CN114677319A - 干细胞分布确定方法、装置、电子设备及存储介质 - Google Patents
干细胞分布确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114677319A CN114677319A CN202011553990.3A CN202011553990A CN114677319A CN 114677319 A CN114677319 A CN 114677319A CN 202011553990 A CN202011553990 A CN 202011553990A CN 114677319 A CN114677319 A CN 114677319A
- Authority
- CN
- China
- Prior art keywords
- detected
- stem cell
- image
- stem cells
- images
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
-
- 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
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
- C12M41/46—Means for regulation, monitoring, measurement or control, e.g. flow regulation of cellular or enzymatic activity or functionality, e.g. cell viability
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4038—Scaling the whole image or part thereof for image mosaicing, i.e. plane images composed of plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
- C12M41/30—Means for regulation, monitoring, measurement or control, e.g. flow regulation of concentration
- C12M41/36—Means for regulation, monitoring, measurement or control, e.g. flow regulation of concentration of biomass, e.g. colony counters or by turbidity measurements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- 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
- G06T2207/10024—Color image
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
-
- 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
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
-
- 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
- G06T2207/30242—Counting objects in image
Abstract
本申请涉及图像检测技术,一种干细胞分布确定方法,所述方法包括:获取目标医学图像;对所述目标医学图像进行切割,获得多个待检测图像;将所述多个待检测图像输入至预先训练好的干细胞检测模型中,获得每个所述待检测图像中的干细胞数量;确定每个所述待检测图像在所述目标医学图像的位置;根据所述每个所述待检测图像中的干细胞数量以及所述每个所述待检测图像在所述目标医学图像的位置,确定所述目标医学图像的干细胞分布。本申请还提供一种干细胞分布确定装置、电子设备及存储介质。本申请能提高干细胞的分布统计的准确度。
Description
技术领域
本申请涉及图像检测技术领域,尤其涉及一种干细胞分布确定方法、装置、电子设备及存储介质。
背景技术
目前,在计算医学图像中的干细胞数量时,可以通过亮度或灰度值作为判别的基础,来观察干细胞的数量是增加还是减少。但在实践中发现,在医学图像中,除了干细胞之外,还会存在其他杂质或其他细胞,以及干细胞的大小和形状都不一致,甚至重叠,导致干细胞的分布统计的准确度不高。
因此,如何提高干细胞的分布统计的准确度是一个亟需解决的技术问题。
发明内容
鉴于以上内容,有必要提供一种干细胞分布确定方法、装置、电子设备及存储介质,能够提高干细胞的分布统计的准确度。
本申请的第一方面提供一种干细胞分布确定方法,所述干细胞分布确定方法包括:
获取目标医学图像;
对所述目标医学图像进行切割,获得多个待检测图像;
将所述多个待检测图像输入至预先训练好的干细胞检测模型中,获得每个所述待检测图像中的干细胞数量;
确定每个所述待检测图像在所述目标医学图像的位置;
根据所述每个所述待检测图像中的干细胞数量以及所述每个所述待检测图像在所述目标医学图像的位置,确定所述目标医学图像的干细胞分布。
在一种可能的实现方式中,所述根据所述每个所述待检测图像中的干细胞数量以及所述每个所述待检测图像在所述目标医学图像的位置,确定所述目标医学图像的干细胞分布之后,所述干细胞分布确定方法还包括:
接收针对所述目标医学图像中指定区域的干细胞分析指令;
从所述多个待检测图像中确定与所述指定区域对应的目标图像;
对所述目标图像的干细胞数量进行统计,获得所述指定区域的区域干细胞数量;
判断所述区域干细胞数量是否大于第一预设数量阈值;
若所述区域干细胞数量小于或等于第一预设数量阈值,确定所述指定区域不存在干细胞聚集现象。
在一种可能的实现方式中,所述干细胞分布确定方法还包括:
若所述区域干细胞数量大于第一预设数量阈值,确定所述指定区域存在干细胞聚集现象;
在所述指定区域上输出干细胞聚集提示信息。
在一种可能的实现方式中,所述获取目标医学图像之前,所述干细胞分布确定方法还包括:
获取干细胞样本图像;
使用残差卷积网络对所述干细胞样本图像进行特征提取,获得特征信息;
根据所述特征信息,使用特征金字塔网络生成第一特征图;
根据所述第一特征图,使用区域候选网络生成候选区域;
根据预设交并比阈值,对所述候选区域进行筛选,获得目标区域;
将所述第一特征图以及所述目标区域输入至感兴趣区域池化层,获得与所述目标区域对应的第二特征图;
根据所述第二特征图,对所述目标区域的边界框以及类别进行回归,获得训练好的干细胞检测模型。
在一种可能的实现方式中,所述对所述目标医学图像进行切割,获得多个待检测图像之后,所述干细胞分布确定方法还包括:
针对每个所述待检测图像,通过归一化算法对所述待检测图像的像素进行归一化处理,获得归一化图像;
对所述归一化图像进行伽马校正,获得校正图像;
所述将所述多个待检测图像输入至预先训练好的干细胞检测模型中,获得每个所述待检测图像中的干细胞数量包括:
将多个所述校正图像输入至预先训练好的干细胞检测模型中,获得每个所述待检测图像中的干细胞数量。
在一种可能的实现方式中,所述将所述多个待检测图像输入至预先训练好的干细胞检测模型中,获得每个所述待检测图像中的干细胞数量之后,所述干细胞分布确定方法还包括:
针对每个所述待检测图像,判断所述待检测图像的干细胞数量是否大于第二预设数量阈值;
若所述待检测图像的干细胞数量大于第二预设数量阈值,生成告警信息;
将所述告警信息发送至预设终端设备。
在一种可能的实现方式中,所述根据所述每个所述待检测图像中的干细胞数量以及所述每个所述待检测图像在所述目标医学图像的位置,确定所述目标医学图像的干细胞分布之后,所述干细胞分布确定方法还包括:
当接收到干细胞数量统计指令时,对所述多个待检测图像的干细胞数量进行统计,获得干细胞总数量;
输出所述干细胞总数量。
本申请的第二方面提供一种干细胞分布确定装置,所述干细胞分布确定装置包括:
获取模块,用于获取目标医学图像;
切割模块,用于对所述目标医学图像进行切割,获得多个待检测图像;
输入模块,用于将所述多个待检测图像输入至预先训练好的干细胞检测模型中,获得每个所述待检测图像中的干细胞数量;
确定模块,用于确定每个所述待检测图像在所述目标医学图像的位置;
所述确定模块,还用于根据所述每个所述待检测图像中的干细胞数量以及所述每个所述待检测图像在所述目标医学图像的位置,确定所述目标医学图像的干细胞分布。
本申请的第三方面提供一种电子设备,所述电子设备包括处理器和存储器,所述处理器用于执行所述存储器中存储的计算机程序时实现所述的干细胞分布确定方法。
本申请的第四方面提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现所述的干细胞分布确定方法。
由以上技术方案,本申请不仅提高了干细胞的分布统计的效率,同时,也提高了干细胞的分布统计的准确度。
附图说明
图1是本申请公开的一种干细胞分布确定方法的较佳实施例的流程图。
图2是本申请公开的一种干细胞分布确定装置的较佳实施例的功能模块图。
图3是本申请实现干细胞分布确定方法的较佳实施例的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。
本申请实施例的干细胞分布确定方法应用在电子设备中,也可以应用在电子设备和通过网络与所述电子设备进行连接的服务器所构成的硬件环境中,由服务器和电子设备共同执行。网络包括但不限于:广域网、城域网或局域网。
其中,服务器可以是指能对网络中其它设备(如电子设备)提供服务的计算机系统。如果一个个人电脑能够对外提供文件传输协议(File Transfer Protocol,简称FTP)服务,也可以叫服务器。从狭义范围上讲,服务器专指某些高性能计算机,能通过网络,对外提供服务,其相对于普通的个人电脑来说,稳定性、安全性、性能等方面都要求更高,因此在CPU、芯片组、内存、磁盘系统、网络等硬件和普通的个人电脑有所不同。
所述电子设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、嵌入式设备等。所述电子设备还可包括网络设备和/或用户设备。其中,所述网络设备包括但不限于单个网络设备、多个网络设备组成的服务器组或基于云计算(Cloud Computing)的由大量主机或网络设备构成的云,其中,云计算是分布式计算的一种,由一群松散耦合的计算机集组成的一个超级虚拟计算机。所述用户设备包括但不限于任何一种可与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理PDA等。
请参见图1,图1是本申请公开的一种干细胞分布确定方法的较佳实施例的流程图。其中,根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。其中,所述干细胞分布确定方法的执行主体可以是电子设备。
S11、获取目标医学图像。
其中,所述目标医学图像中包括干细胞、其他细胞以及一些杂质。
作为一种可选的实施方式,所述步骤S11之前,所述干细胞分布确定方法还包括:
获取干细胞样本图像;
使用残差卷积网络对所述干细胞样本图像进行特征提取,获得特征信息;
根据所述特征信息,使用特征金字塔网络生成第一特征图;
根据所述第一特征图,使用区域候选网络生成候选区域;
根据预设交并比阈值,对所述候选区域进行筛选,获得目标区域;
将所述第一特征图以及所述目标区域输入至感兴趣区域池化层,获得与所述目标区域对应的第二特征图;
根据所述第二特征图,对所述目标区域的边界框以及类别进行回归,获得训练好的干细胞检测模型。
在该可选的实施方式中,可以使用残差卷积网络(residual network,ResNet)对干细胞样本图像进行特征提取,获取图像的特征信息,然后将图像的特征信息输入至特征金字塔网络(Feature Pyramid Networks,FPN),获得图像的特征图(第一特征图),区域候选网络(Region Proposal Network,RPN)对特征图进行处理,生成多个候选区域。这时可以根据预设交并比阈值对所述候选区域进行筛选,获得目标区域,即正样本。可以将图像的特征图以及目标区域输入至感兴趣区域(region of interest,ROI)池化层,获得第一区域对应的特征图(第二特征图),其中,可以使用ROI Align(感兴趣区域对齐),实现特征图尺寸的统一化。然后,可以根据目标区域的特征图,对目标区域的边界框(坐标)以及类别进行回归,确定神经网络的参数,获得训练好的干细胞检测模型。
S12、对所述目标医学图像进行切割,获得多个待检测图像。
其中,所述目标医学图像可以是通过全自动显微镜或光学放大系统扫描采集得到高分辨数字图像,再应用计算机对得到的图像自动进行高精度多视野无缝隙拼接和处理,获得优质的可视化数据以应用于病理学的各个领域的图像。
本申请实施例中,可以对所述目标医学图像进行切割,获得多个待检测图像,可以避免因为所述目标医学图像的大小过大,导致计算机无法直接处理所述目标医学图像,同时,对多个所述待检测图像进行并行处理,可以提高处理速度。
作为一种可选的实施方式,所述步骤S12之后,所述干细胞分布确定方法还包括:
针对每个所述待检测图像,通过归一化算法对所述待检测图像的像素进行归一化处理,获得归一化图像;
对所述归一化图像进行伽马校正,获得校正图像;
所述将所述多个待检测图像输入至预先训练好的干细胞检测模型中,获得每个所述待检测图像中的干细胞数量包括:
将多个所述校正图像输入至预先训练好的干细胞检测模型中,获得每个所述待检测图像中的干细胞数量。
其中,归一化是指RGB(Red Green Blue)归一化,通过对图像的RGB色彩空间进行归一化处理,可以消除一部分光照对图像的影响。
其中,伽马校正(gamma correction)是对图像的伽马曲线进行编辑,以对图像进行非线性色调编辑的方法,检出图像信号中的深色部分和浅色部分,并使两者比例增大,从而提高图像对比度效果。
在该可选的实施方式中,因为不同的图像的来源可能不同,在图像的采集中,图像往往会被不同强度的随机信号(也称噪声)所污染,这会对后续的图像分析和处理产生不可预知的影响,因此,需要对这些图像进行RGB归一化以及伽马校正,以减少噪声对图像的影响,以提高图像检测的准确性。
S13、将所述多个待检测图像输入至预先训练好的干细胞检测模型中,获得每个所述待检测图像中的干细胞数量。
本申请实施例中,可以将所述多个待检测图像输入至预先训练好的干细胞检测模型中,获得每个所述待检测图像中的干细胞数量。通过预先训练好的干细胞检测模型获得的干细胞数量准确度比较高,同时,并行确定所述多个待检测图像中的干细胞数量,效率比较高。
作为一种可选的实施方式,所述步骤S13之后,以及所述步骤S14之前,所述干细胞分布确定方法还包括:
针对每个所述待检测图像,判断所述待检测图像的干细胞数量是否大于第二预设数量阈值;
若所述待检测图像的干细胞数量大于第二预设数量阈值,生成告警信息;
将所述告警信息发送至预设终端设备。
在该可选的实施方式中,若所述待检测图像的干细胞数量大于第二预设数量阈值,生成告警信息,将所述告警信息发送至预设终端设备,以提示医护人员注意所述待检测图像的干细胞数量过多。
S14、确定每个所述待检测图像在所述目标医学图像的位置。
其中,所述待检测图像在所述目标医学图像的位置可以使用预先设置的字符表示,比如按照从左到右,从上到下的顺序,类似二维数组的下标,可以使用11、12、13表示第一行的3个所述待检测图像在所述目标医学图像的位置,21、22、23表示第二行的3个所述待检测图像在所述目标医学图像的位置等。
S15、根据所述每个所述待检测图像中的干细胞数量以及所述每个所述待检测图像在所述目标医学图像的位置,确定所述目标医学图像的干细胞分布。
本申请实施例中,所述目标医学图像的干细胞分布可以表示为所述目标医学图像的各个位置的干细胞的数量。
作为一种可选的实施方式,所述步骤S15之后,所述干细胞分布确定方法还包括:
接收针对所述目标医学图像中指定区域的干细胞分析指令;
从所述多个待检测图像中确定与所述指定区域对应的目标图像;
对所述目标图像的干细胞数量进行统计,获得所述指定区域的区域干细胞数量;
判断所述区域干细胞数量是否大于第一预设数量阈值;
若所述区域干细胞数量小于或等于第一预设数量阈值,确定所述指定区域不存在干细胞聚集现象。
在该可选的实施方式中,可以从所述多个待检测图像中确定与所述指定区域对应的目标图像;对所述目标图像的干细胞数量进行统计,获得所述指定区域的区域干细胞数量。若所述区域干细胞数量小于或等于第一预设数量阈值,确定所述指定区域不存在干细胞聚集现象。
作为一种可选的实施方式,所述干细胞分布确定方法还包括:
若所述区域干细胞数量大于第一预设数量阈值,确定所述指定区域存在干细胞聚集现象;
在所述指定区域上输出干细胞聚集提示信息。
在该可选的实施方式中,若所述区域干细胞数量大于第一预设数量阈值,确定所述指定区域存在干细胞聚集现象;可以在所述指定区域上输出干细胞聚集提示信息,比如“该区域存在干细胞聚集现象”。可以以文字的形式在图像的所述指定区域上输出。
作为一种可选的实施方式,所述步骤S15之后,所述干细胞分布确定方法还包括:
当接收到干细胞数量统计指令时,对所述多个待检测图像的干细胞数量进行统计,获得干细胞总数量;
输出所述干细胞总数量。
在该可选的实施方式中,可以对所述多个待检测图像的干细胞数量进行统计,获得干细胞总数量。
在图1所描述的方法流程中,可以将目标医学图像分成多个较小的待检测图像,通过预先训练好的干细胞检测模型对多个较小的待检测图像并行处理,获得多个待检测图像的干细胞数量,根据所述每个待检测图像中的干细胞数量以及每个所述待检测图像在目标医学图像的位置,确定目标医学图像的干细胞分布。根据上述方法流程,可以提高干细胞的分布统计的效率,同时,也提高了干细胞的分布统计的准确度。
请参见图2,图2是本申请公开的一种干细胞分布确定装置的较佳实施例的功能模块图。
在一些实施例中,所述干细胞分布确定装置运行于电子设备中。所述干细胞分布确定装置可以包括多个由程序代码段所组成的功能模块。所述干细胞分布确定装置中的各个程序段的程序代码可以存储于存储器中,并由至少一个处理器所执行,以执行图1所描述的干细胞分布确定方法中的部分或全部步骤。
本实施例中,所述干细胞分布确定装置根据其所执行的功能,可以被划分为多个功能模块。所述功能模块可以包括:获取模块201、切割模块202、输入模块203及确定模块204。本申请所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段,其存储在存储器中。
获取模块201,用于获取目标医学图像。
其中,所述目标医学图像中包括干细胞、其他细胞以及一些杂质。
切割模块202,用于对所述目标医学图像进行切割,获得多个待检测图像。
其中,所述目标医学图像可以是通过全自动显微镜或光学放大系统扫描采集得到高分辨数字图像,再应用计算机对得到的图像自动进行高精度多视野无缝隙拼接和处理,获得优质的可视化数据以应用于病理学的各个领域的图像。
本申请实施例中,可以对所述目标医学图像进行切割,获得多个待检测图像,可以避免因为所述目标医学图像的大小过大,导致计算机无法直接处理所述目标医学图像,同时,对多个所述待检测图像进行并行处理,可以提高处理速度。
输入模块203,用于将所述多个待检测图像输入至预先训练好的干细胞检测模型中,获得每个所述待检测图像中的干细胞数量。
本申请实施例中,可以将所述多个待检测图像输入至预先训练好的干细胞检测模型中,获得每个所述待检测图像中的干细胞数量。通过预先训练好的干细胞检测模型获得的干细胞数量准确度比较高,同时,并行确定所述多个待检测图像中的干细胞数量,效率比较高。
确定模块204,用于确定每个所述待检测图像在所述目标医学图像的位置。
其中,所述待检测图像在所述目标医学图像的位置可以使用预先设置的字符表示,比如按照从左到右,从上到下的顺序,类似二维数组的下标,可以使用11、12、13表示第一行的3个所述待检测图像在所述目标医学图像的位置,21、22、23表示第二行的3个所述待检测图像在所述目标医学图像的位置等。
所述确定模块204,还用于根据所述每个所述待检测图像中的干细胞数量以及所述每个所述待检测图像在所述目标医学图像的位置,确定所述目标医学图像的干细胞分布。
本申请实施例中,所述目标医学图像的干细胞分布可以表示为所述目标医学图像的各个位置的干细胞的数量。
作为一种可选的实施方式,所述干细胞分布确定装置还可以包括:
接收模块,用于所述确定模块204根据所述每个所述待检测图像中的干细胞数量以及所述每个所述待检测图像在所述目标医学图像的位置,确定所述目标医学图像的干细胞分布之后,接收针对所述目标医学图像中指定区域的干细胞分析指令;
所述确定模块204,还用于从所述多个待检测图像中确定与所述指定区域对应的目标图像;
第一统计模块,用于对所述目标图像的干细胞数量进行统计,获得所述指定区域的区域干细胞数量;
第一判断模块,用于判断所述区域干细胞数量是否大于第一预设数量阈值;
所述确定模块204,还用于若所述区域干细胞数量小于或等于第一预设数量阈值,确定所述指定区域不存在干细胞聚集现象。
在该可选的实施方式中,可以从所述多个待检测图像中确定与所述指定区域对应的目标图像;对所述目标图像的干细胞数量进行统计,获得所述指定区域的区域干细胞数量。若所述区域干细胞数量小于或等于第一预设数量阈值,确定所述指定区域不存在干细胞聚集现象。
作为一种可选的实施方式,所述确定模块204,还用于若所述区域干细胞数量大于第一预设数量阈值,确定所述指定区域存在干细胞聚集现象;
所述干细胞分布确定装置还可以包括:
第一输出模块,用于在所述指定区域上输出干细胞聚集提示信息。
在该可选的实施方式中,若所述区域干细胞数量大于第一预设数量阈值,确定所述指定区域存在干细胞聚集现象;可以在所述指定区域上输出干细胞聚集提示信息,比如“该区域存在干细胞聚集现象”。可以以文字的形式在图像的所述指定区域上输出。
作为一种可选的实施方式,所述获取模块201,还用于获取干细胞样本图像;
所述干细胞分布确定装置还可以包括:
提取模块,用于使用残差卷积网络对所述干细胞样本图像进行特征提取,获得特征信息;
第一生成模块,用于根据所述特征信息,使用特征金字塔网络生成第一特征图;
所述第一生成模块,还用于根据所述第一特征图,使用区域候选网络生成候选区域;
筛选模块,用于根据预设交并比阈值,对所述候选区域进行筛选,获得目标区域;
所述输入模块203,还用于将所述第一特征图以及所述目标区域输入至感兴趣区域池化层,获得与所述目标区域对应的第二特征图;
回归模块,用于根据所述第二特征图,对所述目标区域的边界框以及类别进行回归,获得训练好的干细胞检测模型。
在该可选的实施方式中,可以使用残差卷积网络(residual network,ResNet)对干细胞样本图像进行特征提取,获取图像的特征信息,然后将图像的特征信息输入至特征金字塔网络(Feature Pyramid Networks,FPN),获得图像的特征图(第一特征图),区域候选网络(Region Proposal Network,RPN)对特征图进行处理,生成多个候选区域。这时可以根据预设交并比阈值对所述候选区域进行筛选,获得目标区域,即正样本。可以将图像的特征图以及目标区域输入至感兴趣区域(region of interest,ROI)池化层,获得第一区域对应的特征图(第二特征图),其中,可以使用ROI Align(感兴趣区域对齐),实现特征图尺寸的统一化。然后,可以根据目标区域的特征图,对目标区域的边界框(坐标)以及类别进行回归,确定神经网络的参数,获得训练好的干细胞检测模型。
作为一种可选的实施方式,所述干细胞分布确定装置还可以包括:
处理模块,用于所述切割模块202对所述目标医学图像进行切割,获得多个待检测图像之后,针对每个所述待检测图像,通过归一化算法对所述待检测图像的像素进行归一化处理,获得归一化图像;
校正模块,用于对所述归一化图像进行伽马校正,获得校正图像;
所述输入模块203将所述多个待检测图像输入至预先训练好的干细胞检测模型中,获得每个所述待检测图像中的干细胞数量的方式具体为:
将多个所述校正图像输入至预先训练好的干细胞检测模型中,获得每个所述待检测图像中的干细胞数量。
其中,归一化是指RGB(Red Green Blue)归一化,通过对图像的RGB色彩空间进行归一化处理,可以消除一部分光照对图像的影响。
其中,伽马校正(gamma correction)是对图像的伽马曲线进行编辑,以对图像进行非线性色调编辑的方法,检出图像信号中的深色部分和浅色部分,并使两者比例增大,从而提高图像对比度效果。
在该可选的实施方式中,因为不同的图像的来源可能不同,在图像的采集中,图像往往会被不同强度的随机信号(也称噪声)所污染,这会对后续的图像分析和处理产生不可预知的影响,因此,需要对这些图像进行RGB归一化以及伽马校正,以减少噪声对图像的影响,以提高图像检测的准确性。
作为一种可选的实施方式,所述干细胞分布确定方法还包括:
第二判断模块,用于所述输入模块203将所述多个待检测图像输入至预先训练好的干细胞检测模型中,获得每个所述待检测图像中的干细胞数量之后,针对每个所述待检测图像,判断所述待检测图像的干细胞数量是否大于第二预设数量阈值;
第二生成模块,用于若所述待检测图像的干细胞数量大于第二预设数量阈值,生成告警信息;
发送模块,用于将所述告警信息发送至预设终端设备。
在该可选的实施方式中,若所述待检测图像的干细胞数量大于第二预设数量阈值,生成告警信息,将所述告警信息发送至预设终端设备,以提示医护人员注意所述待检测图像的干细胞数量过多。
作为一种可选的实施方式,所述干细胞分布确定装置还可以包括:
第二统计模块,用于所述确定模块204根据所述每个所述待检测图像中的干细胞数量以及所述每个所述待检测图像在所述目标医学图像的位置,确定所述目标医学图像的干细胞分布之后,当接收到干细胞数量统计指令时,对所述多个待检测图像的干细胞数量进行统计,获得干细胞总数量;
第二输出模块,用于输出所述干细胞总数量。
在该可选的实施方式中,可以对所述多个待检测图像的干细胞数量进行统计,获得干细胞总数量。
在图2所描述的干细胞分布确定装置中,可以将目标医学图像分成多个较小的待检测图像,通过预先训练好的干细胞检测模型对多个较小的待检测图像并行处理,获得多个待检测图像的干细胞数量,根据所述每个待检测图像中的干细胞数量以及每个所述待检测图像在目标医学图像的位置,确定目标医学图像的干细胞分布。根据上述流程,可以提高干细胞的分布统计的效率,同时,也提高了干细胞的分布统计的准确度。
如图3所示,图3是本申请实现所述干细胞分布确定方法的较佳实施例的电子设备的结构示意图。所述电子设备3包括存储器31、至少一个处理器32、存储在所述存储器31中并可在所述至少一个处理器32上运行的计算机程序33及至少一条通讯总线34。
本领域技术人员可以理解,图3所示的示意图仅仅是所述电子设备3的示例,并不构成对电子设备3的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备3还可以包括输入输出设备、网络接入设备等。
所述电子设备3还包括但不限于任何一种可与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(InternetProtocol Television,IPTV)、智能式穿戴式设备等。所述电子设备3所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
所述至少一个处理器32可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、晶体管逻辑器件、分立硬件组件等。该处理器32可以是微处理器或者该处理器32也可以是任何常规的处理器等,所述处理器32是所述电子设备3的控制中心,利用各种接口和线路连接整个电子设备3的各个部分。
所述存储器31可用于存储所述计算机程序33和/或模块/单元,所述处理器32通过运行或执行存储在所述存储器31内的计算机程序和/或模块/单元,以及调用存储在存储器31内的数据,实现所述电子设备3的各种功能。所述存储器31可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备3的使用所创建的数据等。此外,存储器31可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件等。
结合图1,所述电子设备3中的所述存储器31存储多个指令以实现一种干细胞分布确定方法,所述处理器32可执行所述多个指令从而实现:
获取目标医学图像;
对所述目标医学图像进行切割,获得多个待检测图像;
将所述多个待检测图像输入至预先训练好的干细胞检测模型中,获得每个所述待检测图像中的干细胞数量;
确定每个所述待检测图像在所述目标医学图像的位置;
根据所述每个所述待检测图像中的干细胞数量以及所述每个所述待检测图像在所述目标医学图像的位置,确定所述目标医学图像的干细胞分布。
具体地,所述处理器32对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
在图3所描述的电子设备3中,可以将目标医学图像分成多个较小的待检测图像,通过预先训练好的干细胞检测模型对多个较小的待检测图像并行处理,获得多个待检测图像的干细胞数量,根据所述每个待检测图像中的干细胞数量以及每个所述待检测图像在目标医学图像的位置,确定目标医学图像的干细胞分布。根据上述流程,可以提高干细胞的分布统计的效率,同时,也提高了干细胞的分布统计的准确度。
所述电子设备3集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,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,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者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者全部模块来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,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模块的形式实现。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其他的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。本申请中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本申请的技术方案而非限制,尽管参照较佳实施例对本申请进行了详细说明,本领域的普通技术人员应当理解,可以对本申请的技术方案进行修改或等同替换,而不脱离本申请技术方案的精神和范围。
Claims (10)
1.一种干细胞分布确定方法,其特征在于,所述干细胞分布确定方法包括:
获取目标医学图像;
对所述目标医学图像进行切割,获得多个待检测图像;
将所述多个待检测图像输入至预先训练好的干细胞检测模型中,获得每个所述待检测图像中的干细胞数量;
确定每个所述待检测图像在所述目标医学图像的位置;
根据所述每个所述待检测图像中的干细胞数量以及所述每个所述待检测图像在所述目标医学图像的位置,确定所述目标医学图像的干细胞分布。
2.根据权利要求1所述的干细胞分布确定方法,其特征在于,所述根据所述每个所述待检测图像中的干细胞数量以及所述每个所述待检测图像在所述目标医学图像的位置,确定所述目标医学图像的干细胞分布之后,所述干细胞分布确定方法还包括:
接收针对所述目标医学图像中指定区域的干细胞分析指令;
从所述多个待检测图像中确定与所述指定区域对应的目标图像;
对所述目标图像的干细胞数量进行统计,获得所述指定区域的区域干细胞数量;
判断所述区域干细胞数量是否大于第一预设数量阈值;
若所述区域干细胞数量小于或等于第一预设数量阈值,确定所述指定区域不存在干细胞聚集现象。
3.根据权利要求2所述的干细胞分布确定方法,其特征在于,所述干细胞分布确定方法还包括:
若所述区域干细胞数量大于第一预设数量阈值,确定所述指定区域存在干细胞聚集现象;
在所述指定区域上输出干细胞聚集提示信息。
4.根据权利要求2所述的干细胞分布确定方法,其特征在于,所述获取目标医学图像之前,所述干细胞分布确定方法还包括:
获取干细胞样本图像;
使用残差卷积网络对所述干细胞样本图像进行特征提取,获得特征信息;
根据所述特征信息,使用特征金字塔网络生成第一特征图;
根据所述第一特征图,使用区域候选网络生成候选区域;
根据预设交并比阈值,对所述候选区域进行筛选,获得目标区域;
将所述第一特征图以及所述目标区域输入至感兴趣区域池化层,获得与所述目标区域对应的第二特征图;
根据所述第二特征图,对所述目标区域的边界框以及类别进行回归,获得训练好的干细胞检测模型。
5.根据权利要求1至4中任一项所述的干细胞分布确定方法,其特征在于,所述对所述目标医学图像进行切割,获得多个待检测图像之后,所述干细胞分布确定方法还包括:
针对每个所述待检测图像,通过归一化算法对所述待检测图像的像素进行归一化处理,获得归一化图像;
对所述归一化图像进行伽马校正,获得校正图像;
所述将所述多个待检测图像输入至预先训练好的干细胞检测模型中,获得每个所述待检测图像中的干细胞数量包括:
将多个所述校正图像输入至预先训练好的干细胞检测模型中,获得每个所述待检测图像中的干细胞数量。
6.根据权利要求1至4中任一项所述的干细胞分布确定方法,其特征在于,所述将所述多个待检测图像输入至预先训练好的干细胞检测模型中,获得每个所述待检测图像中的干细胞数量之后,所述干细胞分布确定方法还包括:
针对每个所述待检测图像,判断所述待检测图像的干细胞数量是否大于第二预设数量阈值;
若所述待检测图像的干细胞数量大于第二预设数量阈值,生成告警信息;
将所述告警信息发送至预设终端设备。
7.根据权利要求1至4中任一项所述的干细胞分布确定方法,其特征在于,所述根据所述每个所述待检测图像中的干细胞数量以及所述每个所述待检测图像在所述目标医学图像的位置,确定所述目标医学图像的干细胞分布之后,所述干细胞分布确定方法还包括:
当接收到干细胞数量统计指令时,对所述多个待检测图像的干细胞数量进行统计,获得干细胞总数量;
输出所述干细胞总数量。
8.一种干细胞分布确定装置,其特征在于,所述干细胞分布确定装置包括:
获取模块,用于获取目标医学图像;
切割模块,用于对所述目标医学图像进行切割,获得多个待检测图像;
输入模块,用于将所述多个待检测图像输入至预先训练好的干细胞检测模型中,获得每个所述待检测图像中的干细胞数量;
确定模块,用于确定每个所述待检测图像在所述目标医学图像的位置;
所述确定模块,还用于根据所述每个所述待检测图像中的干细胞数量以及所述每个所述待检测图像在所述目标医学图像的位置,确定所述目标医学图像的干细胞分布。
9.一种电子设备,其特征在于,所述电子设备包括处理器和存储器,所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1至7中任意一项所述的干细胞分布确定方法。
10.一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存储有至少一个指令,所述至少一个指令被处理器执行时实现如权利要求1至7中任意一项所述的干细胞分布确定方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011553990.3A CN114677319A (zh) | 2020-12-24 | 2020-12-24 | 干细胞分布确定方法、装置、电子设备及存储介质 |
US17/526,280 US20220207724A1 (en) | 2020-12-24 | 2021-11-15 | Method of determining a distribution of stem cells in a cell image, electronic device, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011553990.3A CN114677319A (zh) | 2020-12-24 | 2020-12-24 | 干细胞分布确定方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114677319A true CN114677319A (zh) | 2022-06-28 |
Family
ID=82069825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011553990.3A Pending CN114677319A (zh) | 2020-12-24 | 2020-12-24 | 干细胞分布确定方法、装置、电子设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20220207724A1 (zh) |
CN (1) | CN114677319A (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116091392B (zh) * | 2022-08-16 | 2023-10-20 | 荣耀终端有限公司 | 图像处理方法、系统及存储介质 |
-
2020
- 2020-12-24 CN CN202011553990.3A patent/CN114677319A/zh active Pending
-
2021
- 2021-11-15 US US17/526,280 patent/US20220207724A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20220207724A1 (en) | 2022-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110705583B (zh) | 细胞检测模型训练方法、装置、计算机设备及存储介质 | |
US11875486B2 (en) | Image brightness statistical method and imaging device | |
CN110969046B (zh) | 人脸识别方法、设备及计算机可读存储介质 | |
CN109871845B (zh) | 证件图像提取方法及终端设备 | |
CN111368587B (zh) | 场景检测方法、装置、终端设备及计算机可读存储介质 | |
CN112651953B (zh) | 图片相似度计算方法、装置、计算机设备及存储介质 | |
CN111127358B (zh) | 图像处理方法、装置及存储介质 | |
CN114638294A (zh) | 一种数据增强方法、装置、终端设备及存储介质 | |
CN114298985B (zh) | 缺陷检测方法、装置、设备及存储介质 | |
CN113487473B (zh) | 一种添加图像水印的方法、装置、电子设备及存储介质 | |
CN114677319A (zh) | 干细胞分布确定方法、装置、电子设备及存储介质 | |
CN113052923A (zh) | 色调映射方法、装置、电子设备和存储介质 | |
CN115345895B (zh) | 用于视觉检测的图像分割方法、装置、计算机设备及介质 | |
US11954875B2 (en) | Method for determining height of plant, electronic device, and storage medium | |
CN113391779B (zh) | 类纸屏幕的参数调节方法、装置及设备 | |
TW202226151A (zh) | 幹細胞分佈確定方法、裝置、電腦裝置及儲存介質 | |
CN113269102A (zh) | 一种印章信息识别方法、装置、计算机设备和存储介质 | |
CN114764833A (zh) | 植物生长曲线确定方法、装置、电子设备及介质 | |
CN111784607A (zh) | 图像色调映射方法、装置、终端设备及存储介质 | |
US9552632B2 (en) | Dynamic waveform region enhancement | |
TWI762152B (zh) | 植物高度確定方法、裝置、電腦裝置及介質 | |
CN114119609B (zh) | 图像污点浓度的检测方法、装置、设备及存储介质 | |
US11557026B2 (en) | Automated artifact detection | |
TW202226266A (zh) | 細胞數量檢測方法、裝置、電子設備及存儲媒體 | |
TWI755250B (zh) | 植物生長曲線確定方法、裝置、電子設備及存儲媒體 |
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 |