CN117765533A - 一种用于口腔黏膜癌预测的图像处理方法及系统 - Google Patents
一种用于口腔黏膜癌预测的图像处理方法及系统 Download PDFInfo
- Publication number
- CN117765533A CN117765533A CN202410197327.6A CN202410197327A CN117765533A CN 117765533 A CN117765533 A CN 117765533A CN 202410197327 A CN202410197327 A CN 202410197327A CN 117765533 A CN117765533 A CN 117765533A
- Authority
- CN
- China
- Prior art keywords
- digital slice
- slice image
- image
- predicted
- digital
- 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
- 201000011510 cancer Diseases 0.000 title claims abstract description 48
- 210000002200 mouth mucosa Anatomy 0.000 title claims abstract description 48
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 47
- 238000003672 processing method Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000012958 reprocessing Methods 0.000 claims abstract description 7
- 238000003062 neural network model Methods 0.000 claims abstract description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 19
- 238000012216 screening Methods 0.000 claims description 7
- 238000004043 dyeing Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 abstract description 2
- 230000001575 pathological effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 210000001519 tissue Anatomy 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- WZUVPPKBWHMQCE-UHFFFAOYSA-N Haematoxylin Chemical compound C12=CC(O)=C(O)C=C2CC2(O)C1C1=CC=C(O)C(O)=C1OC2 WZUVPPKBWHMQCE-UHFFFAOYSA-N 0.000 description 2
- 208000025157 Oral disease Diseases 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 208000030194 mouth disease Diseases 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 1
- 208000003445 Mouth Neoplasms Diseases 0.000 description 1
- 244000061176 Nicotiana tabacum Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 208000004179 Oral Leukoplakia Diseases 0.000 description 1
- 208000007117 Oral Ulcer Diseases 0.000 description 1
- 240000008154 Piper betle Species 0.000 description 1
- 235000008180 Piper betle Nutrition 0.000 description 1
- 208000002399 aphthous stomatitis Diseases 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229960001483 eosin Drugs 0.000 description 1
- SEACYXSIPDVVMV-UHFFFAOYSA-L eosin Y Chemical compound [Na+].[Na+].[O-]C(=O)C1=CC=CC=C1C1=C2C=C(Br)C(=O)C(Br)=C2OC2=C(Br)C([O-])=C(Br)C=C21 SEACYXSIPDVVMV-UHFFFAOYSA-L 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007794 irritation Effects 0.000 description 1
- 208000012987 lip and oral cavity carcinoma Diseases 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 206010030983 oral lichen planus Diseases 0.000 description 1
- 201000008557 oral mucosa leukoplakia Diseases 0.000 description 1
- 230000008506 pathogenesis Effects 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 229910052708 sodium Inorganic materials 0.000 description 1
- 239000011734 sodium Substances 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 235000014101 wine Nutrition 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及图像分割技术领域，公开了一种用于口腔黏膜癌预测的图像处理方法及系统。S1：获取数字切片图像，切割制作好的切片，得到多个待预测切片，扫描多个待预测切片，获得数字切片图像；S2：对数字切片图像进行预处理，得到预处理后的数字切片图像；S3：从预处理后的数字切片图像中选定待预测数字切片图像；S4：针对待预测数字切片图像，使用卷积神经网络模型获得待预测数字切片图像的感兴趣区域；S5：判断感兴趣区域是否存在气泡：若存在气泡，则返回S3，重新处理；若不存在气泡，则进入S6；S6：根据待预测数字切片图像的感兴趣区域，对口腔黏膜癌进行预测。该处理方法极大的提高了口腔黏膜癌预测的准确度。
Description
技术领域
本发明涉及图像分割技术领域，尤其涉及一种用于口腔黏膜癌预测的图像处理方法及系统。
背景技术
口腔黏膜癌是一种常见的恶性肿瘤，在全身所有恶性肿瘤中居第六位。虽然，近几年来口腔黏膜癌的发病率在全球范围内有所下降，但其主要局部刺激发病因素烟酒、槟榔在我国的接触普及率仍呈上升趋势，所以在我国口腔黏膜癌仍是一个不容忽视的影响健康的疾病。
传统的口腔黏膜癌病理分析主要通过病理医生使用显微镜来观察病理玻璃切片，观察过程中需要医生手动调节显微镜的载物台来完成聚焦和移动浏览等操作，受倍率放大的限制影响，会导致可观察视野有限，由此阅片者使用传统的显微镜阅片方式需要花费比较多的时间才能掌握切片图像的信息。除此之外，医生之间针对某病例中切片图像特征特点等进行交流、学习、诊断等的实现较为困难。同时，由于病理切片的组成为细胞组织和玻璃载体，存在病理切片中切片组织会随时间增加而产生变质、褪色等情况的问题，且玻璃材质的切片属易碎品会给存储和运输带来不便。数字化病理切片图像的出现很好的解决了上述问题，数字病理切片机能够对整个包含细胞组织的载玻片进行全信息、全方位快速扫描，能够使病理医师脱离显微镜，随时随地经过网络处理病理确诊。
现有技术中，存在通过深度学习对图像进行处理从而对口腔疾病识别的技术方案，例如，中国发明专利（CN114494106A）公开了基于深度学习多特征融合的口腔粘膜性疾病识别方法。能够用于对口腔白斑、口腔扁平苔藓、口腔癌和复发性口腔溃疡进行诊断识别，提高了诊断的效率，提升了识别的准确率。具体方案为(1)在白光下通过相机采集口腔黏膜性疾病图像；(2)对采集的图像进行预处理，(3)使用灰度共生矩阵GLCM算法提取四种口腔疾病的纹理特征，对HOG、HSV图像利用神经网络模型提取出形状和颜色的底层特征；(4)使用Efficientnet网络模型做RGB图像的高层特征的提取；(5)利用皮尔逊系数结合随机森林算法进行特征选择，选取与目标值关系更大的特征；(6)进行分类识别对训练集进行训练。
然而，上述方案在对图像处理时，没有采用数字化切片图像进行预测，且没有考虑气泡的影响，导致处理后的图像输入至预测模型中，预测准确度不高。
发明内容
为了解决上述技术问题，本发明提供了一种用于口腔黏膜癌预测的图像处理方法，包括如下步骤：
S1：获取数字切片图像：切割制作好的切片，得到多个待预测切片，扫描所述多个待预测切片，获得所述数字切片图像；
S2：对所述数字切片图像进行预处理，得到预处理后的数字切片图像；
S3：从所述预处理后的数字切片图像中选定待预测数字切片图像；
S4：针对所述待预测数字切片图像，使用卷积神经网络模型获得所述待预测数字切片图像的感兴趣区域；
S5：判断所述感兴趣区域是否存在气泡：
若存在气泡，则返回S3，重新处理；
若不存在气泡，则进入S6；
S6：根据所述待预测数字切片图像的感兴趣区域，对口腔黏膜癌进行预测。
进一步地，所述S2中，对所述数字切片图像进行预处理，得到预处理后的数字切片图像，所述预处理包括：
根据所述数字切片图像中气泡的面积占比，对所述数字切片图像进行筛选处理，获得筛选后的数字切片图像；
针对所述筛选后的数字切片图像进行图像增强处理，得到图像增强后的数字切片图像；
对所述图像增强后的数字切片图像进行裁剪处理，得到预处理后的数字切片图像。
进一步地，所述根据所述数字切片图像中气泡的面积占比，对所述数字切片图像进行筛选处理，获得筛选后的数字切片图像，包括：
计算每张所述数字切片图像中气泡面积与整个数字切片图像的面积比值，作为每张所述数字切片图像的气泡面积占比；
剔除所述气泡面积占比大于气泡面积占比阈值的数字切片图像，获得所述筛选后的数字切片图像。
进一步地，所述针对所述筛选后的数字切片图像进行图像增强处理，得到图像增强后的数字切片图像，所述图像增强处理包括：
调整所述筛选后的数字切片图像的亮度、对比度、饱和度以及色调。
进一步地，所述调整所述筛选后的数字切片图像的亮度、对比度、饱和度以及色调包括：
将所述筛选后的数字切片图像的亮度调整为[1,1.4]；
将所述筛选后的数字切片图像的对比度调整为[1,1.4]；
将所述筛选后的数字切片图像的饱和度调整为[1,1.4]；
将所述筛选后的数字切片图像的色调调整为[-0.5,0.5]。
进一步地，所述S4中，所述针对所述待预测数字切片图像，使用卷积神经网络模型获得所述待预测数字切片图像的感兴趣区域，包括：
获取所述卷积神经网络模型的训练样本集，所述训练样本集为已标注出感兴趣区域的数字切片图像；
训练所述卷积神经网络模型，将所述训练样本集输入所述卷积神经网络模型进行训练，直至满足训练结束条件，获得训练好的卷积神经网络模型；
将所述待预测数字切片图像输入所述训练好的卷积神经网络模型，得到所述待预测数字切片图像的感兴趣区域。
进一步地，所述S3中，所述从所述预处理后的数字切片图像中选定待预测数字切片图像，包括：
基于所述预处理后的数字切片图像，选择气泡面积占比最小的数字切片图像作为所述待预测数字切片图像。
进一步地，所述S5中，所述判断所述感兴趣区域是否存在气泡：若存在气泡，则返回S3，重新处理，还包括：
执行S3，基于所述预处理后的数字切片图像，选择气泡面积占比次小的数字切片图像作为新的待预测数字切片图像；
执行S4，针对新的待预测数字切片图像，使用卷积神经网络模型获得新的待预测数字切片图像的感兴趣区域；
执行S5，若判定所述新的待预测数字切片图像的感兴趣区域存在气泡，则重新返回S3，选择气泡面积占比倒数第三小的数字切片图像作为新的待预测数字切片图像，再执行S4和S5；
以此类推，直至S5中判断感兴趣区域不存在气泡，进入S6。进一步地，所述S1中，获取数字切片图像：切割制作好的切片，得到多个待预测切片，扫描所述多个待预测切片，获得所述数字切片图像，所述切割制作好的切片前，针对所述制作好的切片进行染色处理。
本申请还提供一种用于口腔黏膜癌预测的图像处理系统，执行上述任一项所述的一种用于口腔黏膜癌预测的图像处理方法，所述图像处理系统包括：
数字切片图像获取模块：切割制作好的切片，得到多个待预测切片，扫描所述多个待预测切片，获得所述数字切片图像；
预处理模块：与数字切片图像获取模块相连，对所述数字切片图像进行预处理，得到预处理后的数字切片图像；
待预测数字切片图像选择模块：与预处理模块相连，从所述预处理后的数字切片图像中选定待预测数字切片图像；
感兴趣区域选择模块：与待预测数字切片图像选择模块相连，针对所述待预测数字切片图像，使用卷积神经网络模型获得待预测数字切片图像的感兴趣区域；
感兴趣区域判断模块：与感兴趣区域选择模块相连，用于判断所述感兴趣区域是否存在气泡；
预测模块：与感兴趣区域判断模块相连，根据所述待预测数字切片图像的感兴趣区域，对口腔黏膜癌进行预测。
本发明实施例具有以下技术效果：
本申请中切割制作好的切片，得到多个待预测切片，扫描待预测切片，获得多张数字切片图像，从多张数字切片图像中选定待预测数字切片图像，使用卷积神经网络模型获得待预测数字切片图像的感兴趣区域，通过判断感兴趣区域是否存在气泡，选出最终的感兴趣区域，用于口腔黏膜癌预测，极大的提高了口腔黏膜癌预测的准确度。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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它的附图。
图1是本发明实施例提供的一种用于口腔黏膜癌预测的图像处理方法的流程图；
图2是本发明实施例提供的预处理后的单张数字切片图像；
图3是本发明实施例提供的经过卷积神经网络模型识别出来感兴趣区域的数字切片图像；
图4是本发明实施例提供的识别出口腔黏膜癌的病理切片图像；
图5是本发明实施例提供的一种用于口腔黏膜癌预测的图像处理系统的框架示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行清楚、完整的描述。显然，所描述的实施例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做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。
为了解决上述技术问题，本发明提供了一种用于口腔黏膜癌预测的图像处理方法，参见附图1，该图像处理方法包括如下步骤：
S1：获取数字切片图像：切割制作好的切片，得到多个待预测切片，扫描所述多个待预测切片，获得所述数字切片图像。
进一步地，在切割制作好的切片之前，需要先针对所述制作好的切片进行染色处理。具体地，本申请实施例中采用苏木素和四溴荧光素钠作为染色剂对切片进行染色处理。
具体地，通过数字切片扫描仪扫所述多个待预测切片，获得多个所述数字切片图像。
在本实施例中，得到多个数字切片图像是为了避免气泡对后续口腔黏膜癌预测的影响。
S2：对所述数字切片图像进行预处理，得到预处理后的数字切片图像。
在获得所述数字切片图像后，为了提高后续口腔黏膜预测的准确度，需要对所述数字切片图像进行预处理操作。
进一步地，所述S2中，对所述数字切片图像进行预处理，得到预处理后的数字切片图像，所述预处理包括：
根据所述数字切片图像中气泡的面积占比，对所述数字切片图像进行筛选处理，获得筛选后的数字切片图像，包括：
计算每张所述数字切片图像中气泡面积与整个数字切片图像的面积比值，作为每张所述数字切片图像的气泡面积占比。
在切片制作过程中，不可避免地会引入气泡，而数字切片图像具有针对同一组织生成多个数字化切片图像的特点，因此，本实施例首先进行筛选操作，将气泡面积过大的数字化切片图像剔除。
剔除所述气泡面积占比大于气泡面积占比阈值的数字切片图像，获得所述筛选后的数字切片图像。
针对所述筛选后的数字切片图像进行图像增强处理，得到图像增强后的数字切片图像，包括：
调整所述筛选后的数字切片图像的亮度、对比度、饱和度以及色调。
具体的，将所述筛选后的数字切片图像的亮度调整为[1,1.4]；将所述筛选后的数字切片图像的对比度调整为[1,1.4]；将所述筛选后的数字切片图像的饱和度调整为[1,1.4]；将所述筛选后的数字切片图像的色调调整为[-0.5,0.5]，尽量避免无关颜色影响卷积神经网络模型获取有用特征。
在获取筛选后的数字切片图像后，需要对所述筛选后的数字切片图像进行图像增强处理，以减少图像中颜色等变化对后续预测模型的影响。附图2示出了经过上述调整后的单张数字切片图像；
对所述图像增强后的数字切片图像进行裁剪处理，得到预处理后的数字切片图像。
具体的，进行裁剪处理为裁减掉图像增强后的数字切片图像四周的白边。由于数字切片扫描仪扫描时，在数字切片图像四周会生成一定宽度的白边，因此，需要去除白边，以减少图像中的无用信息。
S3：从所述预处理后的数字切片图像中选定待预测数字切片图像，包括：
基于所述预处理后的数字切片图像，选择气泡面积占比最小的数字切片图像作为所述待预测数字切片图像。
S4：针对所述待预测数字切片图像，使用卷积神经网络模型获得所述待预测数字切片图像的感兴趣区域；
进一步地，所述S4中，所述针对所述待预测数字切片图像，使用卷积神经网络模型获得所述待预测数字切片图像的感兴趣区域，包括：
获取所述卷积神经网络模型的训练样本集，所述训练样本集为已标注出感兴趣区域的数字切片图像；
训练所述卷积神经网络模型，将所述训练样本集输入所述卷积神经网络模型进行训练，直至满足训练结束条件，获得训练好的卷积神经网络模型；
将所述待预测数字切片图像输入所述训练好的卷积神经网络模型，得到所述待预测数字切片图像的感兴趣区域。
S5：判断所述感兴趣区域是否存在气泡：
若存在气泡，则返回S3，重新处理；
示例性地，所述附图3中，箭头所指的黑色方框即所述卷积神经网络模型识别出来的感兴趣区域，可见，所述感兴趣区域内存在较多的气泡，采用此种感兴趣区域的图像作为后续的预测，必然会对预测结构有较大的影响，因此，需要返回S3，重新进行处理。
若不存在气泡，则进入S6；
将所述预测数字切片图像的感兴趣区域，用于口腔黏膜癌的预测之前，还包括：判断所述感兴趣区域是否存在气泡：
若所述感兴趣区域是否存在气泡，则返回S3重新处理。
执行S3，基于所述预处理后的数字切片图像，选择气泡面积占比次小的数字切片图像作为新的待预测数字切片图像；
执行S4，针对新的待预测数字切片图像，使用卷积神经网络模型获得新的待预测数字切片图像的感兴趣区域；
执行S5，若判定所述新的待预测数字切片图像的感兴趣区域存在气泡，则重新返回S3，选择气泡面积占比倒数第三小的数字切片图像作为新的待预测数字切片图像，再执行S4和S5；
以此类推，直至S5中判断感兴趣区域不存在气泡，进入S6。
气泡的存在，对于使用所述感兴趣区域预测口腔黏膜癌有较大影响。但是通过人眼并不能轻易判断出图像中的感兴趣区域，更无法判断出感兴趣区域是否存在气泡。因此，本实施例中切割制作好的切片，得到多个待预测切片，扫描待预测切片，获得多张数字切片图像，从多张数字切片图像中选定待预测数字切片图像，使用卷积神经网络模型获得待预测数字切片图像的感兴趣区域，通过判断感兴趣区域是否存在气泡，选出最终的感兴趣区域，用于口腔黏膜癌预测，以提高口腔黏膜癌预测的准确度。
S6：根据所述待预测数字切片图像的感兴趣区域，对口腔黏膜癌进行预测。
示例性地，附图4示出了经过所述S6得到的口腔黏膜癌的病理切片图像；其中，附图4中的虚线方框框出的区域即为口腔黏膜癌组织，可以看出，该区域内癌变区域与其他组织间边界较为明显，纤维组织大多被侵染。
本申请还提供了一种用于口腔黏膜癌预测的图像处理系统，用于执行上述任一项所述的一种用于口腔黏膜癌预测的图像处理方法，由附图5可知，所述图像处理系统包括：
数字切片图像获取模块：切割制作好的切片，得到多个待预测切片，扫描所述多个待预测切片，获得所述数字切片图像；
预处理模块：与数字切片图像获取模块相连，对所述数字切片图像进行预处理，得到预处理后的数字切片图像；
待预测数字切片图像选择模块：与预处理模块相连，从所述预处理后的数字切片图像中选定待预测数字切片图像；
感兴趣区域选择模块：与待预测数字切片图像选择模块相连，针对所述待预测数字切片图像，使用卷积神经网络模型获得待预测数字切片图像的感兴趣区域；
感兴趣区域判断模块：与感兴趣区域选择模块相连，用于判断所述感兴趣区域是否存在气泡；
预测模块：与感兴趣区域判断模块相连，根据所述待预测数字切片图像的感兴趣区域，对口腔黏膜癌进行预测。
本申请实施例提供一种电子设备，该电子设备包括一个或多个处理器和存储器。
处理器可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备中的其他组件以执行期望的功能。
存储器可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器可以运行所述程序指令，以实现上文所说明的本申请任意实施例的一种用于口腔黏膜癌预测的图像处理方法的功能。在所述计算机可读存储介质中还可以存储诸如初始外参、阈值等各种内容。
在一个示例中，电子设备还可以包括：输入装置和输出装置，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。该输入装置可以包括例如键盘、鼠标等等。该输出装置可以向外部输出各种信息，包括预警提示信息、制动力度等。该输出装置可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等。
本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本申请任意实施例所提供的一种用于口腔黏膜癌预测的图像处理方法的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本申请任意实施例所提供的一种用于口腔黏膜癌预测的图像处理方法的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
需要说明的是，本发明所用术语仅为了描述特定实施例，而非限制本申请范围。如本发明说明书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。术语“包括”、“包含”或者其任何其它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它要素，或者是还包括为这种过程、方法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，并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。
还需说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”等应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案。
Claims (10)
1.一种用于口腔黏膜癌预测的图像处理方法，其特征在于，包括如下步骤：
S1：获取数字切片图像：切割制作好的切片，得到多个待预测切片，扫描所述多个待预测切片，获得所述数字切片图像；
S2：对所述数字切片图像进行预处理，得到预处理后的数字切片图像；
S3：从所述预处理后的数字切片图像中选定待预测数字切片图像；
S4：针对所述待预测数字切片图像，使用卷积神经网络模型获得所述待预测数字切片图像的感兴趣区域；
S5：判断所述感兴趣区域是否存在气泡：
若存在气泡，则返回S3，重新处理；
若不存在气泡，则进入S6；
S6：根据所述待预测数字切片图像的感兴趣区域，对口腔黏膜癌进行预测。
2.根据权利要求1所述的一种用于口腔黏膜癌预测的图像处理方法，其特征在于：所述S2中，对所述数字切片图像进行预处理，得到预处理后的数字切片图像，所述预处理包括：
根据所述数字切片图像的气泡面积占比，对所述数字切片图像进行筛选处理，获得筛选后的数字切片图像；
针对所述筛选后的数字切片图像进行图像增强处理，得到图像增强后的数字切片图像；
对所述图像增强后的数字切片图像进行裁剪处理，得到预处理后的数字切片图像。
3.根据权利要求2所述的一种用于口腔黏膜癌预测的图像处理方法，其特征在于：所述根据所述数字切片图像的气泡面积占比，对所述数字切片图像进行筛选处理，获得筛选后的数字切片图像，包括：
计算每张所述数字切片图像中气泡面积与整个数字切片图像的面积比值，作为每张所述数字切片图像的气泡面积占比；
剔除所述气泡面积占比大于气泡面积占比阈值的数字切片图像，获得所述筛选后的数字切片图像。
4.根据权利要求2所述的一种用于口腔黏膜癌预测的图像处理方法，其特征在于：所述针对所述筛选后的数字切片图像进行图像增强处理，得到图像增强后的数字切片图像，所述图像增强处理包括：
调整所述筛选后的数字切片图像的亮度、对比度、饱和度以及色调。
5.根据权利要求4所述的一种用于口腔黏膜癌预测的图像处理方法，其特征在于：所述调整所述筛选后的数字切片图像的亮度、对比度、饱和度以及色调包括：
将所述筛选后的数字切片图像的亮度调整为[1,1.4]；
将所述筛选后的数字切片图像的对比度调整为[1,1.4]；
将所述筛选后的数字切片图像的饱和度调整为[1,1.4]；
将所述筛选后的数字切片图像的色调调整为[-0.5,0.5]。
6.根据权利要求1所述的一种用于口腔黏膜癌预测的图像处理方法，其特征在于：所述S4中，所述针对所述待预测数字切片图像，使用卷积神经网络模型获得所述待预测数字切片图像的感兴趣区域，包括：
获取所述卷积神经网络模型的训练样本集，所述训练样本集为已标注出感兴趣区域的数字切片图像；
训练所述卷积神经网络模型，将所述训练样本集输入所述卷积神经网络模型进行训练，直至满足训练结束条件，获得训练好的卷积神经网络模型；
将所述待预测数字切片图像输入所述训练好的卷积神经网络模型，得到所述待预测数字切片图像的感兴趣区域。
7.根据权利要求3所述的一种用于口腔黏膜癌预测的图像处理方法，其特征在于：所述S3中，所述从所述预处理后的数字切片图像中选定待预测数字切片图像，包括：
基于所述预处理后的数字切片图像，选择气泡面积占比最小的数字切片图像作为所述待预测数字切片图像。
8.根据权利要求7所述的一种用于口腔黏膜癌预测的图像处理方法，其特征在于：所述S5中，所述判断所述感兴趣区域是否存在气泡：若存在气泡，则返回S3，重新处理，还包括：
执行S3，基于所述预处理后的数字切片图像，选择气泡面积占比次小的数字切片图像作为新的待预测数字切片图像；
执行S4，针对新的待预测数字切片图像，使用卷积神经网络模型获得新的待预测数字切片图像的感兴趣区域；
执行S5，若判定所述新的待预测数字切片图像的感兴趣区域存在气泡，则重新返回S3，选择气泡面积占比倒数第三小的数字切片图像作为新的待预测数字切片图像，再执行S4和S5；
以此类推，直至S5中判断感兴趣区域不存在气泡，进入S6。
9.根据权利要求1所述的一种用于口腔黏膜癌预测的图像处理方法，其特征在于：所述S1中，获取数字切片图像：切割制作好的切片，得到多个待预测切片，扫描所述多个待预测切片，获得所述数字切片图像，所述切割制作好的切片前，针对所述制作好的切片进行染色处理。
10.一种用于口腔黏膜癌预测的图像处理系统，其特征在于：所述图像处理系统执行权利要求1-9中任一项所述的一种用于口腔黏膜癌预测的图像处理方法，所述图像处理系统包括：
数字切片图像获取模块：切割制作好的切片，得到多个待预测切片，扫描所述多个待预测切片，获得所述数字切片图像；
预处理模块：与数字切片图像获取模块相连，对所述数字切片图像进行预处理，得到预处理后的数字切片图像；
待预测数字切片图像选择模块：与预处理模块相连，从所述预处理后的数字切片图像中选定待预测数字切片图像；
感兴趣区域选择模块：与待预测数字切片图像选择模块相连，针对所述待预测数字切片图像，使用卷积神经网络模型获得待预测数字切片图像的感兴趣区域；
感兴趣区域判断模块：与感兴趣区域选择模块相连，用于判断所述感兴趣区域是否存在气泡；
预测模块：与感兴趣区域判断模块相连，根据所述待预测数字切片图像的感兴趣区域，对口腔黏膜癌进行预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410197327.6A CN117765533B (zh) | 2024-02-22 | 2024-02-22 | 一种用于口腔黏膜癌预测的图像处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410197327.6A CN117765533B (zh) | 2024-02-22 | 2024-02-22 | 一种用于口腔黏膜癌预测的图像处理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117765533A true CN117765533A (zh) | 2024-03-26 |
| CN117765533B CN117765533B (zh) | 2024-04-26 |
Family
ID=90318674
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410197327.6A Active CN117765533B (zh) | 2024-02-22 | 2024-02-22 | 一种用于口腔黏膜癌预测的图像处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117765533B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110569769A (zh) * | 2019-08-29 | 2019-12-13 | 浙江大搜车软件技术有限公司 | 图像识别方法、装置、计算机设备和存储介质 |
| CN111595850A (zh) * | 2020-04-27 | 2020-08-28 | 平安科技（深圳）有限公司 | 切片缺陷检测方法、电子装置及可读存储介质 |
| CN111899246A (zh) * | 2020-07-30 | 2020-11-06 | 平安科技（深圳）有限公司 | 玻片数字化信息质量检测方法、装置、设备及介质 |
| CN112380900A (zh) * | 2020-10-10 | 2021-02-19 | 深圳视见医疗科技有限公司 | 基于深度学习的子宫颈液基细胞数字图像分类方法及系统 |
| CN112990214A (zh) * | 2021-02-20 | 2021-06-18 | 南京信息工程大学 | 一种医学图像特征识别预测模型 |
| CN113092202A (zh) * | 2021-03-25 | 2021-07-09 | 上海福君基因生物科技有限公司 | 一种胃癌预后预测装置 |
| CN113436206A (zh) * | 2021-06-17 | 2021-09-24 | 易普森智慧健康科技（深圳）有限公司 | 一种基于聚类分割的病理组织切片扫描区域定位方法 |
| 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 |
| CN115578560A (zh) * | 2022-10-09 | 2023-01-06 | 杭州智汇明壹医疗科技有限公司 | 基于深度学习的ihc膜浆表达病理图像的癌区分割方法 |
| CN115880233A (zh) * | 2022-11-28 | 2023-03-31 | 广州金域医学检验中心有限公司 | 细胞病理图像评价方法及装置 |
| CN116993691A (zh) * | 2023-07-28 | 2023-11-03 | 福州大学 | 基于h&e染色胃癌数字病理图像的ebv状态智能预测方法 |
| CN117501310A (zh) * | 2021-05-21 | 2024-02-02 | 文塔纳医疗系统公司 | 组织病理学图像中伪影的自动分割 |
-
2024
- 2024-02-22 CN CN202410197327.6A patent/CN117765533B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110569769A (zh) * | 2019-08-29 | 2019-12-13 | 浙江大搜车软件技术有限公司 | 图像识别方法、装置、计算机设备和存储介质 |
| CN111595850A (zh) * | 2020-04-27 | 2020-08-28 | 平安科技（深圳）有限公司 | 切片缺陷检测方法、电子装置及可读存储介质 |
| CN111899246A (zh) * | 2020-07-30 | 2020-11-06 | 平安科技（深圳）有限公司 | 玻片数字化信息质量检测方法、装置、设备及介质 |
| CN112380900A (zh) * | 2020-10-10 | 2021-02-19 | 深圳视见医疗科技有限公司 | 基于深度学习的子宫颈液基细胞数字图像分类方法及系统 |
| CN112990214A (zh) * | 2021-02-20 | 2021-06-18 | 南京信息工程大学 | 一种医学图像特征识别预测模型 |
| CN113092202A (zh) * | 2021-03-25 | 2021-07-09 | 上海福君基因生物科技有限公司 | 一种胃癌预后预测装置 |
| CN117501310A (zh) * | 2021-05-21 | 2024-02-02 | 文塔纳医疗系统公司 | 组织病理学图像中伪影的自动分割 |
| CN113436206A (zh) * | 2021-06-17 | 2021-09-24 | 易普森智慧健康科技（深圳）有限公司 | 一种基于聚类分割的病理组织切片扫描区域定位方法 |
| 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 |
| CN115578560A (zh) * | 2022-10-09 | 2023-01-06 | 杭州智汇明壹医疗科技有限公司 | 基于深度学习的ihc膜浆表达病理图像的癌区分割方法 |
| CN115880233A (zh) * | 2022-11-28 | 2023-03-31 | 广州金域医学检验中心有限公司 | 细胞病理图像评价方法及装置 |
| CN116993691A (zh) * | 2023-07-28 | 2023-11-03 | 福州大学 | 基于h&e染色胃癌数字病理图像的ebv状态智能预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117765533B (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US5848177A (en) | Method and system for detection of biological materials using fractal dimensions | |
| US11317851B2 (en) | Skin spot evaluation apparatus, skin spot evaluation method and program | |
| EP1975876A2 (en) | Methods of chromogen separation-based image analysis | |
| US9916515B2 (en) | Image processing | |
| WO2022110396A1 (zh) | 数字病理切片目标区域的识别方法、系统、设备及介质 | |
| US20240079116A1 (en) | Automated segmentation of artifacts in histopathology images | |
| US20230368379A1 (en) | Image processing method and apparatus | |
| CN110880177A (zh) | 一种图像识别方法及装置 | |
| CN115909006B (zh) | 基于卷积Transformer的乳腺组织图像分类方法及系统 | |
| JP2024027078A (ja) | マルチスケールに基づく全スライド病理特徴融合抽出方法、システム、電子機器及び記憶媒体 | |
| CN115153397A (zh) | 用于内窥镜摄像系统的成像方法和内窥镜摄像系统 | |
| CN116758336A (zh) | 一种基于人工智能的医学图像智能分析系统 | |
| CN117095815A (zh) | 基于磁共振图像和病理全景扫描切片预测带有同源重组缺陷的前列腺癌患者的系统 | |
| CN113984761B (zh) | 一种二维码批扫设备的二维码快速筛选方法 | |
| CN113129281B (zh) | 一种基于深度学习的小麦茎秆截面参数检测方法 | |
| CN117765533B (zh) | 一种用于口腔黏膜癌预测的图像处理方法及系统 | |
| CN116245855B (zh) | 作物品种鉴定方法、装置、设备及存储介质 | |
| DE112019004112T5 (de) | System und verfahren zur analyse mikroskopischer bilddaten und zur erzeugung eines annotierten datensatzes zum training der klassifikatoren | |
| CN113989799A (zh) | 一种宫颈异常细胞识别方法、装置和电子设备 | |
| CN114399764A (zh) | 一种病理切片的扫描方法及系统 | |
| CN111583275A (zh) | 一种切片病理号的识别方法、系统、装置和存储介质 | |
| CN110960194B (zh) | 一种耳相采集装置及采集方法 | |
| CN115148365B (zh) | 用于预测中枢神经系统生殖细胞肿瘤预后的方法及系统 | |
| RU197198U1 (ru) | Портативное устройство распознавания и классификации зерен пыльцы | |
| KR100520125B1 (ko) | 선충 분류 방법 |
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 |