CN114820502A - 一种用于肠粘膜组织中蛋白激酶ck2的着色检测方法 - Google Patents
一种用于肠粘膜组织中蛋白激酶ck2的着色检测方法 Download PDFInfo
- Publication number
- CN114820502A CN114820502A CN202210423103.3A CN202210423103A CN114820502A CN 114820502 A CN114820502 A CN 114820502A CN 202210423103 A CN202210423103 A CN 202210423103A CN 114820502 A CN114820502 A CN 114820502A
- Authority
- CN
- China
- Prior art keywords
- residual
- coloring
- pathological section
- specific expression
- sample
- 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
- 238000004040 coloring Methods 0.000 title claims abstract description 70
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 102000052052 Casein Kinase II Human genes 0.000 title claims abstract description 22
- 108010010919 Casein Kinase II Proteins 0.000 title claims abstract description 22
- 210000004347 intestinal mucosa Anatomy 0.000 title claims abstract description 13
- 230000000968 intestinal effect Effects 0.000 claims abstract description 98
- 230000001575 pathological effect Effects 0.000 claims abstract description 96
- 206010028116 Mucosal inflammation Diseases 0.000 claims abstract description 95
- 201000010927 Mucositis Diseases 0.000 claims abstract description 95
- 230000003595 spectral effect Effects 0.000 claims abstract description 66
- 210000001519 tissue Anatomy 0.000 claims abstract description 47
- 230000004927 fusion Effects 0.000 claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 16
- 230000011218 segmentation Effects 0.000 claims description 27
- 238000010186 staining Methods 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 12
- 239000006185 dispersion Substances 0.000 claims description 10
- 238000007499 fusion processing Methods 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 7
- 239000003086 colorant Substances 0.000 claims description 6
- 210000004400 mucous membrane Anatomy 0.000 claims description 5
- 230000000875 corresponding effect Effects 0.000 description 13
- 230000008859 change Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000001228 spectrum Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000000427 antigen Substances 0.000 description 3
- 102000036639 antigens Human genes 0.000 description 3
- 108091007433 antigens Proteins 0.000 description 3
- 238000004043 dyeing Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000001917 fluorescence detection Methods 0.000 description 3
- 238000003364 immunohistochemistry Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 230000009830 antibody antigen interaction Effects 0.000 description 2
- 230000003416 augmentation Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- GNBHRKFJIUUOQI-UHFFFAOYSA-N fluorescein Chemical compound O1C(=O)C2=CC=CC=C2C21C1=CC=C(O)C=C1OC1=CC(O)=CC=C21 GNBHRKFJIUUOQI-UHFFFAOYSA-N 0.000 description 2
- 238000011532 immunohistochemical staining Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 208000023275 Autoimmune disease Diseases 0.000 description 1
- 241000894006 Bacteria Species 0.000 description 1
- 208000035143 Bacterial infection Diseases 0.000 description 1
- 208000036649 Dysbacteriosis Diseases 0.000 description 1
- 208000027244 Dysbiosis Diseases 0.000 description 1
- 102100030011 Endoribonuclease Human genes 0.000 description 1
- 101710199605 Endoribonuclease Proteins 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 102000001253 Protein Kinase Human genes 0.000 description 1
- 101710113029 Serine/threonine-protein kinase Proteins 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000000890 antigenic effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 208000022362 bacterial infectious disease Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000032823 cell division Effects 0.000 description 1
- 210000001072 colon Anatomy 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000007140 dysbiosis Effects 0.000 description 1
- -1 e.g. Proteins 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000295 emission spectrum Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000695 excitation spectrum Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000002244 precipitate Substances 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 108060006633 protein kinase Proteins 0.000 description 1
- 230000009257 reactivity Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10064—Fluorescence 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
- G06T2207/20081—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
- G06T2207/20164—Salient point detection; Corner 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30028—Colon; Small intestine
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及图像处理技术领域，具体涉及一种用于肠粘膜组织中蛋白激酶CK2的着色检测方法。该方法对着色肠粘膜炎症病理切片图像不同通道表达的通道图像进行分析，获得由广泛表达信息特征和特定表达信息特征构成的光谱特征。根据着色肠粘膜炎症病理切片图像中的局部光谱特征获得组织多样性。根据光谱特征差异和组织多样性差异对不同着色肠粘膜炎症病理切片图像进行分类。将着色类别中样本之间的特定表达关键点的邻域范围融合，获得融合样本。根据融合样本的残差判断可用性，获得扩增着色类别及其训练的着色检测神经网络。本发明通过对着色肠粘膜炎症病理切片图像的识别和扩增，增加了着色检测神经网络的训练速度和准确率。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种用于肠粘膜组织中蛋白激酶CK2的着色检测方法。
背景技术
蛋白激酶CK2是一类信使非依赖性丝/苏氨酸蛋白激酶，在一些自身免疫疾病的发生发展中发挥作用。免疫组织化学(IHC)利用抗原-抗体的相互作用使用蛋白激酶CK2来显示组织切片中抗原，例如蛋白质，的分布和定位。这种方法对于诊断癌症等疾病的异常细胞极为有用。
免疫组织化学染色通过抗体识别靶标抗原完成。有内味抗体具有高特异性，只与组织切片中的目标抗原结合，因此可利用化学显色或荧光检测使抗原-抗体相互作用，实现可视化。将对应的蛋白激酶CK2偶联到抗体，蛋白激酶CK2会催化底物在抗原位置产生有色沉淀；在荧光检测中，将荧光素偶联到抗体，利用荧光纤维镜使其可视化。
因为细菌感染或者肠道菌群失调会引起肠粘膜炎症，可利用免疫组织化学通过蛋白激酶CK2对肠粘膜炎症病理切片进行染色，通过观察着色结果可判断肠粘膜炎症具体形成原因及严重程度。
为了快速对着色结果的检测，可通过计算机视觉技术获得着色肠粘膜炎症病理切片图像的特征，用于表示其抗原-抗体的分布。在现有技术中可通过神经网络对图像进行处理，实现快速准确的识别，但是神经网络的训练需要基于较为丰富的数据，且参与训练的数据都需要进行标注，费时费力，增加了检测成本。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种用于肠粘膜组织中蛋白激酶CK2的着色检测方法，所采用的技术方案具体如下：
本发明提出了一种用于肠粘膜组织中蛋白激酶CK2的着色检测方法，所述方法包括：
采集多个肠粘膜炎症病理切片样本经染色剂处理后的着色肠粘膜炎症病理切片图像；根据所述染色剂选取两个色彩分析通道，获得所述着色肠粘膜炎症病理切片图像在所述色彩分析通道中的通道图像；
根据通道值将所述通道图像分为广泛表达通道图像和特定表达通道图像，以所述特定表达通道图像与所述广泛表达通道图像的通道累加值的比值作为广泛特定表达比；以所述广泛表达通道图像的平均通道值作为广泛表达比；根据阈值分割方法处理所述广泛表达通道图像和所述特定表达通道图像，获得广泛表达显著区域和特定表达显著区域；以所述广泛表达显著区域和所述特定表达显著区域的平均通道值的比值作为显著表达比；以所述广泛特定表达比、所述广泛表达比、所述显著表达比、广泛表达显著区域面积和特定表达显著区域面积作为光谱特征；
利用FAST角点检测算法处理所述特定表达通道图像，获得多个特定表达关键点；获得每个所述特定表达关键点在所述着色肠粘膜炎症病理切片图像对应位置处的预设邻域范围内的局部光谱特征；获得所述局部光谱特征之间的光谱差异，以所述光谱差异的离散度作为组织多样性指数；根据所述着色肠粘膜炎症病理切片图像之间的光谱特征差异和组织多样性指数差异进行分类，获得多个着色类别；
基于泊松融合对所述着色类别中样本之间的所述特定表达关键点的所述邻域范围进行融合，获得融合样本，根据每次融合前后所述融合样本的组织多样性指数差异获得残差，根据所述残差大小判断所述融合样本的可用性，将可用的所述融合样本添加至所述着色类别中，获得扩增着色类别；
以所述扩增着色类别中的样本作为训练样本对着色检测神经网络进行训练；根据所述着色检测神经网络对待检测着色肠粘膜炎症病理切片图像中的特定表达显著区域进行识别。
进一步地，所述根据阈值分割方法处理所述广泛表达通道图像和所述特定表达通道图像，获得广泛表达显著区域和特定表达显著区域包括：
利用大津阈值算法分别处理所述广泛表达通道图像和所述特定表达通道图像，获得广泛分割阈值和特定分割阈值；
利用所述广泛分割阈值对所述广泛表达通道图像进行分割，获得所述广泛表达显著区域；利用所述特定分割阈值对所述特定表达通道图像进行分割，获得所述特定表达显著区域。
进一步地，所述获得所述局部光谱特征之间的光谱差异，以所述光谱差异的离散度作为组织多样性指数包括：
以所述局部光谱特征之间的余弦距离作为所述光谱差异；以所述光谱差异的标准差作为所述离散度。
进一步地，所述根据所述着色肠粘膜炎症病理切片图像之间的光谱特征差异和组织多样性指数差异进行分类，获得多个着色类别包括：
根据所述着色肠粘膜炎症病理切片图像之间的光谱特征差异和组织多样性指数差异获得所述着色肠粘膜炎症病理切片图像之间的样本距离；根据所述样本距离利用密度聚类算法对所述着色肠粘膜炎症病理切片图像进行分类，获得多个着色类别。
进一步地，所述根据所述着色肠粘膜炎症病理切片图像之间的光谱特征差异和组织多样性指数差异获得所述着色肠粘膜炎症病理切片图像之间的样本距离包括：
根据样本距离公式获得所述样本距离，所述样本距离公式包括：
其中，
为第
个所述着色肠粘膜炎症病理切片图像和第
个所述着色肠粘膜炎症病理切片图像之间的样本距离，
为第
个所述着色肠粘膜炎症病理切片图像的所述组织多样性指数，
为第
个所述着色肠粘膜炎症病理切片图像的所述组织多样性指数，
为第
个所述着色肠粘膜炎症病理切片图像的所述光谱特征，
为第
个所述着色肠粘膜炎症病理切片图像的所述光谱特征，
为绝对值计算函数，
为余弦距离计算函数。
进一步地，所述根据所述残差大小判断所述融合样本的可用性包括：
将其他着色类别的样本中多个所述特定表达关键点的所述邻域范围融合至目标着色类别的样本中，统计融合过程中的所有残差，以预设挑选区间内的残差均值作为所述目标着色类别的最差残差；以残差最小值作为最优残差；
获得每个所述着色类别的所述最差残差和所述最优残差；
若所述融合样本的所述残差小于所述最优残差，则所述融合样本可用；
若所述融合样本的所述残差大于所述最差残差，则所述融合样本不可用；
若所述融合样本的所述残差在所述最差残差和所述最优残差之间，则根据所述残差和所述最差残差的残差距离获得不可用性指标；所述不可用性指标与所述残差距离呈正相关关系；若所述不可用性指标大于预设指标阈值，则所述融合图像不可用；反之，所述融合图像可用。
进一步地，所述根据所述残差和所述最差残差的残差距离获得不可用性指标包括：
根据不可用性指标公式获得所述不可用性指标，所述不可用性指标公式包括：
其中，
为所述不可用性指标，
为所述融合样本的所述残差，
为所述最差残差，
为所述最优残差。
本发明具有如下有益效果：
1.本发明实施例通过对着色肠粘膜炎症病理切片图像不同色彩通道的通道图像的分析，获得广泛表达信息和特定表达信息，实现了后续神经网络的自标注，避免了人为对图像进行标注导致的成本增加且效率降低。
2.本发明实施例对着色肠粘膜炎症病理切片图像进行分析获得对应的光谱特征和组织多样性指数，并根据光谱特征和组织多样性指数进行分类，获得多个着色类别。进一步在每个着色类别中的样本之间进行图像融合，扩增了后续神经网络的训练数据集，提高了神经网络的准确性和泛化性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种用于肠粘膜组织中蛋白激酶CK2的着色检测方法流程图；
图2为本发明一个实施例所提供的一种着色肠粘膜炎症病理切片图像示意图；
图3为本发明一个实施例所提供的一种广泛表达通道图像示意图；
图4为本发明一个实施例所提供的一种特定表达通道图像示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种用于肠粘膜组织中蛋白激酶CK2的着色检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
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发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种用于肠粘膜组织中蛋白激酶CK2的着色检测方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种用于肠粘膜组织中蛋白激酶CK2的着色检测方法流程图，该方法包括：
步骤S1：采集多个肠粘膜炎症病理切片样本经染色剂处理后的着色肠粘膜炎症病理切片图像；根据染色剂选取两个色彩分析通道，获得着色肠粘膜炎症病理切片图像在色彩分析通道中的通道图像。
着色肠粘膜炎症病理切片图像一般色彩鲜艳且单调，请参阅图2，其示出了本发明一个实施例所提供的一种着色肠粘膜炎症病理切片图像示意图。图2为大鼠结肠免疫荧光染色的着色肠粘膜炎症病理切片图像，图2中仅包括蓝色荧光和绿色荧光，其中荧光素激发/发射光谱为490/525纳米、556/573纳米、650/665纳米，最终叠加成为着色肠粘膜炎症病理切片图像。
因为组织的靶向蛋白会因为不同的蛋白激酶染色剂产生广泛表达和特定表达，其中广泛表达比例远大于特定表达，本发明实施例旨在提取出着色肠粘膜炎症病理切片图像中的特定表达信息，因此需要对多光谱叠加而成的着色肠粘膜炎症病理切片图像根据染色剂选取两个色彩分析通道，进而获得着色肠粘膜炎症病理切片图像在色彩分析通道中的通道图像。根据通道图像中的信息分析广泛表达信息和特定表达信息。
在本发明实施例中，因为图2中仅包括蓝色荧光和绿色荧光，因此色彩分析通道选取B通道和G通道。需要说明的是，在其他免疫组织化学染色过程中，着色肠粘膜炎症病理切片图像中某些细菌经染色后荧光分布可能为红绿荧光或者黄绿荧光等，可根据具体染色剂的荧光表现选取具体的色彩分析通道，在此不做限定。
通过对大量肠粘膜炎症病理样本的病理切片进行染色处理，利用显微镜采集对应的着色肠粘膜炎症病理切片图像并上传，建立染色样本的数据库。
步骤S2：根据通道值将通道图像分为广泛表达通道图像和特定表达通道图像，以特定表达通道图像与广泛表达通道图像的通道累加值的比值作为广泛特定表达比；以广泛表达通道图像的平均通道值作为广泛表达比；根据阈值分割方法处理广泛表达通道图像和特定表达通道图像，获得广泛表达显著区域和特定表达显著区域；以广泛表达显著区域和特定表达显著区域的平均通道值的比值作为显著表达比；以广泛特定表达比、广泛表达比、显著表达比、广泛表达显著区域面积和特定表达显著区域面积作为光谱特征。
因为广泛表达信息比特定表达信息更为丰富，因此可根据通道图像的通道值将通道图像分为广泛表达通道图像和特定表达通道图像。通道值即图像中的像素值，广泛表达通道图像中的像素信息丰富，因此总体通道值应远大于特定表达通道图像的通道值。请参阅图3，其示出了本发明一个实施例所提供的一种广泛表达通道图像示意图。请参阅图4，其示出了本发明一个实施例所提供的一种特定表达通道图像示意图。由图3和图4即可看出，广泛表达通道图像的像素信息丰富度远大于特定表达通道图像。
在本发明实施例中，B通道的通道图像为广泛表达通道图像，G通道的通道图像为特定表达通道图像。
以特定表达通道图像与广泛表达通道图像的通道累加值的比值作为广泛特定表达比，广泛特定表达比越大，着色肠粘膜炎症病理切片图像中特定表达信息越丰富。
以广泛表达通道图像的平均通道值作为广泛表达比，平均通道值即为通道累加值除以图像分辨率，因为图像分辨率一定，因此广泛表达比越大，说明特定表达信息越丰富。
由图3和图4可知，虽然特定表达通道图像和广泛表达通道图像中仅包含特定表达信息和广泛表达信息，但是仍然存在一些模糊或者较浅的噪声信息分布，为了使后续神经网络的训练迭代过程不会被噪声信息影响，需要利用阈值分割方法处理广泛表达通道图像和特定表达通道图像，将各自的噪声信息分割出来，获得广泛表达显著区域和特定表达显著区域。
因为色剂吸收、荧光检测中的激光光源通过细胞组织发生光学散射和衰减等光学现象，所以广泛表达通道图像中的噪声分割阈值应与特点表达通道图像中的噪声阈值不同，一般情况下广泛表达通道图像的分割阈值所代表的亮度会低于特定表达通道图像的分割阈值。因此需要对广泛表达通道图像和特定表达通道图像分布进行阈值分析，具体包括：
利用大津阈值算法分别处理广泛表达通道图像和特定表达通道图像，获得广泛分割阈值和特定分割阈值。
利用广泛分割阈值对广泛表达通道图像进行分割，获得广泛表达显著区域。利用特定分割阈值对特定表达通道图像进行分割，获得特定表达显著区域。
需要说明的是，根据分割阈值进行分割时，将像素值大于分割阈值的像素点置为1，反正则置为0，获得对应的蒙版，利用蒙版处理对应的通道图像，获得广泛表达显著区域和特定表达显著区域。
进一步对显著区域进行分析，以广泛表达显著区域和特定表达显著区域的平均通道值的比值作为显著表达比。以广泛特定表达比、广泛表达比、显著表达比、广泛表达显著区域面积和特定表达显著区域面积作为光谱特征。
每个样本的不同观察尺度、细胞分裂情况、蛋白激酶CK2的表达情况都会影响对应着色肠粘膜炎症病理切片图像的光谱特征。例如：当着色肠粘膜炎症病理切片图像出现相对于另一个着色肠粘膜炎症病理切片图像有缩放关系时，广泛表达比、广泛表达显著区域面积和显著表达比没有太大变化，但是广泛特定表达比和特定表达显著区域面积能够发生明显变化，因为特定表达部分是小尺度的高亮度相应，当画面尺度放大后，广泛表达信息仍为图像中的丰富信息，所以广泛表达信息变化较小，但是特定表达信息会被显著放大；当着色肠粘膜炎症病理切片图像中发生组织病变时，特定表达显著区域面积、广泛特定表达比和显著表达比会由于广泛表达部分的染色效率发生变化，或者因为特定表达部分表示的蛋白含量变化导致的染色效率发生变化。因此光谱特征可有效表示着色肠粘膜炎症病理切片图像观察尺度特征、组织病理特征等。
步骤S3：利用FAST角点检测算法处理特定表达通道图像，获得多个特定表达关键点；获得每个特定表达关键点在着色肠粘膜炎症病理切片图像对应位置处的预设邻域范围内的局部光谱特征；获得局部光谱特征之间的光谱差异，以光谱差异的离散度作为组织多样性指数；根据着色肠粘膜炎症病理切片图像之间的光谱特征差异和组织多样性指数差异进行分类，获得多个着色类别。
快速切片测试特征（FAST）角点检测中的角点需满足：若某像素点与周围邻域足够多的像素点处于不同区域，则该像素点可能为角点。因为特定表达通道图像中的特定表达信息较少，通常为多个小区域的散乱分布，因此利用FAST角点检测能够考虑到特定表达通道图像中像素点的像素值和特定表达区域的分布特征，若某像素点的像素值比周围邻域足够多的像素点的灰度值存在区别，则该像素点为特定表达关键点。
一个着色肠粘膜炎症病理切片图像中可对应多个特定表达关键点，每个特定表达关键点的邻域范围内都有可能存在不同的光谱表达特征，因此获得每个特定表达关键点在着色肠粘膜炎症病理切片图像对应位置处的预设邻域范围内的局部光谱特征。局部光谱特征越丰富，说明该着色肠粘膜炎症病理切片图像中的组织多样性越大，因此获得局部光谱特征之间的光谱差异，以光谱差异的离散度作为组织多样性指数，具体包括：
以局部光谱特征之间的余弦距离作为所述光谱差异。以光谱差异的标准差作为所述离散度。
在本发明实施例中，邻域范围的大小设置为
，其中
为图像的尺寸。为了方便离散度的计算，构建光谱差异矩阵，光谱差异矩阵中行列号的索引对应不同局部光谱特征，元素值为对应的光谱差异。
组织多样性可以表示当前着色肠粘膜炎症病理切片图像中抗蛋白周围表达信息的丰富性。组织多样性较大的，有可能是病变、染色失误或者对焦失误导致的，对于该类型样本需要具体进行分析，判断是否为染色过程操作不当导致的噪声数据，并是否需要剔除。
组织多样性可以表示着色肠粘膜炎症病理切片图像的局部特征，光谱特征可以表示着色肠粘膜炎症病理切片图像的整体特征，因此可根据着色肠粘膜炎症病理切片图像之间的光谱特征差异和组织多样性指数差异对着色肠粘膜炎症病理切片图像进行分类，获得多个着色类别，具体包括：
根据所述着色肠粘膜炎症病理切片图像之间的光谱特征差异和组织多样性指数差异获得所述着色肠粘膜炎症病理切片图像之间的样本距离，具体包括：
根据样本距离公式获得样本距离，样本距离公式包括：
其中，
为第
个着色肠粘膜炎症病理切片图像和第
个着色肠粘膜炎症病理切片图像之间的样本距离，
为第
个着色肠粘膜炎症病理切片图像的组织多样性指数，
为第
个着色肠粘膜炎症病理切片图像的组织多样性指数，
为第
个着色肠粘膜炎症病理切片图像的光谱特征，
为第
个着色肠粘膜炎症病理切片图像的光谱特征，
为绝对值计算函数，
为余弦距离计算函数。
样本距离公式中利用组织多样性指数差异作为光谱特征距离的权重，病理切片不同或处理环境不同时会存在一定的操作误差和表示误差，这些误差会导致不同着色肠粘膜炎症病理切片图像之间存在组织多样性的异常变化，从而导致出现较大的样本距离。例如：
（1）在制作组织切片过程中，有局部区域在玻片上粘贴不牢固，有脱片倾向，导致样本不在一个焦面上，显微镜下呈现出模糊的影像，从而导致特定表达关键点邻域的光谱特征因模糊导致特定表达区域的纹理分散，受到尺度上的影响。
（2）实验操作方法不准确、实验材料不新鲜、抗体种属和反应性选择和抗体质量问题等，也会导致一些样本对于位于假想空间中，与其它样本都由较大的样本距离。
根据样本距离利用密度聚类算法对着色肠粘膜炎症病理切片图像进行分类，获得多个着色类别。密度距离算法可将不同着色肠粘膜炎症病理切片图像根据样本距离置于样本空间中，并进行无监督分类，从而实现同类分析及排除异常样本。
根据密度聚类算法将不同病理样本的着色肠粘膜炎症病理切片图像分为多个着色类别，不同着色类别表示不同的采集尺度和表达信息。在着色类别中每个样本的抗蛋白周围特征的统一性相似、抗蛋白含量相似、观察的组织细胞尺度相似、广泛表达和特定表达部分的信息占比相似。在聚类过程结束后会存在一些异常样本未被分簇，可将异常样本去除，进行后续处理。
步骤S4：基于泊松融合对着色类别中样本之间的特定表达关键点的邻域范围进行融合，获得融合样本，根据每次融合前后融合样本的组织多样性指数差异获得残差，根据残差大小判断融合样本的可用性，将可用的融合样本添加至着色类别中，获得扩增着色类别。
因为着色肠粘膜炎症病理切片图像样本较少，为了保证后续神经网络的准确性，少量样本无法支持神经网络的训练需求，因此需要对样本进行扩增。
常见的扩增手段包括随机裁切和旋转，因为裁切比例较大，而观测的尺度变化可能不足以发送成倍的变化，因此小幅度裁切对数据的扩增起不到较佳作用。对于旋转而言，图像旋转仍无法有效改变图像中信息的多样性。
因此可基于泊松融合，对着色类别中样本之间的特定表达关键点的邻域范围进行融合，获得融合样本。即融合样本为目标样本图像与对应的着色类别中其他样本的特定表达关键点邻域范围内的小块图像互相融合而成。在融合过程中。目标图像可与多个小块图像进行融合，即存在多次融合过程，因为融合过程中随机加入特征点邻域的纹理会造成组织之间纹理过渡出现观测上的不自然现象，因此在每次融合前后都需要根据融合样本的组织多样性指数差异获得残差，根据残差大小判断该融合过程获得的融合样本的可用性，将可用的融合样本添加至着色类别中，即可获得扩增着色类别。
在根据残差大小判断融合过程获得的融合样本的可用性时，需要根据一定的残差阈值判断当前残差是否满足可用性要求，优选的，判断融合样本可用性的具体过程包括：
将其他着色类别的样本中多个特定表达关键点的邻域范围融合至目标着色类别的样本中，统计融合过程中的所有残差，以预设挑选区间内的残差均值作为所述目标着色类别的最差残差，以残差最小值作为最优残差。在本发明实施例中，使用800个其他着色类别的样本的特定表达关键点的邻域小图像进行融合，即存在800个残差，将800个残差由小到大排列，预设挑选区间为前百分之10的残差，以前百分之10的残差均值作为最差残差；800个残差中的最小值作为最优残差。需要说明的是，残差上限，即最差残差不得高于类间合成的最小残差。
获得每个着色类别的最差残差和最优残差。需要说明的是，因为不同类之间的光谱特征差异较大，因此根据其他着色类别对目标着色类别融合过程中获得的残差阈值更具有参考性，避免了过于追求融合样本的残差较小导致融合样本过少的情况。
若融合样本的残差小于最优残差，则融合样本可用。
若融合样本的残差大于最差残差，则融合样本不可用。
若融合样本的残差在最差残差和最优残差之间，则根据残差和最差残差的残差距离获得不可用性指标。不可用性指标与残差距离呈正相关关系。若不可用性指标大于预设指标阈值，则融合图像不可用。反之，融合图像可用。不可用性指标具体获取方法包括：
根据不可用性指标公式获得不可用性指标，不可用性指标公式包括：
其中，
为不可用性指标，
为融合样本的残差，
为最差残差，
为最优残差。
不可用性指标越大说明当前残差越接近于最差残差。需要说明的是，指标阈值可根据具体实施精度要求具体设置，在此不做限定。
当融合样本可用时，可对目标样本进行继续融合，直到融合样本不可用，将包含丰富信息的融合样本添加至对应的着色类别中，获得扩增着色类别。
需要说明的是，融合过程为随机锚点的融合，即将小图像在目标样本图像中的随机位置进行融合。且泊松融合为本领域技术人员熟知的现有技术，在此不做赘述。
步骤S5：以扩增着色类别中的样本作为训练样本对着色检测神经网络进行训练；根据着色检测神经网络对待检测着色肠粘膜炎症病理切片图像中的特定表达显著区域进行识别。
扩增着色类别中存在大量的样本，因此对所有扩增着色类别中的样本均可作为训练样本，构成训练数据集。因为神经网络为着色检测神经网络，着色检测神经网络的目的在于对着色肠粘膜炎症病理切片图像中的特定表达信息进行识别，所以在训练过程中，将训练样本中的特定表达显著区域进行标注，实现自标注过程。
需要说明的是，着色检测神经网络任务的实质为图像分割，因此可采用语义分割神经网络模型或者实例分割神经网络模型等结构，可根据具体实施场景进行选择，在此不作限定。在本发明实施例中，选用目标实例分割网络结构。为了使标签信息的特征更加明显，以训练样本中的特定表达关键点的邻域范围作为包围框标签，对包围框内根据分割阈值进行显著区域分割，将邻域范围内的特定表达显著区域标注为1，其他标注为0，获得标注数据。
综上所述，本发明实施例对着色肠粘膜炎症病理切片图像不同通道表达的通道图像进行分析，获得着色肠粘膜炎症病理切片图像由广泛表达信息特征和特定表达信息特征构成的光谱特征。根据着色肠粘膜炎症病理切片图像中的局部光谱特征获得组织多样性。根据光谱特征差异和组织多样性差异对不同着色肠粘膜炎症病理切片图像进行分类。基于泊松融合将着色类别中样本之间的特定表达关键点的邻域范围进行融合，获得融合样本。根据融合样本的残差判断可用性，将可用的融合样本添加至着色类别中，获得扩增着色类别。以扩增着色类别中的样本作为训练样本对着色检测神经网络进行训练。本发明实施例通过对着色肠粘膜炎症病理切片图像的识别和扩增，增加了着色检测神经网络的训练速度和准确率。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种用于肠粘膜组织中蛋白激酶CK2的着色检测方法，其特征在于，所述方法包括：
采集多个肠粘膜炎症病理切片样本经染色剂处理后的着色肠粘膜炎症病理切片图像；根据所述染色剂选取两个色彩分析通道，获得所述着色肠粘膜炎症病理切片图像在所述色彩分析通道中的通道图像；
根据通道值将所述通道图像分为广泛表达通道图像和特定表达通道图像，以所述特定表达通道图像与所述广泛表达通道图像的通道累加值的比值作为广泛特定表达比；以所述广泛表达通道图像的平均通道值作为广泛表达比；根据阈值分割方法处理所述广泛表达通道图像和所述特定表达通道图像，获得广泛表达显著区域和特定表达显著区域；以所述广泛表达显著区域和所述特定表达显著区域的平均通道值的比值作为显著表达比；以所述广泛特定表达比、所述广泛表达比、所述显著表达比、广泛表达显著区域面积和特定表达显著区域面积作为光谱特征；
利用FAST角点检测算法处理所述特定表达通道图像，获得多个特定表达关键点；获得每个所述特定表达关键点在所述着色肠粘膜炎症病理切片图像对应位置处的预设邻域范围内的局部光谱特征；获得所述局部光谱特征之间的光谱差异，以所述光谱差异的离散度作为组织多样性指数；根据所述着色肠粘膜炎症病理切片图像之间的光谱特征差异和组织多样性指数差异进行分类，获得多个着色类别；
基于泊松融合对所述着色类别中样本之间的所述特定表达关键点的所述邻域范围进行融合，获得融合样本，根据每次融合前后所述融合样本的组织多样性指数差异获得残差，根据所述残差大小判断所述融合样本的可用性，将可用的所述融合样本添加至所述着色类别中，获得扩增着色类别；
以所述扩增着色类别中的样本作为训练样本对着色检测神经网络进行训练；根据所述着色检测神经网络对待检测着色肠粘膜炎症病理切片图像中的特定表达显著区域进行识别。
2.根据权利要求1所述的一种用于肠粘膜组织中蛋白激酶CK2的着色检测方法，其特征在于，所述根据阈值分割方法处理所述广泛表达通道图像和所述特定表达通道图像，获得广泛表达显著区域和特定表达显著区域包括：
利用大津阈值算法分别处理所述广泛表达通道图像和所述特定表达通道图像，获得广泛分割阈值和特定分割阈值；
利用所述广泛分割阈值对所述广泛表达通道图像进行分割，获得所述广泛表达显著区域；利用所述特定分割阈值对所述特定表达通道图像进行分割，获得所述特定表达显著区域。
3.根据权利要求1所述的一种用于肠粘膜组织中蛋白激酶CK2的着色检测方法，其特征在于，所述获得所述局部光谱特征之间的光谱差异，以所述光谱差异的离散度作为组织多样性指数包括：
以所述局部光谱特征之间的余弦距离作为所述光谱差异；以所述光谱差异的标准差作为所述离散度。
4.根据权利要求1所述的一种用于肠粘膜组织中蛋白激酶CK2的着色检测方法，其特征在于，所述根据所述着色肠粘膜炎症病理切片图像之间的光谱特征差异和组织多样性指数差异进行分类，获得多个着色类别包括：
根据所述着色肠粘膜炎症病理切片图像之间的光谱特征差异和组织多样性指数差异获得所述着色肠粘膜炎症病理切片图像之间的样本距离；根据所述样本距离利用密度聚类算法对所述着色肠粘膜炎症病理切片图像进行分类，获得多个着色类别。
5.根据权利要求4所述的一种用于肠粘膜组织中蛋白激酶CK2的着色检测方法，其特征在于，所述根据所述着色肠粘膜炎症病理切片图像之间的光谱特征差异和组织多样性指数差异获得所述着色肠粘膜炎症病理切片图像之间的样本距离包括：
根据样本距离公式获得所述样本距离，所述样本距离公式包括：
其中，
为第
个所述着色肠粘膜炎症病理切片图像和第
个所述着色肠粘膜炎症病理切片图像之间的样本距离，
为第
个所述着色肠粘膜炎症病理切片图像的所述组织多样性指数，
为第
个所述着色肠粘膜炎症病理切片图像的所述组织多样性指数，
为第
个所述着色肠粘膜炎症病理切片图像的所述光谱特征，
为第
个所述着色肠粘膜炎症病理切片图像的所述光谱特征，
为绝对值计算函数，
为余弦距离计算函数。
6.根据权利要求1所述的一种用于肠粘膜组织中蛋白激酶CK2的着色检测方法，其特征在于，所述根据所述残差大小判断所述融合样本的可用性包括：
将其他着色类别的样本中多个所述特定表达关键点的所述邻域范围融合至目标着色类别的样本中，统计融合过程中的所有残差，以预设挑选区间内的残差均值作为所述目标着色类别的最差残差；以残差最小值作为最优残差；
获得每个所述着色类别的所述最差残差和所述最优残差；
若所述融合样本的所述残差小于所述最优残差，则所述融合样本可用；
若所述融合样本的所述残差大于所述最差残差，则所述融合样本不可用；
若所述融合样本的所述残差在所述最差残差和所述最优残差之间，则根据所述残差和所述最差残差的残差距离获得不可用性指标；所述不可用性指标与所述残差距离呈正相关关系；若所述不可用性指标大于预设指标阈值，则所述融合图像不可用；反之，所述融合图像可用。
7.根据权利要求6所述的一种用于肠粘膜组织中蛋白激酶CK2的着色检测方法，其特征在于，所述根据所述残差和所述最差残差的残差距离获得不可用性指标包括：
根据不可用性指标公式获得所述不可用性指标，所述不可用性指标公式包括：
其中，
为所述不可用性指标，
为所述融合样本的所述残差，
为所述最差残差，
为所述最优残差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210423103.3A CN114820502B (zh) | 2022-04-21 | 2022-04-21 | 一种用于肠粘膜组织中蛋白激酶ck2的着色检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210423103.3A CN114820502B (zh) | 2022-04-21 | 2022-04-21 | 一种用于肠粘膜组织中蛋白激酶ck2的着色检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114820502A true CN114820502A (zh) | 2022-07-29 |
| CN114820502B CN114820502B (zh) | 2023-10-24 |
Family
ID=82506394
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210423103.3A Active CN114820502B (zh) | 2022-04-21 | 2022-04-21 | 一种用于肠粘膜组织中蛋白激酶ck2的着色检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114820502B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000006980A1 (en) * | 1998-07-27 | 2000-02-10 | Cedars-Sinai Medical Center | Spectral topography of mammalian matter |
| US20100075373A1 (en) * | 2008-09-22 | 2010-03-25 | Hoyt Clifford C | Multi-Spectral Imaging Including At Least One Common Stain |
| US20120127297A1 (en) * | 2010-11-24 | 2012-05-24 | Baxi Vipul A | Digital microscopy with focus grading in zones distinguished for comparable image structures |
| CN104408717A (zh) * | 2014-11-24 | 2015-03-11 | 北京航空航天大学 | 一种基于着色分离的病理图像颜色质量综合评价方法 |
| CN106874687A (zh) * | 2017-03-03 | 2017-06-20 | 深圳大学 | 病理切片图像智能分类方法及装置 |
| CN107064019A (zh) * | 2017-05-18 | 2017-08-18 | 西安交通大学 | 用于无染色病理切片高光谱图像采集及分割的装置及方法 |
| US20180204111A1 (en) * | 2013-02-28 | 2018-07-19 | Z Advanced Computing, Inc. | System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform |
| CN108765408A (zh) * | 2018-05-31 | 2018-11-06 | 杭州同绘科技有限公司 | 构建癌症病理图像虚拟病例库的方法以及基于卷积神经网络的多尺度癌症检测系统 |
| WO2019074489A1 (en) * | 2017-10-10 | 2019-04-18 | Flagship Biosciences, Inc. | METHODS FOR QUANTITATIVE EVALUATION OF MUSCLE FIBERS IN MUSCLE DYSTROPHY |
| CN111091527A (zh) * | 2018-10-24 | 2020-05-01 | 华中科技大学 | 一种病理组织切片图像中病变区域自动检测方法及系统 |
| US20200184278A1 (en) * | 2014-03-18 | 2020-06-11 | Z Advanced Computing, Inc. | System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform |
| CN111784671A (zh) * | 2020-06-30 | 2020-10-16 | 天津大学 | 基于多尺度深度学习的病理图像病灶区域检测方法 |
| CN113449785A (zh) * | 2021-06-18 | 2021-09-28 | 浙江大学 | 基于深度学习的眼睑肿瘤数字化病理切片图像多分类方法 |
| CN113723573A (zh) * | 2021-11-03 | 2021-11-30 | 浙江大学 | 基于自适应比例学习的肿瘤组织病理分类系统及方法 |
| WO2022007337A1 (zh) * | 2020-07-07 | 2022-01-13 | 广州金域医学检验中心有限公司 | 肿瘤细胞含量评估方法、系统、计算机设备及存储介质 |
| CN114266794A (zh) * | 2022-02-28 | 2022-04-01 | 华南理工大学 | 基于全卷积神经网络的病理切片图像癌症区域分割系统 |
-
2022
- 2022-04-21 CN CN202210423103.3A patent/CN114820502B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000006980A1 (en) * | 1998-07-27 | 2000-02-10 | Cedars-Sinai Medical Center | Spectral topography of mammalian matter |
| US20100075373A1 (en) * | 2008-09-22 | 2010-03-25 | Hoyt Clifford C | Multi-Spectral Imaging Including At Least One Common Stain |
| US20120127297A1 (en) * | 2010-11-24 | 2012-05-24 | Baxi Vipul A | Digital microscopy with focus grading in zones distinguished for comparable image structures |
| US20180204111A1 (en) * | 2013-02-28 | 2018-07-19 | Z Advanced Computing, Inc. | System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform |
| US20200184278A1 (en) * | 2014-03-18 | 2020-06-11 | Z Advanced Computing, Inc. | System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform |
| CN104408717A (zh) * | 2014-11-24 | 2015-03-11 | 北京航空航天大学 | 一种基于着色分离的病理图像颜色质量综合评价方法 |
| CN106874687A (zh) * | 2017-03-03 | 2017-06-20 | 深圳大学 | 病理切片图像智能分类方法及装置 |
| CN107064019A (zh) * | 2017-05-18 | 2017-08-18 | 西安交通大学 | 用于无染色病理切片高光谱图像采集及分割的装置及方法 |
| WO2019074489A1 (en) * | 2017-10-10 | 2019-04-18 | Flagship Biosciences, Inc. | METHODS FOR QUANTITATIVE EVALUATION OF MUSCLE FIBERS IN MUSCLE DYSTROPHY |
| CN108765408A (zh) * | 2018-05-31 | 2018-11-06 | 杭州同绘科技有限公司 | 构建癌症病理图像虚拟病例库的方法以及基于卷积神经网络的多尺度癌症检测系统 |
| CN111091527A (zh) * | 2018-10-24 | 2020-05-01 | 华中科技大学 | 一种病理组织切片图像中病变区域自动检测方法及系统 |
| CN111784671A (zh) * | 2020-06-30 | 2020-10-16 | 天津大学 | 基于多尺度深度学习的病理图像病灶区域检测方法 |
| WO2022007337A1 (zh) * | 2020-07-07 | 2022-01-13 | 广州金域医学检验中心有限公司 | 肿瘤细胞含量评估方法、系统、计算机设备及存储介质 |
| CN113449785A (zh) * | 2021-06-18 | 2021-09-28 | 浙江大学 | 基于深度学习的眼睑肿瘤数字化病理切片图像多分类方法 |
| CN113723573A (zh) * | 2021-11-03 | 2021-11-30 | 浙江大学 | 基于自适应比例学习的肿瘤组织病理分类系统及方法 |
| CN114266794A (zh) * | 2022-02-28 | 2022-04-01 | 华南理工大学 | 基于全卷积神经网络的病理切片图像癌症区域分割系统 |
Non-Patent Citations (2)
| Title |
|---|
| VALÉRY NARANJO: "Stained and infrared image registration as first step for cancer detection", 《IEEE ACCESS》 * |
| 王晨冬: "《基于光谱图像的杨梅品质检测机理及仪器研究》", 《中国优秀硕士论文电子期刊网》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114820502B (zh) | 2023-10-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11836950B2 (en) | Quality metrics for automatic evaluation of dual ISH images | |
| US10621412B2 (en) | Dot detection, color classification of dots and counting of color classified dots | |
| US5541064A (en) | Methods and apparatus for immunoploidy analysis | |
| US5016283A (en) | Methods and apparatus for immunoploidy analysis | |
| US7826650B2 (en) | Method for quantitative video-microscopy and associated system and computer software program product | |
| Forero et al. | Identification of tuberculosis bacteria based on shape and color | |
| EP1428016B1 (en) | Method of quantitative video-microscopy and associated system and computer software program product | |
| Forero et al. | Automatic identification of Mycobacterium tuberculosis by Gaussian mixture models | |
| US7979212B2 (en) | Method and system for morphology based mitosis identification and classification of digital images | |
| Forero et al. | Automatic identification techniques of tuberculosis bacteria | |
| CA2660113A1 (en) | System and methods for scoring images of a tissue micro array | |
| CN112534439A (zh) | 用于自动化原位杂交分析的系统 | |
| JP7214756B2 (ja) | ステイン集合体における信号の定量 | |
| CN106023121A (zh) | 一种贝叶斯显微成像方法 | |
| CN114387596A (zh) | 细胞病理涂片自动判读系统 | |
| CN114820502B (zh) | 一种用于肠粘膜组织中蛋白激酶ck2的着色检测方法 | |
| EP2697737B1 (en) | Method for optimization of quantitative video-microscopy and associated system | |
| CN111492064A (zh) | 一种鉴别酵母或细菌的方法 | |
| CN114092462A (zh) | 基于语义分割和目标检测融合模型的复合缺陷检测方法 | |
| Ploem | Appropriate technology for the quantitative assessment of the final reaction product of histochemical techniques | |
| KR102613961B1 (ko) | 골수가 도말된 슬라이드 샘플 이미지의 셀 존 결정 방법 및 셀 존의 고배율 촬상 방법 | |
| Ko et al. | Improving the evaluation accuracies of histopathologic grade and ki-67 immunohistochemistry expression of breast carcinoma using computer image processing (II) | |
| WO2023174903A1 (en) | Method for training an artificial intelligence system, method for recognizing and classifying cells for pathological cell and tissue examination, classifying system, computer-readable medium | |
| Lerner et al. | Automatic signal classification in fluorescence in-situ hybridization 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 |