CN116994721A - 一种数字病理切片图的快速处理系统 - Google Patents

一种数字病理切片图的快速处理系统 Download PDF

Info

Publication number
CN116994721A
CN116994721A CN202310997443.1A CN202310997443A CN116994721A CN 116994721 A CN116994721 A CN 116994721A CN 202310997443 A CN202310997443 A CN 202310997443A CN 116994721 A CN116994721 A CN 116994721A
Authority
CN
China
Prior art keywords
image
tile
module
sharpening
coding
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
Application number
CN202310997443.1A
Other languages
English (en)
Other versions
CN116994721B (zh
Inventor
王书浩
牛鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Thorough Future Technology Co ltd
Original Assignee
Beijing Thorough Future Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Thorough Future Technology Co ltd filed Critical Beijing Thorough Future Technology Co ltd
Priority to CN202310997443.1A priority Critical patent/CN116994721B/zh
Publication of CN116994721A publication Critical patent/CN116994721A/zh
Application granted granted Critical
Publication of CN116994721B publication Critical patent/CN116994721B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/54—Browsing; Visualisation therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/957—Browsing optimisation, e.g. caching or content distillation
    • G06F16/9574—Browsing optimisation, e.g. caching or content distillation of access to content, e.g. by caching
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明提供了一种数字病理切片图的快速处理系统，包括：图片处理模块，用于利用瓦片图技术将数字病理图进行图片切割及编码处理，得到多个编码瓦片图；图片存储模块，用于存储多个编码瓦片图；统一资源定位符构建模块，用于构建统一资源定位符；图片访问模块，用于访问已存储的多个编码瓦片图，通过XMLHttpRequest技术向服务器端发出访问请求，根据访问请求，基于资源获取函数和统一资源定位符进行动态加载，得到多个编码瓦片图的资源；图片显示模块，用于根据多个编码瓦片图的资源，组成高清数字病理图像并显示。实现了快速浏览和分析数字病理图片的技术效果。

Description

一种数字病理切片图的快速处理系统
技术领域
本发明涉及数字病理切片图处理领域，特别涉及一种数字病理切片图的快速处理系统。
背景技术
近年来，数字图像处理技术被很好的应用于病理学中，病理学进入数字化时代，进而形成了数字病理学这一全新的医学领域，数字病理学的发展使得医生们能够更加准确地诊断疾病，同时也提高了医疗保健的效率和质量。
但是，数字病理学的发展过程也遇到了很多的问题，其中，难以通过常规方式快速浏览和分析数字病理图片是最主要的问题之一，现有技术中的数字病理图片浏览和分析技术难以实现对大规模数据的高效处理和管理，导致数据存储索引搜索共享等多方面的问题，比如：查看数字病理图片需要将整张图像一次性加载到内存中，不仅消耗大量的时间和计算资源，而且会出现系统响应速度慢和操作不流畅的问题；带宽会限制用户远程访问图像的速度，影响用户的访问体验；无法提供高质量的图像显示和细节展示，可能会影响病理学家和临床医生的判断和决策等。
因此，如何快速浏览和分析数字病理图片是目前数字病理学领域亟待解决的主要问题之一。
发明内容
本发明旨在至少一定程度上解决上述技术中的技术问题。为此，本发明的目的在于提供一种数字病理切片图的快速处理系统，通过将数字病理图切割为多个编码瓦片图并进行存储，构建统一资源定位符对编码瓦片图进行访问，访问时根据当前视口的大小显示合适数量的编码瓦片图，加快了图片访问的速度并节约了内存，从而实现了快速浏览和分析数字病理图片的技术效果。
本发明提供一种数字病理切片图的快速处理系统，包括：图片处理模块，用于利用瓦片图技术将数字病理图进行图片切割及编码处理，得到多个编码瓦片图；图片存储模块，用于存储多个编码瓦片图；统一资源定位符构建模块，用于构建统一资源定位符；图片访问模块，用于访问已存储的多个编码瓦片图，通过XMLHttpRequest技术向服务器端发出访问请求，根据访问请求，基于资源获取函数和统一资源定位符进行动态加载，得到多个编码瓦片图的资源；图片显示模块，用于根据多个编码瓦片图的资源，组成高清数字病理图像并显示。
本发明提供一种数字病理切片图的快速处理系统，包括：
图片处理模块，用于利用瓦片图技术将数字病理图进行图片切割及编码处理，得到多个编码瓦片图；
图片存储模块，用于存储多个编码瓦片图；
统一资源定位符构建模块，用于构建统一资源定位符；
图片访问模块，用于访问已存储的多个编码瓦片图，通过XMLHttpRequest技术向服务器端发出访问请求，根据访问请求，基于资源获取函数和统一资源定位符进行动态加载，得到多个编码瓦片图的资源；
图片显示模块，用于根据多个编码瓦片图的资源，组成高清数字病理图像并显示。
优选的，一种数字病理切片图的快速处理系统，图片处理模块，包括：
图片切割子模块，用于对数字病理图进行切割，将数字病理图作为包含所有图像信息的第0层瓦片图，将第0层瓦片图按照四叉树的形式进行切割，形成若干张第一层瓦片图；对每张第一层瓦片图按照四叉树的形式进行切割，形成若干张第二层瓦片图；按照该方法，对每一层的每一张瓦片图都按照四叉树的形式进行切割，最终形成多层级的瓦片图金字塔结构；
图片编码子模块，用于对瓦片图金字塔结构的每一张瓦片图都按照层级行号列号的形式进行编码，得到多个编码瓦片图。
优选的，一种数字病理切片图的快速处理系统，图片存储模块，包括：
组别建立子模块，用于建立若干个图片存储组，并对每个图片存储组标识需要存储的编码瓦片图的层级信息；
索引文件建立子模块，用于根据编码瓦片图的层级信息对应的图片存储组的组号以及对应的编码确定编码瓦片图的属性字段，在每张编码瓦片图的属性字段中添加下一张编码瓦片图的索引信息和上一张编码瓦片图的索引信息，建立并维护索引文件；其中，索引信息包括当前编码瓦片图的属性字段当前编码瓦片图的前后相邻的两张编码瓦片图的属性字段；
索引文件校验子模块，用于根据索引文件对应的偏移地址和存储位置对索引文件进行校验；
图片存储确认子模块，用于将校验通过的索引文件对应的编码瓦片图存储到对应的图片存储组。
优选的，一种数字病理切片图的快速处理系统，统一资源定位符构建模块，包括：
数值获取子模块，用于通过数值获取函数获取构建统一资源定位符所需的当前视口的尺寸，所在层级的编码瓦片图的尺寸和数字病理图的当前缩放级别；
数值处理子模块：用于根据当前视口的尺寸，所在层级的编码瓦片图的尺寸和数字病理图的当前缩放级别确定当前视口需要覆盖的编码瓦片图的行数和列数；
层级获取子模块：用于根据当前视口需要覆盖的编码瓦片图的行数和列数中的较大数值，确定当前视口中的编码瓦片图处于的当前层级；
构建子模块，用于根据编码瓦片图的当前层级行数和列数，通过自定义函数构建编码瓦片图的统一资源定位符。
优选的，一种数字病理切片图的快速处理系统，图片显示模块，包括：
数据获取子模块，用于获取编码瓦片图对应编码中的行号和列号；
图像遍历子模块，用于根据编码瓦片图对应编码中的行号和列号，遍历当前层级的多个编码瓦片图；
图像拼接子模块：用于依次循环拼接渲染出动态加载得到的多个编码瓦片图的资源，组成高清数字病理图像并显示。
优选的，一种数字病理切片图的快速处理系统，系统还包括：
图片分析模块，用于基于图片显示模块显示的高清数字病理图像进行图片分析，得出高清数字病理图像表示的病情诊断结果和病情预测结果；
结果显示模块，用于将病情诊断结果和病情预测结果进行显示。
优选的，一种数字病理切片图的快速处理系统，图片分析模块，包括：
模型构建第一子模块，用于构建进行病情诊断结果分析的深度卷积神经网络模型，根据已有的数字病理图及其病情诊断结果对深度卷积神经网络模型进行训练，在训练过程中通过概率模型基于先验概率分布对后验概率分布进行迭代估计，对图像特征分析深度卷积神经网络模型进行优化，得到图像特征分析深度卷积神经网络模型；
病情诊断子模块，用于将图片显示模块显示的高清数字病理图像输入到图像特征分析深度卷积神经网络模型中，得出高清数字病理图像表示的病情诊断结果；
模型构建第二子模块，用于构建进行病情预测结果分析的深度卷积神经网络模型，根据已有的数字病理图及患者的历史就诊记录对深度卷积神经网络模型进行训练，得到病理结果预测深度卷积神经网络模型；
病情预测子模块，用于将图片显示模块显示的高清数字病理图像输入病理结果预测深度卷积神经网络模型中，得出高清数字病理图像表示的病情预测结果。
优选的，一种数字病理切片图的快速处理系统，系统还包括：
图像预处理模块，用于在图片处理模块利用瓦片图技术将数字病理图进行图片切割前对数字病理图进行预处理。
优选的，一种数字病理切片图的快速处理系统，图像预处理模块，包括：
空间转换子模块，用于将获取到的数字病理图从RGB色彩空间转换到HSV色彩空间；
降噪处理子模块，用于对空间转换之后的数字病理图进行图像降噪，得到第一处理图像；
锐化处理子模块，用于：
对第一处理图像进行特征提取，确定存在病理信息的区域，确定该区域为锐化区域；
选取锐化区域内的某一像素点作为主像素点，确定以主像素点为中心，以预设长度为边长的正方形区域；
确定正方形区域与锐化区域重叠的像素点，作为锐化像素点，计算锐化像素点的V亮度分量的均值，根据均值与每个锐化像素点的V亮度分量确定每个锐化像素点的第一锐化参数；
对主像素点的V亮度分量进行第一滤波操作，得到主像素点的第一亮度分量；主像素点的V亮度分量与第一亮度分量作差得到主像素点的第二亮度分量；
根据第一亮度分量和第二亮度分量确定正方形区域的亮度分量阈值；
根据每个锐化像素点的第一锐化参数和亮度分量阈值确定每个锐化像素点的第二锐化参数；
获取正方形区域内所有锐化像素点的V亮度分量梯度值，根据亮度分量阈值确定主像素点与正方形区域内每个锐化像素点的V亮度分量的梯度比较值，作为锐化像素点的第三锐化参数；
根据锐化像素点的V亮度分量、第二锐化参数和第三锐化参数确定正方形区域内锐化像素点的输出值，对锐化区域内所有的锐化像素点进行以上操作得到第二处理图像；
边缘处理子模块，用于对第二处理图像进行边缘检测后裁剪图像四周的边缘空白部分，得到第三处理图像，将第三处理图像作为利用图像预处理模块进行预处理操作之后得到的数字病理图。
优选的，一种数字病理切片图的快速处理系统，系统还包括：
检测模块，用于检测每个图片存储组的状态，并判断是否存在异常，将存在异常的图片存储组进行标记并发出预警提示。
上述技术方案通过将数字病理图切割为多个编码瓦片图并进行存储，构建统一资源定位符对编码瓦片图进行访问，访问时根据当前视口的大小显示合适数量的编码瓦片图，加快了图片访问的速度并节约了内存，从而实现了快速浏览和分析数字病理图片的技术效果。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书权利要求书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种数字病理切片图的快速处理系统的模块图；
图2为本发明实施例中一种可选的一种数字病理切片图的快速处理系统的统一资源定位符构建模块图；
图3为本发明实施例中一种可选的一种数字病理切片图的快速处理系统的图片分析模块图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
参照图1，本发明实施例提供一种数字病理切片图的快速处理系统，包括：
图片处理模块10，用于利用瓦片图技术将数字病理图进行图片切割及编码处理，得到多个编码瓦片图；
图片存储模块20，用于存储多个编码瓦片图；
统一资源定位符构建模块30，用于构建统一资源定位符；
图片访问模块40，用于访问已存储的多个编码瓦片图，通过XMLHttpRequest技术向服务器端发出访问请求，根据访问请求，基于资源获取函数和统一资源定位符进行动态加载，得到多个编码瓦片图的资源；
图片显示模块50，用于根据多个编码瓦片图的资源，组成高清数字病理图像并显示。
该实施例中，数字病理图可以从数字病理云切片库获取，也可以从医院的病理图存储系统获取。
该实施例中，编码瓦片图的编码由瓦片图所在的层级数、行数和列数组成。
该实施例中，统一资源定位符用于请求编码瓦片图资源，统一资源定位符可以由自定义函数生成。
该实施例中，XMLHttpRequest是应用程序编程接口函数集。
该实施例中，资源获取函数可以是getTile()函数。
该实施例中，通过XMLHttpRequest技术向服务器端发出访问请求，根据访问请求，基于资源获取函数和统一资源定位符进行动态加载，得到多个编码瓦片图的资源的具体实现方式可以是：利用XMLHttpRequest技术向服务器发送加载图片的请求，根据服务器接收到的请求，getTile()函数获取编码瓦片图的参数，动态加载得到对应的编码瓦片图资源，需要说明的是，初次请求时显示的是第0层的编码瓦片图。
该实施例中，XMLHttpRequest可以在不刷新页面的情况下请求统一资源定位符，获取编码瓦片图。
上述技术方案的工作原理是：图片处理模块，用于利用瓦片图技术将数字病理图进行图片切割及编码处理，得到多个编码瓦片图；图片存储模块，用于存储多个编码瓦片图；统一资源定位符构建模块，用于构建统一资源定位符；图片访问模块，用于访问已存储的多个编码瓦片图，通过XMLHttpRequest技术向服务器端发出访问请求，根据访问请求，基于资源获取函数和统一资源定位符进行动态加载，得到多个编码瓦片图的资源；图片显示模块，用于根据多个编码瓦片图的资源，组成高清数字病理图像并显示。
上述技术方案的有益效果是：通过将数字病理图切割为多个编码瓦片图并进行存储，构建统一资源定位符对编码瓦片图进行访问，访问时根据当前视口的大小显示合适数量的编码瓦片图，加快了图片访问的速度并节约了内存，从而实现了快速浏览和分析数字病理图片的技术效果。
本发明实施例提供一种数字病理切片图的快速处理系统，图片处理模块10，包括：
图片切割子模块，用于对数字病理图进行切割，将数字病理图作为包含所有图像信息的第0层瓦片图，将第0层瓦片图按照四叉树的形式进行切割，形成若干张第一层瓦片图；对每张第一层瓦片图按照四叉树的形式进行切割，形成若干张第二层瓦片图；按照该方法，对每一层的每一张瓦片图都按照四叉树的形式进行切割，最终形成多层级的瓦片图金字塔结构；
图片编码子模块，用于对瓦片图金字塔结构的每一张瓦片图都按照层级行号列号的形式进行编码，得到多个编码瓦片图。
该实施例中，第0层的瓦片图即为原始的数字病理图。
该实施例中，瓦片图金字塔结构的层级从上到下依次递增，最上层为第0层，最下层为第N层。
该实施例中，瓦片图金字塔结构的每一层级的瓦片图的张数都是4的幂次方，其中，幂次数为层级数。
该实施例中，瓦片图金字塔结构中的每一张瓦片图的尺寸均相同，该尺寸可以是256像素*256像素，相同大小的瓦片图，瓦片图的层级越高，显示的瓦片图细节更清晰。
上述技术方案的有益效果是：根据瓦片图技术将一张大图切割为瓦片图金字塔结构的编码瓦片图，减少了存储图片时的资源消耗，加快了加载图片的速度。
本发明实施例提供一种数字病理切片图的快速处理系统，图片存储模块20，包括：
组别建立子模块，用于建立若干个图片存储组，并对每个图片存储组标识需要存储的编码瓦片图的层级信息；
索引文件建立子模块，用于根据编码瓦片图的层级信息对应的图片存储组的组号以及对应的编码确定编码瓦片图的属性字段，在每张编码瓦片图的属性字段中添加下一张编码瓦片图的索引信息和上一张编码瓦片图的索引信息，建立并维护索引文件；其中，索引信息包括当前编码瓦片图的属性字段当前编码瓦片图的前后相邻的两张编码瓦片图的属性字段；
索引文件校验子模块，用于根据索引文件对应的偏移地址和存储位置对索引文件进行校验；
图片存储确认子模块，用于将校验通过的索引文件对应的编码瓦片图存储到对应的图片存储组。
该实施例中，图片存储组的组数与瓦片图金字塔结构的层级数相同，每个图片存储组存储一个层级的编码瓦片图。
该实施例中，编码瓦片图的属性字段包括：编码瓦片图所在图片存储组的组号、编码瓦片图所在层级数、编码瓦片图在所在层级的行数、列数。
该实施例中，根据索引文件对应的偏移地址和存储位置对索引文件进行校验的具体实施方式可以是：在存储器中添加当前索引文件对应的偏移地址，根据偏移地址确定索引文件对应的存储位置，如果索引文件的偏移地址正常且存储位置异常，则将偏移地址向后偏移预设字节长度，得到新的偏移地址，将索引文件存储至新的地址，完成对索引文件的校验。
上述技术方案的有益效果是：建立索引文件并对索引文件进行校验加快了编码瓦片图的访问速度，确保了编码瓦片图存储过程的正确性，提升了编码瓦片图的存储安全性。
参照图2，本发明实施例提供一种数字病理切片图的快速处理系统，统一资源定位符构建模块30，包括：
数值获取子模块301，用于通过数值获取函数获取构建统一资源定位符所需的当前视口的尺寸，所在层级的编码瓦片图的尺寸和数字病理图的当前缩放级别；
数值处理子模块302：用于根据当前视口的尺寸，所在层级的编码瓦片图的尺寸和数字病理图的当前缩放级别确定当前视口需要覆盖的编码瓦片图的行数和列数；
层级获取子模块303：用于根据当前视口需要覆盖的编码瓦片图的行数和列数中的较大数值，确定当前视口中的编码瓦片图处于的当前层级；
构建子模块304，用于根据编码瓦片图的当前层级行数和列数，通过自定义函数构建编码瓦片图的统一资源定位符。
该实施例中，可以将const viewport Size＝viewer.viewport.getContainerSize()函数作为获取当前视口的尺寸的数值获取函数。其中const用来定义常量，viewportSize表示当前视口的尺寸。需要说明的是，当前视口的尺寸和位置可以自由调节。
该实施例中，const tileSize＝viewer.world.getItemAt(0).getContentSize().x可以作为获取所在层级的编码瓦片图的尺寸的数值获取函数。其中tileSize表示层级的编码瓦片图的尺寸。
该实施例中，可以将const zoom＝viewer.viewport.getZoom(true)作为获取数字病理图的当前缩放级别的数值获取函数。其中zoom表示数字病理图的当前缩放级别。
该实施例中，根据当前视口的尺寸，所在层级的编码瓦片图的尺寸和数字病理图的当前缩放级别确定当前视口需要覆盖的编码瓦片图的行数和列数的具体过程可以是：通过计算公式const rows＝Math.ceil(viewportSize.y/tileSize/zoom)计算出当前视口在当前层级下需要的行数；通过计算公式const cols＝Math.ceil(viewportSize.x/tileSize/zoom)计算出当前视口在当前层级下需要的列数。
该实施例中，根据当前视口需要覆盖的编码瓦片图的行数和列数中的较大数值，确定当前视口中的编码瓦片图处于的当前层级的具体过程可以是：通过Math.max(rows.cols)函数确定出行数和列数中的较大值，通过Math.log()/Math.log(2)计算出较大值在以2为底的对数下的值，最后通过Math.ceil()向上取整，确定当前视口中的编码瓦片图处于的当前层级。具体的计算公式为：const level＝Math.ceil(Math.log(Math.max(rows.cols))/Math.log(2))。
该实施例中，自定义函数可以是tile统一资源定位符Function()函数，需要传入的参数为对应编码瓦片图所在的层级、行数和列数。需要说明的是，该自定义函数能够正确地返回对应编码瓦片图的统一资源定位符。
上述技术方案的有益效果是：利用具体的函数构建了统一资源定位符，统一资源定位符代表着编码瓦片图的资源访问路径，加快了编码瓦片图的访问速度。
本发明实施例提供一种数字病理切片图的快速处理系统，图片显示模块50，包括：
数据获取子模块，用于获取编码瓦片图对应编码中的行号和列号；
图像遍历子模块，用于根据编码瓦片图对应编码中的行号和列号，遍历当前层级的多个编码瓦片图；
图像拼接子模块：用于依次循环拼接渲染出动态加载得到的多个编码瓦片图的资源，组成高清数字病理图像并显示。
该实施例中，遍历当前层级的多个编码瓦片图可以是从第0行第0列的编码瓦片图，按照从上到下，从左到右的顺序遍历。
该实施例中，组成高清数字病理图像并显示时，仅显示可以覆盖当前视口的编码瓦片图张数。
需要说明的是，该实施例中，可以对编码瓦片图进行拖动操作，显示不同范围的编码瓦片图，当前层级的多个编码瓦片图资源在动态加载时会被全部加载完成，对编码瓦片图进行拖动时可以不刷新页面显示新拖动的编码瓦片图；可以对数字病理图进行缩放操作，进行缩放操作时会改变编码瓦片图所在的层级。
上述技术方案的有益效果是：依次循环拼接渲染出动态加载得到的多个编码瓦片图的资源，组成高清数字病理图像并显示加快了编码瓦片图的加载速度，自由拖动和缩放方便了编码瓦片图的查看，加快了浏览速度。
本发明实施例提供一种数字病理切片图的快速处理系统，系统还包括：
图片分析模块60，用于基于图片显示模块显示的高清数字病理图像进行图片分析，得出高清数字病理图像表示的病情诊断结果和病情预测结果；
结果显示模块，用于将病情诊断结果和病情预测结果进行显示。
该实施例中，用于将病情诊断结果和病情预测结果进行显示的具体方法可以是，当病情诊断结果为正常时，结果显示模块以黑色字体显示病情诊断结果；当病情诊断结果为有异常时，结果显示模块以红色字体显示病情诊断结果；在结果显示模块以黑色加粗字体显示病情预测结果。
上述技术方案的有益效果是：系统自行对病情进行诊断，减少了人力消耗，加快了诊断进程；对病情进行预测可以提前获悉患病风险，提前采取疾病预防措施。
参照图3，本发明实施例提供一种数字病理切片图的快速处理系统，图片分析模块60，包括：
模型构建第一子模块601，用于构建进行病情诊断结果分析的深度卷积神经网络模型，根据已有的数字病理图及其病情诊断结果对深度卷积神经网络模型进行训练，在训练过程中通过概率模型基于先验概率分布对后验概率分布进行迭代估计，对图像特征分析深度卷积神经网络模型进行优化，得到图像特征分析深度卷积神经网络模型；
病情诊断子模块602，用于将图片显示模块显示的高清数字病理图像输入到图像特征分析深度卷积神经网络模型中，得出高清数字病理图像表示的病情诊断结果；
模型构建第二子模块603，用于构建进行病情预测结果分析的深度卷积神经网络模型，根据已有的数字病理图及患者的历史就诊记录对深度卷积神经网络模型进行训练，得到病理结果预测深度卷积神经网络模型；
病情预测子模块604，用于将图片显示模块显示的高清数字病理图像输入病理结果预测深度卷积神经网络模型中，得出高清数字病理图像表示的病情预测结果。
上述技术方案的有益效果是：利用深度卷积神经网络模型对高清数字病理图像进行了分析，得出了高清数字病理图像表示的病情诊断结果和病情预测结果，提高了病情诊断的效率和结果预测的准确性。
本发明实施例提供一种数字病理切片图的快速处理系统，系统还包括：
图像预处理模块，用于在图片处理模块利用瓦片图技术将数字病理图进行图片切割前对数字病理图进行预处理。
上述技术方案的有益效果是：对数字病理图进行预处理，突出了图片中的病理信息，提高了诊断准确率。
本发明实施例提供一种数字病理切片图的快速处理系统，图像预处理模块，包括：
空间转换子模块，用于将获取到的数字病理图从RGB色彩空间转换到HSV色彩空间；
降噪处理子模块，用于对空间转换之后的数字病理图进行图像降噪，得到第一处理图像；
锐化处理子模块，用于：
对第一处理图像进行特征提取，确定存在病理信息的区域，确定该区域为锐化区域；
选取锐化区域内的某一像素点作为主像素点，确定以主像素点为中心，以预设长度为边长的正方形区域；
确定正方形区域与锐化区域重叠的像素点，作为锐化像素点，计算锐化像素点的V亮度分量的均值，根据均值与每个锐化像素点的V亮度分量确定每个锐化像素点的第一锐化参数；
对主像素点的V亮度分量进行第一滤波操作，得到主像素点的第一亮度分量；主像素点的V亮度分量与第一亮度分量作差得到主像素点的第二亮度分量；
根据第一亮度分量和第二亮度分量确定正方形区域的亮度分量阈值；
根据每个锐化像素点的第一锐化参数和亮度分量阈值确定每个锐化像素点的第二锐化参数；
获取正方形区域内所有锐化像素点的V亮度分量梯度值，根据亮度分量阈值确定主像素点与正方形区域内每个锐化像素点的V亮度分量的梯度比较值，作为锐化像素点的第三锐化参数；
根据锐化像素点的V亮度分量、第二锐化参数和第三锐化参数确定正方形区域内锐化像素点的输出值，对锐化区域内所有的锐化像素点进行以上操作得到第二处理图像；
边缘处理子模块，用于对第二处理图像进行边缘检测后裁剪图像四周的边缘空白部分，得到第三处理图像，将第三处理图像作为利用图像预处理模块进行预处理操作之后得到的数字病理图。
该实施例中，对空间转换之后的数字病理图进行图像降噪可以是：用中值滤波法进行图像降噪，用高斯滤波法进行图像降噪等。
该实施例中，对第一处理图像进行特征提取用到的特征提取算法可以是：方向梯度直方图特征提取算法，局部二值模式特征提取算法，尺度不变特征变换特征提取算法等。
该实施例中，预设长度可以是由技术人员自行确定的。需要说明的是，预设长度不能超出锐化区域的范围。
该实施例中，第一锐化参数的确定方式可以是：每个锐化像素点的V亮度分量的绝对值与所有处于锐化区域内的锐化像素点的V亮度分量的均值的绝对值相加，得到每个锐化像素点的第一锐化参数。例如：主像素点的V亮度分量的绝对值与该均值的绝对值相加得到主像素点的第一锐化参数。
该实施例中，第一滤波操作可以利用高斯滤波器进行滤波，得到的第一亮度分量可以是V亮度低通分量，V亮度分量与第一亮度分量作差得到的第二亮度分量可以是V亮度高频分量。
该实施例中，亮度分量阈值的确定方式可以是：第二亮度分量与第一亮度分量作差。
该实施例中，第二锐化参数的确定方式可以是：当第一锐化参数大于预设比较参数且亮度分量阈值大于预设比较阈值时，第二锐化参数为A1；当第一锐化参数大于预设比较参数且亮度分量阈值小于预设比较阈值时，第二锐化参数为A2；当第一锐化参数小于预设比较参数且亮度分量阈值大于预设比较阈值时，第二锐化参数为A3；当第一锐化参数小于预设比较参数且亮度分量阈值小于预设比较阈值时，第二锐化参数为A4。其中，预设比较参数，预设比较阈值，A1，A2，A3和A4的数值有技术人员根据实际情况自行确定。
该实施例中，第三锐化参数的确定方式可以是：利用梯度算子获取正方形区域内所有锐化像素点的V亮度分量梯度值，将主像素点的V亮度分量梯度值与正方形区域内每个锐化像素点的V亮度分量梯度值作差，取差值的绝对值与亮度分量阈值的比值，将比值作为锐化像素点的第三锐化参数。
该实施例中，根据锐化像素点的V亮度分量、第二锐化参数和第三锐化参数确定正方形区域内锐化像素点的输出值的具体实施方式可以是：计算第二锐化参数和第三锐化参数的乘积，将V亮度分量与该乘积相加得到锐化像素点的输出值。
上述技术方案的有益效果是：对数字病理图进行了锐化增强处理，提高了数字病理图的清晰度，突出了数字病理图里的病理信息，加快了数字病理图的分析过程，节约了时间。
本发明实施例提供一种数字病理切片图的快速处理系统，系统还包括：
检测模块，用于检测每个图片存储组的状态，并判断是否存在异常，将存在异常的图片存储组进行标记并发出预警提示。
该实施例中，检测每个图片存储组的状态可以是检测图片存储组的存储位置是否存在异常。
该实施例中，预警提示可以是在系统界面显示提示语：存储组有异常，请检查。
上述技术方案的有益效果是：对图片存储组进行状态检测，提升了存储过程的的安全性。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种数字病理切片图的快速处理系统，其特征在于，包括：
图片处理模块，用于利用瓦片图技术将数字病理图进行图片切割及编码处理，得到多个编码瓦片图；
图片存储模块，用于存储多个编码瓦片图；
统一资源定位符构建模块，用于构建统一资源定位符；
图片访问模块，用于访问已存储的多个编码瓦片图，通过XMLHttpRequest技术向服务器端发出访问请求，根据访问请求，基于资源获取函数和所述统一资源定位符进行动态加载，得到多个编码瓦片图的资源；
图片显示模块，用于根据多个编码瓦片图的资源，组成高清数字病理图像并显示。
2.如权利要求1所述的一种数字病理切片图的快速处理系统，其特征在于，所述图片处理模块，包括：
图片切割子模块，用于对数字病理图进行切割，将数字病理图作为包含所有图像信息的第0层瓦片图，将第0层瓦片图按照四叉树的形式进行切割，形成若干张第一层瓦片图；对每张第一层瓦片图按照四叉树的形式进行切割，形成若干张第二层瓦片图；按照该方法，对每一层的每一张瓦片图都按照四叉树的形式进行切割，最终形成多层级的瓦片图金字塔结构；
图片编码子模块，用于对瓦片图金字塔结构的每一张瓦片图都按照层级行号列号的形式进行编码，得到多个编码瓦片图。
3.如权利要求1所述的一种数字病理切片图的快速处理系统，其特征在于，所述图片存储模块，包括：
组别建立子模块，用于建立若干个图片存储组，并对每个图片存储组标识需要存储的编码瓦片图的层级信息；
索引文件建立子模块，用于根据编码瓦片图的层级信息对应的图片存储组的组号以及对应的编码确定编码瓦片图的属性字段，在每张编码瓦片图的属性字段中添加下一张编码瓦片图的索引信息和上一张编码瓦片图的索引信息，建立并维护索引文件；其中，所述索引信息包括当前编码瓦片图的属性字段当前编码瓦片图的前后相邻的两张编码瓦片图的属性字段；
索引文件校验子模块，用于根据索引文件对应的偏移地址和存储位置对所述索引文件进行校验；
图片存储确认子模块，用于将校验通过的索引文件对应的编码瓦片图存储到对应的图片存储组。
4.如权利要求1所述的一种数字病理切片图的快速处理系统，其特征在于，所述统一资源定位符构建模块，包括：
数值获取子模块，用于通过数值获取函数获取构建统一资源定位符所需的当前视口的尺寸所在层级的编码瓦片图的尺寸和数字病理图的当前缩放级别；
数值处理子模块：用于根据当前视口的尺寸所在层级的编码瓦片图的尺寸和所述数字病理图的当前缩放级别确定当前视口需要覆盖的编码瓦片图的行数和列数；
层级获取子模块：用于根据当前视口需要覆盖的编码瓦片图的行数和列数中的较大数值，确定当前视口中的编码瓦片图处于的当前层级；
构建子模块，用于根据编码瓦片图的当前层级行数和列数，通过自定义函数构建编码瓦片图的统一资源定位符。
5.如权利要求1所述的一种数字病理切片图的快速处理系统，其特征在于，所述图片显示模块，包括：
数据获取子模块，用于获取编码瓦片图对应编码中的行号和列号；
图像遍历子模块，用于根据编码瓦片图对应编码中的行号和列号，遍历当前层级的多个编码瓦片图；
图像拼接子模块：用于依次循环拼接渲染出动态加载得到的多个编码瓦片图的资源，组成高清数字病理图像并显示。
6.如权利要求1所述的一种数字病理切片图的快速处理系统，其特征在于，所述系统还包括：
图片分析模块，用于基于图片显示模块显示的高清数字病理图像进行图片分析，得出高清数字病理图像表示的病情诊断结果和病情预测结果；
结果显示模块，用于将所述病情诊断结果和病情预测结果进行显示。
7.如权利要求6所述的一种数字病理切片图的快速处理系统，其特征在于，所述图片分析模块，包括：
模型构建第一子模块，用于构建进行病情诊断结果分析的深度卷积神经网络模型，根据已有的数字病理图及其病情诊断结果对所述深度卷积神经网络模型进行训练，在训练过程中通过概率模型基于先验概率分布对后验概率分布进行迭代估计，对所述图像特征分析深度卷积神经网络模型进行优化，得到图像特征分析深度卷积神经网络模型；
病情诊断子模块，用于将图片显示模块显示的高清数字病理图像输入到所述图像特征分析深度卷积神经网络模型中，得出高清数字病理图像表示的病情诊断结果；
模型构建第二子模块，用于构建进行病情预测结果分析的深度卷积神经网络模型，根据已有的数字病理图及患者的历史就诊记录对所述深度卷积神经网络模型进行训练，得到病理结果预测深度卷积神经网络模型；
病情预测子模块，用于将图片显示模块显示的高清数字病理图像输入所述病理结果预测深度卷积神经网络模型中，得出高清数字病理图像表示的病情预测结果。
8.如权利要求1所述的一种数字病理切片图的快速处理系统，其特征在于，所述系统还包括：
图像预处理模块，用于在图片处理模块利用瓦片图技术将数字病理图进行图片切割前对数字病理图进行预处理。
9.如权利要求8所述的一种数字病理切片图的快速处理系统，其特征在于，所述图像预处理模块，包括：
空间转换子模块，用于将获取到的数字病理图从RGB色彩空间转换到HSV色彩空间；
降噪处理子模块，用于对所述空间转换之后的数字病理图进行图像降噪，得到第一处理图像；
锐化处理子模块，用于：
对第一处理图像进行特征提取，确定存在病理信息的区域，确定该区域为锐化区域；
选取锐化区域内的某一像素点作为主像素点，确定以主像素点为中心，以预设长度为边长的正方形区域；
确定所述正方形区域与锐化区域重叠的像素点，作为锐化像素点，计算锐化像素点的V亮度分量的均值，根据均值与每个锐化像素点的V亮度分量确定每个锐化像素点的第一锐化参数；
对主像素点的V亮度分量进行第一滤波操作，得到所述主像素点的第一亮度分量；主像素点的V亮度分量与第一亮度分量作差得到所述主像素点的第二亮度分量；
根据第一亮度分量和第二亮度分量确定所述正方形区域的亮度分量阈值；
根据所述每个锐化像素点的第一锐化参数和亮度分量阈值确定每个锐化像素点的第二锐化参数；
获取正方形区域内所有锐化像素点的V亮度分量梯度值，根据亮度分量阈值确定主像素点与正方形区域内每个锐化像素点的V亮度分量的梯度比较值，作为锐化像素点的第三锐化参数；
根据锐化像素点的V亮度分量、第二锐化参数和第三锐化参数确定正方形区域内锐化像素点的输出值，对锐化区域内所有的锐化像素点进行以上操作得到第二处理图像；
边缘处理子模块，用于对第二处理图像进行边缘检测后裁剪图像四周的边缘空白部分，得到第三处理图像，将第三处理图像作为利用图像预处理模块进行预处理操作之后得到的数字病理图。
10.如权利要求3所述的一种数字病理切片图的快速处理系统，其特征在于，所述图片存储模块还包括：
检测模块，用于检测每个图片存储组的状态，并判断是否存在异常，将存在异常的图片存储组进行标记并发出预警提示。
CN202310997443.1A 2023-08-09 2023-08-09 一种数字病理切片图的快速处理系统 Active CN116994721B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310997443.1A CN116994721B (zh) 2023-08-09 2023-08-09 一种数字病理切片图的快速处理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310997443.1A CN116994721B (zh) 2023-08-09 2023-08-09 一种数字病理切片图的快速处理系统

Publications (2)

Publication Number Publication Date
CN116994721A true CN116994721A (zh) 2023-11-03
CN116994721B CN116994721B (zh) 2024-06-18

Family

ID=88531844

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310997443.1A Active CN116994721B (zh) 2023-08-09 2023-08-09 一种数字病理切片图的快速处理系统

Country Status (1)

Country Link
CN (1) CN116994721B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117649381A (zh) * 2023-11-27 2024-03-05 北京透彻未来科技有限公司 一种基于数字病理切片自动计算缩放倍率的装置

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060170693A1 (en) * 2005-01-18 2006-08-03 Christopher Bethune System and method for processig map data
US20080181498A1 (en) * 2007-01-25 2008-07-31 Swenson Erik R Dynamic client-server video tiling streaming
EP2469434A1 (de) * 2010-12-27 2012-06-27 Siemens Aktiengesellschaft Verfahren und Einrichtung zur Anzeige von medizinischen Bilddaten
CN106446568A (zh) * 2016-09-29 2017-02-22 北京和缓医疗科技有限公司 一种实现远程病理会诊的方法及装置
CN109934774A (zh) * 2019-03-20 2019-06-25 武汉千屏影像技术有限责任公司 一种基于图像位置上下文的图像拼接方法
CN109977192A (zh) * 2019-04-02 2019-07-05 山东大学 无人机瓦片地图快速加载方法、系统、设备及存储介质
CN110363768A (zh) * 2019-08-30 2019-10-22 重庆大学附属肿瘤医院 一种基于深度学习的早期癌病灶范围预测辅助系统
CN110545414A (zh) * 2019-08-28 2019-12-06 成都微光集电科技有限公司 一种图像锐化方法
CN111370084A (zh) * 2020-02-07 2020-07-03 山东师范大学 基于BiLSTM的电子健康记录表示学习方法及系统
JP2021064817A (ja) * 2018-02-14 2021-04-22 シャープ株式会社 動画像符号化装置及び動画像復号装置
CN113130049A (zh) * 2021-04-15 2021-07-16 黑龙江机智通智能科技有限公司 基于云服务的智能病理图像诊断系统
CN113568995A (zh) * 2021-05-11 2021-10-29 数简科技(苏州)有限公司 基于检索条件的动态瓦片地图制作方法及瓦片地图系统
CN113887378A (zh) * 2021-09-18 2022-01-04 上海申挚医疗科技有限公司 子宫颈液基细胞数字病理图像检测方法及系统
JP2022146530A (ja) * 2021-03-22 2022-10-05 ピンポイントフォトニクス株式会社 病理診断機械学習データの構築システムおよび構築方法、および病理診断リスク判定システムおよび判定方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060170693A1 (en) * 2005-01-18 2006-08-03 Christopher Bethune System and method for processig map data
US20080181498A1 (en) * 2007-01-25 2008-07-31 Swenson Erik R Dynamic client-server video tiling streaming
EP2469434A1 (de) * 2010-12-27 2012-06-27 Siemens Aktiengesellschaft Verfahren und Einrichtung zur Anzeige von medizinischen Bilddaten
CN106446568A (zh) * 2016-09-29 2017-02-22 北京和缓医疗科技有限公司 一种实现远程病理会诊的方法及装置
JP2021064817A (ja) * 2018-02-14 2021-04-22 シャープ株式会社 動画像符号化装置及び動画像復号装置
CN109934774A (zh) * 2019-03-20 2019-06-25 武汉千屏影像技术有限责任公司 一种基于图像位置上下文的图像拼接方法
CN109977192A (zh) * 2019-04-02 2019-07-05 山东大学 无人机瓦片地图快速加载方法、系统、设备及存储介质
CN110545414A (zh) * 2019-08-28 2019-12-06 成都微光集电科技有限公司 一种图像锐化方法
CN110363768A (zh) * 2019-08-30 2019-10-22 重庆大学附属肿瘤医院 一种基于深度学习的早期癌病灶范围预测辅助系统
CN111370084A (zh) * 2020-02-07 2020-07-03 山东师范大学 基于BiLSTM的电子健康记录表示学习方法及系统
JP2022146530A (ja) * 2021-03-22 2022-10-05 ピンポイントフォトニクス株式会社 病理診断機械学習データの構築システムおよび構築方法、および病理診断リスク判定システムおよび判定方法
CN113130049A (zh) * 2021-04-15 2021-07-16 黑龙江机智通智能科技有限公司 基于云服务的智能病理图像诊断系统
CN113568995A (zh) * 2021-05-11 2021-10-29 数简科技(苏州)有限公司 基于检索条件的动态瓦片地图制作方法及瓦片地图系统
CN113887378A (zh) * 2021-09-18 2022-01-04 上海申挚医疗科技有限公司 子宫颈液基细胞数字病理图像检测方法及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
XIN JIN等: "Plenoptic Image Coding Using Macropixel-Based Intra Prediction", IEEE, vol. 27, no. 8, 2 May 2018 (2018-05-02), pages 3954 *
侯彦娥;党兰学;李许;: "基于Silverlight的三维地形网络可视化", 河南大学学报(自然科学版), no. 03, 16 May 2015 (2015-05-16) *
张达;: "基于四叉树算法的地理信息数据管理研究", 哈尔滨商业大学学报(自然科学版), no. 05, 15 October 2013 (2013-10-15) *
郑众喜;: "拥抱数字病理时代", 实用医院临床杂志, no. 05, 1 September 2017 (2017-09-01) *
陈金令等: "面向WSI 的乳腺病理亚型分类研究", 计算机应用研究, vol. 39, no. 10, 31 October 2022 (2022-10-31), pages 3167 - 3173 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117649381A (zh) * 2023-11-27 2024-03-05 北京透彻未来科技有限公司 一种基于数字病理切片自动计算缩放倍率的装置

Also Published As

Publication number Publication date
CN116994721B (zh) 2024-06-18

Similar Documents

Publication Publication Date Title
CN112017189B (zh) 图像分割方法、装置、计算机设备和存储介质
CN110781885A (zh) 基于图像处理的文本检测方法、装置、介质及电子设备
CN111369581A (zh) 图像处理方法、装置、设备及存储介质
KR20220164519A (ko) 오토인코더 및 클러스터링에 기초한 비정상 검출
CA3097338A1 (en) Automated analysis of petrographic thin section images using advanced machine learning techniques
CN113439227B (zh) 放大图像的捕获和存储
US20170178341A1 (en) Single Parameter Segmentation of Images
CN108830319B (zh) 一种图像分类方法和装置
CN116994721B (zh) 一种数字病理切片图的快速处理系统
CN111427988B (zh) 一种生成区域分级渲染图的方法、系统及电子设备
CN114241358A (zh) 基于数字孪生变电站的设备状态展示方法、装置和设备
CN113096080A (zh) 图像分析方法及系统
CN115908363A (zh) 肿瘤细胞统计方法、装置、设备和存储介质
CN113537026B (zh) 建筑平面图中的图元检测方法、装置、设备及介质
CN114240924A (zh) 一种基于数字化技术的电网设备质量评估方法
CN112116585A (zh) 图像移除篡改盲检测方法、系统、设备及存储介质
CN116468690B (zh) 基于深度学习的浸润性非粘液性肺腺癌的亚型分析系统
CN114494698B (zh) 一种基于边缘预测的传统文化图像语义分割方法
CN116109518A (zh) 一种金属锈蚀图像的数据增强、分割方法及装置
CN116452541A (zh) 基于前列腺癌分级的训练方法、装置、设备及存储介质
CN114511862A (zh) 表格识别方法、装置及电子设备
CN117291859A (zh) 一种页面异常检测方法、装置、电子设备和存储介质
CN112560929A (zh) 溢油区域确定方法及装置、存储介质
CN111612791B (zh) 图像分割方法、装置、电子设备及存储介质
CN116993653B (zh) 相机镜头缺陷检测方法、装置、设备、存储介质及产品

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