CN116703929A - 腺管极性紊乱程度参数的确定方法及装置 - Google Patents
腺管极性紊乱程度参数的确定方法及装置 Download PDFInfo
- Publication number
- CN116703929A CN116703929A CN202310991658.2A CN202310991658A CN116703929A CN 116703929 A CN116703929 A CN 116703929A CN 202310991658 A CN202310991658 A CN 202310991658A CN 116703929 A CN116703929 A CN 116703929A
- Authority
- CN
- China
- Prior art keywords
- cell
- proliferation
- image block
- determining
- area
- 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
- 230000000762 glandular Effects 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000035755 proliferation Effects 0.000 claims abstract description 269
- 210000004907 gland Anatomy 0.000 claims abstract description 90
- 230000032823 cell division Effects 0.000 claims abstract description 78
- 230000007170 pathology Effects 0.000 claims abstract description 59
- 238000012512 characterization method Methods 0.000 claims abstract description 37
- 210000004027 cell Anatomy 0.000 claims description 344
- 230000011218 segmentation Effects 0.000 claims description 98
- 210000003855 cell nucleus Anatomy 0.000 claims description 29
- 238000005192 partition Methods 0.000 claims description 12
- 238000012935 Averaging Methods 0.000 claims description 9
- 230000001575 pathological effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000002179 total cell area Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 description 14
- 239000004973 liquid crystal related substance Substances 0.000 description 14
- 230000002062 proliferating effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 210000004940 nucleus Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012549 training Methods 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
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20216—Image averaging
-
- 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)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种腺管极性紊乱程度参数的确定方法及装置，该腺管极性紊乱程度参数的确定方法包括：获取腺管病理图像；得到多个细胞分割区域；得到属于增殖细胞的多个增殖细胞分割区域；将腺管病理图像分为多个条状图像块；计算目标条状图像块中的多个区域形心距离；将目标条状图像块中的多个区域形心距离的标准差与多个区域形心距离的平均值之比确定为目标条状图像块的增殖细胞离散参数；得到各个条状图像块的增殖细胞离散程度梯度变化值；将增殖细胞离散程度梯度变化值的平均值确定为增殖细胞离散程度梯度变化表征值；基于增殖细胞离散程度梯度变化表征值确定腺管极性紊乱程度参数。本申请能够提高腺管极性紊乱程度参数的确定准确度。
Description
技术领域
本申请主要涉及图像处理技术领域，具体涉及一种腺管极性紊乱程度参数的确定方法及装置。
背景技术
现有技术主要依靠医生人工观察腺管病理图像来判断是否存在腺管极性紊乱的现象，无法准确确定腺管病理图像是否存在腺管极性紊乱。
也即，现有技术中腺管极性紊乱程度参数的确定方法准确度较低。
发明内容
本申请提供一种腺管极性紊乱程度参数的确定方法及装置，旨在解决现有技术中腺管极性紊乱程度参数的确定方法准确度较低的问题。
第一方面，本申请提供一种腺管极性紊乱程度参数的确定方法，所述腺管极性紊乱程度参数的确定方法包括：
获取腺管病理图像；
将所述腺管病理图像输入预先训练的细胞分割模型，得到多个细胞分割区域；
对所述细胞分割区域进行增殖细胞识别，得到属于增殖细胞的多个增殖细胞分割区域；
将腺管病理图像分为在预设方向排布的多个条状图像块，所述腺管病理图像的图像高度轴线与所述预设方向平行；
将各个条状图像块分别确定为目标条状图像块；
获取目标条状图像块中各个增殖细胞分割区域的增殖细胞区域面积和增殖细胞区域形心；
基于目标条状图像块中多个增殖细胞分割区域的增殖细胞区域面积对多个增殖细胞分割区域的增殖细胞区域形心进行加权平均，得到目标条状图像块中的等效形心；
计算目标条状图像块中各个增殖细胞分割区域的增殖细胞区域形心与所述等效形心的区域形心距离，得到目标条状图像块中的多个区域形心距离；
将目标条状图像块中的多个区域形心距离的标准差与多个区域形心距离的平均值之比确定为目标条状图像块的增殖细胞离散参数；
获取目标条状图像块在所述图像高度轴线上的图像块投影长度；
将目标条状图像块的增殖细胞离散参数与所述图像块投影长度的比值确定为目标条状图像块的增殖细胞离散程度梯度变化值，得到各个条状图像块的增殖细胞离散程度梯度变化值；
将多个条状图像块的增殖细胞离散程度梯度变化值的平均值确定为增殖细胞离散程度梯度变化表征值；
基于增殖细胞离散程度梯度变化表征值确定腺管极性紊乱程度参数。
可选地，所述基于增殖细胞离散程度梯度变化表征值确定腺管极性紊乱程度参数，包括：
获取目标条状图像块中多个增殖细胞分割区域的细胞区域总面积；
将目标条状图像块中的细胞区域总面积与图像块投影长度的比值确定为所述目标条状图像块的增殖细胞面积梯度变化值，得到各个条状图像块的增殖细胞面积梯度变化值；
将各个条状图像块的增殖细胞面积梯度变化值中的最大值确定为增殖细胞面积梯度变化表征值；
基于增殖细胞离散程度梯度变化表征值、增殖细胞面积梯度变化表征值确定腺管极性紊乱程度参数。
可选地，所述基于增殖细胞离散程度梯度变化表征值、增殖细胞面积梯度变化表征值确定腺管极性紊乱程度参数，包括：
获取第一条状图像块和第二条状图像块，其中，所述第一条状图像块为所述预设方向上的最后一个条状图像块，所述目标条状图像块和所述第二条状图像块相邻且在所述预设方向上排布；
获取第一图像组合块中的增殖细胞分割区域总数与细胞分割区域总数的第一比值，其中，所述第一图像组合块包括所述第一条状图像块、所述第二条状图像块以及所述第一条状图像块和所述第二条状图像块之间的条状图像块；
获取第二图像组合块中的增殖细胞分割区域总数与细胞分割区域总数的第二比值，其中，所述第二图像组合块包括所述目标条状图像块、所述第一条状图像块以及所述目标条状图像块和所述第一条状图像块之间的条状图像块；
若第一比值小于预设值且第二比值不小于所述预设值，则将所述第二图像组合块在图像高度轴线上的投影距离和所述腺管病理图像的图像高度的比值确定为增殖细胞深度指标；
基于增殖细胞离散程度梯度变化表征值、增殖细胞面积梯度变化表征值以及增殖细胞深度指标确定腺管极性紊乱程度参数。
可选地，所述对所述细胞分割区域进行增殖细胞识别，得到属于增殖细胞的多个增殖细胞分割区域，包括：
将以所述细胞分割区域的形心为圆心且包含所述细胞分割区域的最小圆确定为参考圆；
将所述参考圆等分为多个扇形区域，得到多个扇形区域内的细胞分割子区域；
获取所述扇形区域和对应的所述细胞分割子区域的面积差值，得到多个扇形区域对应的面积差值；
基于多个所述细胞分割子区域的面积和多个所述面积差值确定细胞不规则指标；
基于所述细胞不规则指标确定细胞类型判定指标；
若细胞类型判定指标大于预设指标值，则确定所述细胞分割区域为属于增殖细胞的增殖细胞分割区域。
可选地，所述基于所述细胞不规则指标确定细胞类型判定指标，包括：
将所述细胞分割区域内的图像输入细胞核分割模型，得到细胞核分割区域；
获取所述细胞分割区域的形心与所述细胞核分割区域的形心之间的核胞形心距离；
获取所述细胞分割区域的最小外接矩形的对角线长度；
将核胞形心距离和对角线长度的比值确定为细胞核偏心程度特征指标；
基于所述细胞不规则指标、细胞核偏心程度特征指标确定细胞类型判定指标。
可选地，所述基于所述细胞不规则指标、细胞核偏心程度特征指标确定细胞类型判定指标，包括：
将所述细胞核分割区域与所述细胞分割区域之间的面积比确定为核胞面积比特征指标；
基于所述细胞核分割区域各个像素点的RGB像素值确定颜色特征指标；
基于所述细胞不规则指标、细胞核偏心程度特征指标、核胞面积比特征指标以及颜色特征指标确定细胞类型判定指标。
可选地，所述将所述腺管病理图像输入预先训练的细胞分割模型，得到多个细胞分割区域，之前，包括：
将所述腺管病理图像输入预先训练的管腔分割模型，得到多个管腔分割区域；
利用Zhang-Suen细化算法提取各个所述管腔分割区域对应的第一管腔中心线；
将各个所述第一管腔中心线分别拟合为直线，得到多个第二管腔中心线；
计算多个所述第二管腔中心线在图像高度轴线上的投影距离之和，得到总高度投影距离；
计算多个所述第二管腔中心线在图像宽度轴线上的投影距离之和，得到总宽度投影距离；
若所述总高度投影距离大于所述宽度投影距离，则将所述腺管病理图像输入预先训练的细胞分割模型，得到多个细胞分割区域。
第二方面，本申请提供一种腺管极性紊乱程度参数的确定装置，所述腺管极性紊乱程度参数的确定装置包括：
第一获取单元，用于获取腺管病理图像；
分割单元，用于将所述腺管病理图像输入预先训练的细胞分割模型，得到多个细胞分割区域；
识别单元，用于对所述细胞分割区域进行增殖细胞识别，得到属于增殖细胞的多个增殖细胞分割区域；
划分单元，用于将腺管病理图像分为在预设方向排布的多个条状图像块，所述腺管病理图像的图像高度轴线与所述预设方向平行；
第一确定单元，用于将各个条状图像块分别确定为目标条状图像块；
第二获取单元，用于获取目标条状图像块中各个增殖细胞分割区域的增殖细胞区域面积和增殖细胞区域形心；
加权平均单元，用于基于目标条状图像块中多个增殖细胞分割区域的增殖细胞区域面积对多个增殖细胞分割区域的增殖细胞区域形心进行加权平均，得到目标条状图像块中的等效形心；
计算单元，用于计算目标条状图像块中各个增殖细胞分割区域的增殖细胞区域形心与所述等效形心的区域形心距离，得到目标条状图像块中的多个区域形心距离；
第二确定单元，用于将目标条状图像块中的多个区域形心距离的标准差与多个区域形心距离的平均值之比确定为目标条状图像块的增殖细胞离散参数；
第三获取单元，用于获取目标条状图像块在所述图像高度轴线上的图像块投影长度；
第三确定单元，用于将目标条状图像块的增殖细胞离散参数与所述图像块投影长度的比值确定为目标条状图像块的增殖细胞离散程度梯度变化值，得到各个条状图像块的增殖细胞离散程度梯度变化值；
第四确定单元，用于将多个条状图像块的增殖细胞离散程度梯度变化值的平均值确定为增殖细胞离散程度梯度变化表征值；
第五确定单元，用于基于增殖细胞离散程度梯度变化表征值确定腺管极性紊乱程度参数。
第三方面，本申请提供一种计算机设备，所述计算机设备包括：
一个或多个处理器；
存储器；以及
一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现第一方面中任一项所述的腺管极性紊乱程度参数的确定方法。
第四方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质存储有多条指令，所述指令适于处理器进行加载，以执行第一方面中任一项所述的腺管极性紊乱程度参数的确定方法中的步骤。
本申请提供一种腺管极性紊乱程度参数的确定方法及装置，该腺管极性紊乱程度参数的确定方法包括：获取腺管病理图像；将腺管病理图像输入预先训练的细胞分割模型，得到多个细胞分割区域；对细胞分割区域进行增殖细胞识别，得到属于增殖细胞的多个增殖细胞分割区域；将腺管病理图像分为在预设方向排布的多个条状图像块，腺管病理图像的图像高度轴线与预设方向平行；将各个条状图像块分别确定为目标条状图像块；获取目标条状图像块中各个增殖细胞分割区域的增殖细胞区域面积和增殖细胞区域形心；基于目标条状图像块中多个增殖细胞分割区域的增殖细胞区域面积对多个增殖细胞分割区域的增殖细胞区域形心进行加权平均，得到目标条状图像块中的等效形心；计算目标条状图像块中各个增殖细胞分割区域的增殖细胞区域形心与等效形心的区域形心距离，得到目标条状图像块中的多个区域形心距离；将目标条状图像块中的多个区域形心距离的标准差与多个区域形心距离的平均值之比确定为目标条状图像块的增殖细胞离散参数；获取目标条状图像块在图像高度轴线上的图像块投影长度；将目标条状图像块的增殖细胞离散参数与图像块投影长度的比值确定为目标条状图像块的增殖细胞离散程度梯度变化值，得到各个条状图像块的增殖细胞离散程度梯度变化值；将多个条状图像块的增殖细胞离散程度梯度变化值的平均值确定为增殖细胞离散程度梯度变化表征值；基于增殖细胞离散程度梯度变化表征值确定腺管极性紊乱程度参数。本申请能够提高腺管极性紊乱程度参数的确定准确度。
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是本申请实施例提供的腺管极性紊乱程度参数的确定系统的场景示意图；
图2是本申请实施例提供的腺管极性紊乱程度参数的确定方法一实施例的流程示意图；
图3是本申请实施例提供的腺管极性紊乱程度参数的确定方法一实施例中腺管病理图像的示意图；
图4是本申请实施例提供的腺管极性紊乱程度参数的确定方法一实施例中腺管病理图像分割后细胞分割区域和细胞核分割区域的示意图；
图5是本申请实施例提供的腺管极性紊乱程度参数的确定方法一实施例中腺管病理图像分割后管腔分割区域的示意图；
图6是本申请实施例提供的腺管极性紊乱程度参数的确定方法一实施例中其中一个管腔分割区域的示意图；
图7是本申请实施例提供的腺管极性紊乱程度参数的确定方法一实施例中细胞分割区域被划分为多个扇形区域的示意图；
图8是本申请实施例中提供的腺管极性紊乱程度参数的确定装置的一个实施例结构示意图；
图9是本申请实施例中提供的计算机设备的一个实施例结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本申请的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本申请中，“示例性”一词用来表示“用作例子、例证或说明”。本申请中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本申请，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本申请。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本申请的描述变得晦涩。因此，本申请并非旨在限于所示的实施例，而是与符合本申请所公开的原理和特征的最广范围相一致。
本申请实施例提供一种腺管极性紊乱程度参数的确定方法及装置，以下分别进行详细说明。
请参阅图1，图1为本申请实施例所提供的腺管极性紊乱程度参数的确定系统的场景示意图，该腺管极性紊乱程度参数的确定系统可以包括计算机设备100，计算机设备100中集成有腺管极性紊乱程度参数的确定装置。
本申请实施例中，该计算机设备100可以是独立的服务器，也可以是服务器组成的服务器网络或服务器集群，例如，本申请实施例中所描述的计算机设备100，其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中，云服务器由基于云计算(Cloud Computing)的大量计算机或网络服务器构成。
本申请实施例中，上述的计算机设备100可以是一个通用计算机设备或者是一个专用计算机设备。在具体实现中计算机设备100可以是台式机、便携式电脑、网络服务器、掌上电脑（Personal Digital Assistant，PDA）、移动手机、平板电脑、无线终端设备、通信设备、嵌入式设备等，本实施例不限定计算机设备100的类型。
本领域技术人员可以理解，图1中示出的应用环境，仅仅是本申请方案的一种应用场景，并不构成对本申请方案应用场景的限定，其他的应用环境还可以包括比图1中所示更多或更少的计算机设备，例如图1中仅示出1个计算机设备，可以理解的，该腺管极性紊乱程度参数的确定系统还可以包括一个或多个可处理数据的其他计算机设备，具体此处不作限定。
另外，如图1所示，该腺管极性紊乱程度参数的确定系统还可以包括存储器200，用于存储数据。
需要说明的是，图1所示的腺管极性紊乱程度参数的确定系统的场景示意图仅仅是一个示例，本申请实施例描述的腺管极性紊乱程度参数的确定系统以及场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着腺管极性紊乱程度参数的确定系统的演变和新业务场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
首先，本申请实施例中提供一种腺管极性紊乱程度参数的确定方法，腺管极性紊乱程度参数的确定方法包括：获取腺管病理图像；将所述腺管病理图像输入预先训练的细胞分割模型，得到多个细胞分割区域；对所述细胞分割区域进行增殖细胞识别，得到属于增殖细胞的多个增殖细胞分割区域；将腺管病理图像分为在预设方向排布的多个条状图像块，所述腺管病理图像的图像高度轴线与所述预设方向平行；将各个条状图像块分别确定为目标条状图像块；获取目标条状图像块中各个增殖细胞分割区域的增殖细胞区域面积和增殖细胞区域形心；基于目标条状图像块中多个增殖细胞分割区域的增殖细胞区域面积对多个增殖细胞分割区域的增殖细胞区域形心进行加权平均，得到目标条状图像块中的等效形心；计算目标条状图像块中各个增殖细胞分割区域的增殖细胞区域形心与所述等效形心的区域形心距离，得到目标条状图像块中的多个区域形心距离；将目标条状图像块中的多个区域形心距离的标准差与多个区域形心距离的平均值之比确定为目标条状图像块的增殖细胞离散参数；获取目标条状图像块在所述图像高度轴线上的图像块投影长度；将目标条状图像块的增殖细胞离散参数与所述图像块投影长度的比值确定为目标条状图像块的增殖细胞离散程度梯度变化值，得到各个条状图像块的增殖细胞离散程度梯度变化值；将多个条状图像块的增殖细胞离散程度梯度变化值的平均值确定为增殖细胞离散程度梯度变化表征值；基于增殖细胞离散程度梯度变化表征值确定腺管极性紊乱程度参数。
如图2所示，图2是本申请实施例中腺管极性紊乱程度参数的确定方法的一个实施例流程示意图，该腺管极性紊乱程度参数的确定方法包括如下步骤S201~S213：
S201、获取腺管病理图像。
本申请获取的腺管病理图像如图3所示。
S202、将腺管病理图像输入预先训练的细胞分割模型，得到多个细胞分割区域。
本申请实施例中，预先训练细胞分割模型，优先选择Unet++，标签由专业病理医师对细胞边界进行勾勒。
如图4所示，将腺管病理图像输入预先训练的细胞分割模型，得到多个细胞分割区域11。
本申请实施例中，将腺管病理图像输入预先训练的细胞分割模型，得到多个细胞分割区域，之前，包括：
（1）将腺管病理图像输入预先训练的管腔分割模型，得到多个管腔分割区域。
具体的，如图5所示，将腺管病理图像输入预先训练的管腔分割模型，得到N个管腔分割区域13。
本申请实施例中，预先训练管腔分割模型，优先选择Unet++，标签由专业病理医师对管腔边界进行勾勒。
（2）利用Zhang-Suen细化算法提取各个管腔分割区域对应的第一管腔中心线。
（3）将各个第一管腔中心线分别拟合为直线，得到多个第二管腔中心线。
如图6所示，以其中一个管腔分割区域13为例，利用Zhang-Suen细化算法提取管腔分割区域13对应的第一管腔中心线，将第一管腔中心线拟合为直线，得到第二管腔中心线14。
具体的，以预设方向为Y轴，与垂直预设方向的方向为X轴，建立直角坐标系。图像高度轴线为Y轴，图像宽度轴线为X轴。
设直线方程为，并建立方差误差/>，i表示第一管腔中心线上有i个像素点。
对方差误差求导，得到，
求解求导公式，得到，
其中，第二管腔中心线的直线方程为。
（4）计算多个第二管腔中心线在图像高度轴线上的投影距离之和，得到总高度投影距离。
其中，总高度投影距离的计算公式如下，
其中，为第i条第二管腔中心线在图像高度轴线上的投影距离。
（5）计算多个第二管腔中心线在图像宽度轴线上的投影距离之和，得到总宽度投影距离。
其中，总宽度投影距离的计算公式如下，
其中，为第i条第二管腔中心线在图像宽度轴线上的投影距离。
（6）若总高度投影距离大于宽度投影距离，则将腺管病理图像输入预先训练的细胞分割模型，得到多个细胞分割区域。
若总高度投影距离大于宽度投影距离，即，表明腺管开口部在Y轴方向，将腺管病理图像输入预先训练的细胞分割模型，得到多个细胞分割区域。
S203、对细胞分割区域进行增殖细胞识别，得到属于增殖细胞的多个增殖细胞分割区域。
本申请实施例中，对细胞分割区域进行增殖细胞识别，得到属于增殖细胞的多个增殖细胞分割区域，包括：
（1）将以细胞分割区域的形心为圆心且包含细胞分割区域的最小圆确定为参考圆。
如图7所示，将以细胞分割区域11的形心为圆心且包含细胞分割区域的最小圆确定为参考圆。
（2）将参考圆等分为多个扇形区域，得到多个扇形区域内的细胞分割子区域。
细胞分割子区域是细胞分割区域位于扇形区域内的部分。
（3）获取扇形区域和对应的细胞分割子区域的面积差值，得到多个扇形区域对应的面积差值。
具体的，扇形区域的数量为8个，当然也可以为其他数量。扇形区域和对应的细胞分割子区域的面积差值为如下公式，
其中，为参考圆的半径。
（4）基于多个细胞分割子区域的面积和多个面积差值确定细胞不规则指标。
具体的，细胞不规则指标得计算公式如下，
（5）基于细胞不规则指标确定细胞类型判定指标。
在一个具体的实施例中，将细胞不规则指标确定为细胞类型判定指标f。
进一步的，根据计算细胞不规则指标同样的方式，计算细胞核不规则指标。
（6）若细胞类型判定指标大于预设指标值，则确定细胞分割区域为属于增殖细胞的增殖细胞分割区域。
其中，预设值为β。若细胞类型判定指标f大于预设值，则确定细胞分割区域为属于增殖细胞的增殖细胞分割区域。进而识别出属于增殖细胞的多个增殖细胞分割区域。
进一步的，基于细胞不规则指标确定细胞类型判定指标，可以包括：
（1）将细胞分割区域内的图像输入细胞核分割模型，得到细胞核分割区域。
本申请实施例中，预先训练细胞核分割模型，优先选择Unet++，标签由专业病理医师对细胞核边界进行勾勒。
（2）获取细胞分割区域的形心与细胞核分割区域的形心之间的核胞形心距离。
具体的，获取细胞分割区域的形心与细胞核分割区域的形心/>之间的核胞形心距离。
（3）获取细胞分割区域的最小外接矩形的对角线长度。
（4）将核胞形心距离和对角线长度的比值确定为细胞核偏心程度特征指标。
具体的，细胞核偏心程度特征指标的计算公式如下，
，
其中为细胞分割区域的最小外接矩形的宽和高。
（5）基于细胞不规则指标、细胞核偏心程度特征指标确定细胞类型判定指标。
在一个具体的实施例中，基于细胞不规则指标、细胞核偏心程度特征指标进行加权平均，得到细胞类型判定指标f。
在另一个具体的实施例中，基于细胞不规则指标、细胞核偏心程度特征指标确定细胞类型判定指标，包括：
（1）将细胞核分割区域与细胞分割区域之间的面积比确定为核胞面积比特征指标。
具体的，核胞面积比特征指标的计算公式如下，
其中，细胞分割区域的面积为，细胞核分割区域的面积为/>。
（2）基于细胞核分割区域各个像素点的RGB像素值确定颜色特征指标。
具体的，通过PIL自带的getcolors()方法获取细胞颜色特征列表，并计算颜色特征指标/>，
其中，为第i个像素点的红色像素值，/>为第i个像素点的蓝色像素值，/>为第i个像素点的绿色像素值。
（3）基于细胞不规则指标、细胞核偏心程度特征指标、核胞面积比特征指标以及颜色特征指标确定细胞类型判定指标。
在一个具体的实施例中，基于细胞不规则指标、细胞核偏心程度特征指标、核胞面积比特征指标/>、细胞核不规则指标/>、颜色特征指标/>进行加权平均，得到细胞类型判定指标f。
S204、将腺管病理图像分为在预设方向排布的多个条状图像块。
其中，预设方向为腺管病理图像从下向上的方向，图像高度轴线与预设方向平行。例如，将腺管病理图像分为在预设方向排布的q个条状图像块。
S205、将各个条状图像块分别确定为目标条状图像块。
S206、获取目标条状图像块中各个增殖细胞分割区域的增殖细胞区域面积和增殖细胞区域形心。
具体的，获取目标条状图像块中各个增殖细胞分割区域的增殖细胞区域面积和增殖细胞区域形心/>。
S207、基于目标条状图像块中多个增殖细胞分割区域的增殖细胞区域面积对多个增殖细胞分割区域的增殖细胞区域形心进行加权平均，得到目标条状图像块中的等效形心。
具体的，记目标条状图像块中的等效形心P的坐标为，P的坐标计算公式如下，
/>
其中，为增殖细胞区域形心的坐标，/>为目标条状图像块中各个增殖细胞分割区域的增殖细胞区域面积。
S208、计算目标条状图像块中各个增殖细胞分割区域的增殖细胞区域形心与等效形心的区域形心距离，得到目标条状图像块中的多个区域形心距离。
具体的，目标条状图像块中的各个区域形心距离的计算公式如下，
S209、将目标条状图像块中的多个区域形心距离的标准差与多个区域形心距离的平均值之比确定为目标条状图像块的增殖细胞离散参数。
具体的，目标条状图像块的增殖细胞离散参数的计算公式如下，
S210、获取目标条状图像块在图像高度轴线上的图像块投影长度。
S211、将目标条状图像块的增殖细胞离散参数与图像块投影长度的比值确定为目标条状图像块的增殖细胞离散程度梯度变化值，得到各个条状图像块的增殖细胞离散程度梯度变化值。
具体的，目标条状图像块的增殖细胞离散程度梯度变化值的计算公式如下，
其中，为目标条状图像块的增殖细胞离散参数，/>为目标条状图像块在图像高度轴线上的图像块投影长度。
S212、将多个条状图像块的增殖细胞离散程度梯度变化值的平均值确定为增殖细胞离散程度梯度变化表征值。
具体的，增殖细胞离散程度梯度变化表征值的计算公式如下，
S213、基于增殖细胞离散程度梯度变化表征值确定腺管极性紊乱程度参数。
在一个具体的实施例中，将增殖细胞离散程度梯度变化表征值确定为腺管极性紊乱程度参数/>。
在另一个具体的实施例中，基于增殖细胞离散程度梯度变化表征值确定腺管极性紊乱程度参数，包括：
（1）获取目标条状图像块中多个增殖细胞分割区域的细胞区域总面积。
具体的，目标条状图像块中多个增殖细胞分割区域的细胞区域总面积为。
（2）将目标条状图像块中的细胞区域总面积与图像块投影长度的比值确定为目标条状图像块的增殖细胞面积梯度变化值，得到各个条状图像块的增殖细胞面积梯度变化值。
具体的，增殖细胞面积梯度变化值的计算公式如下，
（3）将各个条状图像块的增殖细胞面积梯度变化值中的最大值确定为增殖细胞面积梯度变化表征值。
具体的，增殖细胞面积梯度变化表征值的计算公式如下，/>
（4）基于增殖细胞离散程度梯度变化表征值、增殖细胞面积梯度变化表征值确定腺管极性紊乱程度参数。
在一个具体的实施例中，对增殖细胞离散程度梯度变化表征值、增殖细胞面积梯度变化表征值/>进行加权平均，得到腺管极性紊乱程度参数/>。
在另一个具体的实施例中，基于增殖细胞离散程度梯度变化表征值、增殖细胞面积梯度变化表征值确定腺管极性紊乱程度参数，包括：
（1）获取第一条状图像块和第二条状图像块，其中，第一条状图像块为预设方向上的最后一个条状图像块，目标条状图像块和第二条状图像块相邻且在预设方向上排布。
第一条状图像块靠近腺管开口，第二条状图像块为目标条状图像块上方的一个条状图像块。
（2）获取第一图像组合块中的增殖细胞分割区域总数与细胞分割区域总数的第一比值，其中，第一图像组合块包括第一条状图像块、第二条状图像块以及第一条状图像块和第二条状图像块之间的条状图像块。
（3）获取第二图像组合块中的增殖细胞分割区域总数与细胞分割区域总数的第二比值，其中，第二图像组合块包括目标条状图像块、第一条状图像块以及目标条状图像块和第一条状图像块之间的条状图像块。
（4）若第一比值小于预设值且第二比值不小于预设值，则将第二图像组合块在图像高度轴线上的投影距离和腺管病理图像的图像高度的比值确定为增殖细胞深度指标。
具体的，增殖细胞深度指标的计算公式如下，
其中，第二图像组合块在图像高度轴线上的投影距离为，腺管病理图像的图像高度为L。
（5）基于增殖细胞离散程度梯度变化表征值、增殖细胞面积梯度变化表征值以及增殖细胞深度指标确定腺管极性紊乱程度参数。
在一个具体的实施例中，对增殖细胞离散程度梯度变化表征值、增殖细胞面积梯度变化表征值/>、增殖细胞深度指标/>进行加权平均，得到腺管极性紊乱程度参数/>。
具体的，对进行加权平均，得到腺管极性紊乱程度参数/>，腺管极性紊乱程度参数/>的计算公式如下，
，
其中，为增殖细胞深度指标/>、增殖细胞面积梯度变化表征值、增殖细胞离散程度梯度变化表征值/>的权重系数，通过训练机器学习方法如决策树、随机森林等机器学习模型得到。
进一步的，判断腺管极性紊乱程度参数是否大于预设阈值，若腺管极性紊乱程度参数/>大于预设阈值，则判定腺管有极性；若腺管极性紊乱程度参数/>不大于预设阈值，则判定腺管无极性。
为了更好实施本申请实施例中腺管极性紊乱程度参数的确定方法，在腺管极性紊乱程度参数的确定方法基础之上，本申请实施例中还提供一种腺管极性紊乱程度参数的确定装置，如图8所示，腺管极性紊乱程度参数的确定装置300包括：
第一获取单元301，用于获取腺管病理图像；
分割单元302，用于将所述腺管病理图像输入预先训练的细胞分割模型，得到多个细胞分割区域；
识别单元303，用于对所述细胞分割区域进行增殖细胞识别，得到属于增殖细胞的多个增殖细胞分割区域；
划分单元304，用于将腺管病理图像分为在预设方向排布的多个条状图像块，所述腺管病理图像的图像高度轴线与所述预设方向平行；
第一确定单元305，用于将各个条状图像块分别确定为目标条状图像块；
第二获取单元306，用于获取目标条状图像块中各个增殖细胞分割区域的增殖细胞区域面积和增殖细胞区域形心；
加权平均单元307，用于基于目标条状图像块中多个增殖细胞分割区域的增殖细胞区域面积对多个增殖细胞分割区域的增殖细胞区域形心进行加权平均，得到目标条状图像块中的等效形心；
计算单元308，用于计算目标条状图像块中各个增殖细胞分割区域的增殖细胞区域形心与所述等效形心的区域形心距离，得到目标条状图像块中的多个区域形心距离；
第二确定单元309，用于将目标条状图像块中的多个区域形心距离的标准差与多个区域形心距离的平均值之比确定为目标条状图像块的增殖细胞离散参数；
第三获取单元310，用于获取目标条状图像块在所述图像高度轴线上的图像块投影长度；
第三确定单元311，用于将目标条状图像块的增殖细胞离散参数与所述图像块投影长度的比值确定为目标条状图像块的增殖细胞离散程度梯度变化值，得到各个条状图像块的增殖细胞离散程度梯度变化值；
第四确定单元312，用于将多个条状图像块的增殖细胞离散程度梯度变化值的平均值确定为增殖细胞离散程度梯度变化表征值；
第五确定单元313，用于基于增殖细胞离散程度梯度变化表征值确定腺管极性紊乱程度参数。
本申请实施例还提供一种计算机设备，其集成了本申请实施例所提供的任一种腺管极性紊乱程度参数的确定装置，计算机设备包括：
一个或多个处理器；
存储器；以及
一个或多个应用程序，其中一个或多个应用程序被存储于存储器中，并配置为由处理器执行上述腺管极性紊乱程度参数的确定方法实施例中任一实施例中的腺管极性紊乱程度参数的确定方法中的步骤。
如图9所示，其示出了本申请实施例所涉及的计算机设备的结构示意图，具体来讲：
该计算机设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解，图中示出的计算机设备结构并不构成对计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
处理器401是该计算机设备的控制中心，利用各种接口和线路连接整个计算机设备的各个部分，通过运行或执行存储在存储器402内的软件程序和/或模块，以及调用存储在存储器402内的数据，执行计算机设备的各种功能和处理数据，从而对计算机设备进行整体监控。可选的，处理器401可包括一个或多个处理核心；处理器401可以是中央处理单元（Central Processing Unit，CPU），还可以是其他通用处理器、数字信号处理器（DigitalSignal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现成可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，优选的，处理器401可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块，处理器401通过运行存储在存储器402的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器402还可以包括存储器控制器，以提供处理器401对存储器402的访问。
计算机设备还包括给各个部件供电的电源403，优选的，电源403可以通过电源管理系统与处理器401逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、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。
该计算机设备还可包括输入单元404，该输入单元404可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出，计算机设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，计算机设备中的处理器401会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中，并由处理器401来运行存储在存储器402中的应用程序，从而实现各种功能，如下：
获取腺管病理图像；将所述腺管病理图像输入预先训练的细胞分割模型，得到多个细胞分割区域；对所述细胞分割区域进行增殖细胞识别，得到属于增殖细胞的多个增殖细胞分割区域；将腺管病理图像分为在预设方向排布的多个条状图像块，所述腺管病理图像的图像高度轴线与所述预设方向平行；将各个条状图像块分别确定为目标条状图像块；获取目标条状图像块中各个增殖细胞分割区域的增殖细胞区域面积和增殖细胞区域形心；基于目标条状图像块中多个增殖细胞分割区域的增殖细胞区域面积对多个增殖细胞分割区域的增殖细胞区域形心进行加权平均，得到目标条状图像块中的等效形心；计算目标条状图像块中各个增殖细胞分割区域的增殖细胞区域形心与所述等效形心的区域形心距离，得到目标条状图像块中的多个区域形心距离；将目标条状图像块中的多个区域形心距离的标准差与多个区域形心距离的平均值之比确定为目标条状图像块的增殖细胞离散参数；获取目标条状图像块在所述图像高度轴线上的图像块投影长度；将目标条状图像块的增殖细胞离散参数与所述图像块投影长度的比值确定为目标条状图像块的增殖细胞离散程度梯度变化值，得到各个条状图像块的增殖细胞离散程度梯度变化值；将多个条状图像块的增殖细胞离散程度梯度变化值的平均值确定为增殖细胞离散程度梯度变化表征值；基于增殖细胞离散程度梯度变化表征值确定腺管极性紊乱程度参数。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本申请实施例提供一种计算机可读存储介质，该存储介质可以包括：只读存储器（ROM，Read Only Memory）、随机存取记忆体（RAM，Random Access Memory）、磁盘或光盘等。其上存储有计算机程序，计算机程序被处理器进行加载，以执行本申请实施例所提供的任一种腺管极性紊乱程度参数的确定方法中的步骤。例如，计算机程序被处理器进行加载可以执行如下步骤：
获取腺管病理图像；将所述腺管病理图像输入预先训练的细胞分割模型，得到多个细胞分割区域；对所述细胞分割区域进行增殖细胞识别，得到属于增殖细胞的多个增殖细胞分割区域；将腺管病理图像分为在预设方向排布的多个条状图像块，所述腺管病理图像的图像高度轴线与所述预设方向平行；将各个条状图像块分别确定为目标条状图像块；获取目标条状图像块中各个增殖细胞分割区域的增殖细胞区域面积和增殖细胞区域形心；基于目标条状图像块中多个增殖细胞分割区域的增殖细胞区域面积对多个增殖细胞分割区域的增殖细胞区域形心进行加权平均，得到目标条状图像块中的等效形心；计算目标条状图像块中各个增殖细胞分割区域的增殖细胞区域形心与所述等效形心的区域形心距离，得到目标条状图像块中的多个区域形心距离；将目标条状图像块中的多个区域形心距离的标准差与多个区域形心距离的平均值之比确定为目标条状图像块的增殖细胞离散参数；获取目标条状图像块在所述图像高度轴线上的图像块投影长度；将目标条状图像块的增殖细胞离散参数与所述图像块投影长度的比值确定为目标条状图像块的增殖细胞离散程度梯度变化值，得到各个条状图像块的增殖细胞离散程度梯度变化值；将多个条状图像块的增殖细胞离散程度梯度变化值的平均值确定为增殖细胞离散程度梯度变化表征值；基于增殖细胞离散程度梯度变化表征值确定腺管极性紊乱程度参数。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见上文针对其他实施例的详细描述，此处不再赘述。
具体实施时，以上各个单元或结构可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元或结构的具体实施可参见前面的方法实施例，在此不再赘述。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
以上对本申请实施例所提供的一种腺管极性紊乱程度参数的确定方法及装置进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种腺管极性紊乱程度参数的确定方法，其特征在于，所述腺管极性紊乱程度参数的确定方法包括：
获取腺管病理图像；
将所述腺管病理图像输入预先训练的细胞分割模型，得到多个细胞分割区域；
对所述细胞分割区域进行增殖细胞识别，得到属于增殖细胞的多个增殖细胞分割区域；
将腺管病理图像分为在预设方向排布的多个条状图像块，所述腺管病理图像的图像高度轴线与所述预设方向平行；
将各个条状图像块分别确定为目标条状图像块；
获取目标条状图像块中各个增殖细胞分割区域的增殖细胞区域面积和增殖细胞区域形心；
基于目标条状图像块中多个增殖细胞分割区域的增殖细胞区域面积对多个增殖细胞分割区域的增殖细胞区域形心进行加权平均，得到目标条状图像块中的等效形心；
计算目标条状图像块中各个增殖细胞分割区域的增殖细胞区域形心与所述等效形心的区域形心距离，得到目标条状图像块中的多个区域形心距离；
将目标条状图像块中的多个区域形心距离的标准差与多个区域形心距离的平均值之比确定为目标条状图像块的增殖细胞离散参数；
获取目标条状图像块在所述图像高度轴线上的图像块投影长度；
将目标条状图像块的增殖细胞离散参数与所述图像块投影长度的比值确定为目标条状图像块的增殖细胞离散程度梯度变化值，得到各个条状图像块的增殖细胞离散程度梯度变化值；
将多个条状图像块的增殖细胞离散程度梯度变化值的平均值确定为增殖细胞离散程度梯度变化表征值；
基于增殖细胞离散程度梯度变化表征值确定腺管极性紊乱程度参数。
2.根据权利要求1所述的腺管极性紊乱程度参数的确定方法，其特征在于，所述基于增殖细胞离散程度梯度变化表征值确定腺管极性紊乱程度参数，包括：
获取目标条状图像块中多个增殖细胞分割区域的细胞区域总面积；
将目标条状图像块中的细胞区域总面积与图像块投影长度的比值确定为所述目标条状图像块的增殖细胞面积梯度变化值，得到各个条状图像块的增殖细胞面积梯度变化值；
将各个条状图像块的增殖细胞面积梯度变化值中的最大值确定为增殖细胞面积梯度变化表征值；
基于增殖细胞离散程度梯度变化表征值、增殖细胞面积梯度变化表征值确定腺管极性紊乱程度参数。
3.根据权利要求2所述的腺管极性紊乱程度参数的确定方法，其特征在于，所述基于增殖细胞离散程度梯度变化表征值、增殖细胞面积梯度变化表征值确定腺管极性紊乱程度参数，包括：
获取第一条状图像块和第二条状图像块，其中，所述第一条状图像块为所述预设方向上的最后一个条状图像块，所述目标条状图像块和所述第二条状图像块相邻且在所述预设方向上排布；
获取第一图像组合块中的增殖细胞分割区域总数与细胞分割区域总数的第一比值，其中，所述第一图像组合块包括所述第一条状图像块、所述第二条状图像块以及所述第一条状图像块和所述第二条状图像块之间的条状图像块；
获取第二图像组合块中的增殖细胞分割区域总数与细胞分割区域总数的第二比值，其中，所述第二图像组合块包括所述目标条状图像块、所述第一条状图像块以及所述目标条状图像块和所述第一条状图像块之间的条状图像块；
若第一比值小于预设值且第二比值不小于所述预设值，则将所述第二图像组合块在图像高度轴线上的投影距离和所述腺管病理图像的图像高度的比值确定为增殖细胞深度指标；
基于增殖细胞离散程度梯度变化表征值、增殖细胞面积梯度变化表征值以及增殖细胞深度指标确定腺管极性紊乱程度参数。
4.根据权利要求1所述的腺管极性紊乱程度参数的确定方法，其特征在于，所述对所述细胞分割区域进行增殖细胞识别，得到属于增殖细胞的多个增殖细胞分割区域，包括：
将以所述细胞分割区域的形心为圆心且包含所述细胞分割区域的最小圆确定为参考圆；
将所述参考圆等分为多个扇形区域，得到多个扇形区域内的细胞分割子区域；
获取所述扇形区域和对应的所述细胞分割子区域的面积差值，得到多个扇形区域对应的面积差值；
基于多个所述细胞分割子区域的面积和多个所述面积差值确定细胞不规则指标；
基于所述细胞不规则指标确定细胞类型判定指标；
若细胞类型判定指标大于预设指标值，则确定所述细胞分割区域为属于增殖细胞的增殖细胞分割区域。
5.根据权利要求4所述的腺管极性紊乱程度参数的确定方法，其特征在于，所述基于所述细胞不规则指标确定细胞类型判定指标，包括：
将所述细胞分割区域内的图像输入细胞核分割模型，得到细胞核分割区域；
获取所述细胞分割区域的形心与所述细胞核分割区域的形心之间的核胞形心距离；
获取所述细胞分割区域的最小外接矩形的对角线长度；
将核胞形心距离和对角线长度的比值确定为细胞核偏心程度特征指标；
基于所述细胞不规则指标、细胞核偏心程度特征指标确定细胞类型判定指标。
6.根据权利要求5所述的腺管极性紊乱程度参数的确定方法，其特征在于，所述基于所述细胞不规则指标、细胞核偏心程度特征指标确定细胞类型判定指标，包括：
将所述细胞核分割区域与所述细胞分割区域之间的面积比确定为核胞面积比特征指标；
基于所述细胞核分割区域各个像素点的RGB像素值确定颜色特征指标；
基于所述细胞不规则指标、细胞核偏心程度特征指标、核胞面积比特征指标以及颜色特征指标确定细胞类型判定指标。
7.根据权利要求1所述的腺管极性紊乱程度参数的确定方法，其特征在于，所述将所述腺管病理图像输入预先训练的细胞分割模型，得到多个细胞分割区域，之前，包括：
将所述腺管病理图像输入预先训练的管腔分割模型，得到多个管腔分割区域；
利用Zhang-Suen细化算法提取各个所述管腔分割区域对应的第一管腔中心线；
将各个所述第一管腔中心线分别拟合为直线，得到多个第二管腔中心线；
计算多个所述第二管腔中心线在图像高度轴线上的投影距离之和，得到总高度投影距离；
计算多个所述第二管腔中心线在图像宽度轴线上的投影距离之和，得到总宽度投影距离；
若所述总高度投影距离大于所述宽度投影距离，则将所述腺管病理图像输入预先训练的细胞分割模型，得到多个细胞分割区域。
8.一种腺管极性紊乱程度参数的确定装置，其特征在于，所述腺管极性紊乱程度参数的确定装置包括：
第一获取单元，用于获取腺管病理图像；
分割单元，用于将所述腺管病理图像输入预先训练的细胞分割模型，得到多个细胞分割区域；
识别单元，用于对所述细胞分割区域进行增殖细胞识别，得到属于增殖细胞的多个增殖细胞分割区域；
划分单元，用于将腺管病理图像分为在预设方向排布的多个条状图像块，所述腺管病理图像的图像高度轴线与所述预设方向平行；
第一确定单元，用于将各个条状图像块分别确定为目标条状图像块；
第二获取单元，用于获取目标条状图像块中各个增殖细胞分割区域的增殖细胞区域面积和增殖细胞区域形心；
加权平均单元，用于基于目标条状图像块中多个增殖细胞分割区域的增殖细胞区域面积对多个增殖细胞分割区域的增殖细胞区域形心进行加权平均，得到目标条状图像块中的等效形心；
计算单元，用于计算目标条状图像块中各个增殖细胞分割区域的增殖细胞区域形心与所述等效形心的区域形心距离，得到目标条状图像块中的多个区域形心距离；
第二确定单元，用于将目标条状图像块中的多个区域形心距离的标准差与多个区域形心距离的平均值之比确定为目标条状图像块的增殖细胞离散参数；
第三获取单元，用于获取目标条状图像块在所述图像高度轴线上的图像块投影长度；
第三确定单元，用于将目标条状图像块的增殖细胞离散参数与所述图像块投影长度的比值确定为目标条状图像块的增殖细胞离散程度梯度变化值，得到各个条状图像块的增殖细胞离散程度梯度变化值；
第四确定单元，用于将多个条状图像块的增殖细胞离散程度梯度变化值的平均值确定为增殖细胞离散程度梯度变化表征值；
第五确定单元，用于基于增殖细胞离散程度梯度变化表征值确定腺管极性紊乱程度参数。
9.一种计算机设备，其特征在于，所述计算机设备包括：
一个或多个处理器；
存储器；以及
一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现权利要求1至7中任一项所述的腺管极性紊乱程度参数的确定方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行权利要求1至7任一项所述的腺管极性紊乱程度参数的确定方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310991658.2A CN116703929B (zh) | 2023-08-08 | 2023-08-08 | 腺管极性紊乱程度参数的确定方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310991658.2A CN116703929B (zh) | 2023-08-08 | 2023-08-08 | 腺管极性紊乱程度参数的确定方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116703929A true CN116703929A (zh) | 2023-09-05 |
| CN116703929B CN116703929B (zh) | 2023-10-27 |
Family
ID=87824381
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310991658.2A Active CN116703929B (zh) | 2023-08-08 | 2023-08-08 | 腺管极性紊乱程度参数的确定方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116703929B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117115241A (zh) * | 2023-09-06 | 2023-11-24 | 北京透彻未来科技有限公司 | 一种追寻数字病理图像在缩放过程中中心焦点的方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20040044719A (ko) * | 2002-11-21 | 2004-05-31 | 이원진 | 디지털 영상을 이용한 기도 섬모파의 무질서도 계측 방법 |
| CN111583252A (zh) * | 2020-05-15 | 2020-08-25 | 宁波威联生物科技有限公司 | 基于电场ct对肺部断层影像的分析评价装置和评价体系 |
| WO2021164322A1 (zh) * | 2020-02-17 | 2021-08-26 | 腾讯科技（深圳）有限公司 | 基于人工智能的对象分类方法以及装置、医学影像设备 |
| CN114399494A (zh) * | 2022-01-14 | 2022-04-26 | 平安科技（深圳）有限公司 | 异常细胞检测分割方法、装置、设备及存储介质 |
| CN116109615A (zh) * | 2023-02-24 | 2023-05-12 | 武汉大学人民医院（湖北省人民医院） | 腺管融合趋势量化方法、装置及存储介质 |
| CN116309304A (zh) * | 2023-01-10 | 2023-06-23 | 武汉楚精灵医疗科技有限公司 | 细胞极性紊乱参数的确定方法及装置 |
| CN116523919A (zh) * | 2023-07-04 | 2023-08-01 | 武汉楚精灵医疗科技有限公司 | 腺管异型程度系数的确定方法及装置 |
-
2023
- 2023-08-08 CN CN202310991658.2A patent/CN116703929B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20040044719A (ko) * | 2002-11-21 | 2004-05-31 | 이원진 | 디지털 영상을 이용한 기도 섬모파의 무질서도 계측 방법 |
| WO2021164322A1 (zh) * | 2020-02-17 | 2021-08-26 | 腾讯科技（深圳）有限公司 | 基于人工智能的对象分类方法以及装置、医学影像设备 |
| CN111583252A (zh) * | 2020-05-15 | 2020-08-25 | 宁波威联生物科技有限公司 | 基于电场ct对肺部断层影像的分析评价装置和评价体系 |
| CN114399494A (zh) * | 2022-01-14 | 2022-04-26 | 平安科技（深圳）有限公司 | 异常细胞检测分割方法、装置、设备及存储介质 |
| CN116309304A (zh) * | 2023-01-10 | 2023-06-23 | 武汉楚精灵医疗科技有限公司 | 细胞极性紊乱参数的确定方法及装置 |
| CN116109615A (zh) * | 2023-02-24 | 2023-05-12 | 武汉大学人民医院（湖北省人民医院） | 腺管融合趋势量化方法、装置及存储介质 |
| CN116523919A (zh) * | 2023-07-04 | 2023-08-01 | 武汉楚精灵医疗科技有限公司 | 腺管异型程度系数的确定方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| L. UGGA 等: "Diagnostic work-up in obstructive and inflammatory salivary gland disorders", 《PMC DISCLAIMER 》 * |
| 王帅;刘娟;毕姚姚;陈哲;郑群花;段慧芳;: "基于两步聚类和随机森林的乳腺腺管自动识别方法", 计算机科学, no. 03 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117115241A (zh) * | 2023-09-06 | 2023-11-24 | 北京透彻未来科技有限公司 | 一种追寻数字病理图像在缩放过程中中心焦点的方法 |
| CN117115241B (zh) * | 2023-09-06 | 2024-03-29 | 北京透彻未来科技有限公司 | 一种追寻数字病理图像在缩放过程中中心焦点的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116703929B (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116703929B (zh) | 腺管极性紊乱程度参数的确定方法及装置 | |
| CN110147744B (zh) | 一种人脸图像质量评估方法、装置及终端 | |
| CN113628157A (zh) | 利用病理图像来表征肿瘤微环境的系统和方法 | |
| TWI786330B (zh) | 一種圖像處理方法、電子設備及存儲介質 | |
| WO2020107326A1 (zh) | 车道线检测方法、设备、计算机可读存储介质 | |
| CN116523919B (zh) | 腺管异型程度系数的确定方法及装置 | |
| CN110032936B (zh) | 无参数手背静脉最大圆形区域提取方法 | |
| CN116109615A (zh) | 腺管融合趋势量化方法、装置及存储介质 | |
| CN111104704A (zh) | 柜体内部布局设计方法、装置、系统以及存储介质 | |
| CN111932552B (zh) | 一种主动脉建模的方法及装置 | |
| CN116157846A (zh) | 用于分析来自转移部位的病理学数据的机器学习模型 | |
| CN113643299B (zh) | 微血管的弯曲程度量化方法、装置及计算机可读存储介质 | |
| CN107507176B (zh) | 一种图像检测方法及系统 | |
| CN116309304A (zh) | 细胞极性紊乱参数的确定方法及装置 | |
| CN108154007A (zh) | 基于单肿瘤样本拷贝数变异及缺失类型检测方法、计算机 | |
| CN111492407B (zh) | 用于绘图美化的系统和方法 | |
| WO2017201949A1 (zh) | 一种选址方法及装置 | |
| CN114511558B (zh) | 肠道清洁度的检测方法及装置 | |
| CN116188447A (zh) | 印制电路板检测定位方法、装置、电子设备和存储介质 | |
| CN114741435A (zh) | 控制站供水保证水位确定方法及其相关装置 | |
| CN116401326A (zh) | 道路标识的更新方法及装置 | |
| CN111401383B (zh) | 基于图像检测的目标框预估方法、系统、设备及介质 | |
| CN113344897B (zh) | 肺部图像的管径测量方法及装置、图像处理方法及装置 | |
| CN114359278B (zh) | 胃黏膜微结构排列规范程度量化方法、终端及存储介质 | |
| CN116868233A (zh) | 图像配准评估方法、装置、电子设备及可读存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |