病例识别处理方法、系统、电子设备和存储介质与流程

1.本技术的实施例涉及图像分析技术领域，尤其涉及一种病例识别处理方法、系统、电子设备和存储介质。


背景技术：

2.医学图像处理属于人类健康事业，其研究具有重要的现实意义。当前，医院每天会产生大量的病理图像，在相关的病理图像识别方法中，为保证病理图像识别判断的准确性，通常需要通过经验较为丰富的医生对每一张病理图像一一采用人工标注的方式进行有效的诊断。
3.针对上述中的相关技术，发明人认为，当前采用人工标注病理图像中病灶区域进行识别的方式，该方式导致工作量巨大且存在人工误差。


技术实现要素：

4.本技术的实施例提供了一种病例识别处理方法、系统、电子设备和存储介质，能够解决当前采用人工标注病理图像中病灶区域，导致工作量巨大且存在人工误差的问题。
5.在本技术的第一方面，提供了一种病例识别处理方法，包括：
6.获取访问病例识别处理系统权限；
7.在获取到系统权限之后，获取待识别病理图像，所述待识别病理图像包括病灶区域；
8.根据所述待识别病理图像，通过训练完成的神经网络模型，识别所述待识别病理图像中的病灶区域；
9.显示识别结果。
10.通过采用以上技术方案，在获取访问病例识别处理系统权限之后，获取包括病灶区域的待识别病理图像，通过训练完成的神经网络模型，识别待识别病理图像中的病灶区域并显示识别结果，能够解决当前采用人工标注病理图像中病灶区域，导致工作量巨大且存在人工误差的问题，达到提高标注病理图像中病灶区域并进行识别的工作效率和精准度的效果。
11.在一种可能的实现方式中，所述神经网络模型由正样本和负样本训练获得；
12.所述正样本为在病理图像上距离病灶区域的中心点偏移量在预设距离内的像素点，所述负样本为在病理图像上距离病灶区域的中心点偏移量在预设距离外的像素点；
13.确定所述病灶区域中心点的方法包括：
14.确定所述病灶区域的边界；
15.计算所述病灶区域的边界上任意两个像素点之间的直线距离；
16.以直线距离数值最大的两个像素点之间的直线距离为直径画圆，将该圆的圆心作为所述病灶区域的中心点。
17.在一种可能的实现方式中，所述偏移量包括横向偏移量和纵向偏移量；
18.所述横向偏移量采用下式计算：
19.x＝x0‑
x
ij
20.所述纵向偏移量采用下式计算：
21.y＝y0‑
y
ij
22.其中，x为横向偏移量，y为纵向偏移量，(x0，y0)为病灶区域的中心点坐标，(x
ij
，y
ij
)为像素点的坐标，i为图像的行，j为图像的列，i、j为正实数。
23.在一种可能的实现方式中，所述确定所述病灶区域的边界包括：
24.根据病理图像，通过语义分割筛分病理图像中的所述病灶区域；
25.在确定所述病灶区域后，确定所述病灶区域的边界。
26.在一种可能的实现方式中，所述根据病理图像，通过语义分割筛分病理图像中的所述病灶区域包括：
27.将所述病理图像进行特征提取，得到所述病理图像的特征数据；
28.基于所述特征数据，得到所述病灶区域分割框信息；
29.基于所述特征数据以及所述病灶区域分割框信息，得到所述病理图像的所述病灶区域语义分割信息。
30.在本技术的第二方面，提供了一种病例识别处理系统，包括：登录模块、读取模块、分析模块和显示模块；
31.登录模块，用于获取访问病例识别处理系统权限；
32.获取模块，用于在获取到系统权限之后，获取待识别病理图像，所述待识别病理图像包括病灶区域；
33.分析模块，用于根据所述待识别病理图像，通过训练完成的神经网络模型，识别所述待识别病理图像中的病灶区域；
34.显示模块，用于显示识别结果。
35.在一种可能的实现方式中，分析模块包括：
36.第一确定单元，用于确定所述病灶区域的边界；
37.第一计算单元，用于计算所述病灶区域的边界上任意两个像素点之间的直线距离；
38.第二确定单元，用于以直线距离数值最大的两个像素点之间的直线距离为直径画圆，将该圆的圆心作为所述病灶区域的中心点。
39.在一种可能的实现方式中，分析模块还包括：
40.第二计算单元，用于计算在病理图像上的像素点距离所述病灶区域的中心点的偏移量。
41.在本技术的第三方面，提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如以上所述的方法。
42.在本技术的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述方法的步骤。
43.应当理解，发明内容部分中所描述的内容并非旨在限定本技术的实施例的关键或重要特征，亦非用于限制本技术的范围。本技术的其它特征将通过以下的描述变得容易理
解。
附图说明
44.结合附图并参考以下详细说明，本技术各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
45.图1示出了本技术实施例中病例识别处理方法的流程图；
46.图2示出了本技术实施例中病例识别处理系统的结构图；
47.图3示出了适于用来实现本技术实施例的电子设备结构示意图。
具体实施方式
48.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。
49.本技术实施例提供的病例识别处理方法可以应用于图像分析技术领域，例如病理识别处理等场景。在一些实施例中，该病例识别处理方法可以由电子设备执行。
50.图1示出了本技术实施例中病例识别处理方法的流程图。参见图1，本实施例中病例识别处理方法包括：
51.步骤101：获取访问病例识别处理系统权限。
52.步骤102：在获取到系统权限之后，获取待识别病理图像，待识别病理图像包括病灶区域。
53.步骤103：根据待识别病理图像，通过训练完成的神经网络模型，识别待识别病理图像中的病灶区域。
54.步骤104：显示识别结果。
55.通过采用以上技术方案，在获取访问病例识别处理系统权限之后，获取包括病灶区域的待识别病理图像，通过训练完成的神经网络模型，识别待识别病理图像中的病灶区域并显示识别结果，能够解决当前采用人工标注病理图像中病灶区域，导致工作量巨大且存在人工误差的问题，达到提高标注病理图像中病灶区域并进行识别的工作效率和精准度的效果。
56.在本技术实施例中，在步骤101中，病理是疾病发生的原因、发病原理和疾病过程中发生的细胞、组织和器官的结构、功能和代谢方面的改变及其规律。由此可见，对病理进行诊断，在临床诊断和治疗过程中具有重要的意义。由于病理诊断在临床诊断和治疗过程中的重要性，对病例识别处理系统设置访问权限至关重要。
57.在本技术实施例中，对病例识别处理系统设置访问权限具有如下几点主要作用：其一，对除病例识别处理系统以外的应用进行限制，对病例识别处理系统进行保护；其二，对账户以外的登录进行限制；其三，根据账户等级，对账户进行分级限制。
58.在本技术实施例中，在步骤102中，病理切片属于病理标本的一种，供在显微镜下检查，以观察病理变化，作出病理诊断。而病理图像，是将病理切片数字化后，得到的一张巨大的图像。
59.在本技术实施例中，可从病例中获取到待识别的病理图像。用户在获取相应的系统权限之后，根据权限要求，将获取到的待识别的病理图像保存在病例识别处理系统中，便
于对待识别的病理图像进行识别。
60.在本技术实施例中，在待识别病理图像中，不同类型的病理图像中病灶区域呈现出的像素特征不同。
61.在本技术实施例中，在步骤103中，训练完成的神经网络模型能够基于包含有病灶区域的待识别病理图像，识别待识别病理图像中的病灶区域。需要说明的是，同一类型的待识别病理图像包括的病灶区域的像素，区别于病灶区域之外的像素，具有可识别的特征，但病灶区域呈现方式存在轮廓遮挡和范围不明确的问题。
62.在本技术实施例中，用于识别待识别病例图像中的病灶区域的目标检测神经网络，可选的，目标检测神经网络可以为卷积神经网络，例如u
‑
net，cnn网络、残差网络，或者其他任意的能够实现目标检测的神经网络。具体的，可以对输入的待识别的病理图像进行特征提取(例如至少一层卷积处理)，得到图像特征，再对图像特征进行分类分割检测处理，得到病灶的位置区域。
63.在一些实施例中，训练完成的神经网络模型由正样本和负样本训练获得。其中，正样本为在病理图像上距离病灶区域的中心点偏移量在预设距离内的像素点，负样本为在病理图像上距离病灶区域的中心点偏移量在预设距离外的像素点。那么，确定病灶区域中心点可以采用以下的方法：
64.步骤a1，确定病灶区域的边界。
65.步骤a2，计算病灶区域的边界上任意两个像素点之间的直线距离。
66.步骤a3，以直线距离数值最大的两个像素点之间的直线距离为直径画圆，将该圆的圆心作为病灶区域的中心点。
67.在本技术实施例中，历史病理图像中像素值相同或相对平均偏差下预设范围内且相邻的像素作为同一特征，根据具有同一特征的像素确定范围，将该范围的边界作为病灶边界。
68.在本技术实施例中，像素值为历史病理图像被数字化时由计算机赋予的值，其代表历史病理图像某一小方块的平均亮度信息。选取像素值相对平均偏差下的预设范围为0至5％之间的像素，即定义为同一特征像素。多组同一特征且相邻的像素构成病灶区域的边界。
69.在一些实施例中，偏移量包括横向偏移量和纵向偏移量。那么，计算偏移量可以采用以下的方法：
70.步骤b1，
71.所述横向偏移量采用下式计算：
72.x＝x0‑
x
ij
73.所述纵向偏移量采用下式计算：
74.y＝y0‑
y
ij
75.其中，x为横向偏移量，y为纵向偏移量，(x0，y0)为病灶区域的中心点坐标，(x
ij
，y
ij
)为像素点的坐标，i为图像的行，j为图像的列，i、j为正实数。
76.在本技术实施例中，正样本包括所有历史病理图像上距离病灶区域的中心点偏移量在预设距离内的像素点，负样本包括所有历史病理图像上距离病灶区域的中心点偏移量在预设距离外的像素点。
77.例如，当患者ct值低于
‑
950hu时，病理图像显示右肺中叶胸膜下见结节状高密度影，紧贴水平裂胸膜，大小约2
‑
3mm，边界清晰，其余两肺未见明显实质性病灶，可知该病理图像的病灶区域的中心点偏移量的预设距离在2
‑
3mm。
78.在一些实施例中，通过语义分割确定病灶区域的边界。那么，通过语义分割确定病灶区域的边界可以采用以下的方法：：
79.步骤c1，根据病理图像，通过语义分割筛分病理图像中的病灶区域。
80.步骤c2，在确定病灶区域后，确定病灶区域的边界。
81.在本技术实施例中，可选的，使用图像语义分割将历史病理图像中每个像素都标注上其对应的类别，并将属于同一类别的像素归为一类。在深度学习之前，可选的，采用纹理基元森林和随机森林等方法构建实现图像语义分割的分类器。
82.图像语义分割将历史病理图像中距离病灶区域的中心点偏移量在预设距离内的像素点归为正样本，将病理图像中距离病灶区域的中心点偏移量在预设距离外的像素点归为负样本。
83.在一些实施例中，通过语义分割筛分病理图像中的病灶区域可以采用以下的方法：
84.步骤d1，将病理图像进行特征提取，得到病理图像的特征数据。
85.步骤d2，基于所述特征数据，得到病灶区域分割框信息。
86.步骤d3，基于特征数据以及病灶区域分割框信息，得到病理图像的病灶区域语义分割信息。
87.在本技术实施例中，采用语义分割模型进行病理图像的筛分。语义分割模型包括编码单元、分割框解码单元和语义解码单元。通过编码单元，将病理图像进行特征提取，得到病理图像的特征数据。通过分割框解码单元，基于特征数据，得到病灶区域分割框信息。通过语义解码单元，基于特征数据以及病灶区域分割框信息，得到病理图像的病灶区域语义分割信息。
88.需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本技术并不受所描述的动作顺序的限制，因为依据本技术，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本技术所必须的。
89.以上是关于方法实施例的介绍，以下通过系统实施例，对本技术所述方案进行进一步说明。
90.图2示出了本技术实施例的一种病例识别处理系统的结构图。参见图2，该病例识别处理系统包括登录模块201、获取模块202、分析模块203和显示模块204。
91.登录模块201，用于获取访问病例识别处理系统权限。
92.获取模块202，用于在获取到系统权限之后，获取待识别病理图像，待识别病理图像包括病灶区域。
93.分析模块203，用于根据待识别病理图像，通过训练完成的神经网络模型，识别待识别病理图像中的病灶区域。
94.显示模块204，用于显示识别结果。
95.在一些实施例中，分析模块203包括：
96.第一确定单元，用于确定病灶区域的边界；
97.第一计算单元，用于计算病灶区域的边界上任意两个像素点之间的直线距离；
98.第二确定单元，用于以直线距离数值最大的两个像素点之间的直线距离为直径画圆，将该圆的圆心作为病灶区域的中心点。
99.在一些实施例中，分析模块203还包括：
100.第二计算单元，用于计算在病理图像上的像素点距离病灶区域的中心点的偏移量。
101.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
102.图3示出了适于用来实现本技术实施例的电子设备的结构示意图。如图3所示，图3所示的电子设备300包括：处理器301和存储器303。其中，处理器301和存储器303相连。可选地，电子设备300还可以包括收发器304。需要说明的是，实际应用中收发器304不限于一个，该电子设备300的结构并不构成对本技术实施例的限定。
103.处理器301可以是cpu(central processing unit，中央处理器)，通用处理器，dsp(digital signal processor，数据信号处理器)，asic(application specific integrated circuit，专用集成电路)，fpga(field programmable gate array，现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本技术公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器301也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，dsp和微处理器的组合等。
104.总线302可包括一通路，在上述组件之间传送信息。总线302可以是pci(peripheral component interconnect，外设部件互连标准)总线或eisa(extended industry standard architecture，扩展工业标准结构)总线等。总线302可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
105.存储器303可以是rom(read only memory，只读存储器)或可存储静态信息和指令的其他类型的静态存储设备，ram(random access memory，随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备，也可以是eeprom(electrically erasable programmable read only memory，电可擦可编程只读存储器)、cd
‑
rom(compact disc read only memory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
106.存储器303用于存储执行本技术方案的应用程序代码，并由处理器301来控制执行。处理器301用于执行存储器303中存储的应用程序代码，以实现前述方法实施例所示的内容。
107.其中，电子设备包括但不限于：移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等
等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图3示出的电子设备仅仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
108.本技术实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当其在计算机上运行时，使得计算机可以执行前述方法实施例中相应内容。与现有技术相比，本技术实施例中，在获取访问病例识别处理系统权限之后，获取包括病灶区域的待识别病理图像，通过训练完成的神经网络模型，识别待识别病理图像中的病灶区域并显示识别结果，能够解决当前采用人工标注病理图像中病灶区域，导致工作量巨大且存在人工误差的问题，达到提高标注病理图像中病灶区域并进行识别的工作效率和精准度的效果。
109.应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
110.以上所述仅是本技术的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本技术的保护范围。