CN111048183B - 数字病理图像均一化的方法、装置、设备及存储介质 - Google Patents
数字病理图像均一化的方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111048183B CN111048183B CN201911120682.9A CN201911120682A CN111048183B CN 111048183 B CN111048183 B CN 111048183B CN 201911120682 A CN201911120682 A CN 201911120682A CN 111048183 B CN111048183 B CN 111048183B
- Authority
- CN
- China
- Prior art keywords
- image
- cells
- processed
- color
- cell
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 230000001575 pathological effect Effects 0.000 title abstract description 29
- 238000006243 chemical reaction Methods 0.000 claims abstract description 126
- 230000000694 effects Effects 0.000 claims abstract description 71
- 230000007170 pathology Effects 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000010586 diagram Methods 0.000 claims abstract description 29
- 238000000265 homogenisation Methods 0.000 claims abstract description 20
- 210000004027 cell Anatomy 0.000 claims description 312
- 210000003855 cell nucleus Anatomy 0.000 claims description 20
- 238000004043 dyeing Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010191 image analysis Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 description 8
- 210000000805 cytoplasm Anatomy 0.000 description 8
- 210000004940 nucleus Anatomy 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 210000000440 neutrophil Anatomy 0.000 description 5
- 210000000270 basal cell Anatomy 0.000 description 3
- 239000010410 layer Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000010186 staining Methods 0.000 description 3
- 239000012128 staining reagent Substances 0.000 description 3
- 239000002344 surface layer Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 230000001086 cytosolic effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000000120 cytopathologic effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种数字病理图像均一化的方法,该方法包括:获取待处理图像;识别待处理图像中的基准细胞,所述基准细胞的数量为至少一个;根据待处理图像获取基准细胞的颜色特征值,获取预设的参考效果图的颜色参考特征值;根据基准细胞的颜色特征值和参考效果图的颜色参考特征值确定转换参数;根据转换参数对待处理图像进行转换处理,获取转换之后的目标图像并输出。本发明通过选取的基准细胞与参考效果图确定进行效果转换的转换参数,根据转换参数将待处理图像进行转换,保证了基准细胞与参考效果图的颜色特征一致,使得待处理的数字病理图像实现均一化效果。此外还提出了一种数字病理图像均一化的装置、计算机设备以及存储介质。
Description
技术领域
本发明涉及数字图像处理技术领域,尤其涉及一种数字病理图像均一化的方法、装置、设备及存储介质。
背景技术
数字病理是一种现代数字***与传统光学放大装置有机结合的技术。它是通过全自动显微镜或光学放大***扫描细胞样本的病理切片,采集得到高分辨数字图像,再应用计算机对得到的图像自动进行高精度多视野无缝隙拼接和处理,生成整张全视野的数字病理图像(Whole Slide Image,简称WSI)以应用于病理学的各个领域。
目前数字病理图像WSI运用于人工智能模型的训练及测试分析等场景。但存在多种因素,例如,不同的染色试剂与制片仪器方法、不同时期的细胞病理切片保存时间、不同厂家的扫描仪、不同的扫描格式和不同的扫描参数条件等因素,可能造成不同的数字病理图像之间的差异性过大,造成后期人工智能模型训练结果的不稳定性及鲁棒性差等结果。也就是说,在相关技术方案中,因为不同的数字病理图像之间的差异性过大,对后续针对数字病理图像进行处理的准确性存在不足。
因此,亟需一种能减小数字病理图像之间差异性的方案。
发明内容
基于此,有必要针对上述问题,提出了一种数字病理图像均一化的方法、装置、计算机设备及存储介质。
一种数字病理图像均一化的方法,所述方法包括:
获取待处理图像;
识别所述待处理图像中的基准细胞,所述基准细胞的数量为至少一个;
根据所述待处理图像获取所述基准细胞的颜色特征值,获取预设的参考效果图的颜色参考特征值;
根据所述基准细胞的颜色特征值和参考效果图的颜色参考特征值确定转换参数;
根据转换参数对所述待处理图像进行转换处理,获取转换之后的目标图像并输出。
在一个实施例中,所述获取待处理图像的步骤之后还包括:将待处理图像转换为RGB格式下的待处理图像。
在一个实施例中,所述识别所述待处理图像中的基准细胞的步骤,还包括:识别待处理图像中的所有细胞;根据预设的基准细胞选择条件,在识别出的所有细胞中确定满足预设的基准细胞选择条件的细胞作为所述基准细胞。
在一个实施例中,所述根据预设的基准细胞选择条件,在识别出的所有细胞中确定满足预设的基准细胞选择条件的细胞作为所述基准细胞的步骤,还包括:判断所述识别出的所有细胞中的待选择细胞是否满足预设的基准细胞选择条件的一个或多个,所述预设的基准细胞选择条件包括:当待处理图像为多帧图像时细胞分布于每一帧待处理图像中,细胞之间不重叠,细胞具有细胞体积小及细胞核分叶状的标志,细胞之间染色差异满足预设范围,和/或,染色后的细胞的细胞核和细胞浆易区分;若是,将该待选择细胞作为所述基准细胞。
在一个实施例中,所述根据所述待处理图像获取所述基准细胞的颜色特征值,获取预设的参考效果图的颜色参考特征值的步骤还包括:识别所述基准细胞的第一区域和第二区域,分别获取所述第一区域对应的第一颜色特征和第二区域对应的第二颜色特征作为所述颜色特征值;识别所述参考效果图中分别与所述第一区域和第二区域对应的第三区域和第四区域,分别获取所述第三区域对应的第三颜色参考特征和第四区域对应的第四颜色参考特征作为所述颜色参考特征值。
在一个实施例中,所述分别获取所述第三区域对应的第三颜色参考特征和第四区域对应的第四颜色参考特征作为所述颜色参考特征值的步骤之后,还包括:基于所述基准细胞的第一区域和第二区域与所述参考效果图的第三区域和第四区域之间的对应关系,根据所述颜色特征值和所述颜色参考特征值确定所述转换参数。
在一个实施例中,其特征在于,所述根据转换参数对所述待处理图像进行转换处理的步骤,还包括:获取待处理图像的颜色全局特征值,根据转换参数和预设的颜色转换模型,对所述待处理图像的颜色全局特征值进行转换处理。
在一个实施例中,所述获取转换之后的目标图像并输出的步骤之后,还包括:将转换后的目标图像输入预设人工智能模型,以使所述人工智能模型对所述转换后的目标图像进行图像分析。
一种数字病理图像均一化的装置,所述装置包括:
获取模块,用于获取待处理图像;
识别模块,用于识别所述待处理图像中的基准细胞,所述基准细胞的数量为至少一个;
确定模块,用于根据所述待处理图像获取所述基准细胞的颜色特征值,获取预设的参考效果图的颜色参考特征值;
计算模块,用于根据所述基准细胞的颜色特征值和参考效果图的颜色参考特征值确定转换参数;
转换模块,用于根据转换参数对所述待处理图像进行转换处理,获取转换之后的目标图像并输出。
在一个实施例中,该装置还包括:格式转换模块803,用于将待处理图像转换为RGB格式下的待处理图像。
在一个实施例中,识别模块还包括:识别单元,用于识别待处理图像中的所有细胞;选择单元,用于根据预设的基准细胞选择条件,在识别出的所有细胞中确定满足预设的基准细胞选择条件的细胞作为所述基准细胞。
在一个实施例中,所述选择单元还包括:判断子单元,用于判断所述识别出的所有细胞中的待选择细胞是否满足预设的基准细胞选择条件的一个或多个,所述预设的基准细胞选择条件包括:当待处理图像为多帧图像时细胞分布于每一帧待处理图像中,细胞之间不重叠,细胞具有细胞体积小及细胞核分叶状的标志,细胞之间染色差异满足预设范围,和/或,染色后的细胞的细胞核和细胞浆易区分;若是,将该待选择细胞作为所述基准细胞。
在一个实施例中,确定模块还包括:颜色特征识别单元,用于识别所述基准细胞的第一区域和第二区域,分别获取所述第一区域对应的第一颜色特征和第二区域对应的第二颜色特征作为所述颜色特征值;颜色参考特征识别单元,用于识别所述参考效果图中分别与所述第一区域和第二区域对应的第三区域和第四区域,分别获取所述第三区域对应的第三颜色参考特征和第四区域对应的第四颜色参考特征作为所述颜色参考特征值。
在一个实施例中,计算模块还包括:计算单元,用于基于所述基准细胞的第一区域和第二区域与所述参考效果图的第三区域和第四区域之间的对应关系,根据所述颜色特征值和所述颜色参考特征值确定所述转换参数。
在一个实施例中,转换模块还包括:转换单元,用于获取待处理图像的颜色全局特征值,根据转换参数和预设的颜色转换模型,对所述待处理图像的颜色全局特征值进行转换处理。
在一个实施例中,该装置还包括:分析模块,用于将转换后的目标图像输入预设人工智能模型,以使所述人工智能模型对所述转换后的目标图像进行图像分析。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行以下步骤:
获取待处理图像;
识别所述待处理图像中的基准细胞,所述基准细胞的数量为至少一个;
根据所述待处理图像获取所述基准细胞的颜色特征值,获取预设的参考效果图的颜色参考特征值;
根据所述基准细胞的颜色特征值和参考效果图的颜色参考特征值确定转换参数;
根据转换参数对所述待处理图像进行转换处理,获取转换之后的目标图像并输出。
一种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,使得所述处理器执行以下步骤:
获取待处理图像;
识别所述待处理图像中的基准细胞,所述基准细胞的数量为至少一个;
根据所述待处理图像获取所述基准细胞的颜色特征值,获取预设的参考效果图的颜色参考特征值;
根据所述基准细胞的颜色特征值和参考效果图的颜色参考特征值确定转换参数;
根据转换参数对所述待处理图像进行转换处理,获取转换之后的目标图像并输出。
采用本发明的数字病理图像均一化的方法、装置、设备及存储介质,在扫描到与细胞样本病理切片对应的待处理图像后,首先识别所述待处理图像中的基准细胞,获取基准细胞的颜色特征值,并获取预设的具备有最优效果的参考效果图的颜色参考特征值;然后根据颜色特征值和颜色参考特征值之间的关系确定二者之间进行转换的转换参数;最后根据转换参数对整个待处理图像进行转换处理,以使将待处理图像转换成与前述参考效果图对应的目标图像,获取到的目标图像可以用于后续基于数字病理图像的各种分析和处理。本发明的数字病理图像均一化的方法、装置、设备及存储介质通过选取的基准细胞与参考效果图确定进行效果转换的转换参数,根据转换参数将待处理图像进行转换,保证了基准细胞与参考效果图的颜色特征一致,从而使得待处理的数字病理图像实现均一化的效果。
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为一个实施例中数字病理图像均一化的方法的应用环境图;
图2为一个实施例中数字病理图像均一化的方法的流程图;
图3为示例性的不同的数字病理图像的示意图;
图4为示例性的不同的细胞的示意图;
图5为示例性的数字病理图像细胞分布的示意图;
图6为示例性的基准细胞转换的示意图;
图7为示例性的待处理图像转换前后的示意图;
图8为示例性的人工智能模型分析得出AUC曲线结果的示意图;
图9为一个实施例中数字病理图像均一化的装置的结构框图;
图10为一个实施例中数字病理图像均一化的装置的结构框图;
图11为一个实施例中识别模块的结构框图;
图12为一个实施例中确定模块的结构框图;
图13为一个实施例中数字病理图像均一化的装置的结构框图;
图14为一个实施例中运行前述数字病理图像均一化的方法的计算机设备的结构框图。
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。
图1为一个实施例中数字病理图像均一化的方法应用环境图。参照图1,该数字病理图像均一化的方法应用于图像处理***。该图像处理***包括终端110和服务器120。终端110和服务器120通过网络连接,终端110具体可以是带有摄像头的全自动显微镜、光学放大***等中的至少一种。服务器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。终端110用于采集细胞样本的病理切片对应的数字病理图像,服务器120用于对数字病理图像进行分析和处理。
在另一个实施例中,上述数字病理图像均一化的方法的执行还可以是基于一终端设备,该终端可采集需要进行采集细胞样本的病理切片对应的数字病理图像、也可以对采集到的图像进行分析和处理。
考虑到该方法既可以应用于终端,也可以应用于服务器,且在具体的将数字病理图像进行均一化的过程是相同的,本实施例以应用于终端举例说明。
具体的,如图2所示,在一个实施例中,提供了一种数字病理图像均一化的方法。该数字病理图像均一化的方法具体包括如下步骤S202-S210:
步骤S202,获取待处理图像。
具体的,待处理图像是与细胞样本的病理切片对应的数字病理图像,待处理图像可以是通过摄像头采集到的细胞样本的病理切片的数字病理图像,例如,通过安装在全自动显微镜上的摄像头采集到的细胞样本的病理切片的数字病理图像。待处理图像可以是原始图像,可以是经过去噪处理的原始图像,例如是通过高斯滤波进行噪声消除处理后的图像。在一个实施例中,待处理图像也可以是转换为RGB格式的原始图像;或者,在获取到数字病理图像之后将其转换成RGB格式下的图像。
不同的制片方法、染色试剂、扫描仪器、扫描参数等因素可以造成待处理图像之间存在差异性,如图3所示,其中,不同的数字病理图像的颜色特征或灰度特征等图像特征不相同,图3(a)、图3(b)、图3(c)、图3(d)分别代表由不同因素造成的待处理图像之间的差异。不同的制片方法、染色试剂、扫描仪器、扫描参数等因素也可以造成待处理图像中细胞之间存在差异性,如图4所示,其中细胞核和细胞浆的颜色特征或灰度特征等图像特征不相同。在本实施例中,为了对不同数字病理图像进行均一化,实现不同的数字病理图像的颜色特征或者灰度特征等图像特征一致。这里要说明一下,后续的转换主要是针对颜色特征,而不是针对其它的图像特征。
步骤S204,识别所述待处理图像中的基准细胞,所述基准细胞的数量为至少一个。
具体的,基准细胞可以是在待处理图像中选取的细胞图像。基准细胞存在于每张细胞样本的数字病理图像中,具有细胞容易分割,具有细胞体积小,核分叶状等特有标志,在不同的数字病理图像中不会有较大的差异,和/或,在染色后细胞的细胞核和细胞浆易区分开等特征。
在一个实施例中,识别所述待处理图像的基准细胞的方法还包括:识别待处理图像中的所有细胞,根据预设的基准细胞选择条件,在识别出的所有细胞中确定满足所述预设的基准细胞选择条件的细胞作为所述基准细胞。
其中,识别待处理图像中的所有细胞,如图5所示,细胞可以包括中性粒细胞,基底细胞,中层鳞状细胞和/或表层鳞状细胞等,其中,a1、a2、a3表示中性粒细胞,b、c、d表示基底细胞、中层鳞状细胞、表层鳞状细胞等非中性粒细胞的其他细胞。预设的基准细胞选择条件是从待处理图像中包含的细胞中选出基准细胞的条件,例如,基准细胞选择条件可以是细胞需要存在于每张细胞样本的病理切片对应的待处理图像中,可以是存在于待处理图像中的细胞容易分割,可以是细胞具有细胞体积小,核分叶状等特有标志,可以是同类细胞之间的染色差异较小,也可以是在染色后细胞的细胞核和细胞浆易区分开等。在一个实施例中,预设的基准细胞选择条件包括:判断所述识别出的所有细胞中的待选择细胞是否满足预设的基准细胞选择条件的一个或多个,所述预设的基准细胞选择条件包括:当待处理图像为多帧图像时细胞分布于每一帧待处理图像中,细胞之间不重叠,细胞具有细胞体积小及细胞核分叶状的标志,细胞之间染色差异满足预设范围,和/或,染色后的细胞的细胞核和细胞浆易区分。
如图5所示,中性粒细胞具有存在于每张细胞样本的病理切片对应的待处理图像中,细胞容易分割,细胞具有细胞体积小,核分叶状等特有标志,细胞之间的染色差异较小,在染色后细胞的细胞核和细胞浆易区分开等。而基底细胞和表层鳞状细胞不具有上述特征,基底细胞和表层鳞状细胞在所有细胞样本的病理切片中并非同时出现;细胞容易出现打褶、重叠,细胞浆染色不均的现象;单个细胞不易分离作为染色质量的参考指标;细胞浆从淡蓝绿色到橙红色,核浅蓝色到深蓝色,变化较多。因此根据预设的基准细胞选择条件,可以选择中性粒细胞作为基准细胞。
步骤S206,根据所述待处理图像获取所述基准细胞的颜色特征值,获取预设的参考效果图的颜色参考特征值。
具体的,颜色特征值可以为RGB颜色特征值、HIS颜色特征值和/或HSV颜色特征值等。颜色参考特征值为基准细胞的颜色特征值对应的值,也可以为RGB颜色特征值、HIS颜色特征值和/或HSV颜色特征值等。参考效果图是待处理图像转换的标准图,也是输入人工智能模型进行训练和分析的优选的图像。
在一个实施例中,上述步骤S206还包括:识别所述基准细胞的第一区域和第二区域,分别获取所述第一区域对应的第一颜色特征和第二区域对应的第二颜色特征作为所述颜色特征值;识别所述参考效果图中分别与所述第一区域和第二区域对应的第三区域和第四区域,分别获取所述第三区域对应的第三颜色参考特征和第四区域对应的第四颜色参考特征作为所述颜色参考特征值。
其中,基准细胞的第一区域和第二区域可以对应基准细胞的细胞核和细胞浆部分,参考效果图的第三区域和第四区域也可以对应图中细胞的细胞核和细胞浆部分。基准细胞和参考效果图的细胞质和细胞浆的颜色特征差别较大,因此在本实施中,将细胞分为两个部分分别进行计算颜色特征,确保后续对转换参数计算的准确性。
步骤S208,根据所述基准细胞的颜色特征值和参考效果图的颜色参考特征值确定转换参数。
具体的,转换参数是将基准细胞的颜色特征值转换为参考效果图的颜色参考特征值的参数。
在一个实施例中,确定转换参数的方法包括:基于所述基准细胞的第一区域和第二区域与所述参考效果图的第三区域和第四区域之间的对应关系,根据所述颜色特征值和所述颜色参考特征值确定所述转换参数。
其中,对应关系可以为线性关系、可以是反比例关系等非线性关系。根据不同区域的对应关系对转换参数进行计算,确保了转换参数的准确性,在进行转换时,使得待处理图像的颜色特征值与参考效果图的颜色参考特征值保持一致。
示例性的,根据所述颜色特征值和所述颜色参考特征值确定所述转换参数的方法可以为如下计算方法:
其中,如图6所示,A0可以代表参考效果图中的细胞浆,B0、C0、D0和E0可以代表基准细胞的细胞浆,A1可以代表参考效果图中的细胞核,B1、C1、D1和E1可以代表基准细胞的细胞核。现在根据RGB颜色特征值和A0、A1和B0、B1的对应关系计算转换参数,其中,A0的RGB值为RGB(A0)=160,245,248;A1的RGB值为RGB(A1)=55,106,230;B0的RGB值为RGB(B0)=112,237,245;B1的RGB值为RGB(B1)=57,74,167。
B0的R’值为:R’(B0)=R(B0)*r1+r2=R(A0);
B0的G’值为:G’(B0)=G(B0)*r3+r4=G(A0);
B0的B’值为:B’(B0)=B(B0)*r5+r6=R(A0);
B1的R’值为:R’(B1)=R(B1)*r1+r2=R(A1);
B1的G’值为:G’(B1)=G(B1)*r3+r4=G(A1);
B1的B’值为:B’(B1)=B(B1)*r5+r6=R(A1)。
其中,r1,r2,r3,r4,r5,r6为转换参数,根据上述公式分别计算出具体的转换参数r1,r2,r3,r4,r5,r6的值。
步骤S210,根据转换参数对所述待处理图像进行转换处理,获取转换之后的目标图像并输出。
具体的,根据转换参数对所述待处理图像进行转换处理,是将待处理图像的颜色特征值转换为参考效果图的颜色参考特征值。
在一个实施例中,所述根据转换参数对所述待处理图像进行转换处理的步骤,还包括:获取待处理图像的颜色全局特征值,根据转换参数和预设的颜色转换模型,对所述待处理图像的颜色全局特征值进行转换处理。
其中,颜色全局特征值为整个待处理图像的颜色特征,如图7所示,其中,转换前为待处理图像,转换后为转换后的目标图像。通过转换参数和预设的颜色转换模型,将待处理图像进行颜色特征值的转换处理,得到转换后的目标图像。本实施例保证了待处理图像中基准细胞的颜色特征与参考效果图一致的同时,也使得除基准细胞以外的待处理图像部分进行了转换处理,确保了转换处理的全面性。
在一个实施例中,所述获取转换之后的目标图像并输出之后,还包括:将转换后的目标图像输入预设人工智能模型,以使所述人工智能模型对所述转换后的目标图像进行图像分析。
其中,将转换后的目标图像输入预设人工智能模型,可根据人工智能模型对转换后的目标图像进行的图像分析,测试将待处理图像归一化的效果。
图8为人工智能模型分析得出AUC曲线结果。其中,曲线x代表为待处理图像输入人工智能模型的特异性与敏感性,由于待处理图像的差异性的影响,效果不佳。而将待处理图像进行均一化处理后,输入人工智能模型的特异性与敏感性如曲线y所示,相比于曲线x而言,曲线y提升了一定程度的特异性和敏感性,转换后的目标图像也提升了人工智能模型对图像分析的精准性。
如图9所示,在一个实施例中,提出了一种数字病理图像均一化的装置,该装置包括:
获取模块902,用于获取待处理图像;
识别模块904,用于识别所述待处理图像中的基准细胞,所述基准细胞的数量为至少一个;
确定模块906,用于根据所述待处理图像获取所述基准细胞的颜色特征值,获取预设的参考效果图的颜色参考特征值;
计算模块908,用于根据所述基准细胞的颜色特征值和参考效果图的颜色参考特征值确定转换参数;
转换模块910,用于根据转换参数对所述待处理图像进行转换处理,获取转换之后的目标图像并输出。
如图10所示,在一个实施例中,该装置还包括:格式转换模块803,用于将待处理图像转换为RGB格式下的待处理图像。
如图11所示,在一个实施例中,识别模块904还包括:识别单元,用于识别待处理图像中的所有细胞;选择单元,用于根据预设的基准细胞选择条件,在识别出的所有细胞中确定满足预设的基准细胞选择条件的细胞作为所述基准细胞。
在一个实施例中,所述选择单元还包括:判断子单元,用于判断所述识别出的所有细胞中的待选择细胞是否满足预设的基准细胞选择条件的一个或多个,所述预设的基准细胞选择条件包括:当待处理图像为多帧图像时细胞分布于每一帧待处理图像中,细胞之间不重叠,细胞具有细胞体积小及细胞核分叶状的标志,细胞之间染色差异满足预设范围,和/或,染色后的细胞的细胞核和细胞浆易区分;若是,将该待选择细胞作为所述基准细胞。
如图12所示,在一个实施例中,确定模块906还包括:颜色特征识别单元,用于识别所述基准细胞的第一区域和第二区域,分别获取所述第一区域对应的第一颜色特征和第二区域对应的第二颜色特征作为所述颜色特征值;颜色参考特征识别单元,用于识别所述参考效果图中分别与所述第一区域和第二区域对应的第三区域和第四区域,分别获取所述第三区域对应的第三颜色参考特征和第四区域对应的第四颜色参考特征作为所述颜色参考特征值。
在一个实施例中,计算模块908还包括:计算单元,用于基于所述基准细胞的第一区域和第二区域与所述参考效果图的第三区域和第四区域之间的对应关系,根据所述颜色特征值和所述颜色参考特征值确定所述转换参数。
在一个实施例中,转换模块910还包括:转换单元,用于获取待处理图像的颜色全局特征值,根据转换参数和预设的颜色转换模型,对所述待处理图像的颜色全局特征值进行转换处理。
如图13所示,在一个实施例中,该装置还包括:分析模块911,用于将转换后的目标图像输入预设人工智能模型,以使所述人工智能模型对所述转换后的目标图像进行图像分析。
图14示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端,也可以是服务器。如图14所示,该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作***,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现数字病理图像均一化的方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行数字病理图像均一化的方法。本领域技术人员可以理解,图14中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提出了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行以下步骤:获取待处理图像;识别所述待处理图像中的基准细胞,所述基准细胞的数量为至少一个;根据所述待处理图像获取所述基准细胞的颜色特征值,获取预设的参考效果图的颜色参考特征值;根据所述基准细胞的颜色特征值和参考效果图的颜色参考特征值确定转换参数;根据转换参数对所述待处理图像进行转换处理,获取转换之后的目标图像并输出。
在一个实施例中,所述获取待处理图像的步骤之后还包括:将待处理图像转换为RGB格式下的待处理图像。
在一个实施例中,所述识别所述待处理图像中的基准细胞的步骤,还包括:识别待处理图像中的所有细胞;根据预设的基准细胞选择条件,在识别出的所有细胞中确定满足预设的基准细胞选择条件的细胞作为所述基准细胞。
在一个实施例中,所述根据预设的基准细胞选择条件,在识别出的所有细胞中确定满足预设的基准细胞选择条件的细胞作为所述基准细胞的步骤,还包括:判断所述识别出的所有细胞中的待选择细胞是否满足预设的基准细胞选择条件的一个或多个,所述预设的基准细胞选择条件包括:当待处理图像为多帧图像时细胞分布于每一帧待处理图像中,细胞之间不重叠,细胞具有细胞体积小及细胞核分叶状的标志,细胞之间染色差异满足预设范围,和/或,染色后的细胞的细胞核和细胞浆易区分;若是,将该待选择细胞作为所述基准细胞。
在一个实施例中,所述根据所述待处理图像获取所述基准细胞的颜色特征值,获取预设的参考效果图的颜色参考特征值的步骤还包括:识别所述基准细胞的第一区域和第二区域,分别获取所述第一区域对应的第一颜色特征和第二区域对应的第二颜色特征作为所述颜色特征值;识别所述参考效果图中分别与所述第一区域和第二区域对应的第三区域和第四区域,分别获取所述第三区域对应的第三颜色参考特征和第四区域对应的第四颜色参考特征作为所述颜色参考特征值。
在一个实施例中,所述分别获取所述第三区域对应的第三颜色参考特征和第四区域对应的第四颜色参考特征作为所述颜色参考特征值的步骤之后,还包括:基于所述基准细胞的第一区域和第二区域与所述参考效果图的第三区域和第四区域之间的对应关系,根据所述颜色特征值和所述颜色参考特征值确定所述转换参数。
在一个实施例中,其特征在于,所述根据转换参数对所述待处理图像进行转换处理的步骤,还包括:获取待处理图像的颜色全局特征值,根据转换参数和预设的颜色转换模型,对所述待处理图像的颜色全局特征值进行转换处理。
在一个实施例中,所述获取转换之后的目标图像并输出的步骤之后,还包括:将转换后的目标图像输入预设人工智能模型,以使所述人工智能模型对所述转换后的目标图像进行图像分析。
在一个实施例中,提出了一种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,使得所述处理器执行以下步骤:获取待处理图像;识别所述待处理图像中的基准细胞,所述基准细胞的数量为至少一个;根据所述待处理图像获取所述基准细胞的颜色特征值,获取预设的参考效果图的颜色参考特征值;根据所述基准细胞的颜色特征值和参考效果图的颜色参考特征值确定转换参数;根据转换参数对所述待处理图像进行转换处理,获取转换之后的目标图像并输出。
在一个实施例中,所述获取待处理图像的步骤之后还包括:将待处理图像转换为RGB格式下的待处理图像。
在一个实施例中,所述识别所述待处理图像中的基准细胞的步骤,还包括:识别待处理图像中的所有细胞;根据预设的基准细胞选择条件,在识别出的所有细胞中确定满足预设的基准细胞选择条件的细胞作为所述基准细胞。
在一个实施例中,所述根据预设的基准细胞选择条件,在识别出的所有细胞中确定满足预设的基准细胞选择条件的细胞作为所述基准细胞的步骤,还包括:判断所述识别出的所有细胞中的待选择细胞是否满足预设的基准细胞选择条件的一个或多个,所述预设的基准细胞选择条件包括:当待处理图像为多帧图像时细胞分布于每一帧待处理图像中,细胞之间不重叠,细胞具有细胞体积小及细胞核分叶状的标志,细胞之间染色差异满足预设范围,和/或,染色后的细胞的细胞核和细胞浆易区分;若是,将该待选择细胞作为所述基准细胞。
在一个实施例中,所述根据所述待处理图像获取所述基准细胞的颜色特征值,获取预设的参考效果图的颜色参考特征值的步骤还包括:识别所述基准细胞的第一区域和第二区域,分别获取所述第一区域对应的第一颜色特征和第二区域对应的第二颜色特征作为所述颜色特征值;识别所述参考效果图中分别与所述第一区域和第二区域对应的第三区域和第四区域,分别获取所述第三区域对应的第三颜色参考特征和第四区域对应的第四颜色参考特征作为所述颜色参考特征值。
在一个实施例中,所述分别获取所述第三区域对应的第三颜色参考特征和第四区域对应的第四颜色参考特征作为所述颜色参考特征值的步骤之后,还包括:基于所述基准细胞的第一区域和第二区域与所述参考效果图的第三区域和第四区域之间的对应关系,根据所述颜色特征值和所述颜色参考特征值确定所述转换参数。
在一个实施例中,其特征在于,所述根据转换参数对所述待处理图像进行转换处理的步骤,还包括:获取待处理图像的颜色全局特征值,根据转换参数和预设的颜色转换模型,对所述待处理图像的颜色全局特征值进行转换处理。
在一个实施例中,所述获取转换之后的目标图像并输出的步骤之后,还包括:将转换后的目标图像输入预设人工智能模型,以使所述人工智能模型对所述转换后的目标图像进行图像分析。
采用本发明的数字病理图像均一化的方法、装置、设备及存储介质,在扫描到与细胞样本病理切片对应的待处理图像后,首先识别所述待处理图像中的基准细胞,获取基准细胞的颜色特征值,并获取预设的具备有最优效果的参考效果图的颜色参考特征值;然后根据颜色特征值和颜色参考特征值之间的关系确定二者之间进行转换的转换参数;最后根据转换参数对整个待处理图像进行转换处理,以使将待处理图像转换成与前述参考效果图对应的目标图像,获取到的目标图像可以用于后续基于数字病理图像的各种分析和处理。本发明的数字病理图像均一化的方法、装置、设备及存储介质通过选取的基准细胞与参考效果图确定进行效果转换的转换参数,根据转换参数将待处理图像进行转换,保证了基准细胞与参考效果图的颜色特征一致,从而使得待处理的数字病理图像实现均一化的效果。
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,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,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。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。请输入具体实施内容部分。
Claims (10)
1.一种数字病理图像均一化的方法,所述方法包括:
获取待处理图像;
识别所述待处理图像中的基准细胞,所述基准细胞的数量为至少一个;
根据所述待处理图像获取所述基准细胞的颜色特征值,获取预设的参考效果图的颜色参考特征值;
根据所述基准细胞的颜色特征值和参考效果图的颜色参考特征值确定转换参数;其中,所述转换参数为将基准细胞的颜色特征值转换为参考效果图的颜色参考特征值的参数;
根据转换参数对所述待处理图像进行转换处理,获取转换之后的目标图像并输出;
其中,所述识别所述待处理图像中的基准细胞的步骤,包括:识别待处理图像中的所有细胞;根据预设的基准细胞选择条件,在识别出的所有细胞中确定满足预设的基准细胞选择条件的细胞作为所述基准细胞;
具体包括:判断所述识别出的所有细胞中的待选择细胞是否满足预设的基准细胞选择条件的一个或多个,所述预设的基准细胞选择条件包括:当待处理图像为多帧图像时细胞分布于每一帧待处理图像中,细胞之间不重叠,细胞具有细胞体积小及细胞核分叶状的标志,细胞之间染色差异满足预设范围,和/或,染色后的细胞的细胞核和细胞浆易区分;若是,将该待选择细胞作为所述基准细胞。
2.根据权利要求1所述的方法,其特征在于,所述获取待处理图像的步骤之后还包括:
将待处理图像转换为RGB格式下的待处理图像。
3.根据权利要求1所述的方法,其特征在于,所述根据所述待处理图像获取所述基准细胞的颜色特征值,获取预设的参考效果图的颜色参考特征值的步骤还包括:
识别所述基准细胞的第一区域和第二区域,分别获取所述第一区域对应的第一颜色特征和第二区域对应的第二颜色特征作为所述颜色特征值;
识别所述参考效果图中分别与所述第一区域和第二区域对应的第三区域和第四区域,分别获取所述第三区域对应的第三颜色参考特征和第四区域对应的第四颜色参考特征作为所述颜色参考特征值。
4.根据权利要求3所述的方法,其特征在于,所述分别获取所述第三区域对应的第三颜色参考特征和第四区域对应的第四颜色参考特征作为所述颜色参考特征值的步骤之后,还包括:
基于所述基准细胞的第一区域和第二区域与所述参考效果图的第三区域和第四区域之间的对应关系,根据所述颜色特征值和所述颜色参考特征值确定所述转换参数。
5.根据权利要求1所述的方法,其特征在于,所述根据转换参数对所述待处理图像进行转换处理的步骤,还包括:
获取待处理图像的颜色全局特征值,根据转换参数和预设的颜色转换模型,对所述待处理图像的颜色全局特征值进行转换处理。
6.根据权利要求1所述的方法,其特征在于,所述获取转换之后的目标图像并输出的步骤之后,还包括:
将转换后的目标图像输入预设人工智能模型,以使所述人工智能模型对所述转换后的目标图像进行图像分析。
7.一种数字病理图像均一化的装置,其特征在于,所述装置包括:
获取模块,用于获取待处理图像;
识别模块,用于识别所述待处理图像中的基准细胞,所述基准细胞的数量为至少一个;
确定模块,用于根据所述待处理图像获取所述基准细胞的颜色特征值,获取预设的参考效果图的颜色参考特征值;
计算模块,用于根据所述基准细胞的颜色特征值和参考效果图的颜色参考特征值确定转换参数;其中,所述转换参数为将基准细胞的颜色特征值转换为参考效果图的颜色参考特征值的参数;
转换模块,用于根据转换参数对所述待处理图像进行转换处理,获取转换之后的目标图像并输出;
所述识别所述待处理图像中的基准细胞,包括:识别待处理图像中的所有细胞;根据预设的基准细胞选择条件,在识别出的所有细胞中确定满足预设的基准细胞选择条件的细胞作为所述基准细胞;
具体包括:判断所述识别出的所有细胞中的待选择细胞是否满足预设的基准细胞选择条件的一个或多个,所述预设的基准细胞选择条件包括:当待处理图像为多帧图像时细胞分布于每一帧待处理图像中,细胞之间不重叠,细胞具有细胞体积小及细胞核分叶状的标志,细胞之间染色差异满足预设范围,和/或,染色后的细胞的细胞核和细胞浆易区分;若是,将该待选择细胞作为所述基准细胞。
8.根据权利要求7所述的装置,其特征在于,所述识别模块还包括:
识别单元,用于识别待处理图像中的所有细胞;
选择单元,用于根据预设的基准细胞选择条件,在识别出的所有细胞中确定满足预设的基准细胞选择条件的细胞作为所述基准细胞;
所述选择单元还包括:
判断子单元,用于判断所述识别出的所有细胞中的待选择细胞是否满足预设的基准细胞选择条件的一个或多个,所述预设的基准细胞选择条件包括:当待处理图像为多帧图像时细胞分布于每一帧待处理图像中,细胞之间不重叠,细胞具有细胞体积小及细胞核分叶状的标志,细胞之间染色差异满足预设范围,和/或,染色后的细胞的细胞核和细胞浆易区分;若是,将该待选择细胞作为所述基准细胞。
9.一种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,使得所述处理器执行如权利要求1至6中任一项所述方法的步骤。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911120682.9A CN111048183B (zh) | 2019-11-15 | 2019-11-15 | 数字病理图像均一化的方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911120682.9A CN111048183B (zh) | 2019-11-15 | 2019-11-15 | 数字病理图像均一化的方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111048183A CN111048183A (zh) | 2020-04-21 |
CN111048183B true CN111048183B (zh) | 2024-01-30 |
Family
ID=70232127
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911120682.9A Active CN111048183B (zh) | 2019-11-15 | 2019-11-15 | 数字病理图像均一化的方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111048183B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113469939B (zh) * | 2021-05-26 | 2022-05-03 | 透彻影像(北京)科技有限公司 | 一种基于特性曲线的her-2免疫组化自动判读*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184420A (zh) * | 2011-04-18 | 2011-09-14 | 四川大学 | 一种免疫组化数字图像处理方法 |
CN107833620A (zh) * | 2017-11-28 | 2018-03-23 | 北京羽医甘蓝信息技术有限公司 | 图像处理方法和图像处理装置 |
CN109345601A (zh) * | 2018-09-21 | 2019-02-15 | 合肥工业大学 | 基于低秩嵌入非负矩阵分解的病理图像颜色标准化的方法 |
CN109978849A (zh) * | 2019-03-20 | 2019-07-05 | 广州金域医学检验中心有限公司 | 基于数字病理图像的基线细胞确定方法、装置及可读介质 |
CN110189293A (zh) * | 2019-04-15 | 2019-08-30 | 广州锟元方青医疗科技有限公司 | 细胞图像处理方法、装置、存储介质及计算机设备 |
-
2019
- 2019-11-15 CN CN201911120682.9A patent/CN111048183B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184420A (zh) * | 2011-04-18 | 2011-09-14 | 四川大学 | 一种免疫组化数字图像处理方法 |
CN107833620A (zh) * | 2017-11-28 | 2018-03-23 | 北京羽医甘蓝信息技术有限公司 | 图像处理方法和图像处理装置 |
CN109345601A (zh) * | 2018-09-21 | 2019-02-15 | 合肥工业大学 | 基于低秩嵌入非负矩阵分解的病理图像颜色标准化的方法 |
CN109978849A (zh) * | 2019-03-20 | 2019-07-05 | 广州金域医学检验中心有限公司 | 基于数字病理图像的基线细胞确定方法、装置及可读介质 |
CN110189293A (zh) * | 2019-04-15 | 2019-08-30 | 广州锟元方青医疗科技有限公司 | 细胞图像处理方法、装置、存储介质及计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111048183A (zh) | 2020-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7065236B2 (en) | Method for quantitative video-microscopy and associated system and computer software program product | |
CN111242961B (zh) | 一种用于pd-l1抗体染色切片的自动读片方法及其*** | |
EP1470411B1 (en) | Method for quantitative video-microscopy and associated system and computer software program product | |
CN110930353A (zh) | 孔位保护门状态检测方法、装置、计算机设备和存储介质 | |
CN109886928B (zh) | 一种目标细胞标记方法、装置、存储介质及终端设备 | |
CN111160301B (zh) | 基于机器视觉的隧道病害目标智能识别及提取方法 | |
AU2002334590A1 (en) | Method quantitative video-microscopy and associated system and computer software program product | |
MX2007014016A (es) | Metodos de analisis de imagenes basados en la separacion del cromogen. | |
CN110736748A (zh) | 免疫组化核浆染色切片诊断方法及*** | |
CN112132143B (zh) | 数据处理方法、电子设备及计算机可读介质 | |
CN110838094B (zh) | 病理切片染色风格转换方法和电子设备 | |
CN111899246A (zh) | 玻片数字化信息质量检测方法、装置、设备及介质 | |
CN111105407B (zh) | 一种病理切片染色质量评价方法、装置、设备及存储介质 | |
CN114694143B (zh) | 基于光学手段的细胞图像识别方法及装置 | |
CN111048183B (zh) | 数字病理图像均一化的方法、装置、设备及存储介质 | |
CN110008949B (zh) | 一种图像目标检测方法、***、装置和存储介质 | |
CN113807364A (zh) | 一种基于三光融合成像的电力设备缺陷检测方法及*** | |
CN111931721A (zh) | 年检标签颜色和个数的检测方法、装置及电子设备 | |
US9122904B2 (en) | Method for optimization of quantitative video-microscopy and associated system | |
CN112465002B (zh) | 一种火灾现场铜导线熔痕智能识别方法及装置 | |
CN115082713A (zh) | 引入空间对比信息的目标检测框提取方法、***及设备 | |
CN112233060B (zh) | 数字病理图像异常样本的筛选方法、装置、设备及介质 | |
CN116843608A (zh) | 基于机器视觉的服装缺陷检测方法、装置及计算机设备 | |
CN117372369A (zh) | 基于图像的缺陷区域检测方法、装置及计算机设备 | |
CN115641290A (zh) | 基于细胞分析的异常预测方法、装置、设备及介质 |
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 | ||
CB02 | Change of applicant information |
Address after: 510700 No. 10, helix 3 Road, International Biological Island, Huangpu District, Guangzhou City, Guangdong Province Applicant after: GUANGZHOU KINGMED CENTER FOR CLINICAL LABORATORY Address before: 510330 Guangdong Guangzhou Haizhuqu District Xingang East Road 2429, 3rd floor. Applicant before: GUANGZHOU KINGMED CENTER FOR CLINICAL LABORATORY |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |