CN113344841A - 一种免疫组化病理切片图片处理方法、***与可读介质 - Google Patents
一种免疫组化病理切片图片处理方法、***与可读介质 Download PDFInfo
- Publication number
- CN113344841A CN113344841A CN202110294056.2A CN202110294056A CN113344841A CN 113344841 A CN113344841 A CN 113344841A CN 202110294056 A CN202110294056 A CN 202110294056A CN 113344841 A CN113344841 A CN 113344841A
- Authority
- CN
- China
- Prior art keywords
- picture
- positive part
- positive
- color space
- pathological section
- 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
- 230000002055 immunohistochemical effect Effects 0.000 title claims abstract description 47
- 230000001575 pathological effect Effects 0.000 title claims abstract description 40
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 230000003902 lesion Effects 0.000 claims abstract description 17
- 238000012216 screening Methods 0.000 claims abstract description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000003745 diagnosis Methods 0.000 abstract description 8
- 238000010827 pathological analysis Methods 0.000 abstract description 4
- 210000001519 tissue Anatomy 0.000 description 23
- 238000010586 diagram Methods 0.000 description 11
- 206010028980 Neoplasm Diseases 0.000 description 5
- 201000011510 cancer Diseases 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000036285 pathological change Effects 0.000 description 4
- 231100000915 pathological change Toxicity 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 206010068771 Soft tissue neoplasm Diseases 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 238000010186 staining Methods 0.000 description 3
- WZUVPPKBWHMQCE-UHFFFAOYSA-N Haematoxylin Chemical compound C12=CC(O)=C(O)C=C2CC2(O)C1C1=CC=C(O)C(O)=C1OC2 WZUVPPKBWHMQCE-UHFFFAOYSA-N 0.000 description 2
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 2
- 239000000427 antigen Substances 0.000 description 2
- 102000036639 antigens Human genes 0.000 description 2
- 108091007433 antigens Proteins 0.000 description 2
- 239000001055 blue pigment Substances 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 201000005202 lung cancer Diseases 0.000 description 2
- 208000020816 lung neoplasm Diseases 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000003788 Neoplasm Micrometastasis Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003748 differential diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002991 immunohistochemical analysis Methods 0.000 description 1
- 238000012151 immunohistochemical method Methods 0.000 description 1
- 238000011532 immunohistochemical staining Methods 0.000 description 1
- 238000003364 immunohistochemistry Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000001394 metastastic effect Effects 0.000 description 1
- 206010061289 metastatic neoplasm Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229920001184 polypeptide Polymers 0.000 description 1
- 102000004196 processed proteins & peptides Human genes 0.000 description 1
- 108090000765 processed proteins & peptides Proteins 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
-
- 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)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明属于生物医学影像处理技术领域,涉及一种免疫组化病理切片图片处理方法、***与可读介质,包括以下步骤:S1将读入的免疫组化病理切片图片由RGB色彩空间转化到HSI色彩空间;S2通过预设阈值,从HSI色彩空间的图片中筛选出发生阳性病变组织;S3将HSI色彩空间的图片进行图像预处理与特征识别处理,并根据阳性病变组织计算阳性部分像素面积和平均荧光强度;S4输出阳性部分像素面积和平均荧光强度,并据此进行免疫组化病理分析。其改变了传统方式由临床医生进行肉眼计数与判断荧光强度的方法,同时减少了人眼判断的误差,极大的提高了诊断的准确率与可信度。
Description
技术领域
本发明涉及一种免疫组化病理切片图片处理方法、***与可读介质,属于生物医学影像处理技术领域。
背景技术
免疫组化全称是免疫组织化学检查,其定义为:抗原与抗体特异性结合,通过化学反应使标记抗体的显色剂显色,从而确定组织细胞内的抗原(多肽和蛋白质),并对其进行定位、定性和定量分析。在常规的肿瘤病理诊断中,有一部分病例单靠基本的Hematoxylin-Eosin染色(苏木精-伊红染色)很难判断患者的病情,特别是在低分化或未分化的肿瘤鉴别时。为使得诊断准确,需要对病人进行免疫组化检查。免疫组化病理检查具有以下作用:1、恶性肿瘤的诊断与鉴别诊断;2、确定转移性恶性肿瘤的原发部位;3、对某类肿瘤进行进一步的病理分型;4、软组织肿瘤的治疗一般需根据正确的组织学分类,因其种类多、组织形态相像,有时难以区分其组织来源,应用多种标志进行免疫组化研究对软组织肿瘤的诊断是不可缺少的;5、发现微小转移灶,有助于临床治疗方案的确定,包括手术范围的确定;6、为临床治疗方案的选择提供参考。
免疫组化医学影像需要统计待检标志物阳性表达细胞的个数以及染色的荧光强度,但是传统的检测方法需要通过有经验的医生对免疫组化医学影像进行肉眼计算,判断影像的平均荧光强度。这种方法不仅耗时耗力,而且计数精度不高,计数的准确性依赖于医生的经验,且主观判断荧光强度存在一定的误差。因此亟需研发一种标准化的免疫组化方法。
发明内容
针对上述问题,本发明的目的是提供一种免疫组化病理切片图片处理方法、***与可读介质,其改变了传统方式由临床医生进行肉眼计数与判断荧光强度的方法,同时减少了人眼判断的误差,极大的提高了诊断的准确率与可信度。
为实现上述目的,本发明采取以下技术方案:一种免疫组化病理切片图片处理方法,包括以下步骤:S1将读入的免疫组化病理切片图片由RGB色彩空间转化到HSI色彩空间;S2通过预设阈值,从HSI色彩空间的图片中筛选出发生阳性病变组织;S3将HSI色彩空间的图片进行图像预处理与特征识别,并根据阳性病变组织计算阳性部分像素面积和平均荧光强度;S4输出阳性部分像素面积和平均荧光强度。
进一步,步骤S1中由RGB色彩空间转化到HSI色彩空间的转化公式为:
其中,H是图片的色调,S是图片的饱和度,I是图片的亮度,R、G、B分别为图片的红色值、绿色值和蓝色值,θ是围绕用于表征HSI色彩空间的六棱锥的角度。
进一步,步骤S2中发生阳性病变组织的筛选公式如下:
进一步,步骤S3中图像预处理与特征识别处理的公式如下:
其中,f(x,y)是图片中的像素坐标。
进一步,在图像预处理与特征识别处理后,判断f(x,y)=1的像素点的亮度是否大于阈值α,如是则f(x,y)=1,反之f(x,y)=0。
进一步,步骤S3中计算阳性部分像素面积和平均荧光强度的方法为:令初始阳性部分像素面积和阳性部分总的强度为零,若f(x,y)=1,则阳性部分像素面积加1,阳性部分总的强度加当前阳性部分的对应强度,遍历图片像素矩阵后,获得整个图片的阳性部分像素面积和阳性部分总的强度,将阳性部分总的强度除以整个图片的阳性部分像素面积获得平均荧光强度。
进一步,步骤S4中输出阳性部分像素面积和平均荧光强度的方法为:将整个图片的阳性部分像素面积与平均荧光强度进行显示,通过将阳性部分像素面积与临床指标阳性细胞面积占据整个切片图片的比例进行对比。
本发明还公开了一种免疫组化病理切片图片处理***,包括:色彩空间转化模块,用于将读入的免疫组化病理切片图片由RGB色彩空间转化到HSI色彩空间;阳性部分筛选模块,用于通过预设阈值,从HSI色彩空间的图片中筛选出发生阳性病变组织;数据处理模块,用于将HSI色彩空间的图片进行图像预处理与特征识别处理,并根据阳性病变组织计算阳性部分像素面积和平均荧光强度;显示模块,用于输出阳性部分像素面积和平均荧光强度。
进一步,数据处理模块中计算阳性部分像素面积和平均荧光强度的方法为:令初始阳性部分像素面积和阳性部分总的强度为零,若f(x,y)=1,则阳性部分像素面积加1,阳性部分总的强度加当前阳性部分的对应强度,遍历图片像素矩阵后,获得整个图片的阳性部分像素面积和阳性部分总的强度,将阳性部分总的强度除以整个图片的阳性部分像素面积获得平均荧光强度。
本发明还公开了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行以实现上述任一项的免疫组化病理切片图片处理方法。
本发明由于采取以上技术方案,其具有以下优点:
1、本发明改变了传统方式由临床医生进行肉眼计数与判断荧光强度的方法,同时减少了人眼判断的误差,极大的提高了诊断的准确率与可信度。
2、本发明采用HSI色彩空间,避免了在计算计算面积时,红棕色(阳性)部分夹杂着蓝色色素导致的阴性部分面积变大的问题,使结果更加准确。
3、本发明通过图像预处理与特征识别处理,使阳性部分和阴性部分的界限更加明显,图片更加清晰直观,并通过设置亮度值的阈值α去除杂质干扰,使得结果更加可靠准确。
附图说明
图1是本发明一实施例中免疫组化病理切片图片处理方法的流程图;
图2是本发明一实施例中RGB色彩空间与HSI色彩空间的示意图,图2(a)是RGB色彩空间的示意图,图2(b)是HSI色彩空间的示意图,;
图3是本发明一实施例中的小鼠肺癌免疫组化切片图;
图4是本发明一实施例中设置阈值筛选阳性病变组织后的肺癌图片。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方向,通过具体实施例对本发明进行详细的描绘。然而应当理解,具体实施方式的提供仅为了更好地理解本发明,它们不应该理解成对本发明的限制。在本发明的描述中,需要理解的是,所用到的术语仅仅是用于描述的目的,而不能理解为指示或暗示相对重要性。
本发明涉及一种免疫组化病理切片图片处理方法、***与可读介质,其通过对免疫组化病理切片图片的不同病变组织进行采样;根据采样信息的阈值获得活性组织部分;对获得活性组织部分的图片进行图像预处理与特征识别处理;对图像预处理与特征识别处理后的图片进行数据处理,将处理结果进行显示,并进行免疫组化分析。其改变了传统方式由临床医生进行肉眼计数与判断荧光强度的方法,同时减少了人眼判断的误差,极大的提高了诊断的准确率与可信度。下面通过两个实施例对本发明的技术方案进行详细说明。
实施例一
本实施例公开了一种免疫组化病理切片图片处理方法,如图1所示,包括以下步骤:
S1将读入的免疫组化病理切片图片由RGB色彩空间转化到HSI色彩空间。
当计算机对一幅免疫组化病理切片图片f(x,y)采样时,得到一幅M行和N列的像素矩阵,像素值越大表示图片清晰度越好。像素矩阵中坐标(x,y)表示图片在对应像素点的灰度值。坐标(x,y)的值是离散量。对图片采样时精度通常为8比特,则此时的灰度值为一个0-255之间的整数。图片的原点定义为(x,y)=(0,0),这里的(0,0)指的是初始采样点。沿着图片的第一列的下一个坐标是(1,0),其表示列方向上的第二个采样点。
如图2所示,图片写入或读取时通常采用RGB色彩空间,如图2(a)所示,一副RGB图片就是M×N×3大小的彩色像素数组,其中每个彩色像素点都是在特定空间位置的彩色图片所对应的红、绿、蓝三个分量。RGB图片也可以看做由三个灰度图片形成的‘堆栈’,当发送到彩色监视器的红、绿、蓝输入端时,就会在屏幕上产生彩色图片。按照惯例,形成一幅RGB彩色图片的三幅图片通常被称作红、绿、蓝分量图片。分量图片的数据决定了其取值范围。通常,所有分量图片的比特数都是相同的。在这种情况下,一幅RGB图片的色彩数就是(2b)3,其中b就是每个图片得比特数。对于8比特图片,其颜色数为16777216种。
为此,本实施例中将免疫组化病理切片图片转化到HSI色彩空间,HSI色彩空间是如图2(b)所示的六棱锥,六棱锥的锥顶是颜色空间黑色部分,I轴是锥顶到锥面的几何中心,即黑色到白色的连线为I轴,它表示图形的色值。I=0是轴的末端为黑色,I=255是轴的末端为白色,I轴类似于RGB色彩空间下的灰度值。H是图形的色调,色的分量是围绕彩色六棱锥的角度来描述的。S是指图形的饱和度也叫作颜色的纯净度,饱和度分量是由距I轴的距离来度量的。
RGB色彩空间转化到HSI色彩空间具体实现办法如下述所示:
其中,H是图片的色调,S是图片的饱和度,I是图片的亮度,R、G、B分别为图片的红色值、绿色值和蓝色值,θ是围绕用于表征HSI色彩空间的六棱锥的角度。
如图3所示,在做免疫组织化学染色过程中采用DAB染色,在免疫组化病理切片中,阳性区域是图中较深色部分,在彩色图中为棕黄褐色团,其他地方属于干扰项,为此需要先将图中较深色部分提出。由DAB显色的棕黄色,在RGB颜色空间下棕黄色是红绿蓝三种基本色彩的叠加色,倘若使用RGB色彩分离,将红色作为棕黄色分离的部分,会丢失一部分阳性面积,另外在计算苏木素染色(阴性)面积采用将蓝色色彩分离计算面积时,棕黄色(阳性)部分夹杂着蓝色色素势必会导致阴性部分面积变大。然而在HSI向量空间下,色调是通过角度θ设定范围提取得到,阳性部分的提取并不会受颜色的影响,使阳性部分的面积更加准确。
S2通过预设阈值,从HSI色彩空间的图片中筛选出发生阳性病变组织。
发生阳性病变组织的筛选公式如下:
在进行***设备设计过程中,通过反复实验数据处理验证,发现当将θ角度范围设置到1-30°时可以很好提取阳性面积。提取出的阳性面积准确率在97%左右。为方便用户使用,本实施例在进行设备页面设计过程中将θ角度的阈值范围默认设置成1-30°,同时,也可以用点击阳性部分最亮处,获取图片信息,将最亮部分θ角度作为阈值上限。阳性部分最亮处信息获取方法如下:在HSI色彩空间下,获取阳性部分亮度值最高的像素点,该亮度值是该点处的RGB色彩空间下的平均值。其筛选结果如图4所示,图中白色部分即为阳性部分。
S3将HSI色彩空间的图片进行图像预处理与特征识别处理,并根据阳性病变组织计算阳性部分像素面积和平均荧光强度。
图像预处理与特征识别处理指的是将标记出具有阳性病变组织的像素点,对标记后的图片进行图像预处理与特征识别,对有阳性病变组织的像素进行识别与标记。图像预处理与特征识别处理的公式如下:
其中,f(x,y)是图片中的像素坐标,其将具有阳性病变组织的像素点进行标记,同时删除不具有阳性病变组织的像素点,使得图片更加直观清晰。
通过大量实例发现在免疫组化图片数据处理中,很多切片像素点具有阳性部分色彩特征,但其强度值偏暗,甚至偏黑,这些像素点不属于阳性部分,是一种杂质干扰。因此在图像预处理与特征识别处理后,需要判断f(x,y)=1的像素点的亮度和像素面积是否大于阈值α,如是则f(x,y)=1,反之f(x,y)=0,使得结果更加可靠准确。在本实施例中,像素亮度α优选为12,但其具体值可以根据实际图片的质量进行设置,并不拘泥于此。
步骤S3中计算阳性部分像素面积和平均荧光强度的方法为:令初始阳性部分像素面积和阳性部分总的强度为零,若f(x,y)=1,则阳性部分像素面积加1,阳性部分总的强度加当前阳性部分的对应强度,遍历图片像素矩阵后,获得整个图片的阳性部分像素面积A总和阳性部分总的强度B总,将阳性部分总的强度除以整个图片的阳性部分像素面积获得平均荧光强度,即:
A0=0;B0=O
其中,A0是阳性部分像素面积初始值,Ai是阳性部分第i点像素面积,Ai+1是阳性部分第i+1点像素面积,B0是阳性部强度初始值,Bi是阳性部分第i点强度,Bi+1是阳性部分第i+1点强度,Ii+1是第i+1点的强度值。平均荧光强度和整个图片的阳性部分像素面积A总是临床分析病人组织处于癌症哪个时期的重要指标。
S4输出阳性部分像素面积和平均荧光强度,并据此进行免疫组化病理分析。
为了方法医护人员使用,本实施例中将整个图片的阳性部分像素面积与平均荧光强度进行显示,通过将阳性部分像素面积与临床指标阳性细胞面积占据整个切片图片的比例进行对比,结合平均荧光强度的强弱进行免疫组化病理分析,其也可以根据医学诊断指标将病人组织属入癌症的哪一时期显示在屏幕界面。
实施例二
基于相同的发明构思,本实施例公开了一种免疫组化病理切片图片处理***,包括:
色彩空间转化模块,用于将读入的免疫组化病理切片图片由RGB色彩空间转化到HSI色彩空间;
阳性部分筛选模块,用于通过预设阈值,从HSI色彩空间的图片中筛选出发生阳性病变组织;
数据处理模块,用于将HSI色彩空间的图片进行图像预处理与特征识别处理,并根据阳性病变组织计算阳性部分像素面积和平均荧光强度;
数据处理模块中计算阳性部分像素面积和平均荧光强度的方法为:令初始阳性部分像素面积和阳性部分总的强度为零,若f(x,y)=1,则阳性部分像素面积加1,阳性部分总的强度加当前阳性部分的对应强度,遍历图片像素矩阵后,获得整个图片的阳性部分像素面积和阳性部分总的强度,将阳性部分总的强度除以整个图片的阳性部分像素面积获得平均荧光强度。
显示模块,用于输出阳性部分像素面积和平均荧光强度。
实施例三
基于相同的发明构思,本实施例公开了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行以实现上述任一项的免疫组化病理切片图片处理方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。上述内容仅为本申请的具体实施方式,但本申请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,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围。
Claims (10)
1.一种免疫组化病理切片图片处理方法,其特征在于,包括以下步骤:
S1将读入的免疫组化病理切片图片由RGB色彩空间转化到HSI色彩空间;
S2通过预设阈值,从所述HSI色彩空间的图片中筛选出发生阳性病变组织;
S3将所述HSI色彩空间的图片进行图像预处理与特征识别处理,并根据所述阳性病变组织计算阳性部分像素面积和平均荧光强度;
S4输出所述阳性部分像素面积和平均荧光强度。
5.如权利要求4所述的免疫组化病理切片图片处理方法,其特征在于,在所述图像预处理与特征识别处理后,判断f(x,y)=1的像素点的亮度是否大于阈值α,如是则f(x,y)=1,反之f(x,y)=0。
6.如权利要求4所述的免疫组化病理切片图片处理方法,其特征在于,所述步骤S3中计算阳性部分像素面积和平均荧光强度的方法为:令初始阳性部分像素面积和阳性部分总的强度为零,若f(x,y)=1,则阳性部分像素面积加1,阳性部分总的强度加当前阳性部分的对应强度,遍历图片像素矩阵后,获得整个图片的阳性部分像素面积和阳性部分总的强度,将阳性部分总的强度除以整个图片的阳性部分像素面积获得平均荧光强度。
7.如权利要求6所述的免疫组化病理切片图片处理方法,其特征在于,所述步骤S4中输出所述阳性部分像素面积和平均荧光强度的方法为:将整个图片的阳性部分像素面积与平均荧光强度进行显示,通过将阳性部分像素面积与临床指标阳性细胞面积占据整个切片图片的比例进行对比。
8.一种免疫组化病理切片图片处理***,其特征在于,包括:
色彩空间转化模块,用于将读入的免疫组化病理切片图片由RGB色彩空间转化到HSI色彩空间;
阳性部分筛选模块,用于通过预设阈值,从所述HSI色彩空间的图片中筛选出发生阳性病变组织;
数据处理模块,用于将所述HSI色彩空间的图片进行图像预处理与特征识别处理,并根据所述阳性病变组织计算阳性部分像素面积和平均荧光强度;
显示模块,用于输出所述阳性部分像素面积和平均荧光强度。
9.如权利要求8所述的免疫组化病理切片图片处理***,其特征在于,所述数据处理模块中计算阳性部分像素面积和平均荧光强度的方法为:令初始阳性部分像素面积和阳性部分总的强度为零,若f(x,y)=1,则阳性部分像素面积加1,阳性部分总的强度加当前阳性部分的对应强度,遍历图片像素矩阵后,获得整个图片的阳性部分像素面积和阳性部分总的强度,将阳性部分总的强度除以整个图片的阳性部分像素面积获得平均荧光强度。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行以实现如权利要求1-7任一项所述的免疫组化病理切片图片处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110294056.2A CN113344841A (zh) | 2021-03-19 | 2021-03-19 | 一种免疫组化病理切片图片处理方法、***与可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110294056.2A CN113344841A (zh) | 2021-03-19 | 2021-03-19 | 一种免疫组化病理切片图片处理方法、***与可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113344841A true CN113344841A (zh) | 2021-09-03 |
Family
ID=77467831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110294056.2A Pending CN113344841A (zh) | 2021-03-19 | 2021-03-19 | 一种免疫组化病理切片图片处理方法、***与可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113344841A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100074508A1 (en) * | 2008-09-25 | 2010-03-25 | Nikon Corporation | Image processing device and medium storing image processing program |
CN103020585A (zh) * | 2012-11-06 | 2013-04-03 | 华南师范大学 | 一种免疫组织阳性细胞和阴性细胞识别方法 |
CN104540438A (zh) * | 2012-07-17 | 2015-04-22 | Hoya株式会社 | 图像处理装置和内窥镜装置 |
US20180184898A1 (en) * | 2012-02-21 | 2018-07-05 | Massachusetts Eye And Ear Infirmary | Calculating Conjunctival Redness |
CN111860538A (zh) * | 2020-07-20 | 2020-10-30 | 河海大学常州校区 | 一种基于图像处理的舌体颜色鉴别方法和装置 |
-
2021
- 2021-03-19 CN CN202110294056.2A patent/CN113344841A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100074508A1 (en) * | 2008-09-25 | 2010-03-25 | Nikon Corporation | Image processing device and medium storing image processing program |
US20180184898A1 (en) * | 2012-02-21 | 2018-07-05 | Massachusetts Eye And Ear Infirmary | Calculating Conjunctival Redness |
CN104540438A (zh) * | 2012-07-17 | 2015-04-22 | Hoya株式会社 | 图像处理装置和内窥镜装置 |
CN103020585A (zh) * | 2012-11-06 | 2013-04-03 | 华南师范大学 | 一种免疫组织阳性细胞和阴性细胞识别方法 |
CN111860538A (zh) * | 2020-07-20 | 2020-10-30 | 河海大学常州校区 | 一种基于图像处理的舌体颜色鉴别方法和装置 |
Non-Patent Citations (4)
Title |
---|
张全海: "细胞免疫组织化学显微图像分析及实现", 《计算机工程与应用》, 31 December 2000 (2000-12-31), pages 11 - 13 * |
李胜: "基于HSI色彩的血细胞图像的分割算法实现", 《合肥学院学报(自然科学版)》, vol. 17, no. 2, pages 51 - 54 * |
杨大刚: "一种获取细胞免疫信息的图像分析方法", 软件学报, vol. 16, no. 9, pages 1551 - 1559 * |
王伟智: "基于HSV空间的肿瘤免疫组化阳性目标自动提取分析", 中国体视学与图像分析, vol. 11, no. 1, 31 March 2006 (2006-03-31), pages 13 - 17 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109859203B (zh) | 基于深度学习的缺陷牙齿图像识别方法 | |
US11844571B2 (en) | Grading corneal fluorescein staining | |
US7206462B1 (en) | Method and system for the detection, comparison and volumetric quantification of pulmonary nodules on medical computed tomography scans | |
US8355553B2 (en) | Systems, apparatus and processes for automated medical image segmentation using a statistical model | |
EP2357612B1 (en) | Method for quantifying and imaging features of a tumor | |
CN105719324A (zh) | 图像处理装置以及图像处理方法 | |
CN107180421A (zh) | 一种眼底图像病变检测方法及装置 | |
US20040264749A1 (en) | Boundary finding in dermatological examination | |
CN108615239B (zh) | 基于阈值技术和灰度投影的舌图像分割方法 | |
TWI624807B (zh) | 醫學影像之迭代式分析法 | |
Hoque et al. | Retinex model based stain normalization technique for whole slide image analysis | |
CN112669959B (zh) | 一种基于图像的白癜风病情自动评估方法 | |
Trucco et al. | Morphometric measurements of the retinal vasculature in fundus images with VAMPIRE | |
Sun et al. | Automated template-based PET region of interest analyses in the aging brain | |
CN108601509A (zh) | 图像处理装置、图像处理方法以及程序 | |
Oikawa et al. | Pathological diagnosis of gastric cancers with a novel computerized analysis system | |
Puri et al. | Automated computational detection, quantitation, and mapping of mitosis in whole-slide images for clinically actionable surgical pathology decision support | |
CN111656393A (zh) | 组织学图像分析 | |
Shakhawat et al. | Automatic grading of invasive breast cancer patients for the decision of therapeutic plan | |
CN116152185A (zh) | 一种基于深度学习的胃癌病理诊断*** | |
Chen et al. | Application of artificial intelligence in tongue diagnosis of traditional Chinese medicine: a review | |
Mohammed et al. | Digital medical image segmentation using fuzzy C-means clustering | |
CN112184696B (zh) | 一种细胞核和细胞器计数及其面积计算方法与*** | |
CN113130050A (zh) | 一种医学信息显示方法及显示*** | |
Kang et al. | Dental plaque quantification using mean-shift-based image segmentation |
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 |