CN113936776A - 分布式的多病种人工智能病理分析系统 - Google Patents
分布式的多病种人工智能病理分析系统 Download PDFInfo
- Publication number
- CN113936776A CN113936776A CN202111217865.XA CN202111217865A CN113936776A CN 113936776 A CN113936776 A CN 113936776A CN 202111217865 A CN202111217865 A CN 202111217865A CN 113936776 A CN113936776 A CN 113936776A
- Authority
- CN
- China
- Prior art keywords
- analysis
- image
- pathology
- task
- sub
- 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
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本公开描述了一种分布式的多病种人工智能病理分析系统。该多病种人工智能病理分析系统包括用于获取不同病种的数字病理图像的获取模块、基于共享路径对数字病理图像进行直接存储和/或分块存储,且在存储完成后自动创建分析任务消息的多个存储服务节点、用于接收分析任务消息并发布分析任务消息的任务队列、用于提供数据流服务以降低计算分析与存储的耦合性的数据流服务器、以及用于接收任务队列中的分析任务消息并通过请求数据流服务器获取数字病理图像的相关数据以进行计算分析的计算模块。由此,能够基于数字病理图像进行多病种的计算分析。
Description
技术领域
本公开大体涉及一种分布式的多病种人工智能病理分析系统。
背景技术
目前医学病理图像分析使用日益趋近场景化和专业化,基于超清晰度的数字病理图像和深度学习技术例如人工智能技术,病理分析系统逐步成为辅助临床进行病理分析的工具。
现有的基于人工智能的病理分析系统一般分为两类工作原理。第一类工作原理是将扫描仪获得的超清晰度的数字病理图像传输到分析设备,利用分析设备对数字病理图像进行分析以获得分析结果;第二类工作原理是采用分布式存储,配合任务调度模块和异构计算模块对单一病种进行分析以获取单一病种的分析结果。在这种情况下,能够利用分析结果辅助医生进行进一步的分析。
然而,两类工作原理都存在一定的缺陷。例如,第一类工作原理常常难以满足日趋增长的需求且扩容不便,第二类工作原理无法适应当前病理科的多病种分析要求。因此,针对当前病理科的多病种分析要求还有待改进。
发明内容
本公开是有鉴于上述的状况而提出的,其目的在于提供一种能够对多病种进行分析的分布式的多病种人工智能病理分析系统。
为此,本公开提供了一种分布式的多病种人工智能病理分析系统,包括数据管理模块、获取模块、多个具有用于存储文件的共享路径的存储服务节点、多个数据流服务器、多个分别与一个分析任务对应的任务队列以及多个分别与一个分析任务对应的计算模块;所述数据管理模块配置为管理包括数字图像信息的图像编号、元数据、所述数字病理图像和/或子分块的存储路径、以及对应的分析任务的数字图像信息;所述获取模块配置为获取不同病种的数字病理图像并将所述不同病种的数字病理图像存储至不同的共享路径下;各个存储服务节点配置为在将所述数字病理图像存储至所述共享路径下时提取所述元数据,当存储完成时自动创建包括所述图像编号和该共享路径对应的分析任务的分析任务消息至该分析任务对应的任务队列,其中,存储所述数字病理图像的方式包括直接存储和/或基于所述元数据将所述数字病理图像分成多个子分块并对所述多个子分块进行存储,各个子分块包括多个图像子切片;所述任务队列配置为接收所述分析任务消息并发布所述分析任务消息;所述数据流服务器配置为提供包括目标区域接口的数据流服务,所述目标区域接口配置为接收用于获取所述数字病理图像和/或所述子分块的存储路径以及目标区域的请求信息,基于该存储路径、以及所述目标区域中的图像子切片相对所述数字病理图像的字节偏移量和字节数或相对子分块的字节偏移量和字节数生成所述目标区域对应的目标数据;所述计算模块配置为接收所述任务队列的分析任务消息,基于所述分析任务消息中的图像编号和分析任务通过请求所述数据流服务器的目标区域接口获取所述数字病理图像的不同目标区域对应的目标数据并进行计算分析以获取分析结果。在这种情况下,能够基于数字病理图像进行多病种的计算分析,且通过数据流服务器降低了计算分析与存储的耦合性,提高了系统的开放性、灵活性和可扩展性。另外,存储服务节点能够支持直接存储或者分块存储且数据流服务器支持通过图像子切片相对数字病理图像的字节偏移量和字节数或相对子分块的字节偏移量和字节数获取目标区域内的图像子切片。由此,能够提高数字病理图像的存储和读取的效率,且能够降低存储成本。另外,还通过数据管理模块对轻量级的数据进行管理,能够简化数字病理图像与计算分析的关联性,能够降低耦合性。
另外,在本公开所涉及的多病种人工智能病理分析系统,可选地,所述目标区域接口共享所述数字病理图像或所述数字病理图像的子分块打开的句柄并一次读取多个图像子切片以从所述存储路径获取所述目标区域中的图像子切片。在这种情况下,能够快速地读取多个图像子切片。
另外,在本公开所涉及的多病种人工智能病理分析系统,可选地,所述多病种人工智能病理分析系统还包括任务调度模块,所述任务调度模块配置为管理各个任务队列的优先级和对所述任务队列进行实时监听,通过对所述计算模块进行调度或调整所述任务队列的优先级以使所述任务队列中的分析任务消息能够及时被所述计算模块接收。在这种情况下,能够调整各个任务队列的优先级,另外,能够实时监听任务队列中的分析任务消息的数量。由此,能够及时发现异常以采取应对措施。
另外,在本公开所涉及的多病种人工智能病理分析系统,可选地,所述多病种人工智能病理分析系统还包括数据同步模块,所述数据同步模块配置为将所述数字病理图像的切片号作为病理号,在与第一信息系统对接时,基于该病理号从所述第一信息系统获取病例信息,在未与所述第一信息系统对接时,基于该病理号创建所述病例信息;所述病例信息用于辅助所述计算模块进行所述计算分析。在这种情况下,在与第一信息系统对接和未与第一信息系统对接两种情况下均具有病例信息,能够保证数据的完整性。由此,能够提高系统的稳定性。
另外,在本公开所涉及的多病种人工智能病理分析系统,可选地,所述分析结果包括所述数字病理图像的图像质量等级、片级分类、疑似病变区域以及该疑似病变区域对应的分类标签;所述数据管理模块还配置为管理所述片级分类对应的报告模板、以及所述片级分类和所述分类标签对应的常用语。在这种情况下,后续在编撰报告时能够基于分析结果中的片级分类获取对应的报告模板,并能够基于分析结果中的片级分类和分类标签自动选择对应的常用语。
另外,在本公开所涉及的多病种人工智能病理分析系统,可选地,所述多病种人工智能病理分析系统还包括复核模块,所述复核模块配置为获取所述分析结果,基于所述分析结果获取对应的报告模板,并基于所述分析结果以及所述数字病理图像对应的病例信息对报告进行编撰、复核和签发,在编撰时,基于所述分析结果选择对应的常用语。由此,能够方便地对报告进行编撰、复核和签发。
另外,在本公开所涉及的多病种人工智能病理分析系统,可选地,在所述计算分析中,创建所述不同目标区域的多个请求信息,并基于所述多个请求信息并行请求所述数据流服务器的目标区域接口以获取多个目标数据,利用所述多个目标数据进行并行子计算分析以获取多个子分析结果,然后对所述多个子分析结果进行汇总以获取所述分析结果,其中,所述不同目标区域为该图像编号对应的数字病理图像中的区域。
另外,在本公开所涉及的多病种人工智能病理分析系统,可选地,所述存储服务节点还配置为在将所述数字病理图像存储至所述共享路径下时,获取所述数字病理图像的宏观图和标签图并进行存储;所述数据流服务还包括用于获取所述元数据的元数据解析接口、用于获取所述宏观图的宏观图解析接口、用于获取所述标签图的标签图解析接口和用于获取所述图像子切片的瓦片图解析接口中的至少一种接口。在这种情况下,能够方便地获取数字病理图像的相关数据。
另外,在本公开所涉及的多病种人工智能病理分析系统,可选地,所述数据流服务器还配置为基于所述数据流服务的使用场景设置可复用或不可复用的请求方式。由此,能够降低连接到数据流服务器的连接数开销。
另外,在本公开所涉及的多病种人工智能病理分析系统,可选地,所述目标数据为字节流以使所述计算模块能够直接基于所述目标数据进行所述计算分析。由此,能够提高计算分析的效率。
根据本公开,提供一种能够对多病种进行分析的分布式的多病种人工智能病理分析系统。
附图说明
现在将仅通过参考附图的例子进一步详细地解释本公开,其中:
图1是示出了本公开示例所涉及的数字病理图像的示意图。
图2是示出了本公开示例所涉及的病理分析系统的结构示意图。
图3是示出了本公开示例所涉及的病理分析系统的框图。
图4是示出了本公开示例所涉及的计算分析模块的框图。
图5是示出了本公开示例所涉及的病理分析系统的另一种实施例的框图。
图6是示出了本公开示例所涉及的利用病理分析系统对数字病理图像进行多病种分析的流程图。
具体实施方式
以下,参考附图,详细地说明本公开的优选实施方式。在下面的说明中,对于相同的部件赋予相同的符号,省略重复的说明。另外,附图只是示意性的图,部件相互之间的尺寸的比例或者部件的形状等可以与实际的不同。
需要说明的是,本公开中的术语“包括”和“具有”以及它们的任何变形,例如所包括或所具有的一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可以包括或具有没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。本公开所描述的所有方法可以以任何合适的顺序执行,除非在此另有指示或者与上下文明显矛盾。
本公开涉及的分布式的多病种人工智能病理分析系统能够对多病种进行分析。本公开涉及的分布式的多病种人工智能病理分析系统有时也可以称为多病种人工智能病理分析系统、病理分析系统、病理辅助阅片系统、辅助分析系统、辅助系统或辅助阅片系统等。以下结合附图进行详细描述本公开。图1是示出了本公开示例所涉及的数字病理图像的示意图。
本公开所涉及的数字病理图像可以为通过病理扫描仪对病理玻片进行扫描获得的病理图像。数字病理图像可以是具有不同分辨率的金字塔图像(也即数字病理图像可以包括多种分辨率的图像)。作为数字病理图像的示意,图1示出了数字病理图像的示意图。如图1所示,数字病理图像可以具有多个图像层级。例如,多个图像层级的数量可以为n,n个图像层级可以包括图像层级L1、图像层级L2、图像层级L3、……、图像层级Ln-2、图像层级Ln-1和图像层级Ln。
另外,各个图像层级的图像的分辨率可以不同。在实际应用中,可以根据应用场景获取适合的图像层级的图像进行处理和/或显示。在一些示例中,数字病理图像也可以是一个图像层级的图像。本公开涉及的病理分析系统可以适用具有多个图像层级的图像的数字病理图像,也可以适用具有一个图像层级的图像的数字病理图像。
在一些示例中,各个图像层级的图像具有多个图像子切片(也可以称为瓦片)。在一些示例中,数字病理图像中的图像子切片的大小可以通过从数字病理图像提取的元数据获得。在一些示例中,基于元数据可以获取数字病理图像中的图像子切片的大小。图像子切片的大小一般可以为几十kb或几kb。在一些示例中,在元数据中,数字病理图像中的图像子切片的大小可以按图像层级进行表示。也即,元数据可以包括数字病理图像的图像层级和各个图像层级的图像子切片的大小。在一些示例中,可以通过数字病理图像的成像设备的厂商提供的工具包对数字病理图像的文件头进行解析以获取元数据。
另外,数字病理图像一般非常大,例如全片切片图像(Whole Slide Image,WSI),WSI图像的大小可以为600Mb至10Gb,因此传统的图像处理方法一般不适用于数字病理图像的处理且数字病理图像的处理常常耗时较长。
以下结合附图进行详细描述本公开。此外,本公开的示例描述的结构示意图是为了更加清楚的说明本公开的技术方案,并不构成对于本公开提供的技术方案的限定。图2是示出了本公开示例所涉及的病理分析系统100的结构示意图。
在一些示例中,如图2所示,本公开涉及的病理分析系统100可以通过获取模块120获取不同病种的数字病理图像并将不同病种的数字病理图像存储至相应的存储服务节点130的共享路径下。各个共享路径可以对应分析任务,当数字病理图像存储完成时,存储服务节点130可以自动创建包括该共享路径对应的分析任务的分析任务消息至与该分析任务对应的任务队列140。在这种情况下,与分析任务对应的计算模块150注册至相应的任务队列140后,能够接收相应的分析任务消息并进行计算分析以获取分析结果。另外,计算模块150在进行计算分析时可以通过请求数据流服务器160提供的数据流服务获取相应的数据例如数字病理图像的相关数据。数据流服务器160可以从存储服务节点130获取数字病理图像的相关数据。
在一些示例中,可以通过数据管理模块110对除数字病理图像的相关数据的以外的数据进行管理。除数字病理图像的相关数据的以外的数据可以为非基于数字病理图像的文件流获得的数据。在这种情况下,能够方便地进行轻量级的数据的查询,且能够简化数字病理图像与计算分析的关联性,降低部署和维护的复杂度。由此,能够降低耦合性。
在一些示例中,如图2所示,存储服务节点130的数量可以为一个或多个。作为多个存储服务节点130的示例,例如存储服务节点130的数量可以为3个,3个储服务器节点130可以为存储服务节点130a、存储服务节点130b和存储服务节点130b等。在一些示例中,各个存储服务节点130可以具有一个或多个共享路径。各个共享路径可以对应一个分析任务。在这种情况下,基于共享路径能够对应相应的任务队列140。例如,假设存储服务节点130a具有两个共享路径,则如图2所示,两个共享路径可以分别对应任务队列140a和任务队列140b。
在一些示例中,如图2所示,任务队列140的数量可以为一个或多个。作为多个任务队列140的示例。例如,任务队列140的数量可以为3个,3个任务队列140可以为任务队列140a、任务队列140b和任务队列140c。
在一些示例中,如图2所示,计算模块150的数量可以为一个或多个。作为多个计算模块150的示例。例如,计算模块150的数量可以为3个,3个计算模块150可以为计算模块150a、计算模块150b和计算模块150c。在一些示例中,基于分析任务计算模块150可以与任务队列140对应。也即,计算模块150可以对与对应的分析任务对应的任务队列140中的分析任务消息进行计算分析。例如,一个任务队列140可以对应至少一个处理相同分析任务的计算模块150、或一个计算模块150可以对应多个相同分析任务的任务队列140。
在一些示例中,如图2所示,数据流服务器160的数量可以为一个或多个。作为多个数据流服务器160的示例。例如,数据流服务器160的数量可以为3个,3个数据流服务器160可以为数据流服务器160a、数据流服务器160b和数据流服务器160c。在一些示例中,多个数据流服务器160可以支持以负载均衡的方式部署。在这种情况下,能够将请求分摊到各个数据流服务器160。由此,能够提高负载能力。
在一些示例中,一个存储服务节点130(例如存储服务节点130a、存储服务节点130b和存储服务节点130b中的任意一个)的一个共享路径可以对应一个分析任务,该分析任务可以对应至少一个存储该分析任务的分析任务消息的任务队列140,该任务队列140可以对应至少一个处理该分析任务的计算模块150。
图3是示出了本公开示例所涉及的病理分析系统100的框图。
如图3所示,在一些示例中,病理分析系统100可以包括数据管理模块110。数据管理模块110可以用于对除数字病理图像的相关数据以外的数据进行管理。
在一些示例中,数据管理模块110可以配置为管理数字病理图像的数字图像信息和/或管理存储服务节点130。
在一些示例中,管理数字病理图像的数字图像信息可以为接收数字图像信息并进行记录、以及查询数字图像信息。在这种情况下,能够方便地进行轻量级的数据的查询,且能够简化数字病理图像与计算分析的关联性,降低部署和维护的复杂度。由此,能够降低耦合性。
另外,在一些示例中,数字图像信息可以包括图像编号、元数据、数字病理图像和/或数字病理图像的子分块的存储路径、以及对应的分析任务。由此,能够清楚地描述数字病理图像的元数据、存储位置以及对应的分析任务。在一些示例中,图像编号可以用于唯一标识一张数字病理图像。在一些示例中,数字图像信息还可以包括数字病理图像的切片号(也可以称为切片名称)。在一些示例中,数字图像信息可以由存储服务节点130生成并由数据管理模块110进行记录。
在一些示例中,管理存储服务节点130可以包括管理多个存储服务节点130和各个存储服务节点130对应的节点信息。例如,可以对存储服务节点130进行新增、删除、启用或停用、以及对各个存储服务节点130对应的节点信息进行修改。在一些示例中,存储服务节点130删除或停用时可以自动关闭相应的空闲的任务队列140和计算模块150。由此,能够方便地管理系统的资源。
另外,在一些示例中,节点信息可以包括存储服务节点130具有的用于存储文件的共享路径、以及共享路径对应的一个分析任务。也即,一个共享路径可以对应一个分析任务,多个共享路径也可以对应一个分析任务。在这种情况下,能够将存储服务节点130、共享路径以及分析任务进行关联,后续在存储完成数字病理图像后能够基于关联关系自动创建相应的分析任务消息。在一些示例中,节点信息还可以包括存储服务节点130的请求协议。在这种情况下,能够基于存储服务节点130的请求协议获取存储服务节点130中存储的数据。在一些示例中,节点信息还可以包括存储介质。由此,能够根据存储介质的性能进行相应的设置。
另外,在一些示例中,共享路径可以通过共享挂载实现。例如可以将共享路径挂载到存储服务节点130的相应目录下。在一些示例中,实现共享挂载的方式可以包括但不限于是通过samba软件和nfs(NetworkFileSystem,网络文件系统)协议。在一些示例中,共享路径可以是机构例如医院内存储共享的访问路径和/或分布式文件存储的挂载目录。
另外,在一些示例中,分析任务可以用于指示对数字病理图像进行的相应病种的分析。在一些示例中,分析任务可以用于指示利用相应采集部位的数字病理图像进行相应病种的分析。在一些示例中,分析任务可以包括病种信息和采集部位。但本公开的示例不限于此,在另一些示例中,根据实际情况,分析任务也可以仅包括病种信息。在一些示例中,病种信息可以是能够区分一个病种的信息。例如,病种信息可以为病种名称或病种编号。
在一些示例中,数据管理模块110还配置为对病例信息与对应的数字病理图像的数字图像信息进行管理和收藏、设置病例回收站用于回收删除的病例、基于数字病理图像进行在线阅片、以及对报告进行编辑。由此,能够方便地辅助分析。在一些示例中,病例信息可以包括患者姓名、年龄、病例号和病理号。
在一些示例中,数据管理模块110还配置为对字典进行配置。具体地,数据管理模块110可以对病种以及病种对应的片级分类、病种对应的分类标签(也即,疑似病变区域对应的分类标签)、以及报告模板进行配置。在这种情况下,能够方便地对字典进行配置。由此,能够适应字典的变化。
如图3所示,在一些示例中,病理分析系统100可以包括获取模块120。获取模块120可以配置为获取数字病理图像并对数字病理图像进行存储。在一些示例中,获取模块120可以获取不同病种的数字病理图像。在一些示例中,病种可以包括但不限于宫颈液基细胞学、甲状腺细胞学、尿路上皮细胞学、乳腺组织病理学和胸腹水细胞学等。
在一些示例中,获取模块120可以将数字病理图像存储至存储服务节点130。在一些示例中,获取模块120可以将数字病理图像存储至存储服务节点130的共享路径下。
在一些示例中,获取模块120可以将不同病种的数字病理图像存储至不同的共享路径下。例如一台扫描仪可以对多种病种的数字病理图像进行扫描并存储至不同的共享路径下。由此,能够提高资源例如扫描仪的利用率。在一些示例中,获取模块120与存储服务节点130的共享路径可以具有对应关系。具体地,可以预先在获取模块120中设置该获取模块120对应的数字病理图像存储的存储服务节点130的共享路径以将获得的数字病理图像自动存储到该共享路径下。例如可以设置一台扫描仪扫描后的数字病理图像的存储的共享路径。在这种情况下,多个获取模块120可以获取多个病种的数字病理图像。由此,能够降低获取数字病理图像的复杂度。另外,本公开的病理分析系统100能够适应不同场景下的多病种分析,且容易扩展。
在一些示例中,获取模块120获取数字病理图像的方式可以包括客户端程序文件监听上传、通过共享路径上传、通过可视化界面(例如通过浏览器或客户端上传)、文件拷贝上传(例如通过U盘或移动硬盘拷贝上传)、和扫描仪上传中的至少一种。由此,能够支持多种方式获取数字病理图像。
另外,客户端程序文件监听上传可以为通过文件I/O操作监听文件系统的变化以获取数字病理图像。具体地,可以通过递归监听特定存储路径下的文件事件的变更,来实现文件上传或触发创建分析任务消息,其中,既可以监听文件的变更,也可以监听文件目录的变更。在一些示例中,可以通过限定文件的扩展名(也可以成为后缀名)仅监听数字病理图像的变化。由此,能够提高效率。另外,扫描仪上传可以为扫描仪与病理分析系统100通信以将通过扫描仪获得的数字病理图像上传。
如图3所示,在一些示例中,病理分析系统100可以包括存储服务节点130。存储服务节点130可以配置为对数字病理图像进行存储。在一些示例中,各个存储服务节点130可以支持分布式文件存储。具体地,各个存储服务节点130可以具有多个存储系统,统一提供存储的服务。
在一些示例中,存储服务节点130可以配置为对整个数字病理图像进行直接存储。也即,存储数字病理图像的方式可以包括直接存储。在一些示例中,存储服务节点130可以配置为对数字病理图像进行分块存储。也即,存储数字病理图像的方式可以包括分块存储。在一些示例中,存储服务节点130可以配置为同时对数字病理图像进行直接存储和分块存储。由此,能够支持多种存储方式且能够提高数字病理图像的存储和读取的效率和降低存储成本。
在一些示例中,分块存储可以为存储服务节点130基于元数据将数字病理图像分成多个子分块并对多个子分块进行存储。在一些示例中,各个子分块可以包括多个图像子切片。在这种情况下,能够减少分块数和分块时间,且能够简化子分块的存储路径,提高子分块存储和读取的效率。另外,对存储介质的性能要求较低,能够降低存储成本。在一些示例中,子分块的大小可以大于等于预设大小。例如预设大小可以为16M、32M、64M或128M。在一些示例中,各个子分块可以包括相同图像层级和不同图像层级中的至少一种情况的图像子切片。在一些示例中,多个子分块的大小可以相同。由此,能够简化分块的过程。
在一些示例中,在进行分块存储时,可以将数字病理图像按数字病理图像的字节数据的顺序分成多个子分块。在这种情况下,能够简化分块的过程,且能够简化子分块的存储路径。由此,能够提高数字病理图像存储和读取的效率。但本公开的示例不限于此,在另一些示例中,可以将特定位置例如各个图像层级同一个位置的多个图像子切片进行合并以生成子分块。例如可以将各个图像层级的第1至50个图像子切片进行合并。需要说明的是,特定位置没有特别的限制,跟具体的分块策略有关。在这种情况下,能够减少分块数和分块时间,且能够简化子分块的存储路径,提高子分块存储和读取的效率。另外,对存储介质的性能要求较低。
在一些示例中,存储服务节点130可以基于元数据获取各个图像子切片所对应的字节数据在子分块中的偏移量和字节数。例如,根据元数据可以知道各个图像子切片在数字病理图像中的偏移量和各个图像子切片的大小,进而根据数字病理图像中的偏移量可以获得各个图像子切片所对应的字节数据所在的子分块和相对该子分块的偏移量,根据各个图像子切片的大小可以获取该图像子切片的在该子分块中的字节数。
在一些示例中,可以利用数据管理模块110记录各个图像子切片所对应的字节数据在子分块中的偏移量和字节数、所在的图像层级、以及所属的数字病理图像。在这种情况下,能够方面后续读取图像子切片,且能够适应分块策略的调整。在一些示例中,可以利用数据管理模块110记录数字病理图像和/或数字病理图像的子分块的存储路径。
在一些示例中,存储服务节点130在将数字病理图像存储至共享路径下,可以从数字病理图像中提取元数据并生成图像编号。由此,能够方便后续查询数字病理图像的元数据。在一些示例中,可以利用数据管理模块110记录数字病理图像的图像编号和元数据。
在一些示例中,存储服务节点130还配置为在将数字病理图像存储至共享路径下时,获取数字病理图像的宏观图和标签图并进行存储。另外,宏观图可以为反映的病理玻片的实际外观的图像(也即人眼看到的图像)。另外,标签图可以为带有用于识别病理号的标签例如二维码的图像。另外,宏观图和标签图可以从整张数字病理图像中的特定位置获取或可以通过单独存储的位置直接获取。宏观图和标签图的获取方式跟生产扫描仪的厂商有关。
在一些示例中,当存储完成时存储服务节点130可以自动创建分析任务消息至相应的任务队列140。在一些示例中,分析任务消息可以包括图像编号和共享路径对应的分析任务。由此,能够描述对图像编号对应的数字病理图像进行何种分析任务。任务队列140可以与分析任务对应。也即,一个任务队列140可以存储一种类型的分析任务的分析任务消息。但本公开的示例不限于此,在另一些示例中,一个任务队列140可以存储不同类型的分析任务的分析任务消息。在这种情况下,计算模块150可以根据不同类型的分析任务进行不同的计算分析。
如图3所示,在一些示例中,病理分析系统100可以包括任务队列140。任务队列140可以配置为接收分析任务消息并发布分析任务消息。在一些示例中,任务队列140可以具有优先级。在一些示例中,任务队列140可以基于消息中间件以实现分析任务的任务队列化。
如图3所示,在一些示例中,病理分析系统100可以包括计算模块150。计算模块150可以配置为对数字病理图像进行计算分析以获取分析结果。
在一些示例中,计算模块150可以配置为接收任务队列140的分析任务消息,并基于分析任务消息进行计算分析以获取分析结果。在一些示例中,计算模块150可以注册至任务队列140以接收分析任务消息。在一些示例中,计算模块150与任务队列140可以通过分析任务进行关联(也即,计算模块150可以注册至与对应的分析任务对应的任务队列140以接收该任务队列140的分析任务消息)。在一些示例中,可以基于分析任务消息中的图像编号和分析任务进行计算分析以获取分析结果。在一些示例中,可以基于分析任务消息中的图像编号和分析任务通过请求数据流服务器的目标区域接口获取数字病理图像的不同目标区域对应的目标数据并进行计算分析以获取分析结果。
图4是示出了本公开示例所涉及的计算分析模块151的框图。
在一些示例中,计算模块150可以包括基于分析任务消息进行计算分析以获取分析结果的计算分析模块151。如图4所示,计算分析模块151可以包括裁切模块152、子计算模块153和汇总模块154。
在一些示例中,裁切模块152可以配置为创建不同目标区域的多个请求信息,并基于多个请求信息并行请求数据流服务器160的目标区域接口(稍后描述)以获取多个目标数据。在一些示例中,裁切模块152可以以可复用的请求方式请求数据流服务器160的目标区域接口。由此,能够降低连接到数据流服务器160的连接数开销。在一些示例中,子计算模块153可以配置为利用多个目标数据进行并行子计算分析以获取多个子分析结果。在一些示例中,汇总模块154可以配置为对多个子分析结果进行汇总以获取分析结果。在一些示例中,不同目标区域可以为图像编号对应的数字病理图像中的区域。在一些示例中,裁切模块152可以基于元数据获取目标区域的大小。例如,可以基于元数据以滑窗的方式获取数字病理图像与滑窗同样大小的若干个目标区域。在一些示例中,计算分析模块151还可以对数字病理图像的图像质量进行评估以获取图像质量等级。由此,后续能够结合图像质量等级对报告进行复核。
在一些示例中,计算分析和/或子计算分析可以是基于机器学习例如人工神经网络的。由此,能够基于机器学习的方法对数字病理图像进行处理。
在一些示例中,可以将分析结果回传到数据管理模块110。由此,能够方便后续对报告进行编撰、复核和签发。
在一些示例中,子分析结果可以包括疑似病变区域以及该疑似病变区域对应的分类标签。在一些示例中,分析结果可以包括数字病理图像的图像质量等级、片级分类(也即整张数字病理图像的分类)、疑似病变区域以及该疑似病变区域对应的分类标签(也即,子分析结果)。在一些示例中,数据管理模块110还可以配置为管理片级分类对应的报告模板、以及片级分类和上述的分类标签对应的常用语。在这种情况下,后续在编撰报告时能够基于分析结果中的片级分类获取对应的报告模板,并能够基于分析结果中的片级分类和分类标签自动选择对应的常用语。
在一些示例中,计算模块150可以接收任务队列140中的分析任务消息,并经过预设时间后对分析任务消息进行计算分析。在这种情况下,能够降低由于数据病理图像未完全落盘导致计算分析出错的风险。预设时间可以根据存储服务节点130的存储介质的性能进行设置。例如预设时间可以为30秒或1分钟。
如图3所示,在一些示例中,病理分析系统100可以包括数据流服务器160。数据流服务器160可以配置为提供数据流服务。在一些示例中,数据流服务可以为提供获取数字病理图像的相关数据(也即基于数字病理图像的文件流获取的数据)的服务。在这种情况下,通过数据流服务器160能够降低计算分析与存储的耦合性。由此,能够提高了系统的开放性、灵活性和可扩展性。
在一些示例中,数字病理图像的相关数据可以包括元数据、宏观图、标签图、瓦片图(也即图像子切片)、目标区域数据(也可以称为感兴趣图或裁剪区域图)中的一种或多种数据。在这种情况下,通过数据流服务器160能够降低耦合性,进而能够方便地进行扩展以支持负载均衡。由此,能够支持大数据量和高并发的访问。
另外,宏观图和标签图在存储服务节点130存储病理数据图像时可以对宏观图和标签图进行提取并存储。另外,目标区域数据可以为目标区域内的多个图像子切片组成的数据。目标区域可以根据实际应用场景确定。例如在浏览数字病理图像时,目标区域可以是视野范围内的区域。在计算分析时,目标区域可以是数字病理图像中用于进行子计算分析的区域。
在一些示例中,对于目标区域数据,数据流服务可以包括目标区域接口。在一些示例中,目标区域接口可以配置为接收请求信息,并基于请求信息获取目标区域中的图像子切片。在一些示例中,目标区域接口可以配置为基于目标区域中的图像子切片生成目标区域对应的目标数据。
在一些示例中,请求信息可以用于获取数字病理图像和/或子分块的存储路径以及目标区域。例如请求信息可以直接包括数字病理图像和/或子分块的存储路径、或包括图像编号或子分块的编号。在一些示例中,用于确定目标区域的请求信息可以包括目标区域的起始坐标、宽度和高度等。在一些示例中,用于确定目标区域的请求信息还可以包括图像层级。
在一些示例中,目标区域接口可以基于目标区域获取目标区域中的图像子切片相对数字病理图像或相对子分块的字节偏移量。在一些示例中,可以通过与存储服务节点130相对应的存储数字病理图像的方式获取图像子切片相对数字病理图像或相对子分块的字节偏移量和字节数。例如,对于直接存储,可以基于元数据获取图像子切片相对数字病理图像的字节偏移量和字节数。例如,对于分块存储,可以基于分块策略获取图像子切片相对子分块的字节偏移量和字节数。在一些示例中,可以利用数据管理模块110查询元数据和图像子切片相对子分块的字节偏移量和字节数。
在一些示例中,可以基于存储路径、以及目标区域中的图像子切片相对数字病理图像的字节偏移量和字节数或相对子分块的字节偏移量和字节数生成目标区域对应的目标数据。在一些示例中,可以基于字节偏移量和字节数(这里,字节偏移量和字节数可以为图像子切片相对数字病理图像和/或子分块的字节偏移量和字节数)从存储路径获取目标区域中的图像子切片并基于目标区域中的图像子切片生成目标区域对应的目标数据。由此,能提高数据读取的效率。
在一些示例中,目标数据可以为字节流以使计算模块150能够直接基于目标数据进行计算分析。由此,能够提高计算分析的效率。但本公开的示例不限于此,在另一些示例中,目标数据可以为图像。例如图像可以为jpeg图像或png图像。
在一些示例中,目标区域接口可以共享数字病理图像或数字病理图像的子分块打开的句柄,一次读取多个图像子切片以从存储路径获取目标区域中的图像子切片。在这种情况下,能够快速地读取多个图像子切片。
在一些示例中,数据流服务还可以包括用于获取元数据的元数据解析接口、用于获取宏观图的宏观图解析接口、用于获取标签图的标签图解析接口和用于获取图像子切片的瓦片图解析接口中的至少一种接口。在这种情况下,能够方便地获取数字病理图像的相关数据。
在一些示例中,数据流服务器160还可以配置为基于数据流服务的使用场景支持可复用或不可复用的请求方式。由此,能够降低连接到数据流服务器160的连接数开销。例如,计算分析涉及的接口可以采用复用的请求方式,看图涉及的接口可以采用不可复用的请求方式。
在一些示例中,目标区域接口可以支持可复用的请求方式。在这种情况下,能够降低因计算分析而连接到数据流服务器160的连接数开销。在一些示例中,复用的请求方式可以包括但不限于是通过grpc连接建立请求或通过套接字(socket)连接建立请求。grpc是基于HTTP/2协议标准而设计。在一些示例中,元数据解析接口、宏观图解析接口、标签图解析接口和瓦片图解析接口可以支持不可复用的请求方式。在这种情况下,针对访问频率较低的接口支持不可复用的请求方式,能够降低连接到数据流服务器160的连接数开销。在一些示例中,不可复用的请求方式可以包括但不限于是基于http协议的请求。
图5是示出了本公开示例所涉及的病理分析系统100的另一种实施例的框图。
如图5所示,在一些示例中,病理分析系统100可以包括任务调度模块170。任务调度模块170可以配置为管理任务队列140以使任务队列140中的分析任务消息能够及时被计算模块150接收。
在一些示例中,管理任务队列140可以为管理各个任务队列140的优先级和对任务队列140进行实时监听。在这种情况下,能够调整各个任务队列140的优先级,另外,能够实时监听任务队列140中的分析任务消息的数量。由此,能够及时发现异常以采取应对措施。
在一些示例中,任务调度模块170可以通过对计算模块150进行调度或调整任务队列140的优先级以使任务队列140中的分析任务消息能够及时被计算模块150接收。例如,在任务队列140中的分析任务消息堆积的情况下,可以提高该任务队列140的优先级,以使计算模块150可以优先接收该任务队列140中的分析任务消息。又例如,可以通过手动或者自动的方式启动相应的计算模块150(也即,对计算模块150进行调度)以接收该任务队列140中的分析任务消息。
如图5所示,在一些示例中,病理分析系统100可以包括数据同步模块180。数据同步模块180可以配置为与第一信息系统进行数据同步例如病例信息同步。在一些示例中,第一信息系统可以为利用病理分析系统100对数字病理图像进行辅助分析的机构内的信息系统。例如,第一信息系统可以为医院内的系统。
在一些示例中,数据同步模块180可以配置为将数字病理图像的切片号(也可以称为切片名称)作为病理号。在一些示例中,数据同步模块180可以配置为在与第一信息系统对接时,基于病理号从第一信息系统获取病例信息。在一些示例中,可以通过数据病理图像的标签图识别切片号(也即病理号)。在一些示例中,数据同步模块180可以配置为在未与第一信息系统对接时,基于病理号(也即,数字病理图像的切片号)创建病例信息。具体地,在未与第一信息系统对接时,病例信息中除病理号以外的信息可以为空。在这种情况下,在与第一信息系统对接和未与第一信息系统对接两种情况下均具有病例信息,能够保证数据的完整性。由此,能够提高系统的稳定性。
在一些示例中,病例信息可以用于辅助计算模块150进行计算分析。由此,能够进一步提高计算分析的准确性。
如图5所示,在一些示例中,病理分析系统100可以包括复核模块190。复核模块190可以配置为基于分析结果对报告进行编撰、复核和签发。
在一些示例中,复核模块190可以配置为获取分析结果,基于分析结果获取对应的报告模板,并基于分析结果以及数字病理图像对应的病例信息对报告进行编撰、复核和签发。在一些示例中,在编撰中,可以基于分析结果自动选择对应的常用语。由此,能够方便地对报告进行编撰、复核和签发。在一些示例中,可以利用数据管理模块110查询分析结果中的片级分类对应的报告模板、以及分析结果中的片级分类和分类标签对应的常用语。
以下,结合附图描述本公开示例所涉及的利用病理分析系统100对数字病理图像进行多病种分析的过程。图6是示出了本公开示例所涉及的利用病理分析系统100对数字病理图像进行多病种分析的流程图。
在一些示例中,如图6所示,多病种分析可以包括获取不同病种的数字病理图像并进行存储(步骤S110),在存储服务节点130存储完成数字病理图像时,自动创建分析任务消息至相应的任务队列140(步骤S120)和对任务队列140中的分析任务消息进行计算分析以获取分析结果(步骤S130)。
在一些示例中,在步骤S110中,可以获取不同病种的数字病理图像并进行存储。具体地,可以将不同病种的数字病理图像存储至不同的共享路径(也即存储服务节点130的共享路径)下。不同的共享路径可以对应不同的分析任务,分析任务可以包括病种信息和采集部位。具体内容参见获取模块120的相关描述。
在一些示例中,在步骤S120中,在存储服务节点130存储完成数字病理图像时,自动创建分析任务消息至相应的任务队列140。分析任务消息可以包括图像编号和共享路径对应的分析任务,任务队列140可以与该分析任务对应。具体内容参见存储服务节点130的相关描述。
在一些示例中,在步骤S130中,可以对任务队列140中的分析任务消息进行计算分析以获取分析结果。具体地,可以对对应不同分析任务的任务队列140进行不同的计算分析以获取分析结果。在计算分析中,可以创建不同目标区域的多个请求信息,并基于多个请求信息并行请求数据流服务器160的目标区域接口以获取多个目标数据,利用多个目标数据进行并行子计算分析以获取多个子分析结果,对多个子分析结果进行汇总以获取分析结果。具体内容参见计算分析模块151和数据流服务器160的相关描述。
本公开的病理分析系统100将不同病种的数字病理图像存储至不同的共享路径下并自动生成包括该共享路径对应的分析任务的分析任务消息至对应的任务队列140,任务队列140中的分析任务消息通过注册至该任务队列140的计算模块150进行计算分析以获取分析结果,计算模块150通过数据流服务器160获取用于计算分析的数据,数据流服务器160从存储服务节点130获取数字病理图像的相关数据并提供包括用于计算分析的数据。在这种情况下,能够基于数字病理图像进行多病种的计算分析,且通过数据流服务器160降低了计算分析与存储的耦合性,提高了系统的开放性、灵活性和可扩展性。另外,存储服务节点130能够支持直接存储或者分块存储且数据流服务器160支持通过图像子切片相对数字病理图像的字节偏移量和字节数或相对子分块的字节偏移量和字节数获取目标区域内的图像子切片。由此,能够提高数字病理图像的存储和读取的效率,且能够降低存储成本。另外,还通过数据管理模块110对轻量级的数据进行管理,能够简化数字病理图像与计算分析的关联性,能够降低耦合性。
虽然以上结合附图和示例对本公开进行了具体说明,但是可以理解,上述说明不以任何形式限制本公开。本领域技术人员在不偏离本公开的实质精神和范围的情况下可以根据需要对本公开进行变形和变化,这些变形和变化均落入本公开的范围内。
Claims (10)
1.一种分布式的多病种人工智能病理分析系统,其特征在于,包括数据管理模块、获取模块、多个具有用于存储文件的共享路径的存储服务节点、多个数据流服务器、多个分别与一个分析任务对应的任务队列以及多个分别与一个分析任务对应的计算模块;
所述数据管理模块配置为管理包括数字图像信息的图像编号、元数据、所述数字病理图像和/或子分块的存储路径、以及对应的分析任务的数字图像信息;
所述获取模块配置为获取不同病种的数字病理图像并将所述不同病种的数字病理图像存储至不同的共享路径下;
各个存储服务节点配置为在将所述数字病理图像存储至所述共享路径下时提取所述元数据,当存储完成时自动创建包括所述图像编号和该共享路径对应的分析任务的分析任务消息至该分析任务对应的任务队列,其中,存储所述数字病理图像的方式包括直接存储和/或基于所述元数据将所述数字病理图像分成多个子分块并对所述多个子分块进行存储,各个子分块包括多个图像子切片;
所述任务队列配置为接收所述分析任务消息并发布所述分析任务消息;
所述数据流服务器配置为提供包括目标区域接口的数据流服务,所述目标区域接口配置为接收用于获取所述数字病理图像和/或所述子分块的存储路径以及目标区域的请求信息,基于该存储路径、以及所述目标区域中的图像子切片相对所述数字病理图像的字节偏移量和字节数或相对子分块的字节偏移量和字节数生成所述目标区域对应的目标数据;
所述计算模块配置为接收所述任务队列的分析任务消息,基于所述分析任务消息中的图像编号和分析任务通过请求所述数据流服务器的目标区域接口获取所述数字病理图像的不同目标区域对应的目标数据并进行计算分析以获取分析结果。
2.根据权利要求1所述的多病种人工智能病理分析系统,其特征在于:
所述目标区域接口共享所述数字病理图像或所述数字病理图像的子分块打开的句柄并一次读取多个图像子切片以从所述存储路径获取所述目标区域中的图像子切片。
3.根据权利要求1所述的多病种人工智能病理分析系统,其特征在于:
所述多病种人工智能病理分析系统还包括任务调度模块,所述任务调度模块配置为管理各个任务队列的优先级和对所述任务队列进行实时监听,通过对所述计算模块进行调度或调整所述任务队列的优先级以使所述任务队列中的分析任务消息能够及时被所述计算模块接收。
4.根据权利要求1所述的多病种人工智能病理分析系统,其特征在于:
所述多病种人工智能病理分析系统还包括数据同步模块,所述数据同步模块配置为将所述数字病理图像的切片号作为病理号,在与第一信息系统对接时,基于该病理号从所述第一信息系统获取病例信息,在未与所述第一信息系统对接时,基于该病理号创建所述病例信息;所述病例信息用于辅助所述计算模块进行所述计算分析。
5.根据权利要求1所述的多病种人工智能病理分析系统,其特征在于:
所述分析结果包括所述数字病理图像的图像质量等级、片级分类、疑似病变区域以及该疑似病变区域对应的分类标签;所述数据管理模块还配置为管理所述片级分类对应的报告模板、以及所述片级分类和所述分类标签对应的常用语。
6.根据权利要求5所述的多病种人工智能病理分析系统,其特征在于:
所述多病种人工智能病理分析系统还包括复核模块,所述复核模块配置为获取所述分析结果,基于所述分析结果获取对应的报告模板,并基于所述分析结果以及所述数字病理图像对应的病例信息对报告进行编撰、复核和签发,在编撰时,基于所述分析结果选择对应的常用语。
7.根据权利要求1所述的多病种人工智能病理分析系统,其特征在于:
在所述计算分析中,创建所述不同目标区域的多个请求信息,并基于所述多个请求信息并行请求所述数据流服务器的目标区域接口以获取多个目标数据,利用所述多个目标数据进行并行子计算分析以获取多个子分析结果,然后对所述多个子分析结果进行汇总以获取所述分析结果,其中,所述不同目标区域为该图像编号对应的数字病理图像中的区域。
8.根据权利要求1所述的多病种人工智能病理分析系统,其特征在于:
所述存储服务节点还配置为在将所述数字病理图像存储至所述共享路径下时,获取所述数字病理图像的宏观图和标签图并进行存储;所述数据流服务还包括用于获取所述元数据的元数据解析接口、用于获取所述宏观图的宏观图解析接口、用于获取所述标签图的标签图解析接口和用于获取所述图像子切片的瓦片图解析接口中的至少一种接口。
9.根据权利要求1所述的多病种人工智能病理分析系统,其特征在于:
所述数据流服务器还配置为基于所述数据流服务的使用场景设置可复用或不可复用的请求方式。
10.根据权利要求1所述的多病种人工智能病理分析系统,其特征在于:
所述目标数据为字节流以使所述计算模块能够直接基于所述目标数据进行所述计算分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111217865.XA CN113936776B (zh) | 2021-10-19 | 2021-10-19 | 分布式的多病种人工智能病理分析系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111217865.XA CN113936776B (zh) | 2021-10-19 | 2021-10-19 | 分布式的多病种人工智能病理分析系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113936776A true CN113936776A (zh) | 2022-01-14 |
CN113936776B CN113936776B (zh) | 2023-03-24 |
Family
ID=79280597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111217865.XA Active CN113936776B (zh) | 2021-10-19 | 2021-10-19 | 分布式的多病种人工智能病理分析系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113936776B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101385635A (zh) * | 2007-09-11 | 2009-03-18 | 深圳迈瑞生物医疗电子股份有限公司 | 一种病理事件分析方法及装置 |
US20100145990A1 (en) * | 2008-12-09 | 2010-06-10 | Washington University In St. Louis | Selection and performance of hosted and distributed imaging analysis services |
CN105975793A (zh) * | 2016-05-23 | 2016-09-28 | 麦克奥迪(厦门)医疗诊断系统有限公司 | 一种基于数字病理图像的癌症辅助诊断方法 |
CN109360646A (zh) * | 2018-08-31 | 2019-02-19 | 透彻影像(北京)科技有限公司 | 基于人工智能的病理辅助诊断系统 |
WO2020104896A1 (en) * | 2018-11-23 | 2020-05-28 | Politecnico Di Torino | Device and method for detecting and monitoring cutaneous diseases |
CN112116559A (zh) * | 2020-08-17 | 2020-12-22 | 您好人工智能技术研发昆山有限公司 | 一种基于深度学习的数字病理图像智能分析方法 |
-
2021
- 2021-10-19 CN CN202111217865.XA patent/CN113936776B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101385635A (zh) * | 2007-09-11 | 2009-03-18 | 深圳迈瑞生物医疗电子股份有限公司 | 一种病理事件分析方法及装置 |
US20100145990A1 (en) * | 2008-12-09 | 2010-06-10 | Washington University In St. Louis | Selection and performance of hosted and distributed imaging analysis services |
CN105975793A (zh) * | 2016-05-23 | 2016-09-28 | 麦克奥迪(厦门)医疗诊断系统有限公司 | 一种基于数字病理图像的癌症辅助诊断方法 |
CN109360646A (zh) * | 2018-08-31 | 2019-02-19 | 透彻影像(北京)科技有限公司 | 基于人工智能的病理辅助诊断系统 |
WO2020104896A1 (en) * | 2018-11-23 | 2020-05-28 | Politecnico Di Torino | Device and method for detecting and monitoring cutaneous diseases |
CN112116559A (zh) * | 2020-08-17 | 2020-12-22 | 您好人工智能技术研发昆山有限公司 | 一种基于深度学习的数字病理图像智能分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113936776B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2394269C2 (ru) | Система и способ распространения видеоданных | |
CN110311973B (zh) | 一种面向多租户的影像云服务系统及方法 | |
US10559378B2 (en) | Systems and methods for processing large medical image data | |
US20100246981A1 (en) | PACS Optimization Techniques | |
CN114038541B (zh) | 数字病理图像的数据流的处理系统 | |
US20070140538A1 (en) | Method for processing unenhanced medical images | |
US8724929B2 (en) | Image archive apparatus | |
EP3890312A1 (en) | Distributed image analysis method and system, and storage medium | |
US20070143660A1 (en) | System and method for indexing image-based information | |
CN113936776B (zh) | 分布式的多病种人工智能病理分析系统 | |
EP3583606A1 (en) | Systems and methods for managing large medical image data | |
CN116168045B (zh) | 扫变镜头的分割方法和系统、存储介质及电子设备 | |
US10671659B2 (en) | Systems and methods for collecting large medical image data | |
US20170262439A1 (en) | Information processing apparatus and non-transitory computer readable medium | |
CN111784284B (zh) | 一种宫颈图像多人协同标记云服务系统及云服务方法 | |
US20140269911A1 (en) | Batch compression of photos | |
EP2120171A2 (en) | Methods, systems and a platform for managing medical data records | |
CN213582145U (zh) | 医疗数据灾备系统 | |
US12027251B2 (en) | Systems and methods for managing large medical image data | |
CN113591852B (zh) | 感兴趣区域标记的方法和装置 | |
JP2023030849A (ja) | 情報処理装置、情報処理方法、およびプログラム | |
CN116072268A (zh) | 一种医学数据存储方法及医学影像系统 | |
CN114942907A (zh) | 一种多存储介质适配的影像文件管理方法及装置 | |
CN117290389A (zh) | 数据标注方法、装置、电子设备及存储介质 | |
EP3185136A1 (en) | A mass data storage system and method |
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 |