CN117058292B - 基于数字病理图像的色阶图渲染*** - Google Patents
基于数字病理图像的色阶图渲染*** Download PDFInfo
- Publication number
- CN117058292B CN117058292B CN202310942735.5A CN202310942735A CN117058292B CN 117058292 B CN117058292 B CN 117058292B CN 202310942735 A CN202310942735 A CN 202310942735A CN 117058292 B CN117058292 B CN 117058292B
- Authority
- CN
- China
- Prior art keywords
- image
- module
- determining
- rendering
- classification
- 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
- 238000009877 rendering Methods 0.000 title claims abstract description 105
- 230000001575 pathological effect Effects 0.000 title claims abstract description 23
- 238000003709 image segmentation Methods 0.000 claims abstract description 9
- 230000007170 pathology Effects 0.000 claims description 30
- 238000004088 simulation Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 27
- 230000008901 benefit Effects 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 9
- 238000000034 method Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/005—General purpose rendering architectures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/04—Texture mapping
-
- 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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Computer Graphics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于数字病理图像的色阶图渲染***,包括:去除模块,用于在数字病理图像中去除背景区域,得到前景图像;分类模块,用于对前景图像进行图像分割,得到多个图像块;对多个图像块进行分类处理,得到若干个分类集合;第一确定模块,用于确定每个分类集合对应的色阶信息;第二确定模块,用于确定对若干个分类集合进行色阶图渲染的渲染顺序;渲染模块,用于根据所述渲染顺序及每个分类集合对应的色阶信息进行色阶图渲染,得到渲染结果。提高了色阶图渲染的效率和准确性。
Description
技术领域
本发明涉及图像渲染技术领域,特别涉及一种基于数字病理图像的色阶图渲染***。
背景技术
近年来,病理学已经进入数字化时代,全切片病理图像(whole slide image,WSI)是数字化病理学的基础。数字病理学是一种新兴的医学领域,它将数字图像处理技术应用于病理学中。数字病理学的发展使得医生们能够更加准确地诊断疾病,同时也提高了医疗保健的效率和质量。数字病理学是一种利用数字技术进行组织学分析的新兴领域。数字病理图像是从数字化扫描组织样本中获取的高分辨率图像,为了更好地诊断和治疗患者,数字病理图像通常需要进行渲染。
一些商业软件已经提供了数字病理图像的功能。这些软件通常具有交互式界面,允许用户手动选择和绘制区域来渲染图像。然而,这些软件的使用需要相对较长的学习时间,并且通常需要高昂的许可费用,基于人工进行处理费时费力,且容易出错。存在效率低下和操作复杂的问题。
现有技术中对数字病理图像进行渲染时,采用图像处理算法进行图像增强。这些算法通常涉及对图像的灰度值进行调整、对比度增强和锐化等操作,以提高图像的清晰度和细节。基于对数字病理图像整体进行图像处理,增大噪声对图像的影响,同时也会丢失一些细节特征,不利于得到准确的数字病理图像的色阶图渲染图像,进而降低了对图像的识别能力和诊断准确性。同时在对数字病理图像进行渲染时,基于数字病理图像整体进行渲染,渲染速度慢,没有进行部位的区分渲染,不利于扩大渲染图像的收益,进而不利于用户及时准确的进行查看渲染图像。
发明内容
本发明旨在至少一定程度上解决上述技术中的技术问题之一。为此,本发明的目的在于提出一种基于数字病理图像的色阶图渲染***,提高了色阶图渲染的效率和准确性。
为达到上述目的,本发明实施例提出了一种基于数字病理图像的色阶图渲染***,包括:
去除模块,用于在数字病理图像中去除背景区域,得到前景图像;
分类模块,用于对前景图像进行图像分割,得到多个图像块;对多个图像块进行分类处理,得到若干个分类集合;
第一确定模块,用于确定每个分类集合对应的色阶信息;
第二确定模块,用于确定对若干个分类集合进行色阶图渲染的渲染顺序;
渲染模块,用于根据所述渲染顺序及每个分类集合对应的色阶信息进行色阶图渲染,得到渲染结果。
根据本发明的一些实施例,所述去除模块,包括:
二值化处理模块,用于对数字病理图像进行二值化处理,得到二值化图像;
提取模块,用于对二值化图像中像素为0的区域进行形态学膨胀运算,并提取出像素为0的区域,作为目标区域;
映射模块,用于确定二值化图像与数字病理图像的映射关系,在数字病理图像中确定目标区域对应的前景区域;
第三确定模块,用于根据所述前景区域确定前景图像。
根据本发明的一些实施例,所述二值化处理模块采用OTSU自适应阈值的算法对数字病理图像进行二值化处理。
根据本发明的一些实施例,所述去除模块,还包括:增强模块,用于在第三确定模块根据所述前景区域确定前景图像前,对所述前景区域进行增强处理。
根据本发明的一些实施例,所述增强模块,包括:
第四确定模块,用于获取前景区域中各个像素点的R通道值、G通道值、B通道值,基于预设的加权参数进行加权计算,确定每个像素点的特征值;根据每个像素点的特征值,计算出平均特征值;
筛选模块,用于筛选特征值小于平均特征值的像素点,作为待增强像素点集合;
第五确定模块,用于:
在待增强像素点集合中确定第一目标像素点、第二目标像素点及第三目标像素点;
确定第二目标像素点与第一目标像素点的第一距离;
确定第二目标像素点与第三目标像素点的第二距离;
计算第一距离与第二距离的比值,根据比值查询预设数据库,确定增强系数;
根据所述增强系数对所述待增强像素点集合进行增强处理,得到增强处理后的前景区域。
根据本发明的一些实施例,所述分类模块,包括:
分割模块,用于对前景图像进行图像分割,得到多个图像块;
关键点提取模块,用于基于预设算法确定每个图像块中的关键点;
第六确定模块,用于:
将所述关键点与预设关键点进行匹配,根据匹配结果,将预设关键点对应的类型影响参数作为关键点的类型影响参数;
将图像块包括的各个关键点的类型影响参数进行求和,将和值作为图像块的分类值;
根据所述分类值及预设的分类区间数据表,确定每个图像块的分类区间;
将至少包括一个图像块的分类区间,作为一个分类集合,进而得到若干个分类集合。
根据本发明的一些实施例,所述预设算法为SIFT、SURF、HOG、HAAR和ORB中的至少一种。
根据本发明的一些实施例,所述分割模块,包括:
设置模块,用于设置移动滑窗的参数;
标记模块,用于:
基于移动滑窗在前景图像中移动,确定标记区域;
根据标记区域进行分割,得到多个图像块。
根据本发明的一些实施例,第二确定模块,包括:
仿真模块,用于:
构建渲染仿真模型;
根据每个分类集合对应的色阶信息及各个分类集合的属性信息,确定仿真信息;
将所述仿真信息输入渲染仿真模型中进行仿真模拟,确定每个分类集合进行色阶图渲染的预估渲染时间及渲染收益;
计算渲染收益与预估渲染时间的比值,根据比值从大到小进行排序,基于排序结果确定渲染顺序。
根据本发明的一些实施例,还包括:加密存储模块,用于将渲染结果进行加密存储。
有益效果:
1.更加精准的渲染:通过确定前景图像,并确定各个分类集合,可以提高渲染的准确性和可靠性,减少人为因素对结果的影响。
2.更高效的标注:基于分类集合在前景图像上直接进行标注,而不必在另外的软件工具中进行标注,这将显著提高标注的效率。
3.更灵活的数据处理:色阶图渲染系提供多种色阶信息,使用户可以更加灵活地处理数字病理图像,以满足不同的需求。
4.更好的数据可视化:通过色阶图渲染***,用户可以直观地看到数字病理图像病变位置的不同区域之间的差异,从而更好地理解数据。
5.更高的安全性:对渲染数据加密和安全存储,确保数据的安全性和隐私性。
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是根据本发明一个实施例的一种基于数字病理图像的色阶图渲染***的框图;
图2是根据本发明一个实施例的去除模块的框图;
图3是根据本发明一个实施例的增强模块的框图。
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。
如图1所示,本发明实施例提出了一种基于数字病理图像的色阶图渲染***,包括:
去除模块,用于在数字病理图像中去除背景区域,得到前景图像;
分类模块,用于对前景图像进行图像分割,得到多个图像块;对多个图像块进行分类处理,得到若干个分类集合;
第一确定模块,用于确定每个分类集合对应的色阶信息;
第二确定模块,用于确定对若干个分类集合进行色阶图渲染的渲染顺序;
渲染模块,用于根据所述渲染顺序及每个分类集合对应的色阶信息进行色阶图渲染,得到渲染结果。
上述技术方案的工作原理:该实施例中,基于去除模块,在数字病理图像中去除背景区域,得到前景图像,便于去除背景区域,只保留前景区域,减少图像处理的区域,提高了图像处理的效率,同时也避免因图像处理增大背景区域中噪声对图像识别的影响。
该实施例中,基于分类模块对对前景图像进行图像分割,得到多个图像块,便于后续对图像块进行分类,确定前景图像的分类集合,便于后续确定色阶图。
该实施例中,每个分类集合查询预设的分类集合-色阶信息数据表,确定对应的色阶信息。基于每个分类集合的类型确定固定的色阶信息,也便于后续形成用户的色阶信息的认知,便于进行诊断。
该实施例中,渲染模块根据所述渲染顺序对若干个分类集合进行色阶图渲染,在渲染过程中,基于色阶信息对相应的分类集合中的各个图像块进行渲染。
上述技术方案的有益效果:确定前景图像减少图像处理的区域,提高了图像处理的效率,基于对前景图像进行图像分割,得到多个图像块;对多个图像块进行分类处理,得到若干个分类集合,实现对前景图像中的色阶图规划,确定每个分类集合对应的色阶信息;确定对若干个分类集合进行色阶图渲染的渲染顺序;根据所述渲染顺序及每个分类集合对应的色阶信息进行色阶图渲染,得到渲染结果。提高了色阶图渲染的效率及准确性,在进行色阶图渲染时,考虑渲染顺序对用户查看渲染图像的收益的影响,确定对前景图像中合理的渲染顺序,提高用户体验。
如图2所示,根据本发明的一些实施例,所述去除模块,包括:
二值化处理模块,用于对数字病理图像进行二值化处理,得到二值化图像;
提取模块,用于对二值化图像中像素为0的区域进行形态学膨胀运算,并提取出像素为0的区域,作为目标区域;
映射模块,用于确定二值化图像与数字病理图像的映射关系,在数字病理图像中确定目标区域对应的前景区域;
第三确定模块,用于根据所述前景区域确定前景图像。
上述技术方案的工作原理:该实施例中,目标区域为有效区域。
该实施例中,确定二值化图像与数字病理图像的映射关系,即二值化图像与数字病理图像的对应关系。在数字病理图像中确定目标区域对应的前景区域;
上述技术方案的有益效果:基于二值化处理模块对数字病理图像进行二值化处理,得到二值化图像,提取出像素为0的区域,作为目标区域;在数字病理图像中确定目标区域对应的前景区域;进而准确的确定前景图像。
根据本发明的一些实施例,所述二值化处理模块采用OTSU自适应阈值的算法对数字病理图像进行二值化处理。
根据本发明的一些实施例,所述去除模块,还包括:增强模块,用于在第三确定模块根据所述前景区域确定前景图像前,对所述前景区域进行增强处理。
上述技术方案的有益效果:对前景区域进行增强处理,得到更加准确的前景区域,保留细节特征,提高清晰度,便于提高得到的前景图像的准确性。
如图3所示,根据本发明的一些实施例,所述增强模块,包括:
第四确定模块,用于获取前景区域中各个像素点的R通道值、G通道值、B通道值,基于预设的加权参数进行加权计算,确定每个像素点的特征值;根据每个像素点的特征值,计算出平均特征值;
筛选模块,用于筛选特征值小于平均特征值的像素点,作为待增强像素点集合;
第五确定模块,用于:
在待增强像素点集合中确定第一目标像素点、第二目标像素点及第三目标像素点;
确定第二目标像素点与第一目标像素点的第一距离;
确定第二目标像素点与第三目标像素点的第二距离;
计算第一距离与第二距离的比值,根据比值查询预设数据库,确定增强系数;
根据所述增强系数对所述待增强像素点集合进行增强处理,得到增强处理后的前景区域。
上述技术方案的工作原理:该实施例中,加权参数为k1、k2、k3分别对应R通道、G通道、B通道;k1、k2、k3之和为1;基于加权计算确定每个像素点的特征值。
该实施例中,第一目标像素点为待增强像素点集合中特征值最小的像素点;第二目标像素点为待增强像素点集合中特征值为中位数的像素点;第三目标像素点为待增强像素点集合中特征值最大的像素点。
该实施例中,第一距离及第二距离均为欧式距离。
该实施例中,预设数据库为比值-增强系数对应表,为基于多次实验确定的。
上述技术方案的有益效果:基于像素点R通道值、G通道值、B通道值,基于预设的加权参数进行加权计算,确定每个像素点的特征值,准确确定待增强像素点集合;基于确定第二目标像素点与第一目标像素点的第一距离;确定第二目标像素点与第三目标像素点的第二距离;计算第一距离与第二距离的比值,根据比值查询预设数据库,确定增强系数;根据所述增强系数对所述待增强像素点集合进行增强处理,得到增强处理后的前景区域。对前景图像进行针对性增强,提高了处理效率,避免现有技术中对整体图像进行增强导致的不准确,同时基于确定准确的增强系数,提高了图像增强的准确性,进而得到准确的前景区域。
根据本发明的一些实施例,所述分类模块,包括:
分割模块,用于对前景图像进行图像分割,得到多个图像块;
关键点提取模块,用于基于预设算法确定每个图像块中的关键点;
第六确定模块,用于:
将所述关键点与预设关键点进行匹配,根据匹配结果,将预设关键点对应的类型影响参数作为关键点的类型影响参数;
将图像块包括的各个关键点的类型影响参数进行求和,将和值作为图像块的分类值;
根据所述分类值及预设的分类区间数据表,确定每个图像块的分类区间;
将至少包括一个图像块的分类区间,作为一个分类集合,进而得到若干个分类集合。
上述技术方案的工作原理:该实施例中,每个图像块中的关键点也为特征点,用于确定图像块的类型。
该实施例中,预设关键点为预设关键点数据库中的数据,预设关键点数据库中每个预设关键点对应类型影响参数,作为一条数据。
该实施例中,将图像块包括的各个关键点的类型影响参数进行求和,将和值作为图像块的分类值,便于准确确定整个图像块的特征值,便于进行分类。
该实施例中,预设的分类区间数据表中包括多个等级,示例的10-50为A类、50-80为B类等。根据所述分类值及预设的分类区间数据表,确定每个图像块的分类区间;便于确定每个图像块的类别。
上述技术方案的有益效果:从图像块中包括的关键点进行识别,确定相应的类型影响参数,进而确定和值,便于准确对每个图像块进行归类,进而确定若干个分类集合。
根据本发明的一些实施例,所述预设算法为SIFT、SURF、HOG、HAAR和ORB中的至少一种。
根据本发明的一些实施例,所述分割模块,包括:
设置模块,用于设置移动滑窗的参数;
标记模块,用于:
基于移动滑窗在前景图像中移动,确定标记区域;
根据标记区域进行分割,得到多个图像块。
上述技术方案的有益效果:设置模块设置移动滑窗的参数;标记模块,基于移动滑窗在前景图像中移动,确定标记区域;根据标记区域进行分割,得到多个图像块。便于快速且准确的确定各个图像块,实现对各个图像块的标准化分割。
根据本发明的一些实施例,第二确定模块,包括:
仿真模块,用于:
构建渲染仿真模型;
根据每个分类集合对应的色阶信息及各个分类集合的属性信息,确定仿真信息;
将所述仿真信息输入渲染仿真模型中进行仿真模拟,确定每个分类集合进行色阶图渲染的预估渲染时间及渲染收益;
计算渲染收益与预估渲染时间的比值,根据比值从大到小进行排序,基于排序结果确定渲染顺序。
上述技术方案的工作原理:该实施例中,渲染仿真模型,基于样本集进行训练得到的,基于仿真信息进行仿真模拟可以确定进行色阶图渲染的预估渲染时间及渲染收益。
该实施例中,属性信息包括分类集合的类型、包括的图像块的数量等。
上述技术方案的有益效果:仿真模块,构建渲染仿真模型;根据每个分类集合对应的色阶信息及各个分类集合的属性信息,确定仿真信息;将所述仿真信息输入渲染仿真模型中进行仿真模拟,确定每个分类集合进行色阶图渲染的预估渲染时间及渲染收益;计算渲染收益与预估渲染时间的比值,根据比值从大到小进行排序,基于排序结果确定渲染顺序。便于准确确定的渲染顺序,提高进行色阶图渲染的效率及准确性。
根据本发明的一些实施例,还包括:加密存储模块,用于将渲染结果进行加密存储。
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 (7)
1.一种基于数字病理图像的色阶图渲染***,其特征在于,包括:
去除模块,用于在数字病理图像中去除背景区域,得到前景图像;
分类模块,用于对前景图像进行图像分割,得到多个图像块;对多个图像块进行分类处理,得到若干个分类集合;
第一确定模块,用于确定每个分类集合对应的色阶信息;
第二确定模块,用于确定对若干个分类集合进行色阶图渲染的渲染顺序;
渲染模块,用于根据所述渲染顺序及每个分类集合对应的色阶信息进行色阶图渲染,得到渲染结果;
所述去除模块,包括:
二值化处理模块,用于对数字病理图像进行二值化处理,得到二值化图像;
提取模块,用于对二值化图像中像素为0的区域进行形态学膨胀运算,并提取出像素为0的区域,作为目标区域;
映射模块,用于确定二值化图像与数字病理图像的映射关系,在数字病理图像中确定目标区域对应的前景区域;
第三确定模块,用于根据所述前景区域确定前景图像;
所述去除模块,还包括:增强模块,用于在第三确定模块根据所述前景区域确定前景图像前,对所述前景区域进行增强处理;
所述增强模块,包括:
第四确定模块,用于获取前景区域中各个像素点的R通道值、G通道值、B通道值,基于预设的加权参数进行加权计算,确定每个像素点的特征值;根据每个像素点的特征值,计算出平均特征值;
筛选模块,用于筛选特征值小于平均特征值的像素点,作为待增强像素点集合;
第五确定模块,用于:
在待增强像素点集合中确定第一目标像素点、第二目标像素点及第三目标像素点;
确定第二目标像素点与第一目标像素点的第一距离;
确定第二目标像素点与第三目标像素点的第二距离;
计算第一距离与第二距离的比值,根据比值查询预设数据库,确定增强系数;
根据所述增强系数对所述待增强像素点集合进行增强处理,得到增强处理后的前景区域。
2.如权利要求1所述的基于数字病理图像的色阶图渲染***,其特征在于,所述二值化处理模块采用OTSU自适应阈值的算法对数字病理图像进行二值化处理。
3.如权利要求1所述的基于数字病理图像的色阶图渲染***,其特征在于,所述分类模块,包括:
分割模块,用于对前景图像进行图像分割,得到多个图像块;
关键点提取模块,用于基于预设算法确定每个图像块中的关键点;
第六确定模块,用于:
将所述关键点与预设关键点进行匹配,根据匹配结果,将预设关键点对应的类型影响参数作为关键点的类型影响参数;
将图像块包括的各个关键点的类型影响参数进行求和,将和值作为图像块的分类值;
根据所述分类值及预设的分类区间数据表,确定每个图像块的分类区间;
将至少包括一个图像块的分类区间,作为一个分类集合,进而得到若干个分类集合。
4.如权利要求3所述的基于数字病理图像的色阶图渲染***,其特征在于,所述预设算法为SIFT、SURF、HOG、HAAR和ORB中的至少一种。
5.如权利要求3所述的基于数字病理图像的色阶图渲染***,其特征在于,所述分割模块,包括:
设置模块,用于设置移动滑窗的参数;
标记模块,用于:
基于移动滑窗在前景图像中移动,确定标记区域;
根据标记区域进行分割,得到多个图像块。
6.如权利要求1所述的基于数字病理图像的色阶图渲染***,其特征在于,第二确定模块,包括:
仿真模块,用于:
构建渲染仿真模型;
根据每个分类集合对应的色阶信息及各个分类集合的属性信息,确定仿真信息;
将所述仿真信息输入渲染仿真模型中进行仿真模拟,确定每个分类集合进行色阶图渲染的预估渲染时间及渲染收益;
计算渲染收益与预估渲染时间的比值,根据比值从大到小进行排序,基于排序结果确定渲染顺序。
7.如权利要求1所述的基于数字病理图像的色阶图渲染***,其特征在于,还包括:加密存储模块,用于将渲染结果进行加密存储。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310942735.5A CN117058292B (zh) | 2023-07-28 | 2023-07-28 | 基于数字病理图像的色阶图渲染*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310942735.5A CN117058292B (zh) | 2023-07-28 | 2023-07-28 | 基于数字病理图像的色阶图渲染*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117058292A CN117058292A (zh) | 2023-11-14 |
CN117058292B true CN117058292B (zh) | 2024-04-26 |
Family
ID=88658133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310942735.5A Active CN117058292B (zh) | 2023-07-28 | 2023-07-28 | 基于数字病理图像的色阶图渲染*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117058292B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103918011A (zh) * | 2011-11-07 | 2014-07-09 | 史克威尔·艾尼克斯控股公司 | 渲染***、渲染服务器、其控制方法、程序以及记录媒体 |
CN107095733A (zh) * | 2017-04-21 | 2017-08-29 | 杭州瑞杰珑科技有限公司 | 基于ar技术的弱视治疗*** |
CN107330465A (zh) * | 2017-06-30 | 2017-11-07 | 清华大学深圳研究生院 | 一种图像目标识别方法及装置 |
CN109758113A (zh) * | 2019-01-15 | 2019-05-17 | 北京端点医药研究开发有限公司 | 一种基于图像识别的视网膜病变定量分析*** |
CN113450445A (zh) * | 2019-03-27 | 2021-09-28 | 辉达公司 | 临时密实渲染的自适应像素采样顺序 |
CN114494553A (zh) * | 2022-01-21 | 2022-05-13 | 杭州游聚信息技术有限公司 | 基于渲染时间估计和lod选择的实时渲染方法、***及设备 |
CN114612461A (zh) * | 2022-03-24 | 2022-06-10 | 数坤(北京)网络科技股份有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN114742931A (zh) * | 2022-04-28 | 2022-07-12 | 北京字跳网络技术有限公司 | 渲染图像的方法、装置、电子设备及存储介质 |
CN114998501A (zh) * | 2022-04-22 | 2022-09-02 | 网易(杭州)网络有限公司 | 一种模型的色阶化渲染方法以及装置 |
CN115311397A (zh) * | 2022-08-09 | 2022-11-08 | 北京字跳网络技术有限公司 | 用于图像渲染的方法、装置、设备和存储介质 |
CN115937388A (zh) * | 2022-12-30 | 2023-04-07 | 广州文远知行科技有限公司 | 一种地图渲染方法、装置、设备及存储介质 |
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 |
CN116468838A (zh) * | 2023-06-13 | 2023-07-21 | 江西省水投江河信息技术有限公司 | 一种区域资源渲染方法、***、计算机及可读存储介质 |
-
2023
- 2023-07-28 CN CN202310942735.5A patent/CN117058292B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103918011A (zh) * | 2011-11-07 | 2014-07-09 | 史克威尔·艾尼克斯控股公司 | 渲染***、渲染服务器、其控制方法、程序以及记录媒体 |
CN107095733A (zh) * | 2017-04-21 | 2017-08-29 | 杭州瑞杰珑科技有限公司 | 基于ar技术的弱视治疗*** |
CN107330465A (zh) * | 2017-06-30 | 2017-11-07 | 清华大学深圳研究生院 | 一种图像目标识别方法及装置 |
CN109758113A (zh) * | 2019-01-15 | 2019-05-17 | 北京端点医药研究开发有限公司 | 一种基于图像识别的视网膜病变定量分析*** |
CN113450445A (zh) * | 2019-03-27 | 2021-09-28 | 辉达公司 | 临时密实渲染的自适应像素采样顺序 |
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 |
CN114494553A (zh) * | 2022-01-21 | 2022-05-13 | 杭州游聚信息技术有限公司 | 基于渲染时间估计和lod选择的实时渲染方法、***及设备 |
CN114612461A (zh) * | 2022-03-24 | 2022-06-10 | 数坤(北京)网络科技股份有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN114998501A (zh) * | 2022-04-22 | 2022-09-02 | 网易(杭州)网络有限公司 | 一种模型的色阶化渲染方法以及装置 |
CN114742931A (zh) * | 2022-04-28 | 2022-07-12 | 北京字跳网络技术有限公司 | 渲染图像的方法、装置、电子设备及存储介质 |
CN115311397A (zh) * | 2022-08-09 | 2022-11-08 | 北京字跳网络技术有限公司 | 用于图像渲染的方法、装置、设备和存储介质 |
CN115937388A (zh) * | 2022-12-30 | 2023-04-07 | 广州文远知行科技有限公司 | 一种地图渲染方法、装置、设备及存储介质 |
CN116468838A (zh) * | 2023-06-13 | 2023-07-21 | 江西省水投江河信息技术有限公司 | 一种区域资源渲染方法、***、计算机及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117058292A (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230419696A1 (en) | Image analysis method, apparatus, program, and learned deep learning algorithm | |
CN115861135B (zh) | 一种应用于箱体全景探测的图像增强及识别方法 | |
CN111985536B (zh) | 一种基于弱监督学习的胃镜病理图像分类方法 | |
CN113780259B (zh) | 一种路面缺陷检测方法、装置、电子设备和可读存储介质 | |
CN111986150B (zh) | 一种数字病理图像的交互式标注精细化方法 | |
CN112257704A (zh) | 基于深度学习检测模型子宫颈液基细胞数字图像分类方法 | |
CN111524137A (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
CN110796661B (zh) | 基于卷积神经网络的真菌显微图像分割检测方法及*** | |
CN111145209A (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
CN110766659A (zh) | 医学图像识别方法、装置、设备和介质 | |
CN111353978B (zh) | 一种识别心脏解剖学结构的方法及装置 | |
CN110767292A (zh) | 病理编号识别方法、信息识别方法、装置及信息识别*** | |
CN111415352A (zh) | 一种基于深度级联网络的癌转移全景病理切片分析方法 | |
CN113160185A (zh) | 一种利用生成边界位置指导宫颈细胞分割的方法 | |
CN116363647A (zh) | 基于深度语义分割网络的肺癌病理组织分型*** | |
CN113160153A (zh) | 一种基于深度学习技术的肺结节筛查方法及筛查*** | |
CN107729863B (zh) | 人体指静脉识别方法 | |
CN111105427A (zh) | 一种基于连通区域分析的肺部图像分割方法及*** | |
CN117058292B (zh) | 基于数字病理图像的色阶图渲染*** | |
CN109949906B (zh) | 病理切片图像处理和模型训练方法及设备 | |
CN109886325B (zh) | 一种非线性颜色空间分类的模板选择与加速匹配方法 | |
CN113112475B (zh) | 一种基于机器学习的中医耳部五脏区域分割方法和装置 | |
CN113870194B (zh) | 深层特征和浅层lbp特征融合的乳腺肿瘤超声图像处理装置 | |
Khan et al. | Segmentation of single and overlapping leaves by extracting appropriate contours | |
CN109948706B (zh) | 结合深度学习与特征多尺度融合的微钙化簇检测方法 |
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 |