CN116745809A - 组织样本图像精制方法及执行其的计算*** - Google Patents
组织样本图像精制方法及执行其的计算*** Download PDFInfo
- Publication number
- CN116745809A CN116745809A CN202280011049.XA CN202280011049A CN116745809A CN 116745809 A CN116745809 A CN 116745809A CN 202280011049 A CN202280011049 A CN 202280011049A CN 116745809 A CN116745809 A CN 116745809A
- Authority
- CN
- China
- Prior art keywords
- tissue sample
- sample image
- tissue
- contours
- contour
- 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
- 238000007670 refining Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000015654 memory Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000002093 peripheral effect Effects 0.000 claims description 6
- 239000000523 sample Substances 0.000 description 157
- 238000013528 artificial neural network Methods 0.000 description 21
- 230000001575 pathological effect Effects 0.000 description 11
- 238000000746 purification Methods 0.000 description 10
- 238000003745 diagnosis Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 201000010099 disease Diseases 0.000 description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 7
- 239000000284 extract Substances 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 5
- 239000011521 glass Substances 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000007170 pathology Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 239000012472 biological sample Substances 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开通过从组织样本切片图像去除被判断为其他组织样本的组织样本区域的方式精制组织图像的方法及执行其的计算***。根据本发明的一实施方式，本发明提供组织样本图像精制方法，其包括如下步骤：提取分别与包含在组织样本图像的多个组织区域相应的多个轮廓(contour)；算出所提取的上述多个轮廓各自的中心点坐标；基于上述组织样本图像的中心点坐标和上述多个轮廓各自的中心点坐标，在上述多个轮廓中确定主组织轮廓；以及去除在上述多个轮廓中与上述主组织轮廓之外的剩余轮廓的至少一部分相应的区域。
Description
技术领域
本发明涉及生物组织样本图像精制方法及执行其的计算***。更详细地，涉及通过从组织样本切片图像去除被判断为其他组织样本的组织样本区域的方式精制组织图像的方法及执行其的计算***。
背景技术
病理学或病理科的主要业务之一为通过读取患者的生物组织切片图像来判断特定疾病的状态或征兆的诊断。现有的病理诊断方法通过如下方式进行，专家用肉眼来通过光学显微镜观察、读取从样本制成的诊断用病理切片图像。在使用连接在计算机的显微镜摄像头来将病理切片转换成数字影像之后，通过显示器进行观察并读取的方式为数字病理学的开端。近来，随着数字切片扫描仪的问世，广泛使用了将整个病理切片转换成数字影像并将其制成病理切片图像之后，通过计算机显示器观察上述图像并读取的方式。
并且，最近，随着机器学习的发达，正在积极进行计算机***将识别或分类图像等业务自动化的研究。尤其，正在进行用于将专业医疗人员利用作为机器学习的一种的神经网络(例如，卷积神经网络(CNN)等)来执行的诊断自动化的研究，通常，通过利用生物样本图像的神经网络的诊断会利用生物图像。即，对相应生物图像的专业医疗人员注解特定疾病的状态(例如，是否显现疾病)，将这种注解的多个图像用作学习数据来学习神经网络。
另一方面，如图1所示，当在一个玻璃片放置多个组织样本来制作病理切片时，在通过这种方法制作的病理切片的情况下，可以用肉眼来通过光学显微镜观察这种病理切片。但是，当将其数字化并按各组织样本单位执行算法分析或通过人工智能的分析时，在作为分析对象的图像内有可能包括其他组织样本部分，从而无法准确训练诊断模型或者分析的结果并不准确。例如，在从放置生物组织来制作的玻璃切片生成的病理切片图像的情况下，在按组织样本自动分割图像的过程中，因自动分割算法的限制或错误而有可能包括其他组织样本。或者，在按组织样本单位手动分割图像的情况下，当将组织样本区域仅指定为四边形或椭圆等简单形态时，也同样存在有可能包括其他组织样本的问题。
因此，需要确认在按组织样本单位分割的图像中是否包括其他组织样本并将其去除的方法。
发明内容
技术问题
本发明所要解决的技术问题在于，提供通过接收组织样本切片图像并去除被判断为其他组织样本的组织样本区域的方式精制组织样本图像的方法及执行其的计算***。
技术方案
根据本发明的一实施方式，本发明提供组织样本图像精制方法，其包括如下步骤：提取分别与包含在组织样本图像的多个组织区域相应的多个轮廓(contour)；算出所提取的上述多个轮廓各自的中心点坐标；基于上述组织样本图像的中心点坐标和上述多个轮廓各自的中心点坐标，在上述多个轮廓中确定主组织轮廓；以及去除在上述多个轮廓中与上述主组织轮廓之外的剩余轮廓的至少一部分相应的区域。
在一实施例中，基于上述组织样本图像的中心点坐标和上述多个轮廓各自的中心点坐标，在上述多个轮廓中确定主组织轮廓的步骤可包括如下步骤：在上述多个轮廓中，将对应轮廓的中心点与上述组织样本图像的中心点之间的距离最短的轮廓确定为上述主组织轮廓。
在一实施例中，去除在上述多个轮廓中与上述主组织轮廓之外的剩余轮廓的至少一部分相应的区域的步骤可包括如下步骤：在上述多个轮廓中确定与上述组织样本图像的***线相邻的边界相邻轮廓；以及在上述组织样本图像中去除与去除对象轮廓相应的区域，其中，上述去除对象轮廓并非上述边界相邻轮廓中的主组织轮廓。
在一实施例中，提取分别与包含在上述组织样本图像的多个组织区域相应的多个轮廓的步骤可包括如下步骤：生成包含在上述组织样本图像的多个组织区域和非组织区域的值被区分为二进制值的与上述组织样本图像相应的二进制掩码图像；以及基于上述二进制掩码来提取上述多个轮廓。
在一实施例中，在上述组织样本图像中去除与去除对象轮廓相应的区域的步骤可包括如下步骤：在上述组织样本图像中，将与上述去除对象轮廓相应的区域置换成上述组织样本图像的背景色。
在一实施例中，在上述组织样本图像中去除与去除对象轮廓相应区域的步骤还可包括如下步骤：在上述组织样本图像中将并不与上述多个轮廓中的任一个相应的区域的平均色确定为上述组织样本图像的背景色。
根据本发明的再一实施方式，本发明提供计算机***，设置在数据处理装置并记录在介质，用于执行上述方法。
根据本发明的另一实施方式，本发明提供计算机可读记录介质，记录有用于执行上述方法的计算机程序。
根据本发明的还有一实施方式，本发明提供组织样本图像精制***，其包括：处理器；以及存储器，存储计算机程序，当上述计算机程序通过上述处理器执行时，使得上述组织样本图像精制***执行组织样本图像精制方法，上述组织样本图像精制方法包括如下步骤：提取分别与包含在组织样本图像的多个组织区域相应的多个轮廓；算出所提取的上述多个轮廓各自的中心点坐标；基于上述组织样本图像的中心点坐标和上述多个轮廓各自的中心点坐标，在上述多个轮廓中确定主组织轮廓；以及去除在上述多个轮廓中与上述主组织轮廓之外的剩余轮廓的至少一部分相应的区域。
在一实施例中，基于上述组织样本图像的中心点坐标和上述多个轮廓各自的中心点坐标，在上述多个轮廓中确定主组织轮廓的步骤可包括如下步骤：在上述多个轮廓中，将对应轮廓的中心点与上述组织样本图像的中心点之间的距离最短的轮廓确定为上述主组织轮廓。
在一实施例中，去除在上述多个轮廓中与上述主组织轮廓之外的剩余轮廓的至少一部分相应的区域的步骤可包括如下步骤：在上述多个轮廓中确定与上述组织样本图像的***线相邻的边界相邻轮廓；以及在上述组织样本图像中去除与去除对象轮廓相应的区域，其中，上述去除对象轮廓并非上述边界相邻轮廓中的主组织轮廓。
在一实施例中，提取分别与包含在上述组织样本图像的多个组织区域相应的多个轮廓的步骤可包括如下步骤：生成包含在上述组织样本图像的多个组织区域和非组织区域的值被区分为二进制值的与上述组织样本图像相应的二进制掩码图像；以及基于上述二进制掩码来提取上述多个轮廓。
在一实施例中，在上述组织样本图像中去除与去除对象轮廓相应的区域的步骤可包括如下步骤：在上述组织样本图像中，将与上述去除对象轮廓相应的区域置换成上述组织样本图像的背景色。
发明的效果
根据本发明的技术思想，本发明可提供通过接收组织样本切片图像并去除被判断为其他组织样本的组织样本区域的方式精制组织样本图像的方法及执行其的计算***。
并且，本发明具有如下效果，能够以通过本发明一实施例的精制组织样本图像的方法精制的图像更加准确地学习人工神经网络。
附图说明
为了更加充分地理解本发明详细说明中所引用的附图，提供对每个附图的简要说明。
图1为示出放置多个样本的玻璃切片的一例的图。
图2为用于说明体现本发明实施例的组织样本图像精制方法的简要***结构的图。
图3为用于说明本发明一实施例的组织样本图像精制方法的流程图。
图4为示出图3的步骤S100的一例的流程图。
图5为示出图3的步骤S120的一例的流程图。
图6为示出图3的步骤S130的一例的流程图。
图7a为示出组织样本图像的一例的图，图7b为示出与组织样本图像相应的二进制掩码图像的一例的图，图7c示出在图7a的组织样本图像中去除与去除对象轮廓相应的区域后的精制的图像。
图8为示出本发明一实施例的组织样本图像精制***的简要结构的图。
图9为用于说明本发明一实施例的组织样本图像精制***的简要结构的图。
具体实施方式
本发明可具有多种变换，并可具有多种实施例，在附图中例示特定实施例并在详细的说明中进行详细说明。但是，这并非将本发明限定在特定的实施形态，而是应理解为包括本发明的思想及技术范围内的所有变换、等同技术方案或替代技术方案。在说明本发明的过程中，在判断为对相关的公知技术的具体说明使本发明的主旨不清楚的情况下，将省略对其的详细说明。
第一、第二等术语可用于说明多种结构要素，上述结构要素并不限定于上述术语。第一、第二等术语并非表示特别顺序，而是用于区分两种结构要素。
在本申请中所使用的术语仅用于说明特定实施例，而并非用于限定本发明。除非上下文中明确表示，否则单数的表现包括复数的表现。
在本说明书中，“包括”或“具有”等术语用于指定说明书中记载的特征、数字、步骤、动作、结构要素、部件或这些组合的存在，而并非预先排除一个或一个以上的其他特征、数字、步骤、动作、结构要素、部件或这些组合的存在或附加可能性。
并且，在本说明书中，当一个结构要素向其他结构要素“传输”数据时，上述结构要素可以直接向其他结构要素传输数据，也可以通过至少一个其他结构要素来向上述其他结构要素传输数据。相反，当一个结构要素向其他结构要素“直接传输”数据时，从上述结构要素并不通过其他结构要素来向上述其他结构要素传输数据。
以下，参照附图，以本发明的实施例为中心详细说明本发明。在各个附图中提出的相同的附图标记表示相同的部件。
图2为用于说明体现本发明实施例的组织样本图像精制方法的简要***结构的图。
参照图2，本发明技术思想的组织样本图像精制方法可通过组织样本图像精制***100执行。
在一实施例中，组织样本图像精制***100可设置在规定的服务器10来体现本发明的技术思想。上述服务器10意味着具有用于体现本发明技术思想的运算能力的数据处理装置，通常，本发明所属技术领域的普通技术人员可以轻松推论，可通过网络连接到客户端的数据处理装置以及个人计算机、便携终端等可以执行特定服务的任何装置也可以被定义为服务器。
上述组织样本图像精制***100向规定的神经网络200输入精制的组织样本图像来训练上述神经网络200或者可以使预先学习的上述神经网络200从述组织样本图像进行规定判断。上述神经网络200可以为用于提供与病理样本有关的诊断信息、预后信息和/或与治疗方法有关的信息的人工神经网络，通过上述神经网络200输出的结果可用于样本的各种判断(例如，疾病显现与否、预后、治疗方法等判断)。
上述神经网络200为基于人类神经的工作原理来人工构建的神经网络，包括多层感知模型，可意味着表现所定义的一系列设计事项的信息的集合。上述神经网络200可包括在人工智能、机器学习或深度学习领域中已知的卷积神经网络，但并不局限于此。
包括上述神经网络200和上述组织样本图像精制***100的上述服务器10可以为用于诊断疾病的诊断***或用于提供医生诊断疾病所需要的信息的诊断辅助***。上述神经网络200和上述组织样本图像精制***100也可设置在一个物理装置，即，上述服务器10，根据实施例，也可设置在不同的物理装置，根据需要，本发明所属技术领域的普通技术人员可以轻松推论能够进行多种变形。
上述诊断***10为了训练上述神经网络200而可以与规定的终端20、20-1进行通信。上述终端20、20-1为了训练上述神经网络200而可以向神经网络200传输多个学习数据，上述神经网络200可利用所接收的学习数据来进行学习。
并且，上述终端20、20-1为了可利用学习的上述神经网络200来执行疾病的诊断而可以向上述诊断***10输出作为诊断对象的生物图像。
另一方面，图2中，示出了组织样本图像精制***100体现为设置在服务器10的子***的形态的例，根据实施例，与此不同，上述组织样本图像精制***100也能够以独立形态的单一***体现。在此情况下，上述组织样本图像精制***100可以是作为用于体现本发明的技术思想的运算能力的数据处理装置的计算***，通常，可包括作为可通过网络访问客户端的数据处理装置的服务器和个人计算机或便携式终端等计算装置。
上述组织样本图像精制***100可以精制病理样本图像。
组织样本或病理样本为从人体的各种器官采取的活检及通过手术切除的生物组织。组织样本图像可以为将病理样本制成玻璃切片形态，并对其进行扫描来转换成数字图像的形态的切片图像，或者可以为以规定的自动分割算法或手动分割切片图像的图像。
在通过病理样本制作玻璃切片的过程中，具有在一个切片放置多个样本来制作的情况，当将以此制作的切片转换成数字图像时，多个不同的组织包含在一个图像。并且，即使将以此制作的切片转换之后将其分割成多个样本的图像，存在除一个主要组织之外，其他组织的图像包含在一个图像内的可能性。上述组织样本图像精制***100通过去除被判断为其他组织样本的组织样本区域的方式精制组织图像。
图3为用于说明本发明一实施例的组织样本图像精制方法的流程图。
参照图3，上述组织样本图像精制***100可以提取分别与包含在组织样本图像的多个组织区域相应的多个轮廓(步骤S100)。
在一实施例中，上述组织样本图像精制***100可通过二进制掩码提取轮廓，其例示出在图4中。
参照图4，上述组织样本图像精制***100可生成包含在组织样本图像的多个组织区域与非组织区域的值被区分为二进制值的与上述组织样本图像相应的二进制掩码图像(步骤S101)。例如，上述二进制掩码图像可以为在上述组织样本图像中具有组织的部分为1，没有组织的部分为0的图像。
图7a为示出组织样本图像的一例的图，图7b为示出与组织样本图像相应的二进制掩码图像的一例的图。
在一实施例中，上述组织样本图像精制***100可利用预先学习的生物组织区域判断用神经网络来特定生物组织并区分特定的生物组织区域和非生物组织区域来生成二进制掩码图像，或者可通过已知的多种方法来特定生物组织区域。
当上述组织样本图像为由色调饱和度(HSV，Hue-Saturation-Value)颜色模块构成的图像时，一实施例的上述组织样本图像精制***100可通过基于色调饱和度颜色模型的如下方法生成二进制掩码图像。
在一实施例中，上述组织样本图像精制***100可执行与上述组织样本图像相应的S空间的图像二进制化来生成第一二进制化结果。在此情况下，与上述切片相应的S空间为由与上述切片相应的色调饱和度模型的饱和值(Saturation)构成的空间。作为图像二进制化方法，可利用大津阈值(Otsu Threshholding)。大津阈值是在计算机视觉或图像处理领域中使用的基于群集的图像刷新保持技术。
并且，上述组织样本图像精制***100可执行与上述切片相应的(`1-V)空间的图像二进制化来生成第二二进制化结果。在此情况下，与上述切片相应的V空间为由与上述切片相应的色调饱和度模型的亮度值(Value)形成的空间(即，具有的大小，由V通道的值(亮度值)形成的矩阵(w为图像的宽度，h为图像的高度))，(1-V)空间为具有/>的大小，是从由填充1的矩阵中去除V通道值的空间。
之后，上述组织样本图像精制***100可基于上述第一二进制化结果及上述第二二进制化结果来生成与上述组织样本图像相应的二进制掩码图像。上述第一二进制化结果及上述第二二进制化结果可包含与上述组织样本图像的各个像素相应的二进制值(例如，0或1或0或225)，上述组织样本图像精制***100可针对上述组织样本图像的各个像素，当作为与上述像素相应的第一二进制化结果的二进制值或与上述像素相应的第一二进制化结果的二进制值为1(或255)时，将与上述像素相应的二进制掩码图像上的像素判断为组织像素(与组织相应的像素)，反之(即，二进制值为0的情况)，将与上述像素相应的二进制掩码图像上的像素判断为非组织像素(并不与组织相应的像素)，由此可以生成与上述组织样本图像相应的二进制掩码图像。简单来说，上述组织样本图像精制***100可通过对于S空间的图像二进制化结果和对(1-V)空间的图像二进制化结果之间的逻辑运算来生成二进制掩码图像。
另一方面，上述组织样本图像精制***100可基于上述二进制掩码来提取上述多个轮廓(步骤S102)。
上述组织样本图像精制***100通过由Suzuki,S.和Abe.K提出的轮廓提取方法(Topological Structural Analysis of Digitized Binary Images by BorderFollowing.CVGIP 30 1,pp 32-46(1985))等多种公知的轮廓提取方法，基于上述二进制掩码来提取上述多个轮廓，此外，只要是可以提取由坐标列的集合构成的轮廓的算法，则可以随意使用。
再次参照图3，上述组织样本图像精制***100可算出所提取的上述多个轮廓各自的中心点坐标。当在上述组织样本图像中存在M个组织时，上述组织样本图像精制***100可以算出第一轮廓的中心点坐标至第M轮廓的中心点坐标(步骤S110、步骤S115)。
上述组织样本图像精制***100可基于上述组织样本图像的中心点坐标和上述多个轮廓各自的中心点坐标，在上述多个轮廓中确定主组织轮廓(步骤S120)。
步骤S120的更加详细的例示出在图5中。参照图5，上述组织样本图像精制***100可以算出组织样本图像的中心点与每个轮廓(即，第一轮廓至第M轮廓)之间的距离(步骤S121、步骤S122)。
之后，上述组织样本图像精制***100可在上述多个轮廓中，将对应轮廓的中心点与上述组织样本图像的中心点之间的距离最近的轮廓确定为上述主组织轮廓(步骤S123)。
再次参照图3，上述组织样本图像精制***100可以去除在上述多个轮廓中与上述主组织轮廓之外的剩余轮廓的至少一部分相应的区域(步骤S130)。
步骤S130的具体例示出在图6中。参照图6，上述组织样本图像精制***100可以在上述多个轮廓中确定与上述组织样本图像的***线相邻的边界相邻轮廓(步骤S131)。
并且，上述组织样本图像精制***100可在上述边界相邻轮廓中将并非上述主组织轮廓的轮廓确定为去除对象轮廓(步骤S132)。
之后，上述组织样本图像精制***100可在上述组织样本图像中去除与去除对象轮廓相应的区域(步骤S131)。
在一实施例中，上述组织样本图像精制***100可在上述组织样本图像中将与上述去除对象轮廓相应的区域置换成上述组织样本图像的背景色，由此可以去除与上述去除对象轮廓相应的区域，在此情况下，与上述多个轮廓中的任一个相应的区域的平均色可被确定为上述组织样本图像的背景色。
图7c示出在图7a的组织样本图像中去除与去除对象轮廓相应的区域(边界相邻轮廓中并非上述主组织轮廓的区域)之后精制的图像。
根据实施例，与图6不同，上述组织样本图像精制***100也可全部去除主组织样本之外的剩余样本，比较与主组织样本相应的轮廓坐标的中心点坐标和与剩余样本相应的轮廓的中心点坐标来仅去除与中心点坐标之间的距离超出规定界限值的样本。
图8为示出本发明一实施例的组织样本图像精制***100的简要结构的图。
上述组织样本图像精制***100可意味着为了体现本发明的技术思想而具有所需要的硬件资源(resource)和/或软件的逻辑结构，但不意味着一个物理结构要素或一个装置。即，上述组织样本图像精制***100可意味着为了体现本发明的技术思想而具备的硬件和/或软件的逻辑结合，根据情况，设置在相互隔开的装置来执行各自的功能，由此，也可体现为用于体现本发明的技术思想的逻辑结构的结合。并且，上述组织样本图像精制***100也可意味着按用于体现本发明的技术思想的各个功能或作用单独体现的结构的结合。组织样本图像精制***100的各个结构也可位于不同的物理装置，也可位于相同的物理装置。并且，根据实例，构成上述组织样本图像精制***100的结构要素的软件和/或硬件的结合也可位于不同的物理装置，位于不同的物理装置的结构可以相互有机结合或体现各个上述模块。
并且，在本说明书中，模块可意味着用于执行本发明的技术思想的硬件及用于驱动上述硬件的软件的功能性、结构性结合。例如，上述模块可意味着规定的代码和用于执行上述规定代码的硬件资源(resource)的逻辑单位，本发明所属技术领域的普通技术人员可以轻松推论并非必须意味着物理连接的代码或一种硬件。
参照图8，上述组织样本图像精制***100可包括提取模块110、算出模块120、确定模块130及去除模块140。根据本发明的实施例，上述结构要素中的一部分结构要素也有可能并不与本发明的体现所需要的结构要素对应，并且，根据实施例，上述组织样本图像精制***100也可以包括比此更多的结构要素。例如，上述组织样本图像精制***100还可包括用于与外部装置进行通信的通信模块(未图示)、用于存储数据的存储模块(未图示)以及用于控制上述组织样本图像精制***100的结构要素及资源的控制模块(未图示)等。
上述提取模块110可提取分别与包含在组织样本图像的多个组织区域相应的多个轮廓。
在一实施例中，上述提取模块110可生成包含在上述组织样本图像的多个组织区域和非组织区域值被区分为二进制值的与上述组织样本图像相应的二进制掩码图像，基于上述二进制掩码来提取上述多个轮廓。
上述算出模块120可算出所提取的上述多个轮廓各自的中心点坐标。
上述确定模块130可基于上述组织样本图像的中心点坐标和上述多个轮廓各自的中心点坐标，在上述多个轮廓中确定主组织轮廓。
在一实施例中，上述确定模块130可在上述多个轮廓中将对应轮廓的中心点与上述组织样本图像的中心点之间的距离最近的轮廓确定为上述主组织轮廓。
上述去除模块140可去除在上述多个轮廓中与上述主组织轮廓之外的剩余轮廓的至少一部分相应的区域。
在一实施例中，上述去除模块140可在上述多个轮廓中确定与上述组织样本图像的***线相邻的边界相邻轮廓，在上述组织样本图像中去除与去除对象轮廓相应的区域。在此情况下，上述去除对象轮廓可并非上述边界相邻轮廓中的主组织轮廓。
在一实施例中，上述去除模块140可通过在上述组织样本图像中将与上述去除对象轮廓相应的区域置换成上述组织样本图像的背景色的方式在上述组织样本图像中去除与去除对象轮廓相应的区域。在此情况下，上述组织样本图像的背景色可通过在上述组织样本图像中并不与上述多个轮廓中的任一个相应的区域的平均色确定。
另一方面，根据实例，上述组织样本图像精制***100可包括处理器及存储通过上述处理器执行的程序的存储器。在此情况下，上述组织样本图像精制***100可具有图9所示的结构。图9为用于说明本发明实施例的组织样本图像精制***100的简要结构的图。
上述组织样本图像精制***100可包括存储用于体现本发明的技术思想的程序的存储器102及用于执行存储在上述存储器102的程序的处理器101。
本发明所属技术领域的普通技术人员可以轻松推论根据上述组织样本图像精制***100的实例，上述处理器101可被命名为CPU、APU、移动处理器等多种名称。上述处理器可包括单核CPU或多核CPU。并且，上述组织样本图像精制***100也可以由多个物理装置有机结合而成，在此情况下，本发明所属技术领域的普通技术人员可以轻松推论上述处理器101可在每个物理装置中设置一个来体现本发明的组织样本图像精制***100。
上述存储器102存储上述程序，为了驱动上述程序而体现为上述处理器可以访问的任何形态的存储装置也无妨。上述存储器102可包括高速随机存取存储器，也可以包括一个以上的磁盘存储装置、闪存装置或其他非易失性固态存储器等非易失性存储器。基于处理器及其他结构要素访问存储结构可受到存储器控制器的控制。并且，根据硬件实例，上述存储器102并非体现为一个存储装置，而是可体现为多个存储装置。并且，上述存储器102可包括主存储装置和暂时存储装置。并且，也可体现为易失性存储器或非易失性存储器，可被定义为包括存储上述程序并通过上述处理器驱动的所有形态的信息存储单元的含义。
当上述程序通过上述处理器101执行时，使得上述组织样本图像精制***100执行上述组织样本图像精制方法。
另一方面，本发明实施例的方法体现为计算机可读程序指令形态并存储在计算机可读记录介质，本发明实施例的控制程序及对象程序也可以存储在计算机可读记录介质。计算机可读记录介质包括存储可通过计算机***读取的数据的所有种类的记录装置。
记录在记录介质的程序指令可以为了本发明而特别设计构成或者可以是软件领域的普通技术人员公知使用的程序指令。
作为计算机可读记录介质的例，硬盘、软盘、磁带等磁性介质(magnetic media)、CD-ROM、DVD等光记录介质(optical media)、光磁软盘(floptical disk)等磁光介质(magneto-optical media)及只读存储器(ROM)、随机存取存储器(RAM)、闪存等以存储并执行程序指令的方式特别构成的硬件装置。并且，计算机可读记录介质可分散在网络连接的计算机***，以分散方式存储并执行计算机可读代码。
作为程序指令的例，包括通过编译器形成的机械代码和使用注解器等来处理电子信息的装置，例如，可通过计算机运行的高级语言代码。
上述硬件装置为了执行本发明的工作而作为一个以上的软件模块进行工作，反之亦然。
上述本发明的说明仅为例示，本发明所属技术领域的普通技术人员可以在不改变本发明的技术思想或必要特征的情况下可以将本发明轻松实施成其他具体形态。因此，以上记述的实施例在所有方面均为例示性实施例，而并非用于限定本发明。例如，以单一型说明的各个结构要素可以分散实施，同样，分散说明的结构要素也能够以结合的形态实施。
本发明的范围通过后述的发明要求保护范围体现，而并非通过上述详细说明，从发明要求保护范围的含义、范围及其等同概念导出的所有变更或变形的形态均包括在本发明的范围内。
产业上的可利用性
本发明可用于组织样本图像精制方法及执行其的计算***。
Claims (13)
1.一种组织样本图像精制方法，其特征在于，包括如下步骤：
提取分别与包含在组织样本图像的多个组织区域相应的多个轮廓；
算出所提取的上述多个轮廓各自的中心点坐标；
基于上述组织样本图像的中心点坐标和上述多个轮廓各自的中心点坐标，在上述多个轮廓中确定主组织轮廓；以及
去除在上述多个轮廓中与上述主组织轮廓之外的剩余轮廓的至少一部分相应的区域。
2.根据权利要求1所述的组织样本图像精制方法，其特征在于，基于上述组织样本图像的中心点坐标和上述多个轮廓各自的中心点坐标，在上述多个轮廓中确定主组织轮廓的步骤包括如下步骤：在上述多个轮廓中，将对应轮廓的中心点与上述组织样本图像的中心点之间的距离最短的轮廓确定为上述主组织轮廓。
3.根据权利要求1所述的组织样本图像精制方法，其特征在于，去除在上述多个轮廓中与上述主组织轮廓之外的剩余轮廓的至少一部分相应的区域的步骤包括如下步骤：
在上述多个轮廓中确定与上述组织样本图像的***线相邻的边界相邻轮廓；以及
在上述组织样本图像中去除与去除对象轮廓相应的区域，其中，上述去除对象轮廓并非上述边界相邻轮廓中的主组织轮廓。
4.根据权利要求1所述的组织样本图像精制方法，其特征在于，提取分别与包含在上述组织样本图像的多个组织区域相应的多个轮廓的步骤包括如下步骤：
生成包含在上述组织样本图像的多个组织区域和非组织区域的值被区分为二进制值的与上述组织样本图像相应的二进制掩码图像；以及
基于上述二进制掩码来提取上述多个轮廓。
5.根据权利要求1所述的组织样本图像精制方法，其特征在于，在上述组织样本图像中去除与去除对象轮廓相应的区域的步骤包括如下步骤：在上述组织样本图像中，将与上述去除对象轮廓相应的区域置换成上述组织样本图像的背景色。
6.根据权利要求5所述的组织样本图像精制方法，其特征在于，在上述组织样本图像中去除与去除对象轮廓相应区域的步骤还包括如下步骤：在上述组织样本图像中将并不与上述多个轮廓中的任一个相应的区域的平均色确定为上述组织样本图像的背景色。
7.一种计算机程序，其特征在于，设置在数据处理装置并记录在介质，用于执行根据权利要求1至6中任一项所述的方法。
8.一种计算机可读记录介质，其特征在于，记录有用于执行根据权利要求1至6中任一项所述的方法的计算机程序。
9.一种组织样本图像精制***，其特征在于，包括：
处理器；以及
存储器，存储计算机程序，
当上述计算机程序通过上述处理器执行时，使得上述组织样本图像精制***执行组织样本图像精制方法，
上述组织样本图像精制方法包括如下步骤：
提取分别与包含在组织样本图像的多个组织区域相应的多个轮廓；
算出所提取的上述多个轮廓各自的中心点坐标；
基于上述组织样本图像的中心点坐标和上述多个轮廓各自的中心点坐标，在上述多个轮廓中确定主组织轮廓；以及
去除在上述多个轮廓中与上述主组织轮廓之外的剩余轮廓的至少一部分相应的区域。
10.根据权利要求9所述的组织样本图像精制***，其特征在于，基于上述组织样本图像的中心点坐标和上述多个轮廓各自的中心点坐标，在上述多个轮廓中确定主组织轮廓的步骤包括如下步骤：在上述多个轮廓中，将对应轮廓的中心点与上述组织样本图像的中心点之间的距离最短的轮廓确定为上述主组织轮廓。
11.根据权利要求9所述的组织样本图像精制***，其特征在于，去除在上述多个轮廓中与上述主组织轮廓之外的剩余轮廓的至少一部分相应的区域的步骤包括如下步骤：
在上述多个轮廓中确定与上述组织样本图像的***线相邻的边界相邻轮廓；以及
在上述组织样本图像中去除与去除对象轮廓相应的区域，其中，上述去除对象轮廓并非上述边界相邻轮廓中的主组织轮廓。
12.根据权利要求9所述的组织样本图像精制***，其特征在于，提取分别与包含在上述组织样本图像的多个组织区域相应的多个轮廓的步骤包括如下步骤：
生成包含在上述组织样本图像的多个组织区域和非组织区域的值被区分为二进制值的与上述组织样本图像相应的二进制掩码图像；以及
基于上述二进制掩码来提取上述多个轮廓。
13.根据权利要求1所述的组织样本图像精制***，其特征在于，在上述组织样本图像中去除与去除对象轮廓相应的区域的步骤包括如下步骤：在上述组织样本图像中，将与上述去除对象轮廓相应的区域置换成上述组织样本图像的背景色。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR10-2021-0008312 | 2021-01-20 | ||
| KR1020210008312A KR102304609B1 (ko) | 2021-01-20 | 2021-01-20 | 조직 검체 이미지 정제 방법, 및 이를 수행하는 컴퓨팅 시스템 |
| PCT/KR2022/000972 WO2022158843A1 (ko) | 2021-01-20 | 2022-01-19 | 조직 검체 이미지 정제 방법, 및 이를 수행하는 컴퓨팅 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116745809A true CN116745809A (zh) | 2023-09-12 |
Family
ID=77914650
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202280011049.XA Pending CN116745809A (zh) | 2021-01-20 | 2022-01-19 | 组织样本图像精制方法及执行其的计算*** |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US20240087133A1 (zh) |
| EP (1) | EP4266247A1 (zh) |
| JP (1) | JP2024504958A (zh) |
| KR (1) | KR102304609B1 (zh) |
| CN (1) | CN116745809A (zh) |
| WO (1) | WO2022158843A1 (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102304609B1 (ko) * | 2021-01-20 | 2021-09-24 | 주식회사 딥바이오 | 조직 검체 이미지 정제 방법, 및 이를 수행하는 컴퓨팅 시스템 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5344073B2 (ja) * | 2012-09-14 | 2013-11-20 | 日本電気株式会社 | 病理組織画像撮影システム、病理組織画像撮影方法、および病理組織画像撮影プログラム |
| JP2018128294A (ja) * | 2017-02-07 | 2018-08-16 | 株式会社島津製作所 | 関心領域追跡装置 |
| JP6710373B2 (ja) * | 2017-03-30 | 2020-06-17 | 国立研究開発法人産業技術総合研究所 | 超音波画像診断支援方法、およびシステム |
| JP7098601B2 (ja) * | 2017-03-31 | 2022-07-11 | ソニーセミコンダクタソリューションズ株式会社 | 画像処理装置、撮像装置、画像処理方法、およびプログラム |
| JP7150462B2 (ja) * | 2018-04-25 | 2022-10-11 | キヤノン株式会社 | 情報処理装置、情報処理方法およびプログラム |
| KR102304609B1 (ko) * | 2021-01-20 | 2021-09-24 | 주식회사 딥바이오 | 조직 검체 이미지 정제 방법, 및 이를 수행하는 컴퓨팅 시스템 |
-
2021
- 2021-01-20 KR KR1020210008312A patent/KR102304609B1/ko active IP Right Grant
-
2022
- 2022-01-19 CN CN202280011049.XA patent/CN116745809A/zh active Pending
- 2022-01-19 WO PCT/KR2022/000972 patent/WO2022158843A1/ko active Application Filing
- 2022-01-19 EP EP22742819.0A patent/EP4266247A1/en active Pending
- 2022-01-19 JP JP2023542991A patent/JP2024504958A/ja active Pending
- 2022-01-19 US US18/273,033 patent/US20240087133A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| US20240087133A1 (en) | 2024-03-14 |
| WO2022158843A1 (ko) | 2022-07-28 |
| EP4266247A1 (en) | 2023-10-25 |
| KR102304609B1 (ko) | 2021-09-24 |
| JP2024504958A (ja) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10504624B2 (en) | System and method for segmentation and automated measurement of chronic wound images | |
| US11842556B2 (en) | Image analysis method, apparatus, program, and learned deep learning algorithm | |
| US11756318B2 (en) | Convolutional neural networks for locating objects of interest in images of biological samples | |
| CN110689025B (zh) | 图像识别方法、装置、***及内窥镜图像识别方法、装置 | |
| Ramasamy et al. | Detection of diabetic retinopathy using a fusion of textural and ridgelet features of retinal images and sequential minimal optimization classifier | |
| Xiao et al. | Major automatic diabetic retinopathy screening systems and related core algorithms: a review | |
| CN110767292A (zh) | 病理编号识别方法、信息识别方法、装置及信息识别*** | |
| CN113313680B (zh) | 一种结直肠癌病理图像预后辅助预测方法及*** | |
| CN112334990A (zh) | 自动***诊断*** | |
| CN116745809A (zh) | 组织样本图像精制方法及执行其的计算*** | |
| CN110490159B (zh) | 识别显微图像中的细胞的方法、装置、设备及存储介质 | |
| Huang et al. | HEp-2 cell images classification based on textural and statistic features using self-organizing map | |
| CN114757908A (zh) | 基于ct影像的图像处理方法、装置、设备及存储介质 | |
| CN117237351B (zh) | 一种超声图像分析方法以及相关装置 | |
| CN117274278B (zh) | 基于模拟感受野的视网膜图像病灶部位分割方法及*** | |
| CN111401102A (zh) | 深度学习模型训练方法及装置、电子设备及存储介质 | |
| CN109816665A (zh) | 一种光学相干断层扫描图像的快速分割方法及装置 | |
| CN115393314A (zh) | 一种基于深度学习的口腔医疗图像识别方法及*** | |
| KR102108308B1 (ko) | 개별 세포 식별 장치 및 제어 방법 | |
| CN114283114A (zh) | 图像处理方法、装置、设备及存储介质 | |
| Rakhonde et al. | Diabetes retinopathy disease detection using convolution neural network | |
| WO2019082203A1 (en) | SYSTEM AND METHOD FOR DETECTION AND CLASSIFICATION OF RETINAL DISEASES | |
| CN113763324B (zh) | 图像处理方法、计算机可读存储介质、处理器和*** | |
| CN114155561B (zh) | 一种幽门螺杆菌定位方法及装置 | |
| US20240156416A1 (en) | Prognosis prediction method using result of disease diagnosis through neural network and system therefor |
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 |