CN115908363A - 肿瘤细胞统计方法、装置、设备和存储介质 - Google Patents
肿瘤细胞统计方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN115908363A CN115908363A CN202211566256.XA CN202211566256A CN115908363A CN 115908363 A CN115908363 A CN 115908363A CN 202211566256 A CN202211566256 A CN 202211566256A CN 115908363 A CN115908363 A CN 115908363A
- Authority
- CN
- China
- Prior art keywords
- image
- cell
- tumor cells
- region
- acquiring
- 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
Images
Landscapes
- Image Analysis (AREA)
Abstract
本申请涉及一种肿瘤细胞统计方法、装置、计算机设备、存储介质和计算机程序产品,能够有效提高肿瘤细胞的统计效率。所述方法包括:获取待识别阳性肿瘤细胞和阴性肿瘤细胞的组织所对应的组织切片图像,并获取组织切片图像的多个图像块;将图像块输入到预先训练好的细胞识别模型,由细胞识别模型获取图像块的图像特征,对图像特征进行空洞卷积,并根据空洞卷积结果获取图像块的概率图;根据图像块的概率图,确定图像块中的阳性肿瘤细胞和阴性肿瘤细胞;根据多个图像块中的阳性肿瘤细胞和阴性肿瘤细胞,确定组织切片图像的肿瘤细胞数量。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种肿瘤细胞统计方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
在医学影像分析中,可以对病理组织的组织切片进行分析,通过识别组织切片中的预设类型细胞获取对应的分析结果。
在相关技术中,工作人员可以移动显微镜视野,通过人工判别的方式确定组织切片中存在的阳性肿瘤细胞和阴性肿瘤细胞,并进行后续的相关分析。
然而,该方式需要耗费较多的人力和时间,并且不同工作人员针对同一组织切片所识别出的阳性肿瘤细胞或阴性肿瘤细胞也可能存在差异,可见,相关技术存在肿瘤细胞统计效率低下的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种肿瘤细胞统计方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种肿瘤细胞统计方法,所述方法包括:
获取待识别阳性肿瘤细胞和阴性肿瘤细胞的组织所对应的组织切片图像,并获取所述组织切片图像的多个图像块;
将所述图像块输入到预先训练好的细胞识别模型,由所述细胞识别模型获取所述图像块的图像特征,对所述图像特征进行空洞卷积,并根据空洞卷积结果获取所述图像块的概率图,所述概率图中的像素值表征对应像素点属于所述阳性肿瘤细胞或阴性肿瘤细胞的概率;
根据所述图像块的概率图,确定所述图像块中的阳性肿瘤细胞和阴性肿瘤细胞;
根据多个所述图像块中的阳性肿瘤细胞和阴性肿瘤细胞,确定所述组织切片图像的肿瘤细胞数量。
在其中一个实施例中,在所述获取待识别阳性肿瘤细胞和阴性肿瘤细胞的组织所对应的组织切片图像之前,还包括:
确定组织切片图像样本中预先标注的感兴趣区域图像,并获取所述感兴趣区域图像中的标注像素点,每个标注像素点对应于一阳性肿瘤细胞或阴性肿瘤细胞的细胞中心;
获取所述标注像素点在所述感兴趣区域图像中的邻域,并基于所述邻域获取所述感兴趣区域图像的细胞类型标签;所述细胞类型标签包括阳性肿瘤细胞标签和阴性肿瘤细胞标签;
基于所述感兴趣区域图像和所述细胞类型标签对待训练的细胞识别模型进行训练,得到训练好的细胞识别模型。
在其中一个实施例中,所述基于所述邻域获取所述感兴趣区域图像的细胞类型标签,包括:
针对所述邻域中的每个像素点,根据所述像素点与所述标注像素点之间的距离,确定所述像素点的标签值;所述标签值表征所述像素点为细胞中心点的概率,所述标签值与所述距离呈负相关;
基于所述邻域中各个像素点的标签值,生成所述感兴趣区域图像的细胞类型标签。
在其中一个实施例中,所述基于所述感兴趣区域图像和所述细胞类型标签对待训练的细胞识别模型进行训练,得到训练好的细胞识别模型,包括:
将所述感兴趣区域图像输入到待训练的细胞识别模型,通过所述待训练的细胞识别模型提取所述感兴趣区域图像的图像特征,对所述感兴趣区域图像的图像特征进行空洞卷积,并对所述感兴趣区域图像的空洞卷积结果进行上采样,得到针对阳性肿瘤细胞的第一概率图和针对阴性肿瘤细胞的第二概率图;
根据所述第一概率图、第二概率图、阳性肿瘤细胞标签和阴性肿瘤细胞标签,确定模型损失;
根据所述模型损失调整所述待训练的细胞识别模型的模型参数,直到满足训练结束条件,得到训练好的细胞识别模型。
在其中一个实施例中,所述根据所述图像块的概率图,确定所述图像块中的阳性肿瘤细胞和阴性肿瘤细胞,包括:
对所述图像块的概率图进行二值化处理,并根据二值化处理后的掩码图确定多个候选的细胞区域;所述掩码图包括针对阳性肿瘤细胞的掩码图和针对阴性肿瘤细胞的掩码图,每个细胞区域对应一细胞;
从所述多个候选的细胞区域中确定区域面积大于面积阈值的至少一个细胞区域;
根据所述至少一个细胞区域中的各个细胞区域,确定所述图像块中的阳性肿瘤细胞和阴性肿瘤细胞。
在其中一个实施例中,所述获取所述组织切片图像的多个图像块,包括:
获取所述组织切片图像中所述组织所在区域的组织区域图像;
获取预设的滑窗和所述滑窗的滑窗步长,并基于所述滑窗步长在所述组织区域图像上移动所述滑窗;
根据每次移动后所述滑窗的位置对所述组织区域图像进行剪裁,得到针对所述组织的多个图像块。
第二方面,本申请还提供了一种肿瘤细胞统计装置,所述装置包括:
图像块获取模块,用于获取待识别阳性肿瘤细胞和阴性肿瘤细胞的组织所对应的组织切片图像,并获取所述组织切片图像的多个图像块;
概率图获取模块,用于将所述图像块输入到预先训练好的细胞识别模型,由所述细胞识别模型获取所述图像块的图像特征,对所述图像特征进行空洞卷积,并根据空洞卷积结果获取所述图像块的概率图,所述概率图中的像素值表征对应像素点属于所述阳性肿瘤细胞或阴性肿瘤细胞的概率;
肿瘤细胞确定模块,用于根据所述图像块的概率图,确定所述图像块中的阳性肿瘤细胞和阴性肿瘤细胞;
肿瘤细胞统计模块,用于根据多个所述图像块中的阳性肿瘤细胞和阴性肿瘤细胞,确定所述组织切片图像的肿瘤细胞数量。
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如上任一项所述的方法的步骤。
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如上任一项所述的方法的步骤。
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如上任一项所述的方法的步骤。
上述肿瘤细胞统计方法、装置、计算机设备、存储介质和计算机程序产品,可以获取待识别阳性肿瘤细胞和阴性肿瘤细胞的组织所对应的组织切片图像,并获取组织切片图像的多个图像块,然后可以将图像块输入到预先训练好的细胞识别模型,由细胞识别模型获取所述图像块的图像特征,对图像特征进行空洞卷积,并根据空洞卷积结果获取图像块的概率图,该概率图中的像素值表征对应像素点属于阳性肿瘤细胞或阴性肿瘤细胞的概率;进而可以根据图像块的概率图,确定图像块中的阳性肿瘤细胞和阴性肿瘤细胞,根据多个图像块的中的阳性肿瘤细胞和阴性肿瘤细胞,确定组织切片图像的肿瘤细胞数量。本申请中,可以实现阳性肿瘤细胞和阴性肿瘤细胞的全自动识别,并且,通过细胞识别模型对图像块的图像特征进行卷积处理,能够在扩大感受野的同时避免分辨率下降,更准确地从图像块中识别出稀疏分布的阳性肿瘤细胞和阴性肿瘤细胞,有效提高肿瘤细胞的统计效率并提升肿瘤细胞统计结果的可靠性。
附图说明
图1为一个实施例中一种肿瘤细胞统计方法的流程示意图;
图2为一个实施例中一种获取预设类型细胞标签的步骤的流程示意图;
图3为一个实施例中一种组织切片图像样本;
图4为一个实施例中一种细胞识别模型结构的示意图;
图5a为一个实施例中一种概率图的示意图;
图5b为一个实施例中一种细胞识别结果的示意图;
图6为一个实施例中一种肿瘤细胞统计装置的结构框图;
图7为一个实施例中一种计算机设备的内部结构图;
图8为一个实施例中另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。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。
在一个实施例中,如图1所示,提供了一种肿瘤细胞统计方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。其中,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、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。
在本实施例中,该方法包括以下步骤:
S101,获取待识别阳性肿瘤细胞和阴性肿瘤细胞的组织所对应的组织切片图像,并获取组织切片图像的多个图像块。
在实际应用中,待分析的组织中可能存在阳性肿瘤细胞和阴性肿瘤细胞,为对组织中的阳性肿瘤细胞和阴性肿瘤细胞进行识别,可以获取组织的组织切片及其对应的组织切片图像,在一个示例中,若阳性肿瘤细胞和阴性肿瘤细胞可以与免疫组化标记物所标记,则在获取组织切片图像前,还可以通过免疫组化技术对待分析的组织进行处理,使组织中的阳性肿瘤细胞和阴性肿瘤细胞被免疫组化标记物标记,例如可以使阳性肿瘤细胞和阴性肿瘤细胞的预设细胞结构(如细胞膜、细胞核等)染上相应的颜色,对其进行特异性标记,然后再在显微镜下放大拍摄,获取对应的组织切片图像,便于后续对阳性肿瘤细胞和阴性肿瘤细胞的识别。
在获取到组织切片图像后,可以获取组织切片图像的多个图像块,具体例如,可以获取组织切片图像中指定区域的图像内容对应的图像块,或者也可以对整个组织切片图像进行分割,得到组织切片图像的多个图像块。
S102,将图像块输入到预先训练好的细胞识别模型,由细胞识别模型获取图像块的图像特征,对图像特征进行空洞卷积,并根据空洞卷积结果获取图像块的概率图,概率图中的像素值表征对应像素点属于阳性肿瘤细胞或阴性肿瘤细胞的概率。
具体实现中,可以预先训练细胞识别模型,该细胞识别模型可以对图像中的细胞进行识别,并输出对应的像素点属于阳性肿瘤细胞或阴性肿瘤细胞的概率。
在本步骤中,在获取到多个图像块后,可以将多个图像块输入到预先训练好的细胞识别模型,由细胞识别模型对输入的图像块进行特征提取,获取图像块对应的图像特征,然后,细胞识别模型可以对当前获取到的图像特征进行空洞卷积,并得到对应的空洞卷积结果。具体而言,空洞卷积可以理解为在预设卷积核的每两个元素之间插入至少一个空洞,也即在卷积核的每两个元素之间填充数字0,得到扩张后的卷积核,然后再使用扩张后的卷积核对已获取的图像特征进行卷积,得到对应的空洞卷积结果。在本实施例中,通过对图像特征进行空洞卷积,可以在扩大感受野的同时避免分辨率下降,提高在目标检测任务中小物体识别分割的效果,便于从图像块中识别稀疏分布的阳性肿瘤细胞和阴性肿瘤细胞。此外,空洞卷积在扩大感受野的同时,并不需要引入额外参数,可以在提升阳性肿瘤细胞和阴性肿瘤细胞识别效果的同时,节约模型训练过程中所使用的计算资源。
在获取到空洞卷积结果后,细胞识别模型可以进一步对空洞卷积结果进行处理,例如可以对空洞卷积结果进行上采样,并基于处理结果得到输入的图像块所对应的概率图,该概率图的像素点数量与输入的图像块的像素点数量相同,概率图中的每个像素点的像素值可以表征对应像素点属于阳性肿瘤细胞获取阴性肿瘤细胞的概率。
S103,根据图像块的概率图,确定图像块中的阳性肿瘤细胞和阴性肿瘤细胞。
在获取到图像块的概率图后,由于概率图中的像素值表征了对应像素点属于阳性肿瘤细胞或阴性肿瘤细胞的概率,像素值越高,对应像素点属于阳性肿瘤细胞和阴性肿瘤细胞的可能性越大,因此,可以根据图像块的概率图,确定出每个像素点属于阳性肿瘤细胞或阴性肿瘤细胞的可能性,进而可以基于该可能性大小确定出图像块中的阳性肿瘤细胞和阴性肿瘤细胞。
S104,根据多个图像块中的阳性肿瘤细胞和阴性肿瘤细胞,确定组织切片图像的肿瘤细胞数量。
在确定出每个图像块中的阳性肿瘤细胞和阴性肿瘤细胞后,则可以对多个图像块中的阳性肿瘤细胞和阴性肿瘤细胞的细胞数量进行统计,得到肿瘤细胞数量。在一些示例中,可以根据阳性肿瘤细胞和阴性肿瘤细胞数量,作进一步分析,得到相应分析结果,例如,根据阳性肿瘤细胞数量和阴性肿瘤细胞数量的比值,得到KI67指数。
在本实施例中,可以获取待识别阳性肿瘤细胞和阴性肿瘤细胞的组织所对应的组织切片图像,并获取组织切片图像的多个图像块,然后可以将图像块输入到预先训练好的细胞识别模型,由细胞识别模型获取所述图像块的图像特征,对图像特征进行空洞卷积,并根据空洞卷积结果获取图像块的概率图,该概率图中的像素值表征对应像素点属于阳性肿瘤细胞或阴性肿瘤细胞的概率;进而可以根据图像块的概率图,确定图像块中的阳性肿瘤细胞和阴性肿瘤细胞,根据多个图像块的中的阳性肿瘤细胞和阴性肿瘤细胞,确定组织切片图像的肿瘤细胞数量。本申请中,可以实现阳性肿瘤细胞和阴性肿瘤细胞的全自动识别,并且,通过细胞识别模型对图像块的图像特征进行卷积处理,能够在扩大感受野的同时避免分辨率下降,更准确地从图像块中识别出稀疏分布的阳性肿瘤细胞和阴性肿瘤细胞,有效提高肿瘤细胞的统计效率并提升肿瘤细胞统计结果的可靠性。
在一个实施例中,如图2所示,在S101获取待识别阳性肿瘤细胞和阴性肿瘤细胞的组织所对应的组织切片图像之前,所述方法还包括如下步骤:
S201,确定组织切片图像样本中预先标注的感兴趣区域图像,并获取所述感兴趣区域图像中的标注像素点,每个标注像素点对应于一阳性肿瘤细胞或阴性肿瘤细胞的细胞中心。
在具体实现中,可以获取用于训练细胞识别模型的组织切片图像样本,该组织切片图像样本的获取方式可以与组织切片图像的获取方式相同,在获取到组织切片图像样本后,可以由病理工作人员框选出组织切片图像样本中的感兴趣区域(region of interest,ROI),并将属于阳性肿瘤细胞或阴性肿瘤细胞的像素点标注出来,该像素点可以是预设类型细胞的中心,也可以归属于预设类型细胞但并非为中心位置,如图3所示,为组织切片图像样本,图中虚线框对应的区域为感兴趣区域,感兴趣区域中的点是被标注为阳性肿瘤细胞或阴性肿瘤细胞的细胞中心的像素点。
进而在获取到经过标注的组织切片图像样本后,可以确定出组织切片图像样本中的感兴趣区域,并获取感兴趣区域图像中被标注的像素点,作为标注像素点。在另外一些示例中,还可以选取一些不含阳性肿瘤细胞和/或阴性肿瘤细胞的ROI区域作为背景图训练模型,防止模型过度识别预设类型细胞。
S202,获取标注像素点在感兴趣区域图像中的邻域,并基于邻域获取感兴趣区域图像的细胞类型标签。
其中,细胞类型标签包括阳性肿瘤细胞标签和阴性肿瘤细胞标签。
在获取到标注像素点后,可以进一步获取标注像素点在感兴趣区域图像中的邻域,例如可以将以标注像素点为中心的预设范围内的区域,确定为标注像素点在感兴趣区域图像中的邻域,例如可以将N*N像素(如5*5像素)的区域确定为邻域,并基于邻域获取感兴趣区域图像的细胞类型标签,其中,阳性肿瘤细胞标签可用于指示感兴趣区域图像中阳性肿瘤细胞的位置,阴性肿瘤细胞标签可用于指示感兴趣区域图像中阴性肿瘤细胞的位置。
S203,基于感兴趣区域图像和细胞类型标签对待训练的细胞识别模型进行训练,得到训练好的细胞识别模型。
在获取到预设类型细胞标签后,则可以基于感兴趣区域图像和细胞类型标签对待训练的细胞识别模型进行训练,得到训练好的细胞识别模型。
在本实施例中,可以将预先获取到的点标注(即标注像素点)转化为区域标注(即标注像素点的邻域),一方面,可以避免令模型直接学习系数的点分布图,防止因样本不均衡而增加模型训练难度,另一方面,标注像素点可能并非为预设类型细胞的中心,通过将点标注转换成邻域标注,可以增加模型输出的灵活性。
在一个实施例中,S202中基于邻域获取感兴趣区域图像的细胞类型标签,可以包括如下步骤:
针对邻域中的每个像素点,根据像素点与标注像素点之间的距离,确定所述像素点的标签值;基于邻域中各个像素点的标签值,生成感兴趣区域图像的细胞类型标签。
其中,标签值表征像素点为细胞中心点的概率,标签值可以与距离呈负相关,标注像素点的标签值可以等于1,邻域中其他像素点的标签值的取值范围可以在0-1之间。
在实际应用中,在获取到标注像素点的邻域后,针对邻域中的每个像素点,可以获取该像素点与标注像素点之间的距离,并根据该距离确定像素点的标签值,该距离越小,则对应像素点为阳性肿瘤细胞或阴性肿瘤细胞的中心点的概率越高,距离越大,该像素点越远离标注像素点,则像素点为阳性肿瘤细胞或阴性肿瘤细胞中心点的概率越小。
在一示例中,可以根据像素点与标注像素点之间的距离,以及,预设的指数平滑函数,确定像素点对应的标签值,其中,指数平滑函数可以如下所示:
其中,yi((u,v),(x,y))为邻域中像素点(x,y)的标签值,Di((u,v),(x,y))为像素点(x,y)与标注像素点(u,v)的距离,d为距离阈值,e为自然常数,α为指数。当像素点与标注像素点之间的距离小于或等于距离阈值时,像素点的标签值可以随距离的增大逐渐减小,当距离大于距离阈值时,则像素点的标签值为0。
在获取到邻域中各个像素点的标签值后,则可以根据各个像素点的位置及其对应的标签值,生成该感兴趣区域图像的细胞类型标签。
在本实施例中,可以根据标注像素点与邻域中像素点的距离,平滑地生成各个像素点对应的标签值,快速有效地将点标注转换为区域标注。
在一个实施例中,S203基于感兴趣区域图像和细胞类型标签对待训练的细胞识别模型进行训练,得到训练好的细胞识别模型,可以包括如下步骤:
将感兴趣区域图像输入到待训练的细胞识别模型,通过待训练的细胞识别模型提取感兴趣区域图像的图像特征,对感兴趣区域图像的图像特征进行空洞卷积,并对感兴趣区域图像的空洞卷积结果进行上采样,得到针对阳性肿瘤细胞的第一概率图和针对阴性肿瘤细胞的第二概率图;根据第一概率图、第二概率图、阳性肿瘤细胞标签和阴性肿瘤细胞标签,确定模型损失;根据模型损失调整待训练的细胞识别模型的模型参数,直到满足训练结束条件,得到训练好的细胞识别模型。
在实际应用中,如图4所示,待训练的细胞识别模型可以包括特征提取模块、空洞卷积模块和上采样模块,在一示例中,特征提取模块的结构可以采用VGG16网络的前4个模块(block);空洞卷积模块的结构可以为连续4层的空洞卷积层。
在获取到感兴趣区域图像后,可以将感兴趣区域图像输入到待训练的细胞识别模型,通过待训练的细胞识别模型中的特征提取模块提取感兴趣区域图像的图像特征,特征提取模块输出的图像特征可以作为输入继续输入到空洞卷积模块中,由空洞卷积模块对输入的图像特征进行空洞卷积并得到对应的空洞卷积结果,进而可以由上采样模块对空洞卷积结果进行上采样,将空洞卷积模块的输出上采样至与感兴趣区域图像同样的大小,并且输出的通道数为2,分别输出针对阳性肿瘤细胞的第一概率图和针对阴性肿瘤细胞的第二概率图,其中,第一概率图中每个像素点的像素值可以表征该像素点为阳性肿瘤细胞中心点的概率,第二概率图中每个像素点的像素值可以表征该像素点为阴性肿瘤细胞中心点的概率。
在获取到待训练的细胞识别模型输出的第一概率图和第二概率图后,则可以根据感兴趣区域图像的第一概率图、第二概率图、阳性肿瘤细胞标签和阴性肿瘤细胞标签,确定模型损失,具体例如,可以根据第一概率图与阳性肿瘤细胞标签之间的差异确定第一模型损失,以及,根据第二概率图与阴性肿瘤细胞标签之间的差异,确定第二模型损失,进而根据第一模型损失和第二模型损失确定当前的模型损失。在一示例中,可以使用均方误差损失函数(MSE)训练模型,该函数简单高效,便于快速获取到训练好的模型,示例性地,均方误差损失函数可以如下所示:
其中,Xm为预设类型细胞标签,X′m为细胞识别模型输出的预测结果,M为样本数量,模型训练目标为最小化模型损失,即最小化预设类型细胞标签与模型预测结果的差距。
在获取到模型损失后,则可以根据模型损失调整待训练的细胞识别模型的模型参数,直到满足训练结束条件,得到训练好的细胞识别模型。
在本实施例中,可以进行模型训练,为后续快速识别出图像中多种预设类型细胞提供基础。
在一个实施例中,S103根据图像块的概率图,确定图像块中的阳性肿瘤细胞和阴性肿瘤细胞,包括:
对图像块的概率图进行二值化处理,并根据二值化处理后的掩码图确定多个候选的细胞区域;从多个候选的细胞区域中确定区域面积大于面积阈值的至少一个细胞区域;根据至少一个细胞区域中的各个细胞区域,确定图像块中的预设类型细胞。
其中,掩码图包括针对阳性肿瘤细胞的掩码图和针对阴性肿瘤细胞的掩码图,每个细胞区域对应一细胞。
在实际应用中,在获取到图像块的概率图后,可以对概率图进行二值化处理,得到对应的掩码图,由于细胞识别模型可以输出针对阳性肿瘤细胞的概率图以及针对阴性肿瘤细胞的概率图,相应地,在对概率图进行二值化处理时,可以分别对阳性肿瘤细胞的概率图以及阴性肿瘤细胞的概率图进行二值化处理,得到针对阳性肿瘤细胞的掩码图以及针对阴性肿瘤细胞的掩码图。
在进行二值化处理时,可以将概率图在0-1区间内概率大小转变为只有0和1的值,例如,可以使用大律法(OTSU)对概率图进行二值化,并将二值化处理后的图像确定为掩码图。然后,可以根据二值化处理后的掩码图确定多个候选的细胞区域,如使用findcontour函数找到概率图中多个候选的细胞区域。
在获取到多个候选的细胞区域后,可以对多个候选的细胞区域进行过滤,具体地,可以从多个候选的细胞区域中确定区域面积大于面积阈值的至少一个细胞区域,针对区域面积小于面积阈值细胞区域,则可以将其确定为噪点并过滤掉,进而再基于筛选后得到的各个细胞区域,确定图像块中的阳性肿瘤细胞和阴性肿瘤细胞,换句话说,筛选后得到的每个细胞区域,可以确定为图像块中的一阳性肿瘤细胞或阴性肿瘤细胞。具体而言,若基于阳性肿瘤细胞的掩码图,识别出区域面积大于面积阈值的细胞区域,则可以将该细胞区域确定为阳性肿瘤细胞;若基于阴性肿瘤细胞的掩码图,识别出区域面积大于面积阈值的细胞区域,则可以将该细胞区域确定为图像块中的阴性肿瘤细胞。
在一个示例中,在获取到筛选后的各个细胞区域后,可以获取筛选得到的细胞区域的中心点,并基于该中心点进行统计或处理,例如,可以获取到如图5a所示概率图,在进行细胞区域的筛选以及中心点确定后,可以得到如图5b所示的识别结果。
在本实施例中,可以从多个候选的细胞区域中确定区域面积大于面积阈值的至少一个细胞区域,并根据至少一个细胞区域中的各个细胞区域,确定图像块中的阳性肿瘤细胞和阴性肿瘤细胞,有效去除识别过程中的噪点,提升阳性肿瘤细胞和阴性肿瘤细胞的识别准确性。
在一个实施例中,S101中获取组织切片图像的多个图像块,可以包括如下步骤:
获取组织切片图像中组织所在区域的组织区域图像;获取预设的滑窗和滑窗的滑窗步长,并基于滑窗步长在组织区域图像上移动所述滑窗;根据每次移动后滑窗的位置对所述组织区域图像进行剪裁,得到针对组织的多个图像块。
在实际应用中,在获取到组织切片图像后,可以获取该图像中包含了组织的有效区域,得到组织所在区域,并且可以获取组织所在区域对应的图像内容,得到组织区域图像。例如,可以对组织切片图像进行前置处理后,再识别组织所在的区域,其中,前置处理的步骤可以依次包括:RGB图像转换为灰度图、增强对比度、使用大律法(OTSU)将图像二值化并反转、对图像进行膨胀操作。
在另一示例中,获取到的组织切片图像可以是视野范围较大、包含像素点的图像,在获取到待识别目标细胞的组织切片图像后,可以进一步获取组织切片所对应的低倍率组织切片图像,然后,可以对低倍率组织切片图像进行识别,确定出低倍率组织切片图像中组织所在的区域,并从原始的组织切片图像中获取组织所在区域的组织区域图像。在一种可选的实施例中,若组织切片图像为存储了多层不同倍率的图像,如数字病理图像,则可以从组织切片图像不同倍率的图像中,直接读取到低倍率组织切片图像。在另一示例中,也可以对组织切片图像进行缩小处理,得到相应的低倍率图像,例如,若原始的组织切片图像是在显微镜扫描倍率40x的情况下得到的,其包含的像素点数量可以是100000*100000,在对其进行缩小处理后,可以获取长边尺寸为2000像素,短边按比例缩小的低倍率组织切片图像。
在获取到组织区域图像后,则可以获取预设的滑窗和滑窗的滑窗步长,其中,滑窗步长可以是指滑窗每次滑动的距离,滑窗步长可以等于滑窗的大小,滑窗的大小可以与感兴趣区域图像的大小相同。
在获取到滑窗后,可以基于滑窗步长在组织区域图像中移动该滑窗,针对滑窗的每次移动,可以根据滑窗移动后的位置从组织区域图像中截取对应的图像内容,进而可以根据多个移动后滑窗的位置,从组织区域图像中截取对应的图像内容,得到针对组织的多个图像块。
在本实施例中,可以仅对包含组织的图像内容进行图像分割,显著提高组织切片图像中有效区域的识别速度,并减少针对无效图像块的计算,提高组织切片图像分析的计算速度。
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肿瘤细胞统计方法的肿瘤细胞统计装置。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肿瘤细胞统计装置实施例中的具体限定可以参见上文中对于肿瘤细胞统计方法的限定,在此不再赘述。
在一个实施例中,如图6所示,提供了一种肿瘤细胞统计装置,所述装置包括:
图像块获取模块601,用于获取待识别阳性肿瘤细胞和阴性肿瘤细胞的组织所对应的组织切片图像,并获取所述组织切片图像的多个图像块;
概率图获取模块602,用于将所述图像块输入到预先训练好的细胞识别模型,由所述细胞识别模型获取所述图像块的图像特征,对所述图像特征进行空洞卷积,并根据空洞卷积结果获取所述图像块的概率图,所述概率图中的像素值表征对应像素点属于所述阳性肿瘤细胞或阴性肿瘤细胞的概率;
肿瘤细胞确定模块603,用于根据所述图像块的概率图,确定所述图像块中的阳性肿瘤细胞和阴性肿瘤细胞;
肿瘤细胞统计模块604,用于根据多个所述图像块中的阳性肿瘤细胞和阴性肿瘤细胞,确定所述组织切片图像的肿瘤细胞数量。
在一个实施例中,所述装置还包括:
标注像素点确定模块,用于确定组织切片图像样本中预先标注的感兴趣区域图像,并获取所述感兴趣区域图像中的标注像素点,每个标注像素点对应于一阳性肿瘤细胞或阴性肿瘤细胞的细胞中心;
标注转换模块,用于获取所述标注像素点在所述感兴趣区域图像中的邻域,并基于所述邻域获取所述感兴趣区域图像的细胞类型标签;所述细胞类型标签包括阳性肿瘤细胞标签和阴性肿瘤细胞标签;
模型训练模块,用于基于所述感兴趣区域图像和所述细胞类型标签对待训练的细胞识别模型进行训练,得到训练好的细胞识别模型。
在一个实施例中,所述标注转换模块具体用于:
针对所述邻域中的每个像素点,根据所述像素点与所述标注像素点之间的距离,确定所述像素点的标签值;所述标签值表征所述像素点为细胞中心点的概率,所述标签值与所述距离呈负相关;
基于所述邻域中各个像素点的标签值,生成所述感兴趣区域图像的细胞类型标签。
在一个实施例中,所述模型训练模块具体用于:
将所述感兴趣区域图像输入到待训练的细胞识别模型,通过所述待训练的细胞识别模型提取所述感兴趣区域图像的图像特征,对所述感兴趣区域图像的图像特征进行空洞卷积,并对所述感兴趣区域图像的空洞卷积结果进行上采样,得到针对阳性肿瘤细胞的第一概率图和针对阴性肿瘤细胞的第二概率图;
根据所述第一概率图、第二概率图、阳性肿瘤细胞标签和阴性肿瘤细胞标签,确定模型损失;
根据所述模型损失调整所述待训练的细胞识别模型的模型参数,直到满足训练结束条件,得到训练好的细胞识别模型。
在一个实施例中,所述肿瘤细胞确定模块603,具体用于:
对所述图像块的概率图进行二值化处理,并根据二值化处理后的掩码图确定多个候选的细胞区域;所述掩码图包括针对阳性肿瘤细胞的掩码图和针对阴性肿瘤细胞的掩码图,每个细胞区域对应一细胞;
从所述多个候选的细胞区域中确定区域面积大于面积阈值的至少一个细胞区域;
根据所述至少一个细胞区域中的各个细胞区域,确定所述图像块中的阳性肿瘤细胞和阴性肿瘤细胞。
在一个实施例中,所述图像块获取模块601,具体用于:
获取所述组织切片图像中所述组织所在区域的组织区域图像;
获取预设的滑窗和所述滑窗的滑窗步长,并基于所述滑窗步长在所述组织区域图像上移动所述滑窗;
根据每次移动后所述滑窗的位置对所述组织区域图像进行剪裁,得到针对所述组织的多个图像块。
上述肿瘤细胞统计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组织切片图像。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肿瘤细胞统计方法。
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终端,其内部结构图可以如图8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、通信接口、显示屏和输入装置。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、内存储器。该非易失性存储介质存储有操作系统和计算机程序。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。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种肿瘤细胞统计方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7和图8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,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以下步骤:
获取待识别阳性肿瘤细胞和阴性肿瘤细胞的组织所对应的组织切片图像,并获取所述组织切片图像的多个图像块;
将所述图像块输入到预先训练好的细胞识别模型,由所述细胞识别模型获取所述图像块的图像特征,对所述图像特征进行空洞卷积,并根据空洞卷积结果获取所述图像块的概率图,所述概率图中的像素值表征对应像素点属于所述阳性肿瘤细胞或阴性肿瘤细胞的概率;
根据所述图像块的概率图,确定所述图像块中的阳性肿瘤细胞和阴性肿瘤细胞;
根据多个所述图像块中的阳性肿瘤细胞和阴性肿瘤细胞,确定所述组织切片图像的肿瘤细胞数量。
在一个实施例中,处理器执行计算机程序时还实现上述其他实施例中的步骤。
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,计算机程序被处理器执行时实现以下步骤:
获取待识别阳性肿瘤细胞和阴性肿瘤细胞的组织所对应的组织切片图像,并获取所述组织切片图像的多个图像块;
将所述图像块输入到预先训练好的细胞识别模型,由所述细胞识别模型获取所述图像块的图像特征,对所述图像特征进行空洞卷积,并根据空洞卷积结果获取所述图像块的概率图,所述概率图中的像素值表征对应像素点属于所述阳性肿瘤细胞或阴性肿瘤细胞的概率;
根据所述图像块的概率图,确定所述图像块中的阳性肿瘤细胞和阴性肿瘤细胞;
根据多个所述图像块中的阳性肿瘤细胞和阴性肿瘤细胞,确定所述组织切片图像的肿瘤细胞数量。
在一个实施例中,计算机程序被处理器执行时还实现上述其他实施例中的步骤。
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以下步骤:
获取待识别阳性肿瘤细胞和阴性肿瘤细胞的组织所对应的组织切片图像,并获取所述组织切片图像的多个图像块;
将所述图像块输入到预先训练好的细胞识别模型,由所述细胞识别模型获取所述图像块的图像特征,对所述图像特征进行空洞卷积,并根据空洞卷积结果获取所述图像块的概率图,所述概率图中的像素值表征对应像素点属于所述阳性肿瘤细胞或阴性肿瘤细胞的概率;
根据所述图像块的概率图,确定所述图像块中的阳性肿瘤细胞和阴性肿瘤细胞;
根据多个所述图像块中的阳性肿瘤细胞和阴性肿瘤细胞,确定所述组织切片图像的肿瘤细胞数量。
在一个实施例中,计算机程序被处理器执行时还实现上述其他实施例中的步骤。
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。
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 Access Memory,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。
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 (10)
1.一种肿瘤细胞统计方法,其特征在于,所述方法包括:
获取待识别阳性肿瘤细胞和阴性肿瘤细胞的组织所对应的组织切片图像,并获取所述组织切片图像的多个图像块;
将所述图像块输入到预先训练好的细胞识别模型,由所述细胞识别模型获取所述图像块的图像特征,对所述图像特征进行空洞卷积,并根据空洞卷积结果获取所述图像块的概率图,所述概率图中的像素值表征对应像素点属于所述阳性肿瘤细胞或阴性肿瘤细胞的概率;
根据所述图像块的概率图,确定所述图像块中的阳性肿瘤细胞和阴性肿瘤细胞;
根据多个所述图像块中的阳性肿瘤细胞和阴性肿瘤细胞,确定所述组织切片图像的肿瘤细胞数量。
2.根据权利要求1所述的方法,其特征在于,在所述获取待识别阳性肿瘤细胞和阴性肿瘤细胞的组织所对应的组织切片图像之前,还包括:
确定组织切片图像样本中预先标注的感兴趣区域图像,并获取所述感兴趣区域图像中的标注像素点,每个标注像素点对应于一阳性肿瘤细胞或阴性肿瘤细胞的细胞中心;
获取所述标注像素点在所述感兴趣区域图像中的邻域,并基于所述邻域获取所述感兴趣区域图像的细胞类型标签;所述细胞类型标签包括阳性肿瘤细胞标签和阴性肿瘤细胞标签;
基于所述感兴趣区域图像和所述细胞类型标签对待训练的细胞识别模型进行训练,得到训练好的细胞识别模型。
3.根据权利要求2所述的方法,其特征在于,所述基于所述邻域获取所述感兴趣区域图像的细胞类型标签,包括:
针对所述邻域中的每个像素点,根据所述像素点与所述标注像素点之间的距离,确定所述像素点的标签值;所述标签值表征所述像素点为细胞中心点的概率,所述标签值与所述距离呈负相关;
基于所述邻域中各个像素点的标签值,生成所述感兴趣区域图像的细胞类型标签。
4.根据权利要求2所述的方法,其特征在于,所述基于所述感兴趣区域图像和所述细胞类型标签对待训练的细胞识别模型进行训练,得到训练好的细胞识别模型,包括:
将所述感兴趣区域图像输入到待训练的细胞识别模型,通过所述待训练的细胞识别模型提取所述感兴趣区域图像的图像特征,对所述感兴趣区域图像的图像特征进行空洞卷积,并对所述感兴趣区域图像的空洞卷积结果进行上采样,得到针对阳性肿瘤细胞的第一概率图和针对阴性肿瘤细胞的第二概率图;
根据所述第一概率图、第二概率图、阳性肿瘤细胞标签和阴性肿瘤细胞标签,确定模型损失;
根据所述模型损失调整所述待训练的细胞识别模型的模型参数,直到满足训练结束条件,得到训练好的细胞识别模型。
5.根据权利要求1所述的方法,其特征在于,所述根据所述图像块的概率图,确定所述图像块中的阳性肿瘤细胞和阴性肿瘤细胞,包括:
对所述图像块的概率图进行二值化处理,并根据二值化处理后的掩码图确定多个候选的细胞区域;所述掩码图包括针对阳性肿瘤细胞的掩码图和针对阴性肿瘤细胞的掩码图,每个细胞区域对应一细胞;
从所述多个候选的细胞区域中确定区域面积大于面积阈值的至少一个细胞区域;
根据所述至少一个细胞区域中的各个细胞区域,确定所述图像块中的阳性肿瘤细胞和阴性肿瘤细胞。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述获取所述组织切片图像的多个图像块,包括:
获取所述组织切片图像中所述组织所在区域的组织区域图像;
获取预设的滑窗和所述滑窗的滑窗步长,并基于所述滑窗步长在所述组织区域图像上移动所述滑窗;
根据每次移动后所述滑窗的位置对所述组织区域图像进行剪裁,得到针对所述组织的多个图像块。
7.一种肿瘤细胞统计装置,其特征在于,所述装置包括:
图像块获取模块,用于获取待识别阳性肿瘤细胞和阴性肿瘤细胞的组织所对应的组织切片图像,并获取所述组织切片图像的多个图像块;
概率图获取模块,用于将所述图像块输入到预先训练好的细胞识别模型,由所述细胞识别模型获取所述图像块的图像特征,对所述图像特征进行空洞卷积,并根据空洞卷积结果获取所述图像块的概率图,所述概率图中的像素值表征对应像素点属于所述阳性肿瘤细胞或阴性肿瘤细胞的概率;
肿瘤细胞确定模块,用于根据所述图像块的概率图,确定所述图像块中的阳性肿瘤细胞和阴性肿瘤细胞;
肿瘤细胞统计模块,用于根据多个所述图像块中的阳性肿瘤细胞和阴性肿瘤细胞,确定所述组织切片图像的肿瘤细胞数量。
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。
10.一种计算机程序产品,包括计算机程序,其特征在于,该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 |
---|---|---|---|
CN202211566256.XA CN115908363B (zh) | 2022-12-07 | 2022-12-07 | 肿瘤细胞统计方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211566256.XA CN115908363B (zh) | 2022-12-07 | 2022-12-07 | 肿瘤细胞统计方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115908363A true CN115908363A (zh) | 2023-04-04 |
CN115908363B CN115908363B (zh) | 2023-09-22 |
Family
ID=86478793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211566256.XA Active CN115908363B (zh) | 2022-12-07 | 2022-12-07 | 肿瘤细胞统计方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115908363B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117288659A (zh) * | 2023-11-24 | 2023-12-26 | 深圳市前海高新国际医疗管理有限公司 | 基于ai的肿瘤干细胞与正常细胞的形态学分析系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170372117A1 (en) * | 2014-11-10 | 2017-12-28 | Ventana Medical Systems, Inc. | Classifying nuclei in histology images |
US20190236411A1 (en) * | 2016-09-14 | 2019-08-01 | Konica Minolta Laboratory U.S.A., Inc. | Method and system for multi-scale cell image segmentation using multiple parallel convolutional neural networks |
CN110490159A (zh) * | 2019-08-23 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 识别显微图像中的细胞的方法、装置、设备及存储介质 |
CN111062280A (zh) * | 2019-12-05 | 2020-04-24 | 华中科技大学 | 一种基于距离变换标签的密集群体计数及定位方法 |
US20200342597A1 (en) * | 2017-12-07 | 2020-10-29 | Ventana Medical Systems, Inc. | Deep-learning systems and methods for joint cell and region classification in biological images |
CN112750106A (zh) * | 2020-12-31 | 2021-05-04 | 山东大学 | 一种基于非完备标记的深度学习的核染色细胞计数方法、计算机设备、存储介质 |
CN113066080A (zh) * | 2021-04-19 | 2021-07-02 | 广州信瑞医疗技术有限公司 | 切片组织识别方法、装置,细胞识别模型及组织分割模型 |
WO2021238438A1 (zh) * | 2020-05-29 | 2021-12-02 | 京东方科技集团股份有限公司 | 肿瘤图像的处理方法和装置、电子设备、存储介质 |
EP3948768A1 (en) * | 2019-03-26 | 2022-02-09 | Panakeia Technologies Limited | A method of processing an image of tissue, a system for processing an image of tissue, a method for disease diagnosis and a disease diagnosis system |
CN114897782A (zh) * | 2022-04-13 | 2022-08-12 | 华南理工大学 | 基于生成式对抗网络的胃癌病理切片图像分割预测方法 |
CN115239705A (zh) * | 2022-09-19 | 2022-10-25 | 赛维森(广州)医疗科技服务有限公司 | 子宫内膜浆细胞数量的统计方法、装置、设备和存储介质 |
-
2022
- 2022-12-07 CN CN202211566256.XA patent/CN115908363B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170372117A1 (en) * | 2014-11-10 | 2017-12-28 | Ventana Medical Systems, Inc. | Classifying nuclei in histology images |
US20190236411A1 (en) * | 2016-09-14 | 2019-08-01 | Konica Minolta Laboratory U.S.A., Inc. | Method and system for multi-scale cell image segmentation using multiple parallel convolutional neural networks |
US20200342597A1 (en) * | 2017-12-07 | 2020-10-29 | Ventana Medical Systems, Inc. | Deep-learning systems and methods for joint cell and region classification in biological images |
EP3948768A1 (en) * | 2019-03-26 | 2022-02-09 | Panakeia Technologies Limited | A method of processing an image of tissue, a system for processing an image of tissue, a method for disease diagnosis and a disease diagnosis system |
CN110490159A (zh) * | 2019-08-23 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 识别显微图像中的细胞的方法、装置、设备及存储介质 |
CN111062280A (zh) * | 2019-12-05 | 2020-04-24 | 华中科技大学 | 一种基于距离变换标签的密集群体计数及定位方法 |
WO2021238438A1 (zh) * | 2020-05-29 | 2021-12-02 | 京东方科技集团股份有限公司 | 肿瘤图像的处理方法和装置、电子设备、存储介质 |
CN112750106A (zh) * | 2020-12-31 | 2021-05-04 | 山东大学 | 一种基于非完备标记的深度学习的核染色细胞计数方法、计算机设备、存储介质 |
CN113066080A (zh) * | 2021-04-19 | 2021-07-02 | 广州信瑞医疗技术有限公司 | 切片组织识别方法、装置,细胞识别模型及组织分割模型 |
CN114897782A (zh) * | 2022-04-13 | 2022-08-12 | 华南理工大学 | 基于生成式对抗网络的胃癌病理切片图像分割预测方法 |
CN115239705A (zh) * | 2022-09-19 | 2022-10-25 | 赛维森(广州)医疗科技服务有限公司 | 子宫内膜浆细胞数量的统计方法、装置、设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
刘一鸣;张鹏程;刘;桂志国;: "基于全卷积网络和条件随机场的宫颈癌细胞学图像的细胞核分割", 计算机应用, no. 11 * |
郑杨;梁光明;刘任任;: "基于Mask R-CNN的宫颈细胞图像分割", 计算机时代, no. 10 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117288659A (zh) * | 2023-11-24 | 2023-12-26 | 深圳市前海高新国际医疗管理有限公司 | 基于ai的肿瘤干细胞与正常细胞的形态学分析系统 |
CN117288659B (zh) * | 2023-11-24 | 2024-02-13 | 深圳市前海高新国际医疗管理有限公司 | 基于ai的肿瘤干细胞与正常细胞的形态学分析系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115908363B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rączkowska et al. | ARA: accurate, reliable and active histopathological image classification framework with Bayesian deep learning | |
US11636696B2 (en) | Identifying regions of interest from whole slide images | |
Wan et al. | Robust nuclei segmentation in histopathology using ASPPU-Net and boundary refinement | |
WO2019232853A1 (zh) | 中文模型训练、中文图像识别方法、装置、设备及介质 | |
CN107909039B (zh) | 基于并行算法的高分辨率遥感影像的地表覆盖分类方法 | |
CN111462042B (zh) | 癌症预后分析方法及系统 | |
US20170076448A1 (en) | Identification of inflammation in tissue images | |
CN111192678B (zh) | 病理显微图像诊断、模型训练方法、装置、设备及介质 | |
Megjhani et al. | Population-scale three-dimensional reconstruction and quantitative profiling of microglia arbors | |
CN113269257A (zh) | 一种图像分类方法、装置、终端设备及存储介质 | |
Mallikarjuna et al. | Multi‐gradient‐direction based deep learning model for arecanut disease identification | |
CN108229232B (zh) | 批量扫描二维码的方法和批量扫描二维码的装置 | |
CN112132827A (zh) | 病理图像的处理方法、装置、电子设备及可读存储介质 | |
CN115239644B (zh) | 混凝土缺陷识别方法、装置、计算机设备和存储介质 | |
CN115239705A (zh) | 子宫内膜浆细胞数量的统计方法、装置、设备和存储介质 | |
CN114463637A (zh) | 一种基于深度学习的冬小麦遥感识别分析方法和系统 | |
CN111047559A (zh) | 一种数字病理切片异常区域快速检测的方法 | |
CN115908363B (zh) | 肿瘤细胞统计方法、装置、设备和存储介质 | |
CN114972209A (zh) | 宫颈病理图像处理方法和装置 | |
CN111199228B (zh) | 一种车牌定位的方法及装置 | |
CN116468690B (zh) | 基于深度学习的浸润性非粘液性肺腺癌的亚型分析系统 | |
CN115880362A (zh) | 码区定位方法、装置、计算机设备及计算机可读存储介质 | |
CN113468906B (zh) | 图形码提取模型构建方法、识别方法、装置、设备和介质 | |
CN116310308A (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
CN114820576A (zh) | 乳腺特征提取、检测模型的训练方法、装置 |
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 |