CN112508952B - 一种病理切片双物镜自适应扫描控制方法及*** - Google Patents

一种病理切片双物镜自适应扫描控制方法及*** Download PDF

Info

Publication number
CN112508952B
CN112508952B CN202110158033.9A CN202110158033A CN112508952B CN 112508952 B CN112508952 B CN 112508952B CN 202110158033 A CN202110158033 A CN 202110158033A CN 112508952 B CN112508952 B CN 112508952B
Authority
CN
China
Prior art keywords
image
scanning
slice
objective lens
magnification
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
Application number
CN202110158033.9A
Other languages
English (en)
Other versions
CN112508952A (zh
Inventor
韩方剑
余莉
黄少冰
徐传玲
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.)
Lansi (Ningbo) Intelligent Technology Co.,Ltd.
Original Assignee
Ningbo Lanxi Biotechnology Co ltd
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 Ningbo Lanxi Biotechnology Co ltd filed Critical Ningbo Lanxi Biotechnology Co ltd
Priority to CN202110158033.9A priority Critical patent/CN112508952B/zh
Publication of CN112508952A publication Critical patent/CN112508952A/zh
Application granted granted Critical
Publication of CN112508952B publication Critical patent/CN112508952B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G01N2021/0106—General arrangement of respective parts
    • G01N2021/0112—Apparatus in one mechanical, optical or electronic block
    • 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
    • G06T2207/10141—Special mode during image acquisition
    • 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
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Immunology (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Pure & Applied Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)

Abstract

本发明公开一种病理切片双物镜自适应扫描控制方法及***，该方法步骤包括：步骤S01.控制使用第一倍率物镜对目标切片的全部区域进行扫描，得到切片全景图，并将得到的切片全景图像按照金字塔图像存储格式进行存储；步骤S02.从多分辨率金字塔图层中获取切片全景图进行图像处理，识别定位出感兴趣区域；步骤S03.将感兴趣区域的位置坐标映射后确定出扫描运动路径，控制使用第二倍率物镜对识别到的感兴趣区域进行局部扫描，得到对应的局部图像，第二倍率物镜的倍率高于第一倍率物镜的倍率。本发明能够实现病理切片双物镜的自适应扫描控制，具有实现方法简单、成本及功耗低、智能化程度高且能够兼顾扫描效率与图像分辨率等优点。

Description

一种病理切片双物镜自适应扫描控制方法及***
技术领域
本发明涉及数字切片扫描技术领域，尤其涉及一种的病理切片双物镜自适应扫描控制方法及***。
背景技术
在病理领域，数字切片扫描分析***是将现实世界中的物理切片转成数字切片的关键。
为实现病理切片的自动扫描分析，目前通常是借助于病理切片扫描分析仪实现，即将病理切片置于扫描分析仪中，由扫描分析仪对切片进行全区域扫描。但是该类病理切片扫描分析仪只能采用固定倍率的物镜对切片的全区域进行扫描，因而会存在扫描效率、扫描倍率以及***资源之间的矛盾，即难以同时兼顾扫描效率、扫描倍率与***资源。如在同等***资源下，若要达到较高的扫描效率，通常就难以达到太高的扫描倍率，而若需要较大的扫描倍率则通常就不能达到太高的扫描效率。而数字化扫描仪虽然能够达到较高倍率，但是又会存在高倍率数字成像导致的高存储空间和高成本问题。
病理切片中实际上并不是所有的切片区域均是分析人员所感兴趣的，分析人员通常仅对其中存在病理阳性区域更为感兴趣，因而对于病理阳性区域的感兴趣区域才需要较清晰的图像。上述传统病理切片扫描分析仪是直接对整个切片的全区域进行扫描分析，若直接使用较低倍率的物镜，虽然可以减少整体的***资源，但是获取的切片整体图像并不清晰，不能清晰的分析感兴趣区域；而若直接使用较高倍率的物镜，虽然可以获取整体区域较清晰的图像，又会造成硬件成本以及***资源增大的问题。
针对上述问题，有从业者提出在病理切片扫描分析仪中设置多个物镜，以使得可以根据不同需求切换不同的物镜进行扫描。但是该类方法通常都是在同一次扫描过程中选择一个物镜扫描，也即在一次扫描过程中只能得到同一个放大倍率的图像，如果对同一张切片需要更清晰的图像，则需要人工切换大倍率物镜再重新扫描一次。即该类方式依然需要依赖于人工操作进行切换，扫描过程复杂、扫描效率仍然不高，且每次扫描仅能够获取同一个放大倍率的图像，需要经过不断切换后才能够获取到所需感兴趣区域的清晰图像，仍然无法快速定位、获取到所需感兴趣区域的清晰图像，同时由于需要重复进行多次扫描，对数字切片扫描仪的***资源也要求较高。
发明内容
本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种实现方法简单、成本及功耗低、智能化程度高且能够兼顾扫描效率与图像分辨率的病理切片双物镜自适应扫描控制方法及***。
为解决上述技术问题，本发明提出的技术方案为：
一种病理切片双物镜自适应扫描控制方法，步骤包括：
步骤S01. 整体扫描：控制使用第一倍率物镜对目标切片的全部区域进行扫描，得到切片全景图，并将得到的所述切片全景图以及所述切片全景图进行缩放后图像按照金字塔图像存储格式进行存储，形成多分辨率金字塔图层；
步骤S02. 感兴趣区域识别：从所述多分辨率金字塔图层中获取所述切片全景图进行图像处理，识别定位出感兴趣区域；
步骤S03. 局部扫描：将所述感兴趣区域在所述多分辨率金字塔图层中的位置坐标映射为实际待扫描的真实物理坐标后确定出扫描运动路径，控制使用第二倍率物镜对识别到的所述感兴趣区域进行局部扫描，得到对应的局部图像，并将所述局部图像按照坐标映射关系存储在所述多分辨率金字塔图层中新构建的图层中以实现稀疏存储，所述第二倍率物镜的倍率高于所述第一倍率物镜的倍率。
进一步的，所述步骤S01中得到切片全景图的步骤包括：
步骤S101. 预览：控制预览切片，获取目标切片整体区域的轮廓；
步骤S102. 聚焦：控制使用所述第一倍率物镜对目标切片上多点进行聚焦，并拟合得到目标切片整体区域的聚焦平面；
步骤S103. 扫描：根据所述聚焦平面的拟合结果，对目标切片整体区域进行扫描；
步骤S104. 拼接：将步骤S103得到的扫描结果经拼接后得所述切片全景图。
进一步的，所述步骤S02中采用深度卷积神经网络对所述感兴趣区域进行识别定位，步骤包括：
S201. 训练：使用历史病理数字全景图数据库对深度卷积神经网络进行训练；
S202. 预测：使用训练好的深度卷积神经网络对所述切片全景图中各区域是否为阳性区域进行预测，得到各区域的预测概率分布；
S203. 识别定位：根据所述预测概率分布确定出所述感兴趣区域。
进一步的，所述步骤S202的步骤包括：获取步骤S01按照金字塔图像存储格式存储的切片全景图，其中底层存储原始切片全景图，原始切片全景图经过缩放后存储在除底层外的其他各图层，各图层的分辨率从下至上逐渐减小；将所述切片全景图中的顶层图片进行前景分割后执行二值化，得到组织前景图；根据所述组织前景图的像素坐标索引所述切片全景图中底层图层对应的图块，然后将每个索引得到的图块作为输入送入到所述训练好的深度卷积神经网络中，以进行阳性概率值预测，最终将每个像素位置预测得到的对应阳性概率值写入到对应的坐标中，形成得到预测概率分布图，即为热力图。
进一步的，所述步骤S03的步骤包括：
步骤S301. 根据所述感兴趣区域中各坐标范围内的阳性概率值，确定需要使用第二倍率物镜进行局部扫描的目标区域；
步骤S302. 将确定的目标区域映射为实际待扫描的真实物理坐标，并根据映射得到的真实物理坐标确定扫描运动路径；
步骤S303. 控制使用第二倍率物镜按照步骤S302确定的扫描运动路径对目标区域进行扫描。
进一步的，所述步骤S301中，获取所述感兴趣区域的预测概率分布图，即为热力图，根据所述热力图将所述感兴趣区域中各坐标范围按照概率大小进行排序；根据预设的阳性区域概率值阈值P thr 和阳性区域最大个数阈值P num ，最终确定出需要使用第二倍率物镜进行局部扫描的目标区域。
进一步的，所述步骤S302的步骤包括：
步骤S321. 根据所述第二倍率物镜的倍率确定目标区域相对于扫描起始点的相对坐标；
步骤S322. 根据所述相对坐标将目标区域映射为实际待扫描的真实物理坐标；
步骤S323. 按照S型扫描路径重新规划扫描的运动路径，以使得每次扫描时当前扫描点的真实物理坐标与扫描原点之间的距离最小，确定得到最终的扫描运动路径。
进一步的，所述步骤S01中形成多分辨率金字塔图层时，具体将使用所述第一倍率物镜扫描得到的原始切片全景图存储在最底层，将原始切片全景图按照指定倍率依次进行缩小后分别存储至对应的各图层，各图层的分辨率从下至上逐渐减小，形成初始多分辨率金字塔图层；所述步骤S03中将所述局部图像存储至所述多分辨率金字塔图层中时，在所述初始多分辨率金字塔图层中再构建一个新的最底层，将所述局部图像按照坐标映射关系存储在新构建的最底层以实现稀疏存储，形成最终的稀疏多分辨率金字塔图层。
进一步的，还包括获取外部输入的用于选定感兴趣区域的选定信号，根据所述选定信号对应的屏幕坐标确定在所述多分辨率金字塔图层中当前显示图层下的对应坐标，按照确定的坐标获取出图像并进行显示。
一种病理切片双物镜自适应扫描控制***，包括：
整体扫描模块，用于控制使用第一倍率物镜对目标切片的全部区域进行扫描，得到切片全景图，并将得到的所述切片全景图以及所述切片全景图进行缩放后图像按照金字塔图像存储格式进行存储，形成多分辨率金字塔图层；
感兴趣区域识别模块，用于从所述多分辨率金字塔图层中获取所述切片全景图进行图像处理，识别定位出感兴趣区域；
局部扫描模块，用于将所述感兴趣区域在所述多分辨率金字塔图层中的位置坐标映射为实际待扫描的真实物理坐标后确定出扫描运动路径，控制使用第二倍率物镜对识别到的所述感兴趣区域进行局部扫描，得到对应的局部图像，并将所述局部图像按照坐标映射关系存储在所述多分辨率金字塔图层中新构建的图层中以实现稀疏存储，所述第二倍率物镜的倍率高于所述第一倍率物镜的倍率。
一种病理切片双物镜自适应扫描控制***，包括处理器以及存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，所述处理器用于执行所述计算机程序，以执行上述方法。
与现有技术相比，本发明的优点在于：
1、本发明模拟病理切片的实际分析过程，通过先使用低倍率物镜对切片的全部区域进行快速扫描，得到切片全景图，然后对切片全景图进行图像处理，识别定位出感兴趣区域，之后再对识别定位出感兴趣区域使用更高倍率物镜进行更高倍率的扫描，使得既可以保证切片的快速扫描，又可以降低对***资源的要求，同时还可以兼顾获取感兴趣区域更高的图像分辨率，即能够同时兼顾扫描效率、图像分辨率以及***资源的要求，且整个扫描过程可以无需人工参与，可以实现病理切片的智能扫描分析。
2、本发明在使用低倍率物镜对切片进行整体快速扫描的基础上，通过结合图像处理以及深度学习方法，自动识别定位出感兴趣病理区域，使得可以配合实现高低倍率物镜的自动切换，自适应调节成像倍率，从而模拟对病理切片的观测诊断过程，全流程自动切换双物镜成像，在保持快速扫描的条件下，能够降低对***资源的要求，同时兼顾对高分辨率病理区域的诊断需求，使得可以高效的辅助完成病理诊断过程。
3、本发明进一步通过构建稀疏多分辨率金字塔图层格式，使得可以支持自动和外部输入的方式，将对应采集得到的高倍率清晰图稀疏存入到多分辨金字塔格式当中的最底稀疏图层，既能够方便于局部高分辨图的存储，而且结合软件前端显示界面，也易于对局部高分辨图的显示，同时还可以减少对不必要的图像数据的传输，从而使得可以高效完成局部高倍率清晰图从稀疏采集、稀疏存储到最终的稀疏显示过程。
4、本发明进一步结合高倍率物镜以及S型扫描方法，实现对感兴趣区域的快速二次扫描，每次扫描时当前扫描点的真实物理坐标与扫描原点之间的距离最小，不仅能够确保感兴趣区域的高图像分辨率，还能够尽可能提高扫描效率，进一步提高扫描效率以及图像分辨率的综合性能。
附图说明
图1是本实施例病理切片双物镜自适应扫描控制方法的实现流程示意图。
图2是本实施例实现病理切片双物镜自适应扫描的原理示意图。
图3是本实施例中对切片进行扫描的扫描路径的原理示意图。
图4是本实施例中将低倍率物镜扫描结果按金字塔格式存储的原理示意图。
图5是本实施例中数据集的制作流程示意图。
图6是本实施例中生成热力图的流程示意图。
图7是本实施例中将高倍率物镜扫描结果按金字塔格式存储的原理示意图。
具体实施方式
以下结合说明书附图和具体优选的实施例对本发明作进一步描述，但并不因此而限制本发明的保护范围。
如图1、2所示，本实施例病理切片双物镜自适应扫描控制方法的步骤包括：
步骤S01. 整体扫描：控制使用第一倍率物镜对目标切片的全部区域进行扫描，得到切片全景图，并将得到的切片全景图以及所述切片全景图进行缩放后图像按照金字塔图像存储格式进行存储，形成多分辨率金字塔图层；
步骤S02. 感兴趣区域识别：从多分辨率金字塔图层中获取切片全景图进行图像处理，识别定位出感兴趣区域；
步骤S03. 局部扫描：将感兴趣区域在所述多分辨率金字塔图层中的位置坐标映射为实际待扫描的真实物理坐标后确定出扫描运动路径，控制使用第二倍率物镜对识别到的所述感兴趣区域进行局部扫描，得到对应的局部图像，并将局部图像按照坐标映射关系存储在所述多分辨率金字塔图层中新构建的图层中以实现稀疏存储，第二倍率物镜的倍率高于所述第一倍率物镜的倍率。
分析人员在对病理切片进行实际分析过程中，通常会先使用低倍物镜进行大致情况观察，然后再使用高倍物镜对感兴趣区域进行仔细观察。本实施例模拟病理切片的实际分析过程，通过先使用低倍率物镜对切片的全部区域进行快速扫描，得到切片全景图，然后对切片全景图进行图像处理，识别定位出感兴趣区域，之后再对识别定位出感兴趣区域使用更高倍率物镜进行更高倍率的扫描，可以实现物镜自适应调节控制，使得既可以保证切片的快速扫描，又可以降低对***资源的要求，同时还可以兼顾获取感兴趣区域更高的图像分辨率，即能够同时兼顾扫描效率、图像分辨率以及***资源的要求，且整个扫描过程可以无需人工参与，可以实现病理切片的智能扫描分析。
本实施例首先采用低倍率物镜对整张切片的全部区域进行快速扫描，这个过程由于采用低倍物镜，对聚焦模组的精度等要求不高，可以有效降低硬件成本。
本实施例中，步骤S01中得到切片全景图的步骤包括：
步骤S101. 预览：控制预览切片，获取目标切片整体区域的轮廓；
步骤S102. 聚焦：控制使用第一倍率物镜对目标切片上多点进行聚焦，并拟合得到目标切片整体区域的聚焦平面；
步骤S103. 扫描：根据聚焦平面的拟合结果，对目标切片整体区域进行扫描；
步骤S104. 拼接：将步骤S103得到的扫描结果经拼接后得切片全景图。
上述步骤S101中预览切片时具体可利用预览相机实现，以获取整体区域的轮廓。通过预览切片可以确定快速扫描路径，具体可采用如下方式确定：避免从切片的左上角原点开始扫描，同时基于整体区域的轮廓，从有组织图像前景的起始点(x0, y0)开始扫描，并确认扫描的宽度W和高度H。
上述步骤S102中，使用第一倍率物镜对切片上多点进行快速聚焦后，使用多项式拟合方式拟合得到整体区域的聚焦平面。该聚焦过程由于采用低倍物镜，对聚焦模组的精度等要求不高，可以降低硬件成本以及对***资源的要求。
上述步骤S103中，先将整个待扫描的区域划分为W×H区域，电机按照“S”型的扫描方法移动，得到扫描路径如图3所示；根据聚焦平面拟合的结果以及每一个扫描区域预设的焦点值，完成对切片整体区域的扫描过程。该结合低倍率物镜以及S型扫描方法，可以实现对切片的整个区域的快速扫描。
在具体应用实施例中，步骤S01进行整体扫描的详细步骤为：先预置好第一倍率物镜扫描的相关初始参数，***控制电机开始扫描工作；利用预览相机预览切片，获取整体区域的轮廓，经图像分析得到快速扫描路径，以确认从有组织图像前景的起始点(x0, y0)开始扫描，并确认扫描的宽度W和高度H；使用第一倍率物镜对切片上多点进行快速聚焦，并经多项式拟合得到整体区域的聚焦平面；将整个待扫描的区域划分为W×H区域，电机按照“S”型的扫描方法移动，得到扫描路径；根据聚焦平面拟合的结果以及每一个扫描区域预设的焦点值，完成对切片整体区域的扫描过程；经拼接之后得到低倍率物镜下的数字病理切片全景图。
本实施例步骤S01中扫描后，将切片全景图按照多分辨金字塔图像存储格式进行存储，多分辨率金字塔图像格式如图4所示，将原始切片全景图存储在最底层，将原始切片全景图按照指定倍率依次进行缩小后分别存储至除最底层以外的其他各图层，各图层的分辨率从下至上逐渐减小。由多分辨金字塔图像存储格式，可以得到多分辨率的图像数据，便于满足不同需求下图像的显示，还可以减少对不必要的图像数据的传输。
可以理解的是，上述步骤S01中当然也可以根据实际需求控制低倍率物镜采用其他扫描方式，以对切片进行整体快速扫描。
本实施例步骤S02中具体采用深度卷积神经网络对感兴趣区域进行识别定位，以利用深度学习方法实现病理感兴趣区域的智能、精确定位。
本实施例采用深度卷积神经网络对感兴趣区域进行识别定位的具体步骤包括：
S201. 训练：使用历史病理数字全景图数据库对深度卷积神经网络进行训练；
S202. 预测：使用训练好的深度卷积神经网络对切片全景图中各区域是否为阳性区域进行预测，得到各区域的预测概率分布；
S203. 识别定位：根据预测概率分布确定出感兴趣区域。
本实施例先利用大量历史病理数字全景图进行数据集制作，如图5所示，首先收集大量历史病理数字全景图，每个病理数字全景图都按照多分辨金字塔格式存储，对每一张病理数字全景图，先取出分辨率小的顶层图片进行图像处理，得到组织前景图并二值化以摒弃掉空白图块，接着根据二值化的前景图像素坐标，索引位于金字塔底层图层对应的图块，然后将每个图块切割制成相应的数据集。使用制作得到的数据集对深度卷积神经网络进行训练，对训练好的深度卷积神经网络再经测试后，最终得到优化好、符合所需识别定位精度的深度卷积神经网络。该深度卷积神经网络具有预测切片中阳性区域概率的功能。
本实施例采用训练优化好的深度卷积神经网络，对步骤S01获取的数字切片全景图整体区域进行病理预测，得到阳性区域预测概率分布图，即热力图，表示每一个图块是否为阳性区域的概率，颜色越深对应的阳性区域的概率越大；如图6所示，利用热力图即可识别定位出感兴趣区域，首先取出该切片全景图的顶层图片进行前景分割后执行二值化，得到经前景分割的二值化组织前景图，以摒弃空白背景，减少不必要的处理数据量，根据前景图的像素坐标索引该切片全景图底层图层对应的图块，然后将每个索引得到的图块作为输入送入到经训练优化好的网络，以进行阳性概率值预测，最终将每个像素位置预测得到的对应阳性概率值写入到相应的坐标当中，得到热力图。
本实施例在使用低倍率物镜对切片进行整体快速扫描的基础上，通过结合图像处理以及深度学习方法，自动识别定位出感兴趣病理区域，由该识别定位出的感兴趣区域可以实现进一步的局部扫描，使得可以配合实现高低倍率物镜的自动切换，从而模拟分析人员从低倍率物镜看整体病理情况到局部高清病理分析的诊断过程，全流程自动切换双物镜成像，在保持快速扫描的条件下，降低对***资源的要求，同时兼顾对高分辨率病理区域的诊断需求。
可以理解的是，也可以根据实际需求采用其他方法实现对感兴趣区域的识别定位。
本实施例在定位出感兴趣区域后，采用高倍率物镜对感兴趣病理区域进行局部扫描，以得到高倍率清晰的病理图像。本实施例步骤S03的具体步骤包括：
步骤S301. 根据感兴趣区域中各坐标范围内的阳性概率值，确定需要使用第二倍率物镜进行局部扫描的目标区域；
步骤S302. 将确定的目标区域映射为实际待扫描的真实物理坐标，并根据映射得到的真实物理坐标确定扫描运动路径；
步骤S303. 控制使用第二倍率物镜按照步骤S302确定的扫描运动路径对目标区域进行扫描。
本实施例步骤S301中，获取感兴趣区域的预测概率分布图，即为热力图，根据热力图将感兴趣区域中各坐标范围按照概率大小进行排序；根据预设的阳性区域概率值阈值P thr 和阳性区域最大个数阈值P num ，最终确定出需要使用第二倍率物镜进行局部扫描的目标区域，可以确保仅对感兴趣的阳性区域进行局部高倍率扫描。
在具体应用实施例中，上述步骤S301的详细步骤包括：
根据热力图定位感兴趣病理区域时，热力图的大小对应于切片全景图当中的顶层图片的大小，按像素坐标将热力图转换成包含坐标信息的一维阳性区域概率向量，可表示为：
Figure 729535DEST_PATH_IMAGE001
（1）
其中，
Figure 297919DEST_PATH_IMAGE003
表示热力图中在像素x坐标和y坐标下的阳性概率值向量，x表示的范围为x 1 ~x M ，M为热力图的像素列数，y表示的范围为y 1 ~ y N，N为热力图的像素行数，
Figure 592765DEST_PATH_IMAGE004
表示向量转置；
根据估计得到的阳性概率按照从大到小的顺序对感兴趣区域进行排序，得到排序后的一维阳性区域概率向量，即为：
Figure 6429DEST_PATH_IMAGE005
（2）
其中，
Figure 532482DEST_PATH_IMAGE006
表示根据阳性区域概率值按照从大到小排序之后在像素坐标
Figure 756921DEST_PATH_IMAGE007
和
Figure 303178DEST_PATH_IMAGE008
下的阳性概率值向量，
Figure 395899DEST_PATH_IMAGE007
表示的范围同x坐标，
Figure 399627DEST_PATH_IMAGE008
表示的范围同y坐标；
根据预设阳性区域概率值阈值P thr 和阳性区域最大个数阈值P num ，确定需第二倍率物镜扫描的阳性区域，具体可配置为：所确定的阳性区域的概率值大于P thr ，且最大个数不大于P num ；得到最终需进行高倍率物镜扫描的区域坐标向量为：
Figure 636047DEST_PATH_IMAGE009
（3）
其中k 1和k 2表示第K个坐标下的
Figure 967802DEST_PATH_IMAGE010
和
Figure 972536DEST_PATH_IMAGE011
坐标下索引，
Figure 706137DEST_PATH_IMAGE012
。
经过上述步骤，可以按照阳性区域概率分布自动筛选出需要重点关注的阳性区域，避免对不重要的区域使用高倍率扫描。
本实施例中，步骤S302的步骤包括：
步骤S321. 根据第二倍率物镜的倍率确定目标区域相对于扫描起始点的相对坐标；
步骤S322. 根据相对坐标将目标区域映射为实际待扫描的真实物理坐标；
步骤S323. 按照S型扫描路径重新规划扫描的运动路径，以使得每次扫描时当前扫描点的真实物理坐标与扫描原点之间的距离最小，确定得到最终的扫描运动路径。
本实施例上述步骤，可以结合第二倍率物镜以及S型扫描方法，实现对感兴趣区域的快速二次高倍率扫描，每次扫描时当前扫描点的真实物理坐标与扫描原点之间的距离最小，不仅能够确保感兴趣区域的高图像分辨率，还能够尽可能提高扫描效率，进一步提高扫描效率以及图像分辨率的综合性能。
在具体应用实施例中，上述步骤S302的详细步骤为：
首先根据确定的高倍率物镜带扫描区域坐标向量XY K 映射为实际待扫描的真实物理坐标，其中由于预览相机拍摄所得有待进行扫描的真实扫描区域的宽高如步骤S01中所描述的W和H，对应到预览相机拍摄得到的预览图像列数和行数，如步骤S01中N和M；相机的像元尺寸宽高（即每个像素的宽高）分别为n和m，高倍率物镜的放大倍数为B，则对应于热力图中的区域坐标
Figure 521646DEST_PATH_IMAGE013
，得到对应于扫描起始点的相对横坐标和纵坐标分别表示为：
Figure 45425DEST_PATH_IMAGE014
（4）
Figure 745528DEST_PATH_IMAGE015
（5）
则得到对应于电机运动的切片原点，真实的电机运动坐标为：
Figure 35432DEST_PATH_IMAGE016
（6）
Figure 772575DEST_PATH_IMAGE017
（7）
按照上述方式可以得到一系列真实的运动坐标表示如下：
Figure 580388DEST_PATH_IMAGE018
（8）
进一步根据电机“S”的扫描方法，重新规划电机运动路径，以坐标到原点的棋盘距离D为指标，棋盘距离D表示两坐标
Figure 677657DEST_PATH_IMAGE019
和
Figure 385850DEST_PATH_IMAGE020
的坐标值差的绝对值和，即：
Figure 120325DEST_PATH_IMAGE021
（9）
重新规划电机运动路径时，具体先将
Figure 117231DEST_PATH_IMAGE023
与原点的D值最小坐标
Figure 535968DEST_PATH_IMAGE024
放在第一位，接着再求取剩余的坐标与
Figure 36350DEST_PATH_IMAGE025
的D值，然后将此次D值最小的坐标
Figure 738465DEST_PATH_IMAGE026
放在第二位，以此类推最终得到根据电机运动路径最优规划好的运动坐标向量，按照该规划的运动路径，可以确保每次扫描时当前扫描点的真实物理坐标与扫描原点之间的距离最小，从而尽可能的提高扫描效率。最终规划得到的运动坐标向量具体如下：
Figure 878459DEST_PATH_IMAGE027
（10）
接着依据规划的运动坐标向量
Figure 724055DEST_PATH_IMAGE028
，***控制电机快速移动到各个定位到的感兴趣区域，使用第二倍率物镜进行局部高倍率物镜扫描。
本实施例步骤S03扫描后，将扫描得到的局部高倍率清晰图像重新存储到多分辨率金字塔图层当中，存储时将局部图像按照坐标映射关系存储在多分辨率金字塔图层新构建的最底层，以实现稀疏存储，从而形成稀疏多分辨率金字塔图层。首先在原多分辨率金字塔图层当中，构建一个最底层图层，基于分析定位得到的位置
Figure 834270DEST_PATH_IMAGE030
与原始的热力图坐标位置存在对应的关系XY K ，根据对应的运动坐标
Figure 349696DEST_PATH_IMAGE031
，找到对应的热力图第i个坐标
Figure 819729DEST_PATH_IMAGE032
，然后将热力图像素坐标映射到最底图层，得到局部高倍率清晰图位于最底层图的位置，然后将局部高倍率清晰图对应切成瓦片图块，存入到最底层图对应的位置当中，得到稀疏多分辨率金字塔图像存储格式。如图7所示，先将原始由第一倍率物镜扫描得到的切片全景图按照多分辨率金字塔格式存储，形成初始多分辨率金字塔图层；为了存储第二倍率物镜扫描得到的局部图，在初始多分辨率金字塔图层的最底层构建一个新的最底层，然后依据热力图坐标的映射关系，将第二倍率物镜扫描采集得到的局部图存入到新建的最底层图层当中，形成稀疏多分辨率金字塔图像存储格式。通过采用上述存储格式，既能够方便于局部高分辨图的存储，而且结合软件前端显示界面，也易于对局部高分辨图的显示，同时还可以减少对不必要的图像数据的传输。
在具体应用实施例中，可以相应地根据自定义的稀疏多分辨率金字塔图像存储格式，在显示前端配套实现对应可显示稀疏多分辨率金字塔图像存储格式的软件操作，以完成最终的双物镜自适应倍率切换扫描分析过程。
本发明通过智能定位病理感兴趣区域，自适应调节成像倍率，模拟对病理切片的观测诊断过程，先利用低倍率物镜对整张切片进行全部区域扫描，而后利用深度学习方法快速定位感兴趣病理区域，最终利用高倍率物镜对快速定位得到的感兴趣病理区域进行局部扫描，能够在保持快速扫描的条件下，降低对***资源的要求，同时兼顾对高分辨率病理区域的诊断需求，可以高效的辅助完成病理诊断过程。
本实施例中，还包括获取外部输入的用于选定感兴趣区域的选定信号，根据选定信号对应的屏幕坐标确定在多分辨率金字塔图层中当前显示图层下的对应坐标，按照确定的坐标获取出图像并进行显示，以使得可以根据外部输入的选定信号灵活的显示所需图像，实现手动操作模式。
具体可以配置对于还需查看其他区域的高倍率图像，切换为手动模式，将用鼠标在显示界面前端点击待查看的低倍率物镜成像区域，获取对应的屏幕坐标
Figure 141120DEST_PATH_IMAGE033
，利用屏幕坐标与界面坐标的相对变换关系，得到位于金字塔当下显示图层对应坐标
Figure 334204DEST_PATH_IMAGE034
，当下显示图层与顶层相差的层数为t1，与最底稀疏图层相差的层数为t2，则得到顶层对应的坐标
Figure 584313DEST_PATH_IMAGE035
和最底稀疏图层对应的坐标
Figure 574266DEST_PATH_IMAGE036
分别表示如下：
Figure 604408DEST_PATH_IMAGE037
其中，
Figure 996206DEST_PATH_IMAGE038
表示2的k次幂，多分辨率金字塔图层之间按照2倍率进行缩放。
进一步，顶层坐标
Figure 837123DEST_PATH_IMAGE039
依据步骤S03中的变换关系对应得到电机的运动坐标
Figure 81416DEST_PATH_IMAGE040
，而对应的将高倍率采集得到的清晰图像存储到最底稀疏图层对应坐标
Figure 744610DEST_PATH_IMAGE041
当中，完成稀疏多分辨率金字塔图像的存储更新。
本实施例通过构建稀疏多分辨率金字塔图层格式，可以支持自动和外部输入的方式，将对应采集得到的高倍率清晰图稀疏存入到多分辨金字塔格式当中的最底稀疏图层，并根据对应自定义的稀疏多分辨率金字塔图层格式，在界面显示前端作相对应的格式解析，使得可以高效完成局部高倍率清晰图从稀疏采集、稀疏存储到最终的稀疏显示过程。
本实施例病理切片双物镜自适应扫描控制***，包括：
整体扫描模块，用于控制使用第一倍率物镜对目标切片的全部区域进行扫描，得到切片全景图；
感兴趣区域识别模块，用于对切片全景图中感兴趣区域进行识别定位；
局部扫描模块，用于控制使用第二倍率物镜对识别到的感兴趣区域进行局部扫描，得到对应的局部图像，第二倍率物镜的倍率高于第一倍率物镜的倍率。
本实施例中，整体扫描模块包括：
预览单元，用于控制预览切片，获取目标切片整体区域的轮廓；
聚焦单元，用于控制使用第一倍率物镜对目标切片上多点进行聚焦，并拟合得到目标切片整体区域的聚焦平面；
扫描单元，用于根据聚焦平面的拟合结果，对目标切片整体区域进行扫描；
拼接单元，用于将步骤S103得到的扫描结果经拼接后得切片全景图。
本实施例中，感兴趣区域识别模块采用深度卷积神经网络对感兴趣区域进行识别定位，感兴趣区域识别模块具体包括：
训练单元，用于使用历史病理数字全景图数据库对深度卷积神经网络进行训练；
预测单元，用于使用训练好的深度卷积神经网络对切片全景图中各区域是否为阳性区域进行预测，得到各区域的预测概率分布；
识别定位单元，用于根据预测概率分布确定出感兴趣区域。
本实施例中，局部扫描模块包括：
第一单元，用于根据感兴趣区域中各坐标范围内的阳性概率值，确定需要使用第二倍率物镜进行局部扫描的目标区域；
第二单元，用于将确定的目标区域映射为实际待扫描的真实物理坐标，并根据映射得到的真实物理坐标确定扫描运动路径；
第三单元，用于控制使用第二倍率物镜按照第二单元确定的扫描运动路径对目标区域进行扫描。
本实施例中，第一单元中获取感兴趣区域的预测概率分布图，即为热力图，根据热力图将感兴趣区域中各坐标范围按照概率大小进行排序；根据预设的阳性区域概率值阈值P thr和阳性区域最大个数阈值P num ，最终确定出需要使用第二倍率物镜进行局部扫描的目标区域。
本实施例病理切片双物镜自适应扫描控制***与上述病理切片双物镜自适应扫描控制方法为一一对应，两者具有相同的实现原理、技术效果，在此不再一一赘述。
在其他应用实施例中，本发明病理切片双物镜自适应扫描控制***还可以为：包括处理器以及存储器，存储器用于存储计算机程序，处理器用于执行计算机程序，处理器用于执行计算机程序，以执行如上述病理切片双物镜自适应扫描控制方法。
上述只是本发明的较佳实施例，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。因此，凡是未脱离本发明技术方案的内容，依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应落在本发明技术方案保护的范围内。

Claims (9)

1.一种病理切片双物镜自适应扫描控制方法，其特征在于，步骤包括：
步骤S01. 整体扫描：控制使用第一倍率物镜对目标切片的全部区域进行扫描，得到切片全景图，并将得到的所述切片全景图以及所述切片全景图进行缩放后图像按照金字塔图像存储格式进行存储，形成多分辨率金字塔图层；
步骤S02. 感兴趣区域识别：从所述多分辨率金字塔图层中获取所述切片全景图进行图像处理，识别定位出感兴趣区域；
步骤S03. 局部扫描：将所述感兴趣区域在所述多分辨率金字塔图层中的位置坐标映射为实际待扫描的真实物理坐标后确定出扫描运动路径，控制使用第二倍率物镜对识别到的所述感兴趣区域进行局部扫描，得到对应的局部图像，并将所述局部图像按照坐标映射关系存储在所述多分辨率金字塔图层中新构建的图层中以实现稀疏存储，所述第二倍率物镜的倍率高于所述第一倍率物镜的倍率；
所述步骤S03的步骤包括：
步骤S301. 根据所述感兴趣区域中各坐标范围内的阳性概率值，确定需要使用第二倍率物镜进行局部扫描的目标区域；
步骤S302. 将确定的目标区域映射为实际待扫描的真实物理坐标，并根据映射得到的真实物理坐标确定扫描运动路径；
步骤S303. 控制使用第二倍率物镜按照步骤S302确定的扫描运动路径对目标区域进行扫描。
2.根据权利要求1所述的病理切片双物镜自适应扫描控制方法，其特征在于，所述步骤S01中得到切片全景图的步骤包括：
步骤S101. 预览：控制预览切片，获取目标切片整体区域的轮廓；
步骤S102. 聚焦：控制使用所述第一倍率物镜对目标切片上多点进行聚焦，并拟合得到目标切片整体区域的聚焦平面；
步骤S103. 扫描：根据所述聚焦平面的拟合结果，对目标切片整体区域进行扫描；
步骤S104. 拼接：将步骤S103得到的扫描结果经拼接后得所述切片全景图。
3.根据权利要求1所述的病理切片双物镜自适应扫描控制方法，其特征在于，所述步骤S02中采用深度卷积神经网络对所述感兴趣区域进行识别定位，步骤包括：
S201. 训练：使用历史病理数字全景图数据库对深度卷积神经网络进行训练；
S202. 预测：使用训练好的深度卷积神经网络对所述切片全景图中各区域是否为阳性区域进行预测，得到各区域的预测概率分布；
S203. 识别定位：根据所述预测概率分布确定出所述感兴趣区域。
4.根据权利要求3所述的病理切片双物镜自适应扫描控制方法，其特征在于，所述步骤S202的步骤包括：获取步骤S01按照金字塔图像存储格式存储的切片全景图，其中底层存储原始切片全景图，原始切片全景图经过缩放后存储在除底层外的其他各图层，各图层的分辨率从下至上逐渐减小；将所述切片全景图中的顶层图片进行前景分割后执行二值化，得到组织前景图；根据所述组织前景图的像素坐标索引所述切片全景图中底层图层对应的图块，然后将每个索引得到的图块作为输入送入到所述训练好的深度卷积神经网络中，以进行阳性概率值预测，最终将每个像素位置预测得到的对应阳性概率值写入到对应的坐标中，形成得到预测概率分布图，即为热力图。
5.根据权利要求1所述的病理切片双物镜自适应扫描控制方法，其特征在于，所述步骤S301中，获取所述感兴趣区域的预测概率分布图，即为热力图，根据所述热力图将所述感兴趣区域中各坐标范围按照概率大小进行排序；根据预设的阳性区域概率值阈值P thr 和阳性区域最大个数阈值P num ，最终确定出需要使用第二倍率物镜进行局部扫描的目标区域。
6.根据权利要求1所述的病理切片双物镜自适应扫描控制方法，其特征在于：所述步骤S302的步骤包括：
步骤S321. 根据所述第二倍率物镜的倍率确定目标区域相对于扫描起始点的相对坐标；
步骤S322. 根据所述相对坐标将目标区域映射为实际待扫描的真实物理坐标；
步骤S323. 按照S型扫描路径重新规划扫描的运动路径，以使得每次扫描时当前扫描点的真实物理坐标与扫描原点之间的距离最小，确定得到最终的扫描运动路径。
7.根据权利要求1～6中任意一项所述的病理切片双物镜自适应扫描控制方法，其特征在于：所述步骤S01中形成多分辨率金字塔图层时，具体将使用所述第一倍率物镜扫描得到的原始切片全景图存储在最底层，将原始切片全景图按照指定倍率依次进行缩小后分别存储至对应的各图层，各图层的分辨率从下至上逐渐减小，形成初始多分辨率金字塔图层；所述步骤S03中将所述局部图像存储至所述多分辨率金字塔图层中时，在所述初始多分辨率金字塔图层中再构建一个新的最底层，将所述局部图像按照坐标映射关系存储在新构建的最底层以实现稀疏存储，形成最终的稀疏多分辨率金字塔图层。
8.一种病理切片双物镜自适应扫描控制***，其特征在于，包括：
整体扫描模块，用于控制使用第一倍率物镜对目标切片的全部区域进行扫描，得到切片全景图，并将得到的所述切片全景图以及所述切片全景图进行缩放后图像按照金字塔图像存储格式进行存储，形成多分辨率金字塔图层；
感兴趣区域识别模块，用于从所述多分辨率金字塔图层中获取所述切片全景图进行图像处理，识别定位出感兴趣区域；
局部扫描模块，用于将所述感兴趣区域在所述多分辨率金字塔图层中的位置坐标映射为实际待扫描的真实物理坐标后确定出扫描运动路径，控制使用第二倍率物镜对识别到的所述感兴趣区域进行局部扫描，得到对应的局部图像，并将所述局部图像按照坐标映射关系存储在所述多分辨率金字塔图层中新构建的图层中以实现稀疏存储，所述第二倍率物镜的倍率高于所述第一倍率物镜的倍率；
所述局部扫描模块包括：
第一单元，用于根据所述感兴趣区域中各坐标范围内的阳性概率值，确定需要使用第二倍率物镜进行局部扫描的目标区域；
第二单元，用于将确定的目标区域映射为实际待扫描的真实物理坐标，并根据映射得到的真实物理坐标确定扫描运动路径；
第三单元，用于控制使用第二倍率物镜按照步骤S302确定的扫描运动路径对目标区域进行扫描。
9.一种病理切片双物镜自适应扫描控制***，包括处理器以及存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，其特征在于，所述处理器用于执行所述计算机程序，以执行如权利要求1～8中任意一项所述方法。
CN202110158033.9A 2021-02-05 2021-02-05 一种病理切片双物镜自适应扫描控制方法及*** Active CN112508952B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110158033.9A CN112508952B (zh) 2021-02-05 2021-02-05 一种病理切片双物镜自适应扫描控制方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110158033.9A CN112508952B (zh) 2021-02-05 2021-02-05 一种病理切片双物镜自适应扫描控制方法及***

Publications (2)

Publication Number Publication Date
CN112508952A CN112508952A (zh) 2021-03-16
CN112508952B true CN112508952B (zh) 2021-05-04

Family

ID=74952665

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110158033.9A Active CN112508952B (zh) 2021-02-05 2021-02-05 一种病理切片双物镜自适应扫描控制方法及***

Country Status (1)

Country Link
CN (1) CN112508952B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113237881B (zh) * 2021-05-10 2023-09-12 博奥生物集团有限公司 一种特定细胞的检测方法、装置和病理切片检测***
CN113766131B (zh) * 2021-09-15 2022-05-13 广州市明美光电技术有限公司 一种多目标点对焦方法及应用该方法的数字切片扫描仪
TWI826924B (zh) * 2022-02-11 2023-12-21 友達光電股份有限公司 雙物鏡顯微系統
CN117649381B (zh) * 2023-11-27 2024-06-18 北京透彻未来科技有限公司 一种基于数字病理切片自动计算缩放倍率的装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101339129A (zh) * 2007-09-03 2009-01-07 深圳大学 基于固定光路***的变视场扫描显微的方法及其装置
CN101395465A (zh) * 2006-03-03 2009-03-25 3D希斯特赫有限公司 用于切片的数字化的数字图像自动记录***和切片数字化的方法
CN102368283A (zh) * 2011-02-21 2012-03-07 麦克奥迪实业集团有限公司 一种基于数字切片的数字病理远程诊断***及其方法
CN102542154A (zh) * 2011-12-02 2012-07-04 麦克奥迪实业集团有限公司 一种基于云存储的病理数字切片的质量控制方法
CN210803857U (zh) * 2019-09-11 2020-06-19 宁波江丰生物信息技术有限公司 一种双物镜切换机构
CN112150446A (zh) * 2020-09-27 2020-12-29 郑州中普医疗器械有限公司 显微镜镜检阅片扫描方法、计算机设备和***
CN112270684A (zh) * 2020-12-25 2021-01-26 宁波兰茜生物科技有限公司 一种显微图像免疫组化虚拟多重标记及分析方法及***

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101395465A (zh) * 2006-03-03 2009-03-25 3D希斯特赫有限公司 用于切片的数字化的数字图像自动记录***和切片数字化的方法
CN101339129A (zh) * 2007-09-03 2009-01-07 深圳大学 基于固定光路***的变视场扫描显微的方法及其装置
CN102368283A (zh) * 2011-02-21 2012-03-07 麦克奥迪实业集团有限公司 一种基于数字切片的数字病理远程诊断***及其方法
CN102542154A (zh) * 2011-12-02 2012-07-04 麦克奥迪实业集团有限公司 一种基于云存储的病理数字切片的质量控制方法
CN210803857U (zh) * 2019-09-11 2020-06-19 宁波江丰生物信息技术有限公司 一种双物镜切换机构
CN112150446A (zh) * 2020-09-27 2020-12-29 郑州中普医疗器械有限公司 显微镜镜检阅片扫描方法、计算机设备和***
CN112270684A (zh) * 2020-12-25 2021-01-26 宁波兰茜生物科技有限公司 一种显微图像免疫组化虚拟多重标记及分析方法及***

Also Published As

Publication number Publication date
CN112508952A (zh) 2021-03-16

Similar Documents

Publication Publication Date Title
CN112508952B (zh) 一种病理切片双物镜自适应扫描控制方法及***
CN113537106A (zh) 一种基于YOLOv5的鱼类摄食行为识别方法
CN108961180B (zh) 红外图像增强方法及***
CN108305253B (zh) 一种基于多倍率深度学习的病理图像分类方法
CN110853005A (zh) 一种免疫组化膜染色切片诊断方法及装置
CN111524137A (zh) 基于图像识别的细胞识别计数方法、装置和计算机设备
CN113962976B (zh) 用于病理玻片数字图像的质量评估方法
CN111462076A (zh) 一种全切片数字病理图像模糊区域检测方法及***
CN113344958B (zh) 一种显微成像扫描方法及扫描***
US20160217263A1 (en) Image processing apparatus, image processing method, image display system, and storage medium
CN112464802B (zh) 一种玻片样本信息的自动识别方法、装置和计算机设备
CN113362331A (zh) 图像分割方法、装置、电子设备及计算机存储介质
CN109035170A (zh) 基于单网格图分段映射的自适应广角图像校正方法及装置
JP2015108837A (ja) 画像処理装置及び画像処理方法
CN110837809A (zh) 血液自动分析方法、***、血细胞分析仪及存储介质
CN111179173B (zh) 一种基于离散小波变换和坡度融合算法的图像拼接方法
CN115047610A (zh) 一种自动拟合显微对焦平面的染色体核型分析装置及方法
CN113436206B (zh) 一种基于聚类分割的病理组织切片扫描区域定位方法
CN109584368B (zh) 生物样品三维结构的构建方法及装置
CN112580382B (zh) 基于目标检测二维码定位方法
CN111443475B (zh) 一种物镜自动定位扫描玻片的方法及装置
CN117161004A (zh) 一种激光清洗的路径规划方法及***
CN113052166A (zh) 病理图像的显示方法及装置
CN115115919B (zh) 一种电网设备热缺陷识别方法及装置
CN116311243A (zh) 一种基于显微镜图像的藻类检测方法及***

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
CP01 Change in the name or title of a patent holder

Address after: Room 6-1-604, No.55 Fuye street, Luotuo street, Zhenhai District, Ningbo City, Zhejiang Province

Patentee after: Lansi (Ningbo) Intelligent Technology Co.,Ltd.

Address before: Room 6-1-604, No.55 Fuye street, Luotuo street, Zhenhai District, Ningbo City, Zhejiang Province

Patentee before: Ningbo Lanxi Biotechnology Co.,Ltd.

CP01 Change in the name or title of a patent holder
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20210316

Assignee: Changsha Lansi Intelligent Technology Co.,Ltd.

Assignor: Lansi (Ningbo) Intelligent Technology Co.,Ltd.

Contract record no.: X2023980033656

Denomination of invention: A method and system for adaptive scanning control of pathological sections with dual objective lenses

Granted publication date: 20210504

License type: Common License

Record date: 20230321

EE01 Entry into force of recordation of patent licensing contract