CN117197083A - 病理图像的质量管控方法及设备 - Google Patents
病理图像的质量管控方法及设备 Download PDFInfo
- Publication number
- CN117197083A CN117197083A CN202311159794.1A CN202311159794A CN117197083A CN 117197083 A CN117197083 A CN 117197083A CN 202311159794 A CN202311159794 A CN 202311159794A CN 117197083 A CN117197083 A CN 117197083A
- Authority
- CN
- China
- Prior art keywords
- classification
- image
- original
- pathological
- quality
- 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.)
- Pending
Links
- 230000001575 pathological effect Effects 0.000 title claims abstract description 173
- 238000003908 quality control method Methods 0.000 title claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 43
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 238000002360 preparation method Methods 0.000 claims abstract description 24
- 238000005206 flow analysis Methods 0.000 claims abstract description 3
- 230000007170 pathology Effects 0.000 claims description 58
- 238000000034 method Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 16
- 238000012797 qualification Methods 0.000 claims description 6
- 230000002194 synthesizing effect Effects 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000004043 dyeing Methods 0.000 description 17
- 238000012545 processing Methods 0.000 description 9
- 238000003745 diagnosis Methods 0.000 description 8
- 230000001976 improved effect Effects 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000010186 staining Methods 0.000 description 8
- 239000011521 glass Substances 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 238000010827 pathological analysis Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 239000006059 cover glass Substances 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000008713 feedback mechanism Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000001303 quality assessment method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000037303 wrinkles Effects 0.000 description 2
- 241001268993 Heterochrosis Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000004519 grease Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开病理图像的质量管控方法及设备，包括：采集任一时间段内的病理图像；基于若干原始问题，对采集的每张病理图像进行质量检测，判断该图像是否为合格的病理图像；基于病理图像制备的整个流程分析，将若干原始问题进行分类，生成包含有对应原始问题的若干分类问题，所述分类问题为病理图像制备流程中任一步骤所存在的问题；基于每个分类问题所包含的原始问题，对每张不合格的病理图像进行深度分析，判断该图像是否存在该分类问题；统计所有病理图像存在的原始问题和分类问题，并进行趋势分析，得出分析结果。本发明能够结合病理图像的制备流程，找到问题源头，将原始问题进行匹配分类，对病理图像的质量进行管控。
Description
技术领域
本发明属于医学图像处理和数据分析领域，具体涉及一种病理图像的质量管控方法及设备。
背景技术
在病理学中，病理图像是非常重要的资源，用于对临床病例进行检查、诊断和治疗方案的制定。为了获得更准确、更可靠的病理图像，医院普遍利用数字成像技术，使用数字扫描仪将病理标本制成数字化图像，并进行存储、管理和分析。然而，这些数字化图像仍然存在一些问题，如图像复杂度高、质量不一、存在噪声等问题，这对于病理科医生的诊断和治疗可能会产生一定的影响。
传统的病理图像处理方法主要是手工检查和处理，需要耗费大量的时间和精力，而且容易出现人为的误差和漏检。此外，传统的处理方法也无法满足多样化、大规模的图像处理需求，医生缺乏对异常干扰因素的有效的自动化指导。因此，开发一种智能化的病理图像处理系统，是提高病理图像质量和精度、提高病理科医生工作效率和准确率的关键。
传统的病理图像处理方法主要是通过去除图像中的噪声、干扰等因素，加之诸如笔迹部分的还原处理，以提高病理图像的质量和准确性。然而，这些做法都忽略掉了这些因素中包含的对病理图像制作和扫描的重要指导信息。
发明内容
为了解决上述技术问题，本发明提出了一种病理图像的质量管控方法及设备。
为了达到上述目的，本发明的技术方案如下：
一方面，本发明公开一种病理图像的质量管控方法，包括：
步骤S1：采集任一时间段内的病理图像；
步骤S2：基于若干原始问题，对采集的每张病理图像进行质量检测，判断该图像是否为合格的病理图像；
步骤S3：基于病理图像制备的整个流程分析，将若干原始问题进行分类，生成包含有对应原始问题的若干分类问题，所述分类问题为病理图像制备流程中任一步骤所存在的问题；
步骤S4：基于每个分类问题所包含的原始问题，对每张不合格的病理图像进行深度分析，判断该图像是否存在该分类问题；
步骤S5：统计所有病理图像存在的原始问题和分类问题，并进行趋势分析，得出分析结果。
在上述技术方案的基础上，还可做如下改进：
作为优选的方案，步骤S1具体包括：
步骤S1.1：采集任一时间段内的病理图像；
步骤S1.2：对采集的病理图像进行整理。
作为优选的方案，步骤S2具体包括：
步骤S2.1：根据每个原始问题，对采集的每张病理图像进行打分，得到第i个原始问题的原始分Si，i=1,2,...n；
步骤S2.2：综合每个原始问题的原始分，通过下式获得病理图像的质量总分S总；
；
其中：Wi为第i个原始问题所对应的预设权重；
步骤S2.3：判断病理图像的质量总分S总是否小于质量及格分S及格；
若是，则该图像为不合格的病理图像；
否则，该图像为合格的病理图像。
作为优选的方案，步骤S4具体包括：
步骤S4.1：针对每个分类问题，通过下式获得病理图像的第j个分类问题的分类分Ej，j=1,2,...m；
；
其中：Jj为第j个分类问题所包含的原始问题的集合；
步骤S4.2：针对每个分类问题，通过下式获得病理图像的第j个分类问题的分类满分Ej-满分及其对应分类及格分Ej-及格，j=1,2,...m；
；
；
其中：Rj为第j个分类问题的预设及格率；
步骤S4.3：判断病理图像第j个分类问题的分类分Ej是否小于对应分类及格分Ej-及格；
若是，则该图像存在该分类问题；
否则，该图像不存在该分类问题。
作为优选的方案，质量管控方法还包括：
步骤S6：将病理图像存在的原始问题、分类问题及分析结果反馈给病理科。
另一方面，本发明公开一种病理图像的质量管控设备，包括：
采集模块，用于采集任一时间段内的病理图像；
第一问题检测模块，用于基于若干原始问题，对采集的每张病理图像进行质量检测，判断该图像是否为合格的病理图像；
问题分类模块，用于基于病理图像制备的整个流程分析，将若干原始问题进行分类，生成包含有对应原始问题的若干分类问题，所述分类问题为病理图像制备流程中任一步骤所存在的问题；
第二问题检测模块，用于基于每个分类问题所包含的原始问题，对每张不合格的病理图像进行深度分析，判断该图像是否存在该分类问题；
统计分析模块，用于统计所有病理图像存在的原始问题和分类问题，并进行趋势分析，得出分析结果。
作为优选的方案，采集模块具体包括：
采集单元，用于采集任一时间段内的病理图像；
整理单元，用于对采集的病理图像进行整理。
作为优选的方案，第一问题检测模块具体包括：
原始分获取单元，用于根据每个原始问题，对采集的每张病理图像进行打分，得到第i个原始问题的原始分Si，i=1,2,...n；
质量总分获取单元，用于综合每个原始问题的原始分，通过下式获得病理图像的质量总分S总；
；
其中：Wi为第i个原始问题所对应的预设权重；
第一判断单元，用于判断病理图像的质量总分S总是否小于质量及格分S及格；
若是，则该图像为不合格的病理图像；
否则，该图像为合格的病理图像。
作为优选的方案，第二问题检测模块包括：
分类分获取单元，用于针对每个分类问题，通过下式获得病理图像的第j个分类问题的分类分Ej，j=1,2,...m；
；
其中：Jj为第j个分类问题所包含的原始问题的集合；
分类及格分获取单元，用于针对每个分类问题，通过下式获得病理图像的第j个分类问题的分类满分Ej-满分及其对应分类及格分Ej-及格，j=1,2,...m；
；
；
其中：Rj为第j个分类问题的预设及格率；
第二判断单元，用于判断病理图像第j个分类问题的分类分Ej是否小于对应分类及格分Ej-及格；
若是，则该图像存在该分类问题；
否则，该图像不存在该分类问题。
作为优选的方案，质量管控设备还包括：
反馈模块，用于将病理图像存在的原始问题、分类问题及分析结果反馈给病理科。
本发明公开一种病理图像的质量管控方法及设备，能够结合病理图像的制备流程，找到问题源头，将原始问题进行匹配分类，对病理图像的质量进行管控，具有以下有益效果：
第一，本发明采用机器学习算法和图像处理技术，能够自动化、快速地检测病理图像，并对不同原始问题进行定量分析并打分，避免人工处理过程中的误差和漏检，提高了病理图像检测的效率和可靠性。
第二，通过统计所有病理图像存在的原始问题和分类问题，并进行趋势分析，从而发现常见问题的共性和特点，总结归纳原因，为后续制作高质量病理图像提供数据支持和参考依据。
第三，根据病理图像问题趋势，分析给出原因和解决方案，帮助病理科医生检查发现潜在病理图像制作和扫描中存在的问题，针对问题进行改正，从而提高病理图像的质量和精度。为病理科提供反馈和指导。
第四，实时监测病理图像质量，帮助病理科提高工作效率和诊断准确度，同时也为医疗机构提供了更加安全可靠的医疗服务。
本发明能够准确、全面地检测识别病理图像中存在的原始问题，根据不同原始问题对图像质量的影响程度进行打分，分类出不同原始问题对应的分类问题（即步骤源头），统计分析病理图像的问题趋势，并提供解决方案从而改善病理科制作病理图像的流程，最终产出更高质量和精度的病理图像，病理科医生能做出更准确、更可靠的病理诊断，此发明极具实用性、可靠性和适用性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，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相关的附图。
图1为本发明实施例提供的质量管控方法的流程图。
图2为本发明实施例提供的质量管控方法的处理步骤图。
具体实施方式
下面结合附图详细说明本发明的优选实施方式。
下面将结合本发明实施例中的附图，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。
使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
另外，“包括”元件的表述是“开放式”表述，该“开放式”表述仅仅是指存在对应的部件或步骤，不应当解释为排除附加的部件或步骤。
为了达到本发明的目的，一种病理图像的质量管控方法及设备的其中一些实施例中，如图1所示，质量管控方法包括：
步骤S1：采集当月一个月内的所有病理图像；
步骤S2：基于9个原始问题，对采集的每张病理图像进行质量检测，判断该图像是否为合格的病理图像，9个原始问题具体包括：染色问题、重叠问题、断裂问题、褶皱问题、模糊问题、组织占比问题、盖玻片边缘问题、气泡问题、笔迹问题；
步骤S3：基于病理图像制备的整个流程分析，将9个原始问题进行分类，生成包含有对应原始问题的3个分类问题，分类问题为病理图像制备流程中任一步骤所存在的问题，3个分类问题具体包括：切片问题、扫描问题以及玻片制作问题；
步骤S4：基于每个分类问题所包含的原始问题，对每张不合格的病理图像进行深度分析，判断该图像是否存在该分类问题；
步骤S5：统计所有病理图像存在的原始问题和分类问题，并进行趋势分析，得出分析结果。
如图2所示，为了便于对本发明进行理解，下面对每个步骤进行详细阐述。
步骤S1具体包括：
步骤S1.1：采集当月一个月内的病理图像，包括拍摄日期和时间等信息；
步骤S1.2：对采集的病理图像进行整理，按照时间排序整理为4周的病理图像。
步骤S1进行病理图像的采集和整理准备，收集近期（如一个月内）需要分析的病理图像，以便观察当月每一周的图像质量并根据可能出现的规律或趋势总结问题，方便将问题按照周进行分析和统计，以便后续整理统计规律并反馈于病理科。
步骤S2具体包括：
步骤S2.1：根据每个原始问题，对采集的每张病理图像进行打分，得到第i个原始问题的原始分Si，i=1,2,...9；
步骤S2.2：综合每个原始问题的原始分，通过下式获得病理图像的质量总分S总；
；
其中：Wi为第i个原始问题所对应的预设权重；
步骤S2.3：判断病理图像的质量总分S总是否小于质量及格分S及格；
若是，则该图像为不合格的病理图像；
否则，该图像为合格的病理图像。
具体地，
首先，建立9个滤波器，1个滤波器对应1个原始问题，9个原始问题具体包括：染色问题、重叠问题、断裂问题、褶皱问题、模糊问题、组织占比问题、盖玻片边缘问题、气泡问题、笔迹问题。
其次，利用9个滤波器分别对病理图像进行检测，获得9个针对不同原始问题的滤波后图像。
最后，利用处理器或其他具有计算能力的装置对滤波后图像分别打分。
针对染色问题滤波后图像：根据样本染色的均匀度、深浅程度进行打分，得到原始分S1。
针对重叠问题滤波后图像：根据重叠区域大小和数量进行打分，得到原始分S2。
针对断裂问题滤波后图像：根据断裂区域数量、大小、程度进行打分，得到原始分S3。
针对褶皱问题滤波后图像：根据褶皱的数量、大小、深浅程度来评估褶皱情况进行打分，得到原始分S4。
针对模糊问题滤波后图像：根据病理图像的清晰度、清晰区域占比进行打分，得到原始分S5。
针对组织占比问题滤波后图像：根据组织在图像中的面积来评估组织占比进行打分，得到原始分S6。
针对盖玻片边缘问题滤波后图像：根据盖玻片边缘与组织重叠的区域大小进行打分，得到原始分S7。
针对气泡问题滤波后图像：根据气泡数量和大小进行打分，得到原始分S8。
针对笔迹问题滤波后图像：根据笔迹的深浅程度、占据组织的比例大小进行打分，得到原始分S9。
为针对每个不同原始问题的原始分赋予权重，汇总不同原始问题的加权打分即为病理图像的最终质量总分S总。
权重的分配根据不同原始问题的重要程度来进行合理的分配, 为后续分类以及整张图像的质量评定提供依据和标准。例如在病理图像质量评估中，对于组织占比、模糊、笔迹等因素的重要性可能会比较高，而对于盖玻片边缘、褶皱等因素的重要性可能会相对较低。因此，需要根据实际情况综合考虑各项因素的重要性，来进行合理的权重分配。
权重的设置可以使得每个问题的重要性都有一定的体现，既能对图像的重要质量问题起到考核作用，又不会过于偏重于某些问题而忽略其他部分的评估。然而，实际情况需要根据具体的病理图像评估需求而定并进行调整。
总权重和为100%，设整张图像的满分S满分为100分，各个原始问题分配的权重参考见表1，第二列为不同原始问题的实际打分，第三列为其对应的权重，第四列为不同权重的参考取值建议。若组织占比权重W6设置为20%，那么组织占比的满分则为20分，实际得分为S6，以此类推。
故病理图像的质量总分S总为下式，图像质量越好，分数越高。
；
设定及格比率R总（可参考60%），将满分S满分与R总相乘，为图像质量的及格分S及格，以此作为及格分的评判基准。
；
若，则判定该图像质量不及格。
表1 原始问题、原始分、权重分配图
| 原始问题 | 原始分 | 权重/% | 权重参考/% |
| 染色问题 | S1 | W1 | 10 |
| 重叠问题 | S2 | W2 | 10 |
| 断裂问题 | S3 | W3 | 10 |
| 褶皱问题 | S4 | W4 | 5 |
| 模糊问题 | S5 | W5 | 15 |
| 组织占比问题 | S6 | W6 | 20 |
| 盖玻片边缘问题 | S7 | W7 | 5 |
| 气泡问题 | S8 | W8 | 10 |
| 笔迹问题 | S9 | W9 | 15 |
每个分类对应不同的原始问题，在对每个原始问题进行打分之后，应将对应的得分进行加权汇总，此操作可以减少主观评价因素对分类结果的影响，提高评价的可信度。对于不合格的病理图像，找到病理图像制备流程中哪个步骤所存在的问题，便于后续进行补救，如：重新切片、重新制作玻片或者重新扫描。
下面对每个原始问题进行分析。
（1）组织占比问题；组织占比低，而背景太多，极有可能是数字扫描仪扫描图像时没有正确设置扫描参数。
故，组织占比问题属于扫描问题，后续重新扫描即可。
（2）笔迹问题；笔迹一般是医生进行标记和记录用的，以下是一些需要擦除盖玻片上的笔迹重新扫描的情况：笔迹遮盖了有意义的组织结构，导致无法准确诊断；笔迹过于密集，在图像处理过程中可能会干扰算法的识别和分析；笔迹错误地标注了组织结构或者病变区域，可能会误导后续的诊断和治疗；笔迹质量不佳，比如模糊、重叠、褪色、颜色不清晰等，无法有效识别和分析，可能会影响图像质量和诊断结果的准确性。
由于做标记时，盖玻片已经盖于组织上，去除笔迹时尽可能不要取下盖玻片，因为极大概率会导致标本的移位或破坏组织标本，建议使用专用的溶剂来清除笔迹。
故，笔迹问题属于扫描问题，后续在擦除掉盖玻片上的笔迹后，重新扫描即可。
（3）气泡问题；气泡产生的原因基本存在于制作玻片流程中，如：没有彻底清洁玻片，存在灰尘和油脂等杂质，导致气泡出现在玻片的表面上；贴片时未充分展平，样本没有充分附着在载玻片上，留出空隙使得空气进入玻片之间并形成气泡；在制作过程中，玻片晃动或者移动。
故，气泡问题属于玻片制作问题，后续可以从重新制作玻片开始操作。
（4）盖玻片边缘问题；数字扫描时把盖玻片边缘也拍进去极大可能是因为在制备盖玻片的时候，位置没有放对或者盖玻片太小了。如果是位置放不对导致的问题，可以将盖玻片取下来，并调整玻片的位置再次固定。如果是盖玻片太小导致的问题，则需要重新制备符合尺寸要求的盖玻片，或者使用更大的盖玻片固定切片，以避免玻片边缘出现在图像中。
故，盖玻片边缘问题属于玻片制作问题，后续可以从重新制作玻片开始操作。
（5）褶皱问题；褶皱产生的原因存在于切片或制作玻片的流程中，第一种情况为切片时产生褶皱：其中包括刀片质量原因产生褶皱，如刀片不够锋利或磨损等；其次包括组织切的过厚产生褶皱，常见的组织切片厚度一般在3-5微米之间，切片时切的组织越薄，就越容易保持组织结构的完整性和形状，减少褶皱和形变的可能性，而组织过厚时，切片中央的部分需要经过很大的压力才能被切开，容易导致中央部分出现形变、断裂和褶皱。第二种情况为贴片时用力不一，反复磨擦或挤压导致组织产生变形而产生褶皱。
故，褶皱问题属于切片问题，后续可以从重新切片开始操作。
（6）模糊问题；模糊产生的原因主要有三种。
1：组织表面不平坦导致扫描模糊；
2：染色问题：染色不足会导致细胞和组织中的细节不够鲜明；染色过度会导致细胞和组织中的细节失真或模糊；染色不均匀，颜色深浅不一，会导致图像看起来模糊、不清晰；
3：扫描问题：扫描仪镜头或传感器上沾有灰尘或污渍，导致扫描出的图像模糊；扫描时光线不够充足导致模糊；扫描时晃动，扫描仪或被扫描物体移动了，导致图像模糊。
故，模糊问题可以属于切片问题也属于扫描问题，组织表面不平坦或染色问题导致的模糊，后续从重新切片开始；而扫描问题导致的模糊，后续重新扫描即可。
（7）重叠问题；重叠产生的原因大概率发生于切片阶段，小概率是由于贴片时组织未展平。
故，重叠问题属于切片问题，后续需要从重新切片开始。
（8）断裂问题；断裂产生的原因基本都发生在切片阶段，均由刀片质量引起，存在磨损或变钝。
故，断裂问题属于切片问题，后续需要从重新切片开始。
（9）染色问题；染色问题主要有三种。
1.染色不均和染色强度问题：某些部分染色过多，而有些部分则染色不足，导致不同细胞组织直接的色差过大。
2.染色异质性问题：同一病变区域内，不同细胞染色不一致，表现为异色性，影响病理学判断结果。
3.技术误差问题：包括染色剂的质量问题，染色温度的不精准或低于标准要求，染色时间的不一致，以及染色技巧不当，如染色液滴入不均匀、染色时间过长、染色液品质差等，都会影响染色的效果。
故，染色问题属于切片问题，后续可以从重新切片开始操作。
综上述，结合上述先验知识，基于病理图像制备的整个流程分析，管控人员可以将9个原始问题进行分类，生成包含有对应原始问题的3个分类问题，分类问题为病理图像制备流程中任一步骤所存在的问题，3个分类问题具体包括：切片问题、扫描问题以及玻片制作问题。
具体地，每个分类问题包括其对应原始问题，如下：
切片问题：染色问题、重叠问题、断裂问题、褶皱问题和模糊问题；
扫描问题：模糊问题和组织占比问题；
玻片制作问题：盖玻片边缘问题、气泡问题和笔迹问题。
管控人员预设好原始问题与分类问题之间的对应关系，并将其输入处理器中，便于后续处理器处理。
步骤S4具体包括：
步骤S4.1：针对每个分类问题，通过下式获得病理图像的第j个分类问题的分类分Ej，j=1,2,3；
；
其中：Jj为第j个分类问题所包含的原始问题的集合；
步骤S4.2：针对每个分类问题，通过下式获得病理图像的第j个分类问题的分类满分Ej-满分及其对应分类及格分Ej-及格，j=1,2,3；
；
；
其中：Rj为第j个分类问题的预设及格率；
步骤S4.3：判断病理图像第j个分类问题的分类分Ej是否小于对应分类及格分Ej-及格；
若是，则该图像存在该分类问题；
否则，该图像不存在该分类问题。
具体地，切片问题（集合有染色问题、重叠问题、断裂问题、褶皱问题和模糊问题）的分类分E1、分类满分E1-满分及分类及格分E1-及格，如下：
；
；
。
同理：扫描问题（集合有模糊问题和组织占比问题）的分类分E2、分类满分E2-满分及分类及格分E2-及格，如下：
；
；
。
玻片制作问题（集合有盖玻片边缘问题、气泡问题和笔迹问题）的分类分E3如下：
；
；
。
上述R1、R2、R3可以取值60%。
步骤S5具体为，统计所有病理图像存在的原始问题和分类问题，并进行趋势分析，得出分析结果。
对近期出现的问题进行统计和分析，根据每一阶段（如每一周）图像出现的不同问题绘制趋势曲线，观察近期各类问题发生的趋势，总结归纳问题出现的原因。
通过统计打分，可以了解到不同原始问题的出现频率和严重程度，为问题的分类和原因分析提供更多信息。比如，如果某种原始问题的出现频率很高且严重程度较高，那么说明这个原始问题值得重点关注，并需要采取相应的纠正措施。此外，通过统计不同原始问题的打分和分类，可以了解到哪些问题相对较为突出，哪些问题比较常见，从而为后续改进提供依据。综上所述，可以针对分类和问题两个维度，分别对其趋势进行分析，为相关机构和人员提供相应的参考和指导。
通过对当月每一周分类趋势的统计，能够了解到每种分类在该批次病理图像中的数量和出现情况，进而得出分类问题的趋势，如：具体某种分类问题在当月出现频率的变化趋势。
通过对分类问题的趋势分析，遵循问题优先的原则，针对出现频率较高、严重程度较大的分类问题优先采取相应纠正措施，提高病理诊断结果的准确性和信任度。如：当月需要切片问题的情形，一周比一周多，呈现上升趋势，而玻片制作或扫描问题的出现较少，则极大概率是负责切片的医生能力不够或者切片用的刀具有磨损或变钝。
除了统计分类趋势，不同原始问题类型的数量和变化趋势也是同理，通过对原始问题趋势的统计分析，能够深入了解各种问题的出现情况和产生原因，提出相应的改进措施。同时，还可以借鉴其他领域的专业知识和经验，引入新的检测技术和方法，提高病理图像的质量和诊断效果。
进一步，本发明的质量管控方法还包括：
步骤S6：将病理图像存在的原始问题、分类问题及分析结果反馈给病理科。
根据统计趋势后的分析结果，将问题出现的状况和分析报告反馈给病理科，及时提出改进方案和建议以及每类问题可能出现的原因。
病理科根据反馈的信息，对近一个月内的制片流程进行检查和回顾，针对存在的问题进行改正和完善，减少或避免类似问题的发生，以便后续制作出高质量的病理图像，最终提高病理诊断准确性和治疗效果。
反馈病理科是指在病理图像检测之后，将检测及趋势统计结果反馈给病理科医师，让其了解病理图像的问题情况以及相应的纠正措施。
反馈病理科的内容包括病理图像的检测结果、问题的数量和严重程度等具体明确的信息。例如，某种问题在病理图像中的出现频率、次数、类型以及相应的纠正措施等内容。针对不同类别问题，可以给出相应的建议和措施，提高病理科医师对问题的了解和解决能力。同时，还应提供相关的数据支持，包括问题种类的统计资料、治疗方案和病理分析结果等，使得病理科医师能够快速认识到病情的严重性并做出相应的措施。
反馈病理科的落实方式可以通过多种渠道实现，比如定期召开业务会议、上门讲解和诊断报告等。不同的反馈方式应针对不同的问题类型和病理科医师群体，例如，针对某种问题较为普遍的病理科医师，可以让其对该问题进行短期培训，并开设缺陷登记表，便于病理科医师对病理图像进行更一致的诊断。同时，还应定期将纠正措施落实情况与病理科医师共享反馈，反馈情况的具体结果和措施。
反馈病理科的改进效果应该是整个系统持续改进的最终目标，病理科医师对于特定问题的反应速度缓慢，缺乏及时的反馈机制，导致问题无法得到及时的解决，故应根据特定问题加强对病理科医师的管理和培训，以及引入更好的制片和扫描工具。此外，通过对反馈后改进效果的分析和评估，能够反向检测和纠正反馈机制的不足之处，定期对机制进行评估和调整。
总结，本发明主要流程如下：1）采集整理病理图像；2）通过建立多个滤波器定向查找病理图像存在的原始问题，并根据问题的严重程度进行打分，根据各原始问题对图像的重要程度对其赋予权重，对整张病理图像进行综合打分；3）基于病理图像制备的整个流程分析，将原始问题进行分类，得到分类问题；4）进行深度分析；5）计算每周不同原始问题、分类问题出现的数量并统计占比，绘制趋势曲线，分析近期问题；6）将分析结果反馈给病理科，并建议需要从哪一个流程步骤（即：分类问题）重新开始，如：重新扫描、重新制作玻片或者重新切片，给出问题出现的可能原因，再提出整改意见，以解决病理图像的制作和扫描流程中出现的问题，最终提高后续病理图像的质量，为病理科医生提供更准确、更可靠的病理诊断。
此外，本发明实施例还公开一种病理图像的质量管控设备，包括：
采集模块，用于采集一个月内的病理图像；
第一问题检测模块，用于基于9个原始问题，对采集的每张病理图像进行质量检测，判断该图像是否为合格的病理图像；
问题分类模块，用于基于病理图像制备的整个流程分析，将9个原始问题进行分类，生成包含有对应原始问题的3个分类问题，所述分类问题为病理图像制备流程中任一步骤所存在的问题；
第二问题检测模块，用于基于每个分类问题所包含的原始问题，对每张不合格的病理图像进行深度分析，判断该图像是否存在该分类问题；
统计分析模块，用于统计所有病理图像存在的原始问题和分类问题，并进行趋势分析，得出分析结果。
进一步，采集模块具体包括：
采集单元，用于采集一个月内的病理图像；
整理单元，用于对采集的病理图像进行整理。
进一步，第一问题检测模块具体包括：
原始分获取单元，用于根据每个原始问题，对采集的每张病理图像进行打分，得到第i个原始问题的原始分Si，i=1,2,...9；
质量总分获取单元，用于综合每个原始问题的原始分，通过下式获得病理图像的质量总分S总；
；
其中：Wi为第i个原始问题所对应的预设权重；
第一判断单元，用于判断病理图像的质量总分S总是否小于质量及格分S及格；
若是，则该图像为不合格的病理图像；
否则，该图像为合格的病理图像。
进一步，第二问题检测模块包括：
分类分获取单元，用于针对每个分类问题，通过下式获得病理图像的第j个分类问题的分类分Ej，j=1,2,3；
；
其中：Jj为第j个分类问题所包含的原始问题的集合；
分类及格分获取单元，用于针对每个分类问题，通过下式获得病理图像的第j个分类问题的分类满分Ej-满分及其对应分类及格分Ej-及格，j=1,2,3；
；
；
其中：Rj为第j个分类问题的预设及格率；
第二判断单元，用于判断病理图像第j个分类问题的分类分Ej是否小于对应分类及格分Ej-及格；
若是，则该图像存在该分类问题；
否则，该图像不存在该分类问题。
进一步，质量管控设备还包括：
反馈模块，用于将病理图像存在的原始问题、分类问题及分析结果反馈给病理科。
质量管控设备中的内容与质量管控想法相似，在此不再赘述。
本发明公开一种病理图像的质量管控方法及设备能够结合病理图像的制备流程，找到问题源头，将原始问题进行匹配分类，对病理图像的质量进行管控，具有以下有益效果：
第一，本发明采用机器学习算法和图像处理技术，能够自动化、快速地检测病理图像，并对不同原始问题进行定量分析并打分，避免人工处理过程中的误差和漏检，提高了病理图像检测的效率和可靠性。
第二，通过统计所有病理图像存在的原始问题和分类问题，并进行趋势分析，从而发现常见问题的共性和特点，总结归纳原因，为后续制作高质量病理图像提供数据支持和参考依据。
第三，根据病理图像问题趋势，分析给出原因和解决方案，帮助病理科医生检查发现潜在病理图像制作和扫描中存在的问题，针对问题进行改正，从而提高病理图像的质量和精度。为病理科提供反馈和指导。
第四，实时监测病理图像质量，帮助病理科提高工作效率和诊断准确度，同时也为医疗机构提供了更加安全可靠的医疗服务。
本发明能够准确、全面地检测识别病理图像中存在的原始问题，根据不同原始问题对图像质量的影响程度进行打分，分类出不同原始问题对应的分类问题（即步骤源头），统计分析病理图像的问题趋势，并提供解决方案从而改善病理科制作病理图像的流程，最终产出更高质量和精度的病理图像，提高病理检测的精准度和效率，病理科医生能做出更准确、更可靠的病理诊断，本发明具实用性、可靠性和适用性。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点，本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内，本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.病理图像的质量管控方法及设备，其特征在于，包括：
步骤S1：采集任一时间段内的病理图像；
步骤S2：基于若干原始问题，对采集的每张病理图像进行质量检测，判断该图像是否为合格的病理图像；
步骤S3：基于病理图像制备的整个流程分析，将若干原始问题进行分类，生成包含有对应原始问题的若干分类问题，所述分类问题为病理图像制备流程中任一步骤所存在的问题；
步骤S4：基于每个分类问题所包含的原始问题，对每张不合格的病理图像进行深度分析，判断该图像是否存在该分类问题；
步骤S5：统计所有病理图像存在的原始问题和分类问题，并进行趋势分析，得出分析结果。
2.根据权利要求1所述的质量管控方法，其特征在于，所述步骤S1具体包括：
步骤S1.1：采集任一时间段内的病理图像；
步骤S1.2：对采集的病理图像进行整理。
3.根据权利要求1所述的质量管控方法，其特征在于，所述步骤S2具体包括：
步骤S2.1：根据每个原始问题，对采集的每张病理图像进行打分，得到第i个原始问题的原始分Si，i=1,2,...n；
步骤S2.2：综合每个原始问题的原始分，通过下式获得病理图像的质量总分S总；
；
其中：Wi为第i个原始问题所对应的预设权重；
步骤S2.3：判断病理图像的质量总分S总是否小于质量及格分S及格；
若是，则该图像为不合格的病理图像；
否则，该图像为合格的病理图像。
4.根据权利要求1所述的质量管控方法，其特征在于，所述步骤S4具体包括：
步骤S4.1：针对每个分类问题，通过下式获得病理图像的第j个分类问题的分类分Ej，j=1,2,...m；；
；
其中：Jj为第j个分类问题所包含的原始问题的集合；
步骤S4.2：针对每个分类问题，通过下式获得病理图像的第j个分类问题的分类满分Ej-满分及其对应分类及格分Ej-及格，j=1,2,...m；
；
；
其中：Rj为第j个分类问题的预设及格率；
步骤S4.3：判断病理图像第j个分类问题的分类分Ej是否小于对应分类及格分Ej-及格；
若是，则该图像存在该分类问题；
否则，该图像不存在该分类问题。
5.根据权利要求1所述的质量管控方法，其特征在于，所述质量管控方法还包括：
步骤S6：将病理图像存在的原始问题、分类问题及分析结果反馈给病理科。
6.病理图像的质量管控设备，其特征在于，包括：
采集模块，用于采集任一时间段内的病理图像；
第一问题检测模块，用于基于若干原始问题，对采集的每张病理图像进行质量检测，判断该图像是否为合格的病理图像；
问题分类模块，用于基于病理图像制备的整个流程分析，将若干原始问题进行分类，生成包含有对应原始问题的若干分类问题，所述分类问题为病理图像制备流程中任一步骤所存在的问题；
第二问题检测模块，用于基于每个分类问题所包含的原始问题，对每张不合格的病理图像进行深度分析，判断该图像是否存在该分类问题；
统计分析模块，用于统计所有病理图像存在的原始问题和分类问题，并进行趋势分析，得出分析结果。
7.根据权利要求6所述的质量管控设备，其特征在于，所述采集模块具体包括：
采集单元，用于采集任一时间段内的病理图像；
整理单元，用于对采集的病理图像进行整理。
8.根据权利要求6所述的质量管控设备，其特征在于，所述第一问题检测模块具体包括：
原始分获取单元，用于根据每个原始问题，对采集的每张病理图像进行打分，得到第i个原始问题的原始分Si，i=1,2,...n；
质量总分获取单元，用于综合每个原始问题的原始分，通过下式获得病理图像的质量总分S总；
；
其中：Wi为第i个原始问题所对应的预设权重；
第一判断单元，用于判断病理图像的质量总分S总是否小于质量及格分S及格；
若是，则该图像为不合格的病理图像；
否则，该图像为合格的病理图像。
9.根据权利要求6所述的质量管控设备，其特征在于，所述第二问题检测模块包括：
分类分获取单元，用于针对每个分类问题，通过下式获得病理图像的第j个分类问题的分类分Ej，j=1,2,...m；
；
其中：Jj为第j个分类问题所包含的原始问题的集合；
分类及格分获取单元，用于针对每个分类问题，通过下式获得病理图像的第j个分类问题的分类满分Ej-满分及其对应分类及格分Ej-及格，j=1,2,...m；
；
；
其中：Rj为第j个分类问题的预设及格率；
第二判断单元，用于判断病理图像第j个分类问题的分类分Ej是否小于对应分类及格分Ej-及格；
若是，则该图像存在该分类问题；
否则，该图像不存在该分类问题。
10.根据权利要求6所述的质量管控设备，其特征在于，所述质量管控设备还包括：
反馈模块，用于将病理图像存在的原始问题、分类问题及分析结果反馈给病理科。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311159794.1A CN117197083A (zh) | 2023-09-11 | 2023-09-11 | 病理图像的质量管控方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311159794.1A CN117197083A (zh) | 2023-09-11 | 2023-09-11 | 病理图像的质量管控方法及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117197083A true CN117197083A (zh) | 2023-12-08 |
Family
ID=89004723
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311159794.1A Pending CN117197083A (zh) | 2023-09-11 | 2023-09-11 | 病理图像的质量管控方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117197083A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117456544A (zh) * | 2023-12-25 | 2024-01-26 | 苏州可帮基因科技有限公司 | 带笔迹病理图像的修复方法及设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110853006A (zh) * | 2019-11-05 | 2020-02-28 | 华南理工大学 | 一种使用扫描仪获取的数字病理图像质量评价的方法 |
| CN112418009A (zh) * | 2020-11-06 | 2021-02-26 | 中保车服科技服务股份有限公司 | 一种图像质量检测方法、终端设备及存储介质 |
| CN114038046A (zh) * | 2021-11-29 | 2022-02-11 | 北京比特易湃信息技术有限公司 | 基于识别向量和融合特征的人脸图像质量分类方法 |
-
2023
- 2023-09-11 CN CN202311159794.1A patent/CN117197083A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110853006A (zh) * | 2019-11-05 | 2020-02-28 | 华南理工大学 | 一种使用扫描仪获取的数字病理图像质量评价的方法 |
| CN112418009A (zh) * | 2020-11-06 | 2021-02-26 | 中保车服科技服务股份有限公司 | 一种图像质量检测方法、终端设备及存储介质 |
| CN114038046A (zh) * | 2021-11-29 | 2022-02-11 | 北京比特易湃信息技术有限公司 | 基于识别向量和融合特征的人脸图像质量分类方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117456544A (zh) * | 2023-12-25 | 2024-01-26 | 苏州可帮基因科技有限公司 | 带笔迹病理图像的修复方法及设备 |
| CN117456544B (zh) * | 2023-12-25 | 2024-03-15 | 苏州可帮基因科技有限公司 | 带笔迹病理图像的修复方法及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109191457B (zh) | 一种病理图像质量有效性识别方法 | |
| Dias et al. | Retinal image quality assessment using generic image quality indicators | |
| JP3586695B2 (ja) | 生物標本群用のスライド及び標本の準備を連続的に監視及び予測する方法及び装置 | |
| CN101949819B (zh) | 一种基于图像识别的细胞计数方法 | |
| CN117197083A (zh) | 病理图像的质量管控方法及设备 | |
| US20060002608A1 (en) | Image analysis | |
| EP2976747B1 (en) | Image quality assessment of microscopy images | |
| US11501545B2 (en) | Smart microscope system for radiation biodosimetry | |
| CN109003266B (zh) | 一种基于模糊聚类统计图像质量主观评价结果的方法 | |
| JP3916395B2 (ja) | 検体の予備処理機能を備えた検査体系 | |
| CN107525768B (zh) | 一种dna倍体分析设备的质量控制方法 | |
| CN106934804A (zh) | 图像清晰度检测方法及装置 | |
| US20240079116A1 (en) | Automated segmentation of artifacts in histopathology images | |
| CN107239647A (zh) | 一种基于贝叶斯算法的疾病分析系统 | |
| Yao et al. | Generic features for fundus image quality evaluation | |
| US20040014165A1 (en) | System and automated and remote histological analysis and new drug assessment | |
| Dias et al. | Evaluation of retinal image gradability by image features classification | |
| CN106960218B (zh) | 基于代价敏感学习贝叶斯的乳腺癌数据计算机分类系统 | |
| Bağbaba et al. | An automated grading and diagnosis system for evaluation of dry eye syndrome | |
| CN103246888A (zh) | 肺病的计算机诊断系统及方法 | |
| DE102008001174B4 (de) | Inspektionssystem und -verfahren für die optische Untersuchung von Objektoberflächen, insbesondere von Waferoberflächen | |
| DE69831573T2 (de) | Inspektionssystem mit probenvorschau | |
| CN113155862A (zh) | 一种偏光膜卷材良率的模拟方法 | |
| DE102008001171A1 (de) | Inspektionssytem und -verfahren für die optische Untersuchung von Objektkanten, insbesondere von Waferkanten | |
| CN112329537A (zh) | 一种基于yolov3算法的粪便有形成分的检测方法 |
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 |