CN109993740A - 一种细胞癌图像分级方法及装置 - Google Patents
一种细胞癌图像分级方法及装置 Download PDFInfo
- Publication number
- CN109993740A CN109993740A CN201910265192.1A CN201910265192A CN109993740A CN 109993740 A CN109993740 A CN 109993740A CN 201910265192 A CN201910265192 A CN 201910265192A CN 109993740 A CN109993740 A CN 109993740A
- Authority
- CN
- China
- Prior art keywords
- cell cancer
- image
- feature
- area image
- obtains
- 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
- 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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种细胞癌图像分级装置,用于改善现有技术中的分级方法存在着对肿瘤患者的伤害较大的问题。该细胞癌图像分级方法包括:从第一身体图像中确定包含细胞癌的区域图像,获得第一区域图像,第一身体图像是通过磁共振成像设备对包含细胞癌的身体区域进行扫描获得的;对第一区域图像进行提取和筛选,获得第一特征,第一特征为能反映出细胞癌的分级的特征;将第一特征输入至预先建立的关联模型,通过关联模型获得第一区域图像所显示的细胞癌的分级。
Description
技术领域
本申请涉及生物医学工程医学影像技术领域,具体而言,涉及一种细胞癌图像分级方法及装置。
背景技术
穿刺,又称穿刺活检,是将穿刺针刺入体腔抽取分泌物做化验,向体腔注入气体或造影剂做造影检查。
目前传统的细胞癌图像分级方法是基于穿刺活检的方法,来获得肿瘤细胞或肿瘤组织的分级结果。该方法的原理通常是根据该肿瘤细胞或肿瘤组织的亚细胞组分的组织病理学特征来确定该肿瘤的组织病理学分化程度,从而确定细胞癌的分级结果,然而这种分级方法存在着对肿瘤患者的伤害较大的问题。
发明内容
本申请实施例的目的在于提供一种细胞癌图像分级方法,用于改善现有技术中的分级方法存在着对肿瘤患者的伤害较大的问题。
本申请实施例提供的一种细胞癌图像分级方法,包括:从第一身体图像中确定包含细胞癌的区域图像,获得第一区域图像,所述第一身体图像是通过磁共振成像设备对包含细胞癌的身体区域进行扫描获得的;对所述第一区域图像进行提取和筛选,获得第一特征,所述第一特征为能反映出细胞癌的分级的特征;将所述第一特征输入至预先建立的关联模型,通过所述关联模型获得所述第一区域图像所显示的细胞癌的分级。
使用上述方法可以从身体图像中确定包含细胞癌的区域图像中,获取细胞癌的分级的特征,并输入关联模型来获得细胞癌的分级。通过以包含细胞癌的图像方式确定出细胞癌的分级,从而极大地减少了对肿瘤患者的伤害,同时也避免了临床人工观察判断细胞癌的分级的个人主观性。
可选地,在本申请实施例中,所述方法还包括:获得多个第二特征和每个所述第二特征所反映的细胞癌的分级结果,所述第二特征为从确定包含分级结果的细胞癌的区域图像进行提取和筛选获得的;以所述多个第二特征为输入量,以所述第二特征所反映的细胞癌的分级结果为输出量进行训练,获得所述关联模型。使用上述的关联模型训练方法获得关联模型,通过建立区域图像的分级特征与区域图像的分级结果的关联,训练的次数越多,越能够提高关联模型获得分级结果的准确率。
可选地,在本申请实施例中,在所述获得多个第二特征和每个所述第二特征所反映的细胞癌的分级结果之前,还包括:获得多个第二区域图像,所述第二区域图像为确定包含细胞癌的区域图像;对多个所述第二区域图像进行提取和筛选,获得多个第二特征,所述第二特征用于表征所述第二区域图像所显示的细胞癌的特征。使用上述的区域图像的分级特征获得方法,通过对区域图像进行提取和筛选,可以有效地获得区域图像的最能够反映细胞癌的分级的特征,从而减少了关联模型的训练时间和训练周期。
可选地,在本申请实施例中,所述获得多个第二区域图像,包括:从多个第二身体图像中的每个第二身体图像分别确定包含细胞癌的区域图像,获得所述多个第二区域图像,所述第二身体图像是通过磁共振成像设备对包含细胞癌的身体区域进行扫描获得的。使用上述的区域图像获得方法,通过磁共振成像设备对包含细胞癌的身体区域进行扫描获得身体图像,再根据身体图像确定包含细胞癌的区域图像,极大地减少了对肿瘤患者的伤害的同时,也减少了关联模型的训练时间和训练周期。
可选地,在本申请实施例中,所述从第一身体图像中确定包含细胞癌的区域图像,获得第一区域图像,包括:将所述第一身体图像发送给交互式设备,以使所述交互式设备响应于用户的选择操作指令,确定包含所述细胞癌的选择数据;接收所述交互式设备发送的选择数据;从所述选择数据确定包含所述细胞癌的第一区域图像。使用上述的区域图像获得方法,通过交互式设备确定包含细胞癌的区域数据,从而从该区域数据中确定包含所述细胞癌的第一区域图像,极大地减少了关联模型的训练时间和训练周期。
可选地,在本申请实施例中,所述从所述选择数据确定包含所述细胞癌的第一区域图像,包括:从所述选择数据中筛选包含所述细胞癌的四个区域位置点,所述选择数据包括多个区域位置点;将所述四个区域位置点依次连接,获得第一区域图像。使用上述的区域图像获得方法,通过将多个区域位置点缩减为四个区域位置点,来确定包含所述细胞癌的第一区域图像,极大地减少了关联模型的训练时间和训练周期。
可选地,在本申请实施例中,所述对所述第一区域图像进行提取和筛选,获得第一特征,包括:对所述第一区域图像的特征进行提取,获得多个初选特征,所述初选特征为能初步反映出细胞癌的分级的特征;对所述多个初选特征根据反映出细胞癌程度进行筛选,获得所述第一特征。使用上述的第一特征获得方法,通过对获得的初选特征进行再次筛选,从而获得最能够反映出细胞癌程度的第一特征,极大地减少了关联模型的训练时间和训练周期。
本申请实施例还提供了一种细胞癌图像分级装置,包括:区域图像获得模块,用于从第一身体图像中确定包含细胞癌的区域图像,获得第一区域图像,所述第一身体图像是通过磁共振成像设备对包含细胞癌的身体区域进行扫描获得的;第一特征获得模块,用于对所述第一区域图像进行提取和筛选,获得第一特征,所述第一特征为能反映出细胞癌的分级的特征;图像分级获得模块,用于将所述第一特征输入至预先建立的关联模型,通过所述关联模型获得所述第一区域图像所显示的细胞癌的分级。
可选地,在本申请实施例中,所述细胞癌图像分级装置还包括:特征和分级获得模块,用于获得多个第二特征和每个所述第二特征所反映的细胞癌的分级结果,所述第二特征为从确定包含分级结果的细胞癌的区域图像进行提取和筛选获得的;关联模型获得模块,用于以所述多个第二特征为输入量,以所述第二特征所反映的细胞癌的分级结果为输出量进行训练,获得所述关联模型。
可选地,在本申请实施例中,所述细胞癌图像分级装置还包括:第二图像获得模块,用于获得多个第二区域图像,所述第二区域图像为确定包含细胞癌的区域图像;第二特征获得模块,用于对多个所述第二区域图像进行提取和筛选,获得多个第二特征,所述第二特征用于表征所述第二区域图像所显示的细胞癌的特征。
可选地,在本申请实施例中,所述第二图像获得模块还包括:第二图像获得子模块,用于从多个第二身体图像中的每个第二身体图像分别确定包含细胞癌的区域图像,获得所述多个第二区域图像,所述第二身体图像是通过磁共振成像设备对包含细胞癌的身体区域进行扫描获得的。
可选地,在本申请实施例中,所述区域图像获得模块还包括:身体图像发送模块,用于将所述第一身体图像发送给交互式设备,以使所述交互式设备响应于用户的选择操作指令,确定包含所述细胞癌的选择数据;选择数据接收模块,用于接收所述交互式设备发送的选择数据;区域图像确定模块,用于从所述选择数据确定包含所述细胞癌的第一区域图像。
可选地,在本申请实施例中,所述区域图像确定模块还包括:区域位置点筛选模块,用于从所述选择数据中筛选包含所述细胞癌的四个区域位置点,所述选择数据包括多个区域位置点;区域位置点连接模块,用于将所述四个区域位置点依次连接,获得第一区域图像。
可选地,在本申请实施例中,所述第一特征获得模块还包括:初选特征获得模块,用于对所述第一区域图像的特征进行提取,获得多个初选特征,所述初选特征为能初步反映出细胞癌的分级的特征;初选特征筛选模块,用于对所述多个初选特征根据反映出细胞癌程度进行筛选,获得所述第一特征。
使用上述的装置可以从身体图像中确定包含细胞癌的区域图像中,获取细胞癌的分级的特征,并输入关联模型来获得细胞癌的分级。通过以包含细胞癌的图像方式确定出细胞癌的分级,从而极大地减少了对肿瘤患者的伤害,同时也避免了临床人工观察判断细胞癌的分级的个人主观性。
本申请实施例还提供了一种电子设备,包括:处理器和存储器,所述存储器存储有所述处理器可执行的机器可读指令,所述机器可读指令被所述处理器执行时执行如上所述的方法。
本申请实施例还提供了一种存储介质,该存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上所述的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本申请实施例提供的电子设备的结构示意图;
图2示出了本申请实施例提供的细胞癌图像分级方法流程示意图;
图3示出了本申请实施例提供的关联模型的训练方法流程示意图;
图4示出了本申请实施例提供的细胞癌图像分级装置结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本申请实施例的可选实施例,而不是全部的实施例。基于本申请实施例中描述的实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请实施例保护的范围。
本申请实施例提供了细胞癌图像分级方法及装置,下面将结合附图,对本申请实施例中的细胞癌图像分级方法及装置进行详细介绍。
请参见图1,图1示出了本申请实施例提供的电子设备的结构示意图。本申请实施例提供的一种电子设备101,包括:处理器102和存储器103,存储器103存储有处理器102可执行的机器可读指令,机器可读指令被处理器102执行时执行如下的方法。
请参见图1,本申请实施例还提供了一种存储介质104,该存储介质104上存储有计算机程序,该计算机程序被处理器102运行时执行如下的方法。
其中,存储介质104可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read Only Memory,简称EPROM),可编程只读存储器(Programmable Red-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
第一实施例
请参见图2,图2示出了本申请实施例提供的细胞癌图像分级方法流程示意图。需要强调的是,使用本申请实施例中的细胞癌图像分级方法获得的分级结果不能直接用于疾病诊断,而是作为病情管理的中间结果。
本申请实施例提供了一种细胞癌图像分级方法,现对该方法中包括的词语,进行解释和说明如下:
分级,是指病理分级,也称病理学分级,是指变异细胞(不正常的细胞)和组织的“不正常程度”,或者“与正常细胞组织差异性程度”,或者变异细胞的组织病理学分化程度,是反应肿瘤生长和扩散速度的一个指标。以肝细胞癌的分级为例,肝细胞癌的分级是指识别肝细胞癌的侵袭性程度,即对肝细胞癌侵袭性识别以获得肝细胞癌的病理分级。
侵袭性,又称为病原微生物侵袭性(microorganismsinvasiveness),也可以称为异质性,表明恶性肿瘤从原发瘤或继发瘤向邻近的宿主组织侵犯或占领的能力,即侵袭的程度。这种侵袭的程度反映了病原体对寄主防御机制的相对不敏感性。
细胞癌,是指鳞状细胞癌恶性程度较基底细胞癌大、生长快、破坏范围广,可以破坏眼睑、眼球、眼眶、鼻窦及面部等现象。
肝细胞癌(hepatocellular carcinoma,HCC),又称为肝细胞肝癌,或者称肝细胞性肝癌,是一种高死亡率的原发性肝癌,癌细胞排列形成实性团块状,周围富有扩张的血窦。癌细胞境界不清,大小较一致,浆宽。核单个,类圆形,异形性不明显。
肝细胞癌侵袭性识别,目标就是判别恶性肿瘤(原发性肝细胞癌)向周围宿主组织侵犯或占领的能力程度。一般侵袭程度越高,病人术后的预后越差,生存期越短;相反,侵袭程度越低,病人术后预后较好,生存期较长。
需要说明的是,本申请实施例中的细胞癌图像分级方法,可以被上述包括处理器和存储器的电子设备执行,也可以作为计算机程序被上述的存储介质进行存储,该计算机程序被处理器运行时执行,其中,电子设备可以包括:个人电脑、移动终端和云服务处理终端。
本申请实施例提供的一种细胞癌图像分级方法,该细胞癌图像分级方法具体包括如下步骤:
步骤S110:从第一身体图像中确定包含细胞癌的区域图像,获得第一区域图像。
其中,第一身体图像是指通过磁共振成像设备对包含细胞癌的身体区域进行扫描获得的图像。磁共振(Magnetic Resonance,MR),在本申请实施例中,是指自旋磁共振(spinmagnetic resonance),主要用于检测样品中单电子、自由基及自由基对。可检测的样品状态为液体、固体、粉末、薄膜以及动物内脏组织。
磁共振成像(Magnetic Resonance Imaging,MRI),是指利用核磁共振现象制成的一类用于医学检查的成像设备。磁共振影像是指利用这种磁共振成像设备获得的影像制品。
第一区域图像是指获得第一身体图像后,从该第一身体图像提取出包含细胞癌的部分获得的图像。在本申请实施例中的细胞癌可以是肝细胞癌,也可以是其它类型的细胞癌,例如:肺泡细胞癌和肺小细胞癌等。
需要说明的是,为了更加方便地说明,在本申请实施例中以肝细胞癌为例子,在本申请实施例中不对细胞癌特别说明的情况下,细胞癌默认是指肝细胞癌。
可选地,在步骤S110的一种实施方式中,可以包括如下步骤:
步骤S111:将第一身体图像发送给交互式设备,以使交互式设备响应于用户的选择操作指令,确定包含细胞癌的选择数据。
交互式设备,是指带有图形输入设备和输出设备的电子装置,例如:带有触控屏和触控笔的设备,触控笔能够在触控屏上进行点或画操作,或者是带有鼠标和显示屏设备,又或者是带有触控屏和能够在触控屏上使用手指点或画的设备。
选择操作指令,是指用户对第一身体图像进行选择操作,例如:点击或者画圈操作,具体地例如:在第一身体图像中的细胞癌图像周围点击了10个点,或者是在第一身体图像中将包含细胞癌的图像画个圈。
选择数据,是指通过响应于用户的选择操作指令获得的数据,以上面的例子说明,是指这10个点的坐标位置数据,或者是画个圈的轨迹数据,又或者是画个圈的圈内部的区域。
将第一身体图像发送给交互式设备,该交互式设备通过用户的选择操作指令,可以获得选择数据。具体地例如:交互式设备接收第一身体图像,并向医生用户展示第一身体图像,医生在第一身体图像上包含细胞癌的周围点击了10个点,交互式设备将这10个点的数据发送给电子设备。
步骤S112:接收交互式设备发送的选择数据。
其中,接收交互式设备发送的选择数据,以上面的例子说明,接收交互式设备发送的10个点的数据,可以对这10个点的数据进行处理,获得确定包含细胞癌的第一区域图像。
步骤S113:从选择数据确定包含细胞癌的第一区域图像。
其中,在本申请实施例中,步骤S113其中的一种实施方式如下:
从选择数据中筛选包含细胞癌的四个区域位置点,选择数据包括多个区域位置点。
多个区域位置点,是指交互式设备通过用户的选择操作指令,可以获得包括多个区域位置点的选择数据,以上面的例子说明,包括10个点的数据,那么这10个点就是多个区域位置点。
从选择数据中筛选包含细胞癌的四个区域位置点,以上面的例子说明,从交互式设备发送的10个点的选择数据中筛选4个点(即区域位置点),当然这4个点的选择可以是10个点中任意的4个点,也可以是通过预设算法来选择4个点,预设算法例如:建立坐标系,将10个(区域位置)点的显示在坐标系上,选择横坐标最大的点和最小的点,以及纵坐标最大的点和最小的点,共4个(区域位置)点作为选择数据。
将四个区域位置点依次连接,获得第一区域图像。
其中,四个区域位置点依次连接,可以是从四个区域位置点中的任意一个区域位置点开始连接。当然,可以按照顺时针方向进行连接,也可以按照逆时针方向进行连接,在四个区域位置点连接后,形成一个四边形区域,将该四边形区域作为第一区域图像。
在本申请实施例中,在步骤S110的另一种实施方式中,可以包括如下步骤:
步骤S101:交互式设备读取第一身体图像,并显示在该交互式设备上。
其中,交互式设备先从执行该方法的电子设备中获取第一身体图像,然后再读取和显示第一身体图像,以便于医生点击或者勾画细胞癌的边缘轮廓。
步骤S102:交互式设备响应于医生的输入操作,设置最大输入控制点数量。
其中,最大输入控制点是指确定第一区域图像的所需要的点,例如:第一区域图像周围可以是3个控制点,也可以是4个控制点,默认为10个控制点。当然,可以理解地是,控制点的数量越多,那么确定第一区域图像的范围就更加精确。
步骤S103:交互式设备响应于医生的勾画操作,根据勾画操作的痕迹计算预设数量的控制点。
其中,医生在交互式设备上进行勾画操作,交互式设备根据勾画操作获得勾画操作的痕迹,这里的痕迹是指勾画操作的鼠标、触控笔或手指的移动轨迹。
这里的预设数量是小于或等于上述的最大输入控制点数量的,这里的预设数量可以是4,也可以是5,也可以是10。因此,这里的预设数量的具体数值不应理解为对本申请实施例的限制。
根据勾画操作的痕迹计算预设数量的控制点,可以是根据鼠标、触控笔或手指的移动轨迹的斜率变化点来计算,也可以根据勾画时的速度来计算,也可以根据该移动轨迹与第一身体图像的关联关系来计算,例如:该移动轨迹与第一身体图像的某条线重合或者交叉等。
步骤S104:对计算获得的预设数量的控制点进行连接,并形成封闭曲线区域,将该封闭曲线区域里的图像作为第一区域图像。
其中,对计算获得的预设数量的控制点进行连接,可以按照顺时针方向进行连接,也可以按照逆时针方向进行连接,以形成封闭曲线区域。这里的形成封闭曲线区域是指医生勾画的包括细胞癌的区域,将医生勾画的包括细胞癌的区域图像作为第一区域图像。
步骤S120:对第一区域图像进行提取和筛选,获得第一特征。
其中,第一特征是指最能反映出细胞癌的分级的特征,即最佳描述特征。在一种具体实施方式中,可以对第一区域图像的图像特征进行提取,获得多个初选特征,再从多个初选特征筛选出最佳描述特征。
可选地,在本申请实施例中,步骤S120可以包括如下步骤:
步骤S121:对第一区域图像的特征进行提取,获得多个初选特征,初选特征为能初步反映出细胞癌的分级的特征。
其中,这里的多个初选特征包括多个类别的特征,这些多个类别的特征例如:直方图特征(Histogram Feature,HF)、灰度共生矩阵特征(Gray-Level Co-OccurrenceMatrix,GLCM)、灰度游程矩阵特征(Gray-Level Run-Length Matrix,GLRLM)。
直方图特征,又称质量分布图,是指一种统计报告图,由一系列高度不等的纵向条纹或线段表示数据分布的情况。直方图特征包括:均值、方差、偏度、斜度和能量。
灰度共生矩阵特征,指的是一种通过研究灰度的空间相关特性来描述纹理的常用方法。灰度共生矩阵特征包括:对比度、相关性、异质性、熵和最大概率。
灰度游程矩阵特征,是指灰度值游程的长度所组成的矩阵。灰度游程矩阵特征包括:灰度不一致、游程不一致、游程比例、短游程、长游程、短游程低灰度、短游程高灰度、长游程低灰度和长游程高灰度。
对第一区域图像的特征进行提取,该步骤具体的实施方式可以是,对包含有肝细胞癌肿瘤的图形区域检测图像的局部特征(比如边缘、角点、轮廓等),然后根据匹配目标的需要进行特征的组合、变换,以形成易于匹配、稳定性好的特征向量。
在具体的实施过程中,可以使用支持向量机(Support Vector Machines,SVM)中的方向梯度直方图的(Histogram of Oriented Gradient,HOG)功能来获取图像特征,例如:获取第一区域图像的直方图特征。
步骤S122:对多个初选特征根据反映出细胞癌程度进行筛选,获得第一特征。
在具体的实施过程中,对多个初选特征根据反映出细胞癌程度进行筛选,可以采用支持向量迭代特征删除算法(SupportVectorMachine-RecursiveFeatureElimination,SVM-RFE),通过递归训练线性SVM并移除具有最小排名分数的特征,来对多个初选特征进行选择。SVM-RFE在迭代删除特征过程中,会删除那些权重偏低的特征,这里的权重代表特征的重要性,特征权重越大说明特征蕴含的信息越重要。
使用上面的第一特征获得方法,通过对获得的初选特征进行再次筛选,从而获得最能够反映出细胞癌程度的第一特征,极大地减少了关联模型的训练时间和训练周期。
步骤S130:将第一特征输入至预先建立的关联模型,通过关联模型获得第一区域图像所显示的细胞癌的分级。
其中,这里的关联模型是指通过使用区域图像所显示的细胞癌的特征和该区域图像对应的细胞癌的分级结果作为训练样本,进行训练后获得的关联模型,且训练后的关联模型是更新了模型的权重(weights)和偏执(bias)的。预先建立的关联模型是指区域图像所显示的细胞癌的特征和该区域图像对应的细胞癌的分级结果已经建立了关联关系的模型。因此,将第一特征输入至预先建立的关联模型,便能够获得第一区域图像所显示的细胞癌的分级。
使用上面的方法步骤,可以从身体图像中确定包含细胞癌的区域图像中,获取细胞癌的分级的特征,并输入关联模型来获得细胞癌的分级。通过以包含细胞癌的图像方式确定出细胞癌的分级,从而极大地减少了对肿瘤患者的伤害,同时也避免了临床人工观察判断细胞癌的分级的个人主观性。
请参见图3,图3示出了本申请实施例提供的关联模型的训练方法流程示意图。可选地,在本申请实施例中,方法还包括关联模型的训练方法,该关联模型的训练方法的具体步骤如下:
步骤S210:获得多个第二区域图像,第二区域图像为确定包含细胞癌的区域图像。
其中,第二区域图像为确定包含细胞癌的区域图像,这里的多个第二区域图像可以组成关联模型的原始训练图像数据。获得多个第二区域图像的具体方式,可以是从其它设备直接接收该第二区域图像,也可以是从多个第二身体图像中的每个第二身体图像分别确定包含细胞癌的区域图像。这里的第二身体图像可以是通过磁共振成像设备对包含细胞癌的身体区域进行扫描获得的,也可以是从其它设备直接接收第二身体图像获得的。
步骤S220:对多个第二区域图像进行提取和筛选,获得多个第二特征。
其中,获得多个第二特征是指从上述的原始训练图像数据获得训练特征数据,训练特征数据是用于训练上述关联模型的。这里的第二特征用于表征第二区域图像所显示的细胞癌的特征。这里对多个第二区域图像进行提取和筛选,可以采用上述的步骤S120的方法,在此不再赘述。
步骤S230:获得多个第二特征和每个第二特征所反映的细胞癌的分级结果。
其中,第二特征为从确定包含分级结果的细胞癌的区域图像进行提取和筛选获得的。第二特征所反映的细胞癌的分级结果可以是通过医生对相应的第二区域图像进行标注获得,也可以通过将第二特征输入至已经训练的关联模型获得。因此,第二特征所反映的细胞癌的分级结果的具体获得方式不应理解为对本申请实施例的限制。
步骤S240:以多个第二特征为输入量,以第二特征所反映的细胞癌的分级结果为输出量进行训练,获得关联模型。
在具体的实施过程中,可以采用SVM来进行训练,以多个第二特征为输入量,以第二特征所反映的细胞癌的分级结果为输出量进行训练,从而获得关联模型。当然,也可以使用其它的模型进行训练获得,例如:通过逻辑回归模型或者线性回归模型进行训练,获得关联模型。
使用上面的关联模型训练方法来获得关联模型,通过建立区域图像的分级特征与区域图像的分级结果的关联,训练的次数越多,越能够提高关联模型获得分级结果的准确率。
第二实施例
请参见图4,图4示出了本申请实施例提供的细胞癌图像分级装置结构示意图。本申请实施例还提供了一种细胞癌图像分级装置100,包括:
区域图像获得模块110,用于从第一身体图像中确定包含细胞癌的区域图像,获得第一区域图像,第一身体图像是通过磁共振成像设备对包含细胞癌的身体区域进行扫描获得的。
第一特征获得模块120,用于对第一区域图像进行提取和筛选,获得第一特征,第一特征为能反映出细胞癌的分级的特征。
图像分级获得模块130,用于将第一特征输入至预先建立的关联模型,通过关联模型获得第一区域图像所显示的细胞癌的分级。
可选地,在本申请实施例中,该细胞癌图像分级装置还可以包括:
特征和分级获得模块,用于获得多个第二特征和每个第二特征所反映的细胞癌的分级结果,第二特征为从确定包含分级结果的细胞癌的区域图像进行提取和筛选获得的。
关联模型获得模块,用于以多个第二特征为输入量,以第二特征所反映的细胞癌的分级结果为输出量进行训练,获得关联模型。
可选地,在本申请实施例中,该细胞癌图像分级装置,还可以包括:
第二图像获得模块,用于获得多个第二区域图像,第二区域图像为确定包含细胞癌的区域图像。
第二特征获得模块,用于对多个第二区域图像进行提取和筛选,获得多个第二特征,第二特征用于表征第二区域图像所显示的细胞癌的特征。
可选地,在本申请实施例中,该第二图像获得模块还可以包括:
第二图像获得子模块,用于从多个第二身体图像中的每个第二身体图像分别确定包含细胞癌的区域图像,获得多个第二区域图像,第二身体图像是通过磁共振成像设备对包含细胞癌的身体区域进行扫描获得的。
可选地,在本申请实施例中,该区域图像获得模块还可以包括:
身体图像发送模块,用于将第一身体图像发送给交互式设备,以使交互式设备响应于用户的选择操作指令,确定包含细胞癌的选择数据。
选择数据接收模块,用于接收交互式设备发送的选择数据。
区域图像确定模块,用于从选择数据确定包含细胞癌的第一区域图像。
可选地,在本申请实施例中,该区域图像确定模块还可以包括:
区域位置点筛选模块,用于从选择数据中筛选包含细胞癌的四个区域位置点,选择数据包括多个区域位置点。
区域位置点连接模块,用于将四个区域位置点依次连接,获得第一区域图像。
可选地,在本申请实施例中,该第一特征获得模块还可以包括:
初选特征获得模块,用于对第一区域图像的特征进行提取,获得多个初选特征,初选特征为能初步反映出细胞癌的分级的特征。
初选特征筛选模块,用于对多个初选特征根据反映出细胞癌程度进行筛选,获得第一特征。
使用上面的装置可以从身体图像中确定包含细胞癌的区域图像中,获取细胞癌的分级的特征,并输入关联模型来获得细胞癌的分级。通过以包含细胞癌的图像方式确定出细胞癌的分级,从而极大地减少了对肿瘤患者的伤害,同时也避免了临床人工观察判断细胞癌的分级的个人主观性。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的方法的具体工作过程,可以参考前述第一实施例中的对应过程,在此不再赘述。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
以上仅为本申请实施例的优选实施例而已,对于本领域的技术人员来说,本申请实施例可以有各种更改和变化。凡在本申请实施例的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请实施例的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上仅为本申请实施例的具体实施方式,但本申请实施例的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请实施例揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请实施例的保护范围之内。
Claims (10)
1.一种细胞癌图像分级装置,其特征在于,包括:
区域图像获得模块,用于从第一身体图像中确定包含细胞癌的区域图像,获得第一区域图像,所述第一身体图像是通过磁共振成像设备对包含细胞癌的身体区域进行扫描获得的;
第一特征获得模块,用于对所述第一区域图像进行提取和筛选,获得第一特征,所述第一特征为能反映出细胞癌的分级的特征;
图像分级获得模块,用于将所述第一特征输入至预先建立的关联模型,通过所述关联模型获得所述第一区域图像所显示的细胞癌的分级。
2.根据权利要求1所述的装置,其特征在于,所述装置还包括:
特征和分级获得模块,用于获得多个第二特征和每个第二特征所反映的细胞癌的分级结果,第二特征为从确定包含分级结果的细胞癌的区域图像进行提取和筛选获得的;
关联模型获得模块,用于以多个第二特征为输入量,以第二特征所反映的细胞癌的分级结果为输出量进行训练,获得关联模型。
3.根据权利要求2所述的装置,其特征在于,所述装置还包括:
第二图像获得模块,用于获得多个第二区域图像,第二区域图像为确定包含细胞癌的区域图像;
第二特征获得模块,用于对多个第二区域图像进行提取和筛选,获得多个第二特征,第二特征用于表征第二区域图像所显示的细胞癌的特征。
4.根据权利要求3所述的装置,其特征在于,所述第二图像获得模块还包括:
第二图像获得子模块,用于从多个第二身体图像中的每个第二身体图像分别确定包含细胞癌的区域图像,获得多个第二区域图像,第二身体图像是通过磁共振成像设备对包含细胞癌的身体区域进行扫描获得的。
5.根据权利要求1所述的装置,其特征在于,所述区域图像获得模块还包括:
身体图像发送模块,用于将第一身体图像发送给交互式设备,以使交互式设备响应于用户的选择操作指令,确定包含细胞癌的选择数据;
选择数据接收模块,用于接收交互式设备发送的选择数据;
区域图像确定模块,用于从选择数据确定包含细胞癌的第一区域图像。
6.根据权利要求5所述的装置,其特征在于,所述区域图像确定模块还包括:
区域位置点筛选模块,用于从选择数据中筛选包含细胞癌的四个区域位置点,选择数据包括多个区域位置点;
区域位置点连接模块,用于将四个区域位置点依次连接,获得第一区域图像。
7.根据权利要求1所述的装置,其特征在于,所述第一特征获得模块还包括:
初选特征获得模块,用于对第一区域图像的特征进行提取,获得多个初选特征,初选特征为能初步反映出细胞癌的分级的特征;
初选特征筛选模块,用于对多个初选特征根据反映出细胞癌程度进行筛选,获得第一特征。
8.一种细胞癌图像分级方法,其特征在于,包括:
从第一身体图像中确定包含细胞癌的区域图像,获得第一区域图像,所述第一身体图像是通过磁共振成像设备对包含细胞癌的身体区域进行扫描获得的;
对所述第一区域图像进行提取和筛选,获得第一特征,所述第一特征为能反映出细胞癌的分级的特征;
将所述第一特征输入至预先建立的关联模型,通过所述关联模型获得所述第一区域图像所显示的细胞癌的分级。
9.一种电子设备,其特征在于,包括:处理器和存储器,所述存储器存储有所述处理器可执行的机器可读指令,所述机器可读指令被所述处理器执行时执行如权利要求8所述的方法。
10.一种存储介质,其特征在于,该存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求8所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910265192.1A CN109993740A (zh) | 2019-04-02 | 2019-04-02 | 一种细胞癌图像分级方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910265192.1A CN109993740A (zh) | 2019-04-02 | 2019-04-02 | 一种细胞癌图像分级方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109993740A true CN109993740A (zh) | 2019-07-09 |
Family
ID=67132384
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910265192.1A Pending CN109993740A (zh) | 2019-04-02 | 2019-04-02 | 一种细胞癌图像分级方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109993740A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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*** |
CN107103187A (zh) * | 2017-04-10 | 2017-08-29 | 四川省肿瘤医院 | 基于深度学习的肺结节检测分级与管理的方法及*** |
CN107330263A (zh) * | 2017-06-26 | 2017-11-07 | 成都知识视觉科技有限公司 | 一种计算机辅助乳腺浸润性导管癌组织学分级的方法 |
CN108710890A (zh) * | 2018-03-30 | 2018-10-26 | 中国科学院深圳先进技术研究院 | 脑胶质瘤术前分级方法、装置、设备及存储介质 |
CN108898160A (zh) * | 2018-06-01 | 2018-11-27 | 中国人民解放军战略支援部队信息工程大学 | 基于cnn和影像组学特征融合的乳腺癌组织病理学分级方法 |
CN109410196A (zh) * | 2018-10-24 | 2019-03-01 | 东北大学 | 基于泊松环形条件随机场的***组织病理图像诊断方法 |
-
2019
- 2019-04-02 CN CN201910265192.1A patent/CN109993740A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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*** |
CN107103187A (zh) * | 2017-04-10 | 2017-08-29 | 四川省肿瘤医院 | 基于深度学习的肺结节检测分级与管理的方法及*** |
CN107330263A (zh) * | 2017-06-26 | 2017-11-07 | 成都知识视觉科技有限公司 | 一种计算机辅助乳腺浸润性导管癌组织学分级的方法 |
CN108710890A (zh) * | 2018-03-30 | 2018-10-26 | 中国科学院深圳先进技术研究院 | 脑胶质瘤术前分级方法、装置、设备及存储介质 |
CN108898160A (zh) * | 2018-06-01 | 2018-11-27 | 中国人民解放军战略支援部队信息工程大学 | 基于cnn和影像组学特征融合的乳腺癌组织病理学分级方法 |
CN109410196A (zh) * | 2018-10-24 | 2019-03-01 | 东北大学 | 基于泊松环形条件随机场的***组织病理图像诊断方法 |
Non-Patent Citations (1)
Title |
---|
王健: "《面向样本不平衡的故障特征提取方法》", 29 February 2016, 《东北大学出版社》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fuhrman et al. | A review of explainable and interpretable AI with applications in COVID‐19 imaging | |
US9183350B2 (en) | Quantitatively characterizing disease morphology with cell orientation entropy | |
US8340381B2 (en) | Hybrid segmentation of anatomical structure | |
US7599542B2 (en) | System and method for detection and display of diseases and abnormalities using confidence imaging | |
US11631171B2 (en) | Automated detection and annotation of prostate cancer on histopathology slides | |
CN110110709A (zh) | 一种基于图像处理的红白细胞分类计数方法、***和设备 | |
Arefan et al. | Machine learning prediction of axillary lymph node metastasis in breast cancer: 2D versus 3D radiomic features | |
CN111091127A (zh) | 一种图像检测方法、网络模型训练方法以及相关装置 | |
Singanamalli et al. | Identifying in vivo DCE MRI markers associated with microvessel architecture and gleason grades of prostate cancer | |
JP2007181679A (ja) | 空間解析に対する先行処理として時間解析を利用するコンピュータ支援式検出システム | |
Harowicz et al. | Can algorithmically assessed MRI features predict which patients with a preoperative diagnosis of ductal carcinoma in situ are upstaged to invasive breast cancer? | |
Liney et al. | Breast lesion analysis of shape technique: semiautomated vs. manual morphological description | |
CN111598871A (zh) | 多特征融合辅助检测肺部磨玻璃影结节***及介质 | |
Zong et al. | A deep dive into understanding tumor foci classification using multiparametric MRI based on convolutional neural network | |
CN116542937A (zh) | 一种基于临床医学、深度学习神经网络和影像组学判别肺部肿瘤浸润性的方法 | |
US20150199587A1 (en) | Image processing device, image processing method, and image processing program | |
JPH10197522A (ja) | 病理組織診断支援装置 | |
Zhang et al. | Development and validation of a radiomics model based on lymph-node regression grading after neoadjuvant chemoradiotherapy in locally advanced rectal cancer | |
Atiyah et al. | Brain MRI Images Segmentation Based on U-Net Architecture | |
Giannini et al. | Specificity improvement of a CAD system for multiparametric MR prostate cancer using texture features and artificial neural networks | |
CN1983332A (zh) | 用于计算机辅助诊断的改进的结节分割 | |
CN109993740A (zh) | 一种细胞癌图像分级方法及装置 | |
CN117115437A (zh) | 一种基于区域的多指标多器官医学图像分割模型评估*** | |
CN114648509B (zh) | 一种基于多分类任务的甲状腺癌检出*** | |
CN109816660A (zh) | 一种图像分割方法、终端设备及存储介质 |
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: 20190709 |