CN115222710A - 生理图像处理方法、模型训练方法、装置、设备及介质 - Google Patents

生理图像处理方法、模型训练方法、装置、设备及介质 Download PDF

Info

Publication number
CN115222710A
CN115222710A CN202210885202.3A CN202210885202A CN115222710A CN 115222710 A CN115222710 A CN 115222710A CN 202210885202 A CN202210885202 A CN 202210885202A CN 115222710 A CN115222710 A CN 115222710A
Authority
CN
China
Prior art keywords
physiological
physiological image
information
lesion
image
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
Application number
CN202210885202.3A
Other languages
English (en)
Inventor
田宽
张军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202210885202.3A priority Critical patent/CN115222710A/zh
Publication of CN115222710A publication Critical patent/CN115222710A/zh
Priority to PCT/CN2023/096574 priority patent/WO2024021825A1/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06T7/77—Determining position or orientation of objects or cameras using statistical methods
    • 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
    • G06T2207/10056—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
    • G06T2207/20081—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
    • G06T2207/30—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种生理图像处理方法、模型训练方法、装置、设备及介质，属于人工智能技术领域。该方法包括：获取经过染色处理的生理图像；确定生理图像中的至少一个病变对象的位置信息；对生理图像进行色彩分解处理，得到生理图像的染色强度信息；根据病变对象的位置信息和染色强度信息，统计得到病变对象的染色计数结果。本申请通过病变对象的位置信息和染色强度信息，得到病变对象的染色计数结果，实现了快速统计生理图像中的病变对象的染色计数结果；提高了生理图像处理方法的泛化能力，对不同染色处理方式的生理图像均可以获得良好的计数效果，避免了不同染色处理方式对生理图像的影响，保证了病变对象的染色计数结果的准确性。

Description

生理图像处理方法、模型训练方法、装置、设备及介质
技术领域
本申请涉及人工智能领域，特别涉及一种生理图像处理方法、模型训练方法、装置、设备及介质。
背景技术
生理图像是生理切片经过染色处理后的图像，不同染色试剂对不同功能类型的细胞具有不同染色效果。
在相关技术中，为了对生理切片进行充分观察，通常需要使用多种染色方式对生理切片分别进行染色处理；同时，生理切片的生理图像包含生物结构信息，直观反映了细胞的微观形态，细胞分为病变细胞和正常细胞。
然而，生理图像中病变细胞的数量往往十分庞大，如何快速统计病变细胞的是否被染色是亟待解决的问题。
发明内容
本申请提供了一种生理图像处理方法、模型训练方法、装置、设备及介质，所述技术方案如下：
根据本申请的一方面，提供了一种生理图像处理方法，所述方法包括：
获取经过染色处理的所述生理图像；
确定所述生理图像中的至少一个病变对象的位置信息；
对所述生理图像进行色彩分解处理，得到所述生理图像的染色强度信息；
根据所述病变对象的位置信息和所述染色强度信息，统计得到所述病变对象的染色计数结果。
根据本申请的另一方面，提供了一种生理图像处理模型的训练方法，所述生理图像处理模型包括检测网络，所述方法包括：
获取样本生理图像和所述样本生理图像的标记信息；
调用所述生理图像处理模型中的检测网络对所述样本生理图像进行检测处理，得到所述样本生理图像的预测检测结果；
根据所述预测检测结果和所述标记信息之间的误差，对所述生理图像处理模型进行训练，得到训练后的生理图像处理模型。
根据本申请的另一方面，提供了一种生理图像处理装置，所述装置包括：
获取模块，用于获取经过染色处理的所述生理图像；
确定模块，用于确定所述生理图像中的至少一个病变对象的位置信息；
所述确定模块，还用于对所述生理图像进行色彩分解处理，得到所述生理图像的染色强度信息；
统计模块，用于根据所述病变对象的位置信息和所述染色强度信息，统计得到所述病变对象的染色计数结果。
在本申请的一个可选设计中，所述装置基于生理图像处理模型执行，所述生理图像处理模型包括检测网络和分解网络；
所述确定模块还用于：
调用所述检测网络对所述生理图像进行检测处理，得到所述生理图像中的至少一个所述病变对象的位置信息；
调用所述分解网络对所述生理图像进行色彩分解处理，得到所述生理图像的染色强度信息。
在本申请的一个可选设计中，所述检测网络包括位置检测子网络和区域分割子网络；
所述确定模块还用于：
调用所述位置检测子网络对所述生理图像进行检测处理，得到所述生理图像中的生理对象的位置信息；
调用所述区域分割子网络对所述生理图像进行分割处理，得到所述生理图像中的病变区域，所述病变区域包括至少一个所述病变对象；
根据所述病变区域和所述生理对象的位置信息，将属于所述病变区域中的所述生理对象确定为所述病变对象，以及确定所述病变对象的位置信息。
在本申请的一个可选设计中，所述确定模块还用于：
调用所述位置检测子网络对所述生理图像进行检测处理，得到所述生理图像的生理对象检测结果；
在所述生理对象检测结果中查找兴趣区域，所述兴趣区域的中心点至所述兴趣区域的边缘点呈现递增或递减的变化趋势；
将所述兴趣区域的最值对应在所述生理图像中的位置确定为所述生理对象的位置信息。
在本申请的一个可选设计中，所述确定模块还用于：
调用所述区域分割子网络对所述生理图像进行分割处理，得到所述生理图像的分割结果，所述分割结果用于指示所述生理图像的多个像素点属于所述病变区域的概率信息；
将所述生理图像的分割结果进行二值化处理，得到所述生理图像中的病变区域。
在本申请的一个可选设计中，所述确定模块还用于：
调用所述分解网络对所述生理图像进行色彩分解处理，得到所述生理图像在至少两个色彩通道中的色彩信息；
将所述生理图像在第一色彩通道中的色彩信息，确定为所述染色强度信息。
在本申请的一个可选设计中，所述染色计数结果包括染色计数信息；
所述统计模块还用于：
根据所述病变对象的位置信息和所述染色强度信息，得到属于第一染色状态的所述病变对象的第一计数结果；所述染色强度信息用于指示所述生理图像中生理对象的至少两种染色状态；
根据所述病变对象的位置信息得到所述病变对象的第二计数结果；
将所述第一计数结果和第二计数结果的比值确定为所述病变对象的染色计数信息。
在本申请的一个可选设计中，所述统计模块还用于：
将所述生理图像的染色强度信息超过染色阈值的区域确定为第一染色区域，所述第一染色区域对应有属于第一染色状态的所述生理对象；
根据所述第一染色区域和所述病变对象的位置信息，确定属于第一染色状态的所述病变对象；
统计得到属于第一染色状态的所述病变对象的第一计数结果。
在本申请的一个可选设计中，所述染色计数结果包括染色计数图像；
所述统计模块还用于：
根据所述病变对象的位置信息和所述染色强度信息，对病变对象的至少一种染色状态在所述生理图像中进行标记，得到所述染色计数图像。
根据本申请的另一方面，提供了一种生理图像处理模型的训练装置，所述生理图像处理模型包括检测网络，所述装置包括：
获取模块，用于获取样本生理图像和所述样本生理图像的标记信息；
预测模块，用于调用所述生理图像处理模型中的检测网络对所述样本生理图像进行检测处理，得到所述样本生理图像的预测检测结果；
训练模块，用于根据所述预测检测结果和所述标记信息之间的误差，对所述生理图像处理模型进行训练，得到训练后的生理图像处理模型。
在本申请的一个可选设计中，所述样本生理图像的标记信息包括：位置标记信息和/或区域标记信息；
其中，所述位置标记信息用于指示所述样本生理图像中的生理对象的位置信息，所述区域标记信息用于指示所述样本生理图像中的病变区域。
在本申请的一个可选设计中，所述检测网络包括位置检测子网络；
所述预测模块还用于：
在所述标记信息包括所述位置标记信息的情况下，调用所述位置检测子网络对所述样本生理图像进行检测处理，得到所述样本生理图像中的生理对象的预测位置信息；
所述训练模块还用于：
根据所述预测位置信息和所述位置标记信息之间的误差，对所述生理图像处理模型进行训练，得到所述训练后的生理图像处理模型。
在本申请的一个可选设计中，所述检测网络包括区域分割子网络；
所述预测模块还用于：
在所述标记信息包括所述区域标记信息的情况下，调用所述区域分割子网络对所述样本生理图像进行分割处理，得到所述样本生理图像中的预测病变区域，所述预测病变区域包括至少一个所述病变对象；
所述训练模块还用于：
根据所述预测病变区域和所述区域标记信息之间的误差，对所述生理图像处理模型进行训练，得到所述训练后的生理图像处理模型。
根据本申请的另一方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上方面所述的生理图像处理方法，和/或生理图像处理模型的训练方法。
根据本申请的另一方面，提供了一种计算机可读存储介质，所述可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上方面所述的生理图像处理方法，和/或生理图像处理模型的训练方法。
根据本申请的另一方面，提供了一种计算机程序产品，所述计算机程序产品包括计算机指令，所述计算机指令存储在计算机可读存储介质中，处理器从所述计算机可读存储介质读取并执行所述计算机指令，以实现上述如上方面所述的生理图像处理方法，和/或生理图像处理模型的训练方法。
本申请提供的技术方案带来的有益效果至少包括：
通过病变对象的位置信息和染色强度信息，得到病变对象的染色计数结果，实现了快速统计生理图像中的病变对象的染色计数结果；通过对生理图像分别进行检测处理和色彩分解处理，确定病变对象的位置信息和染色强度信息，提高了生理图像处理方法的泛化能力，对不同染色处理方式的生理图像均可以获得良好的计数效果，避免了不同染色处理方式对生理图像的影响，保证了病变对象的染色计数结果的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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他的附图。
图1是本申请一个示例性实施例提供的计算机系统的示意图；
图2是本申请一个示例性实施例提供的生理图像处理模型的示意图；
图3是本申请一个示例性实施例提供的生理图像处理方法的流程图；
图4是本申请一个示例性实施例提供的生理图像处理方法的流程图；
图5是本申请一个示例性实施例提供的生理图像处理方法的流程图；
图6是本申请一个示例性实施例提供的生理图像和生理对象的位置标记图像的示意图；
图7是本申请一个示例性实施例提供的生理图像的分割图像和病变区域标记图像的示意图；
图8是本申请一个示例性实施例提供的病变对象的位置标记图像的示意图；
图9是本申请一个示例性实施例提供的生理图像处理方法的流程图；
图10是本申请一个示例性实施例提供的生理对象检测结果的示意图；
图11是本申请一个示例性实施例提供的生理图像处理方法的流程图；
图12是本申请一个示例性实施例提供的生理图像的分割结果图像和病变区域图像的示意图；
图13是本申请一个示例性实施例提供的生理图像处理方法的流程图；
图14是本申请一个示例性实施例提供的染色强度信息的示意图；
图15是本申请一个示例性实施例提供的生理图像处理方法的流程图；
图16是本申请一个示例性实施例提供的生理图像处理方法的流程图；
图17是本申请一个示例性实施例提供的染色计数图像的示意图；
图18是本申请一个示例性实施例提供的生理图像和染色计数图像的示意图；
图19是本申请一个示例性实施例提供的生理图像处理模型的训练方法的流程图；
图20是本申请一个示例性实施例提供的生理图像处理模型的训练方法的流程图；
图21是本申请一个示例性实施例提供的生理图像处理模型的训练方法的流程图；
图22是本申请一个示例性实施例提供的生理图像处理装置的结构框图；
图23是本申请一个示例性实施例提供的生理图像处理模型的训练装置的结构框图；
图24是本申请一个示例性实施例提供的服务器的结构框图。
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。例如，本申请中涉及到的生理图像等信息都是在充分授权的情况下获取的。
应当理解，尽管在本公开可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一参数也可以被称为第二参数，类似地，第二参数也可以被称为第一参数。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
图1示出了本申请一个实施例提供的计算机系统的示意图。该计算机系统可以实现成为生理图像处理方法和/或模型训练方法的系统架构。该计算机系统可以包括：终端100和服务器200。终端100可以是诸如手机、平板电脑、车载终端(车机)、可穿戴设备、PC(Personal Computer，个人计算机)、无人预定终端等电子设备。终端100中可以安装运行目标应用程序的客户端，该目标应用程序可以是事件表征预测模型的训练和/或使用应用程序，也可以是提供有事件表征预测模型的训练和/或使用功能的其他应用程序，本申请对此不作限定。另外，本申请对该目标应用程序的形式不作限定，包括但不限于安装在终端100中的App(Application，应用程序)、小程序等，还可以是网页形式。服务器200可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云计算服务的云服务器。服务器200可以是上述目标应用程序的后台服务器，用于为目标应用程序的客户端提供后台服务。
本申请实施例提供的生理图像处理方法和/或模型训练方法，各步骤的执行主体可以是计算机设备，所述计算机设备是指具备数据计算、处理和存储能力的电子设备。以图1所示的方案实施环境为例，可以由终端100执行生理图像处理方法和/或模型训练方法(如终端100中安装运行的目标应用程序的客户端执行该生理图像处理方法和/或模型训练方法)，也可以由服务器200执行该生理图像处理方法和/或模型训练方法，或者由终端100和服务器200交互配合执行，本申请对此不作限定。
此外，本申请技术方案可以和区块链技术相结合。例如，本申请所公开的生理图像处理方法和/或模型训练方法，其中涉及的一些数据(生理图像、样本生理图像等数据)可以保存于区块链上。终端100和服务器200之间可以通过网络进行通信，如有线或无线网络。
接下来，对本申请中的生理图像处理进行介绍：
图2示出了本申请一个实施例提供的生理图像处理模型的示意图。
生理图像处理模型320是经过训练得到的网络模型；生理图像处理模型320包括：检测网络322和分解网络324；
获取生理图像310，生理图像310是经过染色处理的生理图像；示例性的，生理图像310是观察乳腺组织切片获得的生理图像，乳腺组织切片是经过核抗原增殖指数(Ki67)染色处理的。
调用检测网络322对生理图像进行检测处理；示例性的，检测网络322包括：位置检测子网络322a和区域分割子网络322b；
具体的，调用位置检测子网络322a对生理图像310进行检测处理，得到生理图像310中的细胞的位置信息；细胞位置图310a中示出了生理图像310中细胞的中心点位置。示例性的，在本实施例中，生理图像中的生理对象是细胞。
调用区域分割子网络322b对生理图像310进行分割处理，得到生理图像中的病变区域，病变区域图310b示出了生理图像310中的病变区域。比如病变区域图310b为二值化图像，病变区域图310b中的白色区域为病变区域，病变区域中包括至少一个病变细胞。示例性的，病变细胞是生理图像中发生病变的细胞，具体的，病变细胞的类型为癌变细胞也称癌细胞；在一个示例中，癌变细胞的病变原因是细胞发生非正常增殖。
根据病变区域和细胞的位置信息，确定出至少一个病变细胞的位置信息；病变位置图310d示出了病变区域中的病变细胞的中心点位置。
调用分解网络324对生理图像310进行色彩分解处理，得到生理图像的染色强度信息，示例性的，染色强度信息指示生理图像310中的细胞的两种染色状态：着色状态和未着色状态。着色细胞图310c中示出了处于着色状态的细胞的图像。示例性的，着色状态的细胞颜色为棕色，未着色状态的细胞颜色为蓝色。
根据病变细胞的中心点位置和染色强度信息，统计得到处于着色状态的病变细胞的计数结果，着色病变细胞图310e中示出了处于着色状态的病变细胞，还示出了病变区域的包络线。
接下来，将通过以下实施例对生理图像处理方法进行介绍。
图3示出了本申请一个示例性实施例提供的生理图像处理方法的流程图。该方法可以由计算机设备执行。该方法包括：
步骤510：获取经过染色处理的生理图像；
示例性的，生理图像中携带有生理对象的微观形态，生理图像的来源可以是生理切片的图像，也可以是直接观察生理组织的图像，本申请对生理图像的获取方式不作出任何限制。生理对象包括但不限于以下至少之一：细胞、组织、细胞器、核糖体、蛋白质、抗原受体。
示例性的，生理图像是经过染色处理的生理图像；可以直接对生理切片进行染色处理，也可以对观察生理切片得到的生理图像进行染色处理。在一种实现方式中，对生理切片进行染色处理，不同染色方式对对象的染色效果是不同的。
以生理切片是乳腺组织切片为例进行说明：使用免疫组织化学(Immunohistochemistry，IHC)染色方式对生理切片进行染色处理，具体的，IHC染色方式中的核染色方式包括但不限于以下至少之一：雌激素受体(Estrogen Receptor，ER)染色、孕激素受体(Progesterone Receptor，PR)染色、核抗原增殖指数(Ki67)染色、人表皮生长因子受体-2(Human Epidermal Growth Factor Receptor 2，HER2)染色。示例性的，染色方式还包括膜染色方式。
步骤520：确定生理图像中的至少一个病变对象的位置信息；
示例性的，病变对象是生理图像中发生病变的生理对象，病变对象的微观结构和未病变的生理对象的微观结构不同。病变对象的病变原因可以是生理对象被破坏，也可以是生理对象发生不正常增殖，本申请对病变对象的病变原因不作出任何限制性规定。
示例性的，可以通过位置信息表指示病变对象的位置信息，也可以在生理图像中进行标记指示病变对象的位置信息；本申请对病变对象的位置信息的展示方式不作出任何限制。相似的，病变对象的位置信息可以逐个确定多个病变对象的位置信息，也可以确定多个病变对象所在的位置区域。
示例性的，可以通过统计处理的方式确定病变对象的位置信息，也可以通过神经网络模型预测确定病变对象的位置信息；本申请对病变对象的位置信息的确定方式不作出任何限制性规定。
步骤530：对生理图像进行色彩分解处理，得到生理图像的染色强度信息；
示例性的，染色强度信息用于指示经过染色处理的生理图像的染色强度，指示有生理图像中至少一个像素点经过染色处理的染色强度。
示例性的，可以通过统计处理的方式确定生理图像的染色强度信息，也可以通过神经网络模型预测确定生理图像的染色强度信息；本申请对生理图像的染色强度信息的确定方式不作出任何限制性规定。
示例性的，不同染色方式对生理图像的染色效果通常是不同的，经过不同染色方式进行染色处理的生理图像通常对应有不同的染色强度信息。
步骤540：根据病变对象的位置信息和染色强度信息，统计得到病变对象的染色计数结果。
病变对象的染色计数结果用于指示经过染色处理的病变对象的计数结果。示例性的，可以通过染色计数信息指示病变对象的染色计数结果，也可以通过在生理图像中标记指示病变对象的染色计数结果，本申请对染色计数结果的表现方式不作出任何限制性规定。
综上所述，本实施例提供的方法，通过病变对象的位置信息和染色强度信息，得到病变对象的染色计数结果，实现了快速统计生理图像中的病变对象的染色计数结果；通过对生理图像分别进行检测处理和色彩分解处理，确定病变对象的位置信息和染色强度信息，提高了生理图像处理方法的泛化能力，对不同染色处理方式的生理图像均可以获得良好的计数效果，避免了不同染色处理方式对生理图像的影响，保证了病变对象的染色计数结果的准确性。
图4示出了本申请一个示例性实施例提供的生理图像处理方法的流程图。该方法可以由计算机设备执行。即在图3示出的实施例中，步骤520可以实现为步骤520a，步骤530可以实现为步骤530a：
步骤520a：调用检测网络对生理图像进行检测处理，得到生理图像中的至少一个病变对象的位置信息；
示例性的，生理图像处理方法基于生理图像处理模型执行，生理图像处理模型包括检测网络和分解网络。
调用检测网络对生理图像进行检测处理，检测网络包括但不限于如下至少之一：卷积神经网络(Convolutional Neural Network，CNN)、长短期记忆网络(Long Short-Termneural Network，LSTM)、循环神经网络(Recurrent Neural Network，RNN)、全卷积网络(Fully Convolution Networks，FCN)、U型卷积神经网络(U-Net)、分割卷积神经网络(SegNet)、连接卷积神经网络(LinkNet)。
步骤530a：调用分解网络对生理图像进行色彩分解处理，得到生理图像的染色强度信息；
示例性的，对生理图像中携带的色彩信息进行分解，得到生理图像的染色强度信息；示例性的，调用分解网络根据色彩系统对生理图像进行色彩分解处理。
综上所述，本实施例提供的方法，基于生理图像处理模型执行生理图像处理方法，对生理图像分别进行检测处理和色彩分解处理，确定病变对象的位置信息和染色强度信息，提高了生理图像处理方法的泛化能力，对不同染色处理方式的生理图像均可以获得良好的计数效果，避免了不同染色处理方式对生理图像的影响，保证了病变对象的染色计数结果的准确性。
图5示出了本申请一个示例性实施例提供的生理图像处理方法的流程图。该方法可以由计算机设备执行。即在图3示出的实施例中，步骤520a可以实现为步骤522、步骤524、步骤526：
步骤522：调用位置检测子网络对生理图像进行检测处理，得到生理图像中的生理对象的位置信息；
检测网络包括位置检测子网络和区域分割子网络；其中，位置检测子网络包括但不限于如下至少之一：CNN、LSTM、RNN、FCN、U-Net、SegNet、LinkNet。
示例性的，生理图像中包括至少一个生理对象，生理对象包括发生病变的病变对象，可以包括病变对象之外的其他生理对象，比如非病变对象，本申请对生理对象的具体类型不作出任何限制性规定。在一个示例中，生理对象包括至少一个病变对象。
示例性的，可以通过位置信息表指示生理对象的位置信息，也可以在生理图像中进行标记指示生理对象的位置信息。图6示出了生理图像和生理对象的位置标记图像的示意图。在图6中，通过在生理图像412中标记生理对象的位置信息得到生理对象的位置标记图像414指示生理对象的位置信息。示例性的，生理对象的位置标记图像414中的标记点414a指示有生理对象的位置；生理对象的位置标记图像414存在多个标记点分别指示多个生理对象的位置。
步骤524：调用区域分割子网络对生理图像进行分割处理，得到生理图像中的病变区域，病变区域包括至少一个病变对象；
示例性的，区域分割子网络包括但不限于如下至少之一：CNN、LSTM、RNN、FCN、U-Net、SegNet、LinkNet。
示例性的，病变区域用于指示至少一个病变对象的位置；可以通过在生理图像中标记病变区域的包络线指示病变区域，也可以通过生理图像的分割结果指示病变区域。
图7示出了生理图像的分割图像和病变区域标记图像的示意图。在图7中，生理图像的分割图像422通过生理图像的分割结果指示病变区域，生理图像的分割图像422中的第一区域422a为病变区域；第一区域422a的颜色为白色，示例性的，第一区域422a不是连通区域，生理图像的分割图像422中的全部白色区域均为第一区域422a。通过在生理图像中标记有病变区域的包络线424a生成病变区域标记图像424。病变区域的包络线424a包围的区域为病变区域。
步骤526：根据病变区域和生理对象的位置信息，将属于病变区域中的生理对象确定为病变对象，以及确定病变对象的位置信息。
示例性的，将病变区域中的生理对象确定为病变对象，根据生理对象的位置信息，确定病变对象的位置信息。图8示出了病变对象的位置标记图像的示意图。病变对象的位置标记图像432中的标记点432b指示有病变对象的位置；病变对象的位置标记图像432存在多个标记点分别指示多个病变对象的位置。
病变对象的位置标记图像432中还标记有病变区域的包络线432a。
综上所述，本实施例提供的方法，基于生理图像处理模型执行生理图像处理方法，检测网络包括位置检测子网络和区域分割子网络；调用位置检测子网络和区域分割子网络分别对生理图像分别进行检测处理和分割处理，分别确定了生理对象的位置信息和病变区域，提高了生理图像处理方法的泛化能力，对不同染色处理方式的生理图像均可以获得良好的计数效果，避免了不同染色处理方式对生理图像的影响，保证了病变对象的染色计数结果的准确性。
图9示出了本申请一个示例性实施例提供的生理图像处理方法的流程图。该方法可以由计算机设备执行。即在图5示出的实施例中，步骤522可以实现为步骤522a、步骤522b、步骤522c：
步骤522a：调用位置检测子网络对生理图像进行检测处理，得到生理图像的生理对象检测结果；
示例性的，生理对象的检测结果用于指示生理图像中的像素点属于生理对象的概率信息；示例性的，像素点对应的生理对象的检测结果中和像素点属于生理对象的概率呈现相关关系，该相关关系可以是正相关，也可以是负相关。
步骤522b：在生理对象检测结果中查找兴趣区域，兴趣区域的中心点至兴趣区域的边缘点呈现递增或递减的变化趋势；
示例性的，兴趣区域的形状可以是矩形、圆形、椭圆形、或其他不规则形状；兴趣区域的中心点至兴趣区域的边缘点呈现的变化趋势可以是在一个方向上的变化趋势，也可以是多个方向上的变化趋势。图10示出了生理对象检测结果的示意图。图10中以像素点对应的生理对象的检测结果中和像素点属于生理对象的概率呈现正相关关系为例进行说明。第一图像442示出了生理图像的生理对象检测结果；为了更加清晰的对生理对象检测结果进行介绍，第二图像444截取了第一图像442中的局部图像进行示例性说明；示例性的，第二图像444在第一图像442中位于截选区域，在第一图像442中，截选区域使用虚线进行标注。
在第二图像444中，查找得到了四个兴趣区域，兴趣区域在第二图像444中使用虚线进行标注；兴趣区域的中心点为第一像素点，兴趣区域的边缘点为第二像素点，第一像素点至第二像素点的生理对象检测结果呈现递增或递减的变化趋势，示例性的，呈现递减的变化趋势。
步骤522c：将兴趣区域的最值对应在生理图像中的位置确定为生理对象的位置信息；
示例性的，将兴趣区域中的生理对象检测结果为最大值或最小值对应的像素点的位置确定为生理对象的位置信息。在一个示例中，生理对象的位置信息是生理对象的中心位置。
综上所述，本实施例提供的方法，调用位置检测子网络对生理图像分别进行检测处理，确定生理对象的位置信息；充分挖掘了位置检测子网络对生理图像的分割能力，在生理对象检测结果中确定生理对象的位置信息，利用位置检测子网络对生理图像的分割能力确定生理对象的位置信息。通过检测网络提高了生理图像处理方法的泛化能力，对不同染色处理方式的生理图像均可以获得良好的计数效果，避免了不同染色处理方式对生理图像的影响，保证了病变对象的染色计数结果的准确性。
图11示出了本申请一个示例性实施例提供的生理图像处理方法的流程图。该方法可以由计算机设备执行。即在图5示出的实施例中，步骤524可以实现为步骤524a、步骤524b：
步骤524a：调用区域分割子网络对生理图像进行分割处理，得到生理图像的分割结果；
示例性的，分割结果用于指示生理图像的多个像素点属于病变区域的概率信息；示例性的，生理图像的分割结果是灰度图像，灰度图像中像素点对应的灰度值和该像素点属于病变区域的概率呈现正相关关系。
步骤524b：将生理图像的分割结果进行二值化处理，得到生理图像中的病变区域；
示例性的，对生理图像的分割结果进行二值化处理，将生理图像区分病变区域和非病变区域；示例性的，生理图像的分割结果为灰度图像，将灰度图像进行二值化处理，得到生理图像中的病变区域。图12示出了生理图像的分割结果图像和病变区域图像的示意图。生理图像的分割结果图像452是调用区域分割子网络对生理图像进行分割处理得到的；对生理图像的分割结果图像452进行二值化处理得到病变区域图像454。
综上所述，本实施例提供的方法，调用区域分割子网络对生理图像分别进行分割处理，确定生理图像中的病变区域；充分挖掘了区域分割子网络对生理图像的分割能力，在生理图像的分割结果中确定病变区域，利用区域分割子网络对生理图像的分割能力确定病变区域。通过检测网络提高了生理图像处理方法的泛化能力，对不同染色处理方式的生理图像均可以获得良好的计数效果，避免了不同染色处理方式对生理图像的影响，保证了病变对象的染色计数结果的准确性。
图13示出了本申请一个示例性实施例提供的生理图像处理方法的流程图。该方法可以由计算机设备执行。即在图4示出的实施例中，步骤530a可以实现为步骤532、步骤534：
步骤532：调用分解网络对生理图像进行色彩分解处理，得到生理图像在至少两个色彩通道中的色彩信息；
示例性的，色彩通道是保存生理图像的色彩信息的通道，生理图像的色彩信息可以是生理图像的颜色，比如：红色、蓝色、棕色、黄色等颜色，也可以是生理图像的色彩属性，比如：饱和度、色调、明暗等。示例性的，色彩分解处理得到的生理图像在至少两个色彩通道中的色彩信息中，至少两个色彩通道属于相同的色彩系统，比如：色彩系统是红绿蓝(RGB)色彩系统、色调饱和度明度(Hue Saturation Value，HSV)色彩系统、苏木精-伊红-DAB(Hematoxylin-Eosin staining-Diaminobezidin 3，HED)色彩系统(也称苏木精，伊红，3-二氨基联苯胺色彩系统)中的至少之一。
步骤534：将生理图像在第一色彩通道中的色彩信息，确定为染色强度信息；
示例性的，在生理图像在至少两个色彩通道中的色彩信息中，将第一色彩通道中的色彩信息确定为染色强度信息。示例性的，将生理图像在DAB色彩通道中的色彩信息确定为染色强度信息。示例性的，染色强度信息用于指示生理图像中的生理对象的染色情况。比如：不同染色方式对生理图像中的生理对象的染色效果是不同的；染色强度信息用于指示生理图像中生理对象的染色效果。
图14示出了染色强度信息的示意图。示例性的，第一图像462是生理图像在苏木精-伊红-DAB色彩系统中，DAB色彩通道的色彩信息；将生理图像在DAB色彩通道的色彩信息确定为染色强度信息。在一种可选实现方式中，将染色强度信息进行二值化处理，得到第二图像464，第二图像464是处理后的染色强度信息。
综上所述，本实施例提供的方法，基于生理图像处理模型执行生理图像处理方法，调用分解网络对生理图像进行色彩分解处理，确定病变对象的染色强度信息。充分提取了样本图像中的携带的色彩信息，使用色彩信息指示样本图像中的生理对象被染色处理的染色情况。提高了生理图像处理方法的泛化能力，对不同染色处理方式的生理图像均可以获得良好的计数效果，避免了不同染色处理方式对生理图像的影响，保证了病变对象的染色计数结果的准确性。
图15示出了本申请一个示例性实施例提供的生理图像处理方法的流程图。该方法可以由计算机设备执行。即在图3示出的实施例中，步骤540可以实现为步骤541、步骤542、步骤543：
步骤541：根据病变对象的位置信息和染色强度信息，得到属于第一染色状态的病变对象的第一计数结果；
在一种实现方式中，染色计数结果包括染色计数信息；染色计数信息用于指示生理图像中第一染色状态的病变对象的数量和病变对象的数量之间的比值。需要说明的是，在另一种实现方式中，染色计数信息也可以用于指示第一染色状态的病变对象的计数结果。
染色强度信息用于指示生理图像中的生理对象的染色情况。比如：不同染色方式对生理图像中的生理对象的染色效果是不同的；染色强度信息用于指示生理图像中生理对象的染色效果。具体的，染色强度信息用于指示生理图像中生理对象的至少两种染色状态。
在一种实现方式中，将生理图像的染色强度信息超过染色阈值的区域确定为第一染色区域，第一染色区域对应有属于第一染色状态的生理对象；示例性的，第一染色状态用于指示生理对象属于着色状态或未着色状态。
根据第一染色区域和病变对象的位置信息，确定属于第一染色状态的病变对象；示例性的，将位于第一染色区域的比年对象确定为属于第一染色状态的病变对象。
统计得到属于第一染色状态的病变对象的第一计数结果。统计属于第一染色状态的病变对象的数量，作为第一计数结果。
步骤542：根据病变对象的位置信息得到病变对象的第二计数结果；
根据病变对象的位置信息对病变对象进行统计处理，得到病变对象的计数结果。
步骤543：将第一计数结果和第二计数结果的比值确定为病变对象的染色计数信息。
病变对象的染色计数信息用于指示第一计数结果和第二计数结果之间的比值；示例性的，染色计数信息用于指示处于第一染色状态的病变对象和全部病变对象的数量比值。
综上所述，本实施例提供的方法，染色计数结果包括染色计数信息，通过对病变对象进行计数，得到病变对象的染色计数信息；实现了快速统计生理图像中的病变对象的染色计数结果；使用染色计数信息对病变对象的染色状态进行描述；提高了生理图像处理方法的泛化能力，对不同染色处理方式的生理图像均可以获得良好的计数效果，避免了不同染色处理方式对生理图像的影响，保证了病变对象的染色计数结果的准确性。
图16示出了本申请一个示例性实施例提供的生理图像处理方法的流程图。该方法可以由计算机设备执行。即在图3示出的实施例中，步骤540可以实现为步骤544：
步骤544：根据病变对象的位置信息和染色强度信息，对病变对象的至少一种染色状态在生理图像中进行标记，得到染色计数图像；
在一种实现方式中，染色计数结果包括染色计数图像；通过在生理图像中对至少一种染色状态的病变对象进行标记，得到染色计数图像；
需要说明的是，在染色计数图像中，可以仅标记有一种染色状态的病变对象；也可以标记多种染色状态的病变对象。在一种可选实现方式中，染色计数图像中还标记有病变区域的包络线。
示例性的，图17示出了染色计数图像的示意图。示例性的，染色计数图像472中，通过第一标记点472a标记属于着色状态的病变对象，通过第二标记点472b标记属于未着色状态的病变对象。示例性的，染色计数图像472中还包括病变区域的包络线472c，以及属于着色状态的病变对象和全部病变对象的数量比值472d，其中，Ki-67用于指示对生理图像的染色方式，31％用于指示属于着色状态的病变对象和全部病变对象的数量比值。
示例性的，图18示出了生理图像和染色计数图像的示意图。第一生理图像482是经过PR染色处理的生理图像，第一染色计数图像484是第一生理图像482对应的染色计数图像；第二生理图像486是经过ER染色处理的生理图像，第二染色计数图像488是第二生理图像486对应的染色计数图像；
综上所述，本实施例提供的方法，染色计数结果包括染色计数图像，通过在生理图像中对病变对象的染色状态进行标记，得到病变对象的染色计数图像；实现了快速统计生理图像中的病变对象的染色计数结果；使用染色计数图像对病变对象的染色状态进行描述；提高了生理图像处理方法的泛化能力，对不同染色处理方式的生理图像均可以获得良好的计数效果，避免了不同染色处理方式对生理图像的影响，保证了病变对象的染色计数结果的准确性。
接下来，将通过以下实施例对生理图像处理模型的训练方法进行介绍。
图19示出了本申请一个示例性实施例提供的生理图像处理模型的训练方法的流程图。该方法可以由计算机设备执行。该方法包括：
步骤610：获取样本生理图像和样本生理图像的标记信息；
示例性的，样本生理图像是进行过标记的生理图像；样本生理图像的标记信息用于指示对样本生理图像的标记结果。需要说明的是，在本实施例中，样本生理图像的标记信息可以是样本生理图像中的病变对象的位置信息，也可以是和病变对象的位置信息相关的其他信息，本实施例对标记信息的具体内容不作出任何限制性规定，在一个示例中，样本生理图像的标记信息是与病变对象的位置信息相关的信息。
在一种可选实现方式中，样本生理图像的标记信息包括：位置标记信息和/或区域标记信息；位置标记信息用于指示样本生理图像中的生理对象的位置信息，区域标记信息用于指示样本生理图像中的病变区域。
步骤620：调用生理图像处理模型中的检测网络对样本生理图像进行检测处理，得到样本生理图像的预测检测结果；
示例性的，生理图像处理模型包括检测网络；检测网络用于对样本生理图像进行检测处理，得到样本生理图像的预测检测结果。在一个示例中，样本生理图像的预测检测结果是病变对象的预测位置信息。
在一种可选实现方式中，生理图像处理模型还包括分解网络；分解网络用于对样本生理图像进行色彩分解处理，得到预测染色强度信息。需要说明的是，在一个示例中，分解网络通过统计方法确定预测染色强度信息。分解网络中不存在需要进行训练的网络参数；本实施例中的分解网络和训练后得到的生理图像处理模型中的分解网络相同。在另一种可选实现方式中，仅对生理图像处理模型中的检测网络进行训练，得到训练后的生理图像处理模型之后添加分解网络，以实现构建上文的生理图像处理方法的实施例中的生理图像处理模型。
步骤630：根据预测检测结果和标记信息之间的误差，对生理图像处理模型进行训练，得到训练后的生理图像处理模型；
示例性的，通过比较预测检测结果和标记信息之间的区别得到预测误差。通过预测误差对生理图像处理模型进行训练，得到上文中任一实施例中的生理图像处理模型。
示例性的，使用后向传播算法更新生理图像处理模型的参数，使用多组样本生理图像和样本生理图像的标记信息，多次比较误差并更新生理图像处理模型的参数，提高生理图像处理模型的预测准确度。
综上所述，本实施例提供的方法，通过预测检测结果和标记信息之间的误差，对生理图像处理模型进行训练，提高了生理图像处理模型的预测准确度，为调用生理图像处理模型进行生理图像处理奠定了基础，通过检测网络对样本生理图像进行检测处理，得到样本生理图像的预测检测结果，提高了生理图像处理模型的泛化能力，保证了病变对象的染色计数结果的准确性。
图20示出了本申请一个示例性实施例提供的生理图像处理模型的训练方法的流程图。该方法可以由计算机设备执行。即在图19示出的实施例中，步骤620可以实现为步骤622，步骤630可以实现为步骤632：
步骤622：在标记信息包括位置标记信息的情况下，调用位置检测子网络对样本生理图像进行检测处理，得到样本生理图像中的生理对象的预测位置信息；
示例性的，标记信息包括位置标记信息，位置标记信息用于指示样本生理图像中的生理对象的位置信息。检测网络包括位置检测子网络；需要说明的是，本实施例对检测网络是否包括其他子网络不作出任何限制。在一种实现方式中，检测网络还包括区域分割子网络；对检测网络中的区域分割子网络和位置检测子网络的训练过程可以是相互独立的。示例性的，位置标记信息是经过标注得到的。在一种实现方式中，样本生理图像的尺寸为2000*2000像素。
步骤632：根据预测位置信息和位置标记信息之间的误差，对生理图像处理模型进行训练，得到训练后的生理图像处理模型；
示例性的，初始的生理图像处理模型是经过公开数据集Image Net数据集训练得到的检测网络，经过对初始的生理图像处理模型进行训练，得到训练后的生理图像处理模型。在一个示例中，Image Net数据集的图像尺寸为512*512像素，批处理大小为8，学习率0.0001，最大迭代次数200。
综上所述，本实施例提供的方法，通过预测位置信息和位置标记信息之间的误差，对生理图像处理模型进行训练，提高了生理图像处理模型的预测准确度，为调用生理图像处理模型进行生理图像处理奠定了基础，通过检测网络对样本生理图像进行检测处理，得到样本生理图像的预测检测结果，提高了生理图像处理模型的泛化能力，保证了病变对象的染色计数结果的准确性。
图21示出了本申请一个示例性实施例提供的生理图像处理模型的训练方法的流程图。该方法可以由计算机设备执行。即在图19示出的实施例中，步骤620可以实现为步骤624，步骤630可以实现为步骤634：
步骤624：在标记信息包括区域标记信息的情况下，调用区域分割子网络对样本生理图像进行分割处理，得到样本生理图像中的预测病变区域；
示例性的，预测病变区域包括至少一个病变对象；
示例性的，标记信息包括区域标记信息，区域标记信息用于指示样本生理图像中的病变区域。检测网络包括区域分割子网络；需要说明的是，本实施例对检测网络是否包括其他子网络不作出任何限制。在一种实现方式中，检测网络还包括位置检测子网络；对检测网络中的区域分割子网络和位置检测子网络的训练过程可以是相互独立的。示例性的，位置标记信息是经过标注得到的。在一种实现方式中，样本生理图像经过数据增强处理，数据增强处理的方式包括但不限于：随机翻转、随机裁剪、染色扰动中的至少之一。
步骤634：根据预测病变区域和区域标记信息之间的误差，对生理图像处理模型进行训练，得到训练后的生理图像处理模型；
示例性的，初始的生理图像处理模型是经过公开数据集Image Net数据集训练得到的检测网络，经过对初始的生理图像处理模型进行训练，得到训练后的生理图像处理模型。
示例性的，预测病变区域和区域标记信息之间的误差包括：均方误差(MeanSquare Error，MSE)损失函数、交叉熵损失函数、平均绝对误差(Mean Absolute Error，MAE)损失函数中的至少之一。
综上所述，本实施例提供的方法，通过预测病变区域和区域标记信息之间的误差，对生理图像处理模型进行训练，提高了生理图像处理模型的预测准确度，为调用生理图像处理模型进行生理图像处理奠定了基础，通过检测网络对样本生理图像进行检测处理，得到样本生理图像的预测检测结果，提高了生理图像处理模型的泛化能力，保证了病变对象的染色计数结果的准确性。
本领域普通技术人员可以理解，上述实施例可以独立实施，也可以将上述实施例进行自由组合，组合出新的实施例实现本申请的生理图像处理方法，和/或生理图像处理模型的训练方法。
图22示出了本申请一个示例性实施例提供的生理图像处理装置的框图。该装置包括：
获取模块810，用于获取经过染色处理的所述生理图像；
确定模块820，用于确定所述生理图像中的至少一个病变对象的位置信息；
所述确定模块820，还用于对所述生理图像进行色彩分解处理，得到所述生理图像的染色强度信息；
统计模块830，用于根据所述病变对象的位置信息和所述染色强度信息，统计得到所述病变对象的染色计数结果。
在本申请的一个可选设计中，所述装置基于生理图像处理模型执行，所述生理图像处理模型包括检测网络和分解网络；
所述确定模块820还用于：
调用所述检测网络对所述生理图像进行检测处理，得到所述生理图像中的至少一个所述病变对象的位置信息；
调用所述分解网络对所述生理图像进行色彩分解处理，得到所述生理图像的染色强度信息。
在本申请的一个可选设计中，所述检测网络包括位置检测子网络和区域分割子网络；
所述确定模块820还用于：
调用所述位置检测子网络对所述生理图像进行检测处理，得到所述生理图像中的生理对象的位置信息；
调用所述区域分割子网络对所述生理图像进行分割处理，得到所述生理图像中的病变区域，所述病变区域包括至少一个所述病变对象；
根据所述病变区域和所述生理对象的位置信息，将属于所述病变区域中的所述生理对象确定为所述病变对象，以及确定所述病变对象的位置信息。
在本申请的一个可选设计中，所述确定模块820还用于：
调用所述位置检测子网络对所述生理图像进行检测处理，得到所述生理图像的生理对象检测结果；
在所述生理对象检测结果中查找兴趣区域，所述兴趣区域的中心点至所述兴趣区域的边缘点呈现递增或递减的变化趋势；
将所述兴趣区域的最值对应在所述生理图像中的位置确定为所述生理对象的位置信息。
在本申请的一个可选设计中，所述确定模块820还用于：
调用所述区域分割子网络对所述生理图像进行分割处理，得到所述生理图像的分割结果，所述分割结果用于指示所述生理图像的多个像素点属于所述病变区域的概率信息；
将所述生理图像的分割结果进行二值化处理，得到所述生理图像中的病变区域。
在本申请的一个可选设计中，所述确定模块820还用于：
调用所述分解网络对所述生理图像进行色彩分解处理，得到所述生理图像在至少两个色彩通道中的色彩信息；
将所述生理图像在第一色彩通道中的色彩信息，确定为所述染色强度信息。
在本申请的一个可选设计中，所述染色计数结果包括染色计数信息；
所述统计模块830还用于：
根据所述病变对象的位置信息和所述染色强度信息，得到属于第一染色状态的所述病变对象的第一计数结果；所述染色强度信息用于指示所述生理图像中生理对象的至少两种染色状态；
根据所述病变对象的位置信息得到所述病变对象的第二计数结果；
将所述第一计数结果和第二计数结果的比值确定为所述病变对象的染色计数信息。
在本申请的一个可选设计中，所述统计模块830还用于：
将所述生理图像的染色强度信息超过染色阈值的区域确定为第一染色区域，所述第一染色区域对应有属于第一染色状态的所述生理对象；
根据所述第一染色区域和所述病变对象的位置信息，确定属于第一染色状态的所述病变对象；
统计得到属于第一染色状态的所述病变对象的第一计数结果。
在本申请的一个可选设计中，所述染色计数结果包括染色计数图像；
所述统计模块830还用于：
根据所述病变对象的位置信息和所述染色强度信息，对病变对象的至少一种染色状态在所述生理图像中进行标记，得到所述染色计数图像。
图23示出了本申请一个示例性实施例提供的生理图像处理模型的训练装置的框图。该装置包括：
获取模块840，用于获取样本生理图像和所述样本生理图像的标记信息；
预测模块850，用于调用所述生理图像处理模型中的检测网络对所述样本生理图像进行检测处理，得到所述样本生理图像的预测检测结果；
训练模块860，用于根据所述预测检测结果和所述标记信息之间的误差，对所述生理图像处理模型进行训练，得到训练后的生理图像处理模型。
在本申请的一个可选设计中，所述样本生理图像的标记信息包括：位置标记信息和/或区域标记信息；
其中，所述位置标记信息用于指示所述样本生理图像中的生理对象的位置信息，所述区域标记信息用于指示所述样本生理图像中的病变区域。
在本申请的一个可选设计中，所述检测网络包括位置检测子网络；
所述预测模块850还用于：
在所述标记信息包括所述位置标记信息的情况下，调用所述位置检测子网络对所述样本生理图像进行检测处理，得到所述样本生理图像中的生理对象的预测位置信息；
所述训练模块860还用于：
根据所述预测位置信息和所述位置标记信息之间的误差，对所述生理图像处理模型进行训练，得到所述训练后的生理图像处理模型。
在本申请的一个可选设计中，所述检测网络包括区域分割子网络；
所述预测模块850用于：
在所述标记信息包括所述区域标记信息的情况下，调用所述区域分割子网络对所述样本生理图像进行分割处理，得到所述样本生理图像中的预测病变区域，所述预测病变区域包括至少一个所述病变对象；
所述训练模块860还用于：
根据所述预测病变区域和所述区域标记信息之间的误差，对所述生理图像处理模型进行训练，得到所述训练后的生理图像处理模型。
需要说明的一点是，上述实施例提供的装置在实现其功能时，仅以上述各个功能模块的划分进行举例说明，实际应用中，可以根据实际需要而将上述功能分配由不同的功能模块完成，即将设备的内容结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述；各个模块执行操作取得的技术效果与有关该方法的实施例中的技术效果相同，此处将不做详细阐述说明。
本申请实施例还提供了一种计算机设备，该计算机设备包括：处理器和存储器，存储器中存储有计算机程序；所述处理器，用于执行所述存储器中的所述计算机程序以实现上述各方法实施例提供的生理图像处理方法，和/或生理图像处理模型的训练方法。
可选地，该计算机设备为服务器。示例地，图24是本申请一个示例性实施例提供的服务器的结构框图。
通常，服务器2300包括有：处理器2301和存储器2302。
处理器2301可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器2301可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable Logic Array，PLA)中的至少一种硬件形式来实现。处理器2301也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称中央处理器(CentralProcessing Unit，CPU)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器2301可以在集成有图像处理器(Graphics Processing Unit，GPU)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器2301还可以包括人工智能(Artificial Intelligence，AI)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器2302可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器2302还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器2302中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器2301所执行以实现本申请中方法实施例提供的生理图像处理方法，和/或生理图像处理模型的训练方法。
在一些实施例中，服务器2300还可选包括有：输入接口2303和输出接口2304。处理器2301、存储器2302和输入接口2303、输出接口2304之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与输入接口2303、输出接口2304相连。输入接口2303、输出接口2304可被用于将输入/输出(Input/Output，I/O)相关的至少一个外围设备连接到处理器2301和存储器2302。在一些实施例中，处理器2301、存储器2302和输入接口2303、输出接口2304被集成在同一芯片或电路板上；在一些其他实施例中，处理器2301、存储器2302和输入接口2303、输出接口2304中的任意一个或两个可以在单独的芯片或电路板上实现，本申请实施例对此不加以限定。
本领域技术人员可以理解，上述示出的结构并不构成对服务器2300的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。
在示例性实施例中，还提供了一种芯片，所述芯片包括可编程逻辑电路和/或程序指令，当所述芯片在计算机设备上运行时，用于实现上述方面所述的生理图像处理方法，和/或生理图像处理模型的训练方法。
在示例性实施例中，还提供了一种计算机程序产品，该计算机程序产品包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器从计算机可读存储介质读取并执行该计算机指令，以实现上述各方法实施例提供的生理图像处理方法，和/或生理图像处理模型的训练方法。
在示例性实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行以实现上述各方法实施例提供的生理图像处理方法，和/或生理图像处理模型的训练方法。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本申请实施例所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
以上所述仅为本申请的可选实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (18)

1.一种生理图像处理方法，其特征在于，所述方法包括：
获取经过染色处理的所述生理图像；
确定所述生理图像中的至少一个病变对象的位置信息；
对所述生理图像进行色彩分解处理，得到所述生理图像的染色强度信息；
根据所述病变对象的位置信息和所述染色强度信息，统计得到所述病变对象的染色计数结果。
2.根据权利要求1所述的方法，其特征在于，所述方法基于生理图像处理模型执行，所述生理图像处理模型包括检测网络和分解网络；
所述确定所述生理图像中的至少一个病变对象的位置信息，包括：
调用所述检测网络对所述生理图像进行检测处理，得到所述生理图像中的至少一个所述病变对象的位置信息；
所述对所述生理图像进行色彩分解处理，得到所述生理图像的染色强度信息，包括：
调用所述分解网络对所述生理图像进行色彩分解处理，得到所述生理图像的染色强度信息。
3.根据权利要求2所述的方法，其特征在于，所述检测网络包括位置检测子网络和区域分割子网络；
所述调用所述检测网络对所述生理图像进行检测处理，得到所述生理图像中的至少一个所述病变对象的位置信息，包括：
调用所述位置检测子网络对所述生理图像进行检测处理，得到所述生理图像中的生理对象的位置信息；
调用所述区域分割子网络对所述生理图像进行分割处理，得到所述生理图像中的病变区域，所述病变区域包括至少一个所述病变对象；
根据所述病变区域和所述生理对象的位置信息，将属于所述病变区域中的所述生理对象确定为所述病变对象，以及确定所述病变对象的位置信息。
4.根据权利要求3所述的方法，其特征在于，所述调用所述位置检测子网络对所述生理图像进行检测处理，得到所述生理图像中的生理对象的位置信息，包括：
调用所述位置检测子网络对所述生理图像进行检测处理，得到所述生理图像的生理对象检测结果；
在所述生理对象检测结果中查找兴趣区域，所述兴趣区域的中心点至所述兴趣区域的边缘点呈现递增或递减的变化趋势；
将所述兴趣区域的最值对应在所述生理图像中的位置确定为所述生理对象的位置信息。
5.根据权利要求3所述的方法，其特征在于，所述调用所述区域分割子网络对所述生理图像进行分割处理，得到所述生理图像中的病变区域，包括：
调用所述区域分割子网络对所述生理图像进行分割处理，得到所述生理图像的分割结果，所述分割结果用于指示所述生理图像的多个像素点属于所述病变区域的概率信息；
将所述生理图像的分割结果进行二值化处理，得到所述生理图像中的病变区域。
6.根据权利要求2所述的方法，其特征在于，所述调用所述分解网络对所述生理图像进行色彩分解处理，得到所述生理图像的染色强度信息，包括：
调用所述分解网络对所述生理图像进行色彩分解处理，得到所述生理图像在至少两个色彩通道中的色彩信息；
将所述生理图像在第一色彩通道中的色彩信息，确定为所述染色强度信息。
7.根据权利要求1至6任一所述的方法，其特征在于，所述染色计数结果包括染色计数信息；
所述根据所述病变对象的位置信息和所述染色强度信息，统计得到所述病变对象的染色计数结果，包括：
根据所述病变对象的位置信息和所述染色强度信息，得到属于第一染色状态的所述病变对象的第一计数结果；所述染色强度信息用于指示所述生理图像中生理对象的至少两种染色状态；
根据所述病变对象的位置信息得到所述病变对象的第二计数结果；
将所述第一计数结果和第二计数结果的比值确定为所述病变对象的染色计数信息。
8.根据权利要求7所述的方法，其特征在于，所述根据所述病变对象的位置信息和所述染色强度信息，得到属于第一染色状态的所述病变对象的第一计数结果，包括：
将所述生理图像的染色强度信息超过染色阈值的区域确定为第一染色区域，所述第一染色区域对应有属于第一染色状态的所述生理对象；
根据所述第一染色区域和所述病变对象的位置信息，确定属于第一染色状态的所述病变对象；
统计得到属于第一染色状态的所述病变对象的第一计数结果。
9.根据权利要求1至6任一所述的方法，其特征在于，所述染色计数结果包括染色计数图像；
所述根据所述病变对象的位置信息和所述染色强度信息，统计得到所述病变对象的染色计数结果，包括：
根据所述病变对象的位置信息和所述染色强度信息，对病变对象的至少一种染色状态在所述生理图像中进行标记，得到所述染色计数图像。
10.一种生理图像处理模型的训练方法，其特征在于，所述生理图像处理模型包括检测网络，所述方法包括：
获取样本生理图像和所述样本生理图像的标记信息；
调用所述生理图像处理模型中的检测网络对所述样本生理图像进行检测处理，得到所述样本生理图像的预测检测结果；
根据所述预测检测结果和所述标记信息之间的误差，对所述生理图像处理模型进行训练，得到训练后的生理图像处理模型。
11.根据权利要求10所述的方法，其特征在于，所述样本生理图像的标记信息包括：位置标记信息和/或区域标记信息；
其中，所述位置标记信息用于指示所述样本生理图像中的生理对象的位置信息，所述区域标记信息用于指示所述样本生理图像中的病变区域。
12.根据权利要求11所述的方法，其特征在于，所述检测网络包括位置检测子网络；
所述调用所述生理图像处理模型中的检测网络对所述样本生理图像进行检测处理，得到所述样本生理图像的预测检测结果，包括：
在所述标记信息包括所述位置标记信息的情况下，调用所述位置检测子网络对所述样本生理图像进行检测处理，得到所述样本生理图像中的生理对象的预测位置信息；
所述根据所述预测检测结果和所述标记信息之间的误差，对所述生理图像处理模型进行训练，得到训练后的生理图像处理模型，包括：
根据所述预测位置信息和所述位置标记信息之间的误差，对所述生理图像处理模型进行训练，得到所述训练后的生理图像处理模型。
13.根据权利要求11所述的方法，其特征在于，所述检测网络包括区域分割子网络；
所述调用所述生理图像处理模型中的检测网络对所述样本生理图像进行检测处理，得到所述样本生理图像的预测检测结果，包括：
在所述标记信息包括所述区域标记信息的情况下，调用所述区域分割子网络对所述样本生理图像进行分割处理，得到所述样本生理图像中的预测病变区域，所述预测病变区域包括至少一个所述病变对象；
所述根据所述预测检测结果和所述标记信息之间的误差，对所述生理图像处理模型进行训练，得到训练后的生理图像处理模型，包括：
根据所述预测病变区域和所述区域标记信息之间的误差，对所述生理图像处理模型进行训练，得到所述训练后的生理图像处理模型。
14.一种生理图像处理装置，其特征在于，所述装置包括：
获取模块，用于获取经过染色处理的所述生理图像；
确定模块，用于确定所述生理图像中的至少一个病变对象的位置信息；
所述确定模块，还用于对所述生理图像进行色彩分解处理，得到所述生理图像的染色强度信息；
统计模块，用于根据所述病变对象的位置信息和所述染色强度信息，统计得到所述病变对象的染色计数结果。
15.一种生理图像处理模型的训练装置，其特征在于，所述生理图像处理模型包括检测网络，所述装置包括：
获取模块，用于获取样本生理图像和所述样本生理图像的标记信息；
预测模块，用于调用所述生理图像处理模型中的检测网络对所述样本生理图像进行检测处理，得到所述样本生理图像的预测检测结果；
训练模块，用于根据所述预测检测结果和所述标记信息之间的误差，对所述生理图像处理模型进行训练，得到训练后的生理图像处理模型。
16.一种计算机设备，其特征在于，所述计算机设备包括：处理器和存储器，所述存储器中存储有至少一段程序；所述处理器，用于执行所述存储器中的所述至少一段程序以实现上述如权利要求1至9任一所述的生理图像处理方法，和/或如权利要求10至13任一所述的生理图像处理模型的训练方法。
17.一种计算机可读存储介质，其特征在于，所述可读存储介质中存储有可执行指令，所述可执行指令由处理器加载并执行以实现上述如权利要求1至9任一所述的生理图像处理方法，和/或如权利要求10至13任一所述的生理图像处理模型的训练方法。
18.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机指令，所述计算机指令存储在计算机可读存储介质中，处理器从所述计算机可读存储介质读取并执行所述计算机指令，以实现上述如权利要求1至9任一所述的生理图像处理方法，和/或如权利要求10至13任一所述的生理图像处理模型的训练方法。
CN202210885202.3A 2022-07-26 2022-07-26 生理图像处理方法、模型训练方法、装置、设备及介质 Pending CN115222710A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210885202.3A CN115222710A (zh) 2022-07-26 2022-07-26 生理图像处理方法、模型训练方法、装置、设备及介质
PCT/CN2023/096574 WO2024021825A1 (zh) 2022-07-26 2023-05-26 生理图像处理方法、模型训练方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210885202.3A CN115222710A (zh) 2022-07-26 2022-07-26 生理图像处理方法、模型训练方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN115222710A true CN115222710A (zh) 2022-10-21

Family

ID=83613861

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210885202.3A Pending CN115222710A (zh) 2022-07-26 2022-07-26 生理图像处理方法、模型训练方法、装置、设备及介质

Country Status (2)

Country Link
CN (1) CN115222710A (zh)
WO (1) WO2024021825A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024021825A1 (zh) * 2022-07-26 2024-02-01 腾讯科技（深圳）有限公司 生理图像处理方法、模型训练方法、装置、设备及介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7054619B2 (ja) * 2017-11-30 2022-04-14 シスメックス株式会社 画像分析装置および画像分析方法
CN109712142B (zh) * 2019-01-11 2023-03-28 山东省计算中心（国家超级计算济南中心） 基于染色分离的乳腺癌Ki67/ER/PR核染色细胞计数方法
CN110599514B (zh) * 2019-09-23 2022-10-04 北京达佳互联信息技术有限公司 图像分割的方法、装置、电子设备及存储介质
CN113763370A (zh) * 2021-09-14 2021-12-07 佰诺全景生物技术(北京)有限公司 数字病理图像的处理方法、装置、电子设备及存储介质
CN115222710A (zh) * 2022-07-26 2022-10-21 腾讯科技（深圳）有限公司 生理图像处理方法、模型训练方法、装置、设备及介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024021825A1 (zh) * 2022-07-26 2024-02-01 腾讯科技（深圳）有限公司 生理图像处理方法、模型训练方法、装置、设备及介质

Also Published As

Publication number Publication date
WO2024021825A1 (zh) 2024-02-01

Similar Documents

Publication Publication Date Title
US11170897B2 (en) Method and system for assisting pathologist identification of tumor cells in magnified tissue images
US11941900B2 (en) Identifying regions of interest from whole slide images
ES2680678T3 (es) Detección de los bordes de un núcleo usando análisis de imágenes
US20220051404A1 (en) Pathological section image processing method and apparatus, system, and storage medium
CN110458835B (zh) 一种图像处理方法、装置、设备、系统及介质
CN110472616A (zh) 图像识别方法、装置、计算机设备及存储介质
CN110570352B (zh) 图像标注方法、装置、系统及细胞标注方法
CN109872335A (zh) 一种用于pd-l1抗体染色切片的自动读片方法及其系统
CN111723815B (zh) 模型训练方法、图像处理方法、装置、计算机系统和介质
CN112348765A (zh) 数据增强方法、装置、计算机可读存储介质及终端设备
CN111951274A (zh) 图像分割方法、系统、可读存储介质和设备
CN108629761A (zh) 一种乳腺癌图像识别方法、装置和用户终端
CN111192239A (zh) 遥感影像变化区域检测方法、装置、存储介质及电子设备
CN115222710A (zh) 生理图像处理方法、模型训练方法、装置、设备及介质
US20230070874A1 (en) Learning representations of nuclei in histopathology images with contrastive loss
CN111161359A (zh) 一种图像处理方法及设备
CN115761270A (zh) 色卡的检测方法、装置、电子设备及存储介质
JP2024508867A (ja) 画像クラスタリング方法、装置、コンピュータ機器及びコンピュータプログラム
CN114332854A (zh) 图像处理方法、装置、设备及存储介质
CN113724235A (zh) 镜下环境改变条件时半自动化的Ki67/ER/PR阴性、阳性细胞计数系统及方法
CN113269752A (zh) 一种图像检测方法、装置终端设备及存储介质
CN111199188B (zh) 遥感影像差异图的像素处理方法、装置、存储介质及设备
CN110647889B (zh) 医学图像识别方法、医学图像识别装置、终端设备及介质
CN115908363A (zh) 肿瘤细胞统计方法、装置、设备和存储介质
CN115147469A (zh) 配准方法、装置、设备及存储介质

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40074383

Country of ref document: HK