CN113378820B - 数字病理切片目标区域的识别方法及系统 - Google Patents
数字病理切片目标区域的识别方法及系统 Download PDFInfo
- Publication number
- CN113378820B CN113378820B CN202110752190.2A CN202110752190A CN113378820B CN 113378820 B CN113378820 B CN 113378820B CN 202110752190 A CN202110752190 A CN 202110752190A CN 113378820 B CN113378820 B CN 113378820B
- Authority
- CN
- China
- Prior art keywords
- image
- determining
- target area
- value
- registration
- 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
- 238000000034 method Methods 0.000 title claims abstract description 71
- 230000001575 pathological effect Effects 0.000 title claims abstract description 56
- 238000002156 mixing Methods 0.000 claims abstract description 42
- 238000004364 calculation method Methods 0.000 claims description 30
- 238000010186 staining Methods 0.000 claims description 18
- 239000000203 mixture Substances 0.000 claims description 14
- 238000004043 dyeing Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 201000010099 disease Diseases 0.000 claims description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 8
- 230000000739 chaotic effect Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 229910002056 binary alloy Inorganic materials 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明提供了一种数字病理切片目标区域的识别方法和系统，包括：获取数字病理切片的扫描图像；将所述扫描图像导入预设的标准域进行处理，并通过相关法处理，确定第一目标区域；将所述扫描图像通过图像特征进行处理，并通过特征对比，确定第二目标区域；将所述扫描图像的图像混合特征通过区域和特征混合，确定第三目标区域；判断所述第一目标区域、第二目标区域和第三目标区域是否相同，并在相同时，确定扫描图像的目标区域。
Description
技术领域
本发明涉及病理切片处理识别技术领域，特别涉及一种数字病理切片目标区域的识别方法及系统。
背景技术
目前，病理诊断是指通过显微镜观察病理切片，从而诊断疾病。数字病理，是指通过数字病理切片扫描仪扫描采集得到高分辨数字图像，进行高精度多视野无缝隙拼接和处理，得到高分辨率的数字病理切片。
然而，现有技术中描数字病理切片虽然扫描方法上有所改进，但是对于病理切片上目标区域进行识别的时候，识别方法大多是采用单一的特征识别的方式去判断出目标区域的所在地，这就导致了目标区域识别的时候存在精确度不够的问题，而病理切片又和人的身体健康相关，所以现有的方法对于目标区域的识别，存在一定的瑕疵。
发明内容
本发明提供一种数字病理切片目标区域的识别方法及系统，用以解决现有病理图片目标区域识别存在瑕疵的情况。
一种数字病理切片目标区域的识别方法，包括：
获取数字病理切片的扫描图像；
将所述扫描图像导入预设的标准域进行处理，并通过相关法处理，确定第一目标区域；
将所述扫描图像通过图像特征进行处理，并通过特征对比，确定第二目标区域；
将所述扫描图像的图像混合特征通过区域和特征混合，确定第三目标区域；
判断所述第一目标区域、第二目标区域和第三目标区域是否相同，并在相同时，确定扫描图像的目标区域。
优选的，所述将所述扫描图像导入预设的标准域进行处理，并通过相关法处理，确定第一目标区域，包括：
将所述扫描图像导入空间域进行处理，确定像素点灰度信息，确定空间重叠区域；
将所述扫描图像导入频域进行处理，确定波形信息，确定波形重叠区域；
分别计算所述空间重叠区域的第一联合熵和所述波形重叠区域的第二联合熵；
根据所述第一联合熵和第二联合熵，将所述扫描图像域预设的模板图像进行配准，确定配准重合区域，并将配准重合区域作为第一目标识别区域。
优选的，所述将所述扫描图像通过图像特征进行处理，并通过特征对比，确定第二目标区域，包括：
提取所述扫描图像的图像特征；其中，
所述图像特征包括点特征、线特征和二进制特征；
基于所述点特征，确定扫描图像的角点、拐点和交叉点；
基于所述线特征，确定扫描图像的直线、边缘和轮廓；
基于所述二进制特征，确定所述扫描图像的计算特征；
将所述扫描图像与预设的模板图像进行点特征配准，确定点配准值；
将所述扫描图像与预设的模板图像进行线特征配准，确定线配准值；
将所述扫描图像与预设的模板图像进行计算特征配准，确定计算配准值；
判断所述点配准值、线配准值、计算配准值是否相同，并在所述点配准值、线配准值、计算配准值时，确定配准区域为第二目标区域。
优选的，所述将所述扫描图像的图像混合特征通过区域和特征混合，确定第三目标区域，包括：
将所述扫描图像带入奇异值分解法进行处理，确定图像奇异值；
通过OCR识别方法对所述扫描图像进行识别，得到识别结果；
选取待扫描病理切片，根据所述待扫描病理切片的切片信息确定染色模式，根据所述染色模式确定数字病理切片扫描仪的目标扫描参数，并确定染色结果；
根据所述奇异值、识别结果和染色结果，将所述扫描图像和预设的模板图像在尺度空间内进行区域混合和特征混合，分别计算区域值和混合值；
在所述区域值和混合值相同时，确定所述区域之间相同的区域作为第三目标区域。
优选的，所述方法还包括：
步骤1：基于扫描图像，计算扫描图像的特征函数；
其中，B(i)表示第i个像素点的特征函数；μi表示第i个像素点的颜色特征；ρi表示第i个像素点的位置特征；si表示第i个像素点的的混合高斯模型的期望值；Q表示扫描图像中像素点的混合高斯模型的平均期望值；i＝1，2，3……n；n表示像素点的总数量；
步骤2：根据历史病理扫描图像，确定标注数据，构建病种标注的线性模型：
其中，Li表示第i个像素点的同类像素点在坐标轴上的线性轮廓特征；bi表示第i个像素点的标注线特征；
步骤3：根据扫描图像的划分规则，构建扫描图像切片划分模型：
其中，qi表示第i个像素点的区域划分特征；yi表示第i个像素点的颜色深度特征；
步骤4：根据所述线性模型和扫描图像切片划分模型，通过下式确定目标区域标注和扫描图像的对应关系的相关关系值：
其中，G表示目标区域标注和扫描图像的对应关系的相关关系值；
步骤5：根据所述相关关系值和扫描图像特征函数，构建目标区域识别模型：
其中，Y的值对应有唯一的目标区域。
一种数字病理切片目标区域的识别系统，包括：
获取模块：获取数字病理切片的扫描图像；
第一目标区域识别模块：将所述扫描图像导入预设的标准域进行处理，并通过相关法处理，确定第一目标区域；
第二目标区域识别模块：将所述扫描图像通过图像特征进行处理，并通过特征对比，确定第二目标区域；
第三目标区域识别模块：将所述扫描图像的图像混合特征通过区域和特征混合，确定第三目标区域；
目标区域判定模块：判断所述第一目标区域、第二目标区域和第三目标区域是否相同，并在相同时，确定扫描图像的目标区域。
优选的，所述第一目标区域识别模块包括：
空间重叠判定单元：用于将所述扫描图像导入空间域进行处理，确定像素点灰度信息，确定空间重叠区域；
波形重叠判定单元：用于将所述扫描图像导入频域进行处理，确定波形信息，确定波形重叠区域；
熵值计算单元：用于分别计算所述空间重叠区域的第一联合熵和所述波形重叠区域的第二联合熵；
第一配准识别单元：用于根据所述第一联合熵和第二联合熵，将所述扫描图像域预设的模板图像进行配准，确定配准重合区域，并将配准重合区域作为第一目标识别区域。
优选的，所述第二目标区域识别模块包括：
特征提取单元：用于提取所述扫描图像的图像特征；其中，
所述图像特征包括点特征、线特征和二进制特征；
点特征确定单元：用于基于所述点特征，确定扫描图像的角点、拐点和交叉点；
线特征确定单元：用于基于所述线特征，确定扫描图像的直线、边缘和轮廓；
二进制特征确定单元：用于基于所述二进制特征，确定所述扫描图像的计算特征；
点配准单元：用于将所述扫描图像与预设的模板图像进行点特征配准，确定点配准值；
线配准单元：用于将所述扫描图像与预设的模板图像进行线特征配准，确定线配准值；
配准计算单元：用于将所述扫描图像与预设的模板图像进行计算特征配准，确定计算配准值；
第二配准识别单元：用于判断所述点配准值、线配准值、计算配准值是否相同，并在所述点配准值、线配准值、计算配准值时，确定配准区域为第二目标区域。
优选的，所述第三目标区域识别模块包括：
奇异值计算单元：用于将所述扫描图像带入奇异值分解法进行处理，确定图像奇异值；
识别单元：用于通过OCR识别方法对所述扫描图像进行识别，得到识别结果；
染色单元：用于选取待扫描病理切片，根据所述待扫描病理切片的切片信息确定染色模式，根据所述染色模式确定数字病理切片扫描仪的目标扫描参数，并确定染色结果；
混合计算单元：用于根据所述奇异值、识别结果和染色结果，将所述扫描图像和预设的模板图像在尺度空间内进行区域混合和特征混合，分别计算区域值和混合值；
第三配准识别单元：在所述区域值和混合值相同时，确定所述区域之间相同的区域作为第三目标区域。
优选的，所述方法还包括：
特征函数构建单元：基于扫描图像，计算扫描图像的特征函数；
其中，B(i)表示第i个像素点的特征函数；μi表示第i个像素点的颜色特征；ρi表示第i个像素点的位置特征；si表示第i个像素点的的混合高斯模型的期望值；Q表示扫描图像中像素点的混合高斯模型的平均期望值；i＝1，2，3……n；n表示像素点的总数量；
线性模型构建单元：用于根据历史病理扫描图像，确定标注数据，构建病种标注的线性模型：
其中，Li表示第i个像素点的同类像素点在坐标轴上的线性轮廓特征；bi表示第i个像素点的标注线特征；
切片划分模型构建单元：用于根据扫描图像的划分规则，构建扫描图像切片划分模型：
其中，qi表示第i个像素点的区域划分特征；yi表示第i个像素点的颜色深度特征；
相关关系计算单元：用于根据所述线性模型和扫描图像切片划分模型，通过下式确定目标区域标注和扫描图像的对应关系的相关关系值：
其中，G表示目标区域标注和扫描图像的对应关系的相关关系值；
区域识别单元：用于根据所述相关关系值和扫描图像特征函数，构建目标区域识别模型：
其中，Y的值对应有唯一的目标区域。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种数字病理切片目标区域的识别方法的方法流程图；
图2为本发明实施例中一种数字病理切片目标区域的识别系统的系统组成图；
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
如附图1所示，本发明为一种数字病理切片目标区域的识别方法，包括：
获取数字病理切片的扫描图像；
将所述扫描图像导入预设的标准域进行处理，并通过相关法处理，确定第一目标区域；
将所述扫描图像通过图像特征进行处理，并通过特征对比，确定第二目标区域；
将所述扫描图像的图像混合特征通过区域和特征混合，确定第三目标区域；
判断所述第一目标区域、第二目标区域和第三目标区域是否相同，并在相同时，确定扫描图像的目标区域。
上述技术方案的原理和有益效果在于：本发明通过对数字病理扫描图像通过三种方式处理确定三个目标区域，进而进行三个目标区域的比对，判定目标区域是否相同。在这个过程中，本发明第一目标区域的确定采用了相关法，根据扫描图像和标准域的相关性，从而判断出目标区域。标准域显示的是标准的目标区域。本发明采用特征对比的方式确定第二目标区域，在这个过程中，本发明基于的是图像特征，而特征对比是通过点特征、线特征和二进制特征三种特征的配准对比来判断出目标区域。第三种方式采用的是区域和特征混合，主要是通过染色后的混沌算法，确定目标区域。通过三种方式的结合，有效的提高了目标区域的识别精确度，从而判断出目标区域的确切位置。
优选的，所述将所述扫描图像导入预设的标准域进行处理，并通过相关法处理，确定第一目标区域，包括：
将所述扫描图像导入空间域进行处理，确定像素点灰度信息，确定空间重叠区域；
将所述扫描图像导入频域进行处理，确定波形信息，确定波形重叠区域；
分别计算所述空间重叠区域的第一联合熵和所述波形重叠区域的第二联合熵；
根据所述第一联合熵和第二联合熵，将所述扫描图像域预设的模板图像进行配准，确定配准重合区域，并将配准重合区域作为第一目标识别区域。
上述技术方案的原理和有益效果在于：再进行相关法计算的过程中，本发明采用了空间重叠法，来提取目标区域的第一识别信息，通过波形的重叠信息来提取敌人识别信息，然后通过两个重叠区域的联合熵配准识别目标区域的确定。
优选的，所述将所述扫描图像通过图像特征进行处理，并通过特征对比，确定第二目标区域，包括：
提取所述扫描图像的图像特征；其中，
所述图像特征包括点特征、线特征和二进制特征；
基于所述点特征，确定扫描图像的角点、拐点和交叉点；
基于所述线特征，确定扫描图像的直线、边缘和轮廓；
基于所述二进制特征，确定所述扫描图像的计算特征；
将所述扫描图像与预设的模板图像进行点特征配准，确定点配准值；
将所述扫描图像与预设的模板图像进行线特征配准，确定线配准值；
将所述扫描图像与预设的模板图像进行计算特征配准，确定计算配准值；
判断所述点配准值、线配准值、计算配准值是否相同，并在所述点配准值、线配准值、计算配准值时，确定配准区域为第二目标区域。
上述技术方案的原理和有益效果在于：本发明再进行第二目标区域识别的时候主要是通过图像特征，而图像特征可以确定图像的各部分轮廓，包括目标区域的轮廓，所以本发明通过点、线、二进制三种方式进行配准从而确定第三目标区域。
优选的，所述将所述扫描图像的图像混合特征通过区域和特征混合，确定第三目标区域，包括：
将所述扫描图像带入奇异值分解法进行处理，确定图像奇异值；
通过OCR识别方法对所述扫描图像进行识别，得到识别结果；
选取待扫描病理切片，根据所述待扫描病理切片的切片信息确定染色模式，根据所述染色模式确定数字病理切片扫描仪的目标扫描参数，并确定染色结果；
根据所述奇异值、识别结果和染色结果，将所述扫描图像和预设的模板图像在尺度空间内进行区域混合和特征混合，分别计算区域值和混合值；
在所述区域值和混合值相同时，确定所述区域之间相同的区域作为第三目标区域。
上述技术方案的原理和有益效果在于：在第三目标区域识别的过程中，本发明通过将扫描图像带进奇异值进行分解然后通过OCR识别方法进行识别，最后基于染色模式进行染色识别，通过三种方法的处理，本发明可以组成通过混沌算法处理的数据，最后基于特征混合和图像模板计算出来的混合值，判断出第三目标区域。
优选的，所述方法还包括：
步骤1：基于扫描图像，计算扫描图像的特征函数；
其中，B(i)表示第i个像素点的特征函数；μi表示第i个像素点的颜色特征；ρi表示第i个像素点的位置特征；si表示第i个像素点的的混合高斯模型的期望值；Q表示扫描图像中像素点的混合高斯模型的平均期望值；i＝1，2，3……n；n表示像素点的总数量；
步骤2：根据历史病理扫描图像，确定标注数据，构建病种标注的线性模型：
其中，Li表示第i个像素点的同类像素点在坐标轴上的线性轮廓特征；bi表示第i个像素点的标注线特征；
步骤3：根据扫描图像的划分规则，构建扫描图像切片划分模型：
其中，qi表示第i个像素点的区域划分特征；yi表示第i个像素点的颜色深度特征；
步骤4：根据所述线性模型和扫描图像切片划分模型，通过下式确定目标区域标注和扫描图像的对应关系的相关关系值：
其中，G表示目标区域标注和扫描图像的对应关系的相关关系值；
步骤5：根据所述相关关系值和扫描图像特征函数，构建目标区域识别模型：
其中，Y的值对应有唯一的目标区域。
如附图2所示，一种数字病理切片目标区域的识别系统，包括：
获取模块：获取数字病理切片的扫描图像；
第一目标区域识别模块：将所述扫描图像导入预设的标准域进行处理，并通过相关法处理，确定第一目标区域；
第二目标区域识别模块：将所述扫描图像通过图像特征进行处理，并通过特征对比，确定第二目标区域；
第三目标区域识别模块：将所述扫描图像的图像混合特征通过区域和特征混合，确定第三目标区域；
目标区域判定模块：判断所述第一目标区域、第二目标区域和第三目标区域是否相同，并在相同时，确定扫描图像的目标区域。
上述技术方案的原理和有益效果在于：本发明通过对数字病理扫描图像通过三种方式处理确定三个目标区域，进而进行三个目标区域的比对，判定目标区域是否相同。在这个过程中，本发明第一目标区域的确定采用了相关法，根据扫描图像和标准域的相关性，从而判断出目标区域。标准域显示的是标准的目标区域。本发明采用特征对比的方式确定第二目标区域，在这个过程中，本发明基于的是图像特征，而特征对比是通过点特征、线特征和二进制特征三种特征的配准对比来判断出目标区域。第三种方式采用的是区域和特征混合，主要是通过染色后的混沌算法，确定目标区域。通过三种方式的结合，有效的提高了目标区域的识别精确度，从而判断出目标区域的确切位置。
优选的，所述第一目标区域识别模块包括：
空间重叠判定单元：用于将所述扫描图像导入空间域进行处理，确定像素点灰度信息，确定空间重叠区域；
波形重叠判定单元：用于将所述扫描图像导入频域进行处理，确定波形信息，确定波形重叠区域；
熵值计算单元：用于分别计算所述空间重叠区域的第一联合熵和所述波形重叠区域的第二联合熵；
第一配准识别单元：用于根据所述第一联合熵和第二联合熵，将所述扫描图像域预设的模板图像进行配准，确定配准重合区域，并将配准重合区域作为第一目标识别区域。
上述技术方案的原理和有益效果在于：再进行相关法计算的过程中，本发明采用了空间重叠法，来提取目标区域的第一识别信息，通过波形的重叠信息来提取敌人识别信息，然后通过两个重叠区域的联合熵配准识别目标区域的确定。
优选的，所述第二目标区域识别模块包括：
特征提取单元：用于提取所述扫描图像的图像特征；其中，
所述图像特征包括点特征、线特征和二进制特征；
点特征确定单元：用于基于所述点特征，确定扫描图像的角点、拐点和交叉点；
线特征确定单元：用于基于所述线特征，确定扫描图像的直线、边缘和轮廓；
二进制特征确定单元：用于基于所述二进制特征，确定所述扫描图像的计算特征；
点配准单元：用于将所述扫描图像与预设的模板图像进行点特征配准，确定点配准值；
线配准单元：用于将所述扫描图像与预设的模板图像进行线特征配准，确定线配准值；
配准计算单元：用于将所述扫描图像与预设的模板图像进行计算特征配准，确定计算配准值；
第二配准识别单元：用于判断所述点配准值、线配准值、计算配准值是否相同，并在所述点配准值、线配准值、计算配准值时，确定配准区域为第二目标区域。
上述技术方案的原理和有益效果在于：本发明再进行第二目标区域识别的时候主要是通过图像特征，而图像特征可以确定图像的各部分轮廓，包括目标区域的轮廓，所以本发明通过点、线、二进制三种方式进行配准从而确定第三目标区域。
优选的，所述第三目标区域识别模块包括：
奇异值计算单元：用于将所述扫描图像带入奇异值分解法进行处理，确定图像奇异值；
识别单元：用于通过OCR识别方法对所述扫描图像进行识别，得到识别结果；
染色单元：用于选取待扫描病理切片，根据所述待扫描病理切片的切片信息确定染色模式，根据所述染色模式确定数字病理切片扫描仪的目标扫描参数，并确定染色结果；
混合计算单元：用于根据所述奇异值、识别结果和染色结果，将所述扫描图像和预设的模板图像在尺度空间内进行区域混合和特征混合，分别计算区域值和混合值；
第三配准识别单元：在所述区域值和混合值相同时，确定所述区域之间相同的区域作为第三目标区域。
上述技术方案的原理和有益效果在于：在第三目标区域识别的过程中，本发明通过将扫描图像带进奇异值进行分解然后通过OCR识别方法进行识别，最后基于染色模式进行染色识别，通过三种方法的处理，本发明可以组成通过混沌算法处理的数据，最后基于特征混合和图像模板计算出来的混合值，判断出第三目标区域。
优选的，所述方法还包括：
特征函数构建单元：基于扫描图像，计算扫描图像的特征函数；
其中，B(i)表示第i个像素点的特征函数；μi表示第i个像素点的颜色特征；ρi表示第i个像素点的位置特征；si表示第i个像素点的的混合高斯模型的期望值；Q表示扫描图像中像素点的混合高斯模型的平均期望值；i＝1，2，3……n；n表示像素点的总数量；
线性模型构建单元：用于根据历史病理扫描图像，确定标注数据，构建病种标注的线性模型：
其中，Li表示第i个像素点的同类像素点在坐标轴上的线性轮廓特征；bi表示第i个像素点的标注线特征；
切片划分模型构建单元：用于根据扫描图像的划分规则，构建扫描图像切片划分模型：
其中，qi表示第i个像素点的区域划分特征；yi表示第i个像素点的颜色深度特征；
相关关系计算单元：用于根据所述线性模型和扫描图像切片划分模型，通过下式确定目标区域标注和扫描图像的对应关系的相关关系值：
其中，G表示目标区域标注和扫描图像的对应关系的相关关系值；
区域识别单元：用于根据所述相关关系值和扫描图像特征函数，构建目标区域识别模型：
其中，Y的值对应有唯一的目标区域。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种数字病理切片目标区域的识别方法，其特征在于，包括：
获取数字病理切片的扫描图像；
将所述扫描图像导入预设的标准域进行处理，并通过相关法处理，确定第一目标区域；其中，
所述标准域由空间域和频域组合构成；将所述扫描图像通过图像特征进行处理，并通过特征对比，确定第二目标区域；
将所述扫描图像的图像混合特征通过区域和特征混合，确定第三目标区域；判断所述第一目标区域、第二目标区域和第三目标区域是否相同，并在相同时，确定扫描图像的目标区域；
所述将所述扫描图像导入预设的标准域进行处理，并通过相关法处理，确定第一目标区域，包括：
将所述扫描图像导入空间域进行处理，确定像素点灰度信息，确定空间重叠区域；
将所述扫描图像导入频域进行处理，确定波形信息，确定波形重叠区域；
分别计算所述空间重叠区域的第一联合熵和所述波形重叠区域的第二联合熵；
根据所述第一联合熵和第二联合熵，将所述扫描图像域预设的模板图像进行配准，确定配准重合区域，并将配准重合区域作为第一目标识别区域；
所述将所述扫描图像的图像混合特征通过区域和特征混合，确定第三目标区域，包括：
将所述扫描图像代入奇异值分解法进行处理，确定图像奇异值；
通过OCR识别方法对所述扫描图像进行识别，得到识别结果；
选取待扫描病理切片，根据所述待扫描病理切片的切片信息确定染色模式，根据所述染色模式确定数字病理切片扫描仪的目标扫描参数，并确定染色结果；
根据所述奇异值、识别结果和染色结果，将所述扫描图像和预设的模板图像在尺度空间内进行区域混合和特征混合，分别计算区域值和混合值；
在所述区域值和混合值相同时，确定所述区域之间相同的区域作为第三目标区域。
2.如权利要求1所述的一种数字病理切片目标区域的识别方法，其特征在于，所述将所述扫描图像通过图像特征进行处理，并通过特征对比，确定第二目标区域，包括：
提取所述扫描图像的图像特征；其中，
所述图像特征包括点特征、线特征和二进制特征；
基于所述点特征，确定扫描图像的角点、拐点和交叉点；
基于所述线特征，确定扫描图像的直线、边缘和轮廓；
基于所述二进制特征，确定所述扫描图像的计算特征；
将所述扫描图像与预设的模板图像进行点特征配准，确定点配准值；
将所述扫描图像与预设的模板图像进行线特征配准，确定线配准值；
将所述扫描图像与预设的模板图像进行计算特征配准，确定计算配准值；
判断所述点配准值、线配准值、计算配准值是否相同，并在所述点配准值、线配准值、计算配准值时，确定配准区域为第二目标区域。
3.如权利要求1所述的一种数字病理切片目标区域的识别方法，其特征在于，所述方法还包括：
步骤1：基于扫描图像，计算扫描图像的特征函数；
其中，
表示第
个像素点的特征函数；
表示第
个像素点的颜色特征；
表示第
个像素点的位置特征；
表示第
个像素点的混合高斯模型的期望值；
表示扫描图像中像素点的混合高斯模型的平均期望值；
；
表示像素点的总数量；
步骤2：根据历史病理扫描图像，确定标注数据，构建病种标注的线性模型：
其中，
表示第
个像素点的同类像素点在坐标轴上的线性轮廓特征；
表示第
个像素点的标注线特征；
步骤3：根据扫描图像的划分规则，构建扫描图像切片划分模型：
其中，
表示第
个像素点的区域划分特征；
表示第
个像素点的颜色深度特征；
步骤4：根据所述线性模型和扫描图像切片划分模型，通过下式确定目标区域标注和扫描图像的对应关系的相关关系值：
其中，
表示目标区域标注和扫描图像的对应关系的相关关系值；
步骤5：根据所述相关关系值和扫描图像特征函数，构建目标区域识别模型：
其中，Y的值对应有唯一的目标区域。
4.一种数字病理切片目标区域的识别系统，其特征在于，包括：
获取模块：获取数字病理切片的扫描图像；
第一目标区域识别模块：将所述扫描图像导入预设的标准域进行处理，并通过相关法处理，确定第一目标区域；
第二目标区域识别模块：将所述扫描图像通过图像特征进行处理，并通过特征对比，确定第二目标区域；
第三目标区域识别模块：将所述扫描图像的图像混合特征通过区域和特征混合，确定第三目标区域；
目标区域判定模块：判断所述第一目标区域、第二目标区域和第三目标区域是否相同，并在相同时，确定扫描图像的目标区域；
所述第一目标区域识别模块包括：
空间重叠判定单元：用于将所述扫描图像导入空间域进行处理，确定像素点灰度信息，确定空间重叠区域；
波形重叠判定单元：用于将所述扫描图像导入频域进行处理，确定波形信息，确定波形重叠区域；
熵值计算单元：用于分别计算所述空间重叠区域的第一联合熵和所述波形重叠区域的第二联合熵；
第一配准识别单元：用于根据所述第一联合熵和第二联合熵，将所述扫描图像域预设的模板图像进行配准，确定配准重合区域，并将配准重合区域作为第一目标识别区域；
所述第三目标区域识别模块包括：
奇异值计算单元：用于将所述扫描图像代入奇异值分解法进行处理，确定图像奇异值；
识别单元：用于通过OCR识别方法对所述扫描图像进行识别，得到识别结果；
染色单元：用于选取待扫描病理切片，根据所述待扫描病理切片的切片信息确定染色模式，根据所述染色模式确定数字病理切片扫描仪的目标扫描参数，并确定染色结果；
混合计算单元：用于根据所述奇异值、识别结果和染色结果，将所述扫描图像和预设的模板图像在尺度空间内进行区域混合和特征混合，分别计算区域值和混合值；
第三配准识别单元：在所述区域值和混合值相同时，确定所述区域之间相同的区域作为第三目标区域。
5.如权利要求4所述的一种数字病理切片目标区域的识别系统，其特征在于，所述第二目标区域识别模块包括：
特征提取单元：用于提取所述扫描图像的图像特征；其中，
所述图像特征包括点特征、线特征和二进制特征；
点特征确定单元：用于基于所述点特征，确定扫描图像的角点、拐点和交叉点；
线特征确定单元：用于基于所述线特征，确定扫描图像的直线、边缘和轮廓；
二进制特征确定单元：用于基于所述二进制特征，确定所述扫描图像的计算特征；
点配准单元：用于将所述扫描图像与预设的模板图像进行点特征配准，确定点配准值；
线配准单元：用于将所述扫描图像与预设的模板图像进行线特征配准，确定线配准值；
配准计算单元：用于将所述扫描图像与预设的模板图像进行计算特征配准，确定计算配准值；
第二配准识别单元：用于判断所述点配准值、线配准值、计算配准值是否相同，并在所述点配准值、线配准值、计算配准值时，确定配准区域为第二目标区域。
6.如权利要求4所述的一种数字病理切片目标区域的识别系统，其特征在于，所述系统还包括：
特征函数构建单元：基于扫描图像，计算扫描图像的特征函数；
其中，
表示第
个像素点的特征函数；
表示第
个像素点的颜色特征；
表示第
个像素点的位置特征；
表示第
个像素点的混合高斯模型的期望值；
表示扫描图像中像素点的混合高斯模型的平均期望值；
；
表示像素点的总数量；
线性模型构建单元：用于根据历史病理扫描图像，确定标注数据，构建病种标注的线性模型：
其中，
表示第
个像素点的同类像素点在坐标轴上的线性轮廓特征；
表示第
个像素点的标注线特征；
切片划分模型构建单元：用于根据扫描图像的划分规则，构建扫描图像切片划分模型：
其中，
表示第
个像素点的区域划分特征；
表示第
个像素点的颜色深度特征；
相关关系计算单元：用于根据所述线性模型和扫描图像切片划分模型，通过下式确定目标区域标注和扫描图像的对应关系的相关关系值：
其中，
表示目标区域标注和扫描图像的对应关系的相关关系值；
区域识别单元：用于根据所述相关关系值和扫描图像特征函数，构建目标区域识别模型：
其中，Y的值对应有唯一的目标区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110752190.2A CN113378820B (zh) | 2021-07-02 | 2021-07-02 | 数字病理切片目标区域的识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110752190.2A CN113378820B (zh) | 2021-07-02 | 2021-07-02 | 数字病理切片目标区域的识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113378820A CN113378820A (zh) | 2021-09-10 |
| CN113378820B true CN113378820B (zh) | 2022-07-22 |
Family
ID=77580771
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110752190.2A Active CN113378820B (zh) | 2021-07-02 | 2021-07-02 | 数字病理切片目标区域的识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113378820B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114419003B (zh) * | 2022-01-21 | 2022-10-21 | 黑龙江中医药大学 | 一种用于保胆取石的结石多定位管理方法 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107146217B (zh) * | 2017-04-07 | 2020-03-06 | 北京工业大学 | 一种图像检测方法和装置 |
| CN109902690A (zh) * | 2017-12-07 | 2019-06-18 | 镇江长圣信息技术咨询服务有限公司 | 图像识别技术 |
| CN108665947A (zh) * | 2018-05-14 | 2018-10-16 | 深圳市东亿健康服务有限公司 | 一种病理数据输入管控方法和系统 |
| CN109474437B (zh) * | 2018-12-19 | 2021-06-15 | 中金金融认证中心有限公司 | 一种基于生物识别信息来应用数字证书的方法 |
| US11805283B2 (en) * | 2019-01-25 | 2023-10-31 | Gracenote, Inc. | Methods and systems for extracting sport-related information from digital video frames |
| CN110837782B (zh) * | 2019-10-16 | 2022-06-03 | 吉林大学 | 一种根据材料拉伸过程监控视频识别断裂信息的方法 |
| CN111444912A (zh) * | 2020-01-14 | 2020-07-24 | 国网电子商务有限公司 | 一种票据图像文字识别方法及装置 |
| CN111798966A (zh) * | 2020-07-07 | 2020-10-20 | 上海昌岛医疗科技有限公司 | 一种基于人工智能辅助识别数字病理切片的扫描方法 |
| CN112508010A (zh) * | 2020-11-30 | 2021-03-16 | 广州金域医学检验中心有限公司 | 数字病理切片目标区域的识别方法、系统、设备及介质 |
| CN113011006B (zh) * | 2021-02-25 | 2021-10-22 | 中国科学院声学研究所 | 一种基于互相关函数脉冲波形匹配的目标深度估计方法 |
-
2021
- 2021-07-02 CN CN202110752190.2A patent/CN113378820B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN113378820A (zh) | 2021-09-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106651752B (zh) | 三维点云数据配准方法及拼接方法 | |
| CN107463918B (zh) | 基于激光点云与影像数据融合的车道线提取方法 | |
| CN107909010B (zh) | 一种道路障碍物检测方法与装置 | |
| CN107424142B (zh) | 一种基于图像显著性检测的焊缝识别方法 | |
| CN106340044B (zh) | 摄像机外参自动标定方法及标定装置 | |
| CN106446894B (zh) | 一种基于轮廓识别球型目标物位置的方法 | |
| CN111753692B (zh) | 目标对象提取方法、产品检测方法、装置、计算机和介质 | |
| CN110569856B (zh) | 样本标注方法及装置、损伤类别的识别方法及装置 | |
| CN105913093A (zh) | 一种用于文字识别处理的模板匹配方法 | |
| CN104143094A (zh) | 一种无需答题卡的试卷自动阅卷处理方法及系统 | |
| CN103839058A (zh) | 一种基于标准模版的文档图像的信息定位方法 | |
| CN111291736B (zh) | 图像修正方法、装置及医疗设备 | |
| CN110348263A (zh) | 一种基于图像识别的二维随机码图像识别与提取方法 | |
| CN116718599B (zh) | 一种基于三维点云数据的表观裂缝长度测量方法 | |
| CN113903024A (zh) | 一种手写票据数值信息识别方法、系统、介质及装置 | |
| CN113378820B (zh) | 数字病理切片目标区域的识别方法及系统 | |
| CN108182691B (zh) | 识别限速标志的方法、装置及车辆 | |
| CN109766850A (zh) | 基于特征融合的指纹图像匹配方法 | |
| CN111986157A (zh) | 一种数字病理图像质量评价系统 | |
| CN116503821B (zh) | 基于点云数据和图像识别的道路标识识别方法及系统 | |
| CN111325722B (zh) | 印章图像精确识别方法及系统和印章图像识别处理方法 | |
| JP3919722B2 (ja) | 肌形状計測方法及び肌形状計測装置 | |
| CN116664817A (zh) | 基于图像差分的电力装置状态变化检测方法 | |
| CN112330660B (zh) | 一种基于神经网络的精子尾部检测方法及其系统 | |
| JP2981382B2 (ja) | パターンマッチング方法 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230109 Address after: 518000 401, 403, 503, Building 1, Building 1, Wilder Industrial Park, No. 24, Qinglan 3rd Road, Jinsha Community, Kengzi Street, Pingshan District, Shenzhen, Guangdong Province Patentee after: Shenzhen Dongyi Medical Laboratory Address before: 518000 workshop 401, building 1, Verde Industrial Park, No. 24, Qinglan Third Road, large industrial zone, Pingshan new area, Shenzhen, Guangdong Patentee before: SHENZHEN DONYI HEALTH SERVICE CO.,LTD. |
|
| TR01 | Transfer of patent right |