肝脏病理切片图像的肝小叶炎症检测和定量装置和方法

1.本发明属于医学图像分析和人工智能领域，具体涉及肝脏病理切片图像的肝小叶炎症检测和定量装置和方法。


背景技术：

2.非酒精性脂肪性肝病(non-alcohol fatty liver disease,nafld)是全球最常见的慢性肝病。在普通成人中，非酒精性脂肪性肝病的患病率介于6.3％～45％，其中10％～30％为非酒精性脂肪性肝炎(non-alcoholic steatohepatitis,nash)。随着生活质量的不断提高，营养摄入过剩使得这个疾病的发病率一直呈现升高趋势。
3.肝脏病理切片是病理科医生诊断病患是否存在nash的临床金标准，其中通过肝脏病理切片图像判断肝脏肝小叶炎症(lobular inflammation)程度是需要医生拥有丰富的诊断经验；所以一般在标准临床诊断流程下，只有经过培训并获得认证的医生才可以发诊断报告。在诊断过程中，由于长时间、大量重复性阅片的人工识别操作使得这些经验丰富的医生面临判断疲劳，导致诊断结果的偏差失稳加大，严重将产生误诊，而其他次级医院没有培训认证的医生更无法提供病理诊断服务，导致该机构医疗资源严重缺失。目前仅凭借医生对肝脏病理切片图像的人工精准诊断是不稳定的、低通量的，并且协助医生进行客观、高通量分析诊断肝小叶炎症的辅助工具也是严重缺乏的。
4.近年来，计算机视觉用于对图像、视频等数字化媒体材料进行目标的检测、识别以及分割，作为开发医疗影像处理技术的一个重点研究方向，医学图像分割工具可以辅助医生对患者的病理切片进行合理评估，这对于医生的临床诊断和病情评估以及后续相应的给药决策有极具价值的辅助指导作用。目前诊断肝脏肝小叶炎症有侵入式的病理切片图像诊断方法和非侵入式的血清相关炎症生物指标检测方法，例如谷丙转氨酶(alt)、谷草转氨酶(ast)、谷氨酰转肽酶(ggt/l-γ)和纤维蛋白原(fibrinogen,fbg)等生化指标，但特异性非常差，所以肝脏病理切片仍是用于诊断肝小叶炎症程度的临床金标准。当前已有利用深度学习领域的神经网络模型方法分析医学图像信息来实现肝脏肝小叶炎症程度的分级，但尚未有肝脏肝小叶炎症程度和炎症灶数量与位置的定量测定方法。


技术实现要素：

5.本发明的目的在于提供一种在肝脏病理切片数字化图像中进行肝小叶炎症检测和定量的装置和方法。
6.本发明的第一个方面提供了一种肝脏病理切片图像的肝小叶炎症检测和定量装置，其特征在于，包括：
7.(1)图像获取与储存模块：用于获取与储存肝脏组织病理切片的全扫描数字化图像，获得该切片的全景数字化图像；
8.(2)图像分割模块：用于将全景数字化图像分割成没有重叠区域的小图像，记录小图像相对于全景数字化图像的坐标位置；
9.(3)图像标记及分类模块：由病理医生标记出所有小图像中的所有炎症灶，舍弃没有炎症灶的小图像，并将所有标记的小图像组成数据集，将数据集分为训练集和测试集；
10.(4)图像训练模块：使用训练集图像输入一个faster r-cnn模型进行训练，训练使模型的损失误差收敛至0.26并保存该模型；
11.(5)目标检测模块：由模块(2)中所得的所有小图像依次输入模块(4)中训练过的faster r-cnn模型中进行目标检测，识别每一张小图像中的所有炎症灶并获得它们在小图像中的坐标位置，结合模块(2)中每一张小图像位于每一张全景图像的坐标位置，可以获得到所有識別出的炎症灶在每一张全景数字化图像中的绝对位置，并将它们的绝对位置存储至位置列表；
12.(6)搜寻模块：将模块(5)中在每一张全景图像中得到的所有炎症灶的绝对位置用于搜寻该张全景图像的炎症最密集区域：
13.(a)按炎症灶位置列表中顺序取一个炎症灶(xj)的位置，计算所有其他炎症灶(yi)相对于选取炎症灶的欧氏距离，欧式距离的计算公式为：i、j为位置列表编号且i≠j，n为一张全景图像中的所有炎症灶数量。基于炎症灶最密集区域的视野大小为1.6750
×
1.6750mm2的标准，设定两个炎症灶的欧式距离小于0.8375mm的情况纪录为炎症灶密集情况并将记录存储于一个新列表中，直到统计完xj的所有欧式距离判断；
14.(b)依据步骤(a)完成所有xj的欧式距离计算，并将记录存储于每一个相应xj的新列表中；
15.(c)比较並找出炎症灶密集情况数量最多的列表，确认出相应的炎症灶xj的位置作为全景图像中炎症最密集区域的坐标中心；
16.(7)估算炎症程度分级模块：依据模块(6)中计算定位到的炎症最密集区域内可统计获得炎症最密集区域的炎症灶数量，并依据以下打分标准估算炎症程度分级：
17.炎症灶数量＝0：无炎症；炎症灶数量《2：轻度炎症；炎症灶数量＝2-4：中度炎症；炎症灶数量》4：重度炎症；
18.(8)反二值化处理模块：将模块(2)所得的小图像的原图进行反二值化处理并设定其阈值。利用所获得的反二值化图像进行像素值为正数的个数统计，获得肝组织面积，并将一张全景图像中的所有小图的肝组织面积加总起来获得一个完整的肝组织面积；
19.(9)计算炎症灶密度模块：由模块(5)所得全景图像的炎症灶总个数除以模块(8)所得全景图像的肝组织面积，可获得到单位面积上平均炎症灶个数，即炎症灶密度。
20.进一步地，模块(1)中在显微镜下使用5倍物镜放大倍率观察，并结合摄影机进行肝脏组织病理切片的全扫描数字化图像储存。
21.进一步地，模块(1)中图像的分辨率达到1.0952微米/像素以上。
22.进一步地，模块(2)中设定小图切割大小为1024
×
1024像素。
23.进一步地，模块(3)中随机抽取数据集80％的小图像组成人工智能深度学习训练集，剩余20％的小图像作为深度学习的测试集。
24.进一步地，模块(8)中反二值化的阈值为200。
25.本发明的第二个方面公开了一种肝脏病理切片图像的肝小叶炎症检测和定量方
法，其特征在于，包括：
26.(1)在显微镜下使用5倍物镜放大倍率观察，并结合摄影机进行肝脏组织病理切片的全扫描数字化图像储存，获得该切片的全景数字化图像，为了保证炎症灶识别的准确性，图像的分辨率应达到1.0952微米/像素以上；
27.(2)设定小图切割大小为1024
×
1024像素，将全景数字化图像分割成没有重叠区域的小图像，记录小图像相对于全景图像的坐标位置；
28.(3)将收集整理并扫描得到的所有全景数字化图像按步骤(2)所述方法全部分割成小图像，由病理医生标记出所有小图像中的所有炎症灶，舍弃没有炎症灶的小图像，并将所有标记的小图像组成数据集，随机抽取数据集80％的小图像组成人工智能深度学习训练集，剩余20％的小图像作为深度学习的测试集；
29.(4)使用训练集图像输入一个faster r-cnn模型进行训练，训练使模型的损失误差收敛至0.26并保存该模型；
30.(5)由步骤(2)中所得的所有小图像依次输入步骤(4)中训练过的faster r-cnn模型中进行目标检测，识别每一张小图像中的所有炎症灶并获得它们在小图像中的坐标位置，结合步骤(2)中每一张小图像位于每一张全景图像的坐标位置，可以获得到所有識別出的炎症灶在每一张全景数字化图像中的绝对位置，并将它们的绝对位置存储至位置列表；
31.(6)将步骤(5)中在每一张全景图像中得到的所有炎症灶的绝对位置用于搜寻该张全景图像的炎症最密集区域：
32.(a)按炎症灶位置列表中顺序取一个炎症灶(xj)的位置，计算所有其他炎症灶(yi)相对于选取炎症灶的欧氏距离，欧式距离的计算公式为：i、j为位置列表编号且i≠j，n为一张全景图像中的所有炎症灶数量；基于炎症灶最密集区域的视野大小为1.6750
×
1.6750mm2的标准，设定两个炎症灶的欧式距离小于0.8375mm的情况纪录为炎症灶密集情况并将记录存储于一个新列表中，直到统计完xj的所有欧式距离判断；
33.(b)依据步骤(a)完成所有xj的欧式距离计算，并将记录存储于每一个相应xj的新列表；
34.(c)比较並找出炎症灶密集情况数量最多的列表，确认出相应的炎症灶xj的位置作为全景图像中炎症最密集区域的坐标中心；
35.(7)依据步骤(6)中计算定位到的炎症最密集区域内可统计获得炎症最密集区域的炎症灶数量，并依据以下打分标准估算炎症程度分级：
36.炎症灶数量＝0：无炎症；炎症灶数量《2：轻度炎症；炎症灶数量＝2-4：中度炎症；炎症灶数量》4：重度炎症；
37.(8)为了获得肝组织的面积用于计算单位面积上的平均炎症灶个数，将步骤(2)所得的小图像的原图进行反二值化处理，阈值设为200。利用所获得的反二值化图像进行像素值为正数的个数统计，获得肝组织面积，并将一张全景图像中的所有小图的肝组织面积加总起来获得一个完整的肝组织面积；
38.(9)由步骤(5)所得全景图像的炎症灶总个数除以步骤(8)所得全景图像的肝组织面积，可获得到单位面积上平均炎症灶个数，即炎症灶密度。
39.本发明的第三个方面公开了上述的装置或方法用于肝脏病理切片图像分析的用途。
40.本发明的第四个方面公开了上述的装置或方法用于肝小叶炎症检测和定量方法分析的用途。
41.与现有技术相比，本发明具有以下优势：
42.(1)本发明使用人工智能方法和图像处理相关算法，能够客观准确的提供肝脏肝小叶炎症程度的定量数据。并进行其数量与位置的定量统计方法，提供自动化辅助医生定量诊断病理切片的肝小叶炎症程度。
43.(2)本发明快速、准确、自动化程度高、重复性高，具有广阔的应用前景。
44.(3)本发明开创性地研发了肝脏肝小叶炎症程度和炎症灶数量与位置的定量测定装置和方法，填补了目前该领域的研究技术空白。
附图说明
45.图1为将全景化图像分割成若干小图像并记录其在全景图像中的坐标位置；
46.图2为医生标记小图像中炎症灶并将小图像分为训练集和测试集；
47.图3为faster r-cnn模型训练并在测试集图像上验证，其准确率ap
50
为65％；
48.图4为纪录标记的炎症灶在每张全景数字化图像中的绝对坐标位置；
49.图5为搜寻全景图像的炎症最密集区域；
50.图6为医生判断与计算机识别的肝小叶炎症灶的炎症程度分级差异性关系图；
51.图7为炎症最密集区域的炎症灶数量和肝小叶炎症分级的关系图；
52.图8为炎症灶密度和肝小叶炎症分级的关系图；
53.图9为本发明进行炎症含量分级与定量分析方法的流程图。
具体实施方式
54.下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。下列实施例中未注明具体条件的实验方法，按照常规方法和条件，或按照商品说明书选择。
55.实施例1
56.一种人工智能目标检测学习并自动化识别肝脏病理切片全景数字化图像中的所有肝小叶炎症灶，并进行所有炎症灶的数量与位置的定量统计装置，并打分给出炎症程度分级。具体包括如下模块：
57.(1)图像获取与储存模块：在5倍物镜放大倍率下扫描肝脏组织切片获得该切片的全景数字化图像，为了保证炎症灶识别的准确性，图像的分辨率应达到1.0952微米/像素以上；
58.(2)图像分割模块：将模块(1)中所得的全景数字化图像分割成没有重叠区域的若干小图像，记录小图像相对于全景图像的坐标位置(图1)。设定小图像切割大小为1024
×
1024像素；
59.(3)图像标记及分类模块：由病理医生标记出由模块(2)中所得的小图像中的所有炎症灶，舍弃没有炎症灶的小图像，并将所有标记的小图像组成数据集，随机抽取数据集的
小图像分为人工智能深度学习训练集(占80％)和测试集(占20％)(图2)；
60.(4)图像训练模块：使用模块(3)中所得的训练集图像输入一个faster r-cnn模型进行训练，该模型训练优化后在测试集上验证的准确率ap
50
为65％(图3)；
61.(5)目标检测模块：由模块(2)中所得的所有小图像依次输入模块(4)中训练过的faster r-cnn模型中进行目标检测，获得所有炎症灶在小图像中的坐标位置，结合模块(2)中每一张小图像位于每一张全景图像的坐标位置，可以获得到所有识别出的炎症灶在每一张全景数字化图像中的绝对位置，并将它们的绝对位置存储至位置列表(图4)；
62.(6)搜寻模块：将模块(5)中在每一张全景图像中得到的所有炎症灶的绝对位置用于搜寻该张全景图像的炎症最密集区域：
63.(a)按炎症灶位置列表中顺序取一个炎症灶(xj)的位置，计算所有其他炎症灶(yi)相对于选取炎症灶的欧氏距离，欧式距离的计算公式为：i、j为位置列表编号且i≠j，n为一张全景图像中的所有炎症灶数量。基于炎症灶最密集区域的视野大小为1.6750
×
1.6750mm2的标准，设定两个炎症灶的欧式距离小于0.8375mm的情况纪录为炎症灶密集情况并将记录存储于一个新列表中，直到统计完xj的所有欧式距离判断；
64.(b)依据步骤(a)完成所有xj的欧式距离计算，并将记录存储于每一个相应xj的新列表中；
65.(c)比较並找出炎症灶密集情况数量最多的列表，确认出相应的炎症灶xj的位置作为全景图像中炎症最密集区域的坐标中心(图5)；
66.(7)估算炎症程度分级模块：依据模块(6)中定位到的炎症最密集区域内，统计获得炎症最密集区域的炎症灶数量，并依据以下打分标准估算炎症程度分级：炎症灶数量＝0、《2、＝2-4、》4分别为无炎症、轻度炎症、中度炎症、重度炎症；
67.(8)反二值化处理模块：为了获得肝组织的面积用于计算单位面积上的平均炎症灶个数，将模块(2)所得的小图像的原图进行反二值化处理，阈值设为200。利用所获得的反二值化图像进行像素值为正数的个数统计，获得肝组织面积，并将一张全景图像中的所有小图的肝组织面积加总起来获得一个完整的肝组织面积；
68.(9)计算炎症灶密度模块：由模块(5)所得全景图像的炎症灶总个数除以模块(8)所得全景图像的肝组织面积，可获得到单位面积上平均炎症灶个数，即炎症灶密度；
69.(10)将模块(2)所得的小图像依次进行(5)、(6)、(7)等模块的操作，完成约542例肝脏组织病理切片中肝小叶炎症灶的炎症程度分级，并参照医生预判断的肝小叶炎症分级，获得医生预判断与计算机识别的肝小叶炎症灶的炎症程度分级差异性关系图(图6)；
70.(11)将模块(2)所得的小图像依次进行(5)、(6)、(7)等模块的操作，完成约542例肝脏组织病理切片中获得炎症最密集区域的炎症灶数量，并参照医生预判断的肝小叶炎症分级作为分群参考，进而获得炎症最密集区域的炎症灶数量和肝小叶炎症分级的关系图(图7)；
71.(12)将模块(2)所得的小图像依次进行(5)、(6)、(7)、(8)、(9)等模块的操作，完成约542例肝脏组织病理切片中获得炎症灶密度，并参照医生预判断的肝小叶炎症分级作为分群参考，进而获得炎症灶密度和肝小叶炎症分级的关系图(图8)。
72.实施例2
73.一种人工智能目标检测学习并自动化识别肝脏病理切片全景数字化图像中的所有肝小叶炎症灶，并进行所有炎症灶的数量与位置的定量统计方法，并打分给出炎症程度分级。该方法具体包括如下步骤：
74.(1)在5倍物镜放大倍率下扫描肝脏组织切片获得该切片的全景数字化图像，为了保证炎症灶识别的准确性，图像的分辨率应达到1.0952微米/像素以上；
75.(2)将步骤(1)中所得的全景数字化图像分割成没有重叠区域的若干小图像，记录小图像相对于全景图像的坐标位置(图1)。设定小图像切割大小为1024
×
1024像素；
76.(3)由病理医生标记出由步骤(2)中所得的小图像中的所有炎症灶，舍弃没有炎症灶的小图像，并将所有标记的小图像组成数据集，随机抽取数据集的小图像分为人工智能深度学习训练集(占80％)和测试集(占20％)(图2)；
77.(4)使用步骤(3)中所得的训练集图像输入一个faster r-cnn模型进行训练，该模型训练优化后在测试集上验证的准确率ap
50
为65％(图3)；
78.(5)由步骤(2)中所得的所有小图像依次输入步骤(4)中训练过的faster r-cnn模型中进行目标检测，获得所有炎症灶在小图像中的坐标位置，结合步骤(2)中每一张小图像位于每一张全景图像的坐标位置，可以获得到所有识别出的炎症灶在每一张全景数字化图像中的绝对位置，并将它们的绝对位置存储至位置列表(图4)；
79.(6)将步骤(5)中在每一张全景图像中得到的所有炎症灶的绝对位置用于搜寻该张全景图像的炎症最密集区域：
80.(a)按炎症灶位置列表中顺序取一个炎症灶(xj)的位置，计算所有其他炎症灶(yi)相对于选取炎症灶的欧氏距离，欧式距离的计算公式为：i、j为位置列表编号且i≠j，n为一张全景图像中的所有炎症灶数量。基于炎症灶最密集区域的视野大小为1.6750
×
1.6750mm2的标准，设定两个炎症灶的欧式距离小于0.8375mm的情况纪录为炎症灶密集情况并将记录存储于一个新列表中，直到统计完xj的所有欧式距离判断；
81.(b)依据步骤(a)完成所有xj的欧式距离计算，并将记录存储于每一个相应xj的新列表中；
82.(c)比较並找出炎症灶密集情况数量最多的列表，确认出相应的炎症灶xj的位置作为全景图像中炎症最密集区域的坐标中心(图5)；
83.(7)依据步骤(6)中定位到的炎症最密集区域内，统计获得炎症最密集区域的炎症灶数量，并依据以下打分标准估算炎症程度分级：炎症灶数量＝0、《2、＝2-4、》4分别为无炎症、轻度炎症、中度炎症、重度炎症；
84.(8)为了获得肝组织的面积用于计算单位面积上的平均炎症灶个数，将步骤(2)所得的小图像的原图进行反二值化处理，阈值设为200。利用所获得的反二值化图像进行像素值为正数的个数统计，获得肝组织面积，并将一张全景图像中的所有小图的肝组织面积加总起来获得一个完整的肝组织面积；
85.(9)由步骤(5)所得全景图像的炎症灶总个数除以步骤(8)所得全景图像的肝组织面积，可获得到单位面积上平均炎症灶个数，即炎症灶密度；
86.(10)将步骤(2)所得的小图像依次进行(5)、(6)、(7)等步骤的操作，完成约542例肝脏组织病理切片中肝小叶炎症灶的炎症程度分级，并参照医生预判断的肝小叶炎症分级，获得医生预判断与计算机识别的肝小叶炎症灶的炎症程度分级差异性关系图(图6)；
87.(11)将步骤(2)所得的小图像依次进行(5)、(6)、(7)等步骤的操作，完成约542例肝脏组织病理切片中获得炎症最密集区域的炎症灶数量，并参照医生预判断的肝小叶炎症分级作为分群参考，进而获得炎症最密集区域的炎症灶数量和肝小叶炎症分级的关系图(图7)；
88.(12)将步骤(2)所得的小图像依次进行(5)、(6)、(7)、(8)、(9)等步骤的操作，完成约542例肝脏组织病理切片中获得炎症灶密度，并参照医生预判断的肝小叶炎症分级作为分群参考，进而获得炎症灶密度和肝小叶炎症分级的关系图(图8)。
89.上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

技术特征：
1.一种肝脏病理切片图像的肝小叶炎症检测和定量装置，其特征在于，包括：(1)图像获取与储存模块：用于获取与储存肝脏组织病理切片的全扫描数字化图像，获得该切片的全景数字化图像；(2)图像分割模块：用于将全景数字化图像分割成没有重叠区域的小图像，记录小图像相对于全景数字化图像的坐标位置；(3)图像标记及分类模块：由病理医生标记出所有小图像中的所有炎症灶，舍弃没有炎症灶的小图像，并将所有标记的小图像组成数据集，将数据集分为训练集和测试集；(4)图像训练模块：使用训练集图像输入一个faster r-cnn模型进行训练，训练使模型的损失误差收敛至0.26并保存该模型；(5)目标检测模块：由模块(2)中所得的所有小图像依次输入模块(4)中训练过的faster r-cnn模型中进行目标检测，识别每一张小图像中的所有炎症灶并获得它们在小图像中的坐标位置，结合模块(2)中每一张小图像位于每一张全景图像的坐标位置，可以获得到所有識別出的炎症灶在每一张全景数字化图像中的绝对位置，并将它们的绝对位置存储至位置列表；(6)搜寻模块：将模块(5)中在每一张全景图像中得到的所有炎症灶的绝对位置用于搜寻该张全景图像的炎症最密集区域：(a)按炎症灶位置列表中顺序取一个炎症灶(x
j
)的位置，计算所有其他炎症灶(y
i
)相对于选取炎症灶的欧氏距离，欧式距离的计算公式为：i、j为位置列表编号且i≠j，n为一张全景图像中的所有炎症灶数量。基于炎症灶最密集区域的视野大小为1.6750
×
1.6750mm2的标准，设定两个炎症灶的欧式距离小于0.8375mm的情况纪录为炎症灶密集情况并将记录存储于一个新列表中，直到统计完x
j
的所有欧式距离判断；(b)依据步骤(a)完成所有x
j
的欧式距离计算，并将记录存储于每一个相应x
j
的新列表中；(c)比较並找出炎症灶密集情况数量最多的列表，确认出相应的炎症灶x
j
的位置作为全景图像中炎症最密集区域的坐标中心；(7)估算炎症程度分级模块：依据模块(6)中计算定位到的炎症最密集区域内可统计获得炎症最密集区域的炎症灶数量，并依据以下打分标准估算炎症程度分级：炎症灶数量＝0：无炎症；炎症灶数量<2：轻度炎症；炎症灶数量＝2-4：中度炎症；炎症灶数量>4：重度炎症；(8)反二值化处理模块：将模块(2)所得的小图像的原图进行反二值化处理并设定其阈值。利用所获得的反二值化图像进行像素值为正数的个数统计，获得肝组织面积，并将一张全景图像中的所有小图的肝组织面积加总起来获得一个完整的肝组织面积；(9)计算炎症灶密度模块：由模块(5)所得全景图像的炎症灶总个数除以模块(8)所得肝组织面积，可获得到单位面积上平均炎症灶个数，即炎症灶密度。2.根据权利要求1所述的装置，其中，模块(1)中在显微镜下使用5倍物镜放大倍率观察，并结合摄影机进行肝脏组织病理切片的全扫描数字化图像储存。3.根据权利要求1所述的装置，其中，模块(1)中图像的分辨率达到1.0952微米/像素以上。
4.根据权利要求1所述的装置，其中，模块(2)中设定小图切割大小为1024
×
1024像素。5.根据权利要求1所述的装置，其中，模块(3)中随机抽取数据集80％的小图像组成人工智能深度学习训练集，剩余20％的小图像作为深度学习的测试集。6.根据权利要求1所述的装置，其中，模块(8)中反二值化的阈值为200。7.一种肝脏病理切片图像的肝小叶炎症检测和定量方法，其特征在于，包括：(1)在显微镜下使用5倍物镜放大倍率观察，并结合摄影机进行肝脏组织病理切片的全扫描数字化图像储存，获得该切片的全景数字化图像，为了保证炎症灶识别的准确性，图像的分辨率应达到1.0952微米/像素以上；(2)设定小图切割大小为1024
×
1024像素，将全景数字化图像分割成没有重叠区域的小图像，记录小图像相对于全景图像的坐标位置；(3)将收集整理并扫描得到的所有全景数字化图像按步骤(2)所述方法全部分割成小图像，由病理医生标记出所有小图像中的所有炎症灶，舍弃没有炎症灶的小图像，并将所有标记的小图像组成数据集，随机抽取数据集80％的小图像组成人工智能深度学习训练集，剩余20％的小图像作为深度学习的测试集；(4)使用训练集图像输入一个faster r-cnn模型进行训练，训练使模型的损失误差收敛至0.26并保存该模型；(5)由步骤(2)中所得的所有小图像依次输入步骤(4)中训练过的faster r-cnn模型中进行目标检测，识别每一张小图像中的所有炎症灶并获得它们在小图像中的坐标位置，结合步骤(2)中每一张小图像位于每一张全景图像的坐标位置，可以获得到所有識別出的炎症灶在每一张全景数字化图像中的绝对位置，并将它们的绝对位置存储至位置列表；(6)将步骤(5)中在每一张全景图像中得到的所有炎症灶的绝对位置用于搜寻该张全景图像的炎症最密集区域：(a)按炎症灶位置列表中顺序取一个炎症灶(x
j
)的位置，计算所有其他炎症灶(y
i
)相对于选取炎症灶的欧氏距离，欧式距离的计算公式为：i、j为位置列表编号且i≠j，n为一张全景图像中的所有炎症灶数量；基于炎症灶最密集区域的视野大小为1.6750
×
1.6750mm2的标准，设定两个炎症灶的欧式距离小于0.8375mm的情况纪录为炎症灶密集情况并将记录存储于一个新列表中，直到统计完x
j
的所有欧式距离判断；(b)依据步骤(a)完成所有x
j
的欧式距离计算，并将记录存储于每一个相应x
j
的新列表；(c)比较並找出炎症灶密集情况数量最多的列表，确认出相应的炎症灶x
j
的位置作为全景图像中炎症最密集区域的坐标中心；(7)依据步骤(6)中计算定位到的炎症最密集区域内可统计获得炎症最密集区域的炎症灶数量，并依据以下打分标准估算炎症程度分级：炎症灶数量＝0：无炎症；炎症灶数量<2：轻度炎症；炎症灶数量＝2-4：中度炎症；炎症灶数量>4：重度炎症；(8)为了获得肝组织的面积用于计算单位面积上的平均炎症灶个数，将步骤(2)所得的小图像的原图进行反二值化处理，阈值设为200。利用所获得的反二值化图像进行像素值为正数的个数统计，获得肝组织面积，并将一张全景图像中的所有小图的肝组织面积加总起来获得一个完整的肝组织面积；
(9)由步骤(5)所得全景图像的炎症灶总个数除以步骤(8)所得全景图像的肝组织面积，可获得到单位面积上平均炎症灶个数，即炎症灶密度。8.权利要求1-6任一项所述的装置或权利要求7所述的方法用于肝脏病理切片图像分析的用途。9.权利要求1-6任一项所述的装置或权利要求7所述的方法用于肝小叶炎症检测和定量方法分析的用途。

技术总结
本发明公开了一种肝脏病理切片图像的肝小叶炎症检测和定量装置和方法。本发明的装置通过目标检测和炎症最密集区域搜寻等模块，能够实现自动化识别肝脏病理切片全景数字化图像中的炎症灶，并进行其数量与位置的定量统计，提供自动化辅助医生定量诊断病理切片的肝小叶炎症程度。本发明使用人工智能方法和图像处理相关算法，能够客观准确的提供肝脏肝小叶炎症程度的定量数据。本发明快速、准确、自动化程度高、重复性高，具有广阔的应用前景。具有广阔的应用前景。具有广阔的应用前景。


技术研发人员：李蓬 陈丰荣 李时杰 周红文
受保护的技术使用者：复旦大学
技术研发日：2023.03.10
技术公布日：2023/8/9