CN114511559B - 染色鼻息肉病理切片质量多维评价方法、系统及介质 - Google Patents
染色鼻息肉病理切片质量多维评价方法、系统及介质 Download PDFInfo
- Publication number
- CN114511559B CN114511559B CN202210402598.1A CN202210402598A CN114511559B CN 114511559 B CN114511559 B CN 114511559B CN 202210402598 A CN202210402598 A CN 202210402598A CN 114511559 B CN114511559 B CN 114511559B
- Authority
- CN
- China
- Prior art keywords
- image
- scoring
- preprocessed image
- transparency
- preprocessed
- 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
- 208000000592 Nasal Polyps Diseases 0.000 title claims abstract description 57
- 230000001575 pathological effect Effects 0.000 title claims abstract description 55
- 208000016366 nasal cavity polyp Diseases 0.000 title claims abstract description 44
- 238000011156 evaluation Methods 0.000 title claims abstract description 35
- 210000001519 tissue Anatomy 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 49
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 33
- 231100000719 pollutant Toxicity 0.000 claims abstract description 33
- 230000037303 wrinkles Effects 0.000 claims abstract description 26
- 238000001914 filtration Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000010186 staining Methods 0.000 claims abstract description 17
- 210000000805 cytoplasm Anatomy 0.000 claims abstract description 16
- 210000003855 cell nucleus Anatomy 0.000 claims abstract description 15
- 210000004027 cell Anatomy 0.000 claims description 42
- 230000011218 segmentation Effects 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 9
- 230000001629 suppression Effects 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 6
- 239000000356 contaminant Substances 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000003321 amplification Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003199 nucleic acid amplification method Methods 0.000 description 3
- 238000013441 quality evaluation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012303 cytoplasmic staining Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012758 nuclear staining Methods 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000007598 dipping method Methods 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000004940 nucleus Anatomy 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/30168—Image quality inspection
Abstract
本发明公开的一种染色鼻息肉病理切片质量多维评价方法、系统及计算机可读存储介质,方法包括:获取鼻息肉数字全场切片图像并进行像素预处理和滤波去噪;对预处理后的图像进行组织切面完整度打分;对预处理后的图像进行切片厚薄均匀程度打分;对预处理后的图像进行刀痕、裂隙打分;对预处理后的图像进行气泡打分;对预处理后的图像进行透明度打分;对预处理后的图像进行细胞核与细胞浆染色对比清晰度打分;对预处理后的图像进行污染物打分;对预处理后的图像进行皱褶、折叠评分;将得到的各项分数加权求和得到切片图像的质量总分。本发明能够更精细、更全面的量化病理切片的质量。
Description
技术领域
本发明涉及常规HE染色鼻息肉切片质量评价技术领域,更具体的,涉及一种染色鼻息肉病理切片质量多维评价方法、系统及计算机可读存储介质。
背景技术
鼻息肉病理切片的制作需要经过取样、固定、脱水透明、浸蜡、包埋、切片、粘贴、染色、封口等步骤。这些步骤中任何一个环节的不规范或差异都可能导致后期病理切片的质量问题,如人为操作、机器操作方式、试剂的质量等。如若病理切片质量差,严重时可能会造成漏诊和误诊。同时随着数字病理扫描切片的发展与应用,对于切片的要求越来越高。
数字病理是指计算机和网络在病理学领域的应用,是现代数字系统与传统光学放大装置的有机结合。 它是通过自动显微镜或光学放大系统扫描获取高分辨率的数字图像,然后由计算机自动对图像进行高精度多场无缝拼接和处理,获得高质量的视觉数据以应用于病理分析的后续任务,如远程会诊、智能分析任务等,对病理切片质量的要求都极其严格。
以往的鼻息肉病理切片质量评价工作以人为评价为主,此类方式需要消耗本就紧张的医学资源,并且不适用于大量切片的分析。当前已经提出了几类自动化的病理切片质量评价方法,如专利CN112102247A公开了一种利用机器学习方法对待评价病理切片图像划分到多个目标质量类别(如染色不均,切片厚、震刀,切片皱折,切片皱折、坍塌,切片太厚等质量类别)中的一类,然而病理切片质量不佳应该从多个维度进行评价,对切片进行单个类别的判断是不准确的;
上述的评价方法存在评价维度单一,评价结果不准确的问题,因此亟需一种染色鼻息肉病理切片质量多维评价方法。
发明内容
鉴于上述问题,本发明的目的是提供一种染色鼻息肉病理切片质量多维评价方法、系统及计算机可读存储介质,能够实现切片的多维度评价,更精细、更全面的量化病理切片的质量。
本发明第一方面提供了一种染色鼻息肉病理切片质量多维评价方法,包括以下步骤:
获取鼻息肉数字高倍镜显微镜图片或全场切片图像并进行像素预处理和滤波去噪;
对预处理后的图像进行组织切面完整度打分;
对预处理后的图像进行切片厚薄均匀程度打分;
对预处理后的图像进行刀痕、裂隙打分;
对预处理后的图像进行气泡打分;
对预处理后的图像进行透明度打分;
对预处理后的图像进行细胞核与细胞浆染色对比清晰度打分;
对预处理后的图像进行污染物打分;
对预处理后的图像进行皱褶、折叠评分
将得到的各项分数加权求和得到切片图像的质量总分。
本方案中,所述鼻息肉数字高倍镜显微镜图片或全场切片图像并进行像素预处理和滤波去噪具体过程为:
将原始的鼻息肉数字全场切片图像低倍采样得到放大倍率为1.25的高倍镜显微镜图片或全场图像;
将倍率放大后的高倍镜显微镜图片或全场图像缩放至第一像素值图像;
将第一像素值图像切分为第二像素值图像并进行高斯滤波。
本方案中,对预处理后的图像进行组织切面完整度打分具体为:
利用canny算子计算图像的强度梯度,确定组织切面边缘;
使用非极大值抑制算法消除组织切面误检;
本方案中, 对预处理后的图像进行切片厚薄均匀程度、细胞核与细胞浆染色对比清晰度打分具体过程为:
利用Ostu法进行细胞分割;
利用开操作消除细胞分割结果毛刺;
使用Freeman链码对细胞分割结果进行实例化 ;
根据实例化结果计算每个细胞的边长P及区域面积R ,计算每个细胞的圆度;
计算所有细胞的平均圆度,乘以得分值20得到切片厚薄均匀程度、细胞核与细胞浆染色对比清晰度得分。
本方案中,对预处理后的图像进行刀痕、裂隙打分;皱褶打分具体步骤为:
利用区域生长的种子游走算法对预处理后的图像进行生长处理;
根据得到的图像形态判断生长出的图像是否为裂缝、刀痕或皱褶;
统计刀痕、裂缝数;皱褶数,根据刀痕、裂缝数;皱褶数在基础分上进行减分,得到刀痕、裂隙分数及皱褶分数。
本方案中,对预处理后的图像进行气泡打分具体步骤为:
使用霍夫圆检测算法对气泡进行检测,统计检测出的气泡数;
根据气泡数的在基础分上进行减分,得到气泡分数。
本方案中,对预处理后的图像进行透明度打分具体步骤为:
分别选取透明度高、无污染物;透明度中、有污染物;透明度低、有污染物三种病理切片作为标准模板,分别计算其峰值信噪比;
计算待评价的切片的峰值信噪比与标准模板的峰值信噪比分别计算L1距离;
若L1距离与透明度为高的标准模板距离最近则,透明度分数为20;若L1距离与透明度为中的标准模板距离最近则,透明度分数为10;若L1距离与透明度为低的标准模板距离最近则,透明度分数为0。
本发明第二方面提供了一种染色鼻息肉病理切片质量多维评价系统,包括存储器和处理器,所述存储器中包括染色鼻息肉病理切片质量多维评价方法程序,所述染色鼻息肉病理切片质量多维评价方法程序被所述处理器执行时实现如下步骤:
获取鼻息肉数字全场切片图像并进行像素预处理和滤波去噪;
对预处理后的图像进行组织切面完整度打分;
对预处理后的图像进行切片厚薄均匀程度打分;
对预处理后的图像进行刀痕、裂隙打分;
对预处理后的图像进行气泡打分;
对预处理后的图像进行透明度打分;
对预处理后的图像进行细胞核与细胞浆染色对比清晰度打分;
对预处理后的图像进行污染物打分;
对预处理后的图像进行皱褶、折叠评分
将得到的各项分数加权求和得到切片图像的质量总分。
本方案中,所述鼻息肉数字全场切片图像并进行像素预处理和滤波去噪具体过程为:
将原始的鼻息肉数字高倍镜显微镜图片或全场切片图像低倍采样得到放大倍率为1.25的高倍镜显微镜图片或全场图像;
将倍率放大后的高倍镜显微镜图片或全场图像缩放至第一像素值图像;
将第一像素值图像切分为第二像素值图像并进行高斯滤波。
本发明第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质中包括染色鼻息肉病理切片质量多维评价方法程序,所述染色鼻息肉病理切片质量多维评价方法程序被处理器执行时,实现如上所述的一种染色鼻息肉病理切片质量多维评价方法的步骤。
本发明公开的一种染色鼻息肉病理切片质量多维评价方法和系统及计算机可读存储介质,通过对病理切片图像进行预处理,设置多维度的评价指标,将每个维度的评价结果求和进而得到最终的评价分数,本发明能够更精细、更全面的量化病理切片的质量。
附图说明
图1示出了本申请一种染色鼻息肉病理切片质量多维评价方法的流程图。
图2示出了本申请一种染色鼻息肉病理切片质量多维评价系统框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本申请一种染色鼻息肉病理切片质量多维评价方法的流程图。
如图1所示,本申请公开了一种染色鼻息肉病理切片质量多维评价方法,包括以下步骤:
S102,获取鼻息肉数字高倍镜显微镜图片或全场切片图像并进行像素预处理和滤波去噪;
S104,对预处理后的图像进行组织切面完整度打分;
S106,对预处理后的图像进行切片厚薄均匀程度打分;
S108,对预处理后的图像进行刀痕、裂隙打分;
S110,对预处理后的图像进行气泡打分;
S112,对预处理后的图像进行透明度打分;
对预处理后的图像进行细胞核与细胞浆染色对比清晰度打分;
对预处理后的图像进行污染物打分;
对预处理后的图像进行皱褶、折叠评分;
S114,将得到的各项分数加权求和得到切片图像的质量总分。
需要说明的是,在本发明中,首先获鼻息数字高倍镜显微镜图片或全场切片进行图像预处理,所述图像预处理包括:先进行低倍采样,然后进行缩放,将缩放后的图像切分后进行滤波去噪得到预处理后的图像,将预处理后的图像分别从8个维度进行打分,得到每个维度对应的分数,将每个维度对应的分数求和即得到切片图像的质量总分。
根据本发明实施例,所述鼻息肉数字高倍镜显微镜图片或全场切片图像并进行像素预处理和滤波去噪具体过程为:
将原始的鼻息肉数字高倍镜显微镜图片或全场切片图像低倍采样,得到放大倍率为1.25的高倍镜显微镜图片或全场图像;
将倍率放大后的高倍镜显微镜图片或全场图像缩放至第一像素值图像;
将第一像素值图像切分为第二像素值图像并进行高斯滤波。
需要说明的是,在本发明中在进行图像预处理时,首先将原始的鼻息肉数字高倍镜显微镜图片或全场切片图像低倍采样,得到放大倍率为1.25的全场图像;将倍率放大后的高倍镜显微镜图片或全场图像缩放至第一像素值图像;在一个具体的实施例中,所述第一像素值图像像素大小2048*2048,将第一像素值图像切分为第二像素值图像并进行高斯滤波,在一个具体实施例中,第二像素值图像像素大小为1024*1024,当第一像素值图像像素大小为2048*2048是,可以切分为4张1024*1024的第二像素值图像,然后将第二像素值图像进行高斯滤波去噪。
根据本发明实施例,对预处理后的图像进行组织切面完整度打分具体为:
利用canny算子计算图像的强度梯度,确定组织切面边缘;
使用非极大值抑制算法消除组织切面误检;
需要说明的是,在本发明中首先利用canny算子计算图像的强度梯度,确定组织切面边缘,然后利用非极大值抑制算法消除组织切面误检,消除误检之后利用双阈值方法确定图像中组织切面边界,利用最下连通法得到组织切面的边长和组织切面的区域面积,利用打分公式计算组织切面完整度分数,需要说明的是,组织切面越完整分数越接近10。
根据本发明实施例,所述对预处理后的图像进行切片厚薄均匀程度打分、细胞核与细胞浆染色对比清晰度打分具体步骤:
利用Ostu法进行细胞分割;
利用开操作消除细胞分割结果毛刺;
使用Freeman链码对细胞分割结果进行实例化 ;
根据实例化结果计算每个细胞的边长P及区域面积R ,计算每个细胞的圆度;
计算所有细胞的平均圆度,乘以得分值20得到切片厚薄均匀程度、细胞核与细胞浆染色对比清晰度得分。
需要说明的是,在本发明中,首先利用Ostu法对预处理图后图像中的细胞进行分割,然后利用开操作消除细胞分割结果毛刺,进而使用Freeman连码对细胞分割结果进行实例化,计算每个细胞的边长P及区域面积R ,计算每个细胞的圆度;计算所有细胞的平均圆度,乘以得分值20得到切片厚薄均匀程度、细胞核与细胞浆染色对比清晰度得分。
根据本发明实施例,对预处理后的图像进行刀痕、裂隙打分;对预处理后的图像进行皱褶打分具体步骤为:
利用区域生长的种子游走算法对预处理后的图像进行生长处理;
根据得到的图像形态判断生长出的图像是否为裂缝、刀痕或皱褶;
统计刀痕、裂缝数与皱褶数,根据刀痕、裂缝数、皱褶数在基础分上进行减分,得到刀痕、裂隙分数;皱褶分数。
需要说明的是,在本发明中,首先在预处理后的图像中利用基于区域生长的种子游走算法进行生长处理,所述基于区域生长的种子游走算法以一组“种子”像素点作为开始,根据一定的规则判断相邻像素点与“种子”像素是否相似,如果相似则将这些相邻像素点附加到“种子”像素上。然后根据得到的图像形态判断生长出的图像是否为裂缝、刀痕或皱褶,统计刀痕、裂缝数,皱褶数。根据刀痕、裂缝数或皱褶数在基础分上进行减分,得到刀痕、裂隙分数;皱褶分数,例如,总的基础分为20分,每一个刀痕或裂缝扣5分,每一个皱褶扣5分;若扣分数超出4个,为0分。
根据本发明实施例,对预处理后的图像进行气泡打分具体步骤为:
使用霍夫圆检测算法对气泡进行检测,统计检测出的气泡数;
根据气泡数的在基础分上进行减分,得到气泡分数。
需要说明的是,在本发明中,首先利用霍夫圆检测算法对图像中的气泡进行检测,统计检测出的气泡数量,在一个具体的实施例中,气泡分数基础分为20分,每一个气泡扣5分,若气泡数超出4个,为0分。
根据本发明实施例,对预处理后的图像进行透明度打分具体步骤为:
分别选取透明度高且无污染物、透明度中且有污染物、透明度低且有污染物三种病理切片作为标准模板,分别计算其峰值信噪比;
计算待评价的切片的峰值信噪比与标准模板的峰值信噪比分别计算L1距离;
若L1距离与透明度为高且无污染物的标准模板距离最近则,透明度分数为20;若L1距离与透明度为中且有污染物的标准模板距离最近则,透明度分数为10;若L1距离与透明度为低且有污染物的标准模板距离最近则,透明度分数为0。
需要说明的是,首先需要选择透明度为透明度为高且无污染物、透明度为中且有污染物、透明度为低且有污染物的三张病理切片图像作为标准模板,计算出每个标准模板的峰值信噪比,计算待评价的切片的峰值信噪比,分别待评价的切片的峰值信噪比与三种模板峰值信噪比的L1距离,若L1距离与透明度为高且无污染物的标准模板距离最近则,透明度分数为20;若L1距离与透明度为中且有污染物的标准模板距离最近则,透明度分数为10;若L1距离与透明度为低且有污染物的标准模板距离最近则,透明度分数为0。
图2示出了一种染色鼻息肉病理切片质量多维评价系统框图。
本发明第二方面提供了一种染色鼻息肉病理切片质量多维评价系统,包括存储器21和处理器22,所述存储器中包括染色鼻息肉病理切片质量多维评价方法程序,所述染色鼻息肉病理切片质量多维评价方法程序被所述处理器执行时实现如下步骤:
获取鼻息肉数字高倍镜显微镜图片或全场切片图像并进行像素预处理和滤波去噪;
对预处理后的图像进行组织切面完整度打分;
对预处理后的图像进行切片厚薄均匀程度打分;
对预处理后的图像进行刀痕、裂隙打分;
对预处理后的图像进行气泡打分;
对预处理后的图像进行透明度打分;
对预处理后的图像进行细胞核与细胞浆染色对比清晰度打分;
对预处理后的图像进行污染物打分;
对预处理后的图像进行皱褶、折叠评分;
将得到的各项分数加权求和得到切片图像的质量总分。
需要说明的是,在本发明中,首先获鼻息数字高倍镜显微镜图片或全场切片进行图像预处理,所述图像预处理包括:先进行低倍采样,然后进行缩放,将缩放后的图像切分后进行滤波去噪得到预处理后的图像,将预处理后的图像分别从5个维度进行打分,得到每个维度对应的分数,将每个维度对应的分数求和即得到切片图像的质量总分。
根据本发明实施例,所述鼻息肉数字高倍镜显微镜图片或全场切片图像并进行像素预处理和滤波去噪具体过程为:
将原始的鼻息肉数字高倍镜显微镜图片或全场切片图像低倍采样,得到放大倍率为1.25的高倍镜显微镜图片或全场图像;
将倍率放大后的高倍镜显微镜图片或全场图像缩放至第一像素值图像;
将第一像素值图像切分为第二像素值图像并进行高斯滤波。
需要说明的是,在本发明中在进行图像预处理时,首先将原始的鼻息肉数字高倍镜显微镜图片或全场切片图像低倍采样,得到放大倍率为1.25的全场图像;将倍率放大后的全场图像缩放至第一像素值图像;在一个具体的实施例中,所述第一像素值图像像素大小2048*2048,将第一像素值图像切分为第二像素值图像并进行高斯滤波,在一个具体实施例中,第二像素值图像像素大小为1024*1024,当第一像素值图像像素大小为2048*2048是,可以切分为4张1024*1024的第二像素值图像,然后将第二像素值图像进行高斯滤波去噪。
根据本发明实施例,对预处理后的图像进行组织切面完整度打分具体为:
利用canny算子计算图像的强度梯度,确定组织切面边缘;
使用非极大值抑制算法消除组织切面误检;
需要说明的是,在本发明中首先利用canny算子计算图像的强度梯度,然后利用非极大值抑制算法消除组织切面误检,消除误检之后利用双阈值方法确定图像中组织切面边界,进而得到组织切面的边长和组织切面的区域面积,利用打分公式计算组织切面完整度分数,需要说明的是,组织切面越完整分数越接近10。
根据本发明实施例,所述对预处理后的图像进行切片厚薄均匀程度打分、细胞核与细胞浆染色对比清晰度打分具体步骤:
利用Ostu法进行细胞分割;
利用开操作消除细胞分割结果毛刺;
使用Freeman链码对细胞分割结果进行实例化 ;
根据实施例结果计算每个细胞的边长P及区域面积R ,计算每个细胞的圆度;
计算所有细胞的平均圆度,乘以得分值得到切片厚薄均匀程度得分。
需要说明的是,在本发明中,首先利用Ostu法对预处理图后图像中的细胞进行分割,然后利用开操作消除细胞分割结果毛刺,进而使用Freeman连码对细胞分割结果进行实例化,计算每个细胞的边长P及区域面积R ,计算每个细胞的圆度;计算所有细胞的平均圆度,乘以得分值20得到切片厚薄均匀程度得分、细胞核与细胞浆染色对比清晰度得分。
根据本发明实施例,对预处理后的图像进行刀痕、裂隙打分具体步骤为:
利用区域生长的种子游走算法对预处理后的图像进行生长处理;
根据得到的图像形态判断生长出的图像是否为裂缝、刀痕或皱褶;
统计刀痕、裂缝数;皱褶数,根据刀痕、裂缝数;皱褶数在基础分上进行减分,得到刀痕、裂隙分数;皱褶分数。
需要说明的是,在本发明中,首先在预处理后的图像中利用基于区域生长的种子游走算法进行生长处理,所述基于区域生长的种子游走算法以一组“种子”像素点作为开始,根据一定的规则判断相邻像素点与“种子”像素是否相似,如果相似则将这些相邻像素点附加到“种子”像素上。然后根据得到的图像形态判断生长出的图像是否为裂缝、刀痕或皱褶,统计刀痕、裂缝数与皱褶数,根据刀痕、裂缝数与皱褶数在基础分上进行减分,得到刀痕、裂隙分数及周折分数。例如,总的基础分为20分,每一个刀痕或裂缝扣5分,每一个皱褶扣5分;若扣分数超出4个,为0分。
根据本发明实施例,对预处理后的图像进行气泡打分具体步骤为:
使用霍夫圆检测算法对气泡进行检测,统计检测出的气泡数;
根据气泡数的在基础分上进行减分,得到气泡分数。
需要说明的是,在本发明中,首先利用霍夫圆检测算法对图像中的气泡进行检测,统计检测出的气泡数量,在一个具体的实施例中,气泡分数基础分为20分,每一个气泡扣5分,若气泡数超出4个,为0分。
根据本发明实施例,对预处理后的图像进行透明度打分具体步骤为:
分别选取透明度高且无污染物、透明度中且有污染物、透明度低且有污染物三种病理切片作为标准模板,分别计算其峰值信噪比;
计算待评价的切片的峰值信噪比与标准模板的峰值信噪比分别计算L1距离;
若L1距离与透明度为高且无污染物的标准模板距离最近则,透明度分数为20;若L1距离与透明度为中且有污染物的标准模板距离最近则,透明度分数为10;若L1距离与透明度为低且有污染物的标准模板距离最近则,透明度分数为0。
需要说明的是,首先需要选择透明度为透明度为高且无污染物、透明度为中且有污染物、透明度为低且有污染物的三张病理切片图像作为标准模板,计算出每个标准模板的峰值信噪比,计算待评价的切片的峰值信噪比,分别待评价的切片的峰值信噪比与三种模板峰值信噪比的L1距离,若L1距离与透明度为高且无污染物的标准模板距离最近则,透明度分数为20;若L1距离与透明度为中且有污染物的标准模板距离最近则,透明度分数为10;若L1距离与透明度为低且有污染物的标准模板距离最近则,透明度分数为0。
本发明第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质中包括染色鼻息肉病理切片质量多维评价方法程序,所述染色鼻息肉病理切片质量多维评价方法程序被处理器执行时,实现如上所述的一种染色鼻息肉病理切片质量多维评价方法的步骤。
本发明公开的一种染色鼻息肉病理切片质量多维评价方法和系统及计算机可读存储介质,通过通过对病理切片图像进行预处理,设置多维度的评价指标,将每个维度的评价结果求和进而得到最终的评价分数,本发明能够更精细、更全面的量化病理切片的质量。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (5)
1.一种染色鼻息肉病理切片质量多维评价方法,其特征在于,包括以下步骤:
获取鼻息肉数字高倍镜显微镜图片或全场切片图像并进行像素预处理和滤波去噪;
对预处理后的图像进行组织切面完整度打分;
对预处理后的图像进行切片厚薄均匀程度打分;
对预处理后的图像进行刀痕、裂隙打分;
对预处理后的图像进行气泡打分;
对预处理后的图像进行透明度打分;
对预处理后的图像进行细胞核与细胞浆染色对比清晰度打分;
对预处理后的图像进行污染物打分;
对预处理后的图像进行皱褶、折叠评分;
将得到的各项分数求和得到切片图像的质量总分;
所述鼻息肉数字高倍镜显微镜图片或全场切片图像并进行像素预处理和滤波去噪具体过程为:
将原始的鼻息肉数字全场切片图像低倍采样得到放大倍率为1.25的高倍镜显微镜图片全场图像;
将倍率放大后的高倍镜显微镜图片或全场切片图像缩放至第一像素值图像;
将第一像素值图像切分为第二像素值图像并进行高斯滤波;
所述对预处理后的图像进行组织切面完整度打分具体为:
利用canny算子计算图像的强度梯度,确定组织切面边缘;
使用非极大值抑制算法消除组织切面误检;
所述对预处理后的图像进行切片厚薄均匀程度打分、细胞核与细胞浆染色对比清晰度打分具体过程为:
利用Ostu法进行细胞分割;
利用开操作消除细胞分割结果毛刺;
使用Freeman链码对细胞分割结果进行实例化 ;
根据实例化结果计算每个细胞的边长P及区域面积R,计算每个细胞的圆度;
计算所有细胞的平均圆度,乘以得分值20得到切片厚薄均匀程度、细胞核与细胞浆染色对比清晰度得分;
所述对预处理后的图像进行刀痕、裂隙打分;对预处理后的图像进行皱褶、折叠打分具体步骤为:
利用区域生长的种子游走算法对预处理后的图像进行生长处理;
根据得到的图像形态判断生长出的图像是否为裂缝或刀痕或皱褶;
统计刀痕与裂缝、皱褶数,根据刀痕、裂缝数或皱褶数在基础分上进行减分,得到刀痕、裂隙、皱褶分数。
2.根据根据权利要求1所述的一种染色鼻息肉病理切片质量多维评价方法,其特征在于,对预处理后的图像进行气泡打分具体步骤为:
使用霍夫圆检测算法对气泡进行检测,统计检测出的气泡数;
根据气泡数的在基础分上进行减分,得到气泡分数。
3.根据根据权利要求1所述的一种染色鼻息肉病理切片质量多维评价方法,其特征在于,对预处理后的图像进行透明度打分、污染物打分具体步骤为:
分别选取透明度高、中、低三种病理切片作为标准模板,分别计算其峰值信噪比;
计算待评价的切片的峰值信噪比与标准模板的峰值信噪比分别计算L1距离;
若L1距离与透明度为高、无污染物的标准模板距离最近则,透明度、无污染物分数为20;若L1距离与透明度为中、有污染物的标准模板距离最近则,透明度分数为10;若L1距离与透明度为低、有污染物的标准模板距离最近则,透明度分数为0。
4.一种染色鼻息肉病理切片质量多维评价系统,其他特征在于,包括存储器和处理器,所述存储器中包括染色鼻息肉病理切片质量多维评价方法程序,所述染色鼻息肉病理切片质量多维评价方法程序被所述处理器执行时实现如下步骤:
获取鼻息肉数字全场切片图像并进行像素预处理和滤波去噪;
对预处理后的图像进行组织切面完整度打分;
对预处理后的图像进行切片厚薄均匀程度打分;
对预处理后的图像进行刀痕、裂隙打分;
对预处理后的图像进行气泡打分;
对预处理后的图像进行透明度打分;
对预处理后的图像进行细胞核与细胞浆染色对比清晰度打分;
对预处理后的图像进行污染物打分;
对预处理后的图像进行皱褶、折叠评分;
将得到的各项分数加权求和得到切片图像的质量总分;
所述鼻息肉数字高倍镜显微镜图片或全场切片图像并进行像素预处理和滤波去噪具体过程为:
将原始的鼻息肉数字全场切片图像低倍采样得到放大倍率为1.25的高倍镜显微镜图片全场图像;
将倍率放大后的高倍镜显微镜图片或全场切片图像缩放至第一像素值图像;
将第一像素值图像切分为第二像素值图像并进行高斯滤波;
所述对预处理后的图像进行组织切面完整度打分具体为:
利用canny算子计算图像的强度梯度,确定组织切面边缘;
使用非极大值抑制算法消除组织切面误检;
所述对预处理后的图像进行切片厚薄均匀程度打分、细胞核与细胞浆染色对比清晰度打分具体过程为:
利用Ostu法进行细胞分割;
利用开操作消除细胞分割结果毛刺;
使用Freeman链码对细胞分割结果进行实例化 ;
根据实例化结果计算每个细胞的边长P及区域面积R,计算每个细胞的圆度;
计算所有细胞的平均圆度,乘以得分值20得到切片厚薄均匀程度、细胞核与细胞浆染色对比清晰度得分;
所述对预处理后的图像进行刀痕、裂隙打分;对预处理后的图像进行皱褶、折叠打分具体步骤为:
利用区域生长的种子游走算法对预处理后的图像进行生长处理;
根据得到的图像形态判断生长出的图像是否为裂缝或刀痕或皱褶;
统计刀痕与裂缝、皱褶数,根据刀痕、裂缝数或皱褶数在基础分上进行减分,得到刀痕、裂隙、皱褶分数。
5.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括染色鼻息肉病理切片质量多维评价方法程序,所述染色鼻息肉病理切片质量多维评价方法程序被处理器执行时,实现如权利要求1至3中任一项所述的一种染色鼻息肉病理切片质量多维评价方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210402598.1A CN114511559B (zh) | 2022-04-18 | 2022-04-18 | 染色鼻息肉病理切片质量多维评价方法、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210402598.1A CN114511559B (zh) | 2022-04-18 | 2022-04-18 | 染色鼻息肉病理切片质量多维评价方法、系统及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114511559A CN114511559A (zh) | 2022-05-17 |
CN114511559B true CN114511559B (zh) | 2022-10-11 |
Family
ID=81554874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210402598.1A Active CN114511559B (zh) | 2022-04-18 | 2022-04-18 | 染色鼻息肉病理切片质量多维评价方法、系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114511559B (zh) |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016189065A1 (en) * | 2015-05-26 | 2016-12-01 | Ventana Medical Systems, Inc. | Method and system for assessing stain quality for in-situ hybridization and immunohistochemistry |
WO2018082085A1 (zh) * | 2016-11-07 | 2018-05-11 | 中国科学院自动化研究所 | 基于序列切片的显微镜图像采集方法 |
CN110376198B (zh) * | 2019-08-29 | 2021-08-10 | 广州锟元方青医疗科技有限公司 | 一种宫颈液基细胞切片质量检测系统 |
CN110736748A (zh) * | 2019-09-12 | 2020-01-31 | 杭州迪英加科技有限公司 | 免疫组化核浆染色切片诊断方法及系统 |
CN110853005A (zh) * | 2019-11-06 | 2020-02-28 | 杭州迪英加科技有限公司 | 一种免疫组化膜染色切片诊断方法及装置 |
CN111192251B (zh) * | 2019-12-30 | 2023-03-28 | 上海交通大学医学院附属国际和平妇幼保健院 | 基于水平集图像分割的卵泡超声处理方法和系统 |
CN111986157B (zh) * | 2020-07-21 | 2024-02-09 | 万达信息股份有限公司 | 一种数字病理图像质量评价系统 |
CN114022539A (zh) * | 2021-10-13 | 2022-02-08 | 吴冰 | 一种显微镜图像细胞位置判断方法 |
CN114240836A (zh) * | 2021-11-12 | 2022-03-25 | 杭州迪英加科技有限公司 | 一种鼻息肉病理切片分析方法、系统和可读存储介质 |
CN114332027A (zh) * | 2021-12-30 | 2022-04-12 | 深圳太力生物技术有限责任公司 | 一种基于图像分析的细胞均一性获取方法及系统 |
-
2022
- 2022-04-18 CN CN202210402598.1A patent/CN114511559B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114511559A (zh) | 2022-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6086949B2 (ja) | 色原体分離に基づく画像解析の方法 | |
CN111462076B (zh) | 一种全切片数字病理图像模糊区域检测方法及系统 | |
US11226280B2 (en) | Automated slide assessments and tracking in digital microscopy | |
US9239281B2 (en) | Method and device for dividing area of image of particle in urine | |
JP2023030033A (ja) | デジタル病理学分析結果の格納および読み出し方法 | |
EP3867868A1 (en) | Image enhancement to enable improved nuclei detection and segmentation | |
US11538261B2 (en) | Systems and methods for automated cell segmentation and labeling in immunofluorescence microscopy | |
Indhumathi et al. | An automatic segmentation algorithm for 3D cell cluster splitting using volumetric confocal images | |
CN113781455B (zh) | 宫颈细胞图像异常检测方法、装置、设备及介质 | |
CN110736747A (zh) | 一种细胞液基涂片镜下定位的方法及系统 | |
CN112132166A (zh) | 一种数字细胞病理图像智能分析方法、系统及装置 | |
WO2006087526A1 (en) | Apparatus and method for processing of specimen images for use in computer analysis thereof | |
CN111583226B (zh) | 细胞病理感染评估方法、电子装置及存储介质 | |
CN111415330A (zh) | 基于深度学习的铜箔外观缺陷检测方法 | |
CN115170518A (zh) | 基于深度学习和机器视觉的细胞检测方法及系统 | |
CN113658174A (zh) | 基于深度学习和图像处理算法的微核组学图像检测方法 | |
Gislason et al. | Comparison between automated analysis of zooplankton using ZooImage and traditional methodology | |
CN110648312A (zh) | 一种基于鳞片形态特征分析的羊毛与羊绒纤维识别方法 | |
CN112703531A (zh) | 生成组织图像的注释数据 | |
CN113393454A (zh) | 活检组织中病理目标实例分割方法和装置 | |
CN114511559B (zh) | 染色鼻息肉病理切片质量多维评价方法、系统及介质 | |
JP4897488B2 (ja) | 分散プロット分布を用いてスライドを分類するシステム | |
CN112330613A (zh) | 一种细胞病理数字图像质量的评价方法及系统 | |
Jiménez et al. | Image quality metrics applied to digital pathology | |
Abrol et al. | An automated segmentation of leukocytes using modified watershed algorithm on peripheral blood smear images |
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 |