置、设备和存储介质 | |
JP7426712B2 (ja) | 画像処理装置、画像処理方法、およびプログラム |
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 |