WO2021213068A1 - 基于人工智能的图像显示方法、装置、设备及介质 - Google Patents
基于人工智能的图像显示方法、装置、设备及介质 Download PDFInfo
- Publication number
- WO2021213068A1 WO2021213068A1 PCT/CN2021/080603 CN2021080603W WO2021213068A1 WO 2021213068 A1 WO2021213068 A1 WO 2021213068A1 CN 2021080603 W CN2021080603 W CN 2021080603W WO 2021213068 A1 WO2021213068 A1 WO 2021213068A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- image
- feature
- characteristic
- target
- classification model
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 98
- 238000012549 training Methods 0.000 claims description 110
- 238000013145 classification model Methods 0.000 claims description 106
- 230000002159 abnormal effect Effects 0.000 claims description 56
- 238000004590 computer program Methods 0.000 claims description 24
- 238000010827 pathological analysis Methods 0.000 claims description 24
- 230000004044 response Effects 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 13
- 230000003190 augmentative effect Effects 0.000 claims description 11
- 239000012535 impurity Substances 0.000 claims description 7
- 210000004027 cell Anatomy 0.000 description 47
- 238000005516 engineering process Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000012216 screening Methods 0.000 description 9
- 230000002093 peripheral effect Effects 0.000 description 8
- 206010008342 Cervix carcinoma Diseases 0.000 description 6
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 description 6
- 201000010881 cervical cancer Diseases 0.000 description 6
- 239000007788 liquid Substances 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 239000012530 fluid Substances 0.000 description 5
- 238000012790 confirmation Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000003902 lesion Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 210000003855 cell nucleus Anatomy 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002380 cytological effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000009595 pap smear Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/24—Indexing scheme for image data processing or generation, in general involving graphical user interfaces [GUIs]
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
Abstract
本申请提供了一种基于人工智能的图像显示方法、装置、设备及介质,属于人工智能技术领域。方法包括:对第一图像进行处理,得到第一特征图像,获取所述第一特征图像对应的第二特征图像;对所述第一特征图像和所述第二特征图像进行叠加,基于叠加后的图像获取第三特征图像;根据所述第三特征图像获取第二图像;在所述第一图像上叠加显示所述第二图像。
Description
本申请要求于2020年04月22日提交的申请号为202010320738.1、发明名称为“基于人工智能的图像显示方法、装置、设备及介质”的中国专利申请的优先权,其全部内容通过引用结合在本申请中。
本申请涉及人工智能技术领域,特别涉及一种基于人工智能的图像显示方法、装置、设备及介质。
宫颈癌是一种对女性威胁较大、致死率较高的恶性肿瘤疾病。随着宫颈癌筛查方法的发展,通过薄层液基细胞学技术可以在发病初期成功的筛查出宫颈癌病变,从而减少了发病率和死亡率。然而,由于在筛查过程中,需要由医务人员基于个人经验对宫颈液基涂片进行判读,来判断是否存在病变。在劳动强度较高,工作量大时,容易引起误诊和漏诊的问题。
目前,可以通过计算机辅助的方式来降低医务工作者的工作量。即在筛查过程中,由计算机设备对宫颈液基涂片进行整体的扫描,通过图像处理技术对扫描得到的图像进行分割,提取其中的细胞图像,并根据细胞特征判断细胞是否出现病变。
上述技术方案存在的问题是,扫描涂片的设备成本较高,扫描涂片要花费大量时间,并且由于细胞图像较为复杂,存在细胞核重叠或者相互接触的情况,计算机设备无法对扫描得到的图像进行准确的判断,仍需要医务人员进行二次确认才能完成筛查工作,降低了医生的筛查效率。
发明内容
本申请实施例提供了一种基于人工智能的图像显示方法、装置、设备及介质,技术方案如下:
一方面,提供了一种基于人工智能的图像显示方法,由计算机设备执行,所述方法包括:
对第一图像进行处理,得到第一特征图像,所述第一图像为通过显微镜对包括多个待检测对象的涂片的局部区域进行图像采集得到的图像;
获取所述第一特征图像对应的第二特征图像,所述第二特征图像与所述第一特征图像尺寸相同;
对所述第一特征图像和所述第二特征图像进行叠加,基于叠加后的图像获取第三特征图像,所述第三特征图像中的特征点用于表示待检测对象属于异常对象的可能性;
根据所述第三特征图像获取第二图像,所述第二图像用于表示属于异常对象的待检测对象在所述第一图像中的位置;
在所述第一图像上叠加显示所述第二图像。
另一方面,提供了一种基于人工智能的图像显示装置,所述装置包括:
图像处理模块,用于对第一图像进行处理,得到第一特征图像,所述第一图像用于表示通过显微镜对包括多个待检测对象的涂片的局部区域进行图像采集得到的图像;
所述图像处理模块,还用于获取所述第一特征图像对应的第二特征图像,所述第二特征图像与所述第一特征图像尺寸相同;
所述图像处理模块,还用于对所述第一特征图像和所述第二特征图像进行叠加,基于叠加后的图像获取第三特征图像,所述第三特征图像中的特征点用于表示待检测对象属于异常对象的可能性;
图像获取模块,用于根据所述第三特征图像获取第二图像,所述第二图像用于表示属于异常对象的待检测对象在所述第一图像中的位置;
图像显示模块,用于在所述第一图像上叠加显示所述第二图像。
在一种可选的实现方式中,所述图像处理模块,还用于对所述第一特征图像进行卷积处理得到第四特征图像;对所述第四特征图像进行反卷积处理,得到所述第一特征图像对象的第二特征图像。
在一种可选的实现方式中,所述图像处理模块,还用于对所述第一特征图像和所述第二特征图像进行叠加,得到第五特征图像,所述第五特征图像与所述第一特征图像尺寸相同,所述第五特征图像的通道包括所述第一特征图像的通道和所述第二特征图像的通道;对所述第五特征图像进行卷积处理,得到所述第三特征图像。
在一种可选的实现方式中,所述第三特征图像为二通道图像;所述图像处理模块,还用于获取所述第三特征图像中的目标通道图像,所述目标通道图像中特征值不为零的特征点用于表示属于异常对象的待检测对象;对于任一特征值不为零的特征点,响应于所述特征点的特征值不小于目标阈值,将所述特征点的特征值调整为1;响应于所述特征点的特征值小于所述目标阈值,将所述特征点的特征值调整为0;将调整特征值后的目标通道图像的尺寸调整为与所述第一图像的尺寸相同;获取尺寸调整后的所述目标通道图像中特征值为1的图像区域的边缘特征点,得到所述第二图像。
在一种可选的实现方式中,所述图像处理模块,还用于去除所述目标通道图像中的杂质区域和小于目标尺寸的区域。
在一种可选的实现方式中,所述对第一图像进行处理、获取第二特征图像、对第一特征图像和第二特征图像进行叠加,基于叠加后的图像获取第三特征图像的过程基于图像分类模型实现。
在一种可选的实现方式中,所述装置还包括:
图像获取模块,用于获取所述第一图像;
第一确定模块,用于根据所述第一图像的图像属性获取所述第一图像所属的病理分析类型;
模型调用模块,用于调用所述病理分析类型对应的图像分类模型。
在一种可选的实现方式中,所述图像属性还用于指示采集所述第一图像时的目标放大倍数;所述模型调用模块,还用于根据所述病理分析类型获取所述病理分析类型对应的至少一个待选图像分类模型;响应于任一待选图像分类模型在训练时采用的样本图像的放大倍数与所述目标放大倍数相同,将所述待选图像分类模型作为所述图像分类模型。
在一种可选的实现方式中,所述装置还包括模型训练模块,用于获取训练样本图像,根据所述训练样本图像获取训练目标图像,所述训练样本图像为标注有异常对象的位置的图像, 所述训练目标图像为二值图像,用于表示所述异常对象;将所述训练样本图像输入待训练的图像分类模型,获取所述待训练的图像分类模型输出的第一样本特征图像;根据所述第一样本特征图像和所述训练目标图像进行参数调整;响应于达到训练结束条件,将训练得到的模型作为所述图像分类模型。
在一种可选的实现方式中,所述装置还包括:
第二确定模块,用于根据所述训练样本图像的图像属性,获取目标尺寸,所述目标尺寸用于表示所述训练样本图像中一个像素代表的实际尺寸;
所述第二确定模块,还用于根据所述目标尺寸和参考细胞尺寸获取目标缩放比例,所述目标缩放比例用于指示所述第一样本特征图像和所述训练样本图像之间的比例;
所述第二确定模块,还用于根据所述目标缩放比例,获取所述图像分类模型的卷积层数。
在一种可选的实现方式中,所述第二确定模块,还用于根据所述训练样本图像的图像属性,获取采集所述训练样本图像时的样本放大倍数和采集所述训练样本图像时的像素尺寸;根据所述样本放大倍数和所述像素尺寸,获取所述目标尺寸。
另一方面,提供了一种基于人工智能的图像显示系统,所述系统包括:物镜、目镜、图像采集组件、图像处理组件以及增强现实组件;
所述物镜,用于对包括多个待检测对象的涂片的局部区域进行放大;
所述图像采集组件与所述物镜相连,用于获取第一图像,所述第一图像为通过显微镜对包括多个待检测对象的涂片的局部区域进行图像采集得到的图像;
所述图像处理组件与所述图像采集组件相连,用于对所述第一图像进行处理,得到第一特征图像;
所述图像处理组件,还用于根据所述第一特征图像,获取所述第一特征图像对应的第二特征图像,所述第二特征图像与所述第一特征图像尺寸相同;
所述图像处理组件,还用于对所述第一特征图像和所述第二特征图像进行叠加,基于叠加后的图像获取第三特征图像,所述第三特征图像中的特征点用于表示待检测对象属于异常对象的可能性;
所述图像处理组件,还用于根据所述第三特征图像获取第二图像,所述第二图像用于表示属于异常对象的待检测对象在所述第一图像中的位置;
所述目镜与所述图像采集组件相连,用于显示所述第一图像;
所述增强现实组件与所述图像处理组件相连,用于将所述第二图像投射到所述目镜中,由所述目镜在所述第一图像上叠加显示所述第二图像。
另一方面,提供了一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器用于存储至少一段计算机程序,所述至少一段计算机程序由所述处理器加载并执行以实现本申请实施例中的基于人工智能的图像显示方法中所执行的操作。
另一方面,提供了一种存储介质,所述存储介质中存储有至少一段计算机程序,所述至少一段计算机程序用于执行本申请实施例中的基于人工智能的图像显示方法。
图1是根据本申请实施例提供的基于人工智能的图像显示系统的结构框图;
图2是根据本申请实施例提供的一种基于人工智能的显微镜的结构示意图;
图3是根据本申请实施例提供的一种基于人工智能的图像显示方法的流程图;
图4是根据本申请实施例提供的另一种基于人工智能的图像显示方法的流程图;
图5是根据本申请实施例提供的一种获取第一图像的流程图;
图6是根据本申请实施例提供的一种显微镜的示意图;
图7是根据本申请实施例提供的另一种基于人工智能的图像显示方法的流程图;
图8是根据本申请实施例提供的一种基于人工智能的图像显示装置的框图;
图9是根据本申请实施例提供的计算机设备的结构框图;
图10是根据本申请实施例提供的一种服务器的结构示意图。
下面简单介绍一下本申请实施例可能用到的技术:
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
计算机视觉技术(Computer Vision,CV)计算机视觉是一门研究如何使机器“看”的科学,更进一步的说,就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术,还包括常见的人脸识别、指纹识别等生物特征识别技术。
机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
TCT(ThinprepCytologic Test)是新柏氏液基细胞学检测的简称,采用液基薄层细胞检测系统检测宫颈细胞并进行细胞学分类诊断,它是国际上较先进的一种宫颈癌细胞学检查技术,与传统的宫颈刮片巴氏涂片检查相比明显提高了标本的满意度及宫颈异常细胞检出率。
本申请实例提供了一种基于人工智能的图像显示方法,该方法可以应用于医务人员使用基于人工智能的显微镜观察涂片的场景。例如,该涂片可以为基于薄层基液细胞学技术制作的各种宫颈液基涂片(如沉降式,膜式以及细胞抹片等)。医务人员在进行病理性检测时,可以通过基于人工智能的显微镜观察制备的涂片,来判断是否出现病变。
下面介绍一下基于人工智能的图像显示方法的实施环境。图1是根据本申请实施例提供的基于人工智能的图像显示系统100的结构框图。基于人工智能的图像显示系统可以包括:基于人工智能的显微镜110和计算机设备120。在一些实施例中,该系统还包括服务器130和数据库140。
显微镜110可以是集成有图像采集组件的电子显微镜,该电子显微镜对外提供有图像输出接口,用于将采集到的显微图像传输至计算机设备120或者服务器120。其中,该图像输出接口可以是有线接口,比如通用串行总线(Universal Serial Bus,USB)接口、高清多媒体接口(High Definition Multimedia Interface,HDMI)接口或者以太网接口等等;或者,上述图像输出接口也可以是无线接口,比如无线局域网(Wireless Local Area Network,WLAN)接口、蓝牙接口等等。相应的,根据上述图像输出接口的类型的不同,传输显微图像方式也可以有多种,比如,通过有线或者短距离无线方式将采集到的显微图像传输至计算机设备120,或者,由计算机设备120将接收到的显微图像发送至服务器130,或者,通过局域网或者互联网将采集到的显微图像传输至计算机设备120或者服务器130。
计算机设备120可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能手表等,但并不局限于此。计算机设备120可以安装和运行有对获取到的显微图像进行处理的应用程序。计算机设备120获取到显微图像后,可以通过上述应用程序对该显微图像进行处理,将处理结果发送至显微镜110,由显微镜110在目镜中对处理结果进行显示。
在图1所示的系统中,计算机设备120和显微镜110是物理上分离的实体设备。在一种可能的实现方式中,计算机设备120和显微镜110可以集成为单个实体设备;比如,显微镜110可以是具有计算机设备120计算功能的智能显微镜。
例如,参见图2所示,图2示例性示出了本申请实施例提供的一种基于人工智能的显微镜的结构示意图。如图2所示,该显微镜110应用于图1所示的基于人工智能的图像显示系统中,该显微镜110可以包括图像采集组件111、物镜112、目镜113、增强现实组件114以及图像处理组件115。在一些实施例中,还可以包括显微镜机身116等等。
其中,物镜112,用于对包括多个待检测对象的涂片的局部区域进行放大。图像采集组件111与物镜112相连,用于获取第一图像,该第一图像为对包括多个待检测对象的涂片的局部区域进行图像采集得到的图像;图像处理组件115与图像采集组件111相连,用于对上述第一图像进行处理,得到第一特征图像。该图像处理组件115还用于根据第一特征图像,获取该第一特征图像对应的第二特征图像,该第二特征图像与该第一特征图像尺寸相同。该图像处理组件115还用于对上述第一特征图像和第二特征图像进行叠加,基于叠加后的图像获取第三特征图像,该第三特征图像中的特征点用于表示待检测对象属于异常对象的可能性。该图像处理组件115还用于根据上述第三特征图像获取第二图像,该第二图像用于表示属于异常对象的待检测对象在第一图像中的位置。目镜113与图像采集组件111相连,用于显示图像采集组件111采集到的第一图像;增强现实组件114与图像处理组件115相连,用于将上述第二图像基于增强现实(Augmented Reality,AR)技术,投射到目镜113中,由目镜113在第一图像上叠加显示第二图像;显微镜机身116用于为上述组件提供物理支持,包括结构支撑以及能源支持等。该显微镜110还可以包括其他功能组件,本申请实施例对此不进行限制。
服务器130可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通 信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。
计算机设备120以及服务器130可以通过有线或无线通信方式进行直接或间接地连接,本申请实施例在此不做限制。
服务器130用于为计算机设备120提供显微图像的处理服务。在一些实施例中,服务器130承担主要显微图像处理工作,计算机设备120承担次要显微图像处理工作;或者,服务器130承担次要显微图像处理工作,计算机设备120承担主要显微图像处理工作;或者,服务器130或计算机设备120分别可以单独承担显微图像处理工作。
数据库140可以是Redis数据库,或者是其它类型数据库。其中,数据库140用于存储各类数据。
在一些实施例中,上述的无线网络或有线网络使用标准通信技术和/或协议。网络通常为因特网、但也可以是任何网络,包括但不限于局域网(Local Area Network,LAN)、城域网(Metropolitan Area Network,MAN)、广域网(Wide Area Network,WAN)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合)。在一些实施例中,使用包括超文本标记语言(Hyper Text Mark-up Language,HTML)、可扩展标记语言(Extensible Markup Language,XML)等的技术和/或格式来代表通过网络交换的数据。此外还可以使用诸如安全套接字层(Secure Socket Layer,SSL)、传输层安全(Transport Layer Security,TLS)、虚拟专用网络(Virtual Private Network,VPN)、网际协议安全(Internet Protocol Security,IPsec)等常规加密技术来加密所有或者一些链路。在另一些实施例中,还可以使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。
图3是根据本申请实施例提供的一种基于人工智能的图像显示方法的流程图。该图像的显示方法可以由计算机设备执行。该计算机设备可以是单个设备,该计算机设备集成有显微镜功能;或者,该计算机设备也可以是多个设备的集合,比如,该计算机设备可以包括上述图1所示系统中的显微镜110,即该方法可以由上述图1所示系统中的显微镜110和计算机设备120通过交互执行。如图3所示,该基于人工智能的图像显示方法包括以下步骤。
301、基于图像分类模型对第一图像进行处理,得到第一特征图像,该第一图像为通过显微镜对包括多个待检测对象的涂片的局部区域进行图像采集得到的图像。
该步骤301为对第一图像进行处理,得到第一特征图像的一种可能实现方式,在该实现方式中,对第一图像进行处理得到第一特征图像的过程基于图像分类模型实现。在其他可能实现方式中,还可以基于其他方式来处理第一图像,而不基于该图像分类模型,例如,直接通过图像处理脚本,对第一图像进行处理得到第一特征图像,本申请实施例对此不作限定。
在本申请实施例中,涂片指的是放置在显微镜的物镜台上的涂片,显微镜可以通过物镜对涂片的局部区域进行放大,然后通过图像采集组件采集放大后的显微图像作为第一图像。例如,该涂片可以为基于薄层基液细胞学技术制作的宫颈液基涂片,或者其他涂片。该图像分类模型可以为基于机器学习得到的模型,包含有已训练完毕的神经网络,基于该已训练完成的神经网络可以对上述第一图像进行卷积处理,得到第一特征图像。也即是,该图像分类模型可以采用多层神经网络卷积结构,该图像分类模型中包括多个卷积层。可以将第一图像输入该图像分类模型中,由该图像分类模型中的卷积层对第一图像进行卷积处理,得到第一特征图像。
302、基于该图像分类模型,根据该第一特征图像,获取该第一特征图像对应的第二特征图像,该第二特征图像与该第一特征图像尺寸相同。
该步骤302为获取所述第一特征图像对应的第二特征图像的一种可能实现方式,在该实现方式中,获取第一特征图像对应的第二特征图像的过程基于图像分类模型实现。在其他可能实现方式中,还可以基于其他方式来处理第一特征图像来得到第二特征图像,而不基于该图像分类模型。例如,直接通过图像处理脚本,对第一特征图像进行处理得到第二特征图像,本申请实施例对此不作限定。
在本申请实施例中,基于图像分类模型可以对第一特征图像进行卷积和反卷积处理,得到与该第一特征图像尺寸相同的第二特征图像。该图像分类模型中可以包括有训练好的神经网络,也即是,该图像分类模型可以采用多层神经网络卷积结构,该图像分类模型中包括多个卷积层。该步骤302中,图像分类模型对第一图像处理得到第一特征图像后,该图像分类模型中的卷积层可以再对第一特征图像进行卷积和反卷积处理,得到第二特征图像。
303、基于该图像分类模型,对该第一特征图像和该第二特征图像进行叠加,基于叠加后的图像获取第三特征图像,该第三特征图像中的特征点用于表示待检测对象属于异常对象的可能性。
该步骤303为对所述第一特征图像和所述第二特征图像进行叠加,基于叠加后的图像获取第三特征图像的一种可能实现方式,在该实现方式中,两个特征图像叠加以及基于叠加后的图像获取第三特征图像的过程基于图像分类模型实现。在其他可能实现方式中,还可以基于其他方式来处理第一特征图像、第二特征图像以及叠加后的图像,来得到第三特征图像,而不基于该图像分类模型。例如,直接通过图像处理脚本,对该第一特征图像和该第二特征图像进行叠加,基于叠加后的图像获取第三特征图像,本申请实施例对此不作限定。
在本申请实施例中,基于图像分类模型可以将尺寸相同的第一特征图像和第二特征图像进行叠加得到一个新图像,该叠加后的新图像与叠加前的两个特征图像的尺寸相同。对该叠加后的新图像进行卷积处理,可以得到第三特征图像,第三特征图像中各特征点的特征值表示待检测对象属于异常对象的可能性,可能性越高,特征值越大。
在一些实施例中,该图像分类模型中可以包括有训练好的神经网络,也即是,该图像分类模型可以采用多层神经网络卷积结构,该图像分类模型中包括多个卷积层。该步骤303中,图像分类模型在得到第一特征图像和第二特征图像后,可以对两个特征图像进行叠加,然后基于该图像分类模型中的卷积层对叠加后的新图像进行卷积处理得到第三特征图像。
304、根据该第三特征图像获取第二图像,该第二图像用于表示属于异常对象的待检测对象在该第一图像中的位置。
在本申请实施例中,基于获取到的第三特征图像,可以获取异常对象的位置,从而得到表示该异常对象的位置的第二图像。
305、在该第一图像上叠加显示该第二图像。
在本申请实施例中,显微镜的增强现实组件可以将上述第一图像和第二图像输出至显微镜的目镜中进行显示,以使得医务人员可以通过目镜观察到第一图像的同时也可以观察到叠加显示的第二图像,从而向医务人员标识异常对象的位置。
在本申请实施例中,通过显微镜对涂片的局部区域进行图像采集,然后通过图像分类模型对采集到的第一图像进行处理,对处理得到的第一特征图像和对应的第二特征图像进行叠加,基于叠加后的图像输出特征点表示待检测对象属于异常对象的可能性的第三特征图像, 然后基于该第三特征图像获取表示异常对象在第一图像中位置的第二图像,最后在第一图像上叠加显示该第二图像,使得医务人员在对涂片进行判读时,可以在涂片的局部区域包含异常对象时,实时进行确认和判断,不需要二次确认,节约了医务人员的工作流程,提高了筛查效率。
图4是根据本申请实施例提供的另一种基于人工智能的图像显示方法的流程图,如图4所示,在本申请实施例中以计算机设备为例进行说明,该计算机设备可以为终端,也可以为服务器。通过图3所示实施例已知,该基于人工智能的图像显示方法中有些步骤可以基于图像分类模型实现,图4所示实施例中仅以这些步骤基于图像分类模型实现为例进行了说明,但不限定这些步骤仅通过这种实现方式实现。该基于人工智能的图像显示方法包括以下步骤:
401、计算机设备获取第一图像,该第一图像为通过显微镜对包括多个待检测图像的涂片的局部区域进行图像采集得到的图像。
在本申请实施例中,显微镜具有一定的视野范围,可以覆盖涂片的局部区域,通过移动涂片的位置,可以更改显微镜当前视野下的涂片区域,显微镜通过物镜可以对当前视野下的涂片区域进行放大,计算机设备可以通过图像采集组件对放大后的涂片区域进行图像采集,将采集到的显微图像作为第一图像。该第一图像与医务人员通过该显微镜的目镜观察到的涂片的局部区域相一致。其中,根据进行图像采集时显微镜使用的物镜的倍率不同,采集得到的第一图像的放大倍率不同。
需要说明的是,当计算机设备检测到涂片位置移动,或者显微镜由当前物镜切换为其他倍率的物镜时,计算机设备可以通过图像采集组件重新进行图像采集,得到新的显微图像,该新的显微图像与涂片位置移动前采集得到的第一图像所对应的涂片区域不同,或者该新的显微图像与物镜切换前采集得到的第一显微图像的放大倍数不同。
需要说明的是,计算机设备可以通过调用图像分类模型来对获取到的第一图像进行处理。
在一种可选的实现方式中,计算机设备在调用图像分类模型之前,可以获取该第一图像的图像属性,基于该图像属性获取对应的图像分类模型。其中,该图像属性可以用于指示该第一图像所属的病理分析类型,计算机设备可以根据该病理分析类型,调用该病理分析类型对应的图像分类模型。也即是,计算机设备获取到第一图像所属的病理分析类型后,能够调用所述病理分析类型对应的图像分类模型。在一些实施例中,一个病理分析类型可以对应至少一个图像分类模型,该至少一个图像分类模型的不同点在于,在训练时所使用的样本图像的放大倍数不同。计算机设备可以根据采集第一图像时的目标放大倍数,从该至少一个图像分类模型中,选择对应的放大倍数与该目标放大倍数相同的图像分类模型。由于通过第一图像的图像属性来调用图像分类模型,并设置了多种不同物镜倍率对应的图像分类模型,可以实现在多种病理分析场景的应用,增加了应用范围。
例如,第一图像为采集宫颈液基涂片得到的图像,计算机设备获取该第一图像所属的病理分析类型为宫颈癌分析类型,然后计算机设备调用用于对宫颈癌阳性细胞进行分析的图像分类模型。
402、计算机设备基于该图像分类模型对该第一图像进行处理,得到第一特征图像。
在本申请实施例中,计算机设备可以通过图像分类模型中已训练好的神经网络对该第一图像进行卷积处理,得到第一特征图像。
在一种可选的实现方式中,上述图像分类模型的训练步骤可以为:计算机设备获取训练 样本图像,根据该训练样本图像获取训练目标图像。其中,该训练样本图像为标注有异常对象的位置的图像,该训练目标图像为二值图像,用于表示该异常对象。计算机设备可以将该训练样本图像输入待训练的图像分类模型,获取待训练的图像分类模型输出的第一样本特征图像。然后根据该第一样本特征图像和训练目标图像进行参数调整。响应于达到训练结束条件,计算机设备可以将训练得到的模型作为上述图像分类模型。其中,在该图像分类模型是对阳性细胞进行分类的模型时,训练样本图像可以为包括不同比例的阳性细胞和阴性细胞的图像,如阳性细胞与阴性细胞的比例为5:1、3:1以及2:1等。训练结束条件可以为达到目标训练次数,或者模型收敛等,本申请实施例对此不进行限定。其中,该目标训练次数可以由相关技术人员根据需求进行设置,本申请实施例对此不作限定。在一些实施例中,为了增加包括阳性细胞的训练样本图像的召回率,计算机设备在训练图像分类模型时,可以增加对包括阳性细胞的训练样本图像的损失权重。由于在训练图像分类模型时,根据病变细胞筛查的特点,结合采集到的训练样本图像,可以有效的训练图像分类模型对阳性细胞进行识别。
在一种可选的实现方式中,训练样本图像中的异常对象可以由专业人员进行位置的标注,如医学专家对阳性细胞的位置进行标注。相应的,计算机设备根据训练样本图像获取训练目标图像的步骤可以为:计算机设备对训练样本图像进行数值转化,得到一个二通道的训练目标图像,该训练目标图像为二值图像。其中,数值转化步骤可以为:计算机设备将训练样本图像中已标注的区域作为目标区域,将目标区域的像素值设置为1,将非目标区域的像素值设置为0,作为训练目标图像的一个通道,将目标区域的像素值设置为0,将非目标区域的像素值设置为1,作为训练目标图像的另一个通道。通过获取二值形式的训练目标图像,可以将该训练目标图像作为标签,有监督的对图像分类模型进行训练,从而使训练得到的模型可以输出与训练目标图像相近的图像。
在一种可选的实现方式中,图像分类模型在对第一图像进行卷积处理时,各卷积层输出的图像的尺寸可以为输入该卷积层的图像的尺寸的一半,计算机设备可以根据目标缩放比例来获取该图像分类模型的卷积层数。其中,该目标缩放比例用于指示第一样本特征图像和训练样本图像之间的比例。相应的,计算机设备获取图像分类模型的卷积层数的步骤可以为:计算机设备可以根据训练样本图像的图像属性,获取目标尺寸,该目标尺寸用于表示训练样本图像中一个像素代表的实际尺寸。然后计算机设备可以根据该目标尺寸和参考细胞尺寸获取目标缩放比例。根据该目标缩放比例,获取图像分类模型的卷积层数。其中,参考细胞尺寸可以为尺寸较小的鳞状细胞的尺寸,或者其他基底液中细胞的尺寸,本申请实施例对此不进行限制。实际尺寸指的是一个像素代表的真实尺寸,即放大前的尺寸。计算机设备训练样本图像的图像属性获取目标尺寸的步骤可以为:计算机设备可以获取训练样本图像的图像属性,获取采集该训练样本图像时的样本放大倍数和采集该训练样本图像时的像素尺寸,然后计算机设备可以根据该样本放大倍数和像素尺寸获取上述目标尺寸。例如放大倍数为10,一个鳞状细胞的直径为10微米,则在训练样本图像中放大后的鳞状细胞的直径为100微米。若图像采集组件采集训练样本图像时的像素尺寸为50微米,则训练样本图像中约有4个像素含盖一个鳞状细胞。由于一个鳞状细胞真实的直径为10微米,则训练样本图像中一个像素的实际尺寸是5微米,即目标尺寸为5微米。由于通过参考细胞尺寸和训练样本图像中每个像素的像素尺寸来获取目标缩放比例,使得第一样本特征图像中每个细胞可以由至少一个像素含盖,含盖一个细胞的像素越多,表示第二图像的分辨率越高,从而细胞图像越清晰。
例如,训练样本图像中每个像素的像素尺寸为824微米,参考细胞尺寸以鳞状细胞的尺 寸为例,一个较小的鳞状细胞的尺寸,即直径,在10微米到20微米之间。以参考细胞尺寸设置为10微米为例,如果要达到一个像素含盖一个鳞状细胞的目的,在显微镜的放大倍数为10倍时目标尺寸为82.4微米,则目标缩放比例为82.4/10,约为8。如果要达到四个像素含盖一个鳞状细胞的目的,则目标缩放比例可以为(82.4×2)/10,约为16。
403、计算机设备基于该图像分类模型,根据该第一特征图像,获取该第一特征图像对应的第二特征图像,该第二特征图像与该第一特征图像尺寸相同。
在本申请实施例中,计算机设备可以对该第一特征图像进行卷积处理后再进行反卷积处理,得到第二特征图像。相应的,计算机设备获取第二特征图像的步骤可以为:计算机设备可以基于图像分类模型对第一特征图像进行卷积处理,得到第四特征图像,然后基于该图像分类模型对该第四特征图像进行反卷积处理,得到该第一特征图像对应的第二特征图像。其中,第一特征图像和第二特征图像的尺寸相同,通道数不同。
需要说明的是,计算机设备也可以对该第一特征图像进行卷积处理后再进行上采样处理,得到第二特征图像,本申请实施例对此不进行限制。
404、计算机设备基于该图像分类模型,对第一特征图像和第二特征图像进行叠加,基于叠加后的图像获取第三特征图像,该第三特征图像中的特征点用于表示待检测图像属于异常对象的可能性。
在本申请实施例中,计算机设备可以基于图像分类模型,对第一特征图像和第二特征图像进行叠加,得到第五特征图像,该第五特征图像与第一特征图像尺寸相同,也和第二特征图像尺寸相同,该第五特征图像的通道包括第一特征图像的通道和第二特征图像的通道。计算机设备可以基于该图像分类模型,对第五特征图像进行卷积处理,得到第三特征图像。其中,该第三特征图像为二值图像,图像中的像素点为特征点,各特征点的特征值在0到1之间,用于表示待检测图像属于异常对象的可能性。该第三特征图像包括两个通道,一个为阴性值通道,一个为阳性值通道。在阳性值通道中,待检测图像属于异常对象的可能性越高,该待检测图像对应的特征点的取值越接近于1,反之越接近于0;在阳性值通道中,待检测图像属于异常对象的可能性越高,该待检测图像对应的特征点的取值越接近于0,反之越接近于1。由于第三特征图像中各像素点的像素值均在0至1之间,类似于热力图,因此,该第三特征图像也可以被称为二通道的热力图。
405、计算机设备根据该第三特征图像获取第二图像,该第二图像用于表示属于异常对象的待检测对象在该第一图像中的位置。
在本申请实施例中,计算机设备在得到第三特征图像后,可以获取该第三特征图像中目标通道图像,该目标通道图像中各特征点的特征值在0到1之间,其中特征值不为零的特征点用于表示属于异常对象的待检测对象。对于人与特征值不为零的特征点,响应于该特征点的特征值不小于目标阈值,将该特征点的特征值调整为1;响应于该特征点的特征值小于目标阈值,将该特征点的特征值调整为0。然后计算机设备可以将调整特征值后的目标通道图像的尺寸调整为与第一图像的尺寸相同,获取尺寸调整后的目标通道图像中特征值为1的图像区域的边缘特征点,即可得到第二图像。也即对于特征值为1的图像区域,计算机设备可以仅保留该图像区域的边缘区域,将其他区域均设置为透明,得到第二图像。其中,目标阈值可以为0.5、0.65以及0.7等,本申请实施例对此不进行限制。
例如,第三特征图像与第一图像之间的缩放比例为8,则第三特征图像和长和宽均为第一图像的1/8。计算机设备对第三特征图像中的阳性值通道图像进行数值调整,得到像素值 为0或者1的图像,然后将得到的图像按照缩放比例放大8倍,得到第二图像。在该第二图像中,像素值为1的区域指示了阳性细胞在第一图像中可能存在的位置。
需要说明的是,对于该目标通道图像,计算机设备还可以对该目标通道图像中的杂质区域和小于目标尺寸的区域进行去除。其中,计算机设备可以将形状与细胞核形状差别较大的图像区域作为杂质区域。计算机可以根据像素之间的连续性,来获取各像素值连续区域的尺寸,将尺寸小于目标尺寸的图像区域去除。由于去除了杂质区域和尺寸较小的图像区域,使得剩余的图像区域包含的都是尺寸较大细胞,如阳性细胞或者阴性细胞。
需要说明的是,为了使计算机设备根据步骤401和步骤405得到第二图像的步骤更清晰,可以参见图5所示。图5是根据本申请实施例提供的一种获取第二图像的流程图。如图5所示,第一图像中包括三个细胞,也即三个待检测对象,该第一图像的高为H,宽为W,通道数为3,H和W为大于0的正数。计算机设备对该第一图像进行卷积,得到一个高为H/2,宽为W/2,通道数为96的特征图像。计算机设备对得到的特征图像再次进行卷积,得到一个高为H/4,宽为W/4,通道数为144的特征图像。计算机设备对得到的特征图像进行卷积,得到一个高为H/8,宽为W/8,通道数为288的特征图像,该特征图像为第一特征图像。计算机设备对该第一特征图像进行卷积,得到一个高为H/16,宽为W/16,通道数为528的第四特征图像,计算机设备对得到的第四特征图像进行反卷积,得到一个高为H/8,宽为W/8,通道数为528的特征图像,该特征图像为第二特征图像。计算机设备对该第一特征图像和第二特征图像进行叠加,得到一个高为H/8,宽为W/8,通道数为816的第五特征图像,然后对该第五特征图像进行卷积,得到一个高为H/8,宽为W/8,通道数为2的特征图像,该特征图像为第三特征图像。计算机设备获取该第三特征图像中的阳性值通道图像,然后通过目标阈值对该阳性值通道图像进行数值处理,最后将调整特征值后的阳性值通道图像放大到与第一图像相同的尺寸。
406、计算机设备在该第一图像上叠加显示该第二图像。
在本申请实施例中,计算机设备在得到第二图像后,可以将该第二图像投射到显微镜的目镜光路中,即在显微镜的目镜中既显示第一图像又显示第二图像。通过将该第二图像叠加显示在第一图像上,可以指示第一图像中异常对象的位置,如阳性细胞的位置,便于医务人员进行查看。
为了使上述步骤401至步骤406所描述的步骤更清楚,可以参见图6所示。图6是根据本申请实施例提供的一种显微镜的示意图。如图6所示,该显微镜为集成了多个组件的计算机设备600,包括图像采集组件111,图像处理组件115以及增强现实组件114等。图像采集组件111用于采集第一图像601,图像处理组件115用于对第一图像进行处理得到第二图像602,增强现实组件114用于将第二图像投射到目镜113中,由目镜113在第一图像601上叠加显示第二图像602。
需要说明的是,上述步骤401至步骤406是本申请实施例提供的基于人工智能的图像显示方法的可选实现方式。在其他可选的实现方式中,该方法可以由显微镜和服务器等多个设备通过交互执行。参见图7所示,图7是根据本申请实施例提供的另一种基于人工智能的图像显示方法的流程图。如图7所示,包括以下步骤:步骤701、显微镜采集第一图像,并发送至服务器。步骤702、服务器根据第一图像的图像属性,从数据库中查询对应的图像分类模型。步骤703、服务器调用图像处理模型对第一图像进行卷积处理,得到第三特征图像。步骤704、服务器对第三特征图像的目标通道图像进行数值处理和尺寸调整,得到第二图像。 步骤705、服务器将第二图像返回至显微镜。步骤706、显微镜在目镜显示的第一图像上叠加显示该第二图像。
需要说明的是,计算机设备还可以将第一图像和叠加显示的第二图像,通过图像输出接口输出到显示设备进行显示,该显示设备可以为本地的显示设备也可以是远端的显示设备。例如,显微镜可以设置有电动云台,该电动云台用于调整涂片的位置,从而改变显微镜当前视野下采集到的第一图像。计算机设备可以同步显示和输出采集到的第一图像和第二图像。或者,计算机设备可以将第一图像和第二图像以视频流的形式发送至远端,由远端的医务人员进行查看和判断,可以应用于远程会诊场景中。
在本申请实施例中,通过显微镜对涂片的局部区域进行图像采集,然后通过图像分类模型对采集到的第一图像进行处理,对处理得到的第一特征图像和对应的第二特征图像进行叠加,基于叠加后的图像输出特征点表示待检测对象属于异常对象的可能性的第三特征图像,然后基于该第三特征图像获取表示异常对象在第一图像中位置的第二图像,最后在第一图像上叠加显示该第二图像,使得医务人员在对涂片进行判读时,可以在涂片的局部区域包含异常对象时,实时进行确认和判断,不需要二次确认,节约了医务人员的工作流程,提高了筛查效率。
图8是根据本申请实施例提供的一种基于人工智能的图像显示装置的框图。该装置用于执行上述基于人工智能的图像显示方法执行时的步骤,参见图8,装置包括:图像处理模块801、图像获取模块802以及图像显示模块803。
图像处理模块801,用于对第一图像进行处理,得到第一特征图像,该第一图像用于表示通过显微镜对包括多个待检测对象的涂片的局部区域进行图像采集得到的图像;
该图像处理模块801,还用于获取该第一特征图像对应的第二特征图像,该第二特征图像与该第一特征图像尺寸相同;
该图像处理模块801,还用于对该第一特征图像和该第二特征图像进行叠加,基于叠加后的图像获取第三特征图像,该第三特征图像中的特征点用于表示待检测对象属于异常对象的可能性;
图像获取模块802,用于根据该第三特征图像获取第二图像,该第二图像用于表示属于异常对象的待检测对象在该第一图像中的位置;
图像显示模块803,用于在该第一图像上叠加显示该第二图像。
在一种可选的实现方式中,该图像处理模块801,还用于对该第一特征图像进行卷积处理得到第四特征图像;对该第四特征图像进行反卷积处理,得到该第一特征图像对象的第二特征图像。
在一种可选的实现方式中,该图像处理模块801,还用于对该第一特征图像和该第二特征图像进行叠加,得到第五特征图像,该第五特征图像与该第一特征图像尺寸相同,该第五特征图像的通道包括该第一特征图像的通道和该第二特征图像的通道;对该第五特征图像进行卷积处理,得到该第三特征图像。
在一种可选的实现方式中,该第三特征图像为二通道图像;该图像处理模块801,还用于获取该第三特征图像中的目标通道图像,该目标通道图像中特征值不为零的特征点用于表示属于异常对象的待检测对象;对于任一特征值不为零的特征点,响应于该特征点的特征值不小于目标阈值,将该特征点的特征值调整为1;响应于该特征点的特征值小于该目标阈值, 将该特征点的特征值调整为0;将调整特征值后的目标通道图像的尺寸调整为与该第一图像的尺寸相同;获取尺寸调整后的该目标通道图像中特征值为1的图像区域的边缘特征点,得到该第二图像。
在一种可选的实现方式中,该图像处理模块801,还用于去除该目标通道图像中的杂质区域和小于目标尺寸的区域。
在一种可选的实现方式中,所述对第一图像进行处理、获取第二特征图像、对第一特征图像和第二特征图像进行叠加,基于叠加后的图像获取第三特征图像的过程基于图像分类模型实现。
在一种可选的实现方式中,该装置还包括:
图像获取模块802,用于获取该第一图像;
第一确定模块,用于根据该第一图像的图像属性获取该第一图像所属的病理分析类型;
模型调用模块,用于调用该病理分析类型对应的图像分类模型。
在一种可选的实现方式中,该图像属性还用于指示采集该第一图像时的目标放大倍数;该模型调用模块,还用于根据该病理分析类型获取该病理分析类型对应的至少一个待选图像分类模型;响应于任一待选图像分类模型在训练时采用的样本图像的放大倍数与该目标放大倍数相同,将该待选图像分类模型作为该图像分类模型。
在一种可选的实现方式中,该装置还包括模型训练模块,用于获取训练样本图像,根据该训练样本图像获取训练目标图像,该训练样本图像为标注有异常对象的位置的图像,该训练目标图像为二值图像,用于表示该异常对象;将该训练样本图像输入待训练的图像分类模型,获取该待训练的图像分类模型输出的第一样本特征图像;根据该第一样本特征图像和该训练目标图像进行参数调整;响应于达到训练结束条件,将训练得到的模型作为该图像分类模型。
在一种可选的实现方式中,该装置还包括:
第二确定模块,用于根据该训练样本图像的图像属性,获取目标尺寸,该目标尺寸用于表示该训练样本图像中一个像素代表的实际尺寸;
该第二确定模块,还用于根据该目标尺寸和参考细胞尺寸获取目标缩放比例,该目标缩放比例用于指示该第一样本特征图像和该训练样本图像之间的比例;
该第二确定模块,还用于根据该目标缩放比例,获取该图像分类模型的卷积层数。
在一种可选的实现方式中,该第二确定模块,还用于根据该训练样本图像的图像属性,获取采集该训练样本图像时的样本放大倍数和采集该训练样本图像时的像素尺寸;根据该样本放大倍数和该像素尺寸,获取该目标尺寸。
在本申请实施例中,通过显微镜的图像采集模块对涂片的局部区域进行图像采集,然后通过图像处理模块对采集到的第一图像进行处理,对处理得到的第一特征图像和对应的第二特征图像进行叠加,基于叠加后的图像输出特征点表示待检测对象属于异常对象的可能性的第三特征图像,然后基于该第三特征图像获取表示异常对象在第一图像中位置的第二图像,最后基于图像显示模块在第一图像上叠加显示该第二图像,使得医务人员在对涂片进行判读时,可以在涂片的局部区域包含异常对象时,实时进行确认和判断,不需要二次确认,节约了医务人员的工作流程,提高了筛查效率。
需要说明的是:上述实施例提供的基于人工智能的图像显示装置在运行应用程序时,仅 以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的基于人工智能的图像显示装置与基于人工智能的图像显示方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本申请实施例还提供一种计算机设备,该计算机设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(Central Processing Units,CPU)和一个或一个以上的存储器,其中,该存储器中存储有至少一条计算机程序,该至少一条计算机程序由该处理器加载并执行如下步骤:对第一图像进行处理,得到第一特征图像,所述第一图像为通过显微镜对包括多个待检测对象的涂片的局部区域进行图像采集得到的图像;获取所述第一特征图像对应的第二特征图像,所述第二特征图像与所述第一特征图像尺寸相同;对所述第一特征图像和所述第二特征图像进行叠加,基于叠加后的图像获取第三特征图像,所述第三特征图像中的特征点用于表示待检测对象属于异常对象的可能性;根据所述第三特征图像获取第二图像,所述第二图像用于表示属于异常对象的待检测对象在所述第一图像中的位置;在所述第一图像上叠加显示所述第二图像。
在一些实施例中,该至少一条计算机程序由该处理器加载并具体执行如下步骤:对所述第一特征图像进行卷积处理,得到第四特征图像;对所述第四特征图像进行反卷积处理,得到所述第一特征图像对应的第二特征图像。
在一些实施例中,该至少一条计算机程序由该处理器加载并具体执行如下步骤:对所述第一特征图像和所述第二特征图像进行叠加,得到第五特征图像,所述第五特征图像与所述第一特征图像尺寸相同,所述第五特征图像的通道包括所述第一特征图像的通道和所述第二特征图像的通道;对所述第五特征图像进行卷积处理,得到所述第三特征图像。
在一些实施例中,所述第三特征图像为二通道图像;该至少一条计算机程序由该处理器加载并具体执行如下步骤:获取所述第三特征图像中的目标通道图像,所述目标通道图像中特征值不为零的特征点用于表示属于异常对象的待检测对象;对于任一特征值不为零的特征点,响应于所述特征点的特征值不小于目标阈值,将所述特征点的特征值调整为1;响应于所述特征点的特征值小于所述目标阈值,将所述特征点的特征值调整为0;将调整特征值后的目标通道图像的尺寸调整为与所述第一图像的尺寸相同;获取尺寸调整后的所述目标通道图像中特征值为1的图像区域的边缘特征点,得到所述第二图像。
在一些实施例中,该至少一条计算机程序还由该处理器加载并执行如下步骤:去除所述目标通道图像中的杂质区域和小于目标尺寸的区域。
在一些实施例中,该至少一条计算机程序还由该处理器加载并执行如下步骤:获取所述第一图像;根据所述第一图像的图像属性获取所述第一图像所属的病理分析类型;调用所述病理分析类型对应的图像分类模型。
在一些实施例中,所述图像属性还用于指示采集所述第一图像时的目标放大倍数;该至少一条计算机程序由该处理器加载并具体执行如下步骤:根据所述病理分析类型获取所述病理分析类型对应的至少一个待选图像分类模型;响应于任一待选图像分类模型在训练时采用的样本图像的放大倍数与所述目标放大倍数相同,将所述待选图像分类模型作为所述图像分类模型。
在一些实施例中,所述图像分类模型通过以下步骤训练得到:获取训练样本图像,根据 所述训练样本图像获取训练目标图像,所述训练样本图像为标注有异常对象的位置的图像,所述训练目标图像为二值图像,用于表示所述异常对象;将所述训练样本图像输入待训练的图像分类模型,获取所述待训练的图像分类模型输出的第一样本特征图像;根据所述第一样本特征图像和所述训练目标图像进行参数调整;响应于达到训练结束条件,将训练得到的模型作为所述图像分类模型。
在一些实施例中,该至少一条计算机程序还由该处理器加载并执行如下步骤:根据所述训练样本图像的图像属性,获取目标尺寸,所述目标尺寸用于表示所述训练样本图像中一个像素代表的实际尺寸;根据所述目标尺寸和参考细胞尺寸获取目标缩放比例,所述目标缩放比例用于指示所述第一样本特征图像和所述训练样本图像之间的比例;根据所述目标缩放比例,获取所述图像分类模型的卷积层数。
在一些实施例中,该至少一条计算机程序由该处理器加载并具体执行如下步骤:根据所述训练样本图像的图像属性,获取采集所述训练样本图像时的样本放大倍数和采集所述训练样本图像时的像素尺寸;根据所述样本放大倍数和所述像素尺寸,获取所述目标尺寸。
当然,该服务器还可以包括其他用于实现设备功能的部件,在此不做赘述。
上述计算机设备可以为终端,下面对终端进行说明。图9是根据本申请实施例提供的计算机设备900的结构框图。该计算机设备图9示出了本申请一个示例性实施例提供的计算机设备900的结构框图。该计算机设备900可以是:智能手机、平板电脑、笔记本电脑或台式电脑。计算机设备900还可能被称为用户设备、便携式计算机设备、膝上型计算机设备、台式计算机设备等其他名称。
通常,计算机设备900包括有:处理器901和存储器902。
处理器901可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。在一些实施例中,处理器901可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器901还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器902可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。在一些实施例中,存储器902中的非暂态的计算机可读存储介质用于存储至少一段计算机程序,该至少一段计算机程序用于被处理器901所执行以实现本申请中方法实施例提供的基于人工智能的图像显示方法。
在一些实施例中,计算机设备900还可选包括有:外围设备接口903和至少一个外围设备。处理器901、存储器902和外围设备接口903之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口903相连。在一些实施例中,外围设备包括:显示屏904和摄像头组件905中的至少一种。外围设备接口903可被用于将I/O(Input/Output,输入/输出)相关的至少一个外围设备连接到处理器901和存储器902。显示屏904用于显采集到的图像或视频。摄像头组件905用于采集图像或视频。
本领域技术人员可以理解,图9中示出的结构并不构成对计算机设备900的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
上述计算机设备可以为服务器,下面对服务器进行说明。图10是根据本申请实施例提供的一种服务器的结构示意图,该服务器1000可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(Central Processing Units,CPU)1001和一个或一个以上的 存储器1002,其中,该存储器1002中存储有至少一条计算机程序,该至少一条计算机程序由该处理器1001加载并执行以实现上述各个方法实施例提供的基于人工智能的图像显示方法。当然,该服务器还可以具有有线或无线网络接口、键盘以及输入输出接口等部件,以便进行输入输出,该服务器还可以包括其他用于实现设备功能的部件,在此不做赘述。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质应用于计算机设备,该计算机可读存储介质中存储有至少一段计算机程序,该至少一段计算机程序用于被处理器执行并实现本申请实施例中的基于人工智能的图像显示方法中计算机设备所执行的操作。
Claims (14)
- 一种基于人工智能的图像显示方法,其特征在于,由计算机设备执行,所述方法包括:对第一图像进行处理,得到第一特征图像,所述第一图像为通过显微镜对包括多个待检测对象的涂片的局部区域进行图像采集得到的图像;获取所述第一特征图像对应的第二特征图像,所述第二特征图像与所述第一特征图像尺寸相同;对所述第一特征图像和所述第二特征图像进行叠加,基于叠加后的图像获取第三特征图像,所述第三特征图像中的特征点用于表示待检测对象属于异常对象的可能性;根据所述第三特征图像获取第二图像,所述第二图像用于表示属于异常对象的待检测对象在所述第一图像中的位置;在所述第一图像上叠加显示所述第二图像。
- 根据权利要求1所述的方法,其特征在于,所述获取所述第一特征图像对应的第二特征图像,包括:对所述第一特征图像进行卷积处理,得到第四特征图像;对所述第四特征图像进行反卷积处理,得到所述第一特征图像对应的第二特征图像。
- 根据权利要求1所述的方法,其特征在于,所述对所述第一特征图像和所述第二特征图像进行叠加,基于叠加后的图像获取第三特征图像,包括:对所述第一特征图像和所述第二特征图像进行叠加,得到第五特征图像,所述第五特征图像与所述第一特征图像尺寸相同,所述第五特征图像的通道包括所述第一特征图像的通道和所述第二特征图像的通道;对所述第五特征图像进行卷积处理,得到所述第三特征图像。
- 根据权利要求1所述的方法,其特征在于,所述第三特征图像为二通道图像;所述根据所述第三特征图像获取第二图像,包括:获取所述第三特征图像中的目标通道图像,所述目标通道图像中特征值不为零的特征点用于表示属于异常对象的待检测对象;对于任一特征值不为零的特征点,响应于所述特征点的特征值不小于目标阈值,将所述特征点的特征值调整为1;响应于所述特征点的特征值小于所述目标阈值,将所述特征点的特征值调整为0;将调整特征值后的目标通道图像的尺寸调整为与所述第一图像的尺寸相同;获取尺寸调整后的所述目标通道图像中特征值为1的图像区域的边缘特征点,得到所述第二图像。
- 根据权利要求4所述的方法,其特征在于,所述获取所述第三特征图像中的目标通道图像之后,所述方法还包括:去除所述目标通道图像中的杂质区域和小于目标尺寸的区域。
- 根据权利要求1所述的方法,其特征在于,所述对第一图像进行处理、获取第二特征图像、对第一特征图像和第二特征图像进行叠加,基于叠加后的图像获取第三特征图像的过程基于图像分类模型实现;所述对第一图像进行处理,得到第一特征图像之前,所述方法还包括:获取所述第一图像;根据所述第一图像的图像属性获取所述第一图像所属的病理分析类型;调用所述病理分析类型对应的图像分类模型。
- 根据权利要求6所述的方法,其特征在于,所述图像属性还用于指示采集所述第一图像时的目标放大倍数;所述调用所述病理分析类型对应的图像分类模型,包括:获取所述病理分析类型对应的至少一个待选图像分类模型;响应于任一待选图像分类模型在训练时采用的样本图像的放大倍数与所述目标放大倍数相同,将所述待选图像分类模型作为所述图像分类模型。
- 根据权利要求1所述的方法,其特征在于,所述图像分类模型通过以下步骤训练得到:获取训练样本图像,根据所述训练样本图像获取训练目标图像,所述训练样本图像为标注有异常对象的位置的图像,所述训练目标图像为二值图像,用于表示所述异常对象;将所述训练样本图像输入待训练的图像分类模型,获取所述待训练的图像分类模型输出的第一样本特征图像;根据所述第一样本特征图像和所述训练目标图像进行参数调整;响应于达到训练结束条件,将训练得到的模型作为所述图像分类模型。
- 根据权利要求8所述的方法,其特征在于,所述将所述训练样本图像输入待训练的图像分类模型之前,所述方法还包括:根据所述训练样本图像的图像属性,获取目标尺寸,所述目标尺寸用于表示所述训练样本图像中一个像素代表的实际尺寸;根据所述目标尺寸和参考细胞尺寸获取目标缩放比例,所述目标缩放比例用于指示所述第一样本特征图像和所述训练样本图像之间的比例;根据所述目标缩放比例,获取所述图像分类模型的卷积层数。
- 根据权利要求9所述的方法,其特征在于,所述根据所述训练样本图像的图像属性,获取目标尺寸,包括:根据所述训练样本图像的图像属性,获取采集所述训练样本图像时的样本放大倍数和采集所述训练样本图像时的像素尺寸;根据所述样本放大倍数和所述像素尺寸,获取所述目标尺寸。
- 一种基于人工智能的图像显示装置,其特征在于,所述装置包括:图像处理模块,用于对第一图像进行处理,得到第一特征图像,所述第一图像用于表示通过显微镜对包括多个待检测对象的涂片的局部区域进行图像采集得到的图像;所述图像处理模块,还用于获取所述第一特征图像对应的第二特征图像,所述第二特征图像与所述第一特征图像尺寸相同;所述图像处理模块,还用于对所述第一特征图像和所述第二特征图像进行叠加,基于叠加后的图像获取第三特征图像,所述第三特征图像中的特征点用于表示待检测对象属于异常对象的可能性;图像获取模块,用于根据所述第三特征图像获取第二图像,所述第二图像用于表示属于异常对象的待检测对象在所述第一图像中的位置;图像显示模块,用于在所述第一图像上叠加显示所述第二图像。
- 一种基于人工智能的图像显示系统,其特征在于,所述系统包括:物镜、目镜、图像采集组件、图像处理组件以及增强现实组件;所述物镜,用于对包括多个待检测对象的涂片的局部区域进行放大;所述图像采集组件与所述物镜相连,用于获取第一图像,所述第一图像为通过显微镜对包括多个待检测对象的涂片的局部区域进行图像采集得到的图像;所述图像处理组件与所述图像采集组件相连,用于对所述第一图像进行处理,得到第一特征图像;所述图像处理组件,还用于获取所述第一特征图像对应的第二特征图像,所述第二特征图像与所述第一特征图像尺寸相同;所述图像处理组件,还用于对所述第一特征图像和所述第二特征图像进行叠加,基于叠加后的图像获取第三特征图像,所述第三特征图像中的特征点用于表示待检测对象属于异常对象的可能性;所述图像处理组件,还用于根据所述第三特征图像获取第二图像,所述第二图像用于表示属于异常对象的待检测对象在所述第一图像中的位置;所述目镜与所述图像采集组件相连,用于显示所述第一图像;所述增强现实组件与所述图像处理组件相连,用于将所述第二图像投射到所述目镜中,由所述目镜在所述第一图像上叠加显示所述第二图像。
- 一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器用于存储至少一段计算机程序,所述至少一段计算机程序由所述处理器加载并执行权利要求1至10任一权利要求所述的基于人工智能的图像显示方法。
- 一种存储介质,其特征在于,所述存储介质用于存储至少一段计算机程序,所述至少一段计算机程序用于执行权利要求1至10任一权利要求所述的基于人工智能的图像显示方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/718,224 US20220237790A1 (en) | 2020-04-22 | 2022-04-11 | Image display method and apparatus based on artificial intelligence, device, and medium |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010320738.1 | 2020-04-22 | ||
CN202010320738.1A CN111598133B (zh) | 2020-04-22 | 2020-04-22 | 基于人工智能的图像显示方法、装置、系统、设备及介质 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
US17/718,224 Continuation US20220237790A1 (en) | 2020-04-22 | 2022-04-11 | Image display method and apparatus based on artificial intelligence, device, and medium |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2021213068A1 true WO2021213068A1 (zh) | 2021-10-28 |
Family
ID=72185113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/CN2021/080603 WO2021213068A1 (zh) | 2020-04-22 | 2021-03-12 | 基于人工智能的图像显示方法、装置、设备及介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220237790A1 (zh) |
CN (1) | CN111598133B (zh) |
WO (1) | WO2021213068A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598133B (zh) * | 2020-04-22 | 2022-10-14 | 腾讯医疗健康(深圳)有限公司 | 基于人工智能的图像显示方法、装置、系统、设备及介质 |
JP7446903B2 (ja) * | 2020-04-23 | 2024-03-11 | 株式会社日立製作所 | 画像処理装置、画像処理方法及び画像処理システム |
CN112613498A (zh) * | 2020-12-16 | 2021-04-06 | 浙江大华技术股份有限公司 | 一种指针识别方法、装置、电子设备及存储介质 |
CN113610067B (zh) * | 2021-10-11 | 2021-12-28 | 北京工业大学 | 情绪状态展示方法、装置及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106530320A (zh) * | 2016-09-30 | 2017-03-22 | 深圳大学 | 一种端到端的图像分割处理方法及系统 |
CN108765422A (zh) * | 2018-06-13 | 2018-11-06 | 云南大学 | 一种视网膜图像血管自动分割方法 |
CN109389051A (zh) * | 2018-09-20 | 2019-02-26 | 华南农业大学 | 一种基于卷积神经网络的建筑物遥感图像识别方法 |
CN111046962A (zh) * | 2019-12-16 | 2020-04-21 | 中国人民解放军战略支援部队信息工程大学 | 基于稀疏注意力的卷积神经网络模型的特征可视化方法及系统 |
CN111598133A (zh) * | 2020-04-22 | 2020-08-28 | 腾讯科技(深圳)有限公司 | 基于人工智能的图像显示方法、装置、设备及介质 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6430309B1 (en) * | 1995-09-15 | 2002-08-06 | Monogen, Inc. | Specimen preview and inspection system |
US7305112B2 (en) * | 2002-10-15 | 2007-12-04 | The Scripps Research Institute | Method of converting rare cell scanner image coordinates to microscope coordinates using reticle marks on a sample media |
EP2472470A3 (en) * | 2010-09-15 | 2014-01-15 | MBT Technology LLC | System, method & computer program for presenting an automated assessment of a sample's response to external influences |
JP5906605B2 (ja) * | 2011-08-12 | 2016-04-20 | ソニー株式会社 | 情報処理装置 |
WO2015142923A1 (en) * | 2014-03-17 | 2015-09-24 | Carnegie Mellon University | Methods and systems for disease classification |
US9754371B2 (en) * | 2014-07-31 | 2017-09-05 | California Institute Of Technology | Multi modality brain mapping system (MBMS) using artificial intelligence and pattern recognition |
WO2016019324A2 (en) * | 2014-08-01 | 2016-02-04 | The Regents Of The University Of California | Device and method for iterative phase recovery based on pixel super-resolved on-chip holography |
US10552663B2 (en) * | 2017-05-02 | 2020-02-04 | Techcyte, Inc. | Machine learning classification and training for digital microscopy cytology images |
WO2018231204A1 (en) * | 2017-06-13 | 2018-12-20 | Google Llc | Augmented reality microscope for pathology |
CN110147805B (zh) * | 2018-07-23 | 2023-04-07 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、终端及存储介质 |
CN109342369A (zh) * | 2018-10-26 | 2019-02-15 | 中国科学院苏州生物医学工程技术研究所 | 用于循环肿瘤细胞快速检测的大视场生物成像、扫描、分析装置 |
CN110458127B (zh) * | 2019-03-01 | 2021-02-26 | 腾讯医疗健康(深圳)有限公司 | 图像处理方法、装置、设备以及系统 |
CN110070056B (zh) * | 2019-04-25 | 2023-01-10 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、存储介质及设备 |
CN110322495B (zh) * | 2019-06-27 | 2021-11-02 | 电子科技大学 | 一种基于弱监督深度学习的场景文本分割方法 |
US20210090248A1 (en) * | 2019-09-19 | 2021-03-25 | Doai Inc. | Cervical cancer diagnosis method and apparatus using artificial intelligence-based medical image analysis and software program therefor |
CN110796199B (zh) * | 2019-10-30 | 2021-05-28 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置以及电子医疗设备 |
CN110647874B (zh) * | 2019-11-28 | 2020-08-28 | 北京小蝇科技有限责任公司 | 一种端到端的血细胞识别模型构造方法及应用 |
-
2020
- 2020-04-22 CN CN202010320738.1A patent/CN111598133B/zh active Active
-
2021
- 2021-03-12 WO PCT/CN2021/080603 patent/WO2021213068A1/zh active Application Filing
-
2022
- 2022-04-11 US US17/718,224 patent/US20220237790A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106530320A (zh) * | 2016-09-30 | 2017-03-22 | 深圳大学 | 一种端到端的图像分割处理方法及系统 |
CN108765422A (zh) * | 2018-06-13 | 2018-11-06 | 云南大学 | 一种视网膜图像血管自动分割方法 |
CN109389051A (zh) * | 2018-09-20 | 2019-02-26 | 华南农业大学 | 一种基于卷积神经网络的建筑物遥感图像识别方法 |
CN111046962A (zh) * | 2019-12-16 | 2020-04-21 | 中国人民解放军战略支援部队信息工程大学 | 基于稀疏注意力的卷积神经网络模型的特征可视化方法及系统 |
CN111598133A (zh) * | 2020-04-22 | 2020-08-28 | 腾讯科技(深圳)有限公司 | 基于人工智能的图像显示方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111598133B (zh) | 2022-10-14 |
CN111598133A (zh) | 2020-08-28 |
US20220237790A1 (en) | 2022-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021213068A1 (zh) | 基于人工智能的图像显示方法、装置、设备及介质 | |
WO2021036616A1 (zh) | 一种医疗图像处理方法、医疗图像识别方法及装置 | |
WO2020215985A1 (zh) | 医学影像分割方法、装置、电子设备和存储介质 | |
TWI777092B (zh) | 一種圖像處理方法、電子設備及存儲介質 | |
KR102311654B1 (ko) | 피부 이미지 기반의 인공지능 딥러닝을 이용한 피부질환 판별용 api 엔진을 구성하는 스마트 피부질환 판별 플랫폼시스템 | |
Young Park et al. | Automated image analysis of digital colposcopy for the detection of cervical neoplasia | |
WO2021057538A1 (zh) | 基于人工智能的图像处理方法、显微镜、系统和介质 | |
CN111260677B (zh) | 基于显微图像的细胞分析方法、装置、设备及存储介质 | |
JP2021512446A (ja) | 画像処理方法、電子機器および記憶媒体 | |
Elloumi et al. | Ocular diseases diagnosis in fundus images using a deep learning: approaches, tools and performance evaluation | |
CN111489833A (zh) | 一种肺部细胞病理快速现场评估系统、方法及计算机可读存储介质 | |
WO2022194152A1 (zh) | 基于图像处理模型的图像处理方法、装置、电子设备、存储介质及计算机程序产品 | |
WO2023142532A1 (zh) | 一种推理模型训练方法及装置 | |
CN110473176B (zh) | 图像处理方法及装置、眼底图像处理方法、电子设备 | |
Yang et al. | Smartphone-supported malaria diagnosis based on deep learning | |
CN112132772A (zh) | 一种病理切片实时判读方法、装置及系统 | |
CN114004854A (zh) | 一种显微镜下的切片图像实时处理显示系统和方法 | |
WO2021164320A1 (zh) | 基于计算机视觉的导管特征获取方法、装置和智能显微镜 | |
CN114283152A (zh) | 图像处理、图像处理模型的训练方法、装置、设备及介质 | |
CN111462005B (zh) | 处理显微图像的方法、装置、计算机设备及存储介质 | |
CN113743186B (zh) | 医学图像的处理方法、装置、设备及存储介质 | |
CN114283178A (zh) | 图像配准方法、装置、计算机设备及存储介质 | |
CN111652850A (zh) | 一种基于移动设备的筛查系统 | |
CN113706449B (zh) | 基于病理图像的细胞分析方法、装置、设备及存储介质 | |
CN116524546B (zh) | 一种基于异构图像协同增强的低分辨率人体姿态估计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 21792262 Country of ref document: EP Kind code of ref document: A1 |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
32PN | Ep: public notification in the ep bulletin as address of the adressee cannot be established |
Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 15.03.2023) |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 21792262 Country of ref document: EP Kind code of ref document: A1 |