CN116934635B - 基于图像处理技术的病理图像质控方法及设备 - Google Patents
基于图像处理技术的病理图像质控方法及设备 Download PDFInfo
- Publication number
- CN116934635B CN116934635B CN202311196062.XA CN202311196062A CN116934635B CN 116934635 B CN116934635 B CN 116934635B CN 202311196062 A CN202311196062 A CN 202311196062A CN 116934635 B CN116934635 B CN 116934635B
- Authority
- CN
- China
- Prior art keywords
- image
- mask
- handwriting
- organization
- thumbnail
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 40
- 230000001575 pathological effect Effects 0.000 title claims abstract description 38
- 238000003908 quality control method Methods 0.000 title claims abstract description 26
- 238000005516 engineering process Methods 0.000 title claims abstract description 17
- 230000008520 organization Effects 0.000 claims abstract description 89
- 238000000034 method Methods 0.000 claims abstract description 27
- 210000003813 thumb Anatomy 0.000 claims description 51
- 238000001914 filtration Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 239000006059 cover glass Substances 0.000 claims description 11
- 230000002776 aggregation Effects 0.000 claims description 10
- 238000004220 aggregation Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 10
- 239000003086 colorant Substances 0.000 claims description 8
- 230000007797 corrosion Effects 0.000 claims description 6
- 238000005260 corrosion Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 230000007170 pathology Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 2
- 101100269850 Caenorhabditis elegans mask-1 gene Proteins 0.000 claims 6
- 238000003745 diagnosis Methods 0.000 description 9
- 230000004931 aggregating effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000000873 masking effect Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000010339 dilation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000001454 recorded image Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
- Editing Of Facsimile Originals (AREA)
Abstract
本发明公开一种基于图像处理技术的病理图像质控方法及设备,包括:根据原始图像获取对应缩略图;获取主要组织的掩码图像;提取笔迹的掩码图像;获得主要组织与笔迹重叠部分的掩码图像;对原始图像进行划分,获得多个图像片,同比例获得缩略图的多个图像块;找到所有带有组织的图像片,记为;找到所有带有笔迹的图像片,记为;将内的图像片复原,形成;将T中的替换为形成复原后的所有图像片集合记为,通过生成复原后的图像。本发明能够对图像质量进行有效的控制,同时保持病理图像结构的完整性和准确性。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种基于图像处理技术的病理图像质控方法及设备。
背景技术
病理图像的质量直接影响了医生的诊断精度和准确度。目前,已有许多方法可用于病理图像质量控制,但它们常常独立,并且收效甚微。有些方法可能会扰乱病理图像的结构或造成额外的图像噪声,使得诊断结果不可靠。
由于WSI图像的数据量非常大,通常包含上亿数量级的像素,因此一些操作必须在原始图像的缩略图上进行操作。现常采用金字塔分割方式,根据金字塔层数获取缩略图,获取适当大小的缩略图。然而,每一张WSI具有自己的放大倍数,可能是40x,20x等,如果对于每张WSI都采用同样的金字塔层数进行下采样,获得的图像可能是原始图像不同放大倍率下的图像。
进一步,由于数字扫描仪扫描时可能存在笔迹的原因,在很大程度上拖累了临床病理工作流程,因为这些载玻片均需要重新制作或重新扫描,从而导致延长病理诊断的时间,造成人力、物力的浪费,现有的去笔迹技术通常找到笔迹位置并丢弃,而并没有对笔迹与组织充电部分进行复原,这样会导致数据不完整,并丢失一些关键信息。
发明内容
为了解决上述技术问题,本发明提出了一种基于图像处理技术的病理图像质控方法及设备。
为了达到上述目的,本发明的技术方案如下:
一方面,本发明公开一种基于图像处理技术的病理图像质控方法,具体包括以下步骤:
步骤S1:根据原始图像WSI的缩放倍率获取对应缩略图thumb;
步骤S2:对获取的缩略图thumb进行滤波处理,获取主要组织的掩码图像;
步骤S3:根据预设的主要组织与颜色的RGB阈值范围提取缩略图thumb中的笔迹的掩码图像;
步骤S4:对和/>取交集,获得主要组织与笔迹重叠部分的掩码图像/>;
步骤S5:对原始图像WSI进行划分,获得多个图像片tile,同比例获得缩略图thumb的多个图像块block,图像块block与图像片tile一一对应;
步骤S6:计算上所有图像块block的组织占比,并找到所有组织占比非零的block所对应的图像片tile,所有带有组织的图像片tile记为第一图像片集合/>;
其中:组织占比为图像块block中非零的像素值占其总像素值的百分比;
步骤S7:计算上所有图像块block的像素值,并找到像素值非零的block所对应的图像片tile,所有带有笔迹的图像片tile记为第二图像片集合/>,且/>∈/>;
步骤S8:将第二图像集合内的所有图像片tile进行复原,形成复原后的第三图像片集合/>;
步骤S9:将第一图像片集合T中的替换为/>,形成第四图像片集合/>,并将中所有图像片tile进行组合,生成复原后的图像WSI。
在上述技术方案的基础上,还可做如下改进:
作为优选的方案,步骤S1具体包括:
步骤S1.1:获取缩放倍率,/>;
其中:为物镜放大的倍数;
为给定超参数;
步骤S1.2:通过下式获得缩略图thumb的高和宽/>;
;
;
其中:为原始图像WSI的高;
为原始图像WSI的宽;
步骤S1.3:将缩略图thumb转换为RGB三通道的缩略图。
作为优选的方案,步骤S2具体包括:
步骤S2.1:利用识别模型对缩略图thumb进行处理,得到盖玻片边缘掩码图像;
步骤S2.2:将缩略图thumb转成灰度图像gray,并采用亮度阈值滤波器对灰度图像gray进行处理,得到亮度掩码图像;
步骤S2.3:对亮度掩码图像进行卷积,并将卷积后的图像进行差值,通过形态学方法去除连通性大于指定值的区域,得到主要组织以外的气泡区域的掩码图像;
步骤S2.4:使用拉普拉斯算子对灰度图像gray进行梯度计算,并进行高斯滤波,得到主要组织以外的笔迹痕迹掩码图像;
步骤S2.5:对取并集后,再取反,得到去除背景的主要组织的掩码图像/>,再根据形态学去除/>上若干离群的小块组织,得到中间掩码图像/>;
步骤S2.6:对、/>取并集后,再取反,得到最终主要组织的掩码图像/>。
作为优选的方案,步骤S3具体包括:
步骤S3.1:通过预设的主要组织与颜色的RGB阈值范围,获取笔迹与背景重叠部分的掩码图像、笔迹与第一组织重叠部分的掩码图像以及笔迹与第二组织重叠部分的掩码图像/>;
第一组织的R、G、B范围分别为:180~255,60~255,140~255;
第二组织的R、G、B范围分别为:20~200,0~140,100~240;
步骤S3.2:对、/>取并集,获得掩码图像/>;
步骤S3.3:对进行闭运算,先使用腐蚀方法去除错取的组织部分,然后对所有笔迹进行膨胀操作,获得最终笔迹的掩码图像/>。
作为优选的方案,步骤S8具体包括:
S8.1:在第二图像集合内的所有图像片tile中,通过预设的主要组织与颜色的RGB阈值范围,获取笔迹与第一组织重叠部分的掩码图像/>、笔迹与第二组织重叠部分的掩码图像/>;
S8.2:将第二图像集合内的所有图像片tile结合/>,将图像片tile的R、G、B值分别映射到第一组织和第二组织的组织颜色的R、G、B区间,形成复原后的第三图像片集合/>。
另一方面,本发明还公开一种基于图像处理技术的病理图像质控设备,包括:
缩略图获取模块,用于根据原始图像WSI的缩放倍率获取对应缩略图thumb;
主要组织的掩码图像获取模块,用于对获取的缩略图thumb进行滤波处理,获取主要组织的掩码图像;
笔迹的掩码图像获取模块,用于根据预设的主要组织与颜色的RGB阈值范围提取缩略图thumb中的笔迹的掩码图像;
重叠部分的掩码图像获得模块,用于对和/>取交集,获得主要组织与笔迹重叠部分的掩码图像/>;
划分模块,用于对原始图像WSI进行划分,获得多个图像片tile,同比例获得缩略图thumb的多个图像块block,图像块block与图像片tile一一对应;
第一图像片集合模块,用于计算上所有图像块block的组织占比,并找到所有组织占比非零的block所对应的图像片tile,所有带有组织的图像片tile记为第一图像片集合/>;
其中:组织占比为图像块block中非零的像素值占其总像素值的百分比;
第二图像片集合模块,用于计算上所有图像块block的像素值,并找到像素值非零的block所对应的图像片tile,所有带有笔迹的图像片tile记为第二图像片集合/>,且/>∈/>;
第三图像片集合模块,用于将第二图像集合内的所有图像片tile进行复原,形成复原后的第三图像片集合/>;
复原图像生成模块,用于将第一图像片集合T中的替换为/>,形成第四图像片集合/>,并将/>中所有图像片tile进行组合,生成复原后的图像WSI。
作为优选的方案,缩略图获取模块包括:
缩放倍率获取单元,用于获取缩放倍率,/>;
其中:为物镜放大的倍数;
为给定超参数;
缩略图大小获取单元,用于通过下式获得缩略图thumb的高和宽/>;
;
;
其中:为原始图像WSI的高;
为原始图像WSI的宽;
缩略图转换单元,用于将缩略图thumb转换为RGB三通道的缩略图。
作为优选的方案,主要组织的掩码图像获取模块包括:
盖玻片边缘掩码图像获取单元,用于利用识别模型对缩略图thumb进行处理,得到盖玻片边缘掩码图像;
亮度掩码图像获取单元,用于将缩略图thumb转成灰度图像gray,并采用亮度阈值滤波器对灰度图像gray进行处理,得到亮度掩码图像;
气泡区域的掩码图像获取单元,用于对亮度掩码图像进行卷积,并将卷积后的图像进行差值,通过形态学方法去除连通性大于指定值的区域,得到主要组织以外的气泡区域的掩码图像/>;
笔迹痕迹掩码图像获取单元,用于使用拉普拉斯算子对灰度图像gray进行梯度计算,并进行高斯滤波,得到主要组织以外的笔迹痕迹掩码图像;
中间掩码图像获取单元,用于对取并集后,再取反,得到去除背景的主要组织的掩码图像/>,再根据形态学去除上若干离群的小块组织,得到中间掩码图像/>;
主要组织的掩码图像获取单元,用于对、取并集后,再取反,得到最终主要组织的掩码图像/>。
作为优选的方案,笔迹的掩码图像获取模块包括:
第一笔迹掩码图像获取单元,用于通过预设的主要组织与颜色的RGB阈值范围,获取笔迹与背景重叠部分的掩码图像、笔迹与第一组织重叠部分的掩码图像/>以及笔迹与第二组织重叠部分的掩码图像;
第一组织的R、G、B范围分别为:180~255,60~255,140~255;
第二组织的R、G、B范围分别为:20~200,0~140,100~240;
第二笔迹掩码图像获取单元,用于对、取并集,获得掩码图像/>;
第三笔迹掩码图像获取单元,用于对进行闭运算,先使用腐蚀方法去除错取的组织部分,然后对所有笔迹进行膨胀操作,获得最终笔迹的掩码图像。
作为优选的方案,第三图像片集合模块包括:
第一集合单元,用于在第二图像集合内的所有图像片tile中,通过预设的主要组织与颜色的RGB阈值范围,获取笔迹与第一组织重叠部分的掩码图像/>、笔迹与第二组织重叠部分的掩码图像/>;
第二集合单元,用于将第二图像集合内的所有图像片tile结合,将图像片tile的R、G、B值分别映射到第一组织和第二组织的组织颜色的R、G、B区间,形成复原后的第三图像片集合/>。
病理图像中存在着盖玻片边缘、背景噪声、小物体和笔迹等因素,这些因素会干扰病理图像的质量,降低诊断准确性和可靠性。本发明一种基于图像处理技术的病理图像质控方法及设备能够帮助病理医生剔除病理图像中影响判断的不利或无用的因素,其具有以下有益效果:
第一,根据原始图像WSI的缩放倍率还原缩略图thumb,保证每个缩略图在同一缩放倍率下。
第二,利用图像处理技术去除病理图像质中的干扰因素,而针对与组织重叠的笔迹部分通过RGB区间映射进行还原操作,能够对图像质量进行有效的控制,同时保持病理图像结构的完整性和准确性,提高病理图像的质量和可靠性。
第三,与现有的技术相比,本发明效率高、稳定性好、准确度高、自动化程度高,能够为医疗工作者提供更精准的诊断和治疗,提高患者的治愈率,具有重要的学术价值和积极的社会意义。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的病理图像质控方法的流程图。
图2为本发明实施例提供的获取主要组织的掩码图像的示例图。
图3为本发明实施例提供的获取笔迹的掩码图像。
图4为本发明实施例提供的获得主要组织与笔迹重叠部分的掩码图像。
图5为本发明实施例提供的多个图像片tile复原前、后对比图。
图6为本发明实施例提供的单个图像片tile复原前、后的RGB对比图。
图7为本发明实施例提供的单个图像片tile复原前、后的灰度对比图。
图8为本发明实施例提供的图像WSI复原前、后的RGB对比图。
图9为本发明实施例提供的图像WSI复原前、后的灰度对比图。
具体实施方式
下面结合附图详细说明本发明的优选实施方式。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例,并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
另外,“包括”元件的表述是“开放式”表述,该“开放式”表述仅仅是指存在对应的部件或步骤,不应当解释为排除附加的部件或步骤。
为了达到本发明的目的,基于图像处理技术的病理图像质控方法及设备的其中一些实施例中,如图1所示,病理图像质控方法具体包括以下步骤:
步骤S1:根据原始图像WSI的缩放倍率获取对应缩略图thumb;
步骤S2:对获取的缩略图thumb进行滤波处理,获取主要组织的掩码图像;
步骤S3:根据预设的主要组织与颜色的RGB阈值范围提取缩略图thumb中的笔迹的掩码图像;
步骤S4:对和/>取交集,获得主要组织与笔迹重叠部分的掩码图像/>;
步骤S5:对原始图像WSI进行划分,获得多个图像片tile,同比例获得缩略图thumb的多个图像块block,图像块block与图像片tile一一对应;
步骤S6:计算上所有图像块block的组织占比,并找到所有组织占比非零的block所对应的图像片tile,所有带有组织的图像片tile记为第一图像片集合/>;
其中:组织占比为图像块block中非零的像素值占其总像素值的百分比;
步骤S7:计算上所有图像块block的像素值,并找到像素值非零的block所对应的图像片tile,所有带有笔迹的图像片tile记为第二图像片集合/>,且/>∈/>;
步骤S8:将第二图像集合内的所有图像片tile进行复原,形成复原后的第三图像片集合/>;
步骤S9:将第一图像片集合T中的替换为/>,形成第四图像片集合/>,并将中所有图像片tile进行组合,生成复原后的图像WSI。
为了对本发明进行深度了解,下面对每个步骤进行详细解释。
步骤S1具体包括:
步骤S1.1:获取缩放倍率;
;
其中:为物镜放大的倍数,每一张原始图像WSI都有自己对应的放大倍率,可以通过openslide库获取,通常为40或20;
为给定超参数,如:/>,标识还原后的缩略图是真实图像的1.25倍大小;
步骤S1.2:openslide库读取原始图像WSI,获取原始图像WSI的高和宽,并通过下式获得缩略图thumb的高/>和宽/>,通过openslide获得PIL类型缩略图;
;
;
步骤S1.3:将缩略图转换为RGB三通道的缩略图/>。
步骤S2主要是利用多个滤波器对缩略图thumb进行处理,具体包括:
步骤S2.1:利用识别模型对缩略图进行处理,得到盖玻片边缘掩码图像/>,具体地:由于盖玻片放置在组织上的位置偏离,可能导致原始图像WSI中存在盖玻片边缘留下的印记,将已知的缩略图和盖玻片边缘掩码输入随机模型中,训练出一个识别盖玻片边缘的模型,将缩略图/>输入训练好的模型中,输出大小为(h, w)的bool矩阵/>,即为盖玻片边缘掩码图像;
步骤S2.2:将缩略图转成灰度图像/>,并采用亮度阈值滤波器对灰度图像/>进行处理,得到亮度掩码图像/>,此时去除背景,背景的R、G、B范围分别为:220~255,220~255,220~255;
步骤S2.3:对亮度掩码图像进行卷积,并将卷积后的图像进行差值,通过形态学方法去除连通性大于指定值的区域,得到主要组织以外的气泡区域的掩码图像,此时不仅会去掉一些气泡,而且会去掉一些组织以外的浅颜色的笔迹;
步骤S2.4:使用拉普拉斯算子对灰度图像进行梯度计算,并进行高斯滤波,得到主要组织以外的笔迹痕迹掩码图像/>;
步骤S2.5:对取并集后,再取反,得到去除背景的主要组织的掩码图像/>,再根据形态学去除/>上若干离群的小块组织,得到中间掩码图像/>;
;
;
其中:表示取反符号;
步骤S2.6:对、/>取并集后,再取反,得到最终主要组织的掩码图像/>;
=;
;
其中:为表示背景的掩码图像,True表示背景,False表示组织;
是二维bool矩阵,True表示主要组织,False表示去除的背景。
获取的过程如图2所示,二维的bool类型矩阵被转化为二值图像。
步骤S3具体包括:
步骤S3.1:通过预设的主要组织与颜色的RGB阈值范围,获取笔迹与背景重叠部分的掩码图像、笔迹与第一组织重叠部分的掩码图像以及笔迹与第二组织重叠部分的掩码图像,表1是通过截取区域获得的组织与颜色的RGB主要分布,如:第一组织的R、G、B范围分别为:180~255,60~255,140~255;第二组织的R、G、B范围分别为:20~200,0~140,100~240。
笔迹与背景重叠部分的掩码图像,即为笔迹在背景区域的掩码图像;
笔迹与第一组织重叠部分的掩码图像,即为笔迹在第一组织区域的掩码图像;
笔迹与第二组织重叠部分的掩码图像,即为笔迹在第二组织区域的掩码图像。
具体地,以提取R、G、B范围分别为:0~140,100~255,180~255的笔迹为例,流程如图3所示,获取笔迹与背景重叠部分的掩码图像、笔迹与第一组织重叠部分的掩码图像/>,笔迹与第二组织重叠部分的掩码图像,再取它们的并集所有笔迹的掩码矩阵。
步骤S3.2:对、取并集,获得掩码图像/>;
;
步骤S3.3:因为通过RGB颜色阈值取的会有一些误差,所以可能会包含一些组织部分,所以对进行闭运算(Close)操作,先使用腐蚀方法去除错取的组织部分,最后对所有笔迹进行膨胀操作,获得最终笔迹的掩码图像/>。
以上为R、G、B范围分别为:0~140,100~255,180~255的笔迹的操作步骤,其他色系以此类推。
表1主要组织与颜色的RGB阈值范围
RGB/类型 | 第一组织 | 第二组织 | 笔迹 | 笔迹与第一组织重叠部分 | 笔迹与第二组织重叠部分 |
R | 180~255 | 20~200 | 0~140 | 80~180 | 0~80 |
G | 60~255 | 0~140 | 100~255 | 80~200 | 0~80 |
B | 140~255 | 100~240 | 180~255 | 210~255 | 100~220 |
步骤S4具体为:对和/>如下式取交集,获得主要组织与笔迹重叠部分的掩码图像/>,如图4所示;
。
步骤S5具体为:对原始图像WSI进行划分,获得多个图像片tile,同比例获得缩略图thumb的多个图像块block,图像块block与图像片tile一一对应。
为了观察原始图像WSI中的部分区域的具体细节,在原始图像WSI中采样小图像片tile,设定提取窗口大小extract_xsize=1024,extract_ysize=1024,根据窗口大小在原始图像WSI划分,可以划分row_size×col_size个图像片,每个图像片tile的维度为(extract_ysize,extract_xsize,3)。
;
;
其中:表示向下取整符号,
遍历org_w×org_h的表示坐标的数组,横向步长为extract_xsize,纵向步长为extract_ysize。记录每个图像片tile的位置信息(row,col,r_start,c_start);
其中:col,row为当前图像片tile在原始图像WSI中对应的行数,列数;
r_start,c_start为当前图像片tile在原始图像WSI中对应的左上角的坐标。
例如:一行第一列的图像片tile位置记为(1,1,0,0);
第一行第二列的图像片tile位置记为(2,1,1024,0)。
根据窗口大小和缩放倍率计算在缩略图thumb中对应的每个图像块block的大小,图像块block的高记为b_h,宽记为b_w,图像块block表示在缩略图thumb中对应的图像片tile,因此图像片tile和图像块block的行和列相等。
;
;
根据先前记录的图像片tile的位置、缩放倍率、在中找到对应的/>的位置,记录当前图像块block的位置信息。例如,图像片tile(2,1,1024,0)对应的图像块block的位置为(2,1,32,0)。
通过像素值占比的方法排除一些不需要保存的图像块block,认为像素值大于零的值为组织。
步骤S6具体为:计算上所有图像块/>的组织占比,并根据block找到所有非零的组织占比所对应的图像片,形成第一图像片集合/>;
其中:组织占为图像块block中非零的像素值占其总像素值的百分比;
。
步骤S7具体为:计算上所有图像块block的像素值,并找到像素值非零的block所对应的图像片tile,所有带有笔迹的图像片tile记为第二图像片集合/>,且/>∈/>。
将中带有笔迹的图像片tile的集合记为/>,/>∈/>,便于后续进行图像复原,且通过图像块block计算,可以大大减少计算量。若某个图像块block的像素值大于0,则认为该图像块block中存在笔迹,记录这个带有笔迹的block的位置,获得对应图像片tile,将所有带有笔迹的图像片tile记为第二图像片集合/>。
步骤S8通过RGB区间映射的方式对第二图像片集合内的图像片tile进行复原,具体包括:
S8.1:在第二图像集合内的所有图像片tile中,通过预设的主要组织与颜色的RGB阈值范围,获取笔迹与第一组织重叠部分的掩码图像/>、笔迹与第二组织重叠部分的掩码图像/>;/>
S8.2:将第二图像集合内的所有图像片tile结合/>,将图像片tile的R、G、B值分别映射到第一组织和第二组织的组织颜色的R、G、B区间,形成复原后的第三图像片集合/>;
;
其中:x,y表示像素点的坐标;
表示复原后的值;
表示x,y对应的需要被恢复笔迹的值。
通过上述公式,能够将笔迹与组织重叠部分的R,G,B值映射成正常组织的,/>,值。
以将R值映射为值为例,/>表示/>的最大值,/>表示/>的最小值,/>表示R的最大值,/>表示R的最小值。
上述最大值和最小值可通过表1获得,而最终复原后的值即为/>,。G值、B值的映射同理。
步骤S9具体为:将第一图像片集合T中的替换为/>,形成第四图像片集合/>,并将/>中所有图像片tile进行组合,生成复原后的图像WSI,保存为.svs文件。
图5显示了第一图像片集合与第四图像片集合/>变换前后的部分对照图,可以看出经过复原后,笔迹部分大部分被清除。
选取其中一张一半为正常组织,一半为带有笔迹的组织的图像片tile。如图6所示,对比该图像片tile复原前的RGB图像和该图像片tile复原后的RGB图像,可以看出恢复后的RGB图像的笔迹部分几乎和正常组织颜色一致。如图7所示,对比该图像片tile复原前的灰度图像和该图像片tile复原后的灰度图像,可以看出恢复前笔迹与组织重叠部分偏暗,而恢复后整体图像趋于一致。
进一步,如图8所示,对比了图像WSI复原前、后的RGB图。
如图9所示,对比了图像WSI复原前、后的灰度图。
本发明的方法综合应用了机器学习、图像处理和物体检测等先进技术,在保证病理图像质量的同时,精细化地去除干扰信息和还原组织信息,从而实现了对病理图像的精准处理和质量控制,缩短了工作时间,减少了处理成本,对后续治疗和诊断提高了精度和效率,具有广泛的商业和应用前景。
本发明的方法通过去除冗余干扰信息和还原与笔迹重叠的组织信息,有利于提升诊断精度和准确度。通过自动处理和检测病理图像中的干扰物体和组织区域,大大减少了手工处理和检测的时间和人力成本,提高工作效率和生产效益。
本发明实施例还公开一种基于图像处理技术的病理图像质控设备,包括:
缩略图获取模块,用于根据原始图像WSI的缩放倍率获取对应缩略图thumb;
主要组织的掩码图像获取模块,用于对获取的缩略图thumb进行滤波处理,获取主要组织的掩码图像;/>
笔迹的掩码图像获取模块,用于根据预设的主要组织与颜色的RGB阈值范围提取缩略图thumb中的笔迹的掩码图像;
重叠部分的掩码图像获得模块,用于对和/>取交集,获得主要组织与笔迹重叠部分的掩码图像/>;
划分模块,用于对原始图像WSI进行划分,获得多个图像片tile,同比例获得缩略图thumb的多个图像块block,图像块block与图像片tile一一对应;
第一图像片集合模块,用于计算上所有图像块block的组织占比,并找到所有组织占比非零的block所对应的图像片tile,所有带有组织的图像片tile记为第一图像片集合/>;
其中:组织占比为图像块block中非零的像素值占其总像素值的百分比;第二图像片集合模块,用于计算上所有图像块block的像素值,并找到像素值非零的block所对应的图像片tile,所有带有笔迹的图像片tile记为第二图像片集合/>,且/>∈/>;
第三图像片集合模块,用于将第二图像集合内的所有图像片tile进行复原,形成复原后的第三图像片集合/>;
复原图像生成模块,用于将第一图像片集合T中的替换为/>,形成第四图像片集合/>,并将/>中所有图像片tile进行组合,生成复原后的图像WSI。
进一步,缩略图获取模块包括:
缩放倍率获取单元,用于获取缩放倍率,/>;
其中:为物镜放大的倍数;
为给定超参数;
缩略图大小获取单元,用于通过下式获得缩略图thumb的高和宽/>;
;
;
其中:为原始图像WSI的高;
为原始图像WSI的宽;
缩略图转换单元,用于将缩略图thumb转换为RGB三通道的缩略图。
进一步,主要组织的掩码图像获取模块包括:
盖玻片边缘掩码图像获取单元,用于利用识别模型对缩略图thumb进行处理,得到盖玻片边缘掩码图像;
亮度掩码图像获取单元,用于将缩略图thumb转成灰度图像gray,并采用亮度阈值滤波器对灰度图像gray进行处理,得到亮度掩码图像;
气泡区域的掩码图像获取单元,用于对亮度掩码图像进行卷积,并将卷积后的图像进行差值,通过形态学方法去除连通性大于指定值的区域,得到主要组织以外的气泡区域的掩码图像/>;
笔迹痕迹掩码图像获取单元,用于使用拉普拉斯算子对灰度图像gray进行梯度计算,并进行高斯滤波,得到主要组织以外的笔迹痕迹掩码图像;
中间掩码图像获取单元,用于对取并集后,再取反,得到去除背景的主要组织的掩码图像/>,再根据形态学去除上若干离群的小块组织,得到中间掩码图像/>;
主要组织的掩码图像获取单元,用于对、取并集后,再取反,得到最终主要组织的掩码图像/>。
进一步,笔迹的掩码图像获取模块包括:
第一笔迹掩码图像获取单元,用于通过预设的主要组织与颜色的RGB阈值范围,获取笔迹与背景重叠部分的掩码图像、笔迹与第一组织重叠部分的掩码图像/>以及笔迹与第二组织重叠部分的掩码图像;
第一组织的R、G、B范围分别为:180~255,60~255,140~255;
第二组织的R、G、B范围分别为:20~200,0~140,100~240;
第二笔迹掩码图像获取单元,用于对、取并集,获得掩码图像/>;
第三笔迹掩码图像获取单元,用于对进行闭运算,先使用腐蚀方法去除错取的组织部分,然后对所有笔迹进行膨胀操作,获得最终笔迹的掩码图像。
进一步,第三图像片集合模块包括:
第一集合单元,用于在第二图像集合内的所有图像片tile中,通过预设的主要组织与颜色的RGB阈值范围,获取笔迹与第一组织重叠部分的掩码图像/>、笔迹与第二组织重叠部分的掩码图像/>;
第二集合单元,用于将第二图像集合内的所有图像片tile结合,将图像片tile的R、G、B值分别映射到第一组织和第二组织的组织颜色的R、G、B区间,形成复原后的第三图像片集合/>。
上述病理图像质控设备与病理图像质控方法相似,在此不再进行赘述。
值得注意的是,本发明实施例所涉及的阈值滤波、膨胀操作、腐蚀方法、形态学方法、拉普拉斯算子、高斯滤波等方法,均为图像处理领域的常用方法,本领域技术人员对上述方法所熟知,在此不再展开详细阐述。病理图像中存在着盖玻片边缘、背景噪声、小物体和笔迹等因素,这些因素会干扰病理图像的质量,降低诊断准确性和可靠性。本发明一种基于图像处理技术的病理图像质控方法及设备能够帮助病理医生剔除病理图像中影响判断的不利或无用的因素,其具有以下有益效果:
第一,根据原始图像WSI的缩放倍率还原缩略图thumb,保证每个缩略图在同一缩放倍率下。
第二,利用图像处理技术去除病理图像质中的干扰因素,而针对与组织重叠的笔迹部分通过RGB区间映射进行还原操作,能够对图像质量进行有效的控制,同时保持病理图像结构的完整性和准确性,提高病理图像的质量和可靠性。
第三,与现有的技术相比,本发明效率高、稳定性好、准确度高、自动化程度高,能够为医疗工作者提供更精准的诊断和治疗,提高患者的治愈率,具有重要的学术价值和积极的社会意义。
本发明通过自动化的图像质量控制算法,保留有效组织区域,剔除干扰、冗余及不可用信息,有助于减轻医生的工作负担、提高病理医生的诊断效率以及准确性。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点,本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内,本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (8)
1.基于图像处理技术的病理图像质控方法,其特征在于,具体包括以下步骤:
步骤S1:根据原始图像WSI的缩放倍率获取对应缩略图thumb;
步骤S2:对获取的缩略图thumb进行滤波处理,获取主要组织的掩码图像final_mask;
步骤S3:根据预设的主要组织与颜色的RGB阈值范围提取缩略图thumb中的笔迹的掩码图像pen_mask;
步骤S4:对final_mask和pen_mask取交集,获得主要组织与笔迹重叠部分的掩码图像pen_tissue_mask;
步骤S5:对原始图像WSI进行划分,获得多个图像片tile,同比例获得缩略图thumb的多个图像块block,图像块block与图像片tile一一对应;
步骤S6:计算final_mask上所有图像块block的组织占比,并找到所有组织占比非零的block所对应的图像片tile,所有带有组织的图像片tile记为第一图像片集合T;
其中:组织占比为图像块block中非零的像素值占其总像素值的百分比;
步骤S7:计算pen_tissue_mask上所有图像块block的像素值,并找到像素值非零的block所对应的图像片tile,所有带有笔迹的图像片tile记为第二图像片集合TP,且TP∈T;
步骤S8:将第二图像集合TP内的所有图像片tile进行复原,形成复原后的第三图像片集合TP′;
步骤S9:将第一图像片集合T中的TP替换为TP′,形成第四图像片集合T′,并将T′中所有图像片tile进行组合,生成复原后的图像WSI;
所述步骤S3具体包括:
步骤S3.1:通过预设的主要组织与颜色的RGB阈值范围,获取笔迹与背景重叠部分的掩码图像colour_pen_mask、笔迹与第一组织重叠部分的掩码图像colour_first_mask以及笔迹与第二组织重叠部分的掩码图像colour_second_mask;
所述第一组织的R、G、B范围分别为:180~255,60~255,140~255;
所述第二组织的R、G、B范围分别为:20~200,0~140,100~240;
步骤S3.2:对colour_pen_mask、colour_first_mask、colour_second_mask取并集,获得掩码图像org_pen_mask;
步骤S3.3:对org_pen_mask进行闭运算,先使用腐蚀方法去除错取的组织部分,然后对所有笔迹进行膨胀操作,获得最终笔迹的掩码图像pen_mask。
2.根据权利要求1所述的病理图像质控方法,其特征在于,所述步骤S1具体包括:
步骤S1.1:获取缩放倍率scale_factor,scale_factor=mag/m;
其中:mag为物镜放大的倍数;
m为给定超参数;
步骤S1.2:通过下式获得缩略图thumb的高h和宽w;
h=org_h/scale_factor;
w=org_w/scale_factor;
其中:org_h为原始图像WSI的高;
org_w为原始图像WSI的宽;
步骤S1.3:将缩略图thumb转换为RGB三通道的缩略图。
3.根据权利要求1所述的病理图像质控方法,其特征在于,所述步骤S2具体包括:
步骤S2.1:利用识别模型对缩略图thumb进行处理,得到盖玻片边缘掩码图像mask1;
步骤S2.2:将缩略图thumb转成灰度图像gray,并采用亮度阈值滤波器对灰度图像gray进行处理,得到亮度掩码图像mask2;
步骤S2.3:对亮度掩码图像mask2进行卷积,并将卷积后的图像进行差值,通过形态学方法去除连通性大于指定值的区域,得到主要组织以外的气泡区域的掩码图像mask3;
步骤S2.4:使用拉普拉斯算子对灰度图像gray进行梯度计算,并进行高斯滤波,得到主要组织以外的笔迹痕迹掩码图像mask4;
步骤S2.5:对mask1、mask2、mask3、mask4取并集后,再取反,得到去除背景的主要组织的掩码图像mask_sum,再根据形态学去除mask_sum上若干离群的小块组织,得到中间掩码图像mask5;
步骤S2.6:对mask1、mask2、mask3、mask4、mask5取并集后,再取反,得到最终主要组织的掩码图像final_mask。
4.根据权利要求1所述的病理图像质控方法,其特征在于,所述步骤S8具体包括:
S8.1:在第二图像集合TP内的所有图像片tile中,通过预设的主要组织与颜色的RGB阈值范围,获取笔迹与第一组织重叠部分的掩码图像mask6、笔迹与第二组织重叠部分的掩码图像mask7;
S8.2:将第二图像集合TP内的所有图像片tile结合mask6、mask7,将图像片tile的R、G、B值分别映射到第一组织和第二组织的组织颜色的R、G、B区间,形成复原后的第三图像片集合TP′。
5.基于图像处理技术的病理图像质控设备,其特征在于,包括:
缩略图获取模块,用于根据原始图像WSI的缩放倍率获取对应缩略图thumb;
主要组织的掩码图像获取模块,用于对获取的缩略图thumb进行滤波处理,获取主要组织的掩码图像final_mask;
笔迹的掩码图像获取模块,用于根据预设的主要组织与颜色的RGB阈值范围提取缩略图thumb中的笔迹的掩码图像pen_mask;
重叠部分的掩码图像获得模块,用于对final_mask和pen_mask取交集,获得主要组织与笔迹重叠部分的掩码图像pen_tissue_mask;
划分模块,用于对原始图像WSI进行划分,获得多个图像片tile,同比例获得缩略图thumb的多个图像块block,图像块block与图像片tile一一对应;
第一图像片集合模块,用于计算final_mask上所有图像块block的组织占比,并找到所有组织占比非零的block所对应的图像片tile,所有带有组织的图像片tile记为第一图像片集合T;
其中:组织占为图像块block中非零的像素值占其总像素值的百分比;
第二图像片集合模块,用于计算pen_tissue_mask上所有图像块block的像素值,并找到像素值非零的block所对应的图像片tile,所有带有笔迹的图像片tile记为第二图像片集合TP,且TP∈T;
第三图像片集合模块,用于将第二图像集合TP内的所有图像片tile进行复原,形成复原后的第三图像片集合TP′;
复原图像生成模块,用于将第一图像片集合T中的TP替换为TP′,形成第四图像片集合T′,并将T′中所有图像片tile进行组合,生成复原后的图像WSI;
所述笔迹的掩码图像获取模块包括:
第一笔迹掩码图像获取单元,用于通过预设的主要组织与颜色的RGB阈值范围,获取笔迹与背景重叠部分的掩码图像colour_pen_mask、笔迹与第一组织重叠部分的掩码图像colour_first_mask以及笔迹与第二组织重叠部分的掩码图像colour_second_mask;
所述第一组织的R、G、B范围分别为:180~255,60~255,140~255;
所述第二组织的R、G、B范围分别为:20~200,0~140,100~240;
第二笔迹掩码图像获取单元,用于对
colour_pen_mask、colour_first_mask、colour_second_mask取并集,获得掩码图像org_pen_mask;
第三笔迹掩码图像获取单元,用于对org_pen_mask进行闭运算,先使用腐蚀方法去除错取的组织部分,然后对所有笔迹进行膨胀操作,获得最终笔迹的掩码图像pen_mask。
6.根据权利要求5所述的病理图像质控设备,其特征在于,所述缩略图获取模块包括:
缩放倍率获取单元,用于获取缩放倍率scale_factor,
scale_factor=mag/m;
其中:mag为物镜放大的倍数;
m为给定超参数;
缩略图大小获取单元,用于通过下式获得缩略图thumb的高h和宽w;
h=org_h/scale_factor;
w=org_w/scale_factor;
其中:org_h为原始图像WSI的高;
org_w为原始图像WSI的宽;
缩略图转换单元,用于将缩略图thumb转换为RGB三通道的缩略图。
7.根据权利要求5所述的病理图像质控设备,其特征在于,所述主要组织的掩码图像获取模块包括:
盖玻片边缘掩码图像获取单元,用于利用识别模型对缩略图thumb进行处理,得到盖玻片边缘掩码图像mask1;
亮度掩码图像获取单元,用于将缩略图thumb转成灰度图像gray,并采用亮度阈值滤波器对灰度图像gray进行处理,得到亮度掩码图像mask2;
气泡区域的掩码图像获取单元,用于对亮度掩码图像mask2进行卷积,并将卷积后的图像进行差值,通过形态学方法去除连通性大于指定值的区域,得到主要组织以外的气泡区域的掩码图像mask3;
笔迹痕迹掩码图像获取单元,用于使用拉普拉斯算子对灰度图像gray进行梯度计算,并进行高斯滤波,得到主要组织以外的笔迹痕迹掩码图像mask4;
中间掩码图像获取单元,用于对mask1、mask2、mask3、mask4取并集后,再取反,得到去除背景的主要组织的掩码图像mask_sum,再根据形态学去除mask_sum上若干离群的小块组织,得到中间掩码图像mask5;
主要组织的掩码图像获取单元,用于对
mask1、mask2、mask3、mask4、mask5取并集后,再取反,得到最终主要组织的掩码图像final_mask。
8.根据权利要求5所述的病理图像质控设备,其特征在于,所述第三图像片集合模块包括:
第一集合单元,用于在第二图像集合TP内的所有图像片tile中,通过预设的主要组织与颜色的RGB阈值范围,获取笔迹与第一组织重叠部分的掩码图像mask6、笔迹与第二组织重叠部分的掩码图像mask7;
第二集合单元,用于将第二图像集合TP内的所有图像片tile结合mask6、mask7,将图像片tile的R、G、B值分别映射到第一组织和第二组织的组织颜色的R、G、B区间,形成复原后的第三图像片集合TP′。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311196062.XA CN116934635B (zh) | 2023-09-18 | 2023-09-18 | 基于图像处理技术的病理图像质控方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311196062.XA CN116934635B (zh) | 2023-09-18 | 2023-09-18 | 基于图像处理技术的病理图像质控方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116934635A CN116934635A (zh) | 2023-10-24 |
CN116934635B true CN116934635B (zh) | 2023-12-12 |
Family
ID=88380746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311196062.XA Active CN116934635B (zh) | 2023-09-18 | 2023-09-18 | 基于图像处理技术的病理图像质控方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116934635B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117392693B (zh) * | 2023-12-11 | 2024-03-01 | 苏州可帮基因科技有限公司 | 病理图像去笔迹的方法及设备 |
CN117456544B (zh) * | 2023-12-25 | 2024-03-15 | 苏州可帮基因科技有限公司 | 带笔迹病理图像的修复方法及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276761A (zh) * | 2019-06-18 | 2019-09-24 | 福州数据技术研究院有限公司 | 一种基于otsu阈值的肝部组织病理图像分割方法 |
CN111986102A (zh) * | 2020-07-15 | 2020-11-24 | 万达信息股份有限公司 | 一种数字病理图像去模糊方法 |
CN113723573A (zh) * | 2021-11-03 | 2021-11-30 | 浙江大学 | 基于自适应比例学习的肿瘤组织病理分类***及方法 |
CN116012394A (zh) * | 2023-01-13 | 2023-04-25 | 杭州可帮医学检验实验室有限公司 | 一种病理切片图像去笔迹的方法、设备及存储介质 |
-
2023
- 2023-09-18 CN CN202311196062.XA patent/CN116934635B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276761A (zh) * | 2019-06-18 | 2019-09-24 | 福州数据技术研究院有限公司 | 一种基于otsu阈值的肝部组织病理图像分割方法 |
CN111986102A (zh) * | 2020-07-15 | 2020-11-24 | 万达信息股份有限公司 | 一种数字病理图像去模糊方法 |
CN113723573A (zh) * | 2021-11-03 | 2021-11-30 | 浙江大学 | 基于自适应比例学习的肿瘤组织病理分类***及方法 |
WO2023078041A1 (zh) * | 2021-11-03 | 2023-05-11 | 浙江大学 | 基于自适应比例学习的肿瘤组织病理分类***及方法 |
CN116012394A (zh) * | 2023-01-13 | 2023-04-25 | 杭州可帮医学检验实验室有限公司 | 一种病理切片图像去笔迹的方法、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116934635A (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116934635B (zh) | 基于图像处理技术的病理图像质控方法及设备 | |
CN109241967B (zh) | 基于深度神经网络的甲状腺超声图像自动识别***、计算机设备、存储介质 | |
CN107316077B (zh) | 一种基于图像分割及边缘检测的脂肪细胞自动计数方法 | |
JP7489732B2 (ja) | 深層学習に基づく脊椎mri映像キーポイント検出方法 | |
Nee et al. | White blood cell segmentation for acute leukemia bone marrow images | |
CN111145209B (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
Joon Ho et al. | Nuclei segmentation of fluorescence microscopy images using three dimensional convolutional neural networks | |
CN102999886B (zh) | 图像边缘检测器及标尺光栅栅线精度检测*** | |
CN113706464B (zh) | 一种印刷品外观质量检测方法及*** | |
CN108830149B (zh) | 一种目标细菌的检测方法及终端设备 | |
CN107909560A (zh) | 一种基于SiR的多聚焦图像融合方法及*** | |
CN106875391A (zh) | 皮肤图像的识别方法及电子设备 | |
CN111476794B (zh) | 一种基于unet的宫颈病理组织分割方法 | |
CN110767292A (zh) | 病理编号识别方法、信息识别方法、装置及信息识别*** | |
CN109767459A (zh) | 新型眼底图配准方法 | |
CN113870267B (zh) | 缺陷检测方法、装置、计算机设备及可读存储介质 | |
WO2019181072A1 (ja) | 画像処理方法、コンピュータプログラムおよび記録媒体 | |
CN106600587A (zh) | 肺部ct图像辅助检测处理装置 | |
CN115273114A (zh) | 文档图像优化方法和介质 | |
CN110807754A (zh) | 基于深度语义分割的真菌显微图像分割检测方法及*** | |
CN105608674B (zh) | 一种基于图像配准、插值和去噪的图像增强方法 | |
CN107529658A (zh) | 高噪声显微图像下的自动检测微管方法 | |
CN111341438B (zh) | 图像处理方法、装置、电子设备及介质 | |
CN102663728A (zh) | 基于字典学习的医学图像交互式联合分割 | |
CN117252813A (zh) | 基于深度学习的宫颈液基细胞检测与识别方法及*** |
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 |