一种应用于解剖病理学的自动精益方法及系统

1.本发明涉及解剖病理技术领域，具体涉及一种应用于解剖病理学的自动精益方法及系统。


背景技术：

2.解剖病理学是医学领域中的重要分支，它通过对组织和器官的形态学、生理学以及病理学特征进行研究，以了解疾病的发生、发展和转归规律。在解剖病理学研究中，对组织结构的精确分析和准确识别是至关重要的。然而，传统的解剖病理学研究方法存在着许多问题，如人工操作繁琐、效率低下、主观性强等。因此，开发一种自动化的解剖病理学分析方法具有重要意义。
3.目前，已有的一些解剖病理学分析方法主要依赖于人工操作，如显微镜观察、组织切片制备等。这些方法虽然在一定程度上能够实现对组织结构的分析，但仍然存在一些问题，如操作复杂、耗时长、效率低等。为了克服这些问题，研究人员提出了一种基于自动精益方法及系统的解剖病理学分析方法。


技术实现要素：

4.本发明的目的在于提供一种应用于解剖病理学的自动精益方法及系统，解决以下技术问题：随着每日处理的生物组织样本的体积增加，上述问题变得特别相关。实际上，体积的增加导致各种参与者可能经受的错误的显著固有增加。组织样本的体积的增加还产生作为解剖病理学诊断过程的一部分而使样本经受的步骤中的差异增加。
5.本发明的目的可以通过以下技术方案实现：一种应用于解剖病理学的自动精益方法及系统，包括：1、一种应用于解剖病理学的自动精益方法及系统，其特征在于，包括：影像采集模块，用于通过光学和x光为基础获取解剖影像数据，并在获取后对解剖影像进行预处理；组织识别模块，用于基于卷积神经网络识别解剖影像中的染色组织图像与非染色组织图像，扫描这些染色组织图像，获取染色组织图像的特定锚点参数；三维重建模块，用于通过若干个角度的染色组织影像，基于多目视觉对单个染色组织进行三维重建，获得单个染色组织模型，对染色组织结构进行分离和提取，并将若干个单独染色组织模型进行组合，生成完整的染色组织模型；病理分析模块，用于构建病理分析模型，并染色组织模型中获取染色组织不同角度的内部剖面图像，将所述内部剖面图像输入所述病理分析模型，并输出病理分析结果；所述影像采集模块预处理的过程为：对所述解剖影像一次降噪，对一次降噪后的所述解剖影像分割为若干个图像块，对每个图像块进行自适应直方图均衡化，重新分配像素的灰度值，并对均衡化后的解剖影
像进行二次降噪；所述特定锚点参数包括染色组织的颜色分布、形状特征和纹理信息；所述组织识别模块基于卷积神经网络对染色组织与非染色组织进行分割，所述卷积神经网络的计算分割边缘的损失函数包括：尺度损失函数：；距离损失函数：；区域损失函数：；人工损失函数：；因此，所述卷积神经网络的整体损失函数：；其中x表示像素，∫
ω
表示在三维空间内进行积分，p表示x的预测位置，c1表示x的第一个真实位置，c2表示x的第二个真实位置，log(η(x))表示对数函数，φ表示梯度函数，α、β、λ、μ为预设系数，表示迪利克雷函数，表示亥维赛函数。
6.作为本发明进一步的方案：所述病理分析模型是基于卷积神经网络cnn和循环神经网络rnn构建，所述rnn网络包括lstm层，lstm层由时间维度和特征向量两个维度进行矩阵训练，在rnn网络的后端设置有若干个全连接层，当上一连接层的每个节点完全向前连接到连接层的每个节点时，两个连接层完全连接。
7.作为本发明进一步的方案：所述cnn网络中包括若干个cnn层，每个cnn层生成一个多维数组，内部剖面图像的维数就被减小一次，但同时生成一个新的维数，新维数的大小等于应用于图像的滤波器的数量，连续的cnn层降低图像尺寸，并增加新生成的尺寸大小，将cnn网络中的张量转换为向量，将该向量作为最终全连接层的输入。
8.作为本发明进一步的方案：所述病理分析结果包括染色组织的病变程度、组织结构的异常区域。
9.作为本发明进一步的方案：所述病理分析模块进一步包括建立病理数据库，利用机器学习技术对大量病理图像进行训练，不断优化病理分析模型。
10.本发明的有益效果：本发明首先通过自动采集和处理解剖影像数据，大大提高了分析效率和准确性；其次，利用卷积神经网络对染色组织进行分割和识别，提高了分析的准确性和可靠性；再次，通过三维重建技术对染色组织进行建模和分离，为病理分析提供了更为直观和全面的信息；最后，通过建立病理数据库和使用机器学习技术对大量病理图像进行训练，不断优化病理分析模型，提高了分析结果的准确性和可靠性。
附图说明
11.下面结合附图对本发明作进一步的说明。
12.图1是本发明的流程示意图。
具体实施方式
13.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它实施例，都属于本发明保护的范围。
14.请参阅图1所示，本发明为一种应用于解剖病理学的自动精益方法及系统，包括：影像采集模块，用于通过光学和x光为基础获取解剖影像数据，并在获取后对解剖影像进行预处理；组织识别模块，用于基于卷积神经网络识别解剖影像中的染色组织图像与非染色组织图像，扫描这些染色组织图像，获取染色组织图像的特定锚点参数；三维重建模块，用于通过若干个角度的染色组织影像，基于多目视觉对单个染色组织进行三维重建，获得单个染色组织模型，对染色组织结构进行分离和提取，并将若干个单独染色组织模型进行组合，生成完整的染色组织模型；病理分析模块，用于构建病理分析模型，并染色组织模型中获取染色组织不同角度的内部剖面图像，将所述内部剖面图像输入所述病理分析模型，并输出病理分析结果。
15.目前，已有的一些解剖病理学分析方法主要依赖于人工操作，如显微镜观察、组织切片制备等。这些方法虽然在一定程度上能够实现对组织结构的分析，但仍然存在一些问题，如操作复杂、耗时长、效率低等。为了克服这些问题，研究人员提出了一种基于自动精益方法及系统的解剖病理学分析方法。
16.本发明首先通过自动采集和处理解剖影像数据，大大提高了分析效率和准确性；其次，利用卷积神经网络对染色组织进行分割和识别，提高了分析的准确性和可靠性；再次，通过三维重建技术对染色组织进行建模和分离，为病理分析提供了更为直观和全面的信息；最后，通过建立病理数据库和使用机器学习技术对大量病理图像进行训练，不断优化病理分析模型，提高了分析结果的准确性和可靠性。
17.在本发明的一种优选的实施例中，所述影像采集模块预处理的过程为：对所述解剖影像一次降噪，对一次降噪后的所述解剖影像分割为若干个图像块，对每个图像块进行自适应直方图均衡化，重新分配像素的灰度值，并对均衡化后的解剖影像进行二次降噪。
18.在本发明的另一种优选的实施例中，所述锚点参数包括染色组织的颜色分布、形状特征和纹理信息。
19.在本发明的另一种优选的实施例中，所述组织识别模块基于卷积神经网络对染色组织与非染色组织进行分割，所述卷积神经网络的计算分割边缘的损失函数包括：尺度损失函数：；距离损失函数：；区域损失函数：；人工损失函数：；
因此，所述卷积神经网络的整体损失函数：；其中x表示像素，∫
ω
表示在三维空间内进行积分，p表示x的预测位置，c1表示x的第一个真实位置，c2表示x的第二个真实位置，log(η(x))表示对数函数，φ表示梯度函数，α、β、λ、μ为预设系数，表示迪利克雷函数，表示亥维赛函数。
20.在本发明的另一种优选的实施例中，所述病理分析模型是基于卷积神经网络cnn和循环神经网络rnn构建，所述rnn网络包括lstm层，lstm层由时间维度和特征向量两个维度进行矩阵训练，在rnn网络的后端设置有若干个全连接层，当上一连接层的每个节点完全向前连接到连接层的每个节点时，两个连接层完全连接。
21.在本实施例的一种优选的情况中，所述cnn网络中包括若干个cnn层，每个cnn层生成一个多维数组，内部剖面图像的维数就被减小一次，但同时生成一个新的维数，新维数的大小等于应用于图像的滤波器的数量，连续的cnn层降低图像尺寸，并增加新生成的尺寸大小，将cnn网络中的张量转换为向量，将该向量作为最终全连接层的输入。
22.在本发明的另一种优选的实施例中，所述病理分析结果包括染色组织的病变程度、组织结构的异常区域。
23.在本发明的另一种优选的实施例中，所述病理分析模块进一步包括建立病理数据库，利用机器学习技术对大量病理图像进行训练，不断优化病理分析模型。
24.以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。

技术特征：
1.一种应用于解剖病理学的自动精益方法及系统，其特征在于，包括：影像采集模块，用于通过光学和x光为基础获取解剖影像数据，并在获取后对解剖影像进行预处理；组织识别模块，用于基于卷积神经网络识别解剖影像中的染色组织图像与非染色组织图像，扫描这些染色组织图像，获取染色组织图像的特定锚点参数；三维重建模块，用于通过若干个角度的染色组织影像，基于多目视觉对单个染色组织进行三维重建，获得单个染色组织模型，对染色组织结构进行分离和提取，并将若干个单独染色组织模型进行组合，生成完整的染色组织模型；病理分析模块，用于构建病理分析模型，并染色组织模型中获取染色组织不同角度的内部剖面图像，将所述内部剖面图像输入所述病理分析模型，并输出病理分析结果；所述影像采集模块预处理的过程为：对所述解剖影像一次降噪，对一次降噪后的所述解剖影像分割为若干个图像块，对每个图像块进行自适应直方图均衡化，重新分配像素的灰度值，并对均衡化后的解剖影像进行二次降噪；所述特定锚点参数包括染色组织的颜色分布、形状特征和纹理信息；所述组织识别模块基于卷积神经网络对染色组织与非染色组织进行分割，所述卷积神经网络的计算分割边缘的损失函数包括：尺度损失函数：；距离损失函数：；区域损失函数：；人工损失函数：；因此，所述卷积神经网络的整体损失函数：；其中x表示像素，∫
ω
表示在三维空间内进行积分，p表示x的预测位置，c1表示x的第一个真实位置，c2表示x的第二个真实位置，log(η(x))表示对数函数，φ表示梯度函数，α、β、λ、μ为预设系数，表示迪利克雷函数，表示亥维赛函数。2.根据权利要求1所述的一种应用于解剖病理学的自动精益方法及系统，其特征在于，所述病理分析模型是基于卷积神经网络cnn和循环神经网络rnn构建，所述rnn网络包括lstm层，lstm层由时间维度和特征向量两个维度进行矩阵训练，在rnn网络的后端设置有若干个全连接层，当上一连接层的每个节点完全向前连接到连接层的每个节点时，两个连接层完全连接。3.根据权利要求2所述的一种应用于解剖病理学的自动精益方法及系统，其特征在于，所述cnn网络中包括若干个cnn层，每个cnn层生成一个多维数组，内部剖面图像的维数就被减小一次，但同时生成一个新的维数，新维数的大小等于应用于图像的滤波器的数量，连续的cnn层降低图像尺寸，并增加新生成的尺寸大小，将cnn网络中的张量转换为向量，将该向量作为最终全连接层的输入。
4.根据权利要求1所述的一种应用于解剖病理学的自动精益方法及系统，其特征在于，所述病理分析结果包括染色组织的病变程度、组织结构的异常区域。5.根据权利要求1所述的一种应用于解剖病理学的自动精益方法及系统，其特征在于，所述病理分析模块进一步包括建立病理数据库，利用机器学习技术对大量病理图像进行训练，不断优化病理分析模型。

技术总结
本发明公开了一种应用于解剖病理学的自动精益方法及系统，属于解剖病理技术领域，具体包括：通过光学和X光为基础获取解剖影像数据，并在获取后对解剖影像进行预处理；基于卷积神经网络识别解剖影像中的染色组织图像，获取染色组织图像的特定锚点参数；通过若干个角度的染色组织影像，基于多目视觉对单个染色组织进行三维重建，获得单个染色组织模型，对染色组织结构进行分离和提取，并将若干个单独染色组织模型进行组合，生成完整的染色组织模型；构建病理分析模型，并染色组织模型中获取染色组织不同角度的内部剖面图像，将内部剖面图像输入病理分析模型，并输出病理分析结果；本发明提升了对染色组织病理的准确识别。本发明提升了对染色组织病理的准确识别。本发明提升了对染色组织病理的准确识别。


技术研发人员：韩曦 朱雪莲 张鹏霞 李慧 辛险峰 李玥
受保护的技术使用者：佳木斯大学
技术研发日：2023.09.06
技术公布日：2023/10/15