CN108664937A - 一种基于数字病理切片扫描仪的多区域扫描方法 - Google Patents
一种基于数字病理切片扫描仪的多区域扫描方法 Download PDFInfo
- Publication number
- CN108664937A CN108664937A CN201810458193.3A CN201810458193A CN108664937A CN 108664937 A CN108664937 A CN 108664937A CN 201810458193 A CN201810458193 A CN 201810458193A CN 108664937 A CN108664937 A CN 108664937A
- Authority
- CN
- China
- Prior art keywords
- pathological section
- digital pathological
- identification model
- scanning
- scanning area
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10008—Still image; Photographic image from scanner, fax or copier
-
- 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
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于数字病理切片扫描仪的多区域扫描方法,根据预先准备的训练数据预先训练形成一识别模型,所述识别模型用于在数字病理切片图像上识别得到需要扫描的扫描区域,该方法具体包括以下步骤:扫描相机拍摄病理切片并得到对应的数字病理切片图像;采用所述识别模型对所述数字病理切片图像进行识别,以识别出所述扫描区域;采用病理切片扫描仪对所述扫描区域进行扫描,最终得到病理切片扫描文件并自动存储,与现有技术相比,本发明的有益效果是,可以同时同时选定数字病理切片图像的多个区域进行扫描,并对输出的扫描文件进行压缩、整合,提高了工作效率,减小了输出图幅,增强了数字病理切片扫描仪的实用性。
Description
技术领域
本发明涉及图像扫描方法,尤其涉及一种基于数字病理切片扫描仪的多区域扫描方法。
背景技术
现有的数字病理切片扫描仪在扫描样本组织时先拍摄一组病理切片的全景图像,然后技术人员根据检验需要通过平台软件选定需要深度扫描的样本区域,数字病理切片扫描仪随后对选定区域进行对焦并扫描得到最终的扫描文件。
通常情况下,如图1所示,病理切片上待检测的样本为一个组织,集中在一个区域内,所以目前市面上大多数数字病理切片扫描仪只支持单区域扫描,也就是说,技术人员只能选定全景图像的某一单个区域进行深度扫描。而在实际操作中,病理切片上会出现一些形态分散的组织,如图2所示,如果还是按照通常的扫描方法,数字病理切片扫描仪会将分散的多个组织作为一个整体扫描到同一个区域内,如图3所示,可以看到,扫描到同一区域的多个组织之间会留下许多空白区域,而这些空白扫描对于组织样本的检测毫无意义,不但增加了扫描时间,而且会增大输出图幅,浪费计算机的存储空间。
发明内容
本发明的目的在于,提供一种基于数字病理切片扫描仪的多区域扫描方法,以解决以上技术问题。
本发明解决其技术问题可以通过以下技术方案来实现。
本发明提供一种基于数字病理切片扫描仪的多区域扫描方法,根据预先准备的训练数据预先训练形成一识别模型,所述识别模型用于在数字病理切片图像上识别得到需要扫描的扫描区域,该方法具体包括以下步骤:
步骤1:扫描相机拍摄病理切片并得到对应的数字病理切片图像;
步骤2:采用所述识别模型对所述数字病理切片图像进行识别,以识别出所述扫描区域;
步骤3:采用病理切片扫描仪对所述扫描区域进行扫描,最终得到病理切片扫描文件并自动存储。
进一步的,所述训练数据包括多张预先设置的所述数字病理切片图像,每张所述数字病理切片图像上设置有至少一个所述扫描区域。
所述识别模型包括用于识别得到所述数字病理切片图像中包含有组织细胞的组织区域的第一识别模型,以及用于根据识别得到的所述组织区域融合形成所述扫描区域的第二识别模型;
训练形成所述识别模型的过程具体包括:
步骤A1,将所述训练数据中的所述数字病理切片图像输入至所述第一识别模型中;
步骤A2,所述第一识别模型于所述数字病理切片图像中识别得到所有组织区域并进行,输出经过标记的所述数字病理切片图像,所述组织区域为包含有组织细胞的区域;
步骤A3,采用人工标注的方式对所述数字病理切片图像中未被所述识别模型识别出的所述组织区域进行标注,并将标注后的所述数字病理切片图像更新至所述训练数据中,随后返回所述步骤A1,直至所述步骤A2中输出的经过标记的所述数字病理切片图像中不存在未被识别出的所述组织区域为止;
步骤A4,采用所述第二识别模型,依据所有所述组织区域识别得到所述扫描区域,直至所述第二识别模型训练完毕;
步骤A5,保存包括所述第一识别模型和所述第二识别模型的所述识别模型,随后退出。
进一步的,所述扫描区域包括所有所述组织区域,且所述扫描区域内的空白区域的面积最小;于所述扫描区域内,各个所述组织区域之间互不重叠。
进一步的,所述第一识别模型标记所述数字病理切片图像的方法是,定义每一个所述组织区域的具体坐标位置并对每一个所述组织区域进行编号并存储。
进一步的,于所述数字病理切片扫描仪中设置有一用于对所述数字病理切片图像进行扫描的操作平台,所述操作平台可以显示在显示设备上,用户通过输入设备比如键盘、鼠标等可以在操作平台上进行相关操作。
进一步的,通过所述操作平台,用户能够同时自定义多个扫描区域对所述数字病理切片图像进行扫描。该操作平台支持用户针对输入的所述数字病理切片图像进行单区域选定或多区域同时选定扫描。
进一步的,所述扫描区域经扫描输出得到扫描文件,即一个所述扫描区域经扫描得到一个扫描文件,所述操作平台能够对输出得到的多个所述扫描文件进行整合,最终形成一个数字病理切片图像扫描文件并保存。
本发明的有益效果是,本发明通过训练识别模型并采用先进的识别算法,对数字病理切片扫描仪的功能和性能作了进一步的改进和提升,技术人员可以很方便的在操作平台实现对切片组织的多区域选定并针对每一个单独区域进行深度扫描,所述操作平台还能够对扫描得到的每一个扫描文件进行整合最终输出一个数字病理切片图像扫描文件,该多区域扫描方法与以往只能单区域扫描相比,不仅节省了扫描时间,提高了工作效率,而且有效减小了输出图幅,避免占用过大的存储空间。
附图说明
图1为现有技术中的病理切片单区域扫描图;
图2为存在多个分散组织的病理切片示意图;
图3为现有技术中对存在多个分散组织的病理切片进行单区域扫描的示意图;
图4为本发明实施例的多区域识别扫描示意图一;
图5为本发明实施例的多区域识别扫描示意图二;
图6为本发明实施例的方法流程图;
图7为本发明实施例的训练识别模型的方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的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。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
请参阅图6和图7,本发明提供一种基于数字病理切片扫描仪的多区域扫描方法,该方法根据预先准备的训练数据预先训练形成一识别模型,所述识别模型用于在数字病理切片图像上识别得到需要扫描的扫描区域,该方法具体包括以下步骤:
步骤1:扫描相机拍摄病理切片11并得到对应的数字病理切片图像;
步骤2:采用所述识别模型对所述数字病理切片图像进行识别,以识别出所述扫描区域12;
步骤3:采用病理切片扫描仪对所述扫描区域12进行扫描,最终得到病理切片扫描文件并自动存储。
本发明的基于数字病理切片扫描仪的多区域扫描方法,所述训练数据包括多张预先设置的所述数字病理切片图像,每张所述数字病理切片图像上设置有至少一个所述扫描区域12。
本发明的基于数字病理切片扫描仪的多区域扫描方法,所述识别模型包括用于识别得到所述数字病理切片图像中包含有组织细胞的组织区域13的第一识别模型,以及用于根据识别得到的所述组织区域13融合形成所述扫描区域12的第二识别模型;
训练形成所述识别模型的过程具体包括:
步骤A1,将所述训练数据中的所述数字病理切片图像输入至所述第一识别模型中;
步骤A2,所述第一识别模型于所述数字病理切片图像中识别得到所有组织区域13并进行,输出经过标记的所述数字病理切片图像,所述组织区域13为包含有组织细胞的区域;
步骤A3,采用人工标注的方式对所述数字病理切片图像中未被所述识别模型识别出的所述组织区域13进行标注,并将标注后的所述数字病理切片图像更新至所述训练数据中,随后返回所述步骤A1,直至所述步骤A2中输出的经过标记的所述数字病理切片图像中不存在未被识别出的所述组织区域13为止;
步骤A4,采用所述第二识别模型,依据所有所述组织区域13识别得到所述扫描区域12,直至所述第二识别模型训练完毕;
步骤A5,保存包括所述第一识别模型和所述第二识别模型的所述识别模型,随后退出。
本发明的基于数字病理切片扫描仪的多区域扫描方法,请参阅图4和图5,所述扫描区域12包括所有所述组织区域13,且所述扫描区域12内的空白区域的面积最小;于所述扫描区域12内,各个所述组织区域13之间互不重叠。
本发明的基于数字病理切片扫描仪的多区域扫描方法,所述第一识别模型标记所述数字病理切片图像的方法是,定义每一个所述组织区域13的具体坐标位置并对每一个所述组织区域13进行编号并存储。
本发明的基于数字病理切片扫描仪的多区域扫描方法,所述第二识别模型根据所述第一识别模型识别得到的所述组织区域13融合形成所述扫描区域12的方法是,预设每一个所述扫描区域12的扫描面积,并对编号并存储的每一个所述组织区域13进行排列组合最终形成至少一个所述扫描区域12。
本发明的基于数字病理切片扫描仪的多区域扫描方法,预设的每一个所述扫描区域12的扫描面积可以相同也可以不相同,如上所述,由于每一个所述扫描区域12由至少一个所述组织区域13排列组合而形成,但由于每一个所述组织区域13的面积大小并不相同,所以相同数量的所述组织区域13组合形成的每一个所述扫描区域12的大小往往并不相同,为了统一规范同时为了方便输出得到相同图幅的扫描文件,可以预设每一个所述扫描区域12具有相同的扫描面积。但由于每一个所述扫描区域12内包含的所述组织区域13的数量通常并不相同,而且每一个所述组织区域13的面积也并不一样,如果将每一个所述扫描区域12强制预设为相同的扫描面积,所述扫描区域12内会出现较多的空白区域,比如五个相同大小的所述组织区域13,其中两个所述组织区域13排列组合形成一个所述扫描区域12,另外三个所述组织区域13排列组合形成另一个所述扫描区域12,如果将上述两个所述扫描区域12预设为相同的扫描面积,那么计算机会对由两个所述组织区域13形成的所述扫描区域12中除两个所述组织区域13外的其它区域去填补空白,这样形成的扫描区域13会出现更多空白,然而,对这些空白区域进行扫描是毫无意义的,并且会浪费大量的扫描时间,所以在本发明实施例中,可以将每一个所述扫描区域12的扫描面积预设为不相同,或者也可以通过现有技术中的识别算法对每一个所述扫描区域12的扫描面积根据排列组合的所述组织区域12的数量或面积大小进行自动识别计算,以确保每一个所述扫描区域12中的空白区域为最小面积。
本发明的基于数字病理切片扫描仪的多区域扫描方法,于所述数字病理切片扫描仪中设置有一用于对所述数字病理切片图像进行扫描的操作平台,所述操作平台可以显示在显示设备上,用户通过输入设备比如键盘、鼠标等可以在操作平台上进行相关操作。过所述操作平台,用户能够同时自定义多个扫描区域并对所述数字病理切片图像进行扫描。该操作平台支持用户针对输入的所述数字病理切片图像进行单区域选定或多区域同时选定后进行扫描。所述扫描区域经扫描输出得到扫描文件,即一个所述扫描区域经扫描得到一个扫描文件,所述操作平台能够对输出得到的多个所述扫描文件进行整合,最终形成一个数字病理切片图像扫描文件并保存。
另外需要说明的是,所述步骤2中所述识别模型识别所述扫描区域12的具体识别方法是,采用基于三值化图像聚类的多目标分割方法,所述基于三值化图像聚类的多目标分割方法包括如下步骤:
一、计算所述全景图像A的梯度
(1)对所述全景图像A缩小后得到彩色图像B,所述彩色图像B的大小为w×h,w为图像宽度上的像素点个数,h为图像高度上的像素点个数;
(2)计算步骤(1)中得到的彩色图像B的RGB三通道图像上的方向梯度;
(3)根据步骤(2)中彩色图像B的RGB三通道图像上的方向梯度计算彩色图像B两个轴向上的方向梯度;
(4)根据步骤(3)中两个轴向上的方向梯度描述彩色图像B的方向梯度强度图像M;
(5)计算步骤(1)中彩色图像B的饱和度,得到饱和度图像Z;
二、结合上述步骤(4)中的方向梯度图像M和步骤(5)中的饱和度图像Z的信息对彩色图像B进行阈值处理,将彩色图像B逐个像素映射为“前景、轮廓、背景”三个值,通过以下公式得到三值化图像C;
其中:100表示“轮廓”,255表示“前景”,0表示“背景”;Mthreshold为梯度阈值,梯度阈值为多次实验总结出来的结果值,大于等于该阈值代表该像素点是轮廓点,小于该阈值代表该像素不是轮廓点;Sthreshold为饱和度阈值,饱和度阈值同样是多次实验总结出来的结果值,大于该阈值表示像素点可能是具有鲜艳颜色的目标点。
三、对所述三值化图像C进行基于形态学的聚类,得到聚类结果图像E;
四、对所述聚类结果图像E进行目标区域修复及目标分割。
此外,所述步骤2中所述识别模型识别所述扫描区域12的识别算法还包括基于直方图的图像全局二值化的多目标分割方法,该识别算法采用现有技术中的方式实现,在此不再赘述。
本发明通过训练识别模型并采用先进的识别算法,对数字病理切片扫描仪的功能和性能作了进一步的改进和提升,技术人员可以很方便的在操作平台实现对切片组织的多区域选定并针对每一个单独区域进行深度扫描。另外,该操作平台还能够对扫描得到的每一个扫描文件进行整合最终输出一个数字病理切片图像扫描文件,该多区域扫描方法与以往只能单区域扫描相比,不仅节省了扫描时间,提高了工作效率,而且有效减小了输出图幅,避免占用过大的存储空间。
以上所述仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (8)
1.一种基于数字病理切片扫描仪的多区域扫描方法,其特征在于,根据预先准备的训练数据预先训练形成一识别模型,所述识别模型用于在数字病理切片图像上识别得到需要扫描的扫描区域,包括以下步骤:
步骤1:扫描相机拍摄病理切片并得到对应的数字病理切片图像;
步骤2:采用所述识别模型对所述数字病理切片图像进行识别,以识别出所述扫描区域;
步骤3:采用病理切片扫描仪对所述扫描区域进行扫描,最终得到病理切片扫描文件并自动存储。
2.如权利要求1所述的一种基于数字病理切片扫描仪的多区域扫描方法,其特征在于,所述训练数据包括多张预先设置的所述数字病理切片图像,每张所述数字病理切片图像上设置有至少一个所述扫描区域;
所述识别模型包括用于识别得到所述数字病理切片图像中包含有组织细胞的组织区域的第一识别模型,以及用于根据识别得到的所述组织区域融合形成所述扫描区域的第二识别模型;
训练形成所述识别模型的过程具体包括:
步骤A1,将所述训练数据中的所述数字病理切片图像输入至所述第一识别模型中;
步骤A2,所述第一识别模型于所述数字病理切片图像中识别得到所有组织区域并进行,输出经过标记的所述数字病理切片图像,所述组织区域为包含有组织细胞的区域;
步骤A3,采用人工标注的方式对所述数字病理切片图像中未被所述识别模型识别出的所述组织区域进行标注,并将标注后的所述数字病理切片图像更新至所述训练数据中,随后返回所述步骤A1,直至所述步骤A2中输出的经过标记的所述数字病理切片图像中不存在未被识别出的所述组织区域为止;
步骤A4,采用所述第二识别模型,依据所有所述组织区域识别得到所述扫描区域,直至所述第二识别模型训练完毕;
步骤A5,保存包括所述第一识别模型和所述第二识别模型的所述识别模型,随后退出。
3.如权利要求2所述的一种基于数字病理切片扫描仪的多区域扫描方法,其特征在于,所述扫描区域包括所有所述组织区域,且所述扫描区域内的空白区域的面积最小;于所述扫描区域内,各个所述组织区域之间互不重叠。
4.如权利要求3所述的一种基于数字病理切片扫描仪的多区域扫描方法,其特征在于,所述第一识别模型标记所述数字病理切片图像的方法是,定义每一个所述组织区域的具体坐标位置并对每一个所述组织区域进行编号并存储。
5.如权利要求4所述的一种基于数字病理切片扫描仪的多区域扫描方法,其特征在于,所述第二识别模型根据所述第一识别模型识别得到的所述组织区域融合形成所述扫描区域的方法是,预设每一个所述扫描区域的扫描面积,并对编号并存储的每一个所述组织区域进行排列组合最终形成至少一个所述扫描区域。
6.如权利要求5所述的一种基于数字病理切片扫描仪的多区域扫描方法,其特征在于,预设的每一个所述扫描区域的扫描面积相同。
7.如权利要求5所述的一种基于数字病理切片扫描仪的多区域扫描方法,其特征在于,预设的每一个所述扫描区域的扫描面积不相同。
8.如权利要求6或7所述的一种基于数字病理切片扫描仪的多区域扫描方法,其特征在于,于所述数字病理切片扫描仪中设置有一用于对所述数字病理切片图像进行扫描的操作平台;
通过所述操作平台,用户能够同时自定义多个扫描区域对所述数字病理切片图像进行扫描;
所述扫描区域经扫描输出得到扫描文件,所述操作平台对输出得到的多个所述扫描文件进行整合最终形成一个数字病理切片图像扫描文件并保存。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810458193.3A CN108664937A (zh) | 2018-05-14 | 2018-05-14 | 一种基于数字病理切片扫描仪的多区域扫描方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810458193.3A CN108664937A (zh) | 2018-05-14 | 2018-05-14 | 一种基于数字病理切片扫描仪的多区域扫描方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108664937A true CN108664937A (zh) | 2018-10-16 |
Family
ID=63778371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810458193.3A Pending CN108664937A (zh) | 2018-05-14 | 2018-05-14 | 一种基于数字病理切片扫描仪的多区域扫描方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108664937A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109975291A (zh) * | 2019-03-08 | 2019-07-05 | 广州金域医学检验中心有限公司 | 数字病理切片的生成方法、装置和计算机设备 |
CN110265142A (zh) * | 2019-06-11 | 2019-09-20 | 透彻影像(北京)科技有限公司 | 一种用于病变区域复原图的辅助诊断***和方法 |
CN110909646A (zh) * | 2019-11-15 | 2020-03-24 | 广州金域医学检验中心有限公司 | 数字病理切片图像的采集方法、装置、计算机设备及存储介质 |
CN112464802A (zh) * | 2020-11-26 | 2021-03-09 | 湖南国科智瞳科技有限公司 | 一种玻片样本信息的自动识别方法、装置和计算机设备 |
CN112508010A (zh) * | 2020-11-30 | 2021-03-16 | 广州金域医学检验中心有限公司 | 数字病理切片目标区域的识别方法、***、设备及介质 |
WO2022068883A1 (zh) * | 2020-09-29 | 2022-04-07 | 先临三维科技股份有限公司 | 扫描结果的处理方法、装置、处理器和扫描*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090109496A1 (en) * | 2007-10-29 | 2009-04-30 | Hiroyuki Baba | Image reading device and image forming device |
CN103040429A (zh) * | 2013-01-05 | 2013-04-17 | 无锡微奥科技有限公司 | 一种用于口腔的光学影像检测装置和成像方法 |
CN103473785A (zh) * | 2013-09-29 | 2013-12-25 | 哈尔滨工业大学 | 一种基于三值化图像聚类的快速多目标分割方法 |
CN105374023A (zh) * | 2015-08-25 | 2016-03-02 | 上海联影医疗科技有限公司 | 一种分割目标区域方法,及其图像重建方法和装置 |
CN105550651A (zh) * | 2015-12-14 | 2016-05-04 | 中国科学院深圳先进技术研究院 | 一种数字病理切片全景图像自动分析方法及*** |
CN106485287A (zh) * | 2016-10-25 | 2017-03-08 | 帝麦克斯(苏州)医疗科技有限公司 | 扫描区域的获取方法、数字切片的获取方法及装置 |
CN106570505A (zh) * | 2016-11-01 | 2017-04-19 | 北京昆仑医云科技有限公司 | 对组织病理图像进行分析的方法和*** |
CN107209934A (zh) * | 2014-12-03 | 2017-09-26 | 文塔纳医疗***公司 | 用于定量分析异质生物标志物分布的方法、***和装置 |
CN107493403A (zh) * | 2017-08-11 | 2017-12-19 | 宁波江丰生物信息技术有限公司 | 一种数字病理切片扫描*** |
-
2018
- 2018-05-14 CN CN201810458193.3A patent/CN108664937A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090109496A1 (en) * | 2007-10-29 | 2009-04-30 | Hiroyuki Baba | Image reading device and image forming device |
CN103040429A (zh) * | 2013-01-05 | 2013-04-17 | 无锡微奥科技有限公司 | 一种用于口腔的光学影像检测装置和成像方法 |
CN103473785A (zh) * | 2013-09-29 | 2013-12-25 | 哈尔滨工业大学 | 一种基于三值化图像聚类的快速多目标分割方法 |
CN107209934A (zh) * | 2014-12-03 | 2017-09-26 | 文塔纳医疗***公司 | 用于定量分析异质生物标志物分布的方法、***和装置 |
CN105374023A (zh) * | 2015-08-25 | 2016-03-02 | 上海联影医疗科技有限公司 | 一种分割目标区域方法,及其图像重建方法和装置 |
CN105550651A (zh) * | 2015-12-14 | 2016-05-04 | 中国科学院深圳先进技术研究院 | 一种数字病理切片全景图像自动分析方法及*** |
CN106485287A (zh) * | 2016-10-25 | 2017-03-08 | 帝麦克斯(苏州)医疗科技有限公司 | 扫描区域的获取方法、数字切片的获取方法及装置 |
CN106570505A (zh) * | 2016-11-01 | 2017-04-19 | 北京昆仑医云科技有限公司 | 对组织病理图像进行分析的方法和*** |
CN107493403A (zh) * | 2017-08-11 | 2017-12-19 | 宁波江丰生物信息技术有限公司 | 一种数字病理切片扫描*** |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109975291A (zh) * | 2019-03-08 | 2019-07-05 | 广州金域医学检验中心有限公司 | 数字病理切片的生成方法、装置和计算机设备 |
CN110265142A (zh) * | 2019-06-11 | 2019-09-20 | 透彻影像(北京)科技有限公司 | 一种用于病变区域复原图的辅助诊断***和方法 |
CN110265142B (zh) * | 2019-06-11 | 2020-06-09 | 透彻影像(北京)科技有限公司 | 一种用于病变区域复原图的辅助诊断*** |
CN110909646A (zh) * | 2019-11-15 | 2020-03-24 | 广州金域医学检验中心有限公司 | 数字病理切片图像的采集方法、装置、计算机设备及存储介质 |
CN110909646B (zh) * | 2019-11-15 | 2023-10-20 | 广州金域医学检验中心有限公司 | 数字病理切片图像的采集方法、装置、计算机设备及存储介质 |
WO2022068883A1 (zh) * | 2020-09-29 | 2022-04-07 | 先临三维科技股份有限公司 | 扫描结果的处理方法、装置、处理器和扫描*** |
CN112464802A (zh) * | 2020-11-26 | 2021-03-09 | 湖南国科智瞳科技有限公司 | 一种玻片样本信息的自动识别方法、装置和计算机设备 |
CN112464802B (zh) * | 2020-11-26 | 2023-07-25 | 湖南国科智瞳科技有限公司 | 一种玻片样本信息的自动识别方法、装置和计算机设备 |
CN112508010A (zh) * | 2020-11-30 | 2021-03-16 | 广州金域医学检验中心有限公司 | 数字病理切片目标区域的识别方法、***、设备及介质 |
WO2022110396A1 (zh) * | 2020-11-30 | 2022-06-02 | 广州金域医学检验中心有限公司 | 数字病理切片目标区域的识别方法、***、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108664937A (zh) | 一种基于数字病理切片扫描仪的多区域扫描方法 | |
JP4646797B2 (ja) | 画像処理装置及びその制御方法、プログラム | |
JP5274495B2 (ja) | 文書画像サイズ変更方法 | |
US20020061130A1 (en) | Image processing apparatus | |
US9384519B1 (en) | Finding similar images based on extracting keys from images | |
US9245357B2 (en) | Image processing apparatus, image processing method, and storage medium | |
CN102473278B (zh) | 图像处理装置、图像处理方法和存储介质 | |
US9064314B2 (en) | Robust automatic determination and location of MacBeth color checker charts | |
CN115812221A (zh) | 图像生成及着色方法及装置 | |
CN110569774B (zh) | 基于图像处理与模式识别的折线图图像自动数字化方法 | |
CN113033558B (zh) | 一种用于自然场景的文本检测方法及装置、存储介质 | |
JP2006208339A (ja) | 領域抽出装置、顕微鏡システムおよび領域抽出プログラム | |
CN108965646B (zh) | 图像处理装置、图像处理方法 | |
WO2019181072A1 (ja) | 画像処理方法、コンピュータプログラムおよび記録媒体 | |
CN109543525B (zh) | 一种通用表格图像的表格提取方法 | |
KR20230117752A (ko) | 이미지들 내의 주석이 달린 관심 영역들의 검출 | |
CN108388898A (zh) | 基于连接体和模板的字符识别方法 | |
CN109359652A (zh) | 一种从数码照片中快速自动提取矩形扫描件的方法 | |
WO2009104325A1 (ja) | 線画処理装置、プログラム及び線画処理方法 | |
CN110996026B (zh) | 一种osd显示方法、装置、设备及存储介质 | |
JP6546385B2 (ja) | 画像処理装置及びその制御方法、プログラム | |
US8295602B2 (en) | Image processing apparatus and image processing method | |
JP2008123090A (ja) | カメラポインタ装置、ラベリング方法及びプログラム | |
US8649576B2 (en) | Arborization reconstruction | |
CN108734167B (zh) | 一种被污染的胶片文字识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181016 |