CN117115241B - 一种追寻数字病理图像在缩放过程中中心焦点的方法 - Google Patents
一种追寻数字病理图像在缩放过程中中心焦点的方法 Download PDFInfo
- Publication number
- CN117115241B CN117115241B CN202311140720.3A CN202311140720A CN117115241B CN 117115241 B CN117115241 B CN 117115241B CN 202311140720 A CN202311140720 A CN 202311140720A CN 117115241 B CN117115241 B CN 117115241B
- Authority
- CN
- China
- Prior art keywords
- pathological image
- image block
- pathological
- target
- distribution
- 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
- 230000001575 pathological effect Effects 0.000 title claims abstract description 185
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000008569 process Effects 0.000 title claims abstract description 22
- 230000007170 pathology Effects 0.000 claims abstract description 95
- 238000012163 sequencing technique Methods 0.000 claims abstract description 10
- 230000004323 axial length Effects 0.000 claims description 34
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 description 11
- 238000012937 correction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012067 mathematical method 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
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
-
- 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
Abstract
本发明提供了一种追寻数字病理图像在缩放过程中中心焦点的方法包括：当用户缩放数字病理图像时，跟踪鼠标在数字病理图像中的执行位置，然后分别获取每一病理图块的对角线交叉点，记作中心焦点，然后获取所述数字病理图像中每一病理图块的中心焦点与执行位置之间的直线距离，根据所述直线距离为对应的病理图块建立距离权重，根据距离权重由大到小的顺序将所述病理图块进行排序得到图块列表，分别在每一病理图块上标记中心焦点，将标记后的图块列表输入到图像显示区域进行显示，本发明的方法可以更准确地确定中心焦点，避免了现有技术中的误差和偏差，同时，该方法计算简单、实现容易，具有较好的实用性和普适性。
Description
技术领域
本发明涉及数字病理图像分析技术领域，特别涉及一种追寻数字病理图像在缩放过程中中心焦点的方法。
背景技术
近年来，病理学已经进入数字化时代，全切片病理图像(whole slide image，WSI)是数字化病理学的基础。数字病理学是一种新兴的医学领域，它将数字图像处理技术应用于病理学中。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。
目前常用的数字病理图像查看软件一般采用了深度学习或计算机视觉算法，能够自动识别数字病理图像中的细胞、组织等区域，提供缩放、移动、旋转等基本操作。但是，这些软件缺乏自适应性和智能性，无法追寻数字病理图像在缩放过程中的中心焦点。因此，在缩放过程中，用户需要不断手动移动图像，以寻找感兴趣的区域，这不仅费时费力，而且容易导致视觉疲劳和操作错误。
另外，现有的追寻中心焦点的方法主要是基于图像的平均灰度值或纹理特征等，缺乏对数字病理图像本身特点的考虑，容易受到光照、色彩等因素的影响，准确性不高。
因此，本发明提供了一种追寻数字病理图像在缩放过程中中心焦点的方法。
发明内容
本发明一种追寻数字病理图像在缩放过程中中心焦点的方法，该方法基于数学方法矩形对角线交叉点和跟踪鼠标的位置来确定中心焦点，相比现有技术，本发明的方法可以更准确地确定中心焦点，避免了现有技术中的误差和偏差，同时，该方法计算简单、实现容易，具有较好的实用性和普适性。
本发明提供了一种追寻数字病理图像在缩放过程中中心焦点的方法，包括：
步骤1：当用户缩放数字病理图像时，跟踪鼠标在数字病理图像中的执行位置；
步骤2：分别获取每一病理图块的对角线交叉点，记作中心焦点；
步骤3：获取所述数字病理图像中每一病理图块的中心焦点与执行位置之间的直线距离，根据所述直线距离为对应的病理图块建立距离权重；
步骤4：根据距离权重由大到小的顺序将所述病理图块进行排序得到图块列表，分别在每一病理图块上标记中心焦点，将标记后的图块列表输入到图像显示区域进行显示。
在一种可实施的方式中，
所述步骤1，包括：
步骤11：获取数字病理图像，将所述数字病理图像分割为预设数量的矩形图块，得到若干个病理图块；
步骤12：当用户执行缩放动作时，采集鼠标在所述数字病理图像上的移动轨迹；
步骤13：获取所述移动轨迹与病理图块的重合信息，得到鼠标在病理图像缩放过程中的执行位置。
在一种可实施的方式中，
所述步骤2，包括：
步骤21：分别获取每一病理图块对应的矩形特征；
步骤22：根据所述矩形特征建立对应病理图块的第一矩形边、第二矩形边、第三矩形边和第四矩形边；
步骤23：利用预设遍历线分别遍历所述第一矩形边、第二矩形边、第三矩形边和第四矩形边，得到第一边节点、第二边节点、第三边节点和第四边节点；
步骤24：将所述第一边节点、第二边节点、第三边节点和第四边节点两两相互连接，得到每一病理图块的对角线交叉点，记作中心焦点。
在一种可实施的方式中，
所述步骤3，包括：
步骤31：在所述数字病理图像中标记每一病理图块的中心焦点与所述执行位置之间的距离线段；
步骤32：获取每一距离线段对应的线段长度，得到每一病理图块中心焦点与所述执行位置之间的直线距离；
步骤33：提取直线距离最小的目距离线段，分别获取每一距离线段与所述目标距离线段对应的长度倍数关系；
步骤34：获取所述目标距离线段对应的目标病理图块，将所述目标病理图块的距离权重视为最大权重，结合所述长度倍数关系分别为每一病理图块建立距离权重。
在一种可实施的方式中，
所述步骤4，包括：
步骤41：分别获取每一病理图块对应的距离权重，根据距离权重由大到小的顺序对所述病理图块进行排序，得到图块列表；
步骤42：分别在每一病理图块上标记中心焦点，得到带标病理图块；
步骤43：分别解析每一带标病理图块，根据解析结果判断每一带标病理图块的标记结果是否合法；
步骤44：当每一带标病理图块的标记结果均合法时，根据每一带标病理图块在所述图块列表中的顺序，分别将每一带标病理图块输入到图像显示区域进行显示。
在一种可实施的方式中，
所述步骤43，包括：
步骤431：根据每一带标病理图块在所述数字病理图像上的图块位置将所述带标病理图块进行重组，得到带标数字病理图像；
步骤432：将所述带标数字病理图像映射到预设空间内，得到若干个映射中心焦点，将相邻的所述映射中心焦点连接，得到中心焦点分布图；
步骤433：解析所述中心焦点分布图，得到每一分布行对应的第一分布特征和每一分布列对应的第二分布特征；
步骤434：当所有分布行对应的第一分布特征一致，且所有的分布列对应的第二分布特征一致时，确定所有的带标病理图块的标记结果合法。
在一种可实施的方式中，
还包括：
当存在标记结果不合法的带标病理图块时分别对所述第一分布特征和第二分布特征进行聚类分析，得到若干个第一分布特征类和若干个第二分布特征类；
提取仅具有一个第一分布特征的第一目标分布特征类，以及提取仅具有一个第二分布特征的第二目标分布特征类，将未提取的第一分布特征类记作第一合法特征类，以及将未提取的第二分布特征类记作第二合法特征类；
利用所述第一合法分布特征类修正所述第一目标特征类，以及利用第二合法分布特征类修正所述第二目标特征类，直到所述第一目标特征类与所述第一合法分布特征类一致且所述第二目标特征类与所述第二合法分布特征类一致为止。
在一种可实施的方式中，
所述步骤34包括：
步骤341：获取所述目标距离线段对应的目标病理图块，将所述目标病理图块的距离权重视为最大权重；
步骤342：根据不同距离线段与所述目标距离线段之间的长度倍数关系建立数量关系轴，根据所述数量关系轴得到每一距离线段对应的轴长，以及获取所述目标距离线段对应的目标轴长；
步骤343：根据轴长由长到短的顺序对所述距离线段进行排序建立轴长序列，分别获取目标轴长与所述轴长之间的轴长差，将所述轴长差标记在所述轴长序列中，得到轴差序列；
步骤344：根据所述轴差序列以及结合所述最大权重建立每一病理图块与所述目标病理图块之间的权重比例，根据所述权重比例建立每一病理图块对应的距离权重。
在一种可实施的方式中，
还包括：
当所述数字病理图像中仅含有一个病理图块时，获取所述病理图块的对角线交叉点，记作中心焦点；
将所述中心焦点标记在所述数字病理图像中，将标记后的数字病理图像输入到图像显示区域进行显示。
在一种可实施的方式中，
还包括：
当用户缩放数字病理图像时，鼠标的执行位置发生变化，所述图像显示区域所显示的病理图块发生相应的变化。
本发明可以实现的有益效果为：为了方便用户查找在缩放过程中用户感兴趣的中心焦点，在用户缩放数字病理图像时，跟踪鼠标的执行位置，并且获取每一病理图块的中心焦点，然后根据每一个病理图块的中心焦点与鼠标执行位置之间的距离来确定用户对不同病理图块的感兴趣程度，从而通过建立距离权重来确定每一病理图块的显示顺序，将显示的重点落在用户感兴趣的病理图块上，最后将建立的图块列表输入图像显示区域内，依次显示每一病理图块，通过获取病理图块对角线的方式来确定病理图块的中心焦点可以避免现有技术中的误差和偏差，且这样的方式更容易确定中心焦点的位置，该方法更具有实用性，并且在确定中心焦点的过程中可以根据鼠标的执行位置来确定用户对不同病理图块感兴趣的程度，进而在显示病理图块时首先显示与执行位置距离近的病理图块，提高了用户的使用感受，使该方法更具智能化。
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追寻数字病理图像在缩放过程中中心焦点的方法的工作流程示意图；
图2为本发明实施例中一种追寻数字病理图像在缩放过程中中心焦点的方法的步骤4工作流程示意图；
图3为本发明实施例中一种追寻数字病理图像在缩放过程中中心焦点的方法的步骤43工作流程示意图。
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。
实施例1
本实施例提供了一种追寻数字病理图像在缩放过程中中心焦点的方法，如图1所示，包括：
步骤1：当用户缩放数字病理图像时，跟踪鼠标在数字病理图像中的执行位置；
步骤2：分别获取每一病理图块的对角线交叉点，记作中心焦点；
步骤3：获取所述数字病理图像中每一病理图块的中心焦点与执行位置之间的直线距离，根据所述直线距离为对应的病理图块建立距离权重；
步骤4：根据距离权重由大到小的顺序将所述病理图块进行排序得到图块列表，分别在每一病理图块上标记中心焦点，将标记后的图块列表输入到图像显示区域进行显示。
该实例中，执行位置表示用户通过操作鼠标进行缩放时的位置，且执行位置在数字病理图像上；
该实例中，不同的病理图块的规格可以是一致的，也可以是不一致的；
该实例中，病理图块的中心焦点与执行位置之间的直线距离表示将病理图块的中心焦点与执行位置进行连线后的线段长度；
该实例中，距离权重表示每一病理图块与执行位置之间的距离的权重值，且距离越长，距离权重越小；
该实例中，图块列表表示根据距离权重由大到小的顺序对病理图块进行排序所建成的；
该实例中，数字病理学是数字化医学领域的一个重要分支，主要是将组织切片数字化，方便医生进行在线诊断和治疗。在数字化过程中，图像会被分割成许多小的块，这些块通常被称为“tile”，为了方便用户查看图像，一般会提供缩放功能，在缩放的过程中，用户往往需要关注一个特定的区域，这个区域被称为“中心焦点”。
上述技术方案的工作原理以及有益效果：为了方便用户查找在缩放过程中用户感兴趣的中心焦点，在用户缩放数字病理图像时，跟踪鼠标的执行位置，并且获取每一病理图块的中心焦点，然后根据每一个病理图块的中心焦点与鼠标执行位置之间的距离来确定用户对不同病理图块的感兴趣程度，从而通过建立距离权重来确定每一病理图块的显示顺序，将显示的重点落在用户感兴趣的病理图块上，最后将建立的图块列表输入图像显示区域内，依次显示每一病理图块，通过获取病理图块对角线的方式来确定病理图块的中心焦点可以避免现有技术中的误差和偏差，且这样的方式更容易确定中心焦点的位置，该方法更具有实用性，并且在确定中心焦点的过程中可以根据鼠标的执行位置来确定用户对不同病理图块感兴趣的程度，进而在显示病理图块时首先显示与执行位置距离近的病理图块，提高了用户的使用感受，使该方法更具智能化。
实施例2
在实施例1的基础上，所述一种追寻数字病理图像在缩放过程中中心焦点的方法，所述步骤1，包括：
步骤11：获取数字病理图像，将所述数字病理图像分割为预设数量的矩形图块，得到若干个病理图块；
步骤12：当用户执行缩放动作时，采集鼠标在所述数字病理图像上的移动轨迹；
步骤13：获取所述移动轨迹与病理图块的重合信息，得到鼠标在病理图像缩放过程中的执行位置。
该实例中，每一个病理图块都是数字病理图像的一部分；
该实例中，移动轨迹表示用户操作鼠标时，鼠标的光标与数字病理图像之间的交叉轨迹；
该实例中，重合信息表示移动轨迹与不同病理图块之间的重合时间以及重合位置。
上述技术方案的工作原理以及有益效果：为了追踪鼠标的执行位置，先将获取到的数字病理图像分割为多个病理图块，然后采集用户在缩放过程中的移动轨迹，从而生成了移动轨迹与病理图块之间的重合信息，最后根据重合信息得到鼠标当前与病理图块上的执行位置，从而可以在用户移动鼠标的过程中显示不同病理图块的中心焦点。
实施例3
在实施例1的基础上，所述一种追寻数字病理图像在缩放过程中中心焦点的方法，所述步骤2，包括：
步骤21：分别获取每一病理图块对应的矩形特征；
步骤22：根据所述矩形特征建立对应病理图块的第一矩形边、第二矩形边、第三矩形边和第四矩形边；
步骤23：利用预设遍历线分别遍历所述第一矩形边、第二矩形边、第三矩形边和第四矩形边，得到第一边节点、第二边节点、第三边节点和第四边节点；
步骤24：将所述第一边节点、第二边节点、第三边节点和第四边节点两两相互连接，得到每一病理图块的对角线交叉点，记作中心焦点。
该实例中，不同病理图块对应的矩形特征不一定相同；
该实例中，第一矩形边、第二矩形边、第三矩形边、第四矩形边分别表示病理图块的四个不同的边缘；
该实例中，第一边节点表示第一矩形边和第二矩形边之间的节点、第二边节点表示第二矩形边和第三矩形边之间的节点、第三边节点表示第三矩形边和第四矩形边之间的节点、第四边节点表示第四矩形边和第一矩形边之间的节点；
该实例中，预设遍历线可以为直线，其长度大于病理图块的每一条矩形边，在使用时，先在水平方向遍历矩形边，得到不同矩形边的第一节点，再在垂直方向遍历矩形边，得到不同矩形边的第二节点，最后在病理图块上标记第一节点和第二节点。
上述技术方案的工作原理以及有益效果：为了进一步确定每一个病理图块的对角线交叉点，先获取每一个病理图块的矩形特征，从而可以确定病理图块的四条矩形边，从而可以得到病理图像的节点，进一步得到对角线交叉点，得到了病理图像的中心焦点，通过先确定矩形边，再确定节点最后确定对角线交叉的方式可以更加准确的定位病理图块的中心焦点，提高了确定中心焦点的精确度。
实施例4
在实施例1的基础上，所述一种追寻数字病理图像在缩放过程中中心焦点的方法，所述步骤3，包括：
步骤31：在所述数字病理图像中标记每一病理图块的中心焦点与所述执行位置之间的距离线段；
步骤32：获取每一距离线段对应的线段长度，得到每一病理图块中心焦点与所述执行位置之间的直线距离；
步骤33：提取直线距离最小的目距离线段，分别获取每一距离线段与所述目标距离线段对应的长度倍数关系；
步骤34：获取所述目标距离线段对应的目标病理图块，将所述目标病理图块的距离权重视为最大权重，结合所述长度倍数关系分别为每一病理图块建立距离权重。
该实例中，距离线段表示病理图块中心焦点与执行位置之间的连线，且一个病理图块对应一条距离线段；
该实例中，长度倍数关系表示不同长度的距离线段与目标距离线段之间的长度比；
该实例中，最大权重可以为1。
上述技术方案的工作原理以及有益效果：为了根据鼠标的执行位置来确定用户感兴趣的病理图块，首先建立病理图块的中心焦点与执行位置之间的距离线段，然后提取直线距离最小的目标距离线段，该目标距离线段为用户最感兴趣的病理图块，然后将该病理图块的距离权重视为最大权重，剩余病理图块的距离权重可以根据最大权重和距离线段的长度来确定，从而可以得到每一病理图块的距离权重，便于后续建立图块列表。
实施例5
在实施例1的基础上，所述一种追寻数字病理图像在缩放过程中中心焦点的方法，如图2所示，所述步骤4，包括：
步骤41：分别获取每一病理图块对应的距离权重，根据距离权重由大到小的顺序对所述病理图块进行排序，得到图块列表；
步骤42：分别在每一病理图块上标记中心焦点，得到带标病理图块；
步骤43：分别解析每一带标病理图块，根据解析结果判断每一带标病理图块的标记结果是否合法；
步骤44：当每一带标病理图块的标记结果均合法时，根据每一带标病理图块在所述图块列表中的顺序，分别将每一带标病理图块输入到图像显示区域进行显示。
上述技术方案的工作原理以及有益效果：通过根据距离权重对病理图块进行排序，得到图块列表，然后在每一病理图块上标记中心焦点，为了避免标记有误，在标记后判断标记的合法性，最后将标记均合法的带标病理图块按照图块列表中的顺序输入到图像显示区域进行显示，这样一来可以将用户感兴趣的病理图块进行优先展示，减少了用户的查找时间。
实施例6
在实施例5的基础上，所述一种追寻数字病理图像在缩放过程中中心焦点的方法，如图3所示，所述步骤43，包括：
步骤431：根据每一带标病理图块在所述数字病理图像上的图块位置将所述带标病理图块进行重组，得到带标数字病理图像；
步骤432：将所述带标数字病理图像映射到预设空间内，得到若干个映射中心焦点，将相邻的所述映射中心焦点连接，得到中心焦点分布图；
步骤433：解析所述中心焦点分布图，得到每一分布行对应的第一分布特征和每一分布列对应的第二分布特征；
步骤434：当所有分布行对应的第一分布特征一致，且所有的分布列对应的第二分布特征一致时，确定所有的带标病理图块的标记结果合法。
该实例中，带标数字病理图像上的带标病理图块的位置与数字病理图像上的病理图块的位置是一一对应的；
该实例中，预设空间可以为任意二维空间；
该实例中，带标数字病理图像上含有若干个中心焦点，所以映射中心焦点与中心焦点一一对应；
该实例中，中心焦点分布图中包含了所有的映射中心焦点，且相邻的映射中心焦点连接在一起，形成了多个分布行和分布列；
该实例中，第一分布特征表示一个分布行对应的分布特征，第二分布特征表示一个分布列对应的分布特征，其中的“第一”、“第二”仅用来区分不同的分布特征，不具有比较的关系。
上述技术方案的工作原理以及有益效果：为了判断标记结果的合法性，通过对带标病理图像进行重组，进而得到了带标数字病理图像，然后将带标数字病理图像映射到预设空间中，可以在预设空间中得到对应的映射中心焦点，进而对映射中心焦点进行连接处理得到了一副中心焦点分布图，由于进行了映射焦点连接工作，所以得到的中心焦点分布图中含有若个分布行以及分布列，通过分析不同分布行的第一分布特征以及分析不同分布列的第二分布特征的一致性来判断带标病理图块的标记结果的合法性，通过映射的方式可以直观的得到中心焦点的位置，然后根据不同分布行和不同分布列之间分布特征的一致性来进一步判断中心焦点的合法性，可以通过一次判断工作确定多个中心焦点的合法性，提高了工作效率。
实施例7
在实施例6的基础上，所述一种追寻数字病理图像在缩放过程中中心焦点的方法，还包括：
当存在标记结果不合法的带标病理图块时分别对所述第一分布特征和第二分布特征进行聚类分析，得到若干个第一分布特征类和若干个第二分布特征类；
提取仅具有一个第一分布特征的第一目标分布特征类，以及提取仅具有一个第二分布特征的第二目标分布特征类，将未提取的第一分布特征类记作第一合法特征类，以及将未提取的第二分布特征类记作第二合法特征类；
利用所述第一合法分布特征类修正所述第一目标特征类，以及利用第二合法分布特征类修正所述第二目标特征类，直到所述第一目标特征类与所述第一合法分布特征类一致且所述第二目标特征类与所述第二合法分布特征类一致为止。
该实例中，聚类分析表示将相同的第一分布特征记作一类，将相同的第二分布特征记作一类的操作；
该实例中，第一分布特征类中包含一个或者一个以上第一分布特征第二分布特征类中包含一个或者一个以上第二分布特征；
该实例中，第一目标分布特征类中含有一个第一分布特征，第二目标分布特征类中含有一个第二分布特征；
该实例中的“第一”、“第二”仅用于区分不同的分布特征以及区分不同的分布特征类，不具有比较或者排序的作用；
该实例中，修正第一目标特征类的目的是：将第一目标特征类修正为与第一合法分布特征类一致，修正第二目标特征类的目的是：将第二目标特征类修正为与第二合法分布特征类一致。
上述技术方案的工作原理以及有益效果：为了及时调整不合法的标记结果，将带标病理图块的第一分布特征和第二分布特征进行聚类分析，从而得到了多个分布特征类，进而对仅含有一个分布特征的特征类进行修正，直到所有的特征类均合法为止，通过这种修正方式来对焦点进行修正，不仅可以对中心焦点进行修正，还可以避免过度修正，提高修正的准确度。
实施例8
在实施例4的基础上，所述一种追寻数字病理图像在缩放过程中中心焦点的方法，所述步骤34包括：
步骤341：获取所述目标距离线段对应的目标病理图块，将所述目标病理图块的距离权重视为最大权重；
步骤342：根据不同距离线段与所述目标距离线段之间的长度倍数关系建立数量关系轴，根据所述数量关系轴得到每一距离线段对应的轴长，以及获取所述目标距离线段对应的目标轴长；
步骤343：根据轴长由长到短的顺序对所述距离线段进行排序建立轴长序列，分别获取目标轴长与所述轴长之间的轴长差，将所述轴长差标记在所述轴长序列中，得到轴差序列；
步骤344：根据所述轴差序列以及结合所述最大权重建立每一病理图块与所述目标病理图块之间的权重比例，根据所述权重比例建立每一病理图块对应的距离权重。
该实例中，数量关系轴表示将目标距离线段的长度定为单位长度，建立单位轴，然后根据不同距离直线与目标距离线段之间的长度倍数关系所建立的与单位轴呈对应倍数的数轴；
该实例中，每一个就线段对应的一个轴长；
该实例中，目标轴长的长度可以为单位长度；
该实例中，轴长序列中包含了不同距离线段对应的轴长；
该实例中，轴差序列中的轴差可以为0，可以为任意正数；
该实例中，权重比例表示不同的病理图块的应设权重与目标病理图块的最大权重之间的比例，例如，目标病理图块对应的最大权重为1，病理图块A的轴长A与目标轴长之间的轴长差为9，那么权重比例为10：1，病理图块A的权重为0.1。
上述技术方案的工作原理以及有益效果：为了将病理图块根据用户的感兴趣程度的高低依次展现在用户面前，先获取目标距离线段对应的目标病理图块并为其设置最大权重，然后根据不同距离线段与目标距离线段之间的长度倍数关系来建立数量关系轴，进而根据轴长由长到短的顺序来建立轴长序列以及结合目标轴长建立轴差序列，从而得到每一个病理图块与目标病理图块之间的权重比例，根据权重比例可以为每一病理图块建立距离权重，这样一来通过数量关系轴来直观快捷的得到不同距离线段与目标距离线段之间的数量关系，便于建立权重比例，进而建立距离权重。
实施例9
在实施例1的基础上，所述一种追寻数字病理图像在缩放过程中中心焦点的方法，还包括：
当所述数字病理图像中仅含有一个病理图块时，获取所述病理图块的对角线交叉点，记作中心焦点；
将所述中心焦点标记在所述数字病理图像中，将标记后的数字病理图像输入到图像显示区域进行显示。
上述技术方案的工作原理以及有益效果：当数字病理图像中仅包含一个病理图块时，直接获取病理图块的对角线交叉点，得到其中心焦点，最后将数字病理图像输入到图像显示区域进行显示，针对单一的图块进行简单的处理，可以加快处理速度。
实施例10
在实施例1的基础上，所述一种追寻数字病理图像在缩放过程中中心焦点的方法，还包括：
当用户缩放数字病理图像时，鼠标的执行位置发生变化，所述图像显示区域所显示的病理图块发生相应的变化。
上述技术方案的工作原理以及有益效果：为了及时响应用户的执行动作，根据鼠标的执行位置的变化，在图像显示区域呈现不同的病理图块。
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 (6)
1.一种追寻数字病理图像在缩放过程中中心焦点的方法，其特征在于，包括：
步骤1：当用户缩放数字病理图像时，跟踪鼠标在数字病理图像中的执行位置；
步骤2：分别获取每一病理图块的对角线交叉点，记作中心焦点；
步骤3：获取所述数字病理图像中每一病理图块的中心焦点与执行位置之间的直线距离，根据所述直线距离为对应的病理图块建立距离权重；
步骤4：根据距离权重由大到小的顺序将所述病理图块进行排序得到图块列表，分别在每一病理图块上标记中心焦点，将标记后的图块列表输入到图像显示区域进行显示；
所述步骤2，包括：
步骤21：分别获取每一病理图块对应的矩形特征；
步骤22：根据所述矩形特征建立对应病理图块的第一矩形边、第二矩形边、第三矩形边和第四矩形边；
步骤23：利用预设遍历线分别遍历所述第一矩形边、第二矩形边、第三矩形边和第四矩形边，得到第一边节点、第二边节点、第三边节点和第四边节点；
步骤24：将所述第一边节点、第二边节点、第三边节点和第四边节点两两相互连接，得到每一病理图块的对角线交叉点，记作中心焦点；
所述步骤3，包括：
步骤31：在所述数字病理图像中标记每一病理图块的中心焦点与所述执行位置之间的距离线段；
步骤32：获取每一距离线段对应的线段长度，得到每一病理图块中心焦点与所述执行位置之间的直线距离；
步骤33：提取直线距离最小的目标距离线段，分别获取每一距离线段与所述目标距离线段对应的长度倍数关系；
步骤34：获取所述目标距离线段对应的目标病理图块，将所述目标病理图块的距离权重视为最大权重，结合所述长度倍数关系分别为每一病理图块建立距离权重；
所述步骤4，包括：
步骤41：分别获取每一病理图块对应的距离权重，根据距离权重由大到小的顺序对所述病理图块进行排序，得到图块列表；
步骤42：分别在每一病理图块上标记中心焦点，得到带标病理图块；
步骤43：分别解析每一带标病理图块，根据解析结果判断每一带标病理图块的标记结果是否合法；
步骤44：当每一带标病理图块的标记结果均合法时，根据每一带标病理图块在所述图块列表中的顺序，分别将每一带标病理图块输入到图像显示区域进行显示；
所述步骤43，包括：
步骤431：根据每一带标病理图块在所述数字病理图像上的图块位置将所述带标病理图块进行重组，得到带标数字病理图像；
步骤432：将所述带标数字病理图像映射到预设空间内，得到若干个映射中心焦点，将相邻的所述映射中心焦点连接，得到中心焦点分布图；
步骤433：解析所述中心焦点分布图，得到每一分布行对应的第一分布特征和每一分布列对应的第二分布特征；
步骤434：当所有分布行对应的第一分布特征一致，且所有的分布列对应的第二分布特征一致时，确定所有的带标病理图块的标记结果合法；
其中，数量关系轴表示将目标距离线段的长度定为单位长度，建立单位轴，然后根据不同距离直线与目标距离线段之间的长度倍数关系所建立的与单位轴呈对应倍数的数轴；
其中，每一个距离线段对应的一个轴长；
其中，目标轴长的长度为单位长度；
其中，轴长序列中包含了不同距离线段对应的轴长。
2.如权利要求1所述的一种追寻数字病理图像在缩放过程中中心焦点的方法，其特征在于，所述步骤1，包括：
步骤11：获取数字病理图像，将所述数字病理图像分割为预设数量的矩形图块，得到若干个病理图块；
步骤12：当用户执行缩放动作时，采集鼠标在所述数字病理图像上的移动轨迹；
步骤13：获取所述移动轨迹与病理图块的重合信息，得到鼠标在病理图像缩放过程中的执行位置。
3.如权利要求1所述的一种追寻数字病理图像在缩放过程中中心焦点的方法，其特征在于，还包括：
当存在标记结果不合法的带标病理图块时分别对所述第一分布特征和第二分布特征进行聚类分析，得到若干个第一分布特征类和若干个第二分布特征类；
提取仅具有一个第一分布特征的第一目标分布特征类，以及提取仅具有一个第二分布特征的第二目标分布特征类，将未提取的第一分布特征类记作第一合法分布特征类，以及将未提取的第二分布特征类记作第二合法分布特征类；
利用所述第一合法分布特征类修正所述第一目标分布特征类，以及利用第二合法分布特征类修正所述第二目标分布特征类，直到所述第一目标分布特征类与所述第一合法分布特征类一致且所述第二目标分布特征类与所述第二合法分布特征类一致为止。
4.如权利要求1所述的一种追寻数字病理图像在缩放过程中中心焦点的方法，其特征在于，所述步骤34包括：
步骤341：获取所述目标距离线段对应的目标病理图块，将所述目标病理图块的距离权重视为最大权重；
步骤342：根据不同距离线段与所述目标距离线段之间的长度倍数关系建立数量关系轴，根据所述数量关系轴得到每一距离线段对应的轴长，以及获取所述目标距离线段对应的目标轴长；
步骤343：根据轴长由长到短的顺序对所述距离线段进行排序建立轴长序列，分别获取目标轴长与所述轴长之间的轴长差，将所述轴长差标记在所述轴长序列中，得到轴差序列；
步骤344：根据所述轴差序列以及结合所述最大权重建立每一病理图块与所述目标病理图块之间的权重比例，根据所述权重比例建立每一病理图块对应的距离权重。
5.如权利要求1所述的一种追寻数字病理图像在缩放过程中中心焦点的方法，其特征在于，还包括：
当所述数字病理图像中仅含有一个病理图块时，获取所述病理图块的对角线交叉点，记作中心焦点；
将所述中心焦点标记在所述数字病理图像中，将标记后的数字病理图像输入到图像显示区域进行显示。
6.如权利要求1所述的一种追寻数字病理图像在缩放过程中中心焦点的方法，其特征在于，还包括：
当用户缩放数字病理图像时，鼠标的执行位置发生变化，所述图像显示区域所显示的病理图块发生相应的变化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311140720.3A CN117115241B (zh) | 2023-09-06 | 2023-09-06 | 一种追寻数字病理图像在缩放过程中中心焦点的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311140720.3A CN117115241B (zh) | 2023-09-06 | 2023-09-06 | 一种追寻数字病理图像在缩放过程中中心焦点的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117115241A CN117115241A (zh) | 2023-11-24 |
| CN117115241B true CN117115241B (zh) | 2024-03-29 |
Family
ID=88796239
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311140720.3A Active CN117115241B (zh) | 2023-09-06 | 2023-09-06 | 一种追寻数字病理图像在缩放过程中中心焦点的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117115241B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005089434A2 (en) * | 2004-03-17 | 2005-09-29 | Seadragon Software, Inc. | Method for encoding and serving geospatial or other vector data as images |
| CN110570352A (zh) * | 2019-08-26 | 2019-12-13 | 腾讯科技（深圳）有限公司 | 图像标注方法、装置、系统及细胞标注方法 |
| CN111462075A (zh) * | 2020-03-31 | 2020-07-28 | 湖南国科智瞳科技有限公司 | 一种全切片数字病理图像模糊区域的快速重聚焦方法及系统 |
| 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 |
| CN113313164A (zh) * | 2021-05-27 | 2021-08-27 | 复旦大学附属肿瘤医院 | 一种基于超像素分割与图卷积的数字病理图像分类方法及系统 |
| CN113490842A (zh) * | 2019-02-28 | 2021-10-08 | 索尼集团公司 | 信息处理装置、信息处理方法和信息处理系统 |
| CN114092475A (zh) * | 2022-01-19 | 2022-02-25 | 浙江太美医疗科技股份有限公司 | 病灶长径确定方法、图像标注方法、装置及计算机设备 |
| CN116703929A (zh) * | 2023-08-08 | 2023-09-05 | 武汉楚精灵医疗科技有限公司 | 腺管极性紊乱程度参数的确定方法及装置 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140010433A1 (en) * | 2010-11-03 | 2014-01-09 | Ajay Divekar | System and method for improved detection of objects of interest in image data by management of false positives |
| EP3806101A4 (en) * | 2018-05-28 | 2021-07-21 | FUJIFILM Corporation | TRAINING DATA COLLECTION DEVICE, TRAINING DATA COLLECTION METHOD AND PROGRAM, TRAINING SYSTEM, TRAINED MODEL AND ENDOSCOPE IMAGE PROCESSING DEVICE |
| EP4009861A4 (en) * | 2019-08-09 | 2023-08-30 | Emvision Medical Devices Ltd | DEVICE AND METHOD FOR ELECTROMAGNETIC IMAGING |
| US20210241178A1 (en) * | 2020-02-04 | 2021-08-05 | Case Western Reserve University | Computationally derived cytological image markers for predicting risk of relapse in acute myeloid leukemia patients following bone marrow transplantation images |
| WO2021225732A2 (en) * | 2020-05-07 | 2021-11-11 | Howmedica Osteonics Corp. | Pre-morbid characterization of anatomical object using orthopedic anatomy segmentation using hybrid statistical shape modeling (ssm) |
| US20220108123A1 (en) * | 2020-10-01 | 2022-04-07 | The Board Of Trustees Of The University Of Illinois | Tissue microenvironment analysis based on tiered classification and clustering analysis of digital pathology images |
-
2023
- 2023-09-06 CN CN202311140720.3A patent/CN117115241B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005089434A2 (en) * | 2004-03-17 | 2005-09-29 | Seadragon Software, Inc. | Method for encoding and serving geospatial or other vector data as images |
| CN113490842A (zh) * | 2019-02-28 | 2021-10-08 | 索尼集团公司 | 信息处理装置、信息处理方法和信息处理系统 |
| CN110570352A (zh) * | 2019-08-26 | 2019-12-13 | 腾讯科技（深圳）有限公司 | 图像标注方法、装置、系统及细胞标注方法 |
| CN111462075A (zh) * | 2020-03-31 | 2020-07-28 | 湖南国科智瞳科技有限公司 | 一种全切片数字病理图像模糊区域的快速重聚焦方法及系统 |
| 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 |
| CN113313164A (zh) * | 2021-05-27 | 2021-08-27 | 复旦大学附属肿瘤医院 | 一种基于超像素分割与图卷积的数字病理图像分类方法及系统 |
| CN114092475A (zh) * | 2022-01-19 | 2022-02-25 | 浙江太美医疗科技股份有限公司 | 病灶长径确定方法、图像标注方法、装置及计算机设备 |
| CN116703929A (zh) * | 2023-08-08 | 2023-09-05 | 武汉楚精灵医疗科技有限公司 | 腺管极性紊乱程度参数的确定方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| Multi-scale Image Fusion Between Pre-operative Clinical CT and X-ray Microtomography of Lung Pathology;Holger R.Roth等;《arXiv》;第1-3页 * |
| 终末期肾病血透血压模式识别及预后分析方法研究;王丰;《中国博士学位论文全文数据库医药卫生科技辑》(第01期);第E060-93页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117115241A (zh) | 2023-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10262189B2 (en) | Evaluation of co-registered images of differently stained tissue slices | |
| WO2021062904A1 (zh) | 基于病理图像的tmb分类方法、系统及tmb分析装置 | |
| Xu et al. | Automatic grading of nuclear cataracts from slit-lamp lens images using group sparsity regression | |
| CN105701766A (zh) | 图形匹配方法和装置 | |
| US11756199B2 (en) | Image analysis in pathology | |
| JP2010000133A (ja) | 画像表示装置、画像表示方法及びプログラム | |
| JPWO2018207261A1 (ja) | 画像解析装置 | |
| Lin | Autonomous sub-image matching for two-dimensional electrophoresis gels using MaxRST algorithm | |
| CN117115241B (zh) | 一种追寻数字病理图像在缩放过程中中心焦点的方法 | |
| CN113345052B (zh) | 基于相似显著性的分类数据多视图可视化着色方法及系统 | |
| JP6733984B2 (ja) | 画像解析装置 | |
| NL2032560B1 (en) | Deep learning model performance evaluation method and system | |
| CN110717910A (zh) | Ct图像目标检测方法及ct扫描仪 | |
| CN110782975A (zh) | 一种显微镜下病理切片图像的呈现方法及装置 | |
| WO2006059662A1 (ja) | 表示デバイスの検査装置および検査方法 | |
| CN113256717B (zh) | 一种细胞涂片辅助分析方法和系统 | |
| CN115170793A (zh) | 面向工业产品质检的小样本图像分割自我校准方法 | |
| CN109214398B (zh) | 一种从连续图像中量测杆体位置的方法和系统 | |
| CN113052166A (zh) | 病理图像的显示方法及装置 | |
| EP3418908A1 (en) | Contextual grouping | |
| JP5083060B2 (ja) | 画像表示装置、画像表示方法及びプログラム | |
| US20230016320A1 (en) | Image analysis method, image generation method, learning-model generation method, annotation apparatus, and annotation program | |
| Wang | Automated Tracking of Mouse Embryogenesis from Large-scale Fluorescence Microscopy Data | |
| Wang et al. | Deletion genotype calling on the basis of sequence visualisation and image classification | |
| CN117670909A (zh) | 一种数字病理图像tile图的分割边界展示调试系统 |
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 |