CN116934742B - 一种淋巴结构图像识别方法及系统 - Google Patents
一种淋巴结构图像识别方法及系统 Download PDFInfo
- Publication number
- CN116934742B CN116934742B CN202311174470.5A CN202311174470A CN116934742B CN 116934742 B CN116934742 B CN 116934742B CN 202311174470 A CN202311174470 A CN 202311174470A CN 116934742 B CN116934742 B CN 116934742B
- Authority
- CN
- China
- Prior art keywords
- image
- lymphocyte
- lymphatic
- lymphoid
- characteristic
- 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
- 230000001926 lymphatic effect Effects 0.000 title claims abstract description 227
- 238000000034 method Methods 0.000 title claims abstract description 52
- 210000004698 lymphocyte Anatomy 0.000 claims abstract description 293
- 210000004027 cell Anatomy 0.000 claims description 152
- 210000002751 lymph Anatomy 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036732 histological change Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 210000001519 tissue Anatomy 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
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种淋巴结构图像识别方法及系统，通过将获取的待识别淋巴结构图像输入到粗淋巴结构识别模型中，以使粗淋巴结构识别模型对待识别淋巴结构图像进行淋巴结构区域识别，得到第一淋巴结构区域图像；将第一淋巴结构区域图像输入到细淋巴结构识别模型中，以使细淋巴结构识别模型对第一淋巴结构区域图像进行淋巴细胞识别，得到第一淋巴结构区域图像中的淋巴细胞特征值；获取第一淋巴结构区域图像在RGB颜色空间中各通道的像素值，根据像素值，计算第一淋巴结构区域图像的像素特征值；基于像素特征值和淋巴细胞特征值，确定待识别淋巴结构图像的图像识别结果；与现有技术相比，本发明的技术方案能提高对淋巴结构图像识别效率和准确性。
Description
技术领域
本发明涉及图像处理的技术领域，特别是涉及一种淋巴结构图像识别方法及系统。
背景技术
由于成熟淋巴结构和非成熟淋巴结构在形态、功能和病理特征上存在差异，因此，目前对实体瘤恶性肿瘤进行病理诊断和分期时，普遍采用人工观测的方式对淋巴结构的状态进行人为判断，用于后续术后预后预测，但这种传统的依赖于组织学改变的人工评价，难免存在主观性强、可重复性差等问题。
且在面对大量的待识别的淋巴结构图像时，基于人工识别方式难以实现对数量庞大的淋巴结构图像进行识别，存在识别效率低的问题；且基于人工识别方式，容易受人员工作经验等因素干扰，使得人工识别存在较大的误差，导致后续识别的准确性较低，因此，目前亟需一种对淋巴结构图像识别的方法，以解决当前对淋巴结构图像识别效率低且准确性不高的问题。
发明内容
本发明要解决的技术问题是：提供一种淋巴结构图像识别方法及系统，能提高对淋巴结构图像识别效率和准确性。
为了解决上述技术问题，本发明提供了一种淋巴结构图像识别方法，包括：
获取待识别淋巴结构图像，将所述待识别淋巴结构图像输入到预设的粗淋巴结构识别模型中，以使所述粗淋巴结构识别模型对所述待识别淋巴结构图像进行淋巴结构区域识别，得到第一淋巴结构区域图像；
将所述第一淋巴结构区域图像输入到预设的细淋巴结构识别模型中，以使所述细淋巴结构识别模型对所述第一淋巴结构区域图像进行淋巴细胞识别，得到所述第一淋巴结构区域图像中的淋巴细胞特征值；
获取所述第一淋巴结构区域图像在RGB颜色空间中各通道的像素值，根据所述像素值，计算所述第一淋巴结构区域图像的像素特征值；
基于所述像素特征值和所述淋巴细胞特征值，确定所述待识别淋巴结构图像的图像识别结果。
在一种可能的实现方式中，获取所述第一淋巴结构区域图像在RGB颜色空间中各通道的像素值，根据所述像素值，计算所述第一淋巴结构区域图像的像素特征值，具体包括：
获取所述第一淋巴结构区域图像在RGB颜色空间中各通道的像素值，其中，所述各通道的像素值包括红色通道像素值、蓝色通道像素值和绿色通道像素值；
对所述红色通道像素值、所述蓝色通道像素值和所述绿色通道像素值进行归一化处理，得到归一化红色通道像素值、归一化蓝色通道像素值和归一化绿色通道像素值；
将所述归一化红色通道像素值、所述归一化蓝色通道像素值和所述归一化绿色通道像素值代入到预设的像素特征值计算公式中，得到所述第一淋巴结构区域图像的像素特征值，其中，所述像素特征值计算公式，如下所示:
；
式中，为像素特征值，/>为预设权重值，/>为归一化红色通道像素值，/>为归一化绿色通道像素值，/>为归一化蓝色通道像素值。
在一种可能的实现方式中，所述细淋巴结构识别模型对所述第一淋巴结构区域图像进行淋巴细胞识别，得到所述第一淋巴结构区域图像中的淋巴细胞特征值，具体包括：
对所述第一淋巴结构区域图像进行细胞分割，得到所述第一淋巴结构区域图像中的所有细胞，并对所述所有细胞进行分类，得到多个淋巴细胞；
获取每个淋巴细胞对应的淋巴细胞形状特征，其中，所述淋巴细胞形状特征包括细胞尺寸和细胞形状规则度；
根据每个淋巴细胞对应的淋巴细胞形状特征，计算所述第一淋巴结构区域图像中的淋巴细胞特征值。
在一种可能的实现方式中，根据每个淋巴细胞对应的淋巴细胞形状特征，计算所述第一淋巴结构区域图像中的淋巴细胞特征值，具体包括：
基于每个淋巴细胞对应的淋巴细胞形状特征，将所述淋巴细胞形状特征中的细胞尺寸与预设细胞尺寸分级阈值进行对比，得到所述细胞尺寸的细胞尺寸分级等级；
将所述淋巴细胞形状特征中的细胞形状规则度与预设细胞形状规则度分级阈值进行对比，得到所述细胞形状规则度的细胞形状规则度分级等级；
将所述细胞尺寸分级等级和所述细胞形状规则度分级等级代入到淋巴细胞特征权重值计算公式中，得到细胞尺寸权重值和细胞形状规则度权重值；
基于所述细胞尺寸权重值、所述细胞形状规则度权重值、所述细胞尺寸分级等级和所述细胞形状规则度分级等级，计算所述第一淋巴结构区域图像中的淋巴细胞特征值。
本发明提供的一种淋巴结构图像识别方法，还包括：
采集淋巴结构样本图像集，其中，所述淋巴结构样本图像集包括多个淋巴结构样本图像、每个淋巴结构样本图像对应的第一淋巴结构区域样本图像，以及每个第一淋巴结构区域样本图像中的样本淋巴细胞特征值；
将所述淋巴结构样本图像集输入到初始粗淋巴结构识别模型中，以使基于所述淋巴结构样本图像集中的所述多个淋巴结构样本图像和每个淋巴结构样本图像对应的第一淋巴结构区域样本图像对所述初始粗淋巴结构识别模型进行迭代训练，直至模型收敛，得到粗淋巴结构识别模型；
将所述淋巴结构样本图像集输入到初始细淋巴结构识别模型中，以使基于所述淋巴结构样本图像集中的所述多个淋巴结构样本图像和每个第一淋巴结构区域样本图像中的样本淋巴细胞特征值对所述初始细淋巴结构识别模型进行迭代训练，直至模型收敛，得到细淋巴结构识别模型。
在一种可能的实现方式中，基于所述像素特征值和所述淋巴细胞特征值，确定所述待识别淋巴结构图像的图像识别结果前，还包括：
采集多个成熟淋巴结构样本图像，将所述多个成熟淋巴结构样本图像输入到所述粗淋巴结构识别模型中，得到每个成熟淋巴结构样本图像对应的第一成熟淋巴结构区域图像，并向所述第一成熟淋巴结构区域图像输入到所述细淋巴结构识别模型中，得到成熟淋巴结构特征值；
计算所述第一成熟淋巴结构区域图像的成熟像素特征值，基于所述成熟像素特征值和所述成熟淋巴结构特征值，生成成熟淋巴结构识别特征对，并基于所述成熟淋巴结构识别特征对，生成成熟淋巴结构识别特征数据库；
采集多个未成熟淋巴结构样本图像，将所述多个未成熟淋巴结构样本图像输入到所述粗淋巴结构识别模型中，得到每个未成熟淋巴结构样本图像对应的第一未成熟淋巴结构区域图像，并向所述第一未成熟淋巴结构区域图像输入到所述细淋巴结构识别模型中，得到未成熟淋巴结构特征值；
计算所述第一未成熟淋巴结构区域图像的未成熟像素特征值，基于所述未成熟像素特征值和所述未成熟淋巴结构特征值，生成未成熟淋巴结构识别特征对，并基于所述未成熟淋巴结构识别特征对，生成未成熟淋巴结构识别特征数据库；
基于所述成熟淋巴结构识别特征数据库和所述未成熟淋巴结构识别特征数据库，生成淋巴细胞识别特征数据库。
在一种可能的实现方式中，基于所述像素特征值和所述淋巴细胞特征值，确定所述待识别淋巴结构图像的图像识别结果，具体包括：
基于所述像素特征值和所述淋巴细胞特征值，生成待识别淋巴细胞识别特征对；
将所述待识别淋巴细胞识别特征对分别与预生成的淋巴细胞识别特征数据库中的每个淋巴细胞识别特征数据对进行距离测算，根据距离测量结果，确定所述待识别淋巴结构图像的图像识别结果。
本发明还提供了一种淋巴结构图像识别系统，包括：粗淋巴结构识别模型识别模块、细淋巴结构识别模型识别模块、像素特征值确定模块和图像识别结果确定模块；
其中，所述粗淋巴结构识别模型识别模块，用于获取待识别淋巴结构图像，将所述待识别淋巴结构图像输入到预设的粗淋巴结构识别模型中，以使所述粗淋巴结构识别模型对所述待识别淋巴结构图像进行淋巴结构区域识别，得到第一淋巴结构区域图像；
所述细淋巴结构识别模型识别模块，用于将所述第一淋巴结构区域图像输入到预设的细淋巴结构识别模型中，以使所述细淋巴结构识别模型对所述第一淋巴结构区域图像进行淋巴细胞识别，得到所述第一淋巴结构区域图像中的淋巴细胞特征值；
所述像素特征值确定模块，用于获取所述第一淋巴结构区域图像在RGB颜色空间中各通道的像素值，根据所述像素值，计算所述第一淋巴结构区域图像的像素特征值；
所述图像识别结果确定模块，用于基于所述像素特征值和所述淋巴细胞特征值，确定所述待识别淋巴结构图像的图像识别结果。
在一种可能的实现方式中，所述像素特征值确定模块，用于获取所述第一淋巴结构区域图像在RGB颜色空间中各通道的像素值，根据所述像素值，计算所述第一淋巴结构区域图像的像素特征值，具体包括：
获取所述第一淋巴结构区域图像在RGB颜色空间中各通道的像素值，其中，所述各通道的像素值包括红色通道像素值、蓝色通道像素值和绿色通道像素值；
对所述红色通道像素值、所述蓝色通道像素值和所述绿色通道像素值进行归一化处理，得到归一化红色通道像素值、归一化蓝色通道像素值和归一化绿色通道像素值；
将所述归一化红色通道像素值、所述归一化蓝色通道像素值和所述归一化绿色通道像素值代入到预设的像素特征值计算公式中，得到所述第一淋巴结构区域图像的像素特征值，其中，所述像素特征值计算公式，如下所示:
；
式中，为像素特征值，/>为预设权重值，/>为归一化红色通道像素值，/>为归一化绿色通道像素值，/>为归一化蓝色通道像素值。
在一种可能的实现方式中，所述细淋巴结构识别模型识别模块，用于使所述细淋巴结构识别模型对所述第一淋巴结构区域图像进行淋巴细胞识别，得到所述第一淋巴结构区域图像中的淋巴细胞特征值，具体包括：
对所述第一淋巴结构区域图像进行细胞分割，得到所述第一淋巴结构区域图像中的所有细胞，并对所述所有细胞进行分类，得到多个淋巴细胞；
获取每个淋巴细胞对应的淋巴细胞形状特征，其中，所述淋巴细胞形状特征包括细胞尺寸和细胞形状规则度；
根据每个淋巴细胞对应的淋巴细胞形状特征，计算所述第一淋巴结构区域图像中的淋巴细胞特征值。
在一种可能的实现方式中，所述细淋巴结构识别模型识别模块，用于根据每个淋巴细胞对应的淋巴细胞形状特征，计算所述第一淋巴结构区域图像中的淋巴细胞特征值，具体包括：
基于每个淋巴细胞对应的淋巴细胞形状特征，将所述淋巴细胞形状特征中的细胞尺寸与预设细胞尺寸分级阈值进行对比，得到所述细胞尺寸的细胞尺寸分级等级；
将所述淋巴细胞形状特征中的细胞形状规则度与预设细胞形状规则度分级阈值进行对比，得到所述细胞形状规则度的细胞形状规则度分级等级；
将所述细胞尺寸分级等级和所述细胞形状规则度分级等级代入到淋巴细胞特征权重值计算公式中，得到细胞尺寸权重值和细胞形状规则度权重值；
基于所述细胞尺寸权重值、所述细胞形状规则度权重值、所述细胞尺寸分级等级和所述细胞形状规则度分级等级，计算所述第一淋巴结构区域图像中的淋巴细胞特征值。
本发明提供的一种淋巴结构图像识别系统，还包括：识别模型训练模块；
其中，所述识别模型训练模块，用于采集淋巴结构样本图像集，其中，所述淋巴结构样本图像集包括多个淋巴结构样本图像、每个淋巴结构样本图像对应的第一淋巴结构区域样本图像，以及每个第一淋巴结构区域样本图像中的样本淋巴细胞特征值；
所述识别模型训练模块，用于将所述淋巴结构样本图像集输入到初始粗淋巴结构识别模型中，以使基于所述淋巴结构样本图像集中的所述多个淋巴结构样本图像和每个淋巴结构样本图像对应的第一淋巴结构区域样本图像对所述初始粗淋巴结构识别模型进行迭代训练，直至模型收敛，得到粗淋巴结构识别模型；
所述识别模型训练模块，用于将所述淋巴结构样本图像集输入到初始细淋巴结构识别模型中，以使基于所述淋巴结构样本图像集中的所述多个淋巴结构样本图像和每个第一淋巴结构区域样本图像中的样本淋巴细胞特征值对所述初始细淋巴结构识别模型进行迭代训练，直至模型收敛，得到细淋巴结构识别模型。
在一种可能的实现方式中，所述图像识别结果确定模块，用于基于所述像素特征值和所述淋巴细胞特征值，确定所述待识别淋巴结构图像的图像识别结果前，还包括：
采集多个成熟淋巴结构样本图像，将所述多个成熟淋巴结构样本图像输入到所述粗淋巴结构识别模型中，得到每个成熟淋巴结构样本图像对应的第一成熟淋巴结构区域图像，并向所述第一成熟淋巴结构区域图像输入到所述细淋巴结构识别模型中，得到成熟淋巴结构特征值；
计算所述第一成熟淋巴结构区域图像的成熟像素特征值，基于所述成熟像素特征值和所述成熟淋巴结构特征值，生成成熟淋巴结构识别特征对，并基于所述成熟淋巴结构识别特征对，生成成熟淋巴结构识别特征数据库；
采集多个未成熟淋巴结构样本图像，将所述多个未成熟淋巴结构样本图像输入到所述粗淋巴结构识别模型中，得到每个未成熟淋巴结构样本图像对应的第一未成熟淋巴结构区域图像，并向所述第一未成熟淋巴结构区域图像输入到所述细淋巴结构识别模型中，得到未成熟淋巴结构特征值；
计算所述第一未成熟淋巴结构区域图像的未成熟像素特征值，基于所述未成熟像素特征值和所述未成熟淋巴结构特征值，生成未成熟淋巴结构识别特征对，并基于所述未成熟淋巴结构识别特征对，生成未成熟淋巴结构识别特征数据库；
基于所述成熟淋巴结构识别特征数据库和所述未成熟淋巴结构识别特征数据库，生成淋巴细胞识别特征数据库。
在一种可能的实现方式中，所述图像识别结果确定模块，用于基于所述像素特征值和所述淋巴细胞特征值，确定所述待识别淋巴结构图像的图像识别结果，具体包括：
基于所述像素特征值和所述淋巴细胞特征值，生成待识别淋巴细胞识别特征对；
将所述待识别淋巴细胞识别特征对分别与预生成的淋巴细胞识别特征数据库中的每个淋巴细胞识别特征数据对进行距离测算，根据距离测量结果，确定所述待识别淋巴结构图像的图像识别结果。
本发明还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述的淋巴结构图像识别方法。
本发明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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述任意一项所述的淋巴结构图像识别方法。
本发明实施例一种淋巴结构图像识别方法及系统，与现有技术相比，具有如下有益效果：
通过将获取的待识别淋巴结构图像输入到粗淋巴结构识别模型中，以使粗淋巴结构识别模型对待识别淋巴结构图像进行淋巴结构区域识别，得到第一淋巴结构区域图像；将第一淋巴结构区域图像输入到细淋巴结构识别模型中，以使细淋巴结构识别模型对第一淋巴结构区域图像进行淋巴细胞识别，得到第一淋巴结构区域图像中的淋巴细胞特征值；获取第一淋巴结构区域图像在RGB颜色空间中各通道的像素值，根据像素值，计算第一淋巴结构区域图像的像素特征值；基于像素特征值和淋巴细胞特征值，确定待识别淋巴结构图像的图像识别结果；与现有技术相比，本发明的技术方案通过设置粗识别模型和细识别模型，先基于粗识别模型对待识别淋巴结构图像进行粗略的淋巴结构区域识别，再基于细识别模型对粗识别模型识别出来的第一淋巴结构区域图像进行淋巴细胞识别和特征提取，实现了多层级的识别过程，提高识别的准确性和精度，同时后续考虑了淋巴结构图像的像素特征，基于图像的像素特征以及从图像中提取出来的淋巴细胞特征值对淋巴结构图像进行综合识别，能进一步提高对淋巴结构图像识别效率和准确性。
附图说明
图1是本发明提供的一种淋巴结构图像识别方法的一种实施例的流程示意图；
图2是本发明提供的一种淋巴结构图像识别系统的一种实施例的结构示意图。
具体实施方式
下面将结合本发明中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通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，都属于本发明保护的范围。
实施例1，参见图1，图1是本发明提供的一种淋巴结构图像识别方法的一种实施例的流程示意图，如图1所示，该方法包括步骤101-步骤104，具体如下：
步骤101：获取待识别淋巴结构图像，将所述待识别淋巴结构图像输入到预设的粗淋巴结构识别模型中，以使所述粗淋巴结构识别模型对所述待识别淋巴结构图像进行淋巴结构区域识别，得到第一淋巴结构区域图像。
一实施例中，采集淋巴结构样本图像集，其中，所述淋巴结构样本图像集包括多个淋巴结构样本图像和每个淋巴结构样本图像对应的第一淋巴结构区域样本图像。
优选的，所述淋巴结构样本图像集通过医学影像设备或其他图像获取方式获取的医学影像图像，如实体瘤病例原发灶组织的病理图像。
一实施例中，将所述淋巴结构样本图像集输入到初始粗淋巴结构识别模型中，以使基于所述淋巴结构样本图像集中的所述多个淋巴结构样本图像和每个淋巴结构样本图像对应的第一淋巴结构区域样本图像对所述初始粗淋巴结构识别模型进行迭代训练，直至模型收敛，得到粗淋巴结构识别模型。
一实施例中，将所述待识别淋巴结构图像输入到预设的粗淋巴结构识别模型中后，以使所述粗淋巴结构识别模型对所述待识别淋巴结构图像进行图像噪音过滤，得到过滤淋巴结构图像，对所述过滤淋巴结构图像进行二值化处理，得到二值化淋巴结构图像，并基于所述二值化淋巴结构图像进行图像分割处理，得到所述二值化淋巴图像的第一背景区域图像和第一淋巴结构区域图像。
具体的，所述粗淋巴结构识别模型对所述待识别淋巴结构图像进行图像噪音过滤，得到过滤淋巴结构图像时，获取所述待识别淋巴结构图像中每个像素点对应的灰度值，采用中值滤波的方式对所述待识别淋巴结构图像进行图像噪音过滤，通过将所述待识别淋巴结构图像中的每一像素点的灰度值设置为所述每一像素点邻域窗口内的所有像素点的灰度值的中值，生成过滤淋巴结构图像。
具体的，所述粗淋巴结构识别模型对对所述过滤淋巴结构图像进行二值化处理，得到二值化淋巴结构图像时，获取所述过滤淋巴结构图像中所有像素点对应的像素值，分别将每个像素值与预设像素值阈值进行对比；当所述像素值大于所述预设像素值阈值时，将所述像素值设置为255，当所述像素值不大于所述预设像素值阈值时，将所述像素值设置为0，得到二值化淋巴结构图像。
具体的，基于所述二值化淋巴结构图像进行图像分割处理，得到所述二值化淋巴图像的第一背景区域图像和第一淋巴结构区域图像时，对所述二值化淋巴结构图像中的第一淋巴结构区域进行轮廓提取，得到第一淋巴结构区域轮廓，基于所述第一淋巴结构区域轮廓，生成第一淋巴结构区域轮廓点集合；基于多边形拟合曲线函数算法对所述第一淋巴结构区域轮廓点集合进行拟合处理，得到第一淋巴结构区域轮廓的拟合曲线，并基于所述拟合曲线，得到第一淋巴结构区域图像，并将所述二值化淋巴结构图像中除所述第一淋巴结构区域图像外的区域图像设置为第一背景区域图像。
优选的，得到的第一淋巴结构区域图像的数量可以为多个。
步骤102：将所述第一淋巴结构区域图像输入到预设的细淋巴结构识别模型中，以使所述细淋巴结构识别模型对所述第一淋巴结构区域图像进行淋巴细胞识别，得到所述第一淋巴结构区域图像中的淋巴细胞特征值。
一实施例中，采集淋巴结构样本图像集，其中，所述淋巴结构样本图像集包括多个淋巴结构样本图像、每个淋巴结构样本图像对应的第一淋巴结构区域样本图像，以及每个第一淋巴结构区域样本图像中的样本淋巴细胞特征值。
一实施例中，将所述淋巴结构样本图像集输入到初始细淋巴结构识别模型中，以使基于所述淋巴结构样本图像集中的所述多个淋巴结构样本图像和每个第一淋巴结构区域样本图像中的样本淋巴细胞特征值对所述初始细淋巴结构识别模型进行迭代训练，直至模型收敛，得到细淋巴结构识别模型。
一实施例中，基于所述淋巴结构样本图像集中的所述多个淋巴结构样本图像和每个第一淋巴结构区域样本图像中的样本淋巴细胞特征值对所述初始细淋巴结构识别模型进行迭代训练时，对所述多个淋巴结构样本图像进行细胞类别标注，并对分类为淋巴细胞的细胞样本进行样本淋巴细胞特征值标注，将所述淋巴结构样本图像集按预设比例划分为训练图像数据集，将所述训练图像数据集和所述训练图像数据集对应的细胞类别标注用于初始细淋巴结构识别模型的细胞识别训练，以使对第一淋巴结构区域图像进行细胞识别和细胞分类，并将所述训练图像数据集对应的细胞类别标注以及样本淋巴细胞特征值标注用于初始细淋巴结构识别模型的淋巴细胞特征值提取训练，通过记录模型训练过程中的损失值和准确度值，确定最优的细淋巴结构识别模型。
一实施例中，将所述第一淋巴结构区域图像输入到预设的细淋巴结构识别模型中后，以使所述细淋巴结构识别模型对所述第一淋巴结构区域图像进行细胞分割，得到所述第一淋巴结构区域图像中的所有细胞，并对所述所有细胞进行分类，得到多个淋巴细胞；获取每个淋巴细胞对应的淋巴细胞形状特征，其中，所述淋巴细胞形状特征包括细胞尺寸和细胞形状规则度；根据每个淋巴细胞对应的淋巴细胞形状特征，计算所述第一淋巴结构区域图像中的淋巴细胞特征值。
一实施例中，所述细淋巴结构识别模型对所述第一淋巴结构区域图像进行细胞分割，得到所述第一淋巴结构区域图像中的所有细胞时，采用图像分割算法对所述第一淋巴结构区域图像中的所有细胞进行检测和分割，以得到所述第一淋巴结构区域图像中的所有细胞，其中，所述图像分割算法包括但不限于阈值算法、边缘检测算法、形态学处理算法、区域生长算法等，
一实施例中，得到所述第一淋巴结构区域图像中的所有细胞后，并对所述所有细胞进行分类，得到多个淋巴细胞时，采用分类算法对所述所有细胞进行分类，得到分类类型的为淋巴细胞的细胞，以使得到多个淋巴细胞，其中，所述分类算法包括但不限于机器学习算法和深度学习模型，机器学习算法如支持向量机、随机森林，深度学习模型如卷积神经网络。
一实施例中，获取每个淋巴细胞对应的淋巴细胞形状特征时，获取每个淋巴细胞的直径，基于所述直径，确定所述每个淋巴细胞的细胞尺寸，同时获取每个淋巴细胞对应的状态因子，基于所述状态因子，确定所述每个淋巴细胞对应的细胞形状规则度。
一实施例中，根据每个淋巴细胞对应的淋巴细胞形状特征，计算所述第一淋巴结构区域图像中的淋巴细胞特征值时，主要基于每个淋巴细胞对应的淋巴细胞形状特征，将所述淋巴细胞形状特征中的细胞尺寸与预设细胞尺寸分级阈值进行对比，得到所述细胞尺寸的细胞尺寸分级等级；将所述淋巴细胞形状特征中的细胞形状规则度与预设细胞形状规则度分级阈值进行对比，得到所述细胞形状规则度的细胞形状规则度分级等级；将所述细胞尺寸分级等级和所述细胞形状规则度分级等级代入到淋巴细胞特征权重值计算公式中，得到细胞尺寸权重值和细胞形状规则度权重值；基于所述细胞尺寸权重值、所述细胞形状规则度权重值、所述细胞尺寸分级等级和所述细胞形状规则度分级等级，计算所述第一淋巴结构区域图像中的淋巴细胞特征值。
具体的，通过预设细胞尺寸等级表，基于所述细胞尺寸等级表确定不同细胞尺寸分级等级对应的预设细胞尺寸分级阈值；同时预设细胞形状规则度等级表，基于所述细胞形状规则度等级表确定不同细胞形状规则度等级对应的预设细胞形状规则度分级阈值。
具体的，将所述细胞尺寸分级等级和所述细胞形状规则度分级等级代入到淋巴细胞特征权重值计算公式中前，还包括：获取所有淋巴细胞的细胞尺寸分级等级，基于所有细胞尺寸分级等级，确定细胞尺寸分级等级中间值，获取所有淋巴细胞的细胞形状规则度分级等级，基于所有细胞形状规则度分级等级，确定细胞形状规则度分级等级中间值。
具体的，所述淋巴细胞特征权重值计算公式，如下所示：
；
式中，为权重值，/>为取模运算符，/>为分级等级中间值，/>为分级等级，/>为淋巴细胞总数量；当计算细胞尺寸权重值时，/>为细胞尺寸分级等级中间值，/>为细胞尺寸分级等级，当计算细胞形状规则度权重值时，/>为细胞形状规则度分级等级中间值，/>为细胞形状规则度分级等级。
具体的，将所述细胞尺寸权重值、所述细胞形状规则度权重值、所述细胞尺寸分级等级和所述细胞形状规则度分级等级代入到淋巴细胞特征值计算公式中，计算所述第一淋巴结构区域图像中的淋巴细胞特征值，其中，所述淋巴细胞特征值计算公式如下所示：
；
式中，为淋巴细胞特征值，/>为细胞尺寸权重值，/>为细胞形状规则度权重值，为淋巴细胞总数量，/>为细胞尺寸分级等级，/>为细胞形状规则度分级等级。
步骤103：获取所述第一淋巴结构区域图像在RGB颜色空间中各通道的像素值，根据所述像素值，计算并输出所述第一淋巴结构区域图像的像素特征值。
一实施例中，获取所述第一淋巴结构区域图像在RGB颜色空间中各通道的像素值，其中，所述各通道的像素值包括红色通道像素值、蓝色通道像素值和绿色通道像素值。
一实施例中，对所述红色通道像素值、所述蓝色通道像素值和所述绿色通道像素值进行归一化处理，得到归一化红色通道像素值、归一化蓝色通道像素值和归一化绿色通道像素值。
具体的，将所述红色通道像素值、所述蓝色通道像素值和所述绿色通道像素值输入到预设的归一化计算公式中，计算归一化红色通道像素值、归一化蓝色通道像素值和归一化绿色通道像素值，其中，所述归一化计算公式，如下所示：
;
式中，为归一化红色通道像素值，/>为归一化绿色通道像素值，/>为归一化蓝色通道像素值，/>为第一淋巴结构区域图像的红色通道像素值，/>为第一淋巴结构区域样本图像中的红色通道像素值最小值，/>为第一淋巴结构区域样本图像中的红色通道像素值最大值，/>为第一淋巴结构区域样本图像中的红色通道像素值平均值，/>为第一淋巴结构区域图像的绿色通道像素值，/>为第一淋巴结构区域样本图像中的绿色通道像素值最小值，/>为第一淋巴结构区域样本图像中的绿色通道像素值最大值，/>为第一淋巴结构区域样本图像中的绿色通道像素值平均值，/>为第一淋巴结构区域图像的蓝色通道像素值，/>为第一淋巴结构区域样本图像中的蓝色通道像素值最小值，/>为第一淋巴结构区域样本图像中的蓝色通道像素值最大值，/>为第一淋巴结构区域样本图像中的蓝色通道像素值平均值。
一实施例中，将所述归一化红色通道像素值、所述归一化蓝色通道像素值和所述归一化绿色通道像素值代入到预设的像素特征值计算公式中，得到所述第一淋巴结构区域图像的像素特征值，其中，所述像素特征值计算公式，如下所示:
；
式中，为像素特征值，/>为预设权重值，/>为归一化红色通道像素值，/>为归一化绿色通道像素值，/>为归一化蓝色通道像素值。
步骤104：基于所述像素特征值和所述淋巴细胞特征值，确定所述待识别淋巴结构图像的图像识别结果。
一实施例中，采集多个成熟淋巴结构样本图像，将所述多个成熟淋巴结构样本图像输入到所述粗淋巴结构识别模型中，得到每个成熟淋巴结构样本图像对应的第一成熟淋巴结构区域图像，并向所述第一成熟淋巴结构区域图像输入到所述细淋巴结构识别模型中，得到成熟淋巴结构特征值。
一实施例中，计算所述第一成熟淋巴结构区域图像的成熟像素特征值，基于所述成熟像素特征值和所述成熟淋巴结构特征值，生成成熟淋巴结构识别特征对，并基于所述成熟淋巴结构识别特征对，生成成熟淋巴结构识别特征数据库。
一实施例中，采集多个未成熟淋巴结构样本图像，将所述多个未成熟淋巴结构样本图像输入到所述粗淋巴结构识别模型中，得到每个未成熟淋巴结构样本图像对应的第一未成熟淋巴结构区域图像，并向所述第一未成熟淋巴结构区域图像输入到所述细淋巴结构识别模型中，得到未成熟淋巴结构特征值。
一实施例中，计算所述第一未成熟淋巴结构区域图像的未成熟像素特征值，基于所述未成熟像素特征值和所述未成熟淋巴结构特征值，生成未成熟淋巴结构识别特征对，并基于所述未成熟淋巴结构识别特征对，生成未成熟淋巴结构识别特征数据库。
一实施例中，基于所述成熟淋巴结构识别特征数据库和所述未成熟淋巴结构识别特征数据库，生成淋巴结构识别特征数据库。
一实施例中，基于所述像素特征值和所述淋巴细胞特征值，生成待识别淋巴细胞识别特征对，将所述待识别淋巴细胞识别特征对分别与预生成的淋巴细胞识别特征数据库中的每个淋巴细胞识别特征数据对进行距离测算，根据距离测量结果，确定所述待识别淋巴结构图像的图像识别结果，其中，所述图像识别结果为未成熟淋巴结构和成熟淋巴结构。
具体的，将所述待识别淋巴细胞识别特征对进行向量转换，得到待识别淋巴细胞识别特征对向量，同时将所述淋巴细胞识别特征数据库中的每个淋巴细胞识别特征数据对进行向量转换，得到每个淋巴细胞识别特征数据对对应的淋巴细胞识别特征数据对向量；计算待识别淋巴细胞识别特征对向量与每个淋巴细胞识别特征数据对向量之间的第一距离，基于所述第一距离，生成第一距离数据集，基于所述第一距离数据集，获取所述第一距离最小值，确定所述第一距离最小值对应的淋巴细胞识别特征数据对向量，将所述淋巴细胞识别特征数据对向量对应的类别结果作为待识别淋巴结构图像的图像识别结果。
综上，本实施例提供的一种淋巴结构图像识别方法，通过设置粗识别模型和细识别模型，先基于粗识别模型进行粗略的淋巴结构区域识别，再基于细识别模型进行淋巴细胞识别和特征提取，实现了多层级的识别过程，提高识别的准确性和精度，避免了现有中基于单个识别模型进行识别时，容易导致计算压力大的问题，同时后续考虑了淋巴结构图像的像素特征，基于图像的像素特征以及从图像中提取出来的淋巴细胞特征值对淋巴结构图像进行综合识别，能进一步能提高对淋巴结构图像识别效率和准确性。
实施例2，参见图2，图2是本发明提供的一种淋巴结构图像识别系统的一种实施例的结构示意图，如图2所示，该系统包括粗淋巴结构识别模型识别模块201、细淋巴结构识别模型识别模块202、像素特征值确定模块203和图像识别结果确定模块204，具体如下：
所述粗淋巴结构识别模型识别模块201，用于获取待识别淋巴结构图像，将所述待识别淋巴结构图像输入到预设的粗淋巴结构识别模型中，以使所述粗淋巴结构识别模型对所述待识别淋巴结构图像进行淋巴结构区域识别，得到第一淋巴结构区域图像。
所述细淋巴结构识别模型识别模块202，用于将所述第一淋巴结构区域图像输入到预设的细淋巴结构识别模型中，以使所述细淋巴结构识别模型对所述第一淋巴结构区域图像进行淋巴细胞识别，得到所述第一淋巴结构区域图像中的淋巴细胞特征值。
所述像素特征值确定模块203，用于获取所述第一淋巴结构区域图像在RGB颜色空间中各通道的像素值，根据所述像素值，计算所述第一淋巴结构区域图像的像素特征值。
所述图像识别结果确定模块204，用于基于所述像素特征值和所述淋巴细胞特征值，确定所述待识别淋巴结构图像的图像识别结果。
一实施例中，所述像素特征值确定模块203，用于获取所述第一淋巴结构区域图像在RGB颜色空间中各通道的像素值，根据所述像素值，计算所述第一淋巴结构区域图像的像素特征值，具体包括：获取所述第一淋巴结构区域图像在RGB颜色空间中各通道的像素值，其中，所述各通道的像素值包括红色通道像素值、蓝色通道像素值和绿色通道像素值；对所述红色通道像素值、所述蓝色通道像素值和所述绿色通道像素值进行归一化处理，得到归一化红色通道像素值、归一化蓝色通道像素值和归一化绿色通道像素值；将所述归一化红色通道像素值、所述归一化蓝色通道像素值和所述归一化绿色通道像素值代入到预设的像素特征值计算公式中，得到所述第一淋巴结构区域图像的像素特征值，其中，所述像素特征值计算公式，如下所示:
；
式中，为像素特征值，/>为预设权重值，/>为归一化红色通道像素值，/>为归一化绿色通道像素值，/>为归一化蓝色通道像素值。
一实施例中，所述细淋巴结构识别模型识别模块202，用于使所述细淋巴结构识别模型对所述第一淋巴结构区域图像进行淋巴细胞识别，得到所述第一淋巴结构区域图像中的淋巴细胞特征值，具体包括：对所述第一淋巴结构区域图像进行细胞分割，得到所述第一淋巴结构区域图像中的所有细胞，并对所述所有细胞进行分类，得到多个淋巴细胞；获取每个淋巴细胞对应的淋巴细胞形状特征，其中，所述淋巴细胞形状特征包括细胞尺寸和细胞形状规则度；根据每个淋巴细胞对应的淋巴细胞形状特征，计算所述第一淋巴结构区域图像中的淋巴细胞特征值。
一实施例中，所述细淋巴结构识别模型识别模块202，用于根据每个淋巴细胞对应的淋巴细胞形状特征，计算所述第一淋巴结构区域图像中的淋巴细胞特征值，具体包括：基于每个淋巴细胞对应的淋巴细胞形状特征，将所述淋巴细胞形状特征中的细胞尺寸与预设细胞尺寸分级阈值进行对比，得到所述细胞尺寸的细胞尺寸分级等级；将所述淋巴细胞形状特征中的细胞形状规则度与预设细胞形状规则度分级阈值进行对比，得到所述细胞形状规则度的细胞形状规则度分级等级；将所述细胞尺寸分级等级和所述细胞形状规则度分级等级代入到淋巴细胞特征权重值计算公式中，得到细胞尺寸权重值和细胞形状规则度权重值；基于所述细胞尺寸权重值、所述细胞形状规则度权重值、所述细胞尺寸分级等级和所述细胞形状规则度分级等级，计算所述第一淋巴结构区域图像中的淋巴细胞特征值。
本实施例还提供了一种淋巴结构图像识别系统，还包括：识别模型训练模块。
一实施例中，所述识别模型训练模块，用于采集淋巴结构样本图像集，其中，所述淋巴结构样本图像集包括多个淋巴结构样本图像、每个淋巴结构样本图像对应的第一淋巴结构区域样本图像，以及每个第一淋巴结构区域样本图像中的样本淋巴细胞特征值。
一实施例中，所述识别模型训练模块，用于将所述淋巴结构样本图像集输入到初始粗淋巴结构识别模型中，以使基于所述淋巴结构样本图像集中的所述多个淋巴结构样本图像和每个淋巴结构样本图像对应的第一淋巴结构区域样本图像对所述初始粗淋巴结构识别模型进行迭代训练，直至模型收敛，得到粗淋巴结构识别模型。
一实施例中，所述识别模型训练模块，用于将所述淋巴结构样本图像集输入到初始细淋巴结构识别模型中，以使基于所述淋巴结构样本图像集中的所述多个淋巴结构样本图像和每个第一淋巴结构区域样本图像中的样本淋巴细胞特征值对所述初始细淋巴结构识别模型进行迭代训练，直至模型收敛，得到细淋巴结构识别模型。
一实施例中，所述图像识别结果确定模块204，用于基于所述像素特征值和所述淋巴细胞特征值，确定所述待识别淋巴结构图像的图像识别结果前，还包括：采集多个成熟淋巴结构样本图像，将所述多个成熟淋巴结构样本图像输入到所述粗淋巴结构识别模型中，得到每个成熟淋巴结构样本图像对应的第一成熟淋巴结构区域图像，并向所述第一成熟淋巴结构区域图像输入到所述细淋巴结构识别模型中，得到成熟淋巴结构特征值；计算所述第一成熟淋巴结构区域图像的成熟像素特征值，基于所述成熟像素特征值和所述成熟淋巴结构特征值，生成成熟淋巴结构识别特征对，并基于所述成熟淋巴结构识别特征对，生成成熟淋巴结构识别特征数据库；采集多个未成熟淋巴结构样本图像，将所述多个未成熟淋巴结构样本图像输入到所述粗淋巴结构识别模型中，得到每个未成熟淋巴结构样本图像对应的第一未成熟淋巴结构区域图像，并向所述第一未成熟淋巴结构区域图像输入到所述细淋巴结构识别模型中，得到未成熟淋巴结构特征值；计算所述第一未成熟淋巴结构区域图像的未成熟像素特征值，基于所述未成熟像素特征值和所述未成熟淋巴结构特征值，生成未成熟淋巴结构识别特征对，并基于所述未成熟淋巴结构识别特征对，生成未成熟淋巴结构识别特征数据库；基于所述成熟淋巴结构识别特征数据库和所述未成熟淋巴结构识别特征数据库，生成淋巴细胞识别特征数据库。
一实施例中，所述图像识别结果确定模块204，用于基于所述像素特征值和所述淋巴细胞特征值，确定所述待识别淋巴结构图像的图像识别结果，具体包括：基于所述像素特征值和所述淋巴细胞特征值，生成待识别淋巴细胞识别特征对；将所述待识别淋巴细胞识别特征对分别与预生成的淋巴细胞识别特征数据库中的每个淋巴细胞识别特征数据对进行距离测算，根据距离测量结果，确定所述待识别淋巴结构图像的图像识别结果。
所属领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的系统的具体工作过程，可以参考前述方法实施例中的对应过程，在此不在赘述。
需要说明的是，上述淋巴结构图像识别系统的实施例仅仅是示意性的，其中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。
在上述的淋巴结构图像识别方法的实施例的基础上，本发明另一实施例提供了一种淋巴结构图像识别终端设备，该淋巴结构图像识别终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时，实现本发明任意一实施例的淋巴结构图像识别方法。
示例性的，在这一实施例中所述计算机程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述淋巴结构图像识别终端设备中的执行过程。
所述淋巴结构图像识别终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述淋巴结构图像识别终端设备可包括，但不仅限于，处理器、存储器。
所称处理器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 (Digital Signal 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，所述处理器是所述淋巴结构图像识别终端设备的控制中心，利用各种接口和线路连接整个淋巴结构图像识别终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述淋巴结构图像识别终端设备的各种功能。所述存储器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等；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器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，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）、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。
在上述淋巴结构图像识别方法的实施例的基础上，本发明另一实施例提供了一种存储介质，所述存储介质包括存储的计算机程序，其中，在所述计算机程序运行时，控制所述存储介质所在的设备执行本发明任意一实施例的淋巴结构图像识别方法。
在这一实施例中，上述存储介质为计算机可读存储介质，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。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-OnlyMemory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
综上，本发明提供的一种淋巴结构图像识别方法及系统，通过将获取的待识别淋巴结构图像输入到粗淋巴结构识别模型中，以使粗淋巴结构识别模型对待识别淋巴结构图像进行淋巴结构区域识别，得到第一淋巴结构区域图像；将第一淋巴结构区域图像输入到细淋巴结构识别模型中，以使细淋巴结构识别模型对第一淋巴结构区域图像进行淋巴细胞识别，得到第一淋巴结构区域图像中的淋巴细胞特征值；获取第一淋巴结构区域图像在RGB颜色空间中各通道的像素值，根据像素值，计算第一淋巴结构区域图像的像素特征值；基于像素特征值和淋巴细胞特征值，确定待识别淋巴结构图像的图像识别结果；与现有技术相比，本发明的技术方案能提高对淋巴结构图像识别效率和准确性。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。
Claims (8)
1.一种淋巴结构图像识别方法，其特征在于，包括：
获取待识别淋巴结构图像，将所述待识别淋巴结构图像输入到预设的粗淋巴结构识别模型中，以使所述粗淋巴结构识别模型对所述待识别淋巴结构图像进行图像噪音过滤，得到过滤淋巴结构图像，对所述过滤淋巴结构图像进行二值化处理，得到二值化淋巴结构图像，并对所述二值化淋巴结构图像中的第一淋巴结构区域进行轮廓提取，得到第一淋巴结构区域轮廓，基于所述第一淋巴结构区域轮廓，生成第一淋巴结构区域轮廓点集合；基于多边形拟合曲线函数算法对所述第一淋巴结构区域轮廓点集合进行拟合处理，得到第一淋巴结构区域轮廓的拟合曲线，并基于所述拟合曲线，得到第一淋巴结构区域图像；
将所述第一淋巴结构区域图像输入到预设的细淋巴结构识别模型中，以使所述细淋巴结构识别模型对所述第一淋巴结构区域图像进行淋巴细胞识别，得到所述第一淋巴结构区域图像中的淋巴细胞特征值；
获取所述第一淋巴结构区域图像在RGB颜色空间中各通道的像素值，根据所述像素值，计算所述第一淋巴结构区域图像的像素特征值；
采集多个成熟淋巴结构样本图像，将所述多个成熟淋巴结构样本图像输入到所述粗淋巴结构识别模型中，得到每个成熟淋巴结构样本图像对应的第一成熟淋巴结构区域图像，并将所述第一成熟淋巴结构区域图像输入到所述细淋巴结构识别模型中，得到成熟淋巴结构特征值；
计算所述第一成熟淋巴结构区域图像的成熟像素特征值，基于所述成熟像素特征值和所述成熟淋巴结构特征值，生成成熟淋巴结构识别特征对，并基于所述成熟淋巴结构识别特征对，生成成熟淋巴结构识别特征数据库；
采集多个未成熟淋巴结构样本图像，将所述多个未成熟淋巴结构样本图像输入到所述粗淋巴结构识别模型中，得到每个未成熟淋巴结构样本图像对应的第一未成熟淋巴结构区域图像，并将所述第一未成熟淋巴结构区域图像输入到所述细淋巴结构识别模型中，得到未成熟淋巴结构特征值；
计算所述第一未成熟淋巴结构区域图像的未成熟像素特征值，基于所述未成熟像素特征值和所述未成熟淋巴结构特征值，生成未成熟淋巴结构识别特征对，并基于所述未成熟淋巴结构识别特征对，生成未成熟淋巴结构识别特征数据库；
基于所述成熟淋巴结构识别特征数据库和所述未成熟淋巴结构识别特征数据库，生成淋巴细胞识别特征数据库；
基于所述像素特征值和所述淋巴细胞特征值，生成待识别淋巴细胞识别特征对；
将所述待识别淋巴细胞识别特征对分别与预生成的淋巴细胞识别特征数据库中的每个淋巴细胞识别特征数据对进行距离测算，根据距离测量结果，确定所述待识别淋巴结构图像的图像识别结果。
2.如权利要求1所述的一种淋巴结构图像识别方法，其特征在于，获取所述第一淋巴结构区域图像在RGB颜色空间中各通道的像素值，根据所述像素值，计算所述第一淋巴结构区域图像的像素特征值，具体包括：
获取所述第一淋巴结构区域图像在RGB颜色空间中各通道的像素值，其中，所述各通道的像素值包括红色通道像素值、蓝色通道像素值和绿色通道像素值；
对所述红色通道像素值、所述蓝色通道像素值和所述绿色通道像素值进行归一化处理，得到归一化红色通道像素值、归一化蓝色通道像素值和归一化绿色通道像素值；
将所述归一化红色通道像素值、所述归一化蓝色通道像素值和所述归一化绿色通道像素值代入到预设的像素特征值计算公式中，得到所述第一淋巴结构区域图像的像素特征值，其中，所述像素特征值计算公式，如下所示:
；
式中，为像素特征值，/>为预设权重值，/>为归一化红色通道像素值，/>为归一化绿色通道像素值，/>为归一化蓝色通道像素值。
3.如权利要求1所述的一种淋巴结构图像识别方法，其特征在于，所述细淋巴结构识别模型对所述第一淋巴结构区域图像进行淋巴细胞识别，得到所述第一淋巴结构区域图像中的淋巴细胞特征值，具体包括：
对所述第一淋巴结构区域图像进行细胞分割，得到所述第一淋巴结构区域图像中的所有细胞，并对所述所有细胞进行分类，得到多个淋巴细胞；
获取每个淋巴细胞对应的淋巴细胞形状特征，其中，所述淋巴细胞形状特征包括细胞尺寸和细胞形状规则度；
根据每个淋巴细胞对应的淋巴细胞形状特征，计算所述第一淋巴结构区域图像中的淋巴细胞特征值。
4.如权利要求3所述的一种淋巴结构图像识别方法，其特征在于，根据每个淋巴细胞对应的淋巴细胞形状特征，计算所述第一淋巴结构区域图像中的淋巴细胞特征值，具体包括：
基于每个淋巴细胞对应的淋巴细胞形状特征，将所述淋巴细胞形状特征中的细胞尺寸与预设细胞尺寸分级阈值进行对比，得到所述细胞尺寸的细胞尺寸分级等级；
将所述淋巴细胞形状特征中的细胞形状规则度与预设细胞形状规则度分级阈值进行对比，得到所述细胞形状规则度的细胞形状规则度分级等级；
将所述细胞尺寸分级等级和所述细胞形状规则度分级等级代入到淋巴细胞特征权重值计算公式中，得到细胞尺寸权重值和细胞形状规则度权重值；
基于所述细胞尺寸权重值、所述细胞形状规则度权重值、所述细胞尺寸分级等级和所述细胞形状规则度分级等级，计算所述第一淋巴结构区域图像中的淋巴细胞特征值。
5.如权利要求1所述的一种淋巴结构图像识别方法，其特征在于，还包括：
采集淋巴结构样本图像集，其中，所述淋巴结构样本图像集包括多个淋巴结构样本图像、每个淋巴结构样本图像对应的第一淋巴结构区域样本图像，以及每个第一淋巴结构区域样本图像中的样本淋巴细胞特征值；
将所述淋巴结构样本图像集输入到初始粗淋巴结构识别模型中，以使基于所述淋巴结构样本图像集中的所述多个淋巴结构样本图像和每个淋巴结构样本图像对应的第一淋巴结构区域样本图像对所述初始粗淋巴结构识别模型进行迭代训练，直至模型收敛，得到粗淋巴结构识别模型；
将所述淋巴结构样本图像集输入到初始细淋巴结构识别模型中，以使基于所述淋巴结构样本图像集中的所述多个淋巴结构样本图像和每个第一淋巴结构区域样本图像中的样本淋巴细胞特征值对所述初始细淋巴结构识别模型进行迭代训练，直至模型收敛，得到细淋巴结构识别模型。
6.一种淋巴结构图像识别系统，其特征在于，包括：粗淋巴结构识别模型识别模块、细淋巴结构识别模型识别模块、像素特征值确定模块和图像识别结果确定模块；
其中，所述粗淋巴结构识别模型识别模块，用于获取待识别淋巴结构图像，将所述待识别淋巴结构图像输入到预设的粗淋巴结构识别模型中，以使所述粗淋巴结构识别模型对所述待识别淋巴结构图像进行图像噪音过滤，得到过滤淋巴结构图像，对所述过滤淋巴结构图像进行二值化处理，得到二值化淋巴结构图像，并对所述二值化淋巴结构图像中的第一淋巴结构区域进行轮廓提取，得到第一淋巴结构区域轮廓，基于所述第一淋巴结构区域轮廓，生成第一淋巴结构区域轮廓点集合；基于多边形拟合曲线函数算法对所述第一淋巴结构区域轮廓点集合进行拟合处理，得到第一淋巴结构区域轮廓的拟合曲线，并基于所述拟合曲线，得到第一淋巴结构区域图像；
所述细淋巴结构识别模型识别模块，用于将所述第一淋巴结构区域图像输入到预设的细淋巴结构识别模型中，以使所述细淋巴结构识别模型对所述第一淋巴结构区域图像进行淋巴细胞识别，得到所述第一淋巴结构区域图像中的淋巴细胞特征值；
所述像素特征值确定模块，用于获取所述第一淋巴结构区域图像在RGB颜色空间中各通道的像素值，根据所述像素值，计算所述第一淋巴结构区域图像的像素特征值；
所述图像识别结果确定模块，用于采集多个成熟淋巴结构样本图像，将所述多个成熟淋巴结构样本图像输入到所述粗淋巴结构识别模型中，得到每个成熟淋巴结构样本图像对应的第一成熟淋巴结构区域图像，并将所述第一成熟淋巴结构区域图像输入到所述细淋巴结构识别模型中，得到成熟淋巴结构特征值；计算所述第一成熟淋巴结构区域图像的成熟像素特征值，基于所述成熟像素特征值和所述成熟淋巴结构特征值，生成成熟淋巴结构识别特征对，并基于所述成熟淋巴结构识别特征对，生成成熟淋巴结构识别特征数据库；采集多个未成熟淋巴结构样本图像，将所述多个未成熟淋巴结构样本图像输入到所述粗淋巴结构识别模型中，得到每个未成熟淋巴结构样本图像对应的第一未成熟淋巴结构区域图像，并将所述第一未成熟淋巴结构区域图像输入到所述细淋巴结构识别模型中，得到未成熟淋巴结构特征值；计算所述第一未成熟淋巴结构区域图像的未成熟像素特征值，基于所述未成熟像素特征值和所述未成熟淋巴结构特征值，生成未成熟淋巴结构识别特征对，并基于所述未成熟淋巴结构识别特征对，生成未成熟淋巴结构识别特征数据库；基于所述成熟淋巴结构识别特征数据库和所述未成熟淋巴结构识别特征数据库，生成淋巴细胞识别特征数据库；基于所述像素特征值和所述淋巴细胞特征值，生成待识别淋巴细胞识别特征对；将所述待识别淋巴细胞识别特征对分别与预生成的淋巴细胞识别特征数据库中的每个淋巴细胞识别特征数据对进行距离测算，根据距离测量结果，确定所述待识别淋巴结构图像的图像识别结果。
7.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至5任意一项所述的淋巴结构图像识别方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至5中任意一项所述的淋巴结构图像识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311174470.5A CN116934742B (zh) | 2023-09-13 | 2023-09-13 | 一种淋巴结构图像识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311174470.5A CN116934742B (zh) | 2023-09-13 | 2023-09-13 | 一种淋巴结构图像识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116934742A CN116934742A (zh) | 2023-10-24 |
| CN116934742B true CN116934742B (zh) | 2024-02-27 |
Family
ID=88382771
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311174470.5A Active CN116934742B (zh) | 2023-09-13 | 2023-09-13 | 一种淋巴结构图像识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116934742B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103745210A (zh) * | 2014-01-28 | 2014-04-23 | 爱威科技股份有限公司 | 一种白细胞分类方法及装置 |
| CN106940889A (zh) * | 2017-03-30 | 2017-07-11 | 福建师范大学 | 基于像素邻域特征聚类的淋巴结he染色病理图像分割方法 |
| CN108629761A (zh) * | 2018-03-12 | 2018-10-09 | 中山大学 | 一种乳腺癌图像识别方法、装置和用户终端 |
| WO2019044579A1 (ja) * | 2017-08-31 | 2019-03-07 | 国立大学法人大阪大学 | 病理診断装置、画像処理方法及びプログラム |
| CN109952614A (zh) * | 2016-08-22 | 2019-06-28 | 艾瑞斯国际有限公司 | 生物粒子的分类系统和方法 |
| CA3133826A1 (en) * | 2019-03-26 | 2020-10-01 | Tempus Labs, Inc. | Determining biomarkers from histopathology slide images |
| CN111882561A (zh) * | 2020-06-18 | 2020-11-03 | 桂林电子科技大学 | 一种癌细胞识别诊断系统 |
| CN112132206A (zh) * | 2020-09-18 | 2020-12-25 | 青岛商汤科技有限公司 | 图像识别方法及相关模型的训练方法及相关装置、设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3776337A1 (en) * | 2018-04-13 | 2021-02-17 | Ventana Medical Systems, Inc. | Systems for cell shape estimation |
-
2023
- 2023-09-13 CN CN202311174470.5A patent/CN116934742B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103745210A (zh) * | 2014-01-28 | 2014-04-23 | 爱威科技股份有限公司 | 一种白细胞分类方法及装置 |
| CN109952614A (zh) * | 2016-08-22 | 2019-06-28 | 艾瑞斯国际有限公司 | 生物粒子的分类系统和方法 |
| CN106940889A (zh) * | 2017-03-30 | 2017-07-11 | 福建师范大学 | 基于像素邻域特征聚类的淋巴结he染色病理图像分割方法 |
| WO2019044579A1 (ja) * | 2017-08-31 | 2019-03-07 | 国立大学法人大阪大学 | 病理診断装置、画像処理方法及びプログラム |
| CN108629761A (zh) * | 2018-03-12 | 2018-10-09 | 中山大学 | 一种乳腺癌图像识别方法、装置和用户终端 |
| CA3133826A1 (en) * | 2019-03-26 | 2020-10-01 | Tempus Labs, Inc. | Determining biomarkers from histopathology slide images |
| CN111882561A (zh) * | 2020-06-18 | 2020-11-03 | 桂林电子科技大学 | 一种癌细胞识别诊断系统 |
| CN112132206A (zh) * | 2020-09-18 | 2020-12-25 | 青岛商汤科技有限公司 | 图像识别方法及相关模型的训练方法及相关装置、设备 |
Non-Patent Citations (2)
| Title |
|---|
| 人工免疫系统中淋巴细胞的下推自动机模型;付杰等;《计算机工程》;20051205(第23期);第36页至第38页 * |
| 基于最大类间方差与形态学的淋巴结图像分割;张艳玲等;《计算机科学》;第296页至第299页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116934742A (zh) | 2023-10-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113989279B (zh) | 基于人工智能及图像处理的塑料薄膜质量检测方法 | |
| US10839510B2 (en) | Methods and systems for human tissue analysis using shearlet transforms | |
| US5828776A (en) | Apparatus for identification and integration of multiple cell patterns | |
| CN111986150B (zh) | 一种数字病理图像的交互式标注精细化方法 | |
| CN111242961B (zh) | 一种用于pd-l1抗体染色切片的自动读片方法及其系统 | |
| Hervé et al. | Statistical color texture descriptors for histological images analysis | |
| CN115272312B (zh) | 基于机器视觉的塑料手机外壳缺陷检测方法 | |
| CN108460344A (zh) | 屏幕中的动态区域智能识别系统及智能识别方法 | |
| Rahman et al. | Automatic detection of white blood cells from microscopic images for malignancy classification of acute lymphoblastic leukemia | |
| CN115294377A (zh) | 一种道路裂缝的识别系统及方法 | |
| CN109711469B (zh) | 一种基于半监督邻域判别指数的乳腺癌诊断系统 | |
| CN116934742B (zh) | 一种淋巴结构图像识别方法及系统 | |
| Di Ruberto et al. | On different colour spaces for medical colour image classification | |
| CN109872307B (zh) | 一种检测生物组织图像中肿块的方法、相应设备及介质 | |
| CN117038060A (zh) | 一种基于机器学习级联的拉曼光谱分子检测及成像装置 | |
| Jaya et al. | Channel based threshold segmentation of multi-class cervical cancer using mean and standard deviation on pap smear images | |
| Tschuchnig et al. | Evaluation of multi-scale multiple instance learning to improve thyroid cancer classification | |
| CN116229182A (zh) | 一种基于特征融合的小粒种咖啡缺陷生豆检测方法 | |
| US20200380671A1 (en) | Medical image detection | |
| Iwai et al. | Automatic diagnosis supporting system for cervical cancer using image processing | |
| CN110619273B (zh) | 一种高效的虹膜识别方法以及识别装置 | |
| US10096110B2 (en) | System and method for automated stereology of cancer | |
| CN117173485B (zh) | 一种肺癌组织病理图像的智能分类系统方法及系统 | |
| CN112766048B (zh) | 一种用于dna倍体分析的svm细胞核分类器训练方法 | |
| CN111932499B (zh) | 一种细胞直径的计算方法、装置及系统 |
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 |