CN115861718B - 胃活检图像分类方法、装置、设备、介质和程序产品 - Google Patents
胃活检图像分类方法、装置、设备、介质和程序产品 Download PDFInfo
- Publication number
- CN115861718B CN115861718B CN202310146605.0A CN202310146605A CN115861718B CN 115861718 B CN115861718 B CN 115861718B CN 202310146605 A CN202310146605 A CN 202310146605A CN 115861718 B CN115861718 B CN 115861718B
- Authority
- CN
- China
- Prior art keywords
- classification
- abnormal
- endoscope
- probability distribution
- data
- 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
Images
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请涉及医学图像分类技术领域,提供了一种胃活检图像分类方法、装置、设备、介质和程序产品,该方法包括:获取目标对象的胃活检图像、内镜报告信息、以及个体属性信息;提取胃活检图像中的异常特征,处理异常特征,得到异常分类概率分布;提取内镜报告信息中的文本特征,检测文本特征,得到内镜分类概率分布;确定个体属性信息与历史异常统计数据之间的对应关系,基于对应关系,得到个体属性信息在历史异常统计数据中所属的目标数据分组,获取目标数据分组中的各个异常分类所占的数据比例;根据异常分类概率分布、内镜分类概率分布、以及各个异常分类所占的数据比例的融合结果,得到胃活检图像的分类结果。
Description
技术领域
本申请涉及医学图像分类技术领域,特别是涉及一种胃活检图像分类方法、装置、设备、介质和程序产品。
背景技术
随着医学图像分类技术的迅速发展,越来越多的技术人员选择将深度学习网络用于进行各类型医学图像的处理与分类。其中,基于深度学习网络进行胃活检图像分类,能够有效提升获取胃活检图像的分类结果的效率。
然而,目前在基于深度学习网络进行胃活检图像分类时,采用的分类依据较为单一,仅涉及从胃活检图像中直接提取的图像特征信息,而并未考虑其他影响因素,故基于该技术获取的胃活检图像的分类结果,其准确性还有待提高。
发明内容
基于此,有必要针对上述技术问题,提供一种胃活检图像分类方法、装置、设备、介质和程序产品。
第一方面,本申请提供了一种胃活检图像分类方法。所述方法包括:
获取目标对象的胃活检图像、内镜报告信息、以及个体属性信息;
提取所述胃活检图像中的异常特征,处理所述异常特征,得到异常分类概率分布;
提取所述内镜报告信息中的文本特征,检测所述文本特征,得到内镜分类概率分布;
确定所述个体属性信息与历史异常统计数据之间的对应关系,基于所述对应关系,得到所述个体属性信息在所述历史异常统计数据中所属的目标数据分组,获取所述目标数据分组中的各个异常分类所占的数据比例;
根据所述异常分类概率分布、所述内镜分类概率分布、以及所述各个异常分类所占的数据比例的融合结果,得到所述胃活检图像的分类结果。
在其中一个实施例中,所述提取所述内镜报告信息中的文本特征,检测所述文本特征,得到内镜分类概率分布,包括:
构建各个异常分类类别与各个内镜分类类别之间的关联关系;根据所述关联关系,提取所述内镜报告信息中的文本特征;采用全连接神经网络,检测所述文本特征,得到所述内镜分类概率分布。
在其中一个实施例中,所述根据所述异常分类概率分布、所述内镜分类概率分布、以及所述各个异常分类所占的数据比例的融合结果,得到所述胃活检图像的分类结果,包括:
基于所述关联关系,对所述异常分类概率分布、所述内镜分类概率分布、以及所述各个异常分类所占的数据比例进行多模态特征融合;
根据所述多模态特征融合的结果,得到所述胃活检图像的分类结果。
在其中一个实施例中,所述确定所述个体属性信息与历史异常统计数据之间的对应关系之前,所述方法还包括:
根据个体数据分组依据,将所述历史异常统计数据中的每一个体数据,分别纳入相应的数据分组,得到包含有若干数据分组的所述历史异常统计数据。
在其中一个实施例中,所述个体数据分组依据包括每一个体数据所表征的个体特征信息;所述个体特征信息包括个体性别、个体年龄、个体常住区域、个体所属的异常分类类别。
在其中一个实施例中,所述胃活检图像包括胃活检全切片图像;所述获取目标对象的胃活检图像,包括:
采用扫描设备,对所述目标对象的胃活检玻片进行图像扫描,得到所述胃活检全切片图像;所述扫描设备包括数字病理扫描仪。
第二方面,本申请还提供了一种胃活检图像分类装置。所述装置包括:
数据获取模块,用于获取目标对象的胃活检图像、内镜报告信息、以及个体属性信息;
异常特征处理模块,用于提取所述胃活检图像中的异常特征,处理所述异常特征,得到异常分类概率分布;
文本特征处理模块,用于提取所述内镜报告信息中的文本特征,检测所述文本特征,得到内镜分类概率分布;
数据比例获取模块,用于确定所述个体属性信息与历史异常统计数据之间的对应关系,基于所述对应关系,得到所述个体属性信息在所述历史异常统计数据中所属的目标数据分组,获取所述目标数据分组中的各个异常分类所占的数据比例;
分类结果输出模块,用于根据所述异常分类概率分布、所述内镜分类概率分布、以及所述各个异常分类所占的数据比例的融合结果,得到所述胃活检图像的分类结果。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
第四方面,本申请还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,其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上述方法的步骤。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述方法的步骤。
上述胃活检图像分类方法、装置、设备、介质和程序产品,首先,获取目标对象的胃活检图像、内镜报告信息、以及个体属性信息。然后,提取胃活检图像中的异常特征,处理异常特征,得到异常分类概率分布。接着,提取内镜报告信息中的文本特征,检测文本特征,得到内镜分类概率分布。之后,确定个体属性信息与历史异常统计数据之间的对应关系,基于对应关系,得到个体属性信息在历史异常统计数据中所属的目标数据分组,获取目标数据分组中的各个异常分类所占的数据比例。最后,根据异常分类概率分布、内镜分类概率分布、以及各个异常分类所占的数据比例的融合结果,得到胃活检图像的分类结果。本申请基于胃活检图像中提取的异常特征、内镜报告信息中提取的文本特征、以及个体属性信息在历史异常统计数据中所属的目标数据分组中的各个异常分类所占的数据比例的融合结果,获取得到胃活检图像的分类结果,不仅能够为进行胃活检图像分类的过程提供更为丰富的分类参考依据,还能够有效提升胃活检图像的分类结果的准确性。
附图说明
图1为一个实施例中一种胃活检图像分类方法的流程示意图;
图2为一个实施例中一种获取内镜分类概率分布的具体方式的流程示意图;
图3为一个实施例中一种获取胃活检图像的分类结果的具体方式的流程示意图;
图4为一个实施例中一种胃活检图像分类装置的结构框图;
图5为一个实施例中各个异常分类类别与各个内镜分类类别之间的关联关系示意图;
图6为一个实施例中一种胃活检图像分类方法在实际应用中的总体应用流程示意图;
图7为一个实施例中一种计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。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。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在此使用时,单数形式的“一”、“一个”和“所述/该”也可以包括复数形式,除非上下文清楚指出另外的方式。还应当理解的是,术语“包括/包含”或“具有”等指定所陈述的特征、整体、步骤、操作、组件、部分或它们的组合的存在,但是不排除存在或添加一个或更多个其他特征、整体、步骤、操作、组件、部分或它们的组合的可能性。同时,在本说明书中使用的术语“和/或”包括相关所列项目的任何及所有组合。
本申请实施例提供的胃活检图像分类方法,可以应用于终端或服务器执行。其中,数据存储系统可以存储服务器需要处理的数据;数据存储系统可以集成在服务器上,也可以放在云上或其他网络服务器上;终端可以但不限于是各种个人计算机、笔记本电脑、平板电脑;服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图1所示,提供了一种胃活检图像分类方法,以该方法应用于服务器执行为例进行说明,包括以下步骤:
步骤S110,获取目标对象的胃活检图像、内镜报告信息、以及个体属性信息。
本步骤中,目标对象,是指具备进行胃活检需求的目标对象,由于胃活检是胃部早期癌病变的主要筛查手段,目标对象可以是因疑似发生胃部早期癌病变而具备进行胃活检需求的患者;胃活检图像,是指针对载有目标对象的部分胃粘膜组织的玻片进行图像扫描,获取得到的胃活检图像;内镜报告信息,是指通过针对目标对象进行内镜检查,获取得到的内镜检查报告中包含的相应诊断信息;个体属性信息,是指用于表征目标对象的个体属性的相关信息,在目标对象为因疑似发生胃部早期癌病变而具备进行胃活检需求的患者的情况下,个体属性信息可以是用于表征目标对象的性别、年龄、常住区域等个体属性的相关信息,由于目标对象的性别、年龄、常住区域等个体属性,对其胃活检图像的分类结果的准确性会产生一定的影响,故在针对目标对象的胃活检图像进行分类之前,可以获取目标对象的个体属性信息,作为后续针对目标对象的胃活检图像进行分类的参考依据。
步骤S120,提取胃活检图像中的异常特征,处理异常特征,得到异常分类概率分布。
本步骤中,胃活检图像,即目标对象的胃活检图像,是指针对载有目标对象的部分胃粘膜组织的玻片进行图像扫描,获取得到的胃活检图像;胃活检图像中的异常特征,是指在目标对象的胃活检图像中,存在的表现异常的相应图像特征,例如,可以将在目标对象的胃活检图像中存在的病理特征,作为目标对象的胃活检图像中存在的异常特征;异常分类概率分布,是指将目标对象的胃活检图像中存在的异常特征,分别归类于各个异常分类类别的概率分布情况;在将目标对象的胃活检图像中存在的病理特征,作为胃活检图像中的异常特征的前提下,各个异常分类类别,可以是胃活检图像分类结果对应的若干种病理分型类别,异常分类概率分布,可以是将目标对象的胃活检图像中存在的病理特征,分别归类于各个病理分型类别的概率分布情况;前述各个病理分型类别,可以包括癌、非癌肿瘤、异型增生、胃底腺息肉、增生性息肉、炎性息肉、特殊类型息肉、慢性非萎缩性胃炎、慢性萎缩性胃炎、胃溃疡、特殊类型胃炎等可以将胃活检图像中存在的病理特征进行归类的病理分型类别。
示例性的,假设已知共有十一种异常分类类别,则上述异常分类概率分布,是指将目标对象的胃活检图像中存在的异常特征,分别归类于这十一种异常分类类别的概率的分布情况。
在实际应用中,在将目标对象的胃活检图像中存在的病理特征,作为胃活检图像中的异常特征的前提下,提取胃活检图像中的异常特征的具体方式,可以是采用卷积神经网络(Convolutional Neural Network,CNN),提取目标对象的胃活检图像中存在的病理特征;在将目标对象的胃活检图像中存在的病理特征,作为胃活检图像中的异常特征的前提下,处理异常特征的具体方式,可以是采用全连接神经网络(Fully ConnectedNeuralNetwork,FCN),处理由目标对象的胃活检图像中提取的病理特征,以获取将胃活检图像中存在的病理特征,归类于各个病理分型类别的概率分布情况。
步骤S130,提取内镜报告信息中的文本特征,检测文本特征,得到内镜分类概率分布。
本步骤中,内镜报告信息,即目标对象的内镜报告信息,是指针对目标对象进行内镜检查,获取得到的内镜检查报告中包含的相应诊断信息;内镜报告信息中的文本特征,是指目标对象的内镜检查报告中包含的相应诊断信息所表征的文本特征;内镜分类概率分布,是指将目标对象的内镜报告信息中的包含的相应诊断信息所表征的文本特征,分别匹配于各个内镜分类类别的概率分布情况;各个内镜分类类别,可以是内镜检查报告中包含的相应诊断信息所表征的文本特征,对应的若干种内镜分型类别;前述内镜分型类别,可以包括肿瘤类病变、息肉类病变、炎症类病变等可以将内镜检查报告中包含的相应诊断信息所表征的文本特征进行归类的内镜分型类别。
示例性的,假设已知共有三种内镜分类类别,则上述内镜分类概率分布,是指将目标对象的内镜报告信息包含的相应诊断信息所表征的文本特征,分别匹配于这三种内镜分类类别的概率的分布情况。
在实际应用中,提取内镜报告信息中的文本特征的具体方式,可以是采用基于Transformer技术衍生的深度网络,从目标对象的内镜报告信息中,提取目标对象的内镜检查报告中包含的相应诊断信息所表征的文本特征;检测文本特征的具体方式,可以是采用全连接神经网络,检测由目标对象的内镜报告信息中提取的文本特征,以获取将目标对象的内镜报告信息中的文本特征,分别匹配于各个内镜分类类别的概率分布情况。
步骤S140,确定个体属性信息与历史异常统计数据之间的对应关系,基于对应关系,得到个体属性信息在历史异常统计数据中所属的目标数据分组,获取目标数据分组中的各个异常分类所占的数据比例。
本步骤中,个体属性信息,是指用于表征目标对象的个体属性的相关信息;历史异常统计数据,是指将在某一时间段内收集的、存在可归类于各个异常分类类别的异常的若干个体数据进行整合,获取得到的历史统计数据;进行前述整合的具体方式,可以是将在某一时间段内收集的、存在可归类于各个异常分类类别的异常的若干个体数据进行聚类处理,进而将若干个体数据整合为包含若干数据分组的历史异常统计数据;个体属性信息与历史异常统计数据之间的对应关系,是指基于个体属性信息与历史异常统计数据之间的数据重合度,来进行确定的对应关系;个体属性信息在历史异常统计数据中所属的目标数据分组,是指目标对象的个体属性信息,在包含若干数据分组的历史异常统计数据中所属的数据分组;目标数据分组中的各个异常分类所占的数据比例,是指在目标数据分组中的若干个体数据在各个异常分类中所占的数据比例。
步骤S150,根据异常分类概率分布、内镜分类概率分布、以及各个异常分类所占的数据比例的融合结果,得到胃活检图像的分类结果。
本步骤中,异常分类概率分布,是指将目标对象的胃活检图像中存在的异常特征,分别归类于各个异常分类类别的概率分布情况;内镜分类概率分布,是指将目标对象的内镜报告信息中的文本特征,分别匹配于各个内镜分类类别的概率分布情况;各个异常分类所占的数据比例,即在目标数据分组中的若干个体数据在各个异常分类中所占的数据比例,是指目标对象的个体属性信息在历史异常统计数据中,所属的目标数据分组中的各个异常分类所占的数据比例;异常分类概率分布、内镜分类概率分布、以及各个异常分类所占的数据比例的融合结果,是指针对异常分类概率分布、内镜分类概率分布、以及各个异常分类所占的数据比例进行特征融合,获取得到的融合结果;进行前述特征融合的具体方式,可以是针对异常分类概率分布、内镜分类概率分布、以及各个异常分类所占的数据比例进行多模态特征融合;胃活检图像的分类结果,是指目标对象的胃活检图像对应的图像分类结果,该分类结果的具体表现形式,可以是目标对象的胃活检图像对应的病理分型结果。
上述胃活检图像分类方法,首先,获取目标对象的胃活检图像、内镜报告信息、以及个体属性信息。然后,提取胃活检图像中的异常特征,处理异常特征,得到异常分类概率分布。接着,提取内镜报告信息中的文本特征,检测文本特征,得到内镜分类概率分布。之后,确定个体属性信息与历史异常统计数据之间的对应关系,基于对应关系,得到个体属性信息在历史异常统计数据中所属的目标数据分组,获取目标数据分组中的各个异常分类所占的数据比例。最后,根据异常分类概率分布、内镜分类概率分布、以及各个异常分类所占的数据比例的融合结果,得到胃活检图像的分类结果。本申请基于胃活检图像中提取的异常特征、内镜报告信息中提取的文本特征、以及个体属性信息在历史异常统计数据中所属的目标数据分组中的各个异常分类所占的数据比例的融合结果,获取得到胃活检图像的分类结果,不仅能够为进行胃活检图像分类的过程提供更为丰富的分类参考依据,还能够有效提升胃活检图像的分类结果的准确性。
在一个实施例中,对于获取内镜分类概率分布的具体方式,如图2所示,上述步骤S130具体包括:
步骤S210,构建各个异常分类类别与各个内镜分类类别之间的关联关系。
本步骤中,各个异常分类类别,是指可用于将目标对象的胃活检图像中存在的异常特征,进行归类的若干种异常分类类别;各个内镜分类类别,是指可用于将目标对象的内镜报告信息中提取的文本特征,进行归类的若干种内镜分类类别;构建各个异常分类类别与各个内镜分类类别之间的关联关系的具体方式,可以是将各个异常分类类别,分别对应于相应的内镜分类类别;在将目标对象的胃活检图像中存在的病理特征,作为胃活检图像中的异常特征的前提下,各个异常分类类别,可以是胃活检图像分类结果对应的若干种病理分型类别;各个内镜分类类别,可以是内镜检查报告中包含的相应诊断信息所表征的文本特征,对应的若干种内镜分型类别;前述各个病理分型类别,可以包括癌、非癌肿瘤、异型增生、胃底腺息肉、增生性息肉、炎性息肉、特殊类型息肉、慢性非萎缩性胃炎、慢性萎缩性胃炎、胃溃疡、特殊类型胃炎等可以将胃活检图像中存在的病理特征进行归类的病理分型类别;前述内镜分型类别,可以包括肿瘤类病变、息肉类病变、炎症类病变等可以将内镜检查报告中包含的相应诊断信息所表征的文本特征进行归类的内镜分型类别。
在实际应用中,假设已知各个异常分类类别为胃活检图像分类结果对应的十一种病理分型类别,各个内镜分类类别为内镜检查报告中包含的相应诊断信息所表征的文本特征,对应的三种内镜分型类别,且前述十一种病理分型类别包括癌、非癌肿瘤、异型增生、胃底腺息肉、增生性息肉、炎性息肉、特殊类型息肉、慢性非萎缩性胃炎、慢性萎缩性胃炎、胃溃疡、特殊类型胃炎,前述三种内镜分型类别包括肿瘤类病变、息肉类病变、炎症类病变,则上述各个异常分类类别与各个内镜分类类别之间的关联关系的具体表现形式,可以是如图5所示的形式。
步骤S220,根据关联关系,提取内镜报告信息中的文本特征。
本步骤中,关联关系,是指各个异常分类类别与各个内镜分类类别之间的关联关系;内镜报告信息中的文本特征,是指目标对象的内镜检查报告中包含的相应诊断信息所表征的文本特征;根据关联关系,提取内镜报告信息中的文本特征,是指基于各个异常分类类别与各个内镜分类类别之间的关联关系,提取目标对象的内镜检查报告中包含的相应诊断信息所表征的文本特征。
在实际应用中,提取内镜报告信息中的文本特征的具体方式,可以是采用基于Transformer技术衍生的深度网络,从目标对象的内镜报告信息中,提取目标对象的内镜检查报告中包含的相应诊断信息所表征的文本特征。
步骤S230,采用全连接神经网络,检测文本特征,得到内镜分类概率分布。
本步骤中,文本特征,是指从目标对象的内镜报告信息中,提取的目标对象的内镜检查报告中包含的相应诊断信息所表征的文本特征;内镜分类概率分布,是指将目标对象的内镜报告信息中的包含的相应诊断信息所表征的文本特征,分别匹配于各个内镜分类类别的概率分布情况。
上述实施例通过基于各个异常分类类别与各个内镜分类类别之间的关联关系,提取目标对象的内镜报告信息中的文本特征,并采用全连接神经网络,检测该文本特征,以获取得到目标对象的内镜报告信息对应的内镜分类概率分布的方式,为进行胃活检图像分类的过程提供了更为丰富的分类参考依据。
在一个实施例中,对于获取胃活检图像的分类结果的具体方式,如图3所示,上述步骤S150具体包括:
步骤S310,基于关联关系,对异常分类概率分布、内镜分类概率分布、以及各个异常分类所占的数据比例进行多模态特征融合。
本步骤中,关联关系,是指各个异常分类类别与各个内镜分类类别之间的关联关系;异常分类概率分布,是指将目标对象的胃活检图像中存在的异常特征,分别归类于各个异常分类类别的概率分布情况;内镜分类概率分布,是指将目标对象的内镜报告信息中的文本特征,分别匹配于各个内镜分类类别的概率分布情况;各个异常分类所占的数据比例,即在目标数据分组中的若干个体数据在各个异常分类中所占的数据比例,是指目标对象的个体属性信息在历史异常统计数据中,所属的目标数据分组中的各个异常分类所占的数据比例。
在实际应用中,基于关联关系,对异常分类概率分布、内镜分类概率分布、以及各个异常分类所占的数据比例进行多模态特征融合的具体方式,可以是采用全连接神经网络,基于各个异常分类类别与各个内镜分类类别之间的关联关系,对异常分类概率分布、内镜分类概率分布、以及各个异常分类所占的数据比例进行多模态特征融合。
步骤S320,根据多模态特征融合的结果,得到胃活检图像的分类结果。
本步骤中,多模态特征融合的结果,是指对异常分类概率分布、内镜分类概率分布、以及各个异常分类所占的数据比例进行多模态特征融合,获取得到的融合结果;胃活检图像的分类结果,是指根据前述多模态特征融合的结果,获取得到的目标对象的胃活检图像对应的图像分类结果,该分类结果的具体表现形式,可以是目标对象的胃活检图像对应的病理分型结果。
上述实施例通过基于各个异常分类类别与各个内镜分类类别之间的关联关系,对异常分类概率分布、内镜分类概率分布、以及各个异常分类所占的数据比例进行多模态特征融合,并根据多模态特征融合的结果,得到胃活检图像的分类结果的方式,有效提升了胃活检图像的分类结果的准确性。
在一个实施例中,对于获取包含有若干数据分组的历史异常统计数据的具体方式,在上述步骤S140之前,上述方法还包括:
根据个体数据分组依据,将历史异常统计数据中的每一个体数据,分别纳入相应的数据分组,得到包含有若干数据分组的历史异常统计数据。
其中,个体数据分组依据,是指用于将历史异常统计数据中的每一个体数据,分别纳入相应的数据分组的数据分组依据;历史异常统计数据,是指将在某一时间段内收集的、存在可归类于各个异常分类类别的异常的若干个体数据进行整合,获取得到的历史统计数据;将历史异常统计数据中的每一个体数据,分别纳入相应的数据分组的具体方式,可以是将历史异常统计数据中具备某些共性的每一个体数据,纳入相同的数据分组;在得到包含有若干数据分组的历史异常统计数据之后,可以分别统计每一数据分组中的具有某些相同个体特征的个体数据,在历史异常统计数据中所占的数据比例。
在一个实施例中,上述个体数据分组依据包括每一个体数据所表征的个体特征信息;上述个体特征信息包括个体性别、个体年龄、个体常住区域、个体所属的异常分类类别。
具体而言,在将胃活检图像中存在的病理特征,作为胃活检图像中的异常特征的前提下,个体所属的异常分类类别,可以是每一个体的胃活检图像分类结果对应的病理分型类别。
在实际应用中,假设上述个体数据分组为每一个体数据所表征的个体性别、个体年龄以及个体常住区域,则将历史异常统计数据中的每一个体数据,分别纳入相应的数据分组的具体方式,可以是将对应个体性别、个体常住区域相同,且个体年龄处于同一年龄段的每一个体数据,纳入相同的数据分组;假设个体所属的异常分类类别为每一个体的胃活检图像分类结果对应的病理分型类别,则如下表1所示,在将对应个体性别、个体常住区域相同,且个体年龄处于同一年龄段的每一个体数据,纳入相同的数据分组之后,可以分别统计每一数据分组中所属的异常分类类别(即如下表1中所示的“病理分型”)相同的个体数据,在历史异常统计数据中所占的数据比例(即如下表1所示的“分型占比”),在此基础上,上述包含有若干数据分组的历史异常统计数据的具体表现形式,可以是如下表1所示的形式。
表1
。
上述实施例通过根据个体数据分组依据,将历史异常统计数据中的每一个体数据,分别纳入相应的数据分组的方式,提高了获取目标对象的个体属性信息在历史异常统计数据中所属的目标数据分组中的各个异常分类所占的数据比例的效率,进而有效提升了进行胃活检图像分类的效率。
在一个实施例中,对于获取目标对象的胃活检图像的具体方式,上述胃活检图像包括胃活检全切片图像;上述步骤S110具体包括:
采用扫描设备,对目标对象的胃活检玻片进行图像扫描,得到胃活检全切片图像;前述扫描设备包括数字病理扫描仪。
其中,目标对象的胃活检玻片,可以是通过针对目标对象进行提取部分胃粘膜组织的胃活检,获取得到的目标对象的胃活检玻片;胃活检全切片图像,是指目标对象的胃活检全切片图像;采用扫描设备,对目标对象的胃活检玻片进行图像扫描,得到胃活检全切片图像的具体方式,可以是采用数字病理扫描仪,对通过针对目标对象进行内镜检查,获取得到的目标对象的胃活检玻片进行图像扫描,以获取得到目标对象的胃活检全切片图像。
上述实施例通过对目标对象的胃活检玻片进行图像扫描,得到目标对象的胃活检全切片图像的方式,确保了用于进行分类的目标对象的胃活检图像的数据准确性。
在一个实施例中,本申请提供的一种胃活检图像分类方法在实际应用中的总体应用流程,可以是如图6所示的形式。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的胃活检图像分类方法的胃活检图像分类装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个胃活检图像分类装置实施例中的具体限定可以参见上文中对于胃活检图像分类方法的限定,在此不再赘述。
在一个实施例中,如图4所示,提供了一种胃活检图像分类装置,该装置400包括:
数据获取模块410,用于获取目标对象的胃活检图像、内镜报告信息、以及个体属性信息;
异常特征处理模块420,用于提取所述胃活检图像中的异常特征,处理所述异常特征,得到异常分类概率分布;
文本特征处理模块430,用于提取所述内镜报告信息中的文本特征,检测所述文本特征,得到内镜分类概率分布;
数据比例获取模块440,用于确定所述个体属性信息与历史异常统计数据之间的对应关系,基于所述对应关系,得到所述个体属性信息在所述历史异常统计数据中所属的目标数据分组,获取所述目标数据分组中的各个异常分类所占的数据比例;
分类结果输出模块450,用于根据所述异常分类概率分布、所述内镜分类概率分布、以及所述各个异常分类所占的数据比例的融合结果,得到所述胃活检图像的分类结果。
在其中一个实施例中,文本特征处理模块430,具体用于构建各个异常分类类别与各个内镜分类类别之间的关联关系;根据所述关联关系,提取所述内镜报告信息中的文本特征;采用全连接神经网络,检测所述文本特征,得到所述内镜分类概率分布。
在其中一个实施例中,分类结果输出模块450,具体用于基于所述关联关系,对所述异常分类概率分布、所述内镜分类概率分布、以及所述各个异常分类所占的数据比例进行多模态特征融合;根据所述多模态特征融合的结果,得到所述胃活检图像的分类结果。
在其中一个实施例中,上述装置还包括:历史数据分组模块,用于根据个体数据分组依据,将所述历史异常统计数据中的每一个体数据,分别纳入相应的数据分组,得到包含有若干数据分组的所述历史异常统计数据。
在其中一个实施例中,在历史数据分组模块中,所述个体数据分组依据包括每一个体数据所表征的个体特征信息;所述个体特征信息包括个体性别、个体年龄、个体常住区域、个体所属的异常分类类别。
在一个实施例中,所述胃活检图像包括胃活检全切片图像;数据获取模块410,具体用于采用扫描设备,对所述目标对象的胃活检玻片进行图像扫描,得到所述胃活检全切片图像;所述扫描设备包括数字病理扫描仪。
上述胃活检图像分类装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储胃活检图像、内镜报告信息等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种胃活检图像分类方法。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是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非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random AccessMemory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
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。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (9)
1.一种胃活检图像分类方法,其特征在于,所述方法包括:
获取目标对象的胃活检图像、内镜报告信息、以及个体属性信息;
提取所述胃活检图像中的异常特征,处理所述异常特征,得到异常分类概率分布;
提取所述内镜报告信息中的文本特征,检测所述文本特征,得到内镜分类概率分布;所述内镜分类概率分布是指将所述内镜报告信息中包含的相应诊断信息所表征的文本特征,分别匹配于各个内镜分类类别的概率分布情况;
确定所述个体属性信息与历史异常统计数据之间的对应关系,基于所述对应关系,得到所述个体属性信息在所述历史异常统计数据中所属的目标数据分组,获取所述目标数据分组中的各个异常分类所占的数据比例;
根据所述异常分类概率分布、所述内镜分类概率分布、以及所述各个异常分类所占的数据比例的融合结果,得到所述胃活检图像的分类结果。
2.根据权利要求1所述的方法,其特征在于,所述提取所述内镜报告信息中的文本特征,检测所述文本特征,得到内镜分类概率分布,包括:
构建各个异常分类类别与各个内镜分类类别之间的关联关系;
根据所述关联关系,提取所述内镜报告信息中的文本特征;
采用全连接神经网络,检测所述文本特征,得到所述内镜分类概率分布。
3.根据权利要求2所述的方法,其特征在于,所述根据所述异常分类概率分布、所述内镜分类概率分布、以及所述各个异常分类所占的数据比例的融合结果,得到所述胃活检图像的分类结果,包括:
基于所述关联关系,对所述异常分类概率分布、所述内镜分类概率分布、以及所述各个异常分类所占的数据比例进行多模态特征融合;
根据所述多模态特征融合的结果,得到所述胃活检图像的分类结果。
4.根据权利要求1所述的方法,其特征在于,所述确定所述个体属性信息与历史异常统计数据之间的对应关系之前,所述方法还包括:
根据个体数据分组依据,将所述历史异常统计数据中的每一个体数据,分别纳入相应的数据分组,得到包含有若干数据分组的所述历史异常统计数据。
5.根据权利要求4所述的方法,其特征在于,所述个体数据分组依据包括每一个体数据所表征的个体特征信息;所述个体特征信息包括个体性别、个体年龄、个体常住区域、个体所属的异常分类类别。
6.根据权利要求1至5中任一项所述的方法,其特征在于,所述胃活检图像包括胃活检全切片图像;
所述获取目标对象的胃活检图像,包括:
采用扫描设备,对所述目标对象的胃活检玻片进行图像扫描,得到所述胃活检全切片图像;所述扫描设备包括数字病理扫描仪。
7.一种胃活检图像分类装置,其特征在于,所述装置包括:
数据获取模块,用于获取目标对象的胃活检图像、内镜报告信息、以及个体属性信息;
异常特征处理模块,用于提取所述胃活检图像中的异常特征,处理所述异常特征,得到异常分类概率分布;
文本特征处理模块,用于提取所述内镜报告信息中的文本特征,检测所述文本特征,得到内镜分类概率分布;所述内镜分类概率分布是指将所述内镜报告信息中包含的相应诊断信息所表征的文本特征,分别匹配于各个内镜分类类别的概率分布情况;
数据比例获取模块,用于确定所述个体属性信息与历史异常统计数据之间的对应关系,基于所述对应关系,得到所述个体属性信息在所述历史异常统计数据中所属的目标数据分组,获取所述目标数据分组中的各个异常分类所占的数据比例;
分类结果输出模块,用于根据所述异常分类概率分布、所述内镜分类概率分布、以及所述各个异常分类所占的数据比例的融合结果,得到所述胃活检图像的分类结果。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310146605.0A CN115861718B (zh) | 2023-02-22 | 2023-02-22 | 胃活检图像分类方法、装置、设备、介质和程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310146605.0A CN115861718B (zh) | 2023-02-22 | 2023-02-22 | 胃活检图像分类方法、装置、设备、介质和程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115861718A CN115861718A (zh) | 2023-03-28 |
CN115861718B true CN115861718B (zh) | 2023-05-05 |
Family
ID=85658586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310146605.0A Active CN115861718B (zh) | 2023-02-22 | 2023-02-22 | 胃活检图像分类方法、装置、设备、介质和程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115861718B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117132840B (zh) * | 2023-10-26 | 2024-01-26 | 苏州凌影云诺医疗科技有限公司 | 一种基于AHS分期和Forrest分级的消化性溃疡分类方法和系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6150583B2 (ja) * | 2013-03-27 | 2017-06-21 | オリンパス株式会社 | 画像処理装置、内視鏡装置、プログラム及び画像処理装置の作動方法 |
US10339650B2 (en) * | 2016-01-07 | 2019-07-02 | Koios Medical, Inc. | Method and means of CAD system personalization to reduce intraoperator and interoperator variation |
CN108784636B (zh) * | 2018-06-01 | 2021-03-23 | 武汉楚精灵医疗科技有限公司 | 一种基于深度强化学习的人工智能胶囊内镜检查方法及系统 |
US10910100B2 (en) * | 2019-03-14 | 2021-02-02 | Fuji Xerox Co., Ltd. | System and method for generating descriptions of abnormalities in medical images |
US20220156606A1 (en) * | 2020-11-13 | 2022-05-19 | International Business Machines Corporation | Identification of a section of bodily tissue for pathology tests |
CN114464316B (zh) * | 2022-04-11 | 2022-07-19 | 武汉大学 | 胃部异常风险等级预测方法、装置、终端及可读存储介质 |
CN115019940A (zh) * | 2022-06-28 | 2022-09-06 | 华中科技大学同济医学院附属同济医院 | 基于眼部图像的消化道疾病的预测方法、装置及电子设备 |
-
2023
- 2023-02-22 CN CN202310146605.0A patent/CN115861718B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115861718A (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111985536B (zh) | 一种基于弱监督学习的胃镜病理图像分类方法 | |
CN113538313B (zh) | 一种息肉分割方法、装置、计算机设备及存储介质 | |
Goceri | Skin disease diagnosis from photographs using deep learning | |
CN112862756B (zh) | 识别甲状腺肿瘤病理图像中病变类型及基因突变的方法 | |
CN113284149B (zh) | Covid-19胸部ct图像识别方法、装置及电子设备 | |
CN115861718B (zh) | 胃活检图像分类方法、装置、设备、介质和程序产品 | |
CN113129293A (zh) | 医学图像分类方法、装置、计算机设备和存储介质 | |
CN111192678A (zh) | 病理显微图像诊断、模型训练方法、装置、设备及介质 | |
Saha et al. | Privacy‐preserving quality control of neuroimaging datasets in federated environments | |
Amiri et al. | Feature selection for bleeding detection in capsule endoscopy images using genetic algorithm | |
Saha et al. | dSNE: a visualization approach for use with decentralized data | |
Yenurkar et al. | Effective detection of COVID-19 outbreak in chest X-Rays using fusionnet model | |
Daniel et al. | PECNet: A deep multi-label segmentation network for eosinophilic esophagitis biopsy diagnostics | |
Obukhova et al. | Method of endoscopic images analysis for automatic bleeding detection and segmentation | |
CN110610527A (zh) | 计算suv的方法、装置、设备、系统及计算机存储介质 | |
CN115063637A (zh) | 图像分类方法、存储介质和程序产品 | |
CN117716397A (zh) | 用于处理图像以进行图像匹配的系统和方法 | |
Han et al. | Features extraction of MRI image using complex network with low computational complexity to distinguish inflammatory lesions from tumors in the human brain | |
Gui et al. | Diagnosis of Breast Cancer with Strongly Supervised Deep Learning Neural Network | |
CN113889235A (zh) | 一种三维医学影像无监督特征抽取系统 | |
Koriakina et al. | Deep multiple instance learning versus conventional deep single instance learning for interpretable oral cancer detection | |
Ben Ismail et al. | Endoscopy video summarisation using novel relational motion histogram descriptor and semi-supervised clustering | |
US20230351599A1 (en) | Systems and methods for processing electronic images of slides for a digital pathology workflow | |
Halim et al. | Chest X-ray Image Classification to Identify Lung Diseases Using Convolutional Neural Network and Convolutional Block Attention Module | |
Gehrung et al. | Triage-driven diagnosis for early detection of esophageal cancer using deep learning |
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 |