CN110503114A - 图像特征提取方法、装置、肿瘤识别***及存储介质 - Google Patents

图像特征提取方法、装置、肿瘤识别***及存储介质 Download PDF

Info

Publication number
CN110503114A
CN110503114A CN201910809321.9A CN201910809321A CN110503114A CN 110503114 A CN110503114 A CN 110503114A CN 201910809321 A CN201910809321 A CN 201910809321A CN 110503114 A CN110503114 A CN 110503114A
Authority
CN
China
Prior art keywords
mask
gray scale
pixel
image
pathological 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.)
Granted
Application number
CN201910809321.9A
Other languages
English (en)
Other versions
CN110503114B (zh
Inventor
李志成
梁栋
赵源深
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 CN201910809321.9A priority Critical patent/CN110503114B/zh
Publication of CN110503114A publication Critical patent/CN110503114A/zh
Application granted granted Critical
Publication of CN110503114B publication Critical patent/CN110503114B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Pathology (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明实施例公开了一种图像特征提取方法、装置、肿瘤识别***及存储介质，该方法包括：获取病理切片的灰度病理图像；控制至少两个不同尺度的掩模在所述灰度病理图像上逐像素移动，并计算每次移动结果所对应的特征值，以及将每个掩模对应的所有特征值拼接在一起形成用于表示所述灰度病理图像结构化特征的特征向量，其中，所述掩模包括互为相反数的白色区域和黑色区域，且所述黑色区域为至少包含所述掩模一角的矩形区域。解决了现有技术的图像特征提取方法存在无法提取到易于肿瘤识别的图像特征的问题。

Description

图像特征提取方法、装置、肿瘤识别***及存储介质
技术领域
本发明实施例涉及医学图像处理领域，尤其涉及一种图像特征提取方法、装置、肿瘤识别***及存储介质。
背景技术
癌症是我国人民健康的重要杀手之一，据国家癌症中心、***疾病预防控制局发布的《2015年中国肿瘤登记年报》的统计数据，我国每年新发现肿瘤病例约为312万，平均每分钟就有6人被诊断为癌症，且有5人死于癌症。从近20年的等级数据来看，我国癌症的发病率和死亡率还呈现明显上升的趋势。为了有效应对癌症的高发，全球范围内普遍采取早期癌症筛查的办法来进行癌症的预防。数字病理切片图像分析方法作为早期癌症筛查的重要手段，也得到了国内外广泛的关注。
在利用数字病理切片图像对癌症患者进行诊断时，目前普遍采用基于机器学习的方法自动识别肿瘤，但肿瘤识别的准确率较低，究其原因是，现有技术的图像特征提取方法无法提取到易于肿瘤识别的图像特征。
发明内容
本发明实施例提供了一种图像特征提取方法、装置、肿瘤识别***及存储介质，解决了现有技术的图像特征提取方法无法提取到易于肿瘤识别的图像特征。
第一方面，本发明实施例提供了一种图像特征提取方法，包括：
获取病理切片的灰度病理图像；
控制至少两个不同尺度的掩模在所述灰度病理图像上逐像素移动，并计算每次移动结果所对应的特征值，以及将每个掩模对应的所有特征值拼接在一起形成用于表示所述灰度病理图像结构化特征的特征向量；
其中，所述掩模包括互为相反数的白色区域和黑色区域，且所述黑色区域为至少包含所述掩模一角的矩形区域。
进一步的，获取病理切片的灰度病理图像包括：
将同一病理切片的至少两张不同分辨率的彩色病理图像转换为同一分辨率的灰度病理图像。
进一步的，所述黑色区域为正方形，且所包含的行列数为所述掩模的行列数的1/4。
进一步的，所述掩模的数量为三个，分别为2×2、4×4和8×8。
进一步的，所述控制至少两个不同尺度的掩模在所述灰度病理图像上逐像素移动包括：
控制至少两个不同尺度的掩模在所述灰度病理图像对应的积分图上逐像素移动；
其中，所述积分图的每个像素点为所述灰度病理图像的左上角像素点与每个目标像素点所围成的矩形区域内的所有像素点的灰度值之和，具体为：
其中，i(x',y')为坐标为(x',y')的像素点的灰度值，(x，y)为目标像素点的坐标。
进一步的，每次移动结果所对应的特征值为：
fi＝sum(M×Grayi)
其中，fi为当前掩膜在积分图上的第i次移动对应的特征值，M为掩膜的系数矩阵，Grayi为当前掩膜在所述积分图上的覆盖区域的灰度值矩阵。
第二方面，本发明实施例还提供了一种图像特征提取装置，包括：
获取模块，用于获取病理切片的灰度病理图像；
特征向量模块，用于控制至少两个不同尺度的掩模在所述灰度病理图像上逐像素移动，并计算每次移动结果所对应的特征值，以及将每个掩模对应的所有特征值拼接在一起形成用于表示所述灰度病理图像结构化特征的特征向量，其中，所述掩模包括互为相反数的白色区域和黑色区域，且所述黑色区域为至少包含所述掩模一角的矩形区域。
第三方面，本发明实施例还提供了一种肿瘤识别***，该***包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器执行以下步骤：
获取病理切片的灰度病理图像；
控制至少两个不同尺度的掩模在所述灰度病理图像上逐像素移动，并计算每次移动结果所对应的特征值，以及将每个掩模对应的所有特征值拼接在一起形成用于表示所述灰度病理图像结构化特征的特征向量；其中，所述掩模包括互为相反数的白色区域和黑色区域，且所述黑色区域为至少包含所述掩模一角的矩形区域；
根据所述特征向量确定肿瘤识别结果。
进一步的，还包括显微镜和输出装置；
所述显微镜用于基于预设放大倍数和预设分辨率采集病理切片的彩色病理图像；
所述处理器还用于将所述肿瘤识别结果输出至所述输出装置以供用户查看。
第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器运行时执行第一方面所述的图像特征提取方法，或者执行肿瘤识别步骤，其中，肿瘤识别步骤包括：
获取病理切片的灰度病理图像；
控制至少两个不同尺度的掩模在所述灰度病理图像上逐像素移动，并计算每次移动结果所对应的特征值，以及将每个掩模对应的所有特征值拼接在一起形成用于表示所述灰度病理图像结构化特征的特征向量；其中，所述掩模包括互为相反数的白色区域和黑色区域，且所述黑色区域为至少包含所述掩模一角的矩形区域；
根据所述特征向量确定肿瘤识别结果。
本发明实施例提供的图像特征提取方法的技术方案，包括：获取病理切片的灰度病理图像；控制至少两个不同尺度的掩模在灰度病理图像上逐像素移动，并计算每次移动结果所对应的特征值，以及将每个掩模对应的所有特征值拼接在一起形成用于表示所述灰度病理图像结构化特征的特征向量，其中，掩模包括互为相反数的白色区域和黑色区域，且黑色区域为至少包含掩模一角的矩形区域。通过获取每个掩模与灰度病理图像重合部分的特征值，实现以掩模为单位提取灰度病理图像的结构化特征，并使该结构化特征包含灰度病理图像的区域性差异信息，从而有助于提高肿瘤识别模型的肿瘤识别准确率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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。
图1是本发明实施例一提供的图像特征提取方法的流程图；
图2A是本发明实施例一提供的掩模示意图；
图2B是本发明实施例一提供的掩模在灰度病理图像上的示意图；
图3是本发明实施例一提供的基于积分图的查表法示意图；
图4是本发明实施例二提供的图像特征提取装置的结构框图；
图5是本发明实施例三提供的肿瘤识别***的结构框图；
图6是本发明实施例三提供的又一肿瘤识别***的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，以下将参照本发明实施例中的附图，通过实施方式清楚、完整地描述本发明的技术方案，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，都属于本发明保护的范围。
实施例一
图1是本发明实施例一提供的图像特征提取方法的流程图。本实施例的技术方案适用于根据病理图像自动进行肿瘤识别的情况。该方法可以由本发明实施例提供的图像特征提取装置来执行，该装置可以采用软件和/或硬件的方式实现，并配置在处理器中应用。该方法具体包括如下步骤：
S101、获取病理切片的灰度病理图像。
其中，医用显微镜采集的生理切片的图像通常为彩色病理图像。如果采集的各个彩色病理图像的分辨率相同，则将所采集的彩色病理图像直接转换为灰度病理图像。如果所采集的彩色病理图像的分辨率不同，则将所采集的彩色病理图像转换成相同分辨率的灰度病理图像。可以理解的是，在将不同分辨率的生理切片图像转换成相同分辨率的灰度病理图像时，可以先将不同分辨率的彩色病理图像转换成相同分辨率的彩色病理图像，然后将统一分辨率之后的彩色病理图像转化成灰度病理图像；也可以先将不同分辨率的彩色病理图像分别转换生灰度病理图像，然后再将生成的灰度病理图像的分辨率统一至相同分辨率。
S102、控制至少两个不同尺度的掩模在灰度病理图像上逐像素移动，并计算每次移动结果所对应的特征值，以及将每个掩模对应的所有特征值拼接在一起形成用于表示所述灰度病理图像结构化特征的特征向量，其中，掩模包括互为相反数的白色区域和黑色区域，且黑色区域为至少包含掩模一角的矩形区域。
灰度病理图像得到之后，控制至少两个不同尺度的掩模在灰度病理图像上逐像素移动，并在每次移动结束时，计算该掩模在灰度病理图像上的覆盖区域的像素灰度值之和，以作为当前移动的特征值，将每个掩模对应的所有特征值作为该掩模所对应的用于表示所述灰度病理图像结构化特征的特征向量，将每个掩模所对应的特征向量拼接在一起形成用于表示该灰度病理图像的结构化特征的特征向量。可以理解的是，所有掩模所对应的特征向量所携带的信息特征与所有掩模的特征向量拼接在一起所构成的特征向量所携带的信息特征相同。
其中，掩模在灰度病理图像上的移动方式可选为，使掩模左上角元素与灰度病理图像的左上角像素重合，然后控制掩模在灰度病理图像上逐像素右移，直至掩模右上角元素与灰度病理图像的右上角元素重合，然后控制掩模的左上角元素移动至灰度病理图像的第二行第一个像素的位置上，然后再控制掩模逐像素右移，直至掩模右上角元素与灰度病理图像的第二行最后一个元素重合，如此控制掩模S形运动，直至掩模右下角元素与灰度病理图像右下角像素重合。需要说明的是，本实施例对掩模的运动方式作具体的限定，只要使掩模遍历灰度病理图像的所有像素即可。
其中，本实施例的掩模数量优选大于或等于三个，每个掩模包括互为相反数的黑色区域和白色区域，且黑色区域小于或等于白色区域，并且至少包含掩模一角的矩形区域，比如黑色区域为掩模的1/2、1/4、1/8等。优选地，黑色区域为掩模的1/4，其各元素均为-1，白色区域为剩余的3/4，其各元素均为1，参见图2A和图2B所示。为了提高特征向量的提取速度，本实施例优选采用2×2、4×4和8×8大小的掩模，且各个掩模的黑色区域均为掩模右上角1/4的区域。
其中，掩模在灰度病理图像上的每次移动结果的特征值为：fi＝sum(M×Grayi)，其中，fi为当前掩膜在灰度病理图像上的第i次移动对应的特征值，M为掩膜的系数矩阵，Grayi为当前掩膜在灰度病理图像上的覆盖区域的灰度值矩阵。
优选地，为了提高特征向量的计算速度，本实施例优选先求取灰度病理图像的积分图，然后控制至少两个不同尺度的掩模在积分图上逐像素移动，并计算每次移动所对应的特征值，以及将每个掩模所对应的所有特征值作为该掩模的特征向量。其中，积分图的每个像素点为灰度病理图像的左上角像素点与每个目标像素点所围成的矩形区域内的所有像素点的灰度值之和，具体为：
其中，i(x',y')为坐标为(x',y')的像素点的灰度值，(x，y)为目标像素点的坐标。
积分图确定之后，位于积分图的任何位置的任何矩形掩模，都可以通过查表的方法和有限次简单运算得到其特征值，大大减少了求取各掩模对应特征值的运算量。如图3所示：
点1的积分为S1＝Sum(Ra)；
点2的积分为S2＝Sum(Ra)+Sum(Rb)；
点3的积分为S3＝Sum(Ra)+Sum(Rc)；
点4的积分为S4＝Sum(Ra)+Sum(Rb)-Sum(Rc)-Sum(Rd)；
那么区域Rd内所有点的像素值之和(积分)可以表示为：
Sum(Rd)＝S1+S4-S2-S3
因此，无论矩形Rd的尺寸为多少，最多查找积分图4次就可以求得Rd的像素灰度值之和(积分)，运算速度较快，从而大大提高了特征向量的提取速度。
本发明实施例提供的图像特征提取方法的技术方案，包括：获取病理切片的灰度病理图像；控制至少两个不同尺度的掩模在灰度病理图像上逐像素移动，并计算每次移动结果所对应的特征值，以及将每个掩模对应的所有特征值拼接在一起形成用于表示所述灰度病理图像结构化特征的特征向量，其中，掩模包括互为相反数的白色区域和黑色区域，且黑色区域为至少包含掩模一角的矩形区域。通过获取每个掩模与灰度病理图像重合部分的特征值，实现以掩模为单位提取灰度病理图像的结构化特征，并使该结构化特征包含灰度病理图像的区域性差异信息，从而有助于提高肿瘤识别模型的肿瘤识别准确率。
实施例二
图4是本发明实施例二提供的一种图像特征提取装置的结构框图。该装置用于执行上述任意实施例所提供的图像特征提取方法，该装置可选为软件或硬件实现。该装置包括：
获取模块11，用于获取病理切片的灰度病理图像；
特征向量模块12，用于控制至少两个不同尺度的掩模在灰度病理图像上逐像素移动，并计算每次移动结果所对应的特征值，以及将每个掩模对应的所有特征值拼接在一起形成用于表示所述灰度病理图像结构化特征的特征向量，其中，掩模包括互为相反数的白色区域和黑色区域，且黑色区域为至少包含所掩模一角的矩形区域。
可选地，获取模块用于将同一病理切片的至少两张不同分辨率的彩色病理图像转换为同一分辨率的灰度病理图像。
可选地，特征向量模块用于控制至少两个不同尺度的掩模在灰度病理图像对应的积分图上逐像素移动，并计算每次移动结果所对应的特征值，以及将每个掩模对应的所有特征值作为该掩模对应的特征向量，其中，积分图的每个像素点为灰度病理图像的左上角像素点与每个目标像素点所围成的矩形区域内的所有像素点的灰度值之和，具体为：
其中，i(x',y')为坐标为(x',y')的像素点的灰度值，(x，y)为目标像素点的坐标。
其中，每次移动结果所对应的特征值为：
fi＝sum(M×Grayi)
其中，fi为当前掩膜在积分图上的第i次移动对应的特征值，M为掩膜的系数矩阵，Grayi为当前掩膜在所述积分图上的覆盖区域的灰度值矩阵。
本发明实施例提供的图像特征提取装置的技术方案，通过获取模块获取病理切片的灰度病理图像；通过特征向量模块控制至少两个不同尺度的掩模在灰度病理图像上逐像素移动，并计算每次移动结果所对应的特征值，以及将每个掩模对应的所有特征值拼接在一起形成用于表示所述灰度病理图像结构化特征的特征向量。通过获取每个掩模与灰度病理图像重合部分的特征值，实现以掩模为单位提取灰度病理图像的结构化特征，并使该结构化特征包含灰度病理图像的区域性差异信息，从而有助于提高肿瘤识别模型的肿瘤识别准确率。
本发明实施例所提供的图像特征提取装置可执行本发明任意实施例所提供的图像特征提取方法，具备执行方法相应的功能模块和有益效果。
实施例三
图5为本发明实施例三提供的肿瘤识别***的结构示意图，如图5所示，该***包括处理器201和存储器202；***中处理器201的数量可以是一个或多个，图5中以一个处理器201为例；***中的处理器201、存储器202可以通过总线或其他方式连接，图5中以通过总线连接为例。
存储器202作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块。处理器201通过运行存储在存储器202中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现以下方法：
获取病理切片的灰度病理图像；控制至少两个不同尺度的掩模在灰度病理图像上逐像素移动，并计算每次移动结果所对应的特征值，以及将每个掩模对应的所有特征值拼接在一起形成用于表示所述灰度病理图像结构化特征的特征向量；其中，掩模包括互为相反数的白色区域和黑色区域，且黑色区域为至少包含掩模一角的矩形区域；根据特征向量确定肿瘤识别结果。
存储器202可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器202可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器202可进一步包括相对于处理器201远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
如图6所示，该***还包括输出装置204，该输出装置204可包括显示屏等显示设备，例如，用户终端的显示屏。
优选地，该***还包括显微镜205，该显微镜205用于基于预设放大倍数以预设分辨率采集病理切片的彩色病理图像。处理器还用于控制输出装置输出该彩色病理图像，或者输出肿瘤识别结果，或者输出肿瘤识别过程中的中间结果，比如灰度病理图像等。
该***还优选包括输入装置203，该输入装置203可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。
优选地，处理器在得到每个掩模对应的特征向量之后，将每个掩模对应的特征向量拼接在一起以形成用于表示灰度病理图像的结构化特征的特征向量，然后将该特征向量输入已训练的肿瘤识别模型中以得到肿瘤识别结果，并将肿瘤识别结果输出至输出装置以供医生临床诊断参考。
实施例四
本发明实施例四还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行图像特征提取方法，该方法包括：
获取病理切片的灰度病理图像；
控制至少两个不同尺度的掩模在所述灰度病理图像上逐像素移动，并计算每次移动结果所对应的特征值，以及将每个掩模对应的所有特征值拼接在一起形成用于表示所述灰度病理图像结构化特征的特征向量；其中，所述掩模包括互为相反数的白色区域和黑色区域，且所述黑色区域为至少包含所述掩模一角的矩形区域。
或者执行肿瘤识别步骤，包括：
获取病理切片的灰度病理图像；
控制至少两个不同尺度的掩模在所述灰度病理图像上逐像素移动，并计算每次移动结果所对应的特征值，以及将每个掩模对应的所有特征值拼接在一起形成用于表示所述灰度病理图像结构化特征的特征向量；其中，所述掩模包括互为相反数的白色区域和黑色区域，且所述黑色区域为至少包含所述掩模一角的矩形区域。
根据所述特征向量确定肿瘤识别结果。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的图像特征提取方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(RandomAccess Memory，简称RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的图像特征提取方法。
值得注意的是，上述图像特征提取装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种图像特征提取方法，其特征在于，包括：
获取病理切片的灰度病理图像；
控制至少两个不同尺度的掩模在所述灰度病理图像上逐像素移动，并计算每次移动结果所对应的特征值，以及将每个掩模对应的所有特征值拼接在一起形成用于表示所述灰度病理图像结构化特征的特征向量；
其中，所述掩模包括互为相反数的白色区域和黑色区域，且所述黑色区域为至少包含所述掩模一角的矩形区域。
2.根据权利要求1所述的方法，其特征在于，获取病理切片的灰度病理图像包括：
将同一病理切片的至少两张不同分辨率的彩色病理图像转换为同一分辨率的灰度病理图像。
3.根据权利要求1所述的方法，其特征在于，所述黑色区域为正方形，且所包含的行列数为所述掩模的行列数的1/4。
4.根据权利要求1所述的方法，其特征在于，所述掩模的数量为三个，分别为2×2、4×4和8×8。
5.根据权利要求1所述的方法，其特征在于，所述控制至少两个不同尺度的掩模在所述灰度病理图像上逐像素移动包括：
控制至少两个不同尺度的掩模在所述灰度病理图像对应的积分图上逐像素移动；
其中，所述积分图的每个像素点为所述灰度病理图像的左上角像素点与每个目标像素点所围成的矩形区域内的所有像素点的灰度值之和，具体为：
其中，i(x',y')为坐标为(x',y')的像素点的灰度值，(x，y)为目标像素点的坐标。
6.根据权利要求5所述的方法，其特征在于，每次移动结果所对应的特征值为：
fi＝sum(M×Grayi)
其中，fi为当前掩膜在积分图上的第i次移动对应的特征值，M为掩膜的系数矩阵，Grayi为当前掩膜在所述积分图上的覆盖区域的灰度值矩阵。
7.一种图像特征提取装置，其特征在于，包括：
获取模块，用于获取病理切片的灰度病理图像；
特征向量模块，用于控制至少两个不同尺度的掩模在所述灰度病理图像上逐像素移动，并计算每次移动结果所对应的特征值，以及将每个掩模对应的所有特征值拼接在一起形成用于表示所述灰度病理图像结构化特征的特征向量，其中，所述掩模包括互为相反数的白色区域和黑色区域，且所述黑色区域为至少包含所述掩模一角的矩形区域。
8.一种肿瘤识别***，其特征在于，该***包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器执行以下步骤：
获取病理切片的灰度病理图像；
控制至少两个不同尺度的掩模在所述灰度病理图像上逐像素移动，并计算每次移动结果所对应的特征值，以及将每个掩模对应的所有特征值拼接在一起形成用于表示所述灰度病理图像结构化特征的特征向量；其中，所述掩模包括互为相反数的白色区域和黑色区域，且所述黑色区域为至少包含所述掩模一角的矩形区域；
根据所述特征向量确定肿瘤识别结果。
9.根据权利要求8所述的***，其特征在于，还包括显微镜和输出装置；
所述显微镜用于基于预设放大倍数和预设分辨率采集病理切片的彩色病理图像；
所述处理器还用于将所述肿瘤识别结果输出至所述输出装置以供用户查看。
10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器运行时执行权利要求1-6任一所述的图像特征提取方法，或者执行肿瘤识别步骤，包括：
获取病理切片的灰度病理图像；
控制至少两个不同尺度的掩模在所述灰度病理图像上逐像素移动，并计算每次移动结果所对应的特征值，以及将每个掩模对应的所有特征值拼接在一起形成用于表示所述灰度病理图像结构化特征的特征向量；其中，所述掩模包括互为相反数的白色区域和黑色区域，且所述黑色区域为至少包含所述掩模一角的矩形区域；
根据所述特征向量确定肿瘤识别结果。
CN201910809321.9A 2019-08-29 2019-08-29 图像特征提取方法、装置、肿瘤识别***及存储介质 Active CN110503114B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910809321.9A CN110503114B (zh) 2019-08-29 2019-08-29 图像特征提取方法、装置、肿瘤识别***及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910809321.9A CN110503114B (zh) 2019-08-29 2019-08-29 图像特征提取方法、装置、肿瘤识别***及存储介质

Publications (2)

Publication Number Publication Date
CN110503114A true CN110503114A (zh) 2019-11-26
CN110503114B CN110503114B (zh) 2023-04-07

Family

ID=68590531

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910809321.9A Active CN110503114B (zh) 2019-08-29 2019-08-29 图像特征提取方法、装置、肿瘤识别***及存储介质

Country Status (1)

Country Link
CN (1) CN110503114B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110909701A (zh) * 2019-11-28 2020-03-24 北京百度网讯科技有限公司 行人特征的提取方法、装置、设备及介质
CN111340796A (zh) * 2020-03-10 2020-06-26 创新奇智(成都)科技有限公司 一种缺陷检测方法、装置、电子设备及存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6453069B1 (en) * 1996-11-20 2002-09-17 Canon Kabushiki Kaisha Method of extracting image from input image using reference image
US20120328160A1 (en) * 2011-06-27 2012-12-27 Office of Research Cooperation Foundation of Yeungnam University Method for detecting and recognizing objects of an image using haar-like features
US20130136324A1 (en) * 2011-11-24 2013-05-30 Nec Corporation Pathological diagnosis assisting apparatus, pathological diagnosis assisting method and non-transitory computer readable medium storing pathological diagnosis assisting program
CN103295243A (zh) * 2012-02-29 2013-09-11 佳能株式会社 图像处理方法和设备以及物体检测方法和***
CN106108925A (zh) * 2015-05-04 2016-11-16 西门子保健有限责任公司 用于医学图像数据中全身骨移除和血管可视化的方法和***
CN107209937A (zh) * 2015-01-31 2017-09-26 文塔纳医疗***公司 用于使用载片缩略图图像的感兴趣区域检测的***和方法
CN108108739A (zh) * 2017-12-18 2018-06-01 上海联影医疗科技有限公司 图像目标区域的检测方法、装置、x射线***及存储介质
CN108664915A (zh) * 2018-05-07 2018-10-16 深圳辉烨通讯技术有限公司 身份识别方法、装置、设备及存储介质
CN108805871A (zh) * 2018-06-14 2018-11-13 艾瑞迈迪医疗科技（北京）有限公司 血管图像处理方法、装置、计算机设备和存储介质
CN108932493A (zh) * 2018-06-29 2018-12-04 东北大学 一种面部皮肤质量评价方法
CN110023987A (zh) * 2016-12-01 2019-07-16 韩华泰科株式会社 图像处理装置及方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6453069B1 (en) * 1996-11-20 2002-09-17 Canon Kabushiki Kaisha Method of extracting image from input image using reference image
US20120328160A1 (en) * 2011-06-27 2012-12-27 Office of Research Cooperation Foundation of Yeungnam University Method for detecting and recognizing objects of an image using haar-like features
US20130136324A1 (en) * 2011-11-24 2013-05-30 Nec Corporation Pathological diagnosis assisting apparatus, pathological diagnosis assisting method and non-transitory computer readable medium storing pathological diagnosis assisting program
CN103295243A (zh) * 2012-02-29 2013-09-11 佳能株式会社 图像处理方法和设备以及物体检测方法和***
CN107209937A (zh) * 2015-01-31 2017-09-26 文塔纳医疗***公司 用于使用载片缩略图图像的感兴趣区域检测的***和方法
CN106108925A (zh) * 2015-05-04 2016-11-16 西门子保健有限责任公司 用于医学图像数据中全身骨移除和血管可视化的方法和***
CN110023987A (zh) * 2016-12-01 2019-07-16 韩华泰科株式会社 图像处理装置及方法
CN108108739A (zh) * 2017-12-18 2018-06-01 上海联影医疗科技有限公司 图像目标区域的检测方法、装置、x射线***及存储介质
CN108664915A (zh) * 2018-05-07 2018-10-16 深圳辉烨通讯技术有限公司 身份识别方法、装置、设备及存储介质
CN108805871A (zh) * 2018-06-14 2018-11-13 艾瑞迈迪医疗科技（北京）有限公司 血管图像处理方法、装置、计算机设备和存储介质
CN108932493A (zh) * 2018-06-29 2018-12-04 东北大学 一种面部皮肤质量评价方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MIANJIE LI等: "Adaptive segmentation-based feature extraction and S-STDM watermarking method for color image", 《NEURAL COMPUTING AND APPLICATIONS》 *
荣传振等: "基于红外目标特征提取的图像融合方法", 《信号处理》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110909701A (zh) * 2019-11-28 2020-03-24 北京百度网讯科技有限公司 行人特征的提取方法、装置、设备及介质
CN110909701B (zh) * 2019-11-28 2023-03-24 北京百度网讯科技有限公司 行人特征的提取方法、装置、设备及介质
CN111340796A (zh) * 2020-03-10 2020-06-26 创新奇智(成都)科技有限公司 一种缺陷检测方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN110503114B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
US12002131B2 (en) Image color adjustment method and system
Falcao et al. A 3D generalization of user-steered live-wire segmentation
CN110705583A (zh) 细胞检测模型训练方法、装置、计算机设备及存储介质
CN109712217B (zh) 一种医学图像可视化方法和***
CN106875401B (zh) 多模态影像组学的分析方法、装置及终端
CN110555835B (zh) 一种脑片图像区域划分方法及装置
DE102007046582A1 (de) System und Verfahren zum Segmentieren von Kammern eines Herzens in einem dreidimensionalen Bild
CN101933045A (zh) 短轴后期增强心脏mri的自动3d分割
JPWO2012043499A1 (ja) 情報処理装置、情報処理システム、情報処理方法、プログラム及び記録媒体
JP2021535484A (ja) 自動的な腫瘍検出及び分類のためのシステム
US10188361B2 (en) System for synthetic display of multi-modality data
EP2810217B1 (en) Graph cuts-based interactive segmentation of teeth in 3-d ct volumetric data
WO2018161257A1 (zh) 生成彩色医学影像的方法及***
CN110503114A (zh) 图像特征提取方法、装置、肿瘤识别***及存储介质
CN112381811B (zh) 一种实现医学影像数据标注的方法、装置及设备
Baum et al. Fusion viewer: a new tool for fusion and visualization of multimodal medical data sets
CN106934841A (zh) 生成彩色医学影像的方法及医学***
AU2019430369A1 (en) VRDS 4D medical image-based vein Ai endoscopic analysis method and product
CN106910194A (zh) 心脏心功能磁共振图像中的心内外膜的分割方法
CN110910348B (zh) 一种肺结节的位置分类方法、装置、设备及存储介质
CN111402131A (zh) 基于深度学习的超分辨率土地覆被分类图的获取方法
JP2023517703A (ja) 空間マルチパラメータ細胞・細胞内撮像プラットフォームからの組織サンプルの全スライド画像における管／腺及び内腔、管／腺のクラスタ、並びに個々の核を含む組織学的構造のスケーラブルで高精度なコンテクストガイドセグメンテーション
CN103971365B (zh) 一种图像显著图提取方法
JP2014000182A (ja) 医用画像生成装置及びプログラム
US20220139054A1 (en) Method and product for processing of vrds 4d medical images

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant