WO2025199775A1 - 生物样本图像的标注点获取方法、装置、设备及介质 - Google Patents

生物样本图像的标注点获取方法、装置、设备及介质

Info

Publication number
WO2025199775A1
WO2025199775A1 PCT/CN2024/083945 CN2024083945W WO2025199775A1 WO 2025199775 A1 WO2025199775 A1 WO 2025199775A1 CN 2024083945 W CN2024083945 W CN 2024083945W WO 2025199775 A1 WO2025199775 A1 WO 2025199775A1
Authority
WO
WIPO (PCT)
Prior art keywords
dimensional image
ridge line
maximum point
point
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
PCT/CN2024/083945
Other languages
English (en)
French (fr)
Inventor
范晓苇
徐放
肖彦洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to PCT/CN2024/083945 priority Critical patent/WO2025199775A1/zh
Publication of WO2025199775A1 publication Critical patent/WO2025199775A1/zh
Pending legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction

Definitions

  • the present invention relates to the technical field of acquiring annotation points of biological sample images, and in particular to a method, device, equipment and medium for acquiring annotation points of biological sample images.
  • High-resolution imaging of large biological samples is an important requirement for neuroscience and biological research.
  • larger samples such as mouse brain, macaque brain, etc.
  • a commonly used imaging strategy is to pre-cut the sample into several slices of equal thickness and scan them synchronously.
  • there must be no overlap between the different slices of the imaged samples which poses a new challenge for subsequent three-dimensional reconstruction: high-precision stitching of adjacent, non-overlapping, non-rigidly deformed three-dimensional microscopic images, that is, how to stitch the three-dimensional images of each layer without overlapping information into a complete three-dimensional image.
  • a method for acquiring annotation points of a biological sample image comprising:
  • each maximum point pair based on a superposition process of the first two-dimensional image and the second two-dimensional image, wherein the maximum point pair includes a first maximum point on the first two-dimensional image and a second maximum point corresponding to the first maximum point on the second two-dimensional image;
  • a target annotation point is determined based on the first ridge line, the second ridge line, and the maximum point pair.
  • a device for acquiring annotation points of a biological sample image comprising:
  • an acquisition module configured to acquire a first two-dimensional image and a second two-dimensional image, wherein the first two-dimensional image and the second two-dimensional image are obtained by segmenting and projecting the three-dimensional biological sample image;
  • a ridge line extraction module is used to extract ridge lines based on the first two-dimensional image to obtain the first two-dimensional image. ridge lines on the second two-dimensional image, and extracting ridge lines based on the second two-dimensional image to obtain second ridge lines on the second two-dimensional image, wherein each of the first ridge lines corresponds to each of the second ridge lines in a one-to-one manner;
  • a superposition processing module configured to perform superposition processing based on the first two-dimensional image and the second two-dimensional image to determine each maximum point pair, wherein the maximum point pair includes a first maximum point on the first two-dimensional image and a second maximum point corresponding to the first maximum point on the second two-dimensional image;
  • a determination module is used to determine a target annotation point based on the first ridge line, the second ridge line, and the maximum point pair.
  • a computer device comprising a memory, a processor, and a computer program stored in the memory and executable on the processor, wherein the processor implements the steps of the above-mentioned method for acquiring annotation points of a biological sample image when executing the computer program.
  • a computer-readable storage medium stores a computer program, and when the computer program is executed by a processor, the steps of the above-mentioned method for acquiring annotation points of a biological sample image are implemented.
  • the present invention proposes a method for acquiring annotation points for a biological sample image, which obtains a first two-dimensional image and a second two-dimensional image, wherein the first two-dimensional image and the second two-dimensional image are obtained by segmenting and projecting a three-dimensional biological sample image, then performs ridge line extraction based on the first two-dimensional image to obtain a first ridge line on the first two-dimensional image, and performs ridge line extraction based on the second two-dimensional image to obtain a second ridge line on the second two-dimensional image, wherein each first ridge line corresponds to each second ridge line one-to-one, then performs superposition processing based on the first two-dimensional image and the second two-dimensional image to determine each maximum point pair, wherein the maximum point pair includes a first maximum point on the first two-dimensional image and a second maximum point corresponding to the first maximum point on the second two-dimensional image, and finally determines a target annotation point based on the first ridge line, the second ridge line, and the maximum point pair
  • FIG1 is a diagram illustrating an application environment of a method for acquiring annotation points of a biological sample image according to an embodiment
  • FIG2 is a flow chart of a method for acquiring annotation points of a biological sample image according to one embodiment
  • FIG3 is a structural block diagram of a device for acquiring annotation points of a biological sample image in one embodiment
  • FIG4 is a block diagram of a computer device according to an embodiment
  • references herein to "embodiments” mean that a particular feature, structure, or characteristic described in connection with the embodiments may be included in at least one embodiment of the present application.
  • the appearance of this phrase in various places in the specification does not necessarily refer to the same embodiment, nor does it constitute an independent or alternative embodiment that is mutually exclusive of other embodiments. It is understood, both explicitly and implicitly, by those skilled in the art that the embodiments described herein may be combined with other embodiments.
  • the method for obtaining annotation points for a biological sample image can be applied in an application environment such as that shown in FIG1 , wherein a client 110 communicates with a server 120 via a network.
  • the server 120 can receive a first two-dimensional image and a second two-dimensional image through the client 110, wherein the first two-dimensional image and the second two-dimensional image are obtained by segmentation and projection processing based on a three-dimensional biological sample image.
  • the original high-resolution three-dimensional biological sample image is first cropped into image blocks of uniform size, such as 256x256x256 pixels.
  • This step is intended to ensure the consistency of subsequent processing and reduce the processing burden of a single data block.
  • cropping it is necessary to ensure the integrity of the region of interest and that the cropped block contains sufficient information for subsequent analysis.
  • Each cropped image block is evenly divided into two parts, upper and lower, according to the Z-axis coordinate, and then the two parts are projected along the Z-axis to obtain two two-dimensional images, one is the first two-dimensional image and the other is the second two-dimensional image.
  • the purpose of this step is to simplify the three-dimensional data into two-dimensional data while retaining key information to support subsequent image registration and stitching.
  • the first two-dimensional image and the second two-dimensional image are named fixed image and moving image, respectively.
  • Step S102 performing ridge line extraction based on the first two-dimensional image to obtain first ridge lines on the first two-dimensional image, and performing ridge line extraction based on the second two-dimensional image to obtain second ridge lines on the second two-dimensional image, wherein each first ridge line corresponds to each second ridge line in a one-to-one manner;
  • Depth conversion can convert an image from 16 bits to 8 bits. This step can significantly reduce the processing complexity and storage requirements of the data. At the same time, for most image processing and analysis tasks, 8-bit images already provide sufficient information.
  • the fixed image and the moving image are binarized and converted into black and white images. During the binarization process, each pixel in the image will be classified as the brightest or darkest, which helps to more clearly distinguish the objects in the image (objects refer to three-dimensional continuous structures such as neurons and blood vessels) and the background.
  • the last step is to perform noise filtering on the binarized fixed image and the moving image.
  • the acoustic filtering operation reduces image noise by calculating all connected components in the image and filtering out connected components with too small an area. This step helps remove unnecessary small objects and stray pixels in the image, reducing interference with subsequent image processing and analysis.
  • Preliminary noise filtering is a key step to ensure image quality and subsequent processing accuracy.
  • ridge detection is used to extract ridge features in the first two-dimensional image (fixed image) and the second two-dimensional image (moving image), denoted as l f and lm respectively.
  • Step S103 performing superposition processing on the first two-dimensional image and the second two-dimensional image to determine each maximum point pair, wherein the maximum point pair includes a first maximum point on the first two-dimensional image and a second maximum point corresponding to the first maximum point on the second two-dimensional image;
  • the maximum point pair refers to the first maximum point and the second maximum point.
  • the above steps are intended to identify potential labeled point pairs in the superimposed image. It should be noted that the intersection points of all three-dimensional continuous structures on the two-dimensional projection image correspond to potential labeled point pairs.
  • the physical meaning of the annotation point pairs mainly refers to three-dimensional continuous nerve fibers. When a three-dimensional image block is cut in the middle, the breakpoints left by the nerve fibers on the two adjacent two-dimensional surfaces in the middle of the upper and lower images may also be similar structures such as blood vessels in other images.
  • Step S104 determining a target annotation point based on the first ridge line, the second ridge line, and the maximum point pair.
  • step S104 includes:
  • first ridge line and the second ridge line corresponding to the maximum point pair are obtained by cutting a three-dimensional continuous nerve fiber or other continuous tissue.
  • the ridge line combination corresponding to each maximum point pair can be determined by traversing or manually setting a threshold.
  • Step S1042 For each maximum point pair, calculate the shortest distance between the first maximum point in the maximum point pair and the first ridge line in the ridge line combination to obtain a first distance, and calculate the shortest distance between the second maximum point in the maximum point pair and the second ridge line in the ridge line combination to obtain a second distance;
  • Step S1043 screening the maximum value point pairs based on the first distance, the second distance, the line width of the first ridge line in the ridge line combination, and the line width of the second ridge line in the ridge line combination;
  • Step S1044 Determine the target annotation point based on the filtered maximum point pair and the ridge line combination.
  • the first distance and the second distance are denoted as df and dm , respectively.
  • Maximum point pairs are retained for which the first distance df is less than the first line width threshold, the second distance dm is less than the second line width threshold, and the absolute value of the difference between the line widths of the first and second ridge lines is less than a preset value, thereby completing the screening.
  • the first line width threshold is half the line width of the first ridge line, wf
  • the second line width threshold is half the line width of the second ridge line, wm .
  • the preset values are set based on prior experience.
  • the step of determining the target annotation point based on the filtered maximum point pair and the ridge line combination includes:
  • Step S10411 For each of the maximum point pairs after screening, For the first ridge line in the corresponding ridge line combination, determine the point closest to the first maximum point in the filtered maximum point pair as the first target point;
  • Step S10412 Determine a tangent vector of the first target point on the first ridge line in the ridge line combination corresponding to the filtered maximum point pair as a first tangent vector;
  • Step S10413 For each of the filtered maximum point pairs, determine, on the second ridge line of the ridge line combination corresponding to the filtered maximum point pair, a point closest to the second maximum point in the filtered maximum point pair as the second target point;
  • Step S10414 determining a tangent vector of the second target point on the second ridge line in the ridge line combination corresponding to the filtered maximum point as a second tangent vector;
  • Step S10415 Based on the distance between the first target point and the second target point, the first tangent vector, and the second tangent vector, determining whether the first target point and the second target point meet a preset marking condition;
  • Step S10416 If the first target point and the second target point meet the preset marking condition, the first target point and the second target point are used as target marking points.
  • Data augmentation operations are performed on the second two-dimensional image (moving image) and its second target point. This step is not aimed at directly improving the image quality, but rather increasing the diversity of the data and the robustness of the model by simulating possible changes.
  • Data augmentation operations include but are not limited to: Random displacement: performing slight random displacements on the image to simulate the position changes that may occur in the sample during the actual imaging process. Random deformation: applying nonlinear transformations to simulate deformations that the sample may encounter during the imaging process, such as compression or stretching. This helps the training model adapt to various deformation conditions. Other transformations: may also include other types of transformations such as random rotation and scaling to further enrich the training data set.
  • the model predicts the adjusted second two-dimensional image as the second The 2D image returns to step 101.
  • the system continuously analyzes the deformed moving image to detect and annotate new feature point pairs. This step ensures that new and potentially more accurate annotated point pairs are identified and utilized as model learning progresses.
  • the system adds these point pairs to the annotation information of the fixed and moving images in the original training set.
  • the method for acquiring annotation points for a biological sample image proposed in this embodiment obtains a first two-dimensional image and a second two-dimensional image, wherein the first two-dimensional image and the second two-dimensional image are obtained by segmenting and projecting a three-dimensional biological sample image. Then, ridge line extraction is performed based on the first two-dimensional image to obtain first ridge lines on the first two-dimensional image, and ridge line extraction is performed based on the second two-dimensional image to obtain second ridge lines on the second two-dimensional image, wherein each first ridge line corresponds to each second ridge line one-to-one.
  • target annotation points are determined based on the first ridge lines, the second ridge lines, and the maximum point pairs. In this way, the target annotation points can be quickly screened out using the first two-dimensional image and the second two-dimensional image, thereby achieving rapid and low-cost acquisition of highly accurate, high-precision, and biologically meaningful annotation data that can be used for supervised learning.
  • An acquisition module 10 is configured to acquire a first two-dimensional image and a second two-dimensional image, wherein the first two-dimensional image and the second two-dimensional image are obtained by segmenting and projecting the three-dimensional biological sample image;
  • a ridge line extraction module 20 configured to perform ridge line extraction based on the first two-dimensional image to obtain first ridge lines on the first two-dimensional image, and to perform ridge line extraction based on the second two-dimensional image to obtain second ridge lines on the second two-dimensional image, wherein each first ridge line corresponds to each second ridge line in a one-to-one manner;
  • the determination module 40 is used to: determine the first ridge line and the second ridge line corresponding to the maximum point pair as a ridge line combination; for each of the maximum point pairs, calculate the shortest distance between the first maximum point in the maximum point pair and the first ridge line in the ridge line combination to obtain a first distance, and calculate the shortest distance between the second maximum point in the maximum point pair and the second ridge line in the ridge line combination to obtain a second distance; based on the first distance, the second distance, the line width of the first ridge line in the ridge line combination, and the line width of the second ridge line in the ridge line combination, filter the maximum point pairs; and determine the target annotation point based on the filtered maximum point pairs and the ridge line combination.
  • the determination module 40 is used to: for each of the filtered maximum point pairs, determine the point closest to the first maximum point in the filtered maximum point pair on the first ridge line in the ridge line combination corresponding to the filtered maximum point pair as the first target point; determine the tangent vector of the first target point on the first ridge line in the ridge line combination corresponding to the filtered maximum point pair as the first tangent vector; for each of the filtered maximum point pairs, determine the point closest to the second maximum point in the filtered maximum point pair on the second ridge line in the ridge line combination corresponding to the filtered maximum point pair as the second target point; determine the tangent vector of the second target point on the second ridge line in the ridge line combination corresponding to the filtered maximum point as the second tangent vector; based on the distance between the first target point and the second target point, the first tangent vector and the second tangent vector, determine whether the first target point and the second target point meet the preset labeling conditions; if the first target point and the second
  • the ridge line extraction module 20 is used to preprocess the first two-dimensional image and the second two-dimensional image respectively, wherein the preprocessing includes contrast enhancement, depth conversion, binarization processing, and preliminary noise filtering; ridge line extraction is performed based on the preprocessed first two-dimensional image to obtain a first ridge line on the first two-dimensional image; and ridge line extraction is performed based on the preprocessed second two-dimensional image to obtain a second ridge line on the second two-dimensional image.
  • a computer device which may be a server, and its internal structure diagram may be as shown in FIG4 .
  • the computer device includes a processor, a memory, a network interface, and a database connected via a system bus.
  • the processor of the computer device is used to provide computing and control capabilities.
  • the memory of the computer device includes a non-volatile and/or volatile storage medium and an internal memory.
  • the non-volatile storage medium stores an operating system, a computer program, and a database.
  • the internal memory provides an environment for the operation of the operating system and the computer program in the non-volatile storage medium.
  • the network interface of the computer device is used to communicate with an external client via a network connection. When the computer program is executed by the processor, it implements the functions or steps of the server side of a method for obtaining annotation points of a biological sample image.
  • a computer device which may be a client, and its internal structure diagram may be as shown in FIG5 .
  • the computer device includes a processor, a memory, a network interface, a display screen, and an input device connected via a system bus.
  • the processor of the computer device is used to provide computing and control capabilities.
  • the memory of the computer device includes a non-volatile storage medium and an internal memory.
  • the non-volatile storage medium stores an operating system and a computer program.
  • the internal memory provides an environment for the operation of the operating system and the computer program in the non-volatile storage medium.
  • the network interface of the computer device is used to communicate with an external server via a network connection. When the computer program is executed by the processor, it implements the functions or steps on the client side of a method for obtaining annotation points of a biological sample image.
  • a computer device comprising a memory, a processor, and a computer program stored in the memory and executable on the processor, wherein the processor executes the computing When programming the machine, perform the following steps:
  • a target annotation point is determined based on the first ridge line, the second ridge line, and the maximum point pair.
  • a computer-readable storage medium stores a computer program, and when the computer program is executed by a processor, the following steps are implemented:
  • each maximum point pair based on a superposition process of the first two-dimensional image and the second two-dimensional image, wherein the maximum point pair includes a first maximum point on the first two-dimensional image and a second maximum point corresponding to the first maximum point on the second two-dimensional image;
  • a target annotation point is determined based on the first ridge line, the second ridge line, and the maximum point pair.
  • target annotation points are determined based on the first ridge lines, the second ridge lines, and the maximum point pairs. In this way, the target annotation points can be quickly screened out using the first two-dimensional image and the second two-dimensional image, thereby achieving rapid and low-cost acquisition of highly accurate, high-precision, and biologically meaningful annotation data that can be used for supervised learning.
  • Non-volatile memory may include read-only memory (ROM), programmable ROM (PROM), electrically programmable ROM (EPROM), electrically erasable programmable ROM (EEPROM) or flash memory.
  • Volatile memory may include random access memory (RAM) or external cache memory.
  • RAM is available in various forms, such as static RAM (SRAM), dynamic RAM (DRAM), synchronous DRAM (SDRAM), double data rate SDRAM (DDRSDRAM), enhanced SDRAM (ESDRAM), synchronous link (Synchlink) DRAM (SLDRAM), memory bus (Rambus) direct RAM (RDRAM), direct memory bus dynamic RAM (DRDRAM), and memory bus dynamic RAM (RDRAM).
  • SRAM static RAM
  • DRAM dynamic RAM
  • SDRAM synchronous DRAM
  • DDRSDRAM double data rate SDRAM
  • ESDRAM enhanced SDRAM
  • SLDRAM synchronous link (Synchlink) DRAM
  • SLDRAM synchronous link (Synchlink) DRAM
  • Rambus direct RAM
  • DRAM direct memory bus dynamic RAM
  • RDRAM memory bus dynamic RAM

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本申请涉及标注点获取技术领域，揭示了一种生物样本图像的标注点获取方法、装置、设备及介质，所述方法包括：获取第一二维图像以及第二二维图像；基于第一二维图像进行脊线提取，得到第一二维图像上的第一脊线，基于第二二维图像进行脊线提取，得到第二二维图像上的第二脊线；基于第一二维图像和第二二维图像进行叠加处理，确定各个最大值点对；基于第一脊线、第二脊线、最大值点对，确定目标标注点。能够快速利用第一二维图像以及第二二维图像筛选出目标标注点，实现了快速、低成本地获取高准确率、高精度、具有生物意义的可用于监督学习的标注数据。

Description

生物样本图像的标注点获取方法、装置、设备及介质 技术领域
本发明涉及生物样本图像的标注点获取技术领域，尤其涉及一种生物样本图像的标注点获取方法、装置、设备及介质。
背景技术
对大型生物样本的高分辨率成像是神经科学和生物学研究的重要需求。然而，成像较大体积的样本(如小鼠脑、猕猴脑等等)时，由于当前成像技术和设备的限制，往往需要将样本切分成若干片，逐层成像。一种常用的成像策略为：预先将样品切分成等厚的若干片，同步扫描。此时，成像出来的不同片样品之间必然是无重叠的，这就为后续的三维重构提出了一个新的挑战：相邻、无重叠、有非刚性形变的三维显微图像的高精度拼接，即如何将成像出来的无重叠信息的各层三维图像拼接成一个完整的三维图像。
随着深度学习的发展，人们看到了其在处理图像上的能力和优势。一些利用深度学习做配准、拼接的方法开始出现。而由于在生物和医学领域，标注数据(监督信息)的获取的代价通常较高，所以目前发展的比较好的主要是无监督学习的模型，例如VoxelMorph。无监督配准的主要原理为：最小化待配准图像与标准图像之间的差异，或者说最大化相似性。然而，类似于全局优化方法，这里使用的相似性度量函数，也不能直接适用于存在细微空间差异的两层无重叠三维图像的相邻表面，故而配准的效果并不能满足高精度的需求。
而有监督信息的学习，把标注数据的配准情况设计成损失函数，既考虑到三维连续性的问题，也更直接和直观地对应了配准的最终目标——相邻、无重叠、有非刚性形变的三维显微图像的高精度拼接。此处具体定义一种标注数据的形式： 两层无重叠三维图像的相邻二维表面上的(有物理、生物意义的)匹配点对，例如连续性结构(如三维的神经纤维、血管等)在相邻二维截面处的对应两个断点。然而，正如前面提到的，由于生物、医学图像的高精度性、复杂性和特殊性(生物、医学图像的每一个像素都可能具有严格的物理、生物意义，故而对误差的容忍程度较自然图像和人工生成图像都更低)，因此，当前生物样本图像的标注点获取效果较差。
发明内容
基于此，有必要针对现有技术的生物样本图像的标注点获取效果较差技术问题，提出了一种生物样本图像的标注点获取方法、装置、设备及介质。
第一方面，提供了一种生物样本图像的标注点获取方法，所述方法包括：
获取第一二维图像以及第二二维图像，其中，所述第一二维图像以及所述第二二维图像是基于三维生物样本图像进行分割以及投影处理得到的；
基于所述第一二维图像进行脊线提取，得到所述第一二维图像上的第一脊线，基于所述第二二维图像进行脊线提取，得到所述第二二维图像上的第二脊线，其中，各个所述第一脊线与各个所述第二脊线一一对应；
基于所述第一二维图像和所述第二二维图像进行叠加处理，确定各个最大值点对，其中，所述最大值点对包括在所述第一二维图像上的第一最大值点以及在所述第二二维图像上所述第一最大值点对应的第二最大值点；
基于所述第一脊线、所述第二脊线、所述最大值点对，确定目标标注点。
第二方面，提供了一种生物样本图像的标注点获取装置，所述装置包括：
获取模块，用于获取第一二维图像以及第二二维图像，其中，所述第一二维图像以及所述第二二维图像是基于三维生物样本图像进行分割以及投影处理得到的；
脊线提取模块，用于基于所述第一二维图像进行脊线提取，得到所述第一二 维图像上的第一脊线，基于所述第二二维图像进行脊线提取，得到所述第二二维图像上的第二脊线，其中，各个所述第一脊线与各个所述第二脊线一一对应；
叠加处理模块，用于基于所述第一二维图像和所述第二二维图像进行叠加处理，确定各个最大值点对，其中，所述最大值点对包括在所述第一二维图像上的第一最大值点以及在所述第二二维图像上所述第一最大值点对应的第二最大值点；
确定模块，用于基于所述第一脊线、所述第二脊线、所述最大值点对，确定目标标注点。
第三方面，提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述生物样本图像的标注点获取方法的步骤。
第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述生物样本图像的标注点获取方法的步骤。
本发明提出的生物样本图像的标注点获取方法，通过获取第一二维图像以及第二二维图像，其中，所述第一二维图像以及所述第二二维图像是基于三维生物样本图像进行分割以及投影处理得到的，然后基于所述第一二维图像进行脊线提取，得到所述第一二维图像上的第一脊线，基于所述第二二维图像进行脊线提取，得到所述第二二维图像上的第二脊线，其中，各个所述第一脊线与各个所述第二脊线一一对应，接着基于所述第一二维图像和所述第二二维图像进行叠加处理，确定各个最大值点对，其中，所述最大值点对包括在所述第一二维图像上的第一最大值点以及在所述第二二维图像上所述第一最大值点对应的第二最大值点，最后基于第一脊线、所述第二脊线、所述最大值点对，确定目标标注点，能够快速利用第一二维图像以及第二二维图像筛选出目标标注点，实现了快速、低成本地获取高准确率、高精度、具有生物意义的可用于监督学习的标注数据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
其中：
图1为一个实施例中生物样本图像的标注点获取方法的应用环境图；
图2为一个实施例中生物样本图像的标注点获取方法的流程图；
图3为一个实施例中生物样本图像的标注点获取装置的结构框图；
图4为一个实施例中计算机设备的结构框图；
图5为另一个实施例中计算机设备的结构框图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、 完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供的生物样本图像的标注点获取方法，可应用在如图1的应用环境中，其中，客户端110通过网络与服务端120进行通信。服务端120可以通过客户端110接收第一二维图像以及第二二维图像，其中，所述第一二维图像以及所述第二二维图像是基于三维生物样本图像进行分割以及投影处理得到的，然后基于所述第一二维图像进行脊线提取，得到所述第一二维图像上的第一脊线，基于所述第二二维图像进行脊线提取，得到所述第二二维图像上的第二脊线，其中，各个所述第一脊线与各个所述第二脊线一一对应，接着基于所述第一二维图像和所述第二二维图像进行叠加处理，确定各个最大值点对，其中，所述最大值点对包括在所述第一二维图像上的第一最大值点以及在所述第二二维图像上所述第一最大值点对应的第二最大值点，最后基于第一脊线、所述第二脊线、所述最大值点对，确定目标标注点，能够快速利用第一二维图像以及第二二维图像筛选出目标标注点，实现了快速、低成本地获取高准确率、高精度、具有生物意义的可用于监督学习的标注数据。其中，客户端110可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。下面通过具体的实施例对本发明进行详细的描述。
请参阅图2所示，图2为本发明一实施例提供的生物样本图像的标注点获取方法的一个流程示意图，包括如下步骤：
步骤S101：获取第一二维图像以及第二二维图像，其中，所述第一二维图像以及所述第二二维图像是基于三维生物样本图像进行分割以及投影处理得到的；
其中，三维生物样本图像可以是指相邻、无重叠、有非刚性形变的三维显微 图像。
作为一示例，原始的高分辨率三维生物样本图像首先被剪裁成统一大小的图像块，例如256x256x256像素。这一步骤旨在确保后续处理的一致性，并减轻单个数据块的处理负担。在剪裁时，需要确保感兴趣区域的完整性，以及剪裁后的块中包含足够的信息用于后续分析。每个剪裁好的图像块被按照Z轴坐标均匀分为上下两部分，然后对这两部分分别沿Z轴进行投影，从而得到两张二维图像，一张是第一二维图像，另外一张是第二二维图像。这个步骤的目的是将三维数据简化为二维数据，同时保留关键信息以支持后续的图像配准和拼接工作。第一二维图像以及第二二维图像被分别命名为fixed图像和moving图像。
步骤S102：基于所述第一二维图像进行脊线提取，得到所述第一二维图像上的第一脊线，基于所述第二二维图像进行脊线提取，得到所述第二二维图像上的第二脊线，其中，各个所述第一脊线与各个所述第二脊线一一对应；
在一种较优的实现方式中，分别对所述第一二维图像以及所述第二二维图像进行预处理，其中，所述预处理包括对比度增强、深度转换、二值化处理、初步噪声过滤；基于预处理后的所述第一二维图像进行脊线提取，得到所述第一二维图像上的第一脊线；基于预处理后的所述第二二维图像进行脊线提取，得到所述第二二维图像上的第二脊线。例如，使用图像处理工具自动增强fixed和moving图像的对比度，这一步骤主要目的是提高图像中特征的可辨识度，改善图像的整体质量，对比度增强有助于突出图像的细节和结构，使得后续的特征提取和图像分析更为有效。深度转换可以将图像从16位转换为8位，这一步骤可以显著降低数据的处理复杂度和存储要求，同时，对于大多数图像处理和分析任务来说，8位图像已经提供了足够的信息。对fixed图像和moving图像进行二值化处理，将其转换为黑白图像，在二值化过程中，图像中的每个像素点将被分类为最亮或最暗，这有助于更加清晰地区分图像中的对象(对象是指神经元、血管之类的三维连续结构)和背景。最后一步，对二值化后的fixed图像和moving图像执行噪 声过滤操作，通过计算图像中所有连通分量，并过滤掉面积过小的连通分量，从而减少图像噪声，这一步骤有助于去除图像中不必要的小对象和杂散像素，减少对后续图像处理和分析的干扰，初步噪声过滤是确保图像质量和后续处理准确性的关键步骤。
作为一示例，使用脊线检测技术(ridge-detection)在第一二维图像(fixed图像)和第一二维图像(moving图像)中提取脊线特征，分别记为lf和lm，还得到有lf对应的线宽为wf和lm对应的线宽wm和其他相关属性。脊线检测有助于识别图像中的主要结构，如神经纤维或血管，这些结构在三维显微图像拼接中至关重要。
步骤S103：基于所述第一二维图像和所述第二二维图像进行叠加处理，确定各个最大值点对，其中，所述最大值点对包括在所述第一二维图像上的第一最大值点以及在所述第二二维图像上所述第一最大值点对应的第二最大值点；
在一种较优的实现方式中，将第一二维图像(fixed图像)和第二二维图像(moving图像)分通道叠加，得到叠加图像，对执行叠加图像进行最大值点检测(find-maximum)，以识别亮度值(intensity)超过特定阈值(例如，特定阈值为254)的点，记为pm(x0，y0)，(x0，y0)是pm在叠加图像上的坐标，通过该坐标能够在第一二维图像上确定pm(x0，y0)对应的最大值点作为第一最大值点，通过该坐标可以在第二二维图像上确定pm(x0，y0)对应的最大值点作为第二最大值点，最大值点对是指第一最大值点以及第二最大值点。上述步骤旨在识别叠加图像中潜在的标注点对，需要说明的是，所有三维连续结构在二维投影图上的交点，这些点对应着潜在的标注点对。标注点对的物理意义：主要指三维连续的神经纤维，在三维图像块被从中间切开时，神经纤维在上下两块图像的中间两个相邻二维表面留下的断点，在别的图像中也可能是血管之类的类似结构。
步骤S104：基于所述第一脊线、所述第二脊线、所述最大值点对，确定目标标注点。
在一种较优的实现方式中，步骤S104包括：
步骤S1041：确定所述最大值点对所对应的所述第一脊线、所述第二脊线，作为脊线组合；
需要说明的是，最大值点对所对应的所述第一脊线以及所述第二脊线是由三维连续的神经纤维或其他连续的组织被切割得到的。通过遍历或者人为设定阈值，可以确定每组最大值点对所对应的脊线组合。
步骤S1042：对于每个所述最大值点对，计算所述最大值点对中的所述第一最大值点与所述脊线组合中的第一脊线的最短距离，得到第一距离，并计算所述最大值点对中的所述第二最大值点与脊线组合中的第二脊线的最短距离，得到第二距离；
步骤S1043：基于所述第一距离、所述第二距离、所述脊线组合中的第一脊线的线宽、所述脊线组合中的第二脊线的线宽，对所述最大值点对进行筛选；
步骤S1044：基于筛选后的所述最大值点对以及所述脊线组合，确定所述目标标注点。
作为一示例，第一距离以及第二距离分别记为df和dm，保留第一距离df小于第一线宽阈值、第二距离dm小于第二线宽阈值以及第一脊线的线宽与第二脊线的线宽的差值的绝对值小于预设值的最大值点对，从而完成筛选，其中，第一线宽阈值为二分之一的第一脊线的线宽wf，第二线宽阈值为二分之一的第二脊线的线宽wm，预设值由先前经验进行设定。需要说明的是，第一脊线的线宽与第二脊线的线宽的差值的绝对值小于预设值，则说明两根脊线更可能是同一根神经纤维，否则可能是干扰信号，则过滤掉这个最大值点对。
一实施例中，所述基于筛选后的所述最大值点对以及所述脊线组合，确定所述目标标注点的步骤，包括：
步骤S10411：对于每个筛选后的所述最大值点对，在筛选后的所述最大值点 对所对应的所述脊线组合中的第一脊线上，确定距离筛选后的所述最大值点对中的第一最大值点最近的点，作为第一目标点；
步骤S10412：确定所述第一目标点在筛选后的所述最大值点对所对应的所述脊线组合中的第一脊线上的切线向量，作为第一切线向量；
步骤S10413：对于每个筛选后的所述最大值点对，在筛选后的所述最大值点对所对应的所述脊线组合中的第二脊线上，确定距离所述筛选后的所述最大值点对中的第二最大值点最近的点，作为第二目标点；
步骤S10414：确定所述第二目标点在筛选后的所述最大值点所对应的所述脊线组合中的第二脊线上的切线向量，作为第二切线向量；
步骤S10415：基于所述第一目标点与第二目标点之间的距离、所述第一切线向量以及所述第二切线向量，判断所述第一目标点以及所述第二目标点是否满足预设标注条件；
作为一示例，判断第一目标点与第二目标点之间的距离是否小于设定值，若是，则判断第一切线向量与所述第二切线向量的夹角θ是否小于阈值β，若是，则第一目标点以及第二目标点满足预设标注条件。
步骤S10416：若第一目标点以及所述第二目标点满足预设标注条件，则将所述第一目标点以及所述第二目标点，作为目标标注点。
作为一示例，在得到目标标注点后，对第二二维图像(moving图像)及其第二目标点执行数据增强操作。这一步骤不是针对图像质量的直接提升，而是通过模拟可能出现的变化来增加数据的多样性和模型的鲁棒性。数据增强操作包括但不限于：随机位移：对图像执行轻微的随机位移，模拟样本在实际成像过程中可能出现的位置变化。随机形变：应用非线性变换以模拟样本在成像过程中可能遭遇的形变，如压缩或伸展。这有助于训练模型适应各种形变情况。其他变换：可能还包括随机旋转、缩放等其他类型的变换，以进一步丰富训练数据集。
作为又一示例，在训练过程中，将模型预测调整后的第二二维图像作为第二 二维图像返回执行步骤101，这意味着在模型训练的不同阶段，系统会不断对形变后的moving图像进行分析，以检测和标注新的特征点对。这一步骤确保了随着模型学习进展，新的和可能更准确的标注点对能够被识别和利用。对于在训练过程中新检测到的、符合条件的标注点对，系统会将这些点对加入到原始训练集的fixed和moving图像的标注信息中。
本实施例提出的生物样本图像的标注点获取方法，通过获取第一二维图像以及第二二维图像，其中，所述第一二维图像以及所述第二二维图像是基于三维生物样本图像进行分割以及投影处理得到的，然后基于所述第一二维图像进行脊线提取，得到所述第一二维图像上的第一脊线，基于所述第二二维图像进行脊线提取，得到所述第二二维图像上的第二脊线，其中，各个所述第一脊线与各个所述第二脊线一一对应，接着基于所述第一二维图像和所述第二二维图像进行叠加处理，确定各个最大值点对，其中，所述最大值点对包括在所述第一二维图像上的第一最大值点以及在所述第二二维图像上所述第一最大值点对应的第二最大值点，最后基于第一脊线、所述第二脊线、所述最大值点对，确定目标标注点，能够快速利用第一二维图像以及第二二维图像筛选出目标标注点，实现了快速、低成本地获取高准确率、高精度、具有生物意义的可用于监督学习的标注数据。
请参阅图3所示，在一实施例中，提供一种生物样本图像的标注点获取装置，所述装置包括：
获取模块10，用于获取第一二维图像以及第二二维图像，其中，所述第一二维图像以及所述第二二维图像是基于三维生物样本图像进行分割以及投影处理得到的；
脊线提取模块20，用于基于所述第一二维图像进行脊线提取，得到所述第一二维图像上的第一脊线，基于所述第二二维图像进行脊线提取，得到所述第二二维图像上的第二脊线，其中，各个所述第一脊线与各个所述第二脊线一一对应；
叠加处理模块30，用于基于所述第一二维图像和所述第二二维图像进行叠加处理，确定各个最大值点对，其中，所述最大值点对包括在所述第一二维图像上的第一最大值点以及在所述第二二维图像上所述第一最大值点对应的第二最大值点；
确定模块40，用于基于所述第一脊线、所述第二脊线、所述最大值点对，确定目标标注点。
一实施例中，确定模块40，用于：确定所述最大值点对所对应的所述第一脊线、所述第二脊线，作为脊线组合；对于每个所述最大值点对，计算所述最大值点对中的所述第一最大值点与所述脊线组合中的第一脊线的最短距离，得到第一距离，并计算所述最大值点对中的所述第二最大值点与脊线组合中的第二脊线的最短距离，得到第二距离；基于所述第一距离、所述第二距离、所述脊线组合中的第一脊线的线宽、所述脊线组合中的第二脊线的线宽，对所述最大值点对进行筛选；基于筛选后的所述最大值点对以及所述脊线组合，确定所述目标标注点。
一实施例中，确定模块40，用于：对于每个筛选后的所述最大值点对，在筛选后的所述最大值点对所对应的所述脊线组合中的第一脊线上，确定距离筛选后的所述最大值点对中的第一最大值点最近的点，作为第一目标点；确定所述第一目标点在筛选后的所述最大值点对所对应的所述脊线组合中的第一脊线上的切线向量，作为第一切线向量；对于每个筛选后的所述最大值点对，在筛选后的所述最大值点对所对应的所述脊线组合中的第二脊线上，确定距离筛选后的所述最大值点对中的第二最大值点最近的点，作为第二目标点；确定所述第二目标点在筛选后的所述最大值点所对应的所述脊线组合中的第二脊线上的切线向量，作为第二切线向量；基于所述第一目标点与第二目标点之间的距离、所述第一切线向量以及所述第二切线向量，判断所述第一目标点以及所述第二目标点是否满足预设标注条件；若第一目标点以及所述第二目标点满足预设标注条件，则将所述第一目标点以及所述第二目标点，作为目标标注点。
一实施例中，脊线提取模块20，用于分别对所述第一二维图像以及所述第二二维图像进行预处理，其中，所述预处理包括对比度增强、深度转换、二值化处理、初步噪声过滤；基于预处理后的所述第一二维图像进行脊线提取，得到所述第一二维图像上的第一脊线；基于预处理后的所述第二二维图像进行脊线提取，得到所述第二二维图像上的第二脊线。
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服务端，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性和/或易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的客户端通过网络连接通信。该计算机程序被处理器执行时以实现一种生物样本图像的标注点获取方法服务端侧的功能或步骤。
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客户端，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部服务器通过网络连接通信。该计算机程序被处理器执行时以实现一种生物样本图像的标注点获取方法客户端侧的功能或步骤。
在一个实施例中，提出了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算 机程序时实现以下步骤：
获取第一二维图像以及第二二维图像，其中，所述第一二维图像以及所述第二二维图像是基于三维生物样本图像进行分割以及投影处理得到的；
基于所述第一二维图像进行脊线提取，得到所述第一二维图像上的第一脊线，基于所述第二二维图像进行脊线提取，得到所述第二二维图像上的第二脊线，其中，各个所述第一脊线与各个所述第二脊线一一对应；
基于所述第一二维图像和所述第二二维图像进行叠加处理，确定各个最大值点对，其中，所述最大值点对包括在所述第一二维图像上的第一最大值点以及在所述第二二维图像上所述第一最大值点对应的第二最大值点；
基于所述第一脊线、所述第二脊线、所述最大值点对，确定目标标注点。
本实施例提出的生物样本图像的标注点获取方法，通过获取第一二维图像以及第二二维图像，其中，所述第一二维图像以及所述第二二维图像是基于三维生物样本图像进行分割以及投影处理得到的，然后基于所述第一二维图像进行脊线提取，得到所述第一二维图像上的第一脊线，基于所述第二二维图像进行脊线提取，得到所述第二二维图像上的第二脊线，其中，各个所述第一脊线与各个所述第二脊线一一对应，接着基于所述第一二维图像和所述第二二维图像进行叠加处理，确定各个最大值点对，其中，所述最大值点对包括在所述第一二维图像上的第一最大值点以及在所述第二二维图像上所述第一最大值点对应的第二最大值点，最后基于第一脊线、所述第二脊线、所述最大值点对，确定目标标注点，能够快速利用第一二维图像以及第二二维图像筛选出目标标注点，实现了快速、低成本地获取高准确率、高精度、具有生物意义的可用于监督学习的标注数据。
在一个实施例中，提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取第一二维图像以及第二二维图像，其中，所述第一二维图像以及所述第 二二维图像是基于三维生物样本图像进行分割以及投影处理得到的；
基于所述第一二维图像进行脊线提取，得到所述第一二维图像上的第一脊线，基于所述第二二维图像进行脊线提取，得到所述第二二维图像上的第二脊线，其中，各个所述第一脊线与各个所述第二脊线一一对应；
基于所述第一二维图像和所述第二二维图像进行叠加处理，确定各个最大值点对，其中，所述最大值点对包括在所述第一二维图像上的第一最大值点以及在所述第二二维图像上所述第一最大值点对应的第二最大值点；
基于所述第一脊线、所述第二脊线、所述最大值点对，确定目标标注点。
本实施例提出的生物样本图像的标注点获取方法，通过获取第一二维图像以及第二二维图像，其中，所述第一二维图像以及所述第二二维图像是基于三维生物样本图像进行分割以及投影处理得到的，然后基于所述第一二维图像进行脊线提取，得到所述第一二维图像上的第一脊线，基于所述第二二维图像进行脊线提取，得到所述第二二维图像上的第二脊线，其中，各个所述第一脊线与各个所述第二脊线一一对应，接着基于所述第一二维图像和所述第二二维图像进行叠加处理，确定各个最大值点对，其中，所述最大值点对包括在所述第一二维图像上的第一最大值点以及在所述第二二维图像上所述第一最大值点对应的第二最大值点，最后基于第一脊线、所述第二脊线、所述最大值点对，确定目标标注点，能够快速利用第一二维图像以及第二二维图像筛选出目标标注点，实现了快速、低成本地获取高准确率、高精度、具有生物意义的可用于监督学习的标注数据。
需要说明的是，上述关于计算机可读存储介质或计算机设备所能实现的功能或步骤，可对应参阅前述方法实施例中，服务端侧以及客户端侧的相关描述，为避免重复，这里不再一一描述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非 易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、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单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述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的精神和范围，均应包含在本发明的保护范围之内。

Claims (7)

  1. 一种生物样本图像的标注点获取方法，其特征在于，所述生物样本图像的标注点获取方法包括：
    获取第一二维图像以及第二二维图像，其中，所述第一二维图像以及所述第二二维图像是基于三维生物样本图像进行分割以及投影处理得到的；
    基于所述第一二维图像进行脊线提取，得到所述第一二维图像上的第一脊线，基于所述第二二维图像进行脊线提取，得到所述第二二维图像上的第二脊线，其中，各个所述第一脊线与各个所述第二脊线一一对应；
    基于所述第一二维图像和所述第二二维图像进行叠加处理，确定各个最大值点对，其中，所述最大值点对包括在所述第一二维图像上的第一最大值点以及在所述第二二维图像上所述第一最大值点对应的第二最大值点；
    基于所述第一脊线、所述第二脊线、所述最大值点对，确定目标标注点。
  2. 根据权利要求1所述的生物样本图像的标注点获取方法，其特征在于，所述基于所述第一脊线、所述第二脊线、所述最大值点对，确定目标标注点的步骤，包括：
    确定所述最大值点对所对应的所述第一脊线、所述第二脊线，作为脊线组合；
    对于每个所述最大值点对，计算所述最大值点对中的所述第一最大值点与所述脊线组合中的第一脊线的最短距离，得到第一距离，并计算所述最大值点对中的所述第二最大值点与脊线组合中的第二脊线的最短距离，得到第二距离；
    基于所述第一距离、所述第二距离、所述脊线组合中的第一脊线的线宽、所述脊线组合中的第二脊线的线宽，对所述最大值点对进行筛选；
    基于筛选后的所述最大值点对以及所述脊线组合，确定所述目标标注点。
  3. 根据权利要求2所述的生物样本图像的标注点获取方法，其特征在于，所述基于筛选后的所述最大值点对以及所述脊线组合，确定所述目标标注点的步骤， 包括：
    对于每个筛选后的所述最大值点对，在筛选后的所述最大值点对所对应的所述脊线组合中的第一脊线上，确定距离筛选后的所述最大值点对中的第一最大值点最近的点，作为第一目标点；
    确定所述第一目标点在筛选后的所述最大值点对所对应的所述脊线组合中的第一脊线上的切线向量，作为第一切线向量；
    对于每个筛选后的所述最大值点对，在筛选后的所述最大值点对所对应的所述脊线组合中的第二脊线上，确定距离筛选后的所述最大值点对中的第二最大值点最近的点，作为第二目标点；
    确定所述第二目标点在筛选后的所述最大值点所对应的所述脊线组合中的第二脊线上的切线向量，作为第二切线向量；
    基于所述第一目标点与第二目标点之间的距离、所述第一切线向量以及所述第二切线向量，判断所述第一目标点以及所述第二目标点是否满足预设标注条件；
    若第一目标点以及所述第二目标点满足预设标注条件，则将所述第一目标点以及所述第二目标点，作为目标标注点。
  4. 根据权利要求1所述的生物样本图像的标注点获取方法，其特征在于，所述基于所述第一二维图像进行脊线提取，得到所述第一二维图像上的第一脊线，基于所述第二二维图像进行脊线提取，得到所述第二二维图像上的第二脊线的步骤，包括：
    分别对所述第一二维图像以及所述第二二维图像进行预处理，其中，所述预处理包括对比度增强、深度转换、二值化处理、初步噪声过滤；
    基于预处理后的所述第一二维图像进行脊线提取，得到所述第一二维图像上的第一脊线；
    基于预处理后的所述第二二维图像进行脊线提取，得到所述第二二维图像上的第二脊线。
  5. 一种生物样本图像的标注点获取装置，其特征在于，所述生物样本图像的标注点获取装置包括：
    获取模块，用于获取第一二维图像以及第二二维图像，其中，所述第一二维图像以及所述第二二维图像是基于三维生物样本图像进行分割以及投影处理得到的；
    脊线提取模块，用于基于所述第一二维图像进行脊线提取，得到所述第一二维图像上的第一脊线，基于所述第二二维图像进行脊线提取，得到所述第二二维图像上的第二脊线，其中，各个所述第一脊线与各个所述第二脊线一一对应；
    叠加处理模块，用于基于所述第一二维图像和所述第二二维图像进行叠加处理，确定各个最大值点对，其中，所述最大值点对包括在所述第一二维图像上的第一最大值点以及在所述第二二维图像上所述第一最大值点对应的第二最大值点；
    确定模块，用于基于所述第一脊线、所述第二脊线、所述最大值点对，确定目标标注点。
  6. 一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述生物样本图像的标注点获取方法的步骤。
  7. 一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述生物样本图像的标注点获取方法的步骤。
PCT/CN2024/083945 2024-03-27 2024-03-27 生物样本图像的标注点获取方法、装置、设备及介质 Pending WO2025199775A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/CN2024/083945 WO2025199775A1 (zh) 2024-03-27 2024-03-27 生物样本图像的标注点获取方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2024/083945 WO2025199775A1 (zh) 2024-03-27 2024-03-27 生物样本图像的标注点获取方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
WO2025199775A1 true WO2025199775A1 (zh) 2025-10-02

Family

ID=97218172

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2024/083945 Pending WO2025199775A1 (zh) 2024-03-27 2024-03-27 生物样本图像的标注点获取方法、装置、设备及介质

Country Status (1)

Country Link
WO (1) WO2025199775A1 (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107480649A (zh) * 2017-08-24 2017-12-15 浙江工业大学 一种基于全卷积神经网络的指纹汗孔提取方法
CN114820462A (zh) * 2022-03-30 2022-07-29 沈阳东软智能医疗科技研究院有限公司 破口位置检测方法、装置、设备以及存储介质
CN114882055A (zh) * 2022-05-30 2022-08-09 西安电子科技大学 基于多方向梯度算子的遥感图像脊线标注方法
CN115661371A (zh) * 2022-12-14 2023-01-31 深圳思谋信息科技有限公司 三维对象建模方法、装置、计算机设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107480649A (zh) * 2017-08-24 2017-12-15 浙江工业大学 一种基于全卷积神经网络的指纹汗孔提取方法
CN114820462A (zh) * 2022-03-30 2022-07-29 沈阳东软智能医疗科技研究院有限公司 破口位置检测方法、装置、设备以及存储介质
CN114882055A (zh) * 2022-05-30 2022-08-09 西安电子科技大学 基于多方向梯度算子的遥感图像脊线标注方法
CN115661371A (zh) * 2022-12-14 2023-01-31 深圳思谋信息科技有限公司 三维对象建模方法、装置、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
JP7458328B2 (ja) マルチ分解能登録を介したマルチサンプル全体スライド画像処理
CN110599526B (zh) 图像配准方法、计算机设备和存储介质
CN110363774B (zh) 图像分割方法、装置、计算机设备和存储介质
CN113870267B (zh) 缺陷检测方法、装置、计算机设备及可读存储介质
CN113707279B (zh) 医学影像图片的辅助分析方法、装置、计算机设备及介质
CN115311618B (zh) 一种基于深度学习和对象匹配的装配质量检查方法
CN111192252B (zh) 一种图像分割结果优化方法、装置、智能终端及存储介质
CN110136153A (zh) 一种图像处理方法、设备及存储介质
WO2021189770A1 (zh) 基于人工智能的图像增强处理方法、装置、设备及介质
CN110211200A (zh) 一种基于神经网络技术的牙弓线生成方法及其系统
CN118195891A (zh) 三维图像拼接方法、装置、计算机设备及存储介质
CN119810126A (zh) 一种基于边缘检测的矿石图像分割优化方法及系统
CN116229236A (zh) 一种基于改进YOLO v5模型的结核杆菌检测方法
WO2025199775A1 (zh) 生物样本图像的标注点获取方法、装置、设备及介质
CN118196152B (zh) 生物样本图像的标注点获取方法、装置、设备及介质
CN109063601A (zh) 唇纹检测方法、装置、计算机设备和存储介质
CN120235819A (zh) 基于多模态数据融合的纸张表面缺陷检测方法及系统
CN109360270B (zh) 基于人工智能的3d人脸姿态对齐方法及装置
CN114612335B (zh) 基于卷积神经网络的人像lab色彩矫正方法、装置、介质及设备
CN110766653A (zh) 图像分割方法、装置、计算机设备和存储介质
CN109509262B (zh) 基于人工智能的智能增强建模方法及装置
WO2025199682A1 (zh) 三维图像拼接方法、装置、计算机设备及存储介质
CN115797547A (zh) 图像建模方法、计算机设备和存储介质
CN112669299B (zh) 瑕疵检测方法及装置、计算机设备和存储介质
CN111161239B (zh) 医学图像分析方法、装置、存储介质及计算机设备

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: 24931916

Country of ref document: EP

Kind code of ref document: A1