CN116664550A - 肺癌组织免疫组化pd-l1病理切片的智能识别方法及装置 - Google Patents
肺癌组织免疫组化pd-l1病理切片的智能识别方法及装置 Download PDFInfo
- Publication number
- CN116664550A CN116664550A CN202310836174.0A CN202310836174A CN116664550A CN 116664550 A CN116664550 A CN 116664550A CN 202310836174 A CN202310836174 A CN 202310836174A CN 116664550 A CN116664550 A CN 116664550A
- Authority
- CN
- China
- Prior art keywords
- pathological
- cell
- image
- lesion
- cells
- 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
- 230000001575 pathological effect Effects 0.000 title claims abstract description 253
- 102000008096 B7-H1 Antigen Human genes 0.000 title claims abstract description 48
- 108010074708 B7-H1 Antigen Proteins 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 42
- 206010058467 Lung neoplasm malignant Diseases 0.000 title claims abstract description 41
- 201000005202 lung cancer Diseases 0.000 title claims abstract description 41
- 208000020816 lung neoplasm Diseases 0.000 title claims abstract description 41
- 230000002055 immunohistochemical effect Effects 0.000 title claims abstract description 30
- 238000010606 normalization Methods 0.000 claims abstract description 62
- 238000003709 image segmentation Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 22
- 230000003902 lesion Effects 0.000 claims description 186
- 238000010586 diagram Methods 0.000 claims description 43
- 238000012549 training Methods 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 15
- 230000036285 pathological change Effects 0.000 claims description 10
- 231100000915 pathological change Toxicity 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 239000003550 marker Substances 0.000 claims 1
- 230000005859 cell recognition Effects 0.000 abstract 1
- 210000004027 cell Anatomy 0.000 description 301
- 230000006870 function Effects 0.000 description 8
- 238000011532 immunohistochemical staining Methods 0.000 description 6
- 210000004881 tumor cell Anatomy 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 238000010186 staining Methods 0.000 description 4
- 210000000170 cell membrane Anatomy 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 239000012528 membrane Substances 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- WSFSSNUMVMOOMR-UHFFFAOYSA-N Formaldehyde Chemical compound O=C WSFSSNUMVMOOMR-UHFFFAOYSA-N 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000003446 ligand Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000012188 paraffin wax Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 108091005906 Type I transmembrane proteins Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 239000001993 wax Substances 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
-
- 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
- G06T2207/30096—Tumor; Lesion
-
- 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
- G06T2207/30204—Marker
-
- 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)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Radiology & Medical Imaging (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及细胞识别技术领域,揭露了一种肺癌组织免疫组化PD‑L1病理切片的智能识别方法,包括:获取病变细胞的病变组织切片,基于所述病变组织切片得到数字病变组织切片图像,将所述数字病变组织切片图像进行图像分割,得到病变细胞图像,对所述病变细胞图像的每一个通道进行像素归一化处理,根据预构建的深度网络模型获取所述病变细胞归一图的病变细胞特征图,将所述病变细胞特征图输入到预训练完成的YOLO模型中进行识别和计数,得到病变细胞的类型标记和数量。本发明还提出一种基于病变组织切片的细胞分数智能识别装置、电子设备以及计算机可读存储介质。本发明可以解决数字病理切片图像数据过大而导致病变细胞识别效率低的问题。
Description
技术领域
本发明涉及细胞识别技术领域,尤其涉及一种肺癌组织免疫组化PD-L1病理切片的智能识别方法、装置、电子设备及计算机可读存储介质。
背景技术
程序性死亡受体-配体1(Programmed Cell Death-Ligand 1,简称PD-L1)是大小为40kDa的第一型跨膜蛋白。肺癌的组织学诊断是对肺癌PD-L1病理切片进行分析的重要前提。病变组织学诊断是指通过诊断切片中是否含有一定量的形态异形细胞,以此区分病变细胞与正常细胞。传统的识别方法依赖于病理医生的经验,往往存在主观性。随着医学图像识别技术的进步,通过深度学习的方法来对病变细胞进行分类已经成为主流。
但是每例数字病变组织切片图像可以达到1Gb的容量,像素大小为几万至几十万像素,并且每个视野就有几千像素,因此病变细胞图像数据非常的庞大,对算法分析造成了压力,在算力资源有限的情况下,病变细胞识别效率低。
发明内容
本发明提供一种肺癌组织免疫组化PD-L1病理切片的智能识别方法、装置及计算机可读存储介质,其主要目的在于解决数字病理切片图像数据过大而导致病变细胞识别效率低的问题。
为实现上述目的,本发明提供的一种肺癌组织免疫组化PD-L1病理切片的智能识别方法,包括:
获取病变细胞的病变组织切片,基于所述病变组织切片得到数字病变组织切片图像;
将所述数字病变组织切片图像进行图像分割,得到病变细胞图像,其中所述病变细胞图像为3通道图像;
对所述病变细胞图像的每一个通道进行像素归一化处理,得到3通道的病变细胞归一图:
其中,i和j表示病变细胞图像和病变细胞归一图的横坐标和纵坐标,D(i,j)表示坐标为(i,j)的病变细胞归一图的像素值,C(i,j)表示坐标为(i,j)的病变细胞图像的像素值,M0表示病变细胞归一图的像素值的平均值,M表示病变细胞图像的像素值的平均值,V0表示病变细胞归一图的像素值的均方差,V表示病变细胞图像的像素值的均方差;
根据预构建的深度网络模型获取所述病变细胞归一图的病变细胞特征图;
将所述病变细胞特征图输入到预训练完成的YOLO模型中进行识别和计数,得到病变细胞的类型标记和数量。
可选地,所述将所述数字病变组织切片图像进行图像分割,得到病变细胞图像,包括:
获取所述数字病变组织切片图像的低分辨率图像;
将所述低分辨率图像进行标准化处理,得到标准低分辨率图像;
获取所述低分辨率图像和标准低分辨率图像的红、绿和蓝颜色图像分量,基于所述红、绿和蓝颜色图像分量构建颜色识别方程;
基于所述颜色识别方程得到病变颜色分量坐标;
根据所述病变颜色分量坐标对所述数字病变组织切片图像进行图像分割,得到病变细胞图像。
可选地,所述颜色识别方程为:
RP=R×lgO
GP=G×lgQ
BP=B×lgN
其中,RP、GP、BP表示所述标准低分辨率图像的红、绿和蓝颜色图像分量,R表示所述低分辨率图像的红色图像分量,G表示所述低分辨率图像的绿色图像分量、B表示所述低分辨率图像的蓝色图像分量,O表示病变细胞红色参数、Q表示病变细胞绿色参数、N表示病变细胞蓝色参数。
可选地,所述基于所述颜色识别方程得到病变颜色分量坐标,包括:
根据所述颜色识别方程建立病变细胞颜色分量计算公式,其中所述病变细胞颜色分量计算公式为:
其中,E表示病变细胞颜色分量;
将预构建的病变细胞颜色参数模型代入到所述病变细胞颜色分量计算公式,计算得到病变颜色分量坐标。
可选地,所述病变细胞颜色参数模型为:
其中,(xO,yO)表示病变细胞红色参数O的位置坐标,(xQ,yQ)表示病变细胞绿色参数Q的位置坐标,(xN,yN)病变细胞蓝色参数N的位置坐标。
可选地,所述根据预构建的深度网络模型获取所述病变细胞归一图的病变细胞特征图,包括:
对所述病变细胞归一图进行卷积操作,得到病变细胞卷积图:
F(x,y)=f(x,y)×L
其中,F(x,y)表示在(x,y)位置的病变细胞卷积图,f(x,y)表示在(x,y)位置的病变细胞归一图,(x,y)表示横坐标和纵坐标,L表示卷积核函数;
对所述病变细胞卷积图进行最大池化处理,得到病变细胞池化图;
对所述病变细胞池化图进行全连接神经网络计算,得到所述病变细胞特征图:
其中,pi表示所述病变细胞特征图第i个像素在所述病变细胞特征图的位置,U为病变细胞特征图的所有像素集合,y(pi)表示病变细胞特征图第i个像素的像素值,T(pi)表示病变细胞池化图第i个像素经过BP层计算得到像素值,x(pi+Δpi)表示经过像素矫正的病变细胞池化图第i个像素的像素值。
可选地,所述YOLO模型所采用的损失函数为:
其中,Loss表示YOLO模型训练过程的损失值,s表示病变细胞训练集,x表示病变细胞训练集中的病变细胞训练图,i表示病变细胞训练集的图片编号,I表示病变细胞训练集中病变细胞训练图的数量,ji表示第i张病变细胞训练图中病变细胞的类型标记及位置,ki表示第i张病变细胞训练图中经过YOLO模型预测的病变细胞的类型标记及位置。
可选地,所述将所述病变细胞特征图输入到预训练完成的YOLO模型中进行识别和计数,得到病变细胞的类型标记和数量,包括:
将所述病变细胞特征图输入至预训练完成的YOLO模型中进行病变细胞类型的识别,得到病变细胞的类型标记;
对所述类型标记进行计数,得到病变细胞的预估数量;
基于所述类型标记,根据预构建的KNN算法和IOU算法得到病变细胞的重复计数;
将所述预估数量和重复计数相减得到病变细胞的数量。
可选地,所述基于所述类型标记,根据预构建的KNN算法和IOU算法得到病变细胞的重复计数,包括:
基于所述类型标记,根据预构建的KNN算法得到相邻病变细胞;
根据所述相邻病变细胞,利用预构建的IOU算法得到所述相邻病变细胞的重叠度;
基于所述重叠度得到病变细胞的重复计数。
为了解决上述问题,本发明还提供一种基于病变组织切片的细胞分数智能识别装置,所述装置包括:
细胞图像获取模块,用于获取病变细胞的病变组织切片,基于所述病变组织切片得到数字病变组织切片图像;
细胞图像分割模块,用于将所述数字病变组织切片图像进行图像分割,得到病变细胞图像,其中所述病变细胞图像为3通道图像;
像素归一化模块,用于对所述病变细胞图像的每一个通道进行像素归一化处理,得到3通道的病变细胞归一图:
其中,i和j表示病变细胞图像和病变细胞归一图的横坐标和纵坐标,D(i,j)表示坐标为(i,j)的病变细胞归一图的像素值,C(i,j)表示坐标为(i,j)的病变细胞图像的像素值,M0表示病变细胞归一图的像素值的平均值,M表示病变细胞图像的像素值的平均值,V0表示病变细胞归一图的像素值的均方差,V表示病变细胞图像的像素值的均方差;
细胞特征提取模块,用于根据预构建的深度网络模型获取所述病变细胞归一图的病变细胞特征图;
细胞分数智能识别模块,用于将所述病变细胞特征图输入到预训练完成的YOLO模型中进行识别和计数,得到病变细胞的类型标记和数量。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以实现上述所述的肺癌组织免疫组化PD-L1病理切片的智能识别方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的肺癌组织免疫组化PD-L1病理切片的智能识别方法。
本发明实施例为解决背景技术所述问题,先获取病变细胞的病变组织切片,基于所述病变组织切片得到数字病变组织切片图像,将所述数字病变组织切片图像进行图像分割,得到病变细胞图像,本发明实施例通过对病变细胞进行定位,利用位置坐标对数字病变组织切片图像进行图像分割,然后对切割后的图像进行特征识别,减少了图像的数据,缩小了病变细胞识别的范围,能够提高病变细胞的识别效率,然后对所述病变细胞图像的每一个通道进行像素归一化处理,得到3通道的病变细胞归一图,根据预构建的深度网络模型获取所述病变细胞归一图的病变细胞特征图,将所述病变细胞特征图输入到预训练完成的YOLO模型中进行识别和计数,得到病变细胞的类型标记和数量。因此本发明提出的肺癌组织免疫组化PD-L1病理切片的智能识别方法、装置、电子设备及计算机可读存储介质,可以解决数字病理切片图像数据过大而导致病变细胞识别效率低的问题。
附图说明
图1为本发明一实施例提供的肺癌组织免疫组化PD-L1病理切片的智能识别方法的流程示意图;
图2为本发明一实施例提供的一个PD-L1免疫组化染色阳性细胞图;
图3为本发明一实施例提供的另一个PD-L1免疫组化染色阳性细胞图;
图4为本发明一实施例提供的基于病变组织切片的细胞分数智能识别装置的功能模块图;
图5为本发明一实施例提供的实现所述肺癌组织免疫组化PD-L1病理切片的智能识别方法的电子设备的结构示意图。
本发明目的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种肺癌组织免疫组化PD-L1病理切片的智能识别方法。所述肺癌组织免疫组化PD-L1病理切片的智能识别方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述肺癌组织免疫组化PD-L1病理切片的智能识别方法可以由安装在终端设备或服务端设备的软件或硬件来执行。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1:
参照图1所示,为本发明一实施例提供的肺癌组织免疫组化PD-L1病理切片的智能识别方法的流程示意图。在本实施例中,所述肺癌组织免疫组化PD-L1病理切片的智能识别方法包括:
S1、获取病变细胞的病变组织切片,基于所述病变组织切片得到数字病变组织切片图像。
需解释的是,病变组织切片(例如:肺癌组织PD-L1病理切片)是指通过获取肺癌新鲜组织,放入10%的中性福尔马林中固定,把癌组织切成2cm×2cm×0.2cm大小,经脱水、浸蜡及石蜡包埋,用切片机把石蜡包埋块切成白片,再进行苏木精-伊红(H-E)染色,最后用显微镜进一步观察病变细胞。然后再用白片行PD-L1的免疫组化染色,将免疫组化PD-L1切片放在江丰公司的全自动扫描仪进行数字扫描,获得数字病理切片图像,每例数字病理切片图像大小约为80000×80000像素,每个视野为1174×1174像素。
详细地,PD-L1免疫组化染色阳性细胞图可参阅图2及图3所示,PD-L1免疫组化染色阳性细胞呈细胞膜棕黄色或褐黄色。
S2、将所述数字病变组织切片图像进行图像分割,得到病变细胞图像,其中所述病变细胞图像为3通道图像。
需解释的是,由于数字病变组织切片图像数据含量过大,对数字病变组织切片图像进行全局的病变细胞识别消耗的算力资源比较大,识别效率低,因此利用病变颜色分量坐标对病变细胞进行定位,然后对数字病变组织切片图像进行图像分割,将包含病变细胞的图像分割出来,以减小识别范围。
详细地,所述将所述数字病变组织切片图像进行图像分割,得到病变细胞图像,包括:
获取所述数字病变组织切片图像的低分辨率图像;
将所述低分辨率图像进行标准化处理,得到标准低分辨率图像;
获取所述低分辨率图像和标准低分辨率图像的红、绿和蓝颜色图像分量,基于所述红、绿和蓝颜色图像分量构建颜色识别方程;
基于所述颜色识别方程得到病变颜色分量坐标;
根据所述病变颜色分量坐标对所述数字病变组织切片图像进行图像分割,得到病变细胞图像。
应明白的是,由于数字病变组织切片图像分辨率大,如果逐个像素或者逐个视野展开识别,耗时较长,不能满足临床上的时间要求,因此通过降低数字病变细胞分辨率的方法可以缩小颜色识别的时间。
示例性的是,病理医生小张采集到的肺癌组织切片的数字病理切片图像大小为80000×80000像素,从数字病理切片图像中提取出低分辨率图像8000×8000像素,图像容量缩小了100倍,大幅度减少搜索时间,在此基础上检测包含病变细胞颜色的视野。
需理解的是,所述低分辨率图像的颜色可以数字化,由红色、绿色和蓝色三个分量组成,分别由字母R、G和B表示,每个分量的取值范围为0~255,仅仅用这三个值就可以组合出任意一种颜色,病变细胞颜色也是由红色、绿色和蓝色三个分量组合而成的。
详细地,所述颜色识别方程为:
RP=R×lgO
GP=G×lgQ
BP=B×lgN
其中,RP、GP、BP表示所述标准低分辨率图像的红、绿和蓝颜色图像分量,R表示所述低分辨率图像的红色图像分量,G表示所述低分辨率图像的绿色图像分量、B表示所述低分辨率图像的蓝色图像分量,O表示病变细胞红色参数、Q表示病变细胞绿色参数、N表示病变细胞蓝色参数。
详细地,所述基于所述颜色识别方程得到病变颜色分量坐标,包括:
根据所述颜色识别方程建立病变细胞颜色分量计算公式,其中所述病变细胞颜色分量计算公式为:
其中,E表示病变细胞颜色分量;
将预构建的病变细胞颜色参数模型代入到所述病变细胞颜色分量计算公式,计算得到病变颜色分量坐标。
详细地,所述病变细胞颜色参数模型为:
其中,(xO,yO)表示病变细胞红色参数O的位置坐标,(xQ,yQ)表示病变细胞绿色参数Q的位置坐标,(xN,yN)病变细胞蓝色参数N的位置坐标。
进一步地,所述位置坐标可以为像素点的位置坐标。
S3、对所述病变细胞图像的每一个通道进行像素归一化处理,得到3通道的病变细胞归一图。
详细地,所述归一化处理包括:
其中,i和j表示病变细胞图像和病变细胞归一图的横坐标和纵坐标,D(i,j)表示坐标为(i,j)的病变细胞归一图的像素值,C(i,j)表示坐标为(i,j)的病变细胞图像的像素值,M0表示病变细胞归一图的像素值的平均值,M表示病变细胞图像的像素值的平均值,V0表示病变细胞归一图的像素值的均方差,V表示病变细胞图像的像素值的均方差;
应明白的是,由于病变细胞图像是数字病变组织切片图像经过切割后得到的,病变细胞图像之间的尺寸和像素大小不一样,因此对病变细胞图像进行像素归一化处理,使所有的病变细胞图像成为标准图像,方便后面数据处理。
示例性的,张医生对肺癌组织切片的数字病理切片图像进行切割后,得到的病变细胞图像尺寸不为80000×80000像素,因此对病变细胞图像进行像素归一化处理,把它们统一归一化为80000×80000像素。
S4、根据预构建的深度网络模型获取所述病变细胞归一图的病变细胞特征图。
详细地,所述根据预构建的深度网络模型获取所述病变细胞归一图的病变细胞特征图,包括:
对所述病变细胞归一图进行卷积操作,得到病变细胞卷积图:
F(x,y)=f(x,y)×L
其中,F(x,y)表示在(x,y)位置的病变细胞卷积图,f(x,y)表示在(x,y)位置的病变细胞归一图,(x,y)表示横坐标和纵坐标,L表示卷积核函数;
对所述病变细胞卷积图进行最大池化处理,得到病变细胞池化图;
对所述病变细胞池化图进行全连接神经网络计算,得到所述病变细胞特征图:
其中,pi表示所述病变细胞特征图第i个像素在所述病变细胞特征图的位置,U为病变细胞特征图的所有像素集合,y(pi)表示病变细胞特征图第i个像素的像素值,T(pi)表示病变细胞池化图第i个像素经过BP层计算得到像素值,x(pi+Δpi)表示经过像素矫正的病变细胞池化图第i个像素的像素值。
需强调的是,本发明实施例通过构建深度网络模型来对病变细胞归一图进行特征提取,特征包含病变细胞的颜色、形态、纹理和灰度。病变细胞归一图输入深度网络模型后,分为卷积、最大池化和全连接神经网络计算三步。
需解释的是,本发明实施例对病变细胞卷积图进行最大池化处理,对于图像中每个2×2个像素值的窗口,选出四个像素值中最大的像素值作为输出矩阵的相应元素的值。最大池化的目的在于可以从病变细胞卷积图提取出最显著、最重要的信息特征,而忽略掉其中的噪声和无关信息,从而加速后续的处理和分类。
S5、将所述病变细胞特征图输入到预训练完成的YOLO模型中进行识别和计数,得到病变细胞的类型标记和数量。
详细地,所述YOLO模型所采用的损失函数为:
其中,Loss表示YOLO模型训练过程的损失值,s表示病变细胞训练集,x表示病变细胞训练集中的病变细胞训练图,i表示病变细胞训练集的图片编号,I表示病变细胞训练集中病变细胞训练图的数量,ji表示第i张病变细胞训练图中病变细胞的类型标记及位置,ki表示第i张病变细胞训练图中经过YOLO模型预测的病变细胞的类型标记及位置。
需解释的是,YOLO模型是一种目标检测模型,即在一副图像中检测到物体并识别出物体在图像中所在的位置。本发明实施例中,将病变细胞特征图输入至预训练完成的YOLO模型中,根据细胞的颜色、形态、纹理和灰度特征可智能化识别出病变细胞的类型,并且在病变细胞所在位置做上类型标记。
详细地,所述将所述病变细胞特征图输入到预训练完成的YOLO模型中进行识别和计数,得到病变细胞的类型标记和数量,包括:
将所述病变细胞特征图输入至预训练完成的YOLO模型中进行病变细胞类型的识别,得到病变细胞的类型标记;
对所述类型标记进行计数,得到病变细胞的预估数量;
基于所述类型标记,根据预构建的KNN算法和IOU算法得到病变细胞的重复计数;
将所述预估数量和重复计数相减得到病变细胞的数量。
详细地,所述基于所述类型标记,根据预构建的KNN算法和IOU算法得到病变细胞的重复计数,包括:
基于所述类型标记,根据预构建的KNN算法得到相邻病变细胞;
根据所述相邻病变细胞,利用预构建的IOU算法得到所述相邻病变细胞的重叠度;
基于所述重叠度得到病变细胞的重复计数。
应明白的是,KNN算法是指K近邻算法,通过该算法可以找到与病变细胞距离最近的K个相邻的同一类型的病变细胞。IOU算法是交并比算法,可以计算两个细胞的交集面积与它们并集面积的比值。
需解释的是,在某些情况下,同一类型的病变细胞会被计数两次,这是因为两个连续的网格单元检测到相同的病变细胞。因此,为了避免这种重复计数现象,本发明实施例首先用KNN算法确定每个病变细胞的相邻同类型病变细胞,然后用两个病变细胞之间的交并比(IOU)来计算重叠度,根据重叠度的大小来决定是否忽略该病变细胞的计数。比如,病变细胞与邻近病变细胞之间的允许重叠度是10%,如果重叠度大于10%,忽略该细胞的重复计数,以排除虚假计数。
可示例性的,为了对肺癌PD-L1病理切片中任何强度PD-L1膜染色阳性肿瘤细胞进行自动分类识别和计数,医生把肺癌PD-L1细胞膜阳性的肿瘤组织病理切片图像输入到预训练完成的YOLO模型中,YOLO算法根据不同类型细胞特征对肺癌PD-L1病理切片的细胞膜染色图像中显示的细胞进行类型标记,并返回标记“任何强度PD-L1膜染色阳性肿瘤细胞”,根据返回的标记进行计数。
进一步地,当所述病变组织切片为肺癌PD-L1病理切片时,需要对所述肺癌PD-L1病理切片进行PD-L1免疫组化染色操作,再对免疫组化后的肺癌PD-L1病理切片进行数字化扫描,得到200×倍视野下的数字病理全场图,此时即可识别所述数字病理全场图中的膜染区域,再利用TPS计算公式计算所述膜染区域的阳性肿瘤细胞分数。
详细地,所述TPS计算公式如下所示:
其中,TPS表示膜染区域的PD-L1阳性肿瘤细胞分数,t表示任何强度的PD-L1膜染色阳性肿瘤细胞数,T表示所述膜染区域的肿瘤细胞总数。
本发明实施例为解决背景技术所述问题,先获取病变细胞的病变组织切片,基于所述病变组织切片得到数字病变组织切片图像,将所述数字病变组织切片图像进行图像分割,得到病变细胞图像,本发明实施例通过对病变细胞进行定位,利用位置坐标对数字病变组织切片图像进行图像分割,然后对切割后的图像进行特征识别,减少了图像的数据,缩小了病变细胞识别的范围,能够提高病变细胞的识别效率,然后对所述病变细胞图像的每一个通道进行像素归一化处理,得到3通道的病变细胞归一图,根据预构建的深度网络模型获取所述病变细胞归一图的病变细胞特征图,将所述病变细胞特征图输入到预训练完成的YOLO模型中进行识别和计数,得到病变细胞的类型标记和数量。因此本发明提出的肺癌组织免疫组化PD-L1病理切片的智能识别方法、装置、电子设备及计算机可读存储介质,可以解决数字病理切片图像数据过大而导致病变细胞识别效率低的问题。
实施例2:
如图4所示,是本发明一实施例提供的基于病变组织切片的细胞分数智能识别装置的功能模块图。
本发明所述基于病变组织切片的细胞分数智能识别装置100可以安装于电子设备中。根据实现的功能,所述基于病变组织切片的细胞分数智能识别装置100可以包括细胞图像获取模块101、细胞图像分割模块102、像素归一化模块103、细胞特征提取模块104及细胞分数智能识别模块105。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
所述细胞图像获取模块101,用于获取病变细胞的病变组织切片,基于所述病变组织切片得到数字病变组织切片图像;
所述细胞图像分割模块102,用于将所述数字病变组织切片图像进行图像分割,得到病变细胞图像,其中所述病变细胞图像为3通道图像;
所述像素归一化模块103,用于对所述病变细胞图像的每一个通道进行像素归一化处理,得到3通道的病变细胞归一图:
其中,i和j表示病变细胞图像和病变细胞归一图的横坐标和纵坐标,D(i,j)表示坐标为(i,j)的病变细胞归一图的像素值,C(i,j)表示坐标为(i,j)的病变细胞图像的像素值,M0表示病变细胞归一图的像素值的平均值,M表示病变细胞图像的像素值的平均值,V0表示病变细胞归一图的像素值的均方差,V表示病变细胞图像的像素值的均方差;
所述细胞特征提取模块104,用于根据预构建的深度网络模型获取所述病变细胞归一图的病变细胞特征图;
所述细胞分数智能识别模块105,用于将所述病变细胞特征图输入到预训练完成的YOLO模型中进行识别和计数,得到病变细胞的类型标记和数量。
详细地,本发明实施例中所述基于病变组织切片的细胞分数智能识别装置100中的所述各模块在使用时采用与上述的图1中所述的肺癌组织免疫组化PD-L1病理切片的智能识别方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
实施例3:
如图5所示,是本发明一实施例提供的实现肺癌组织免疫组化PD-L1病理切片的智能识别方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、总线12和通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于病变组织切片的细胞分数智能识别程序。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如基于病变组织切片的细胞分数智能识别程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如基于病变组织切片的细胞分数智能识别程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图5仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图5示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于病变组织切片的细胞分数智能识别程序是多个指令的组合,在所述处理器10中运行时,可以实现:
获取病变细胞的病变组织切片,基于所述病变组织切片得到数字病变组织切片图像;
将所述数字病变组织切片图像进行图像分割,得到病变细胞图像,其中所述病变细胞图像为3通道图像;
对所述病变细胞图像的每一个通道进行像素归一化处理,得到3通道的病变细胞归一图:
其中,i和j表示病变细胞图像和病变细胞归一图的横坐标和纵坐标,D(i,j)表示坐标为(i,j)的病变细胞归一图的像素值,C(i,j)表示坐标为(i,j)的病变细胞图像的像素值,M0表示病变细胞归一图的像素值的平均值,M表示病变细胞图像的像素值的平均值,V0表示病变细胞归一图的像素值的均方差,V表示病变细胞图像的像素值的均方差;
根据预构建的深度网络模型获取所述病变细胞归一图的病变细胞特征图;
将所述病变细胞特征图输入到预训练完成的YOLO模型中进行识别和计数,得到病变细胞的类型标记和数量。
具体地,所述处理器10对上述指令的具体实现方法可参考图1至图4对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取病变细胞的病变组织切片,基于所述病变组织切片得到数字病变组织切片图像;
将所述数字病变组织切片图像进行图像分割,得到病变细胞图像,其中所述病变细胞图像为3通道图像;
对所述病变细胞图像的每一个通道进行像素归一化处理,得到3通道的病变细胞归一图:
其中,i和j表示病变细胞图像和病变细胞归一图的横坐标和纵坐标,D(i,j)表示坐标为(i,j)的病变细胞归一图的像素值,C(i,j)表示坐标为(i,j)的病变细胞图像的像素值,M0表示病变细胞归一图的像素值的平均值,M表示病变细胞图像的像素值的平均值,V0表示病变细胞归一图的像素值的均方差,V表示病变细胞图像的像素值的均方差;
根据预构建的深度网络模型获取所述病变细胞归一图的病变细胞特征图;
将所述病变细胞特征图输入到预训练完成的YOLO模型中进行识别和计数,得到病变细胞的类型标记和数量。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种肺癌组织免疫组化PD-L1病理切片的智能识别方法,其特征在于,所述方法包括:
获取病变细胞的病变组织切片,基于所述病变组织切片得到数字病变组织切片图像;
将所述数字病变组织切片图像进行图像分割,得到病变细胞图像,其中所述病变细胞图像为3通道图像;
对所述病变细胞图像的每一个通道进行像素归一化处理,得到3通道的病变细胞归一图:
其中,i和j表示病变细胞图像和病变细胞归一图的横坐标和纵坐标,D(i,j)表示坐标为(i,j)的病变细胞归一图的像素值,C(i,j)表示坐标为(i,j)的病变细胞图像的像素值,M0表示病变细胞归一图的像素值的平均值,M表示病变细胞图像的像素值的平均值,V0表示病变细胞归一图的像素值的均方差,V表示病变细胞图像的像素值的均方差;
根据预构建的深度网络模型获取所述病变细胞归一图的病变细胞特征图;
将所述病变细胞特征图输入到预训练完成的YOLO模型中进行识别和计数,得到病变细胞的类型标记和数量。
2.如权利要求1所述的肺癌组织免疫组化PD-L1病理切片的智能识别方法,其特征在于,所述将所述数字病变组织切片图像进行图像分割,得到病变细胞图像,包括:
获取所述数字病变组织切片图像的低分辨率图像;
将所述低分辨率图像进行标准化处理,得到标准低分辨率图像;
获取所述低分辨率图像和标准低分辨率图像的红、绿和蓝颜色图像分量,基于所述红、绿和蓝颜色图像分量构建颜色识别方程;
基于所述颜色识别方程得到病变颜色分量坐标;
根据所述病变颜色分量坐标对所述数字病变组织切片图像进行图像分割,得到病变细胞图像。
3.如权利要求2所述的肺癌组织免疫组化PD-L1病理切片的智能识别方法,其特征在于,所述颜色识别方程为:
RP=R×lgO
GP=G×lgQ
BP=B×lgN
其中,RP、GP、BP表示所述标准低分辨率图像的红、绿和蓝颜色图像分量,R表示所述低分辨率图像的红色图像分量,G表示所述低分辨率图像的绿色图像分量、B表示所述低分辨率图像的蓝色图像分量,O表示病变细胞红色参数、Q表示病变细胞绿色参数、N表示病变细胞蓝色参数。
4.如权利要求3所述的肺癌组织免疫组化PD-L1病理切片的智能识别方法,其特征在于,所述基于所述颜色识别方程得到病变颜色分量坐标,包括:
根据所述颜色识别方程建立病变细胞颜色分量计算公式,其中所述病变细胞颜色分量计算公式为:
其中,E表示病变细胞颜色分量;
将预构建的病变细胞颜色参数模型代入到所述病变细胞颜色分量计算公式,计算得到病变颜色分量坐标。
5.如权利要求4所述的肺癌组织免疫组化PD-L1病理切片的智能识别方法,其特征在于,所述病变细胞颜色参数模型为:
其中,(xO,yO)表示病变细胞红色参数O的位置坐标,(xQ,yQ)表示病变细胞绿色参数Q的位置坐标,(xN,yN)病变细胞蓝色参数N的位置坐标。
6.如权利要求1所述的肺癌组织免疫组化PD-L1病理切片的智能识别方法,其特征在于,所述根据预构建的深度网络模型获取所述病变细胞归一图的病变细胞特征图,包括:
对所述病变细胞归一图进行卷积操作,得到病变细胞卷积图:
F(x,y)=f(x,y)×L
其中,F(x,y)表示在(x,y)位置的病变细胞卷积图,f(x,y)表示在(x,y)位置的病变细胞归一图,(x,y)表示横坐标和纵坐标,L表示卷积核函数;
对所述病变细胞卷积图进行最大池化处理,得到病变细胞池化图;
对所述病变细胞池化图进行全连接神经网络计算,得到所述病变细胞特征图:
其中,pi表示所述病变细胞特征图第i个像素在所述病变细胞特征图的位置,U为病变细胞特征图的所有像素集合,y(pi)表示病变细胞特征图第i个像素的像素值,T(pi)表示病变细胞池化图第i个像素经过BP层计算得到像素值,x(pi+Δpi)表示经过像素矫正的病变细胞池化图第i个像素的像素值。
7.如权利要求1所述的肺癌组织免疫组化PD-L1病理切片的智能识别方法,其特征在于,所述YOLO模型所采用的损失函数为:
其中,Loss表示YOLO模型训练过程的损失值,s表示病变细胞训练集,x表示病变细胞训练集中的病变细胞训练图,i表示病变细胞训练集的图片编号,I表示病变细胞训练集中病变细胞训练图的数量,ji表示第i张病变细胞训练图中病变细胞的类型标记及位置,ki表示第i张病变细胞训练图中经过YOLO模型预测的病变细胞的类型标记及位置。
8.如权利要求7所述的肺癌组织免疫组化PD-L1病理切片的智能识别方法,其特征在于,所述将所述病变细胞特征图输入到预训练完成的YOLO模型中进行识别和计数,得到病变细胞的类型标记和数量,包括:
将所述病变细胞特征图输入至预训练完成的YOLO模型中进行病变细胞类型的识别,得到病变细胞的类型标记;
对所述类型标记进行计数,得到病变细胞的预估数量;
基于所述类型标记,根据预构建的KNN算法和IOU算法得到病变细胞的重复计数;
将所述预估数量和重复计数相减得到病变细胞的数量。
9.如权利要求8所述的肺癌组织免疫组化PD-L1病理切片的智能识别方法,其特征在于,所述基于所述类型标记,根据预构建的KNN算法和IOU算法得到病变细胞的重复计数,包括:
基于所述类型标记,根据预构建的KNN算法得到相邻病变细胞;
根据所述相邻病变细胞,利用预构建的IOU算法得到所述相邻病变细胞的重叠度;
基于所述重叠度得到病变细胞的重复计数。
10.一种基于病变组织切片的细胞分数智能识别装置,其特征在于,所述装置包括:
细胞图像获取模块,用于获取病变细胞的病变组织切片,基于所述病变组织切片得到数字病变组织切片图像;
细胞图像分割模块,用于将所述数字病变组织切片图像进行图像分割,得到病变细胞图像,其中所述病变细胞图像为3通道图像;
像素归一化模块,用于对所述病变细胞图像的每一个通道进行像素归一化处理,得到3通道的病变细胞归一图:
其中,i和j表示病变细胞图像和病变细胞归一图的横坐标和纵坐标,D(i,j)表示坐标为(i,j)的病变细胞归一图的像素值,C(i,j)表示坐标为(i,j)的病变细胞图像的像素值,M0表示病变细胞归一图的像素值的平均值,M表示病变细胞图像的像素值的平均值,V0表示病变细胞归一图的像素值的均方差,V表示病变细胞图像的像素值的均方差;
细胞特征提取模块,用于根据预构建的深度网络模型获取所述病变细胞归一图的病变细胞特征图;
细胞分数智能识别模块,用于将所述病变细胞特征图输入到预训练完成的YOLO模型中进行识别和计数,得到病变细胞的类型标记和数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310836174.0A CN116664550B (zh) | 2023-07-10 | 2023-07-10 | 肺癌组织免疫组化pd-l1病理切片的智能识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310836174.0A CN116664550B (zh) | 2023-07-10 | 2023-07-10 | 肺癌组织免疫组化pd-l1病理切片的智能识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116664550A true CN116664550A (zh) | 2023-08-29 |
CN116664550B CN116664550B (zh) | 2024-04-12 |
Family
ID=87726351
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310836174.0A Active CN116664550B (zh) | 2023-07-10 | 2023-07-10 | 肺癌组织免疫组化pd-l1病理切片的智能识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116664550B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117831030A (zh) * | 2023-11-15 | 2024-04-05 | 中康智慧(上海)生命科技有限公司 | 基于多模态的癌症早期器官病变症状智能识别方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109035269A (zh) * | 2018-07-03 | 2018-12-18 | 怀光智能科技(武汉)有限公司 | 一种宫颈细胞病理切片病变细胞分割方法及系统 |
CN110415250A (zh) * | 2019-06-20 | 2019-11-05 | 浙江大学 | 一种基于深度学习的重叠染色体分割方法及装置 |
CN111666850A (zh) * | 2020-05-28 | 2020-09-15 | 浙江工业大学 | 一种基于聚类生成候选锚框的细胞图像检测与分割方法 |
CN111696094A (zh) * | 2020-06-12 | 2020-09-22 | 杭州迪英加科技有限公司 | 免疫组化pd-l1膜染色病理切片图像处理方法、装置和设备 |
CN112435243A (zh) * | 2020-11-26 | 2021-03-02 | 山东第一医科大学附属省立医院(山东省立医院) | 一种全切片数字病理图像的自动分析系统及方法 |
CN112750117A (zh) * | 2021-01-15 | 2021-05-04 | 重庆邮电大学 | 一种基于卷积神经网络的血液细胞图像检测与计数方法 |
WO2021104410A1 (zh) * | 2019-11-28 | 2021-06-03 | 北京小蝇科技有限责任公司 | 血涂片全视野智能分析方法血细胞分割模型及识别模型的构造方法 |
CN112991263A (zh) * | 2021-02-06 | 2021-06-18 | 杭州迪英加科技有限公司 | 用于提升pd-l1免疫组化病理切片tps计算准确度的方法及设备 |
CN113132704A (zh) * | 2020-01-15 | 2021-07-16 | 华为技术有限公司 | 一种图像处理的方法、装置、终端以及存储介质 |
CN113516210A (zh) * | 2021-09-14 | 2021-10-19 | 之江实验室 | 一种基于pet/ct的肺腺癌鳞癌诊断模型训练方法及装置 |
CN114235539A (zh) * | 2021-12-22 | 2022-03-25 | 宁波舜宇仪器有限公司 | 基于深度学习的pd-l1病理切片自动判读方法及系统 |
WO2022089236A1 (zh) * | 2020-11-02 | 2022-05-05 | 腾讯科技(深圳)有限公司 | 基于人工智能的图像处理方法、装置、计算机设备和存储介质 |
-
2023
- 2023-07-10 CN CN202310836174.0A patent/CN116664550B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109035269A (zh) * | 2018-07-03 | 2018-12-18 | 怀光智能科技(武汉)有限公司 | 一种宫颈细胞病理切片病变细胞分割方法及系统 |
CN110415250A (zh) * | 2019-06-20 | 2019-11-05 | 浙江大学 | 一种基于深度学习的重叠染色体分割方法及装置 |
WO2021104410A1 (zh) * | 2019-11-28 | 2021-06-03 | 北京小蝇科技有限责任公司 | 血涂片全视野智能分析方法血细胞分割模型及识别模型的构造方法 |
CN113132704A (zh) * | 2020-01-15 | 2021-07-16 | 华为技术有限公司 | 一种图像处理的方法、装置、终端以及存储介质 |
CN111666850A (zh) * | 2020-05-28 | 2020-09-15 | 浙江工业大学 | 一种基于聚类生成候选锚框的细胞图像检测与分割方法 |
CN111696094A (zh) * | 2020-06-12 | 2020-09-22 | 杭州迪英加科技有限公司 | 免疫组化pd-l1膜染色病理切片图像处理方法、装置和设备 |
WO2022089236A1 (zh) * | 2020-11-02 | 2022-05-05 | 腾讯科技(深圳)有限公司 | 基于人工智能的图像处理方法、装置、计算机设备和存储介质 |
CN112435243A (zh) * | 2020-11-26 | 2021-03-02 | 山东第一医科大学附属省立医院(山东省立医院) | 一种全切片数字病理图像的自动分析系统及方法 |
CN112750117A (zh) * | 2021-01-15 | 2021-05-04 | 重庆邮电大学 | 一种基于卷积神经网络的血液细胞图像检测与计数方法 |
CN112991263A (zh) * | 2021-02-06 | 2021-06-18 | 杭州迪英加科技有限公司 | 用于提升pd-l1免疫组化病理切片tps计算准确度的方法及设备 |
CN113516210A (zh) * | 2021-09-14 | 2021-10-19 | 之江实验室 | 一种基于pet/ct的肺腺癌鳞癌诊断模型训练方法及装置 |
CN114235539A (zh) * | 2021-12-22 | 2022-03-25 | 宁波舜宇仪器有限公司 | 基于深度学习的pd-l1病理切片自动判读方法及系统 |
Non-Patent Citations (3)
Title |
---|
GUILHERME MOREIRA ARESTA: "Detection of lung nodules in computed tomography images", 《FEUP》, 31 January 2021 (2021-01-31), pages 1 - 127 * |
孙开 等: "基于免疫学染色与深度学习的宫颈癌细胞智能识别算法", 第37卷, vol. 37, pages 142 - 146 * |
陆紫箫: "基于深度学习的乳腺癌病理图像量化与影像基因组学分析", 《中国博士学位论文全文数据库医药卫生科技辑》, no. 06, 15 June 2021 (2021-06-15), pages 072 - 228 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117831030A (zh) * | 2023-11-15 | 2024-04-05 | 中康智慧(上海)生命科技有限公司 | 基于多模态的癌症早期器官病变症状智能识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116664550B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10504624B2 (en) | System and method for segmentation and automated measurement of chronic wound images | |
US11935644B2 (en) | Deep learning automated dermatopathology | |
WO2021217851A1 (zh) | 异常细胞自动标注方法、装置、电子设备及存储介质 | |
CN113159147B (zh) | 基于神经网络的图像识别方法、装置、电子设备 | |
CN110059697B (zh) | 一种基于深度学习的肺结节自动分割方法 | |
CN109886928B (zh) | 一种目标细胞标记方法、装置、存储介质及终端设备 | |
CN116664550B (zh) | 肺癌组织免疫组化pd-l1病理切片的智能识别方法及装置 | |
US11176412B2 (en) | Systems and methods for encoding image features of high-resolution digital images of biological specimens | |
CN114758249B (zh) | 基于野外夜间环境的目标物监测方法、装置、设备及介质 | |
CN110705565A (zh) | 淋巴结肿瘤区域识别方法与装置 | |
CN112991238B (zh) | 基于纹理色彩混合式的食物图像分割方法、系统、介质 | |
Wang et al. | Neutrophils identification by deep learning and voronoi diagram of clusters | |
CN116681923A (zh) | 一种基于人工智能的眼科疾病自动分类方法及系统 | |
CN115457451A (zh) | 基于物联网的恒温恒湿试验箱的监控方法及装置 | |
CN117274278B (zh) | 基于模拟感受野的视网膜图像病灶部位分割方法及系统 | |
Huang et al. | HEp-2 cell images classification based on textural and statistic features using self-organizing map | |
CN110060246A (zh) | 一种图像处理方法、设备及存储介质 | |
CN115760854A (zh) | 基于深度学习的电力设备缺陷检测方法、装置及电子设备 | |
CN112541899B (zh) | 证件的残缺检测方法、装置、电子设备及计算机存储介质 | |
CN115578370B (zh) | 一种基于脑影像的代谢区域异常检测方法及装置 | |
CN113222890B (zh) | 小目标物检测方法、装置、电子设备及存储介质 | |
CN114240935B (zh) | 一种空频域特征融合的医学影像特征识别方法及装置 | |
CN117474859A (zh) | 基于隐球菌病理切片图像的人工智能识别分析方法及系统 | |
CN117635931A (zh) | 一种临床检验样本分类转移方法及装置 | |
KR20230095801A (ko) | 인공지능 기반의 병리영상 암 병변 맞춤형 위치 표시 방법 및 시스템 |
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 |