CN117457235A - 病理损伤模式预测方法、装置、存储介质及电子设备 - Google Patents
病理损伤模式预测方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN117457235A CN117457235A CN202311781777.1A CN202311781777A CN117457235A CN 117457235 A CN117457235 A CN 117457235A CN 202311781777 A CN202311781777 A CN 202311781777A CN 117457235 A CN117457235 A CN 117457235A
- Authority
- CN
- China
- Prior art keywords
- image
- pathological
- normal structure
- lesion area
- area
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000001575 pathological effect Effects 0.000 title claims abstract description 154
- 230000006378 damage Effects 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 230000003902 lesion Effects 0.000 claims abstract description 143
- 230000036285 pathological change Effects 0.000 claims abstract description 30
- 231100000915 pathological change Toxicity 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000009826 distribution Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims description 24
- 238000007781 pre-processing Methods 0.000 claims description 23
- 230000011218 segmentation Effects 0.000 claims description 23
- 238000001514 detection method Methods 0.000 claims description 22
- 238000003708 edge detection Methods 0.000 claims description 9
- 208000027418 Wounds and injury Diseases 0.000 claims description 8
- 208000014674 injury Diseases 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 19
- 238000012549 training Methods 0.000 description 17
- 238000004590 computer program Methods 0.000 description 13
- 201000010099 disease Diseases 0.000 description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000012554 master batch record Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 210000004185 liver Anatomy 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 210000003462 vein Anatomy 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 208000006454 hepatitis Diseases 0.000 description 2
- 210000005228 liver tissue Anatomy 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010008909 Chronic Hepatitis Diseases 0.000 description 1
- 231100000354 acute hepatitis Toxicity 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000002757 inflammatory effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000007119 pathological manifestation Effects 0.000 description 1
- 210000003240 portal vein Anatomy 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 210000000264 venule Anatomy 0.000 description 1
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
- 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
-
- 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明实施例提供一种病理损伤模式预测方法、装置、存储介质及电子设备，属于数据处理技术领域。所述病理损伤模式预测方法包括：获取待检测病理切片图像；基于预置的病理结构识别模型对所述待检测病理切片图像进行图像识别，得到预处理图像，所述预处理图像中包含正常结构和病变区域的分布信息；基于多边形追踪算法，对所述预处理图像进行矢量化处理，得到矢量图像；基于所述正常结构和病变区域的分布信息，在所述矢量图像中分别确定正常结构和病变区域的空间坐标信息；基于预置的医学规则和所述正常结构和病变区域的空间坐标信息，得到病理损伤模式预测结果。提高了病理损伤模式预测结果的准确率，也增加了结果的可解释性和可信度。
Description
技术领域
本发明涉及数据处理技术领域，具体地涉及一种病理损伤模式预测方法、一种病理损伤模式预测装置、一种机器可读存储介质及一种电子设备。
背景技术
病理结果作为疾病诊断的“金标准”，能够为临床诊疗提供重要信息。然而，各类疾病的病理表现复杂多样，根据病理图像中的病变类型和分布情况从而准确判断出疾病的病理损伤模式，对于医生具有一定挑战。
现有的计算机辅助治疗系统一般采用传统的机器学习算法对病理损伤模式进行预测，目前常常采用的是直接输入原始的复杂病理图像训练端对端的识别模型，这种识别效果往往不佳，导致病理损伤模式预测不够准确。
发明内容
本发明实施例的目的是提供一种病理损伤模式预测方法、一种病理损伤模式预测装置、一种机器可读存储介质及一种电子设备，该病理损伤模式预测方法提高了病理损伤模式预测结果的准确率。
为了实现上述目的，本申请第一方面提供一种病理损伤模式预测方法，包括：
获取待检测病理切片图像；
基于预置的病理结构识别模型对所述待检测病理切片图像进行图像识别，得到预处理图像，所述预处理图像中包含正常结构和病变区域的分布信息；
基于多边形追踪算法，对所述预处理图像进行矢量化处理，得到矢量图像；
基于所述正常结构和病变区域的分布信息，在所述矢量图像中分别确定正常结构和病变区域的空间坐标信息；
基于预置的医学规则和所述正常结构和病变区域的空间坐标信息，得到病理损伤模式预测结果。
在本申请实施例中，所述基于预置的病理结构识别模型对所述待检测病理切片图像进行图像识别，得到预处理图像，包括：
将所述待检测病理切片图像进行分割，得到多个子图像；
基于预置的病理结构识别模型，对各个子图像分别进行图像识别，得到多个预处理子图像；
将所述多个预处理子图像进行空间重映射，得到预处理图像。
在本申请实施例中，所述预置的病理结构识别模型包括预置的目标检测模型和语义分割模型，所述目标检测模型用于识别图像中的正常结构，所述语义分割模型用于识别图像中的病变区域；
所述基于预置的病理结构识别模型对所述待检测病理切片图像进行图像识别，得到预处理图像，包括：
将所述待检测病理切片图像输入至预置的目标检测模型，得到正常结构识别图像；
将所述正常结构识别图像输入至预置的语义分割模型，得到预处理图像。
在本申请实施例中，所述基于多边形追踪算法，对所述预处理图像进行矢量化处理，得到矢量图像，包括：
对所述预处理图像进行预处理，得到待矢量化图像；
对所述待矢量化图像进行边缘检测，并基于边缘检测得到的边缘区域创建闭合路径，得到多个路径；
分别对各个路径进行路径跟踪，并在路径跟踪过程中记录构成路径的点的坐标，得到各个路径中的点的坐标；
分别基于各个路径中的点的坐标，对路径中的点进行曲线拟合，得到多个路径曲线；
所述多个路径曲线创建矢量图形，得到矢量图像。
在本申请实施例中，还包括：
对所述病变区域进行颜色识别，得到空白区域；
将所述病变区域中的空白区域进行去除，得到更新后的病变区域。
在本申请实施例中，所述基于预置的医学规则和所述正常结构和病变区域的空间坐标信息，得到病理损伤模式预测结果，包括：
基于所述正常结构和病变区域的空间坐标信息，确定各个病变区域对应的正常结构；
确定各个病变区域与对应的正常结构的相对位置关系以及各个病变区域的面积大小；
基于预置的医学规则、所述各个病变区域与对应的正常结构的相对位置关系和各个病变区域的面积大小，得到病理损伤模式预测结果。
在本申请实施例中，所述基于所述正常结构和病变区域的空间坐标信息，确定各个病变区域对应的正常结构，包括：
基于所述正常结构和病变区域的空间坐标信息，采用R-tree空间索引算法确定各个病变区域对应的正常结构。
本申请第二方面提供一种病理损伤模式预测装置，包括：
获取模块，用于获取待检测病理切片图像；
预处理模块，用于基于预置的病理结构识别模型对所述待检测病理切片图像进行图像识别，得到预处理图像，所述预处理图像中包含正常结构和病变区域的分布信息；
矢量化模块，用于基于多边形追踪算法，对所述预处理图像进行矢量化处理，得到矢量图像；
确定模块，用于基于所述正常结构和病变区域的分布信息，在所述矢量图像中分别确定正常结构和病变区域的空间坐标信息；
预测模块，用于基于预置的医学规则和所述正常结构和病变区域的空间坐标信息，得到病理损伤模式预测结果。
通过上述技术方案，通过获取待检测病理切片图像；基于预置的病理结构识别模型对所述待检测病理切片图像进行图像识别，得到预处理图像，所述预处理图像中包含正常结构和病变区域的分布信息；基于多边形追踪算法，对所述预处理图像进行矢量化处理，得到矢量图像；基于所述正常结构和病变区域的分布信息，在所述矢量图像中分别确定正常结构和病变区域的空间坐标信息；基于预置的医学规则和所述正常结构和病变区域的空间坐标信息，得到病理损伤模式预测结果。通过对待检测病理切片图像中的正常结构和病变区域识别后，将图像进行矢量化处理，进而得到正常结构和病变区域的空间坐标信息，由于矢量化处理能更精准地描述和度量正常结构何病变区域的几何特性，提高了病变区域描述的精准度和一致性，以便于更加直观、更精确的得到正常结构和病变区域的空间位置，以便准确评估病变区域与关键结构的空间关系，进而有助于准确确定出病理损伤模式预测结果，提高了病理损伤模式预测结果的准确率，也增加了结果的可解释性和可信度。可以灵活引入多种医学规则，以便能针对不同病变和个案提供个性化的分析。通过医学规则的引入，能实现对病变类型和病程的准确预测，为临床决策提供有力支持。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
图1示意性示出了根据本申请实施例的一种病理损伤模式预测方法的流程示意图；
图2示意性示出了根据本申请实施例的总体技术路线流程图；
图3示意性示出了根据本申请实施例的切片分割结果示意图；
图4示意性示出了根据本申请实施例的目标识别结果示意图；
图5示意性示出了根据本申请实施例的语义分割示意图；
图6示意性示出了根据本申请实施例的计算结果示意图；
图7示意性示出了根据本申请实施例的空间位置判断示意图；
图8示意性示出了根据本申请实施例的一种病理损伤模式预测装置的结构框图；
图9示意性示出了根据本申请实施例的计算机设备的内部结构图。
附图标记说明
410-获取模块；420-预处理模块；430-矢量化模块；440-确定模块；450-预测模块；A01-处理器；A02-网络接口；A03-内存储器；A04-显示屏；A05-输入装置；A06-非易失性存储介质；B01-操作系统；B02-计算机程序。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
请参看图1，图1示意性示出了根据本申请实施例的一种病理损伤模式预测方法的流程示意图。本实施例提供一种病理损伤模式预测方法，包括以下步骤：
步骤210：获取待检测病理切片图像；
在本实施例中，所述待检测病理切片图像可以是高分辨率的原始病理切片图像，可以是任意部位的切片图像。
步骤220：基于预置的病理结构识别模型对所述待检测病理切片图像进行图像识别，得到预处理图像，所述预处理图像中包含正常结构和病变区域的分布信息；
在本实施例中，所述预置的病理结构识别模型可以是预先训练好的识别模型，用于识别图像中的正常结构和病变区域。上述病理结构识别模型可以是基于机器学习得到的多个模型，比如：可以是包括目标检测模型和语义分割模型，其中，目标检测模型是对图像中的正常结构进行识别和定位，语义分割模型是对图像中的病变区域进行识别。上述识别出的正常结构和病变区域可以是多个，分布在不同的地方。
在一些实施例中，为了有效识别各类疾病的病理特征，可以对待检测病理切片图像进行分割后进行识别，即所述基于预置的病理结构识别模型对所述待检测病理切片图像进行图像识别，得到预处理图像，包括以下步骤：
首先，将所述待检测病理切片图像进行分割，得到多个子图像；
在本实施例中，请参看图3，图3示意性示出了根据本申请实施例的切片分割结果示意图。基于待检测病理切片图像的较高分辨率，可以采用指定尺寸（例如：1000*1000）对切片进行分割，从而得到多个子图像。为了便于后续进行重新映射，可以给每一个子图像被分配一个行列序号，以便于在后续步骤中重新映射和整合。
然后，基于预置的病理结构识别模型，对各个子图像分别进行图像识别，得到多个预处理子图像；
在本实施例中，在得到子图像后，对各个子图像分别进行图像识别，可以是对所有分割后的子图像使用目标检测模型和语义分割模型进行识别，从而可以对每一个子图像中的正常结构和病变区域进行识别，以便于更加有效的识别出各类疾病的病理特征。
最后，将所述多个预处理子图像进行空间重映射，得到预处理图像。
在本实施例中，各个预处理子图像中包含了正常结构和病变区域的识别结果，再将各个预处理子图像重新组合，得到预处理图像。相应地，可以根据先前记录的行列序号，对识别后的图像进行空间重映射，生成一张完整的、识别后的图像。
上述实现过程中，通过将待检测病理切片图像进行分割，将子图像分别进行图像识别，以便于更加准确、有效地识别出正常结构和病变区域，提高了各类疾病的病理特征识别的有效性。
在一些实施例中，所述预置的病理结构识别模型包括预置的目标检测模型和语义分割模型，所述目标检测模型用于识别图像中的正常结构，所述语义分割模型用于识别图像中的病变区域；
所述基于预置的病理结构识别模型对所述待检测病理切片图像进行图像识别，得到预处理图像，包括以下步骤：
首先，将所述待检测病理切片图像输入至预置的目标检测模型，得到正常结构识别图像；
在本实施例中，上述目标检测模型可以是基于YOLOv5m模型构建得到的，YOLOv5m是一种实时目标检测网络模型，提供了较好的检测速度与准确度平衡。待检测病理切片图像输入到YOLOv5m模型中，输出包含边框坐标和类别概率的检测结果，请参看图4，图4示意性示出了根据本申请实施例的目标识别结果示意图，图中识别到的portal venule 0.42表示目标识别结果为门静脉，概率为0.42。YOLOv5m能够在保证较高准确度的同时实现实时检测，适用于需要较高实时性的应用场景。
上述目标检测模型的训练过程包括：1. 数据准备：收集大量病理切片图像，这些图像涵盖多种病变类型和正常组织。使用医疗图像标注工具（VGG Image Annotator）手动标注图像中的关键特征，比如：不同类型的病变区域、正常组织等，每个标注包含一个边界框和相应的类别标签。将标注好的图像数据集划分为三部分：训练集、验证集和测试集，采用80%/10%/10%的比例进行划分。2. 模型配置：选择YOLOv5m模型作为基础，可以在速度和准确性之间提供良好的平衡。根据具体的数据集和硬件配置，设置适当的超参数，如学习率、批大小、训练周期等。3. 训练：可以从一个预训练的YOLOv5m模型开始，以便于加速训练过程并提高模型的泛化能力。使用标注的病理切片图像进行迁移学习。在训练过程中，模型的权重会根据病理切片数据进行调整。在训练过程中监控关键指标，如损失函数、精确度、召回率等，以确保模型正在正确学习。4. 验证和测试：在训练过程中使用验证集来评估模型性能。训练完成后，使用独立的测试集对模型进行最终评估，以确定其在实际未见数据上的表现，最后得到训练好的目标检测模型。
然后，将所述正常结构识别图像输入至预置的语义分割模型，得到预处理图像。
在本实施例中，所述语义分割模型可以是基于U-Net神经网络架构训练得到，U-Net模型是用于图像分割任务的卷积神经网络架构，由一个编码器（encoder）和一个解码器（decoder）组成，它们分别用于获取上下文信息和进行精确的本地化。正常结构识别图像被输入到U-Net模型中，输出是对每个像素属于哪一类别的概率图，请参看图5。U-Net可以对图像进行逐像素的分类，因而可以精确地定位图像中的不同结构，且具有很强的形变适应性，适用于寻找并分析图像中的病变区域。
上述语义分割模型的训练过程包括：1. 数据准备：收集病理切片图像，包括多种类型的炎症特征。对每张切片图像进行像素级的标注。这涉及标记出图像中每个像素属于的类别，例如正常组织、病变区域等。为了提高模型的泛化能力，对图像进行数据增强处理，包括旋转、缩放、裁剪、颜色调整等。将数据集划分为训练集、验证集和测试集，采用80%/10%/10%的比例。2. 模型配置：UNet以其有效的编码器-解码器结构适合于细粒度的图像分割任务。设置学习率、批大小、训练周期、损失函数等超参数。3. 模型训练：可以从预训练的UNet模型开始，以便于加快训练过程，并提高模型性能。可以使用交叉熵损失函数，以处理类别不平衡问题。选择adaptive moment estimation（适应性矩估计）优化器，对进行模型参数的优化。4. 验证和测试：在训练过程中使用验证集来评估模型性能，调整超参数以防止过拟合。在完成训练后，使用独立的测试集对模型进行最终评估，以验证其在未见数据上的性能。5. 模型部署：将训练好的模型导出为适合生产环境的格式，如：.pt文件，将模型集成到病理图像分析流程中，进行实际的医学图像分割任务。
通过目标检测模型和语义分割模型的双重分析，分别确定图像中的正常结构和病变区域，以便提供比传统方法更为精细的结构和病变分析。依托深度学习模型进行病变分析，有助于提供更准确的诊断信息。
在一些实施例中，对于待检测病理切片图像分割得到多个子图像的情况，相应地，各个子图像分别依次先输入到预置的目标检测模型中得到正常结构识别结果的子图像，再将正常结构识别结果的子图像输入到预置的语义分割模型进行识别，得到识别后的子图像，最后将各个识别后的子图像进行空间重映射，生成一张完整的、识别后的图像。
通过先将待检测病理切片图像分割为较小子图像，再单独分析每个子图像，有效解决了传统方法中直接处理大型图像所需的大量计算资源和处理时间的问题。
步骤230：基于多边形追踪算法，对所述预处理图像进行矢量化处理，得到矢量图像；
在本实施例中，利用多边形追踪算法，将目标检测与语义分割的结果进行矢量化，以确定各正常结构和病变区域的空间位置。
在一些实施例中，请参看图6，图6示意性示出了根据本申请实施例的计算结果示意图。所述基于多边形追踪算法，对所述预处理图像进行矢量化处理，得到矢量图像，包括以下步骤：
首先，对所述预处理图像进行预处理，得到待矢量化图像；
在本实施例中，上述预处理是指对输入的预处理图像进行噪声消除处理，以减少矢量化过程中不必要的细节，上述预处理可以是对预处理图像进行滤波、去噪处理，上述滤波、去噪处理采用现有的技术就可以实现，在此就不再赘述。
然后，对所述待矢量化图像进行边缘检测，并基于边缘检测得到的边缘区域创建闭合路径，得到多个路径；
在本实施例中，边缘检测是指在待矢量化图像中检测边缘，可以通过识别像素值变化（从背景到前景或反之）的位置来实现。根据检测到的边缘，创建一系列封闭的路径，每个路径代表图像中的一个连续边缘。
然后，分别对各个路径进行路径跟踪，并在路径跟踪过程中记录构成路径的点的坐标，得到各个路径中的点的坐标；
在本实施例中，上述路径跟踪是指从边缘上的一个点开始，沿着边缘移动，直到返回到起点，形成一个闭合路径。在路径跟踪过程中，记录下构成路径的点的坐标。
然后，分别基于各个路径中的点的坐标，对路径中的点进行曲线拟合，得到多个路径曲线；
在本实施例中，上述对路径中的点进行曲线拟合以得到实际的路径，可以是使用贝塞尔曲线来近似实际的路径。
最后，所述多个路径曲线创建矢量图形，得到矢量图像。
在本实施例中，相应地，可以根据贝塞尔曲线创建矢量图形，输出为geojson文件。该文件不仅可包含几何坐标信息，同时可以包含语义分割后得出来的信息。
由于传统的像素图片较难精准确定距离数值，通过基于多边形追踪算法将预处理图像转换为矢量图像后，可以得到图像中各个正常结构与病变区域的空间坐标，即矢量化处理能更精准地描述和度量病变区域的几何特性，提高病变区域描述的精度和一致性，进而有助于使用空间坐标进行计算（例如，计算病变的面积，病变与正常结构的空间距离），以便于准确预测出病理损伤模式。
步骤240：基于所述正常结构和病变区域的分布信息，在所述矢量图像中分别确定正常结构和病变区域的空间坐标信息；
在本实施例中，由于之前已经有了正常结构和病变区域的分布信息，矢量图像中包含了大量矢量数据，因此，可以在基于矢量图像中确定出正常结构和病变区域对应的空间坐标信息。从而可以更直观、更精确定出正常结构和病变区域的空间位置，进而可以准确评估病变区域与关键结构的空间关系。
步骤250：基于预置的医学规则和所述正常结构和病变区域的空间坐标信息，得到病理损伤模式预测结果。
在本实施例中，可以在得到的空间坐标信息之后，抽取病变区域周围的正常结构（比如：中央静脉和汇管区），并计算它们与病变区域的相对距离和位置关系，进而得到病理损伤模式预测结果。上述预设的医学规则可以是预先设置好的医学规则，可以是针对不同的部位设置不同的规则，比如：以肝脏举例：比如损伤模式是急性肝炎型，病变的位置主要分布在中央静脉周围，如果是慢性肝炎型，则主要分布在汇管区周围。根据病变区域的位置确定病理损伤模式预测结果。通过引入医学规则，结合空间关系分析的结果，综合判断病变的类型及其空间位置关系，从而输出损伤模式的预测结果。
在一些实施例中，所述基于预置的医学规则和所述正常结构和病变区域的空间坐标信息，得到病理损伤模式预测结果，包括以下步骤：
首先，基于所述正常结构和病变区域的空间坐标信息，确定各个病变区域对应的正常结构；
在本实施例中，上述确定各个病变区域对应的正常结构是指抽取病变区域周围的正常结构（比如：中央静脉和汇管区）。上述在确定过程中，可以是使用空间坐标计算病变与正常结构的空间距离来确定，也可以是采用Brute Force算法或R-Tree算法进行空间索引得到。
其中，由于涉及到大量的空间搜索，可以采用R-tree空间索引算法进行搜索，即基于所述正常结构和病变区域的空间坐标信息，采用R-tree空间索引算法确定各个病变区域对应的正常结构。
在本实施例中，R-tree是一个平衡树结构，每个节点包含了若干个条目，每个条目代表一个子节点或者一个数据矩形（在叶节点中）。每个节点包含的条目数介于最小值和最大值/>之间，其中/>是树的阶。对于一个待插入的空间对象，首先需要计算其最小边界矩形（Minimum Bounding Rectangle，MBR），然后从根节点开始，递归地选择最适合插入新MBR的子节点，直到找到一个叶节点，选择标准基于最小面积扩张。在找到的叶节点中插入新的MBR。如果节点满了（即包含条目数大于等于/>），则需要进行节点分裂。节点分裂过程如下：基于所有条目的MBR，选择一个分裂轴（例如，水平或垂直）。沿着选定的分裂轴，选择一个分裂点，将节点中的条目分为两组。选择标准可以是最小化分裂后两组MBR的重叠面积，或者是保持两组中条目数量的平衡。创建一个新的节点，将其中一组MBR移至新节点。在插入和分裂操作后，需要更新父节点和祖先节点，确保树结构的平衡。这可能包括更新MBR以包含所有子节点，以及在父节点中进行必要的分裂操作。对于空间查询（如区域查询或点查询），R-tree通过遍历树结构来查找所有与查询区域相交的MBR。
通过采用入R-Tree算法对正常结构与病变区域进行空间索引，可以加速计算过程，以提高空间检索效率，从而可以快速确定出各个病变区域对应的正常结构。
然后，确定各个病变区域与对应的正常结构的相对位置关系以及各个病变区域的面积大小；
在本实施例中，在确定各个病变区域与对应的正常结构之后，可以计算它们与病变的相对距离和位置关系以及病变区域的面积大小。上述面积大小可以是指病变总面积，也可以是指病变总面积与总的部位面积的比值，比如：病变总面积/肝组织面积*100%。
最后，基于预置的医学规则、所述各个病变区域与对应的正常结构的相对位置关系和各个病变区域的面积大小，得到病理损伤模式预测结果。
在本实施例中，上述医学规则中可以包括病变严重程度判断标准、划分病变位置带并确定病变程度等，比如：请参看图7，图7示意性示出了根据本申请实施例的空间位置判断示意图。结合病变的大小（即，病变总面积/肝组织面积*100%），依据设定阈值（如<33%、33%~66%、>66%）分类其严重程度为轻度、中度或重度。在上述例子中，小叶带的划分：在已知中央静脉和汇管区的基础上，确定一条连接两者的线，并进行等分，分别为小叶中心3带、中间带以及小叶中心1带。在计算相对位置关系时，使用圆环进行判断可以更好地查找出病变区域所在的空间位置（可通过几何体是否相交进行判断），因此在计算过程对连接线进行三等分画圆，从而可以判断出病变区域与对应的正常结构的相对位置关系，进而确定是严重程度为轻度、中度或重度。
上述实现过程中，通过获取待检测病理切片图像；基于预置的病理结构识别模型对所述待检测病理切片图像进行图像识别，得到预处理图像，所述预处理图像中包含正常结构和病变区域的分布信息；基于多边形追踪算法，对所述预处理图像进行矢量化处理，得到矢量图像；基于所述正常结构和病变区域的分布信息，在所述矢量图像中分别确定正常结构和病变区域的空间坐标信息；基于预置的医学规则和所述正常结构和病变区域的空间坐标信息，得到病理损伤模式预测结果。通过对待检测病理切片图像中的正常结构和病变区域识别后，将图像进行矢量化处理，进而得到正常结构和病变区域的空间坐标信息，由于矢量化处理能更精准地描述和度量正常结构何病变区域的几何特性，提高了病变区域描述的精准度和一致性，以便于更加直观、更精确的得到正常结构和病变区域的空间位置，以便准确评估病变区域与关键结构的空间关系，进而有助于准确确定出病理损伤模式预测结果，提高了病理损伤模式预测结果的准确率，也增加了结果的可解释性和可信度。可以灵活引入多种医学规则，以便能针对不同病变和个案提供个性化的分析。通过医学规则的引入，能实现对病变类型和病程的准确预测，为临床决策提供有力支持。
在一些实施例中，还包括以下步骤：
首先，对所述病变区域进行颜色识别，得到空白区域；
然后，将所述病变区域中的空白区域进行去除，得到更新后的病变区域。
在本实施例中，由于图像的背景是白色的，在图像识别时，可能识别得到的病变区域存在空白部分，即识别到了背景部分，为了提高计算病变面积占比的准确性，需要将病变区域中的空白区域排除掉，以提高病变区域识别的准确性。上述对空白区域进行去除可以是人为识别并去除，也可以是先对已识别的病变区域进行颜色识别，进而得到空白区域，然后将空白区域去除，得到更新后的病变区域。上述进行颜色识别采用现有的颜色识别算法就可以实现，在此就不再赘述。需要说明的是，上述去除空白区域可以是在识别得到病变区域后，确定病理损伤模式预测结果之前的任意时刻进行。
通过对病变区域中的空白区域进行去除，使得病变区域的识别结果更加准确，进而有助于提高病理损伤模式预测结果的准确性。
下面以肝脏为例对方案进行说明，请参看图2，图2示意性示出了根据本申请实施例的总体技术路线流程图。首先输入肝脏切片图像，然后剪切图像，即对切片图像进行分割，然后对分割得到的每一个子图像进行分析检测，包括图像识别，以识别得到正常结构和病变区域，最后将分割后的子图像进行映射到图像中，具体可以是将病变区域重新映射到图像中，然后联合病变部位，测量病变区域与肝脏部位的距离，以计算病变的位置，最后通过计算病变比率预测受伤模式。
图1为一个实施例中病理损伤模式预测方法的流程示意图。应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
请参看图8，图8示意性示出了根据本申请实施例的一种病理损伤模式预测装置的结构框图。本实施例提供一种病理损伤模式预测装置，包括获取模块410、预处理模块420、矢量化模块430、确定模块440和预测模块450，其中：
获取模块410，用于获取待检测病理切片图像；
预处理模块420，用于基于预置的病理结构识别模型对所述待检测病理切片图像进行图像识别，得到预处理图像，所述预处理图像中包含正常结构和病变区域的分布信息；
矢量化模块430，用于基于多边形追踪算法，对所述预处理图像进行矢量化处理，得到矢量图像；
确定模块440，用于基于所述正常结构和病变区域的分布信息，在所述矢量图像中分别确定正常结构和病变区域的空间坐标信息；
预测模块450，用于基于预置的医学规则和所述正常结构和病变区域的空间坐标信息，得到病理损伤模式预测结果。
所述病理损伤模式预测装置包括处理器和存储器，上述获取模块410、预处理模块420、矢量化模块430、确定模块440和预测模块450等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来提高病理损伤模式预测的准确性。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本发明实施例提供了一种机器可读存储介质，其上存储有程序，该程序被处理器执行时实现所述病理损伤模式预测方法。
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述病理损伤模式预测方法。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器A01、网络接口A02、显示屏A04、输入装置A05和存储器（图中未示出）。其中，该计算机设备的处理器A01用于提供计算和控制能力。该计算机设备的存储器包括内存储器A03和非易失性存储介质A06。该非易失性存储介质A06存储有操作系统B01和计算机程序B02。该内存储器A03为非易失性存储介质A06中的操作系统B01和计算机程序B02的运行提供环境。该计算机设备的网络接口A02用于与外部的终端通过网络连接通信。该计算机程序被处理器A01执行时以实现一种病理损伤模式预测方法。该计算机设备的显示屏A04可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置A05可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，本申请提供的病理损伤模式预测装置可以实现为一种计算机程序的形式，计算机程序可在如图9所示的计算机设备上运行。计算机设备的存储器中可存储组成该病理损伤模式预测装置的各个程序模块，比如，图8所示的获取模块410、预处理模块420、矢量化模块430、确定模块440和预测模块450。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的病理损伤模式预测方法中的步骤。
图9所示的计算机设备可以通过如图8所示的病理损伤模式预测装置中的跳转代码段获取模块410执行步骤210。计算机设备可通过预处理模块420执行步骤220。计算机设备可通过矢量化模块430执行步骤230。计算机设备可通过确定模块440执行步骤240。计算机设备可通过预测模块450执行步骤250。
本申请实施例提供了一种电子设备，该电子设备包括：至少一个处理器；存储器，与所述至少一个处理器连接；其中，所述存储器存储有能被所述至少一个处理器执行的指令，所述至少一个处理器通过执行所述存储器存储的指令实现上述的病理损伤模式预测方法。处理器执行指令时实现以下步骤：
获取待检测病理切片图像；
基于预置的病理结构识别模型对所述待检测病理切片图像进行图像识别，得到预处理图像，所述预处理图像中包含正常结构和病变区域的分布信息；
基于多边形追踪算法，对所述预处理图像进行矢量化处理，得到矢量图像；
基于所述正常结构和病变区域的分布信息，在所述矢量图像中分别确定正常结构和病变区域的空间坐标信息；
基于预置的医学规则和所述正常结构和病变区域的空间坐标信息，得到病理损伤模式预测结果。
在一个实施例中，所述基于预置的病理结构识别模型对所述待检测病理切片图像进行图像识别，得到预处理图像，包括：
将所述待检测病理切片图像进行分割，得到多个子图像；
基于预置的病理结构识别模型，对各个子图像分别进行图像识别，得到多个预处理子图像；
将所述多个预处理子图像进行空间重映射，得到预处理图像。
在一个实施例中，所述预置的病理结构识别模型包括预置的目标检测模型和语义分割模型，所述目标检测模型用于识别图像中的正常结构，所述语义分割模型用于识别图像中的病变区域；
所述基于预置的病理结构识别模型对所述待检测病理切片图像进行图像识别，得到预处理图像，包括：
将所述待检测病理切片图像输入至预置的目标检测模型，得到正常结构识别图像；
将所述正常结构识别图像输入至预置的语义分割模型，得到预处理图像。
在一个实施例中，所述基于多边形追踪算法，对所述预处理图像进行矢量化处理，得到矢量图像，包括：
对所述预处理图像进行预处理，得到待矢量化图像；
对所述待矢量化图像进行边缘检测，并基于边缘检测得到的边缘区域创建闭合路径，得到多个路径；
分别对各个路径进行路径跟踪，并在路径跟踪过程中记录构成路径的点的坐标，得到各个路径中的点的坐标；
分别基于各个路径中的点的坐标，对路径中的点进行曲线拟合，得到多个路径曲线；
所述多个路径曲线创建矢量图形，得到矢量图像。
在一个实施例中，还包括：
对所述病变区域进行颜色识别，得到空白区域；
将所述病变区域中的空白区域进行去除，得到更新后的病变区域。
在一个实施例中，所述基于预置的医学规则和所述正常结构和病变区域的空间坐标信息，得到病理损伤模式预测结果，包括：
基于所述正常结构和病变区域的空间坐标信息，确定各个病变区域对应的正常结构；
确定各个病变区域与对应的正常结构的相对位置关系以及各个病变区域的面积大小；
基于预置的医学规则、所述各个病变区域与对应的正常结构的相对位置关系和各个病变区域的面积大小，得到病理损伤模式预测结果。
在一个实施例中，所述基于所述正常结构和病变区域的空间坐标信息，确定各个病变区域对应的正常结构，包括：
基于所述正常结构和病变区域的空间坐标信息，采用R-tree空间索引算法确定各个病变区域对应的正常结构。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种病理损伤模式预测方法，其特征在于，包括：
获取待检测病理切片图像；
基于预置的病理结构识别模型对所述待检测病理切片图像进行图像识别，得到预处理图像，所述预处理图像中包含正常结构和病变区域的分布信息；
基于多边形追踪算法，对所述预处理图像进行矢量化处理，得到矢量图像；
基于所述正常结构和病变区域的分布信息，在所述矢量图像中分别确定正常结构和病变区域的空间坐标信息；
基于预置的医学规则和所述正常结构和病变区域的空间坐标信息，得到病理损伤模式预测结果。
2.根据权利要求1所述的病理损伤模式预测方法，其特征在于，所述基于预置的病理结构识别模型对所述待检测病理切片图像进行图像识别，得到预处理图像，包括：
将所述待检测病理切片图像进行分割，得到多个子图像；
基于预置的病理结构识别模型，对各个子图像分别进行图像识别，得到多个预处理子图像；
将所述多个预处理子图像进行空间重映射，得到预处理图像。
3.根据权利要求1所述的病理损伤模式预测方法，其特征在于，所述预置的病理结构识别模型包括预置的目标检测模型和语义分割模型，所述目标检测模型用于识别图像中的正常结构，所述语义分割模型用于识别图像中的病变区域；
所述基于预置的病理结构识别模型对所述待检测病理切片图像进行图像识别，得到预处理图像，包括：
将所述待检测病理切片图像输入至预置的目标检测模型，得到正常结构识别图像；
将所述正常结构识别图像输入至预置的语义分割模型，得到预处理图像。
4.根据权利要求1所述的病理损伤模式预测方法，其特征在于，所述基于多边形追踪算法，对所述预处理图像进行矢量化处理，得到矢量图像，包括：
对所述预处理图像进行预处理，得到待矢量化图像；
对所述待矢量化图像进行边缘检测，并基于边缘检测得到的边缘区域创建闭合路径，得到多个路径；
分别对各个路径进行路径跟踪，并在路径跟踪过程中记录构成路径的点的坐标，得到各个路径中的点的坐标；
分别基于各个路径中的点的坐标，对路径中的点进行曲线拟合，得到多个路径曲线；
所述多个路径曲线创建矢量图形，得到矢量图像。
5.根据权利要求1所述的病理损伤模式预测方法，其特征在于，还包括：
对所述病变区域进行颜色识别，得到空白区域；
将所述病变区域中的空白区域进行去除，得到更新后的病变区域。
6.根据权利要求1所述的病理损伤模式预测方法，其特征在于，所述基于预置的医学规则和所述正常结构和病变区域的空间坐标信息，得到病理损伤模式预测结果，包括：
基于所述正常结构和病变区域的空间坐标信息，确定各个病变区域对应的正常结构；
确定各个病变区域与对应的正常结构的相对位置关系以及各个病变区域的面积大小；
基于预置的医学规则、所述各个病变区域与对应的正常结构的相对位置关系和各个病变区域的面积大小，得到病理损伤模式预测结果。
7.根据权利要求6所述的病理损伤模式预测方法，其特征在于，所述基于所述正常结构和病变区域的空间坐标信息，确定各个病变区域对应的正常结构，包括：
基于所述正常结构和病变区域的空间坐标信息，采用R-tree空间索引算法确定各个病变区域对应的正常结构。
8.一种病理损伤模式预测装置，其特征在于，包括：
获取模块，用于获取待检测病理切片图像；
预处理模块，用于基于预置的病理结构识别模型对所述待检测病理切片图像进行图像识别，得到预处理图像，所述预处理图像中包含正常结构和病变区域的分布信息；
矢量化模块，用于基于多边形追踪算法，对所述预处理图像进行矢量化处理，得到矢量图像；
确定模块，用于基于所述正常结构和病变区域的分布信息，在所述矢量图像中分别确定正常结构和病变区域的空间坐标信息；
预测模块，用于基于预置的医学规则和所述正常结构和病变区域的空间坐标信息，得到病理损伤模式预测结果。
9.一种电子设备，其特征在于，该电子设备包括：
至少一个处理器；
存储器，与所述至少一个处理器连接；
其中，所述存储器存储有能被所述至少一个处理器执行的指令，所述至少一个处理器通过执行所述存储器存储的指令实现权利要求1至7任一项所述的病理损伤模式预测方法。
10.一种机器可读存储介质，该机器可读存储介质上存储有指令，其特征在于，该指令在被处理器执行时使得所述处理器被配置成执行根据权利要求1至7中任一项所述的病理损伤模式预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311781777.1A CN117457235B (zh) | 2023-12-22 | 2023-12-22 | 病理损伤模式预测方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311781777.1A CN117457235B (zh) | 2023-12-22 | 2023-12-22 | 病理损伤模式预测方法、装置、存储介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117457235A true CN117457235A (zh) | 2024-01-26 |
| CN117457235B CN117457235B (zh) | 2024-03-19 |
Family
ID=89589545
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311781777.1A Active CN117457235B (zh) | 2023-12-22 | 2023-12-22 | 病理损伤模式预测方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117457235B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010075330A (ja) * | 2008-09-25 | 2010-04-08 | Konica Minolta Medical & Graphic Inc | 医用画像処理装置及びプログラム |
| CN105447872A (zh) * | 2015-12-03 | 2016-03-30 | 中山大学 | 一种在超声影像中自动识别肝脏肿瘤类型的方法 |
| CN113888529A (zh) * | 2021-10-26 | 2022-01-04 | 济南超级计算技术研究院 | 基于深度学习的病理切片图像质量评级方法及系统 |
| CN114612669A (zh) * | 2022-05-11 | 2022-06-10 | 首都医科大学附属北京友谊医院 | 一种医学图像炎症坏死占比的计算方法及装置 |
| CN115170518A (zh) * | 2022-07-12 | 2022-10-11 | 济南超级计算技术研究院 | 基于深度学习和机器视觉的细胞检测方法及系统 |
| CN117152554A (zh) * | 2023-08-02 | 2023-12-01 | 吾征智能技术(北京)有限公司 | 基于ViT模型的病理切片数据识别方法及系统 |
-
2023
- 2023-12-22 CN CN202311781777.1A patent/CN117457235B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010075330A (ja) * | 2008-09-25 | 2010-04-08 | Konica Minolta Medical & Graphic Inc | 医用画像処理装置及びプログラム |
| CN105447872A (zh) * | 2015-12-03 | 2016-03-30 | 中山大学 | 一种在超声影像中自动识别肝脏肿瘤类型的方法 |
| CN113888529A (zh) * | 2021-10-26 | 2022-01-04 | 济南超级计算技术研究院 | 基于深度学习的病理切片图像质量评级方法及系统 |
| CN114612669A (zh) * | 2022-05-11 | 2022-06-10 | 首都医科大学附属北京友谊医院 | 一种医学图像炎症坏死占比的计算方法及装置 |
| CN115170518A (zh) * | 2022-07-12 | 2022-10-11 | 济南超级计算技术研究院 | 基于深度学习和机器视觉的细胞检测方法及系统 |
| CN117152554A (zh) * | 2023-08-02 | 2023-12-01 | 吾征智能技术(北京)有限公司 | 基于ViT模型的病理切片数据识别方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 钟幸宇: "基于深度学习的医学图像目标检测与语义分割研究", 硕士电子期刊, 15 February 2021 (2021-02-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117457235B (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Soni et al. | Light weighted healthcare CNN model to detect prostate cancer on multiparametric MRI | |
| CN111696094B (zh) | 免疫组化pd-l1膜染色病理切片图像处理方法、装置和设备 | |
| US11200424B2 (en) | Space-time memory network for locating target object in video content | |
| WO2017215622A1 (zh) | 物体分割方法及装置、计算设备 | |
| US11403766B2 (en) | Method and device for labeling point of interest | |
| KR102305230B1 (ko) | 객체 경계정보의 정확도 개선방법 및 장치 | |
| CN112132265B (zh) | 模型训练方法、杯盘比确定方法、装置、设备及存储介质 | |
| US20220383661A1 (en) | Method and device for retinal image recognition, electronic equipment, and storage medium | |
| CN112967287A (zh) | 基于图像处理的胃癌病灶识别方法、装置、设备和存储介质 | |
| CN114266794B (zh) | 基于全卷积神经网络的病理切片图像癌症区域分割系统 | |
| KR20170092476A (ko) | 이미지에 포함된 텍스트를 검출하는 방법, 장치 및 컴퓨터 판독 가능한 기록매체 | |
| CN110889421A (zh) | 目标物检测方法及装置 | |
| CN110827236A (zh) | 基于神经网络的脑组织分层方法、装置、计算机设备 | |
| CN111444807A (zh) | 目标检测方法、装置、电子设备和计算机可读介质 | |
| Silva-Rodríguez et al. | Prostate gland segmentation in histology images via residual and multi-resolution u-net | |
| CN113221855B (zh) | 基于尺度敏感损失与特征融合的小目标检测方法和系统 | |
| CN112861881A (zh) | 一种基于改进MobileNet模型的蜂窝肺识别方法 | |
| WO2023246921A1 (zh) | 目标属性识别方法、模型训练方法和装置 | |
| CN117457235B (zh) | 病理损伤模式预测方法、装置、存储介质及电子设备 | |
| CN116778164A (zh) | 一种基于多尺度结构改进DeeplabV3+网络的语义分割方法 | |
| Zhou et al. | Self-supervised saliency estimation for pixel embedding in road detection | |
| CN116189130A (zh) | 基于图像标注模型的车道线分割方法及装置 | |
| Chen et al. | MTN-Net: a multi-task network for detection and segmentation of thyroid nodules in ultrasound images | |
| CN115631526A (zh) | 基于自监督学习技术的被遮挡的人脸表情识别方法及应用 | |
| Shivhare et al. | Brain tumor detection using manifold ranking in flair mri |
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 |