CN113488144B - 一种切片图像处理方法 - Google Patents
一种切片图像处理方法 Download PDFInfo
- Publication number
- CN113488144B CN113488144B CN202110793795.6A CN202110793795A CN113488144B CN 113488144 B CN113488144 B CN 113488144B CN 202110793795 A CN202110793795 A CN 202110793795A CN 113488144 B CN113488144 B CN 113488144B
- Authority
- CN
- China
- Prior art keywords
- image
- slice
- slice image
- determining
- data
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 230000001575 pathological effect Effects 0.000 claims abstract description 68
- 230000003902 lesion Effects 0.000 claims abstract description 57
- 230000002159 abnormal effect Effects 0.000 claims abstract description 48
- 238000003860 storage Methods 0.000 claims abstract description 28
- 238000012216 screening Methods 0.000 claims abstract description 14
- 238000001514 detection method Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 22
- 230000007170 pathology Effects 0.000 claims description 20
- 238000000034 method Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 238000005316 response function Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000003745 diagnosis Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 6
- 210000005036 nerve Anatomy 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000001629 suppression Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000007667 floating Methods 0.000 claims description 3
- 238000002955 isolation Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000007670 refining Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000036285 pathological change Effects 0.000 description 5
- 231100000915 pathological change Toxicity 0.000 description 5
- 238000002372 labelling Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/535—Filtering based on additional data, e.g. user or group profiles
-
- 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
- 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
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种切片图像处理方法，包括：获取数字病理图像，并对所述数字病理图像进行切片，确定切片图像；基于预设的智能终端，识别切片图像中的图像元素是否为异常病变，并将图像元素为异常病变的切片图像进行标记和筛选，确定标记切片图像；识别并提取标记切片图像的特征信息，并根据所述特征信息，建立索引树，根据所述索引树，抓取大数据平台中的节点，并将所述标记切片图像传输并存储至所述节点，确定存储节点；将所述存储节点上传至预设的云端，并进行层次划分，确定划分结果。
Description
技术领域
本发明涉及切片图像技术领域，特别涉及一种切片图像处理方法。
区域技术
目前，病理诊断一般都以图像作为依据对病人的诊断做出判断， 近些年来，结合高速发展的互联网时代，传统的病理诊断工作模式发 生巨大的变化，切片图像提供了一种高分辨率、全切片的数字图像， 但是目前而言，大型综合医院的玻璃切片多达十几万张，工作量巨大， 目前的病理图像很难满足巨大的图像数据存储和调阅，所以在处理图片的时候对重要的图像数据进行人工一一筛选和建立索引，十分耗时 耗力，此外，对病理图像进行处理的时候，需要很清晰的画质才能确 保精准的病理位置的确定，但往往由于处理量过大，医院的处理*** 往往出现卡机，电脑宕机，程序崩溃，或者时间处理过长。
发明内容
本发明提供一种切片图像处理方法，以解决上述背景技术中出现 的问题。
本发明提供一种切片图像处理方法，其特征在于，包括：
获取数字病理图像，并对所述数字病理图像进行切片，确定切片 图像；
基于预设的智能终端，识别切片图像中的图像元素是否为异常病 变，并将图像元素为异常病变的切片图像进行标记和筛选，确定标记 切片图像；
识别并提取标记切片图像的特征信息，并根据所述特征信息，建 立索引树；
根据所述索引树，抓取大数据平台中的节点，并将所述标记切片 图像传输并存储至所述节点，确定存储节点。
作为本技术方案的一种实施例，所述获取数字病理图像，并对所 述数字病理图像进行切片，确定切片图像，包括：
获取切片尺寸规格；
获取数字病理图像，按照所述切片尺寸规格，切割所述数字病理 图像，确定图像切片；
对所述图像切片标注顺序，确定顺序号；
根据所述顺序号，处理所述图像切片，确定切片图像。
作为本技术方案的一种实施例，基于预设的智能终端，识别切片 图像中的图像元素是否为异常病变，包括：
识别切片图像中的图像元素，判断所述数字病理图像的图像元素 是否为异常病变，确定判断结果；
当所述判断结果为所述切片图像的图像元素正常，将正常的切片 图像压缩并备份；
当所述判断结果为所述切片图像的图像元素异常，确定标记切片 图像。
作为本技术方案的一种实施例，所述当所述判断结果为所述切片 图像的图像元素异常时，确定标记切片图像，包括：
获取并记录异常的切片图像的顺序号；
根据所述顺序号，筛选图像元素为异常病变的切片图像，确定筛 选切片图像；
识别筛选切片图像的异常图像元素，记录并标记病变位置；
对所述筛选切片图像的病变位置进行降噪和孤立处理，并增强画 质，确定异常病变部位切片；
采集异常病变部位切片对应的顺序号，并根据对应的顺序号，对 异常病变部位切片进行标记，确定标记切片图像。
作为本技术方案的一种实施例，所述识别筛选切片图像的异常图 像元素，记录并标记病变位置，包括：
通过预设的图像识别***，处理所述图像切片，确定所述图像切 片中的有效区域和无效区域；
基于非极大值抑制，排除重复检测区域，确定切片级别的细胞检 测数据；
将所述细胞检测数据传输至图像识别***，基于预设的深度学习 算法，检测有效区域中病变细胞的病变种类；
对病变细胞的病变种类进行记录，同时标记病变位置。
作为本技术方案的一种实施例，所述通过预设的图像识别***， 处理所述图像切片，确定所述图像切片中的有效区域和无效区域，包 括：
步骤A1：通过预设的图像识别***，处理所述图像切片，对图 像切片的区域面积建立检测模型：
其中，所述图像切片的尺寸为size*Size，size代表图像切片的 长度，Size代表图像切片的宽度，代表图像切片的宽度移动的像素 点，θ代表图像切片的长度移动的像素点，/>代表移动后 的图像切片的灰度值，/>为长为/>宽为θ的像素点的灰度值，wQ,q代 表在图像切片集合中正在检测的图像切片窗口为q，Q代表所有待检 测的图像切片集合，q∈Q，S(size,Size)代表关于尺寸为size*Size图 像切片的检测模型；
步骤A2：通过所述检测模型，建立关于有效区域的响应函数：
其中，S代表检测模型，Gsize代表图像切片的水平灰度值，GSize代 表图像切片的垂直灰度值，t(S(size,Size))代表尺寸为size*Size图像切片的轨迹；
步骤A3：根据所述响应函数，辨别所述图像切片中的有效区域， 并同时确定无效区域。
作为本技术方案的一种实施例，所述识别并提取标记切片图像的 特征信息，并根据所述特征信息，建立索引树，包括：
获取标记切片图像；
追溯所述标记切片图像的特征信息，根据所述特征信息，建立检 索标签；
对所述检索标签进行优先级排级，确定优先等级；
通过所述优先等级和检索标签，建立索引树。
作为本技术方案的一种实施例，所述追溯所述标记切片图像的特 征信息，根据所述特征信息，建立检索标签，包括：
基于预设的深度神经学习机制，对标记切片图像进行数据特征提 取，确定特征信息；
对所述特征信息进行过滤，并将过滤后的特征信息压缩和简化， 提炼特征数据；
根据所述特征数据，建立标记切片图像的检索标签。
作为本技术方案的一种实施例，所述对所述检索标签进行优先级 排级，确定优先等级，还包括：
步骤S1：获取检索标签的特征数据，并采集所述特征数据的重 要度评分：
score＝min(∑(zu,x-Zu,y)2+μ||xi||2+μ||yj||2)
其中，score代表特征数据的重要度评分，zu,x代表用户对检索标 签的兴趣度，u为用户的标识符号，x为实时采集的检索标签的特征数 据，xi代表实时采集的第i个检索标签的特征数据，i＝1,2,…,n,n代表 实时采集的特征数据的总个数，Zu,y代表用户对检索标签的历史兴趣 度，yj代表历史检索标签的特征数据，μ代表关于分数的可测示性函 数，j＝1,2,…,m,m代表历史采集的特征数据的总个数；
步骤S2：统计用户通过检索标签，进行检索的检索概率：
其中，ρ代表检索概率，Gk,x代表检索标签的第k个特征数据和检 索次数f的关联数据，k＝1,2,…,K，K代表检索标签的特征数据的总 个数，f(k)为统计检索标签的第k个特征数据的检索次数的检索函数， gk,y代表历史检索标签的特征数据和历史检索次数的历史关联扰动 值，α代表概率影响因素的影响浮动值；gk,y代表历史关联数据，β代 表历史影响浮动值，H0代表预设的预测关联度；
步骤S3：通过所述检索概率和重要度评分，构建优先级排级计 算框架：
L＝min∑In(1+ρ-1)+μargmax∑(escore-eρ)
其中，L代表优先级排级计算框架；
步骤S4：根据所述优先级排级计算框架，对检索标签进行优先 级排级，确定优先等级。
作为本技术方案的一种实施例，所述根据所述索引树，抓取大数 据平台中的节点，并将所述标记切片图像传输并存储至所述节点，确 定存储节点，包括：
获取大数据平台中的节点；
获取病理切片图像的顺序号，并确定顺序号和病理切片数据的对 应关系；
按照所述对应关系，将所述病理切片数据传输至所述节点，确定 存储节点；
根据所述索引树，采集对应连接关系，并根据所述连接关系，连 接所述节点，并确定对应的拓扑连接结构；
按照所述拓扑连接结构，将所述标记图像传输并存储至所述节点， 确定存储节点。
本发明的有益效果如下：本发明提供一种切片图像处理方法，通 过建立数字病理图像的索引信息，对数字病理图像加以压缩保存，减 少存储空间，然后对病理图像进行基于深度学习的算法计算，在较短 的时间内给出细胞病理图像的人工智能分析结果，实现病变细胞检测 定位以及整块切片诊断数据的辅助诊断功能。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分 地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的 目的和其他优点可通过在所写的说明书以及附图中所特别指出的结 构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描 述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分， 与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。 在附图中：
图1为本发明实施例中一种切片图像处理方法；
图2为本发明实施例中一种切片图像处理方法；
图3为本发明实施例中一种切片图像处理方法。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处 所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
需说明的是，术语“第一”、“第二”仅用于描述目的，而不能理 解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。 由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个 或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两 个以上，除非另有明确具体的限定。
实施例1：
根据图1所示，本发明提供一种切片图像处理方法，其特征在于， 包括：
获取数字病理图像，并对所述数字病理图像进行切片，确定切片 图像；
基于预设的智能终端，识别切片图像中的图像元素是否为异常病 变，并将图像元素为异常病变的切片图像进行标记和筛选，确定标记 切片图像；
识别并提取标记切片图像的特征信息，并根据所述特征信息，建 立索引树；
根据所述索引树，抓取大数据平台中的节点，并将所述标记切片 图像传输并存储至所述节点，确定存储节点。
上述技术方案的工作原理为：
本发明通过获取数字病理图像，识别并提取数字病理图像的特征 信息，根据特征信息，建立索引树；基于预设的智能终端，识别切片 图像中的图像元素是否为异常病变，并将图像元素为异常病变的数字 病理图像进行标记和筛选，确定标记图像；根据所述索引树，抓取大 数据平台中的节点，并将所述标记图像传输并存储至所述节点，确定存储节点；将所述存储节点传输至预设的智能终端进行切片和预处理， 确定异常病变部位切片；将所述异常病变切片传输至部位进行后处理， 生成目标切片图像。
上述技术方案的有益效果为：
本发明提供一种切片图像处理方法，通过建立数字病理图像的索 引信息，对数字病理图像加以压缩保存，减少存储空间，然后对病理 图像进行基于深度学习的算法计算，在较短的时间内给出细胞病理图 像的人工智能分析结果，实现病变细胞检测定位以及整块切片诊断数 据的辅助诊断功能。
实施例2：
根据图2所示，本技术方案提供了一种实施例，所述获取数字病 理图像，并对所述数字病理图像进行切片，确定切片图像，包括：
获取切片尺寸规格；
获取数字病理图像，按照所述切片尺寸规格，切割所述数字病理 图像，确定图像切片；
对所述图像切片标注顺序，确定顺序号；
根据所述顺序号，处理所述图像切片，确定切片图像。
上述技术方案的工作原理和有益效果为：
本技术方案通过获取数字病理图像，并对所述数字病理图像进行 切片，确定切片图像，通过获取切片尺寸规格，获取数字病理图像， 按照所述切片尺寸规格，切割所述数字病理图像，确定图像切片；对 所述图像切片标注顺序，确定顺序号；根据所述顺序号，处理所述图像切片，确定切片图像，通过对数字病理切片的图像进行标记，确定 序号，确定切片图像，从而为索引树提供原始数据，更好的进行标注。
实施例3：
本技术方案提供了一种实施例，基于预设的智能终端，识别切片 图像中的图像元素是否为异常病变，包括：
识别切片图像中的图像元素，判断所述数字病理图像的图像元素 是否为异常病变，确定判断结果；
当所述判断结果为所述切片图像的图像元素正常，将正常的切片 图像压缩并备份；
当所述判断结果为所述切片图像的图像元素异常，确定标记切片 图像。
上述技术方案的工作原理和有益效果为：
本技术方案采集数字病理图像中的图像元素，对所述图像元素进 行识别，确定数字病理图像中的病理部位；其中，所述病理部位为患 者拍摄的显微镜下的病理组织细胞；通过和对应的预存部位图像进行 特征识别，判断所述数字病理图像的图像元素是否为异常病变，确定 判断结果；当所述判断结果为所述数字病理图像的图像元素正常，将正常的数字病理图像压缩并备份；当所述判断结果为所述数字病理图 像的图像元素异常，并将图像元素显示异常病变的数字病理图像进行 标记和筛选，确定标记图像，从而对有异常的图片进行标记，使得对 重点的部分加以画质加强，减少了存储内容，提高了切片图像的处理效率。
实施例4：
本技术方案提供了一种实施例，所述当所述判断结果为所述切片 图像的图像元素异常时，确定标记切片图像，包括：
获取并记录异常的切片图像的顺序号；
根据所述顺序号，筛选图像元素为异常病变的切片图像，确定筛 选切片图像；
识别筛选切片图像的异常图像元素，记录并标记病变位置；
对所述筛选切片图像的病变位置进行降噪和孤立处理，并增强画 质，确定异常病变部位切片；
采集异常病变部位切片对应的顺序号，并根据对应的顺序号，对 异常病变部位切片进行标记，确定标记切片图像。
上述技术方案的工作原理为：
本技术方案提供了一种实施例，基于预设的智能终端，识别数字 病理图像中的图像元素是否为异常病变，并将图像元素显示异常病变 的数字病理图像进行标记和筛选，确定标记图像，包括：采集数字病 理图像中的图像元素，对所述图像元素进行识别，确定数字病理图像 中的病理部位；其中，所述病理部位为患者拍摄的显微镜下的病理组织细胞；通过和对应的预存部位图像进行特征识别，判断所述数字病 理图像的图像元素是否为异常病变，确定判断结果；当所述判断结果 为所述数字病理图像的图像元素正常，将正常的数字病理图像压缩并 备份；当所述判断结果为所述数字病理图像的图像元素异常，并将图像元素显示异常病变的数字病理图像进行标记和筛选，确定标记图像。
上述技术方案的有益效果为：。
实施例5：
本技术方案提供了一种实施例，所述识别筛选切片图像的异常图 像元素，记录并标记病变位置，包括：
通过预设的图像识别***，处理所述图像切片，确定所述图像切 片中的有效区域和无效区域；
基于非极大值抑制，排除重复检测区域，确定切片级别的细胞检 测数据；
将所述细胞检测数据传输至图像识别***，基于预设的深度学习 算法，检测有效区域中病变细胞的病变种类；
对病变细胞的病变种类进行记录，同时标记病变位置。
上述技术方案的工作原理和有益效果为：
本技术方案通过识别筛选切片图像的异常图像元素，记录并标记 病变位置，通过预设的图像识别***，处理所述图像切片，确定所述 图像切片中的有效区域和无效区域；基于非极大值抑制，排除重复检 测区域，确定切片级别的细胞检测数据；将所述细胞检测数据传输至 图像识别***，基于预设的深度学习算法，检测有效区域中病变细胞的病变种类；对病变细胞的病变种类进行记录，同时标记病变位置。
实施例6：
本技术方案提供了一种实施例，所述通过预设的图像识别***， 处理所述图像切片，确定所述图像切片中的有效区域和无效区域，包 括：
步骤A1：通过预设的图像识别***，处理所述图像切片，对图 像切片的区域面积建立检测模型：
其中，所述图像切片的尺寸为size*Size，size代表图像切片的 长度，Size代表图像切片的宽度，代表图像切片的宽度移动的像素 点，θ代表图像切片的长度移动的像素点，/>代表移动后 的图像切片的灰度值，/>为长为/>宽为θ的像素点的灰度值，wQ,q代 表在图像切片集合中正在检测的图像切片窗口为q，Q代表所有待检 测的图像切片集合，q∈Q，S(size,Size)代表关于尺寸为size*Size图 像切片的检测模型；
步骤A2：通过所述检测模型，建立关于有效区域的响应函数：
其中，S代表检测模型，Gsize代表图像切片的水平灰度值，GSize代 表图像切片的垂直灰度值，t(S(size,Size))代表尺寸为size*Size图像切片的轨迹；
步骤A3：根据所述响应函数，辨别所述图像切片中的有效区域，并同时确定无效区域。
上述技术方案的工作原理和有益效果为：
本技术方案本通过预设的图像识别***，处理所述图像切片，确 定所述图像切片中的有效区域和无效区域，在识别***进行识别的过 程中，包括通过预设的图像识别***，处理所述图像切片，对图像切 片的区域面积建立检测模型S(size,Size)，通过所述检测模型，建立关于有效区域的响应函数G，根据所述响应函数，辨别所述图像切片 中的有效区域，并同时确定无效区域，通过对图像切片的识别，确定 病患需要检测的部位位置，并对待检测的部位位置进行
实施例7：
本技术方案提供了一种实施例，所述识别并提取标记切片图像的 特征信息，并根据所述特征信息，建立索引树，包括：
获取标记切片图像；
追溯所述标记切片图像的特征信息，根据所述特征信息，建立检 索标签；
对所述检索标签进行优先级排级，确定优先等级；
通过所述优先等级和检索标签，建立索引树。
上述技术方案的工作原理和有益效果为：
本技术方案获取数字病理图像，识别并提取数字病理图像的来源信息， 并根据所述来源信息，建立索引树，包括：获取数字病理图像；追溯 所述数字病理图像的特征信息，基于预设的深度神经学习机制，对数 字病理图像进行数据特征读取，确定特征信息，其中，所述特征信息 可以包括记录信息和时间信息；其中，所述记录信息可以包括负责医生、医院科室和患者信息，可以通过用户的自行设置，或者从用户的 行为中挖掘到的行为数据，确定特征信息，对所述特征信息进行过滤， 并将过滤后的特征信息压缩和简化，提炼特征数据；根据所述数据特 征数据，生成检索标签。
根据所述特征信息，建立检索标签；对所述检索标签进行优先级 排级，确定优先等级；通过所述优先等级和检索标签，建立索引树。
实施例8：
本技术方案提供了一种实施例，所述追溯所述标记切片图像的特 征信息，根据所述特征信息，建立检索标签，包括：
基于预设的深度神经学习机制，对标记切片图像进行数据特征提 取，确定特征信息；
对所述特征信息进行过滤，并将过滤后的特征信息压缩和简化， 提炼特征数据；
根据所述特征数据，建立标记切片图像的检索标签。
上述技术方案的工作原理和有益效果为：
本技术方案通过追溯所述标记切片图像的特征信息，根据所述特 征信息，建立检索标签，基于预设的深度神经学习机制，对标记切片 图像进行数据特征提取，确定特征信息，由于一张图片的特征信息要 素过多且过于复杂，所以需要基于深度神经学习机制对不同特征信息中不重要的特征信息进行过滤，并将过滤后的特征信息压缩和简化， 提炼特征数据，特征数据是获取到的主要特征信息的数据化的拟合， 根据所述特征数据，建立标记切片图像的检索标签，将标志性的数据 进行标签建立，是切片图像具有唯一标志的检索标签，保证了医生在 庞大的数据病例图片中可以迅速按照索引查找到切片图像，提高了数字病理切片的处理效率，便捷了查找数字病理图片的步骤。
实施例9：
本技术方案提供了一种实施例，所述对所述检索标签进行优先级 排级，确定优先等级，还包括：
步骤S1：获取检索标签的特征数据，并采集所述特征数据的重 要度评分：
score＝min(∑(zu,x-Zu,y)2+μ||xi||2+μ||yj||2)
其中，score代表特征数据的重要度评分，zu,x代表用户对检索标 签的兴趣度，u为用户的标识符号，x为实时采集的检索标签的特征数 据，xi代表实时采集的第i个检索标签的特征数据，i＝1,2,…,n,n代表 实时采集的特征数据的总个数，Zu,y代表用户对检索标签的历史兴趣 度，yj代表历史检索标签的特征数据，μ代表关于分数的可测示性函 数，j＝1,2,…,m,m代表历史采集的特征数据的总个数；
步骤S2：统计用户通过检索标签，进行检索的检索概率：
其中，ρ代表检索概率，Gk,x代表检索标签的第k个特征数据和检 索次数f的关联数据，k＝1,2,…,K，K代表检索标签的特征数据的总 个数，f(k)为统计检索标签的第k个特征数据的检索次数的检索函数， gk,y代表历史检索标签的特征数据和历史检索次数的历史关联扰动 值，α代表概率影响因素的影响浮动值；gk,y代表历史关联数据，β代 表历史影响浮动值，H0代表预设的预测关联度；
步骤S3：通过所述检索概率和重要度评分，构建优先级排级计 算框架：
L＝min∑In(1+ρ-1)+μargmax∑(escore-eρ)
其中，L代表优先级排级计算框架；
步骤S4：根据所述优先级排级计算框架，对检索标签进行优先 级排级，确定优先等级。
上述技术方案的工作原理和有益效果为：
本技术方案对所述检索标签进行优先级排级，确定优先等级，获 取检索标签的特征数据，并采集所述特征数据的重要度评分score， 统计用户通过检索标签，进行检索的检索概率ρ，通过所述检索概率 和重要度评分，构建优先级排级计算框架L：因为只凭重要评分无法 去断定是紧急需要使用的标签，所以这时候还需要获取客户的检索概 率，通过历史的记录，进行延伸学习，从而获取到的客户检索的概率， 根据所述优先级排级计算框架，对检索标签进行优先级排级，确定优 先等级，通过优先等级，便可以对检索标签进行优先级排序，提供了 一种智能灵活、鲁棒性强的数字病理图像的处理方法。
实施例10：
本技术方案提供了一种实施例，所述根据所述索引树，抓取大数 据平台中的节点，并将所述标记切片图像传输并存储至所述节点，确 定存储节点，包括：
获取大数据平台中的节点；
获取病理切片图像的顺序号，并确定顺序号和病理切片数据的对 应关系；
按照所述对应关系，将所述病理切片数据传输至所述节点，确定 存储节点；
根据所述索引树，采集对应连接关系，并根据所述连接关系，连 接所述节点，并确定对应的拓扑连接结构；
按照所述拓扑连接结构，将所述标记图像传输并存储至所述节点， 确定存储节点。
上述技术方案的工作原理和有益效果为：
本技术方案根据所述索引树，抓取大数据平台中的节点，并将所 述标记切片图像传输并存储至所述节点，确定存储节点，包括获取大 数据平台中的节点，将过多的存储内容存储在云端上，减少介质的存 储，可以通过对存储节点的划分，选定一级调用，二级调用等不同优 先调用的媒介，从而将存储节点保存；获取病理切片图像的顺序号，并确定顺序号和病理切片数据的对应关系，按照所述对应关系，将所 述病理切片数据传输至所述节点，确定存储节点，根据所述索引树， 采集对应连接关系，并根据所述连接关系，连接所述节点，并确定对 应的拓扑连接结构，利用索引树在空间中映射得到不同的节点存储， 从而也对不同的节点按照所索引树的连接关系进行了连接，按照所述 拓扑连接结构，将所述标记图像传输并存储至所述节点，确定存储节点，上传的时候还可以通过连接关系进行关联管理，保证了用户使用 的便捷性，增加了数据病理切片调用的高效性。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系 统、或计算机程序产品。因此，本发明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，本发明 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和光学存储器等)上实施的计算 机程序产品的形式。
本发明是参照根据本发明实施例的方法、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。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不 脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于 本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些 改动和变型在内。
Claims (8)
1.一种切片图像处理方法，其特征在于，包括：
获取数字病理图像，并对所述数字病理图像进行切片，确定切片图像；
基于预设的智能终端，识别切片图像中的图像元素是否为异常病变，并将图像元素为异常病变的切片图像进行标记和筛选，确定标记切片图像；
识别并提取标记切片图像的特征信息，并根据所述特征信息，建立索引树；
采集索引树的索引关系，根据所述索引关系，抓取预设的大数据平台中的节点，将所述标记切片图像传输并存储至所述节点；
所述识别并提取标记切片图像的特征信息，并根据所述特征信息，建立索引树，包括：
获取标记切片图像；
追溯所述标记切片图像的特征信息，根据所述特征信息，建立检索标签；
对所述检索标签进行优先级排级，确定优先等级；
通过所述优先等级和检索标签，建立索引树；
所述对所述检索标签进行优先级排级，确定优先等级，还包括：
步骤S1：获取检索标签的特征数据，并采集所述特征数据的重要度评分：
score＝min(∑(zu,x-Zu,y)2+μ||xi||2+μ||yj||2)
其中，score代表特征数据的重要度评分，zu,x代表用户对检索标签的兴趣度，u为用户的标识符号，x为实时采集的检索标签的特征数据，xi代表实时采集的第i个检索标签的特征数据，i＝1,2,…,n,n代表实时采集的特征数据的总个数，Zu,y代表用户对检索标签的历史兴趣度，yj代表历史检索标签的特征数据，μ代表关于分数的可测示性函数，j＝1,2,…,m,m代表历史采集的特征数据的总个数；
步骤S2：统计用户通过检索标签，进行检索的检索概率：
其中，ρ代表检索概率，Gk,x代表检索标签的第k个特征数据和检索次数f的关联数据，k＝1,2,…,K，K代表检索标签的特征数据的总个数，f(k)为统计检索标签的第k个特征数据的检索次数的检索函数，gk,y代表历史检索标签的特征数据和历史检索次数的历史关联扰动值，α代表概率影响因素的影响浮动值；gk,y代表历史关联数据，β代表历史影响浮动值，H0代表预设的预测关联度；
步骤S3：通过所述检索概率和重要度评分，构建优先级排级计算框架：
L＝min∑In(1+ρ-1)+μargmax∑(escore-eρ)
其中，L代表优先级排级计算框架；
步骤S4：根据所述优先级排级计算框架，对检索标签进行优先级排级，确定优先等级。
2.如权利要求1所述一种切片图像处理方法，其特征在于，所述获取数字病理图像，并对所述数字病理图像进行切片，确定切片图像，包括：
获取数字病理图像，基于预设的切片规格，设定分割过程中小块之间的分割大小尺寸；
基于所述分割大小尺寸，对所述数字病理图像进行切割，并在切割过程中，按照切割顺序，对切片图像标注顺序号，确定切片图像。
3.如权利要求1所述一种切片图像处理方法，其特征在于，基于预设的智能终端，识别切片图像中的图像元素是否为异常病变，包括：
基于预设的智能终端，识别切片图像中的图像元素；其中，
所述图像元素包括区域元素和待检测区域的图像元素；
基于预设的深度学习检测算法，对所述切片图像进行训练处理，并根据预设的诊断阈值，判断图像元素中的待检测区域元素是否为异常病变，确定判断结果；
当所述判断结果为所述图像元素中的待检测区域正常，将正常的切片图像压缩并备份；
当所述判断结果为所述图像元素中的待检测区域异常，确定标记切片图像。
4.如权利要求3所述一种切片图像处理方法，其特征在于，所述判断图像元素中的待检测区域元素是否为异常病变，确定标记切片图像之后还包括：
识别所述切片图像中的待检测区域，记录并标记切片图像对应的病变位置，确定处理切片图像；
获取处理切片图像对应的顺序号；
基于预设的图像画质阈值，按照所述顺序号，对处理切片图像进行筛选，确定筛选切片图像；
对所述筛选切片图像进行降噪和孤立处理，确定标记切片图像。
5.如权利要求4所述一种切片图像处理方法，其特征在于，所述识别所述图像元素中的待检测区域，记录并标记切片图像对应的病变位置，确定处理切片图像，包括：
识别切片图像中的待检测区域，通过预设的图像识别***，确定处理切片图像中的有效区域和无效区域；
基于非极大值抑制，排除重复检测区域，确定切片级别的细胞检测数据；
将所述细胞检测数据传输至图像识别***，基于预设的深度学习算法，检测有效区域中病变细胞的病变种类，并对病变细胞的病变种类进行记录，同时标记病变位置。
6.如权利要求5所述一种切片图像处理方法，其特征在于，所述识别切片图像中的待检测区域，通过预设的图像识别***，确定处理切片图像中的有效区域和无效区域，包括：
步骤A1：通过预设的图像识别***，处理所述切片图像，对切片图像的区域面积建立检测模型：
其中，所述切片图像的尺寸为size*Size，size代表切片图像的长度，Size代表切片图像的宽度，代表切片图像的宽度移动的像素点，θ代表切片图像的长度移动的像素点，代表移动后的切片图像的灰度值，/>为长为/>宽为θ的像素点的灰度值，wQ,q代表在切片图像集合中正在检测的切片图像窗口为q，Q代表所有待检测的切片图像集合，q∈Q，S(size,Size)代表关于尺寸为size*Size切片图像的检测模型；
步骤A2：通过所述检测模型，建立关于有效区域的响应函数：
其中，S代表检测模型，Gsize代表切片图像的水平灰度值，GSize代表切片图像的垂直灰度值，t(S(size,Size))代表尺寸为size*Size切片图像的轨迹；
步骤A3：根据所述响应函数，辨别所述切片图像中的有效区域，并同时确定无效区域。
7.如权利要求1所述一种切片图像处理方法，其特征在于，所述追溯所述标记切片图像的特征信息，根据所述特征信息，建立检索标签，包括：
基于预设的深度神经学习机制，对标记切片图像进行数据特征提取，确定特征信息；
对所述特征信息进行过滤，并将过滤后的特征信息压缩和简化，提炼特征数据；
根据所述特征数据，建立标记切片图像的检索标签。
8.如权利要求1所述一种切片图像处理方法，其特征在于，所述采集索引树的索引关系，根据所述索引关系，抓取预设的大数据平台中的节点，将所述标记切片图像传输并存储至所述节点，包括：
获取大数据平台中的节点；
获取病理切片图像的顺序号，并确定顺序号和病理切片数据的对应关系；
按照所述对应关系，将所述病理切片数据传输至所述节点，确定存储节点；
根据所述索引树，采集对应连接关系，并根据所述连接关系，连接所述节点，并确定对应的拓扑连接结构；
按照所述拓扑连接结构，将所述标记切片图像传输并存储至所述节点，确定存储节点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110793795.6A CN113488144B (zh) | 2021-07-14 | 2021-07-14 | 一种切片图像处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110793795.6A CN113488144B (zh) | 2021-07-14 | 2021-07-14 | 一种切片图像处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113488144A CN113488144A (zh) | 2021-10-08 |
| CN113488144B true CN113488144B (zh) | 2023-11-07 |
Family
ID=77939104
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110793795.6A Active CN113488144B (zh) | 2021-07-14 | 2021-07-14 | 一种切片图像处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113488144B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115206498A (zh) * | 2021-11-08 | 2022-10-18 | 赛维森(广州)医疗科技服务有限公司 | 数字病理图像的数据流处理方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5586160A (en) * | 1995-03-20 | 1996-12-17 | The Regents Of The University Of California | Automated analysis for microcalcifications in high resolution digital mammograms |
| GB201218183D0 (en) * | 2012-10-10 | 2012-11-21 | Lifecake Ltd | Method for organising content |
| CN103810147A (zh) * | 2012-11-08 | 2014-05-21 | 富士施乐株式会社 | 文档处理设备和文档处理方法 |
| CN103823906A (zh) * | 2014-03-19 | 2014-05-28 | 北京邮电大学 | 一种基于微博数据的多维度检索排序优化算法和工具 |
| WO2017095473A1 (en) * | 2015-11-30 | 2017-06-08 | Cyberpulse L.L.C., D/B/A Ascend Hit | System and methods for displaying medical information |
| CN109376270A (zh) * | 2018-09-26 | 2019-02-22 | 青岛聚看云科技有限公司 | 一种数据检索方法和装置 |
| CN110231259A (zh) * | 2019-05-28 | 2019-09-13 | 怀光智能科技（武汉）有限公司 | 一种宫颈细胞玻片数字诊断*** |
| CN111310841A (zh) * | 2020-02-24 | 2020-06-19 | 中南大学湘雅医院 | 医学图像分类方法、装置、设备、计算机设备和存储介质 |
| CN112862756A (zh) * | 2021-01-11 | 2021-05-28 | 中国医学科学院北京协和医院 | 识别甲状腺肿瘤病理图像中病变类型及基因突变的方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8243999B2 (en) * | 2006-05-03 | 2012-08-14 | Ut-Battelle, Llc | Method and system for the diagnosis of disease using retinal image content and an archive of diagnosed human patient data |
| US7840046B2 (en) * | 2006-06-27 | 2010-11-23 | Siemens Medical Solutions Usa, Inc. | System and method for detection of breast masses and calcifications using the tomosynthesis projection and reconstructed images |
| JP7171349B2 (ja) * | 2018-09-28 | 2022-11-15 | 富士フイルム株式会社 | 画像処理装置、画像処理方法、プログラムおよび記録媒体 |
-
2021
- 2021-07-14 CN CN202110793795.6A patent/CN113488144B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5586160A (en) * | 1995-03-20 | 1996-12-17 | The Regents Of The University Of California | Automated analysis for microcalcifications in high resolution digital mammograms |
| GB201218183D0 (en) * | 2012-10-10 | 2012-11-21 | Lifecake Ltd | Method for organising content |
| CN103810147A (zh) * | 2012-11-08 | 2014-05-21 | 富士施乐株式会社 | 文档处理设备和文档处理方法 |
| CN103823906A (zh) * | 2014-03-19 | 2014-05-28 | 北京邮电大学 | 一种基于微博数据的多维度检索排序优化算法和工具 |
| WO2017095473A1 (en) * | 2015-11-30 | 2017-06-08 | Cyberpulse L.L.C., D/B/A Ascend Hit | System and methods for displaying medical information |
| CN109376270A (zh) * | 2018-09-26 | 2019-02-22 | 青岛聚看云科技有限公司 | 一种数据检索方法和装置 |
| CN110231259A (zh) * | 2019-05-28 | 2019-09-13 | 怀光智能科技（武汉）有限公司 | 一种宫颈细胞玻片数字诊断*** |
| CN111310841A (zh) * | 2020-02-24 | 2020-06-19 | 中南大学湘雅医院 | 医学图像分类方法、装置、设备、计算机设备和存储介质 |
| CN112862756A (zh) * | 2021-01-11 | 2021-05-28 | 中国医学科学院北京协和医院 | 识别甲状腺肿瘤病理图像中病变类型及基因突变的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于目标检测和跟踪的乒乓球落点识别及评分***;王岩;《中国优秀硕士学位论文全文数据库·社会科学II辑》;第20-31页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113488144A (zh) | 2021-10-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106709917B (zh) | 神经网络模型训练方法、装置及*** | |
| CN110245657B (zh) | 病理图像相似性检测方法及检测装置 | |
| CN108133476B (zh) | 一种肺结节自动检测方法及*** | |
| CN112184617B (zh) | 一种基于深度学习的脊椎mri影像关键点检测方法 | |
| US8577109B2 (en) | Systems and methods for automated extraction of measurement information in medical videos | |
| Anderson et al. | Computer-aided photo-identification system with an application to polar bears based on whisker spot patterns | |
| CN111951221A (zh) | 一种基于深度神经网络的肾小球细胞图像识别方法 | |
| JP2006252559A (ja) | 画像において対象物の位置を特定する方法および対象物の画像を相異なる画像カテゴリに分類する方法 | |
| CN108846828A (zh) | 一种基于深度学习的病理图像目标区域定位方法及*** | |
| GB2602581A (en) | Automatic detection and replacement of identifying information in images using machine learning | |
| CN110974306B (zh) | 一种超声内镜下识别和定位胰腺神经内分泌肿瘤的*** | |
| CN112581438B (zh) | 切片图像识别方法、装置和存储介质及电子设备 | |
| CN109003269A (zh) | 一种能提高医生效率的医学影像病灶的标注提取方法 | |
| CN107133629B (zh) | 图片分类方法、装置和移动终端 | |
| CN111753642B (zh) | 一种确定关键帧的方法及装置 | |
| CN113488144B (zh) | 一种切片图像处理方法 | |
| CN110807754B (zh) | 基于深度语义分割的真菌显微图像分割检测方法及*** | |
| CN114638292A (zh) | 一种基于多尺度分析的人工智能病理辅助诊断*** | |
| CN111027385B (zh) | 聚类访客统计方法、***、设备及计算机可读存储介质 | |
| CN113888529A (zh) | 基于深度学习的病理切片图像质量评级方法及*** | |
| CN112579808A (zh) | 数据标注处理方法及装置、*** | |
| CN114240874A (zh) | 基于深度卷积神经网络和特征融合的骨龄评定方法、设备及计算机可读存储介质 | |
| CN111612749B (zh) | 基于肺部影像的病灶检测方法和装置 | |
| JP7359163B2 (ja) | 判別装置、細胞塊の判別方法、及びコンピュータプログラム | |
| CN116563305A (zh) | 一种血管的异常区域的分割方法、装置及电子设备 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230927 Address after: No. 100, Building 2, Jinxin Jiayuan, Beisi Street, Qianli Shantung Street, Haibowan District, Wuhai, Inner Mongolia, 016000 Applicant after: Inner Mongolia craftsman Technology Co.,Ltd. Address before: 518000 workshop 401, building 1, Verde Industrial Park, No. 24, Qinglan Third Road, large industrial zone, Pingshan new area, Shenzhen, Guangdong Applicant before: SHENZHEN DONYI HEALTH SERVICE CO.,LTD. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |