CN113256628B - 用于宫颈图像的分析管理的装置和方法、设备及存储介质 - Google Patents
用于宫颈图像的分析管理的装置和方法、设备及存储介质 Download PDFInfo
- Publication number
- CN113256628B CN113256628B CN202110754716.0A CN202110754716A CN113256628B CN 113256628 B CN113256628 B CN 113256628B CN 202110754716 A CN202110754716 A CN 202110754716A CN 113256628 B CN113256628 B CN 113256628B
- Authority
- CN
- China
- Prior art keywords
- image
- analysis
- processor
- cervical
- presenting
- 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
Images
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
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本公开涉及一种用于宫颈图像的分析管理的装置和方法、设备及存储介质。该装置包括至少一个处理器,其配置为:获取受检者的宫颈液基细胞图像、宫颈细胞免疫组化图像和宫颈组织学图像中的至少一个作为待分析图像;基于待分析图像并利用学习网络确定分析结果;呈现待分析图像的至少部分图像;基于分析结果与至少部分图像相关联地呈现中间分析界面,其中,中间分析界面呈现各个检出对象的对应图像块和属性。本公开能够同时呈现分析结果和与该分析结果相关联的待分析图像的至少部分图像,因此,减少了宫颈图像的分析管理过程中出现误诊/漏诊的可能性,提高了宫颈图像的分析管理的准确性和便利性,并进一步提升了医疗服务的质量。
Description
技术领域
本公开涉及宫颈图像分析技术领域,更具体地,涉及一种用于宫颈图像的分析管理的装置和方法、设备及计算机可读存储介质。
背景技术
宫颈癌是最常见的妇科恶性肿瘤,且近年来其发病率有低龄化趋势,全世界每年新发子宫颈癌病例共52.8万和26.6万死亡病例,其中,85%的宫颈癌死亡病例发生在普查率低的低中等收入地区。此外,宫颈癌是一种可以预防并治愈的疾病,并且早期治愈率可以达到90%。因此,早期的筛查和诊断是防治宫颈癌的关键。目前的宫颈癌筛查技术可分为两类,基于形态学的方法是在细胞或组织水平检查以识别异常,基于分子生物学的方法是检查子宫颈上皮瘤的宫颈癌的标志物。传统的宫颈癌筛查主要依赖于医生的人工阅片,不仅工作量大、工作效率低,而且误诊率高,因此,无法推行大面积筛查。
近年来,随着人工智能技术的发展,可以通过自动拍摄病理图像,并自动分析和识别癌细胞来实现宫颈癌细胞的智能筛查分析,从而有效地减少了医生诊断的工作量,并提高了诊断的准确率。然而,现有的基于深度学习的宫颈智能筛查分析系统仅能够提供单一的分析结果或筛查图像,使得医生无法结合病理的周边图像做出正确的诊断,导致宫颈图像的分析管理过程中容易出现误诊/漏诊的现象,因此,上述问题给宫颈智能筛查分析系统的应用带来了很大的挑战。
发明内容
提供了本公开以解决现有技术中存在的上述问题。
本公开需要一种用于宫颈图像的分析管理的装置和方法、设备及计算机可读存储介质。该装置通过获取受检者的宫颈液基细胞图像、宫颈细胞免疫组化图像和宫颈组织学图像中的至少一个作为待分析图像;基于待分析图像并利用学习网络确定分析结果;呈现待分析图像的至少部分图像;基于分析结果与至少部分图像相关联地呈现中间分析界面,其中,中间分析界面呈现各个检出对象的对应图像块和属性,能够呈现分析结果和与该分析结果相关联的呈现各个检出对象的对应图像块和属性的中间分析界面,使得医生能够基于检出对象的对应图像块和属性对照着待分析的部分图像进行复核,医生复核后的诊断信息后续才用于生成分析报告。由此,减少了宫颈图像的分析管理过程中出现误诊/漏诊的可能性,提高了宫颈图像的分析管理的准确性、便利性和用户友好度,并进一步提升了医疗服务的质量。
根据本公开的第一方面,提供了一种用于宫颈图像的分析管理的装置。该装置包括至少一个处理器,该至少一个处理器配置为:获取受检者的宫颈液基细胞图像、宫颈细胞免疫组化图像和宫颈组织学图像中的至少一个作为待分析图像;基于待分析图像并利用学习网络确定分析结果;呈现待分析图像的至少部分图像;基于分析结果与至少部分图像相关联地呈现中间分析界面,其中,中间分析界面呈现各个检出对象的对应图像块和属性。
根据本公开的第二方面,提供了一种用于宫颈图像的分析管理的方法。该方法包括:由至少一个处理器,获取受检者的宫颈液基细胞图像、宫颈细胞免疫组化图像和宫颈组织学图像中的至少一个作为待分析图像;由至少一个处理器,基于待分析图像并利用学习网络确定分析结果;由至少一个处理器,呈现待分析图像的至少部分图像;由至少一个处理器,基于分析结果与至少部分图像相关联地呈现中间分析界面,其中,中间分析界面呈现各个检出对象的对应图像块和属性。
根据本公开的第三方面,提供了一种用于宫颈图像的分析管理的设备,包括存储器和处理器,其中,存储器用于存储一条或多条计算机程序指令,其中,一条或多条计算机程序指令被处理器执行以实现一种用于宫颈图像的分析管理的方法。
根据本公开的第四方面,提供了一种计算机可读存储介质,其上存储计算机程序指令,其中,计算机程序指令在被处理器执行时实现一种用于宫颈图像的分析管理的方法。
利用根据本公开各个实施例的用于宫颈图像的分析管理的装置和方法、设备及计算机可读存储介质,通过获取受检者的宫颈液基细胞图像、宫颈细胞免疫组化图像和宫颈组织学图像中的至少一个作为待分析图像;基于待分析图像并利用学习网络确定分析结果;呈现待分析图像的至少部分图像;基于分析结果与至少部分图像相关联地呈现中间分析界面,其中,中间分析界面呈现各个检出对象的对应图像块和属性,能够呈现分析结果和与该分析结果相关联的呈现各个检出对象的对应图像块和属性的中间分析界面,使得医生能够基于检出对象的对应图像块和属性做出正确的诊断,因此,减少了宫颈图像的分析管理过程中出现误诊/漏诊的可能性,提高了宫颈图像的分析管理的准确性、便利性和用户友好度,并进一步提升了医疗服务的质量。
附图说明
在不一定按比例绘制的附图中,相同的附图标记可以在不同的视图中描述相似的部件。具有字母后缀或不同字母后缀的相同附图标记可以表示相似部件的不同实例。附图大体上通过举例而不是限制的方式示出各种实施例,并且与说明书以及权利要求书一起用于对所公开的实施例进行说明。在适当的时候,在所有附图中使用相同的附图标记指代同一或相似的部分。这样的实施例是例证性的,而并非旨在作为本装置或方法的穷尽或排他实施例。
图1示出根据本公开实施例的一种用于宫颈图像的分析管理的装置的框图;
图2(a)示出根据本公开实施例的以关联方式呈现的待分析图像的至少部分图像和中间分析界面的示意图;
图2(b)示出根据本公开实施例的以画中画的方式显示的至少部分图像和预览图像的示意图;
图3示出根据本公开实施例的一种用于宫颈图像的分析管理的方法的流程图;
图4示出根据本公开实施例的另一种用于宫颈图像的分析管理的方法的流程图;
图5示出根据本公开实施例的再一种用于宫颈图像的分析管理的方法的流程图;
图6示出根据本公开实施例的又一种用于宫颈图像的分析管理的方法的流程图;以及
图7示出根据本公开实施例的一种用于宫颈图像的分析管理的设备的结构框图。
具体实施方式
为使本领域技术人员更好的理解本公开的技术方案,下面结合附图和具体实施方式对本公开作详细说明。下面结合附图和具体实施例对本公开的实施例作进一步详细描述,但不作为对本公开的限定。本文中所描述的各个步骤,如果彼此之间没有前后关系的必要性,则本文中作为示例对其进行描述的次序不应视为限制,本领域技术人员应知道可以对其进行顺序调整,只要不破坏其彼此之间的逻辑性导致整个流程无法实现即可。
此外,本领域普通技术人员应当理解,在此提供的附图都是为了说明的目的,并且附图不一定是按比例绘制的。
除非上下文明确要求,否则整个说明书和权利要求书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义;也就是说,是“包括但不限于”的含义。
在本公开的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本公开的描述中,除非另有说明,“多个”的含义是两个或两个以上。
下面将结合附图详细说明根据本公开实施例的一种用于宫颈图像的分析管理的装置和方法。
图1示出根据本公开实施例的一种用于宫颈图像的分析管理的装置的框图。如图1所示,该装置可以包括至少一个处理器102。
具体地,至少一个处理器102配置为获取受检者的宫颈液基细胞图像、宫颈细胞免疫组化图像和宫颈组织学图像中的至少一个作为待分析图像,基于待分析图像并利用学习网络确定分析结果;进一步地,至少一个处理器102呈现待分析图像的至少部分图像,并基于分析结果与至少部分图像相关联地呈现中间分析界面,其中,中间分析界面呈现各个检出对象的对应图像块和属性。这种关联方式的呈现的示例如图2(a)所示,但仅仅作为示例,本公开不限于此。医生可以在同个用户界面(画面)中,一并对照查看中间分析界面以及其所针对的待分析图像的至少部分图像,而无需开启不同的用户界面,也无需在多个不同的用户界面之间进行切换。由此,可以基于检出对象的对应图像块和属性(AI的初筛结果的呈现),并对照对应的部分图像(原始玻片图像中的细节呈现)方便地进行复核。进一步地,图2(a)的左侧可以呈现待分析图像的至少部分图像,图2(a)的右侧可以呈现单细胞、团细胞和模糊团作为检出对象,并呈现各个检出对象的对应图像块和诸如低级别、高级别和微生物等任何一种属性。医生可以根据复核结果对中间分析界面进行编辑,例如,可以选中和确认检出对象的分析为具有一些属性的一些图像块,从而予以保存,以便与其他保存的通过医生复核的检出对象的对应图像块和属性一同,进入“下一步”,例如但不限于用于生成分析报告。不管是否用于生成分析报告,在同个用户界面中与所述至少部分图像相关联地呈现中间分析界面,能够减少了医生在宫颈图像的分析管理过程中的操作难度,降低了出现误诊/漏诊的可能性,提高了宫颈图像的分析管理的准确性、便利性和用户友好度,并进一步提升了医疗服务的质量。
在一些实施例中,至少部分图像与中间分析界面的关联呈现还使得,一旦用户对至少部分图像与中间分析界面中的一方进行了编辑,且另一方会自动产生相应的变化。例如,用户可以通过编辑工具对至少部分图像进行标记,例如标记出(例如框出)用户人工识别出的检出对象的对应图像块,也可以手动录入该对应图像块的属性;如果AI的初筛结果中漏掉了该对应图像块,则会向中间分析界面中自动补入人工识别出的检出对象的对应图像块,且可以通过对该对应图像块的属性的手动录入文字进行NLP处理,以在中间分析界面中呈现补入的检出对象的对应图像块的属性。又例如,用户可以在中间分析界面中扬弃某些属性的图像块的AI初筛结果,一旦用户在至少部分图像上为对应的图像块提供了属性的人工标注,则可以将两者同时突出显示(例如高亮),以向用户提示这两者之间的关联性,从而将用户的注意力精准地吸引到这两者,以彼此对照来做出更准确的复核结果。
这里,至少一个处理器102可以是包括一个以上通用处理设备的处理设备,诸如微处理器、中央处理单元(CPU)、图形处理单元(GPU)等。更具体地,至少一个处理器102可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、运行其他指令集的处理器或运行指令集的组合的处理器。至少一个处理器102还可以是一个以上专用处理设备,诸如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、片上系统(SoC)等。进一步地,至少一个处理器102也可以呈现用户界面,以提示用户输入对学习网络的结构的设置。例如,可以在用户界面上呈现学习网络的各种结构的列表或菜单以供用户选择,用户所选择的预定结构的学习网络用于后续的分析过程。
宫颈液基细胞学检查也称宫颈液基薄层细胞检测,其采用液基薄层细胞检测系统来检测检测宫颈细胞并进行细胞学分类诊断,是目前国际上最先进的一种宫颈癌细胞学检查技术。与传统的宫颈刮片巴氏涂片检查相比,宫颈液基细胞学检查明显提高了标本的满意度及宫颈异常细胞检出率。还能发现部分癌前病变和诸如霉菌、滴虫、病毒、衣原体等的微生物感染,是应用于宫颈癌筛查的最先进的技术。
免疫组化,是应用免疫学基本原理——抗原抗体反应,即抗原与抗体特异性结合的原理,通过化学反应使标记抗体的显色剂(荧光素、酶、金属离子、同位素)显色来确定组织细胞内抗原(多肽和蛋白质),对其进行定位、定性及相对定量的研究,称为免疫组织化学技术(immunohistochemistry)或免疫细胞化学技术(immunocytochemistry)。宫颈免疫组化用于进一步确诊疾病的分级分期。
组织学是研究正常人体微细结构及其相关功能的学科,是医学科学中解剖学的一个分支,所谓的微细结构是指在显微镜下才能清晰观察的结构。组织学研究所得出的正常微细结构的图像是病理组织学的必要基础,只有对正常的微细结构有了清楚的认识,病理组织学才能探讨疾病过程中这些微细结构的异常变化。
宫颈液基细胞图像、宫颈细胞免疫组化图像和宫颈组织学图像可以是“SVS”、“ndpi”、“Kfb”、“mrxs”等格式。宫颈细胞免疫组化图像和宫颈组织学图像可以是针对同一组癌症特异性基因和/或抗原进行染色所获得的图像。这里,癌症特异性基因是指仅在癌细胞中特异性表达或显著过度表达的基因,癌症特异性抗原是指仅表达于某种癌症细胞表面而不存在于正常细胞上的新抗原。需要说明的是,宫颈液基细胞图像、宫颈细胞免疫组化图像和宫颈组织学图像可以是经由通信接口从诸如显微镜、相机等的医学成像装置实时获取的图像,也可以是从服务器获取的全视野数字病理切片图像,本公开实施例对此不作限制。
这里,通信接口可以包括网络适配器、电缆连接器、串行连接器,USB连接器、并行连接器、高速数据传输适配器(诸如光纤、USB 3.0、雷电接口等)、无线网络适配器(诸如WiFi适配器)、电信(诸如3G、4G/LTE等)适配器等。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,或者还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器,本公开实施例对此不作限制。
学习网络可以是深度学习(Deep Learning,DL)网络,并且具有多元化的分析类别。进一步地,学习网络可以包括卷积神经网络(Convolutional Neural Networks,CNN)、循环神经网络和递归神经网络(Recursive Neural Network,RNN)中的一种或其组合。卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward NeuralNetwork,FNN)。卷积神经网络具有表征学习能力,能够按其阶层结构对输入信息进行平移不变分类。卷积神经网络模型的卷积层可以包括至少一个滤波器或内核。至少一个滤波器的一个以上参数(诸如内核权重、大小、形状和结构等)可以通过例如基于反向传播的训练处理来确定。循环神经网络是一类以序列数据为输入,在序列的演进方向进行递归且所有节点(循环单元)按链式连接的递归神经网络。递归神经网络是具有树状阶层结构且网络节点按其连接顺序对输入信息进行递归的人工神经网络(Artificial Neural Network,ANN)。
进一步地,通过预先设置深度学习网络的结构为网络模型,并设置损失函数来对学习网络进行训练。这里,深度学习是机器学习(Machine Learning,ML)的一种,而机器学习是实现人工智能(Artificial Intelligence,AI)的必经路径。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。网络模型可以使用监督学习来训练。网络模型的架构可以包括不同的块和层的堆叠,各个块和层将一个以上输入转换为一个以上输出。不同层的示例可以包括一个以上卷积层或全卷积层、非线性操作符层、池化层或子采样层、全连接层和/或最终损失层。每层可以连接一个上游层和一个下游层。网络模型可以包括残差网络(Residual Network,ResNet)模型、分割网络(UNet)模型、AlexNet模型、GoogLeNet模型、视觉几何组(Visual Geometry Group,VGG)模型、金字塔场景解析网络(Pyramid Scene Parsing Network,PSPNet)模型、DeepLabV3网络模型等,本公开实施例对此不作限制。损失函数(loss function)是将随机事件或其有关随机变量的取值映射为非负实数以表示该随机事件的“风险”或“损失”的函数。
分析结果可以是学习网络的分析类别的二元化分析结果,例如,正常细胞和异常细胞,或者,阴性细胞和阳性细胞。这里,细胞的类别可以包括单细胞和团细胞,单细胞可以包括低级别鳞状上皮病变细胞、高级别鳞状上皮病变细胞、微生物细胞、化生细胞、颈管细胞和炎症细胞中的一种或多种;团细胞可以包括低级别鳞状上皮病变细胞、高级别鳞状上皮病变细胞、腺癌细胞、微生物细胞、化生细胞、颈管细胞和炎症细胞中的一种或多种。进一步地,分析结果还可以包括图像满意度、炎症细胞等级和模糊团。
在一些实施例中,中间分析界面是指基于分析结果和待分析图像的至少部分图像,将各个检出对象的对应图像块和属性呈现给用户的界面。如图2(a)所示,中间分析界面可以以列表的方式呈现各个检出对象的对应图像块附图标记和属性附图标记。通过列表方式呈现,用户可以一并获知各个检出对象的对应图像块和属性,并方便地选中或放弃AI检出的各种属性的图像块。具体说来,用户对各种属性的图像块的AI检出结果可以选择认可(选中)或者否认(放弃)。在一些实施例中,针对每个切片(或者目标区域)会呈现对应的中间分析界面。除了检出对象以外,还可以在中间分析界面中呈现切片级别的评估结果,例如“切片满意度评价”、“炎症等级”、“AI初筛意见”等等,以供用户参考,也可由用户进行人工修正。
例如,如果用户对照待分析图像的所述至少部分图像,对切片质量不满意,则可以将“切片满意度评价”的结果从“满意”修正为“不满意”,则该中间分析界面对应的AI初筛分析结果都会被抛弃,而不纳入进一步的考虑。又例如,如果AI初筛的“炎症等级”为“无”,但用户得出了不同的人工筛查结果,则可以进行相应的修正,等等。
在一些实施例中,列表的行和列分别表示各个检出对象的物理形态类型和生理级别,与各个对应图像块相关联地提供选中框,用户通过勾选选中框就可以选中对应图像块的AI检出结果,且通过取消勾选就可以否认并扬弃对应图像块的AI检出结果。
进一步地,中间分析界面可以呈现模糊团作为检出对象,该模糊团可以作为医生重点复核的区域,模糊团的数量可以作为图像质量评估的参数之一。
检出对象可以是图像中的细胞或组织。在宫颈液基细胞图像中,宫颈液基细胞的形态为圆饼状,且颜色为红蓝色;在宫颈细胞免疫组化图像中,宫颈细胞的形态为圆饼状,且颜色为稍暗的棕褐色;在宫颈组织学图像中,宫颈组织的形态为非圆饼的不规则形状因此,可以基于宫颈液基细胞图像中的宫颈液基细胞的颜色、宫颈细胞免疫组化图像中的宫颈细胞的颜色,将宫颈液基细胞图像与宫颈细胞免疫组化图像区分开。另外,可以基于宫颈液基细胞图像中的宫颈液基细胞的形态、宫颈细胞免疫组化图像中的宫颈细胞的形态和宫颈组织学图像中的宫颈组织的形态,将宫颈液基细胞图像和宫颈细胞免疫组化图像与宫颈组织学图像区分开。
根据本公开实施例的用于宫颈图像的分析管理的装置,通过获取受检者的宫颈液基细胞图像、宫颈细胞免疫组化图像和宫颈组织学图像中的至少一个作为待分析图像;基于待分析图像并利用学习网络确定分析结果;呈现待分析图像的至少部分图像;基于分析结果与至少部分图像相关联地呈现中间分析界面,其中,中间分析界面呈现各个检出对象的对应图像块和属性,能够呈现分析结果和与该分析结果相关联的呈现各个检出对象的对应图像块和属性的中间分析界面,使得医生能够基于检出对象的对应图像块和属性做出正确的诊断,因此,减少了宫颈图像的分析管理过程中出现误诊/漏诊的可能性,提高了宫颈图像的分析管理的准确性和便利性,并进一步提升了医疗服务的质量。
在一些实施例中,至少一个处理器102进一步配置为:接收用户在至少部分图像中编辑目标区域的第一操作;在接收到第一操作的情况下,呈现与目标区域对应的中间分析界面,使得中间分析界面呈现目标区域中各个检出对象的对应图像块和属性。
具体地,在接收到用户在至少部分图像中对目标区域进行编辑的第一操作的情况下,至少一个处理器102将当前所呈现的分析状态的界面跳转至与目标区域对应的中间分析界面,以将目标区域中各个检出对象的对应图像块和属性呈现给用户,从而使用户能够有针对性地对目标区域进行编辑,因此,提高了宫颈图像的分析管理的准确性,节省了宫颈图像的分析管理的时间,并进一步提升了医疗服务的质量。这里,编辑操作可以包括点击操作、添加操作、修改操作、删除操作、勾画操作、关联操作中的一种或多种。
在一些实施例中,至少一个处理器102进一步配置为:接收用户在中间分析界面中编辑各个检出对象的第二操作;在接收到第二操作的情况下,调整至少部分图像,使之呈现编辑后的各个检出对象的对应图像块和属性。
具体地,在接收到用户在中间分析界面对各个检出对象进行编辑的第二操作的情况下,至少一个处理器102对至少部分图像进行调整,使之呈现编辑后的各个检出对象的对应图像块和属性,即,使调整后的图像包含利用第二操作编辑后的所有检出对象连同周边区域。
在一些实施例中,至少一个处理器102进一步配置为:在至少部分图像中标记各个检出对象并呈现相关联的分析结果;接收用户编辑检出对象和/或相关联的分析结果的第三操作;在接收到第三操作的情况下,调整中间分析界面,使之呈现编辑后的检出对象和/或相关联的分析结果。
具体地,至少一个处理器102在至少部分图像中标记各个检出对象并呈现相关联的分析结果,在接收到用户对检出对象和/或相关联的分析结果进行编辑的第三操作的情况下,至少一个处理器102调整中间分析界面,使之呈现编辑后的检出对象和/或相关联的分析结果。
在一些实施例中,至少一个处理器102进一步配置为:呈现包含由中间分析界面呈现的所有检出对象连同周边区域的周边图像块,并将周边图像块作为至少部分图像。
在一些实施例中,该用于宫颈图像的分析管理的装置还包括:接收部104,其配置为接收用户对各个中间分析界面进行确认的第四操作;生成部106,其配置为在接收到对所有中间分析界面的第四操作的情况下,生成分析报告。
具体地,接收部104接收用户对各个中间分析界面进行确认的第四操作,在接收到对所有中间分析界面的第四操作的情况下,生成部106生成分析报告,该分析报告可以是独立报告,也可以是联合报告,本公开实施例对此不作限制。这里,独立报告可以包括基于宫颈液基细胞图像生成的分析报告、基于宫颈细胞免疫组化图像生成的分析报告和基于宫颈组织学图像生成的分析报告;联合报告可以是基于宫颈液基细胞图像、宫颈细胞免疫组化图像和宫颈组织学图像以融合方式生成的报告。
在一些实施例中,该用于宫颈图像的分析管理的装置还包括:显示部108,其配置为以画中画的方式在至少部分图像中缩小显示至少部分图像中的检出对象的预览图像。
具体地,显示部108可以以画中画的方式显示至少部分图像和至少部分图像中的检出对象的预览图像,如图2(b)所示;进一步地,在接收到用户对预览图像中的任一位置的点击操作的情况下,显示部108可以基于该位置自动定位到至少部分图像中的相应位置,使得用户可以参考该位置的周边区域的病理情况进行综合分析,从而提高了宫颈图像的分析管理的分析结果的准确性。这里,预览图像可以是诸如细胞或组织的检出对象的图像,如图2(b)中的左上角所示;至少部分图像可以是图2(b)中除预览图像之外的部分的图像。
图3示出根据本公开实施例的一种用于宫颈图像的分析管理的方法的流程图。如图3所示,该用于宫颈图像的分析管理的方法可以包括由至少一个处理器,获取受检者的宫颈液基细胞图像、宫颈细胞免疫组化图像和宫颈组织学图像中的至少一个作为待分析图像(步骤302)。该方法还可以包括由至少一个处理器,基于待分析图像并利用学习网络确定分析结果(步骤304)。该方法还可以包括由至少一个处理器,呈现待分析图像的至少部分图像(步骤306)。该方法还可以包括由至少一个处理器,基于分析结果与至少部分图像相关联地呈现中间分析界面,其中,中间分析界面呈现各个检出对象的对应图像块和属性(步骤308)。
根据本公开实施例的用于宫颈图像的分析管理的方法,通过获取受检者的宫颈液基细胞图像、宫颈细胞免疫组化图像和宫颈组织学图像中的至少一个作为待分析图像;基于待分析图像并利用学习网络确定分析结果;呈现待分析图像的至少部分图像;基于分析结果与至少部分图像相关联地呈现中间分析界面,其中,中间分析界面呈现各个检出对象的对应图像块和属性,能够呈现分析结果和与该分析结果相关联的呈现各个检出对象的对应图像块和属性的中间分析界面,使得医生能够基于检出对象的对应图像块和属性做出正确的诊断,因此,减少了宫颈图像的分析管理过程中出现误诊/漏诊的可能性,提高了宫颈图像的分析管理的准确性和便利性,并进一步提升了医疗服务的质量。
在一些实施例中,由至少一个处理器,基于分析结果与至少部分图像相关联地呈现中间分析界面,包括:由至少一个处理器,接收用户在至少部分图像中编辑目标区域的第一操作;由至少一个处理器,在接收到第一操作的情况下,呈现与目标区域对应的中间分析界面,使得中间分析界面呈现目标区域中各个检出对象的对应图像块和属性。
在一些实施例中,由至少一个处理器,基于分析结果与至少部分图像相关联地呈现中间分析界面,包括:由至少一个处理器,接收用户在中间分析界面中编辑各个检出对象的第二操作;由至少一个处理器,在接收到第二操作的情况下,调整至少部分图像,使之呈现编辑后的各个检出对象的对应图像块和属性。
在一些实施例中,由至少一个处理器,基于分析结果与至少部分图像相关联地呈现中间分析界面,包括:由至少一个处理器,在至少部分图像中标记各个检出对象并呈现相关联的分析结果;由至少一个处理器,接收用户编辑检出对象和/或相关联的分析结果的第三操作;由至少一个处理器,在接收到第三操作的情况下,调整中间分析界面,使之呈现编辑后的检出对象和/或相关联的分析结果。
在一些实施例中,编辑操作包括点击操作、添加操作、修改操作、删除操作、勾画操作、关联操作中的一种或多种。
在一些实施例中,由至少一个处理器,基于分析结果与至少部分图像相关联地呈现中间分析界面,包括:由至少一个处理器,呈现包含由中间分析界面呈现的所有检出对象连同周边区域的周边图像块,并将周边图像块作为至少部分图像。
在一些实施例中,由至少一个处理器,在接收到第二操作的情况下,调整至少部分图像,使之呈现编辑后的各个检出对象的对应图像块和属性,包括:由至少一个处理器,调整至少部分图像,使之包含利用第二操作编辑后的所有检出对象连同周边区域。
在一些实施例中,中间分析界面以列表的方式呈现各个检出对象的对应图像块和属性。
在一些实施例中,中间分析界面呈现模糊团作为检出对象。
在一些实施例中,列表的行和列分别表示各个检出对象的物理形态类型和生理级别,与各个对应图像块相关联地提供选中框。
在一些实施例中,该用于宫颈图像的分析管理的方法还包括:由至少一个处理器,接收用户对各个中间分析界面进行确认的第四操作;由至少一个处理器,在接收到对所有中间分析界面的第四操作的情况下,生成分析报告。
在一些实施例中,该用于宫颈图像的分析管理的方法还包括:以画中画的方式在至少部分图像中缩小显示至少部分图像的预览图像。
图4示出根据本公开实施例的另一种用于宫颈图像的分析管理的方法的流程图。如图4所示,该用于宫颈图像的分析管理的方法可以包括如下步骤。该方法始于由至少一个处理器,获取受检者的宫颈液基细胞图像、宫颈细胞免疫组化图像和宫颈组织学图像中的至少一个作为待分析图像(步骤402)。该方法还可以包括由至少一个处理器,基于待分析图像并利用学习网络确定分析结果(步骤404)。该方法还可以包括由至少一个处理器,呈现待分析图像的至少部分图像(步骤406)。该方法还可以包括由至少一个处理器,接收用户在至少部分图像中编辑目标区域的第一操作(步骤408)。该方法还可以包括由至少一个处理器,在接收到第一操作的情况下,呈现与目标区域对应的中间分析界面,使得中间分析界面呈现目标区域中各个检出对象的对应图像块和属性(步骤410)。该方法还可以包括接收用户对各个中间分析界面进行确认的第四操作(步骤412)。该方法还可以包括在接收到对所有中间分析界面的第四操作的情况下,生成分析报告(步骤414)。
根据本公开实施例的用于宫颈图像的分析管理的方法,通过获取受检者的宫颈液基细胞图像、宫颈细胞免疫组化图像和宫颈组织学图像中的至少一个作为待分析图像;基于待分析图像并利用学习网络确定分析结果,呈现待分析图像的至少部分图像;接收用户在至少部分图像中编辑目标区域的第一操作;在接收到第一操作的情况下,呈现与目标区域对应的中间分析界面,使得中间分析界面呈现目标区域中各个检出对象的对应图像块和属性;接收用户对各个中间分析界面进行确认的第四操作;在接收到对所有中间分析界面的第四操作的情况下生成分析报告;以画中画的方式在至少部分图像中缩小显示至少部分图像的预览图像,能够呈现分析结果和与该分析结果相关联的呈现各个检出对象的对应图像块和属性的中间分析界面,使得医生能够基于检出对象的对应图像块和属性做出正确的诊断,因此,减少了宫颈图像的分析管理过程中出现误诊/漏诊的可能性,提高了宫颈图像的分析管理的准确性和便利性,并进一步提升了医疗服务的质量。
图5示出根据本公开实施例的再一种用于宫颈图像的分析管理的方法的流程图。如图5所示,该用于宫颈图像的分析管理的方法可以包括如下步骤。该方法始于由至少一个处理器,获取受检者的宫颈液基细胞图像、宫颈细胞免疫组化图像和宫颈组织学图像中的至少一个作为待分析图像(步骤502)。该方法还可以包括由至少一个处理器,基于待分析图像并利用学习网络确定分析结果(步骤504)。该方法还可以包括由至少一个处理器,呈现待分析图像的至少部分图像(步骤506)。该方法还可以包括由至少一个处理器,接收用户在中间分析界面中编辑各个检出对象的第二操作(步骤508)。该方法还可以包括由至少一个处理器,在接收到第二操作的情况下,调整至少部分图像,使之呈现编辑后的各个检出对象的对应图像块和属性(步骤510)。该方法还可以包括接收用户对各个中间分析界面进行确认的第四操作(步骤512)。该方法还可以包括在接收到对所有中间分析界面的第四操作的情况下,生成分析报告(步骤514)。
根据本公开实施例的用于宫颈图像的分析管理的方法,通过获取受检者的宫颈液基细胞图像、宫颈细胞免疫组化图像和宫颈组织学图像中的至少一个作为待分析图像;基于待分析图像并利用学习网络确定分析结果;呈现待分析图像的至少部分图像;接收用户在中间分析界面中编辑各个检出对象的第二操作;在接收到第二操作的情况下,调整至少部分图像,使之呈现编辑后的各个检出对象的对应图像块和属性;接收用户对各个中间分析界面进行确认的第四操作;在接收到对所有中间分析界面的第四操作的情况下生成分析报告;以画中画的方式在至少部分图像中缩小显示至少部分图像的预览图像,能够呈现分析结果和与该分析结果相关联的呈现各个检出对象的对应图像块和属性的中间分析界面,使得医生能够基于检出对象的对应图像块和属性做出正确的诊断,因此,减少了宫颈图像的分析管理过程中出现误诊/漏诊的可能性,提高了宫颈图像的分析管理的准确性和便利性,并进一步提升了医疗服务的质量。
图6示出根据本公开实施例的又一种用于宫颈图像的分析管理的方法的流程图。如图6所示,该用于宫颈图像的分析管理的方法可以包括如下步骤。该方法始于由至少一个处理器,获取受检者的宫颈液基细胞图像、宫颈细胞免疫组化图像和宫颈组织学图像中的至少一个作为待分析图像(步骤602)。该方法还可以包括由至少一个处理器,基于待分析图像并利用学习网络确定分析结果(步骤604)。该方法还可以包括由至少一个处理器,呈现待分析图像的至少部分图像(步骤606)。该方法还可以包括由至少一个处理器,在至少部分图像中标记各个检出对象并呈现相关联的分析结果(步骤608)。该方法还可以包括由至少一个处理器,接收用户编辑检出对象和/或相关联的分析结果的第三操作(步骤610)。该方法还可以包括由至少一个处理器,在接收到第三操作的情况下,调整中间分析界面,使之呈现编辑后的检出对象和/或相关联的分析结果(步骤612)。该方法还可以包括接收用户对各个中间分析界面进行确认的第四操作(步骤614)。该方法还可以包括在接收到对所有中间分析界面的第四操作的情况下,生成分析报告(步骤616)。
根据本公开实施例的用于宫颈图像的分析管理的方法,通过获取受检者的宫颈液基细胞图像、宫颈细胞免疫组化图像和宫颈组织学图像中的至少一个作为待分析图像;基于待分析图像并利用学习网络确定分析结果;呈现待分析图像的至少部分图像;在至少部分图像中标记各个检出对象并呈现相关联的分析结果,接收用户编辑检出对象和/或相关联的分析结果的第三操作;在接收到第三操作的情况下,调整中间分析界面,使之呈现编辑后的检出对象和/或相关联的分析结果;接收用户对各个中间分析界面进行确认的第四操作;在接收到对所有中间分析界面的第四操作的情况下生成分析报告;以画中画的方式在至少部分图像中缩小显示至少部分图像的预览图像,能够呈现分析结果和与该分析结果相关联的呈现各个检出对象的对应图像块和属性的中间分析界面,使得医生能够基于检出对象的对应图像块和属性做出正确的诊断,因此,减少了宫颈图像的分析管理过程中出现误诊/漏诊的可能性,提高了宫颈图像的分析管理的准确性和便利性,并进一步提升了医疗服务的质量。
图7示出根据本公开实施例的一种用于宫颈图像的分析管理的设备的结构框图。如图7所示,该用于宫颈图像的分析管理的设备为通用数据处理装置,包括通用的计算机硬件结构,该用于宫颈图像的分析管理的设备至少包括处理器702和存储器704。处理器702和存储器704通过总线706连接。存储器704适于存储处理器702可执行的指令或程序。处理器702可以是独立的微处理器,也可以是一个或者多个微处理器集合。由此,处理器702通过执行存储器704所存储的命令,从而执行如上所述的本公开实施例的方法流程实现对于数据的处理和对于其他装置的控制。总线706将上述多个组件连接在一起,同时将上述组件连接到显示控制器708和显示装置以及输入/输出(I/O)装置710。输入/输出(I/O)装置710可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地,输入/输出(I/O)装置710通过输入/输出(I/O)控制器712与系统相连。
其中,存储器704可以存储软件组件,例如,操作系统、通信模块、交互模块和应用程序。上述的每个模块和应用程序都对应于完成一个或多个功能和在发明实施例中描述的方法的一组可执行程序指令。
在一些实施例中,用于宫颈图像的分析管理的设备可以处于某处,散布于多处,也可以是分布式的设备,例如设置于云端,本公开实施例对此不作限制。相应地,用于呈现宫颈图像的分析管理结果的显示器可以处于用于宫颈图像的分析管理的设备的本地或者远程,在此不作限制。
上述根据本公开实施例的方法、系统和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应理解,流程图和/或框图的每个块以及流程图图例和/或框图中的块的组合可以由计算机程序指令来实现。这些计算机程序指令可以被提供至通用计算机、专用计算机或其它可编程数据处理设备的处理器,以产生机器,使得(经由计算机或其它可编程数据处理设备的处理器执行的)指令创建用于实现流程图和/或框图块或块中指定的功能/动作的装置。
同时,如本领域技术人员将意识到的,本公开实施例的各个方面可以被实现为系统、方法或计算机程序产品。因此,本公开实施例的各个方面可以采取如下形式:完全硬件实施方式、完全软件实施方式(包括固件、常驻软件、微代码等)或者在本文中通常可以都称为“电路”、“模块”或“系统”的将软件方面与硬件方面相结合的实施方式。此外,本公开的方面可以采取如下形式:在一个或多个计算机可读介质中实现的计算机程序产品,计算机可读介质具有在其上实现的计算机可读程序代码。
可以利用一个或多个计算机可读介质的任意组合。计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。计算机可读存储介质可以是如(但不限于)电子的、磁的、光学的、电磁的、红外的或半导体系统、设备或装置,或者前述的任意适当的组合。计算机可读存储介质的更具体的示例(非穷尽列举)将包括以下各项:具有一根或多根电线的电气连接、便携式计算机软盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪速存储器)、光纤、便携式光盘只读存储器(CD-ROM)、光存储装置、磁存储装置或前述的任意适当的组合。在本公开实施例的上下文中,计算机可读存储介质可以为能够包含或存储由指令执行系统、设备或装置使用的程序或结合指令执行系统、设备或装置使用的程序的任意有形介质。
计算机可读信号介质可以包括传播的数据信号,该传播的数据信号具有在其中如在基带中或作为载波的一部分实现的计算机可读程序代码。这样的传播的信号可以采用多种形式中的任何形式,包括但不限于:电磁的、光学的或其任何适当的组合。计算机可读信号介质可以是以下任意计算机可读介质:不是计算机可读存储介质,并且可以对由指令执行系统、设备或装置使用的或结合指令执行系统、设备或装置使用的程序进行通信、传播或传输。
可以使用包括但不限于无线、有线、光纤电缆、RF等或前述的任意适当组合的任意合适的介质来传送实现在计算机可读介质上的程序代码。
用于执行针对本公开各方面的操作的计算机程序代码可以以一种或多种编程语言的任意组合来编写,编程语言包括:面向对象的编程语言如Java、Smalltalk、C++、PHP、Python等;以及常规过程编程语言如“C”编程语言或类似的编程语言。程序代码可以作为独立软件包完全地在用户计算机上、部分地在用户计算机上执行;部分地在用户计算机上且部分地在远程计算机上执行;或者完全地在远程计算机或服务器上执行。在后一种情况下,可以将远程计算机通过包括局域网(LAN)或广域网(WAN)的任意类型的网络连接至用户计算机,或者可以与外部计算机进行连接(例如通过使用因特网服务供应商的因特网)。
还可以将这些计算机程序指令存储在可以指导计算机、其它可编程数据处理设备或其它装置以特定方式运行的计算机可读介质中,使得在计算机可读介质中存储的指令产生包括实现在流程图和/或框图块或块中指定的功能/动作的指令的制品。
计算机程序指令还可以被加载至计算机、其它可编程数据处理设备或其它装置上,以使在计算机、其它可编程设备或其它装置上执行一系列可操作步骤来产生计算机实现的过程,使得在计算机或其它可编程设备上执行的指令提供用于实现在流程图和/或框图块或块中指定的功能/动作的过程。
此外,尽管已经在本文中描述了示例性实施例,其范围包括任何和所有基于本公开的具有等同元件、修改、省略、组合(例如,各种实施例交叉的方案)、改编或改变的实施例。权利要求书中的元件将被基于权利要求中采用的语言宽泛地解释,并不限于在本说明书中或本申请的实施期间所描述的示例,其示例将被解释为非排他性的。因此,本说明书和示例旨在仅被认为是示例,真正的范围和精神由以下权利要求以及其等同物的全部范围所指示。
以上描述旨在是说明性的而不是限制性的。例如,上述示例(或其一个或更多方案)可以彼此组合使用。例如本领域普通技术人员在阅读上述描述时可以使用其它实施例。另外,在上述具体实施方式中,各种特征可以被分组在一起以简单化本公开。这不应解释为一种不要求保护的公开的特征对于任一权利要求是必要的意图。相反,本发明的主题可以少于特定的公开的实施例的全部特征。从而,以下权利要求书作为示例或实施例在此并入具体实施方式中,其中每个权利要求独立地作为单独的实施例,并且考虑这些实施例可以以各种组合或排列彼此组合。本发明的范围应参照所附权利要求以及这些权利要求赋权的等同形式的全部范围来确定。
Claims (22)
1.一种用于宫颈图像的分析管理的装置,其特征在于,所述装置包括至少一个处理器,所述至少一个处理器配置为:
获取受检者的宫颈液基细胞图像、宫颈细胞免疫组化图像和宫颈组织学图像中的至少一个作为待分析图像;
基于所述待分析图像并利用学习网络确定分析结果;
呈现所述待分析图像的至少部分图像;
基于所述分析结果在同个画面中与所述至少部分图像相关联地分开呈现中间分析界面以供用户根据复核结果进行编辑,其中,所述中间分析界面在表格中呈现多个检出对象的对应图像块和属性,所述表格的行和列分别表示各个检出对象的生理级别和物理形态类型作为所述属性,所述物理形态类型包括模糊团;
在所述至少部分图像与所述中间分析界面中的一方被编辑的情况下,使得另一方产生相应的变化;以及
利用用户复核后的分析结果生成分析报告。
2.根据权利要求1所述的装置,其特征在于,所述至少一个处理器进一步配置为:
接收用户在所述至少部分图像中编辑目标区域的第一操作;
在接收到所述第一操作的情况下,呈现与所述目标区域对应的中间分析界面,使得所述中间分析界面呈现所述目标区域中各个检出对象的对应图像块和属性。
3.根据权利要求1所述的装置,其特征在于,所述至少一个处理器进一步配置为:
接收用户在所述中间分析界面中编辑各个检出对象的第二操作;
在接收到所述第二操作的情况下,调整所述至少部分图像,使之呈现编辑后的各个检出对象的对应图像块和属性。
4.根据权利要求1所述的装置,其特征在于,所述至少一个处理器进一步配置为:
在所述至少部分图像中标记各个检出对象并呈现相关联的分析结果;
接收用户编辑检出对象和/或相关联的分析结果的第三操作;
在接收到所述第三操作的情况下,调整所述中间分析界面,使之呈现编辑后的检出对象和/或相关联的分析结果。
5.根据权利要求2至4中任一项所述的装置,其特征在于,所述编辑操作包括点击操作、添加操作、修改操作、删除操作、勾画操作、关联操作中的一种或多种。
6.根据权利要求1所述的装置,其特征在于,所述至少一个处理器进一步配置为:
呈现包含由所述中间分析界面呈现的所有检出对象连同周边区域的周边图像块,并将所述周边图像块作为所述至少部分图像。
7.根据权利要求3所述的装置,其特征在于,所述至少一个处理器进一步配置为:
调整所述至少部分图像,使之包含利用所述第二操作编辑后的所有检出对象连同周边区域。
8.根据权利要求1所述的装置,其特征在于,与各个对应图像块相关联地提供选中框。
9.根据权利要求1至4中任一项所述的装置,其特征在于,所述装置还包括:
接收部,其配置为接收用户对各个中间分析界面进行确认的第四操作;
生成部,其配置为在接收到对所有中间分析界面的第四操作的情况下,生成分析报告。
10.根据权利要求1至4中任一项所述的装置,其特征在于,所述装置还包括:
显示部,其配置为以画中画的方式在所述至少部分图像中缩小显示所述至少部分图像中的检出对象的预览图像。
11.一种用于宫颈图像的分析管理的方法,其特征在于,所述方法包括:
由至少一个处理器,获取受检者的宫颈液基细胞图像、宫颈细胞免疫组化图像和宫颈组织学图像中的至少一个作为待分析图像;
由所述至少一个处理器,基于所述待分析图像并利用学习网络确定分析结果;
由所述至少一个处理器,呈现所述待分析图像的至少部分图像;
由所述至少一个处理器,基于所述分析结果在同个画面中与所述至少部分图像相关联地分开呈现中间分析界面以供用户根据复核结果进行编辑,其中,所述中间分析界面在表格中呈现多个检出对象的对应图像块和属性,所述表格的行和列分别表示各个检出对象的生理级别和物理形态类型作为所述属性,所述物理形态类型包括模糊团;
在所述至少部分图像与所述中间分析界面中的一方被编辑的情况下,使得另一方产生相应的变化;以及
利用用户复核后的分析结果生成分析报告。
12.根据权利要求11所述的方法,其特征在于,所述由所述至少一个处理器,基于所述分析结果与所述至少部分图像相关联地呈现中间分析界面,包括:
由所述至少一个处理器,接收用户在所述至少部分图像中编辑目标区域的第一操作;
由所述至少一个处理器,在接收到所述第一操作的情况下,呈现与所述目标区域对应的中间分析界面,使得所述中间分析界面呈现所述目标区域中各个检出对象的对应图像块和属性。
13.根据权利要求11所述的方法,其特征在于,所述由所述至少一个处理器,基于所述分析结果与所述至少部分图像相关联地呈现中间分析界面,包括:
由所述至少一个处理器,接收用户在所述中间分析界面中编辑各个检出对象的第二操作;
由所述至少一个处理器,在接收到所述第二操作的情况下,调整所述至少部分图像,使之呈现编辑后的各个检出对象的对应图像块和属性。
14.根据权利要求11所述的方法,其特征在于,所述由所述至少一个处理器,基于所述分析结果与所述至少部分图像相关联地呈现中间分析界面,包括:
由所述至少一个处理器,在所述至少部分图像中标记各个检出对象并呈现相关联的分析结果;
由所述至少一个处理器,接收用户编辑检出对象和/或相关联的分析结果的第三操作;
由所述至少一个处理器,在接收到所述第三操作的情况下,调整所述中间分析界面,使之呈现编辑后的检出对象和/或相关联的分析结果。
15.根据权利要求12至14中任一项所述的方法,其特征在于,所述编辑操作包括点击操作、添加操作、修改操作、删除操作、勾画操作、关联操作中的一种或多种。
16.根据权利要求11所述的方法,其特征在于,所述由所述至少一个处理器,基于所述分析结果与所述至少部分图像相关联地呈现中间分析界面,包括:
由所述至少一个处理器,呈现包含由所述中间分析界面呈现的所有检出对象连同周边区域的周边图像块,并将所述周边图像块作为所述至少部分图像。
17.根据权利要求13所述的方法,其特征在于,所述由所述至少一个处理器,在接收到所述第二操作的情况下,调整所述至少部分图像,使之呈现编辑后的各个检出对象的对应图像块和属性,包括:
由所述至少一个处理器,调整所述至少部分图像,使之包含利用所述第二操作编辑后的所有检出对象连同周边区域。
18.根据权利要求11所述的方法,其特征在于,与各个对应图像块相关联地提供选中框。
19.根据权利要求11至14中任一项所述的方法,其特征在于,所述方法还包括:
接收用户对各个中间分析界面进行确认的第四操作;
在接收到对所有中间分析界面的第四操作的情况下,生成分析报告。
20.根据权利要求11至14中任一项所述的方法,其特征在于,所述方法还包括:
以画中画的方式在所述至少部分图像中缩小显示所述至少部分图像中的检出对象的预览图像。
21.一种用于宫颈图像的分析管理的设备,包括存储器和处理器,其特征在于,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求11至20中任一项所述的用于宫颈图像的分析管理的方法所执行的操作。
22.一种计算机存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现如权利要求11至20中任一项所述的用于宫颈图像的分析管理的方法所执行的操作。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110754716.0A CN113256628B (zh) | 2021-07-05 | 2021-07-05 | 用于宫颈图像的分析管理的装置和方法、设备及存储介质 |
CN202111197630.9A CN113920095A (zh) | 2021-07-05 | 2021-07-05 | 用于宫颈图像的分析管理的装置和方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110754716.0A CN113256628B (zh) | 2021-07-05 | 2021-07-05 | 用于宫颈图像的分析管理的装置和方法、设备及存储介质 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111197630.9A Division CN113920095A (zh) | 2021-07-05 | 2021-07-05 | 用于宫颈图像的分析管理的装置和方法、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113256628A CN113256628A (zh) | 2021-08-13 |
CN113256628B true CN113256628B (zh) | 2021-10-26 |
Family
ID=77190606
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111197630.9A Pending CN113920095A (zh) | 2021-07-05 | 2021-07-05 | 用于宫颈图像的分析管理的装置和方法、设备及存储介质 |
CN202110754716.0A Active CN113256628B (zh) | 2021-07-05 | 2021-07-05 | 用于宫颈图像的分析管理的装置和方法、设备及存储介质 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111197630.9A Pending CN113920095A (zh) | 2021-07-05 | 2021-07-05 | 用于宫颈图像的分析管理的装置和方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN113920095A (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114171167B (zh) * | 2022-02-11 | 2022-06-03 | 广州安必平医药科技股份有限公司 | 图像显示方法、装置、终端及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101203170A (zh) * | 2005-06-02 | 2008-06-18 | 美的派特恩公司 | 计算机辅助检测系统和方法 |
CN102682305A (zh) * | 2012-04-25 | 2012-09-19 | 深圳市迈科龙医疗设备有限公司 | 宫颈液基细胞学自动筛查方法和系统 |
CN112813162A (zh) * | 2021-01-05 | 2021-05-18 | 中山大学附属第五医院 | 基于ddx19a促进宫颈鳞状细胞癌转移的应用 |
CN112861916A (zh) * | 2021-01-13 | 2021-05-28 | 武汉希诺智能医学有限公司 | 一种浸润性宫颈癌病理图像分类方法和系统 |
CN112991360A (zh) * | 2021-03-01 | 2021-06-18 | 北京邮电大学 | 一种宫颈癌前病理组织学分割优化方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8989458B2 (en) * | 2007-10-17 | 2015-03-24 | Kabushiki Kaisha Toshiba | Image diagnosis support system and image diagnosis support method |
CN101396283A (zh) * | 2008-10-07 | 2009-04-01 | 深圳市蓝韵实业有限公司 | 一种超声影像辅助诊断系统 |
JP5486364B2 (ja) * | 2009-09-17 | 2014-05-07 | 富士フイルム株式会社 | 読影レポート作成装置および方法並びにプログラム |
JP4931027B2 (ja) * | 2010-03-29 | 2012-05-16 | 富士フイルム株式会社 | 医用画像診断支援装置および方法、並びにプログラム |
AU2011202211A1 (en) * | 2011-05-12 | 2012-11-29 | Jonathan Chernilo | User interface for medical diagnosis |
CN103558404A (zh) * | 2013-11-08 | 2014-02-05 | 麦克奥迪(厦门)医疗诊断系统有限公司 | 一种基于数字切片的细胞dna自动检测和复核方法 |
US11379958B2 (en) * | 2016-09-02 | 2022-07-05 | Casio Computer Co., Ltd. | Diagnosis assisting device, and image processing method in diagnosis assisting device |
CN108416379A (zh) * | 2018-03-01 | 2018-08-17 | 北京羽医甘蓝信息技术有限公司 | 用于处理宫颈细胞图像的方法和装置 |
CN109978826A (zh) * | 2019-02-20 | 2019-07-05 | 程俊美 | 一种宫颈癌细胞病理学排阴法智能筛查系统及方法 |
CN110163928B (zh) * | 2019-05-22 | 2021-07-09 | 数坤(北京)网络科技股份有限公司 | 基于血管分段与病灶的影像联动方法、装置及存储设备 |
CN112380900A (zh) * | 2020-10-10 | 2021-02-19 | 深圳视见医疗科技有限公司 | 基于深度学习的子宫颈液基细胞数字图像分类方法及系统 |
CN112817755B (zh) * | 2021-01-22 | 2023-12-19 | 西安交通大学 | 基于目标追踪加速的边云协同深度学习目标检测方法 |
-
2021
- 2021-07-05 CN CN202111197630.9A patent/CN113920095A/zh active Pending
- 2021-07-05 CN CN202110754716.0A patent/CN113256628B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101203170A (zh) * | 2005-06-02 | 2008-06-18 | 美的派特恩公司 | 计算机辅助检测系统和方法 |
CN102682305A (zh) * | 2012-04-25 | 2012-09-19 | 深圳市迈科龙医疗设备有限公司 | 宫颈液基细胞学自动筛查方法和系统 |
CN112813162A (zh) * | 2021-01-05 | 2021-05-18 | 中山大学附属第五医院 | 基于ddx19a促进宫颈鳞状细胞癌转移的应用 |
CN112861916A (zh) * | 2021-01-13 | 2021-05-28 | 武汉希诺智能医学有限公司 | 一种浸润性宫颈癌病理图像分类方法和系统 |
CN112991360A (zh) * | 2021-03-01 | 2021-06-18 | 北京邮电大学 | 一种宫颈癌前病理组织学分割优化方法 |
Non-Patent Citations (1)
Title |
---|
基于YOLO网络的宫颈异常细胞检测与识别方法研究;尹莞婷;《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑》;20210315(第03期);第E068-57页,正文第52、75页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113256628A (zh) | 2021-08-13 |
CN113920095A (zh) | 2022-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rawat et al. | Deep learned tissue “fingerprints” classify breast cancers by ER/PR/Her2 status from H&E images | |
Khened et al. | A generalized deep learning framework for whole-slide image segmentation and analysis | |
Awan et al. | Glandular morphometrics for objective grading of colorectal adenocarcinoma histology images | |
US11682192B2 (en) | Deep-learning systems and methods for joint cell and region classification in biological images | |
Sheikhzadeh et al. | Automatic labeling of molecular biomarkers of immunohistochemistry images using fully convolutional networks | |
Aubreville et al. | Deep learning algorithms out-perform veterinary pathologists in detecting the mitotically most active tumor region | |
US11232354B2 (en) | Histopathological image analysis | |
Sunny et al. | A smart tele-cytology point-of-care platform for oral cancer screening | |
CN109791693B (zh) | 用于提供可视化全切片图像分析的数字病理学系统及相关工作流程 | |
US20200388033A1 (en) | System and method for automatic labeling of pathology images | |
CN111488921B (zh) | 一种全景数字病理图像智能分析系统及方法 | |
Shi et al. | Automated Ki-67 quantification of immunohistochemical staining image of human nasopharyngeal carcinoma xenografts | |
WO2020243193A1 (en) | Systems and methods for processing images to prepare slides for processed images for digital pathology | |
Negahbani et al. | PathoNet introduced as a deep neural network backend for evaluation of Ki-67 and tumor-infiltrating lymphocytes in breast cancer | |
JP2018502279A (ja) | 組織学画像中の核の分類 | |
US20220351860A1 (en) | Federated learning system for training machine learning algorithms and maintaining patient privacy | |
Lejeune et al. | Quantification of diverse subcellular immunohistochemical markers with clinicobiological relevancies: validation of a new computer‐assisted image analysis procedure | |
Govind et al. | Improving the accuracy of gastrointestinal neuroendocrine tumor grading with deep learning | |
Han et al. | Histologic tissue components provide major cues for machine learning-based prostate cancer detection and grading on prostatectomy specimens | |
Stenman et al. | Antibody supervised training of a deep learning based algorithm for leukocyte segmentation in papillary thyroid carcinoma | |
Joseph et al. | Proliferation Tumour Marker Network (PTM-NET) for the identification of tumour region in Ki67 stained breast cancer whole slide images | |
Lanng et al. | Quality assessment of Ki67 staining using cell line proliferation index and stain intensity features | |
Priego-Torres et al. | Deep learning-based instance segmentation for the precise automated quantification of digital breast cancer immunohistochemistry images | |
CN113256628B (zh) | 用于宫颈图像的分析管理的装置和方法、设备及存储介质 | |
Beleon et al. | CometAnalyser: A user-friendly, open-source deep-learning microscopy tool for quantitative comet assay analysis |
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 |