本發(fā)明屬于病理分析技術領域，具體涉及一種基于云計算的病理分析系統(tǒng)及方法。

背景技術：

目前國內(nèi)外大中小醫(yī)院、醫(yī)療機構(gòu)、體檢中心對癌癥患者病理檢測多處于制作病理切片，病理切片分析依靠人工顯微鏡下尋找判斷腫瘤癌細胞的方法，使用人工在顯微鏡下逐一視野的觀察判斷費時費力，人工主觀性強易受人為因素影響，敏感度底；人工只能作定性檢測，根據(jù)細胞形態(tài)變化定性判斷是否病變，而無法有效快速的判斷出患者的病變類型；而培養(yǎng)有資質(zhì)的細胞學醫(yī)生時間周期長，成本高；因此現(xiàn)如今缺少一種基于云計算的病理分析系統(tǒng)及方法，充分利用現(xiàn)代計算機科技發(fā)展提供病理分析服務，通過在每個醫(yī)療機構(gòu)安裝一個病理檢測分析子系統(tǒng)采集并檢測該區(qū)域病人的病變細胞形態(tài)類型，實現(xiàn)病變類型的統(tǒng)計，每個病理檢測分析子系統(tǒng)將各自的檢測分析成果，通過上傳至云端服務平臺進行存儲，生成長期比對數(shù)據(jù)庫，實現(xiàn)資源共享，計算機自動診斷，細胞掃描、分析完全自動化，減輕專業(yè)醫(yī)生工作強度，對實現(xiàn)早期檢測出癌及癌前病變，同時檢測診斷癌細胞的類型，對惡性腫瘤的診斷、治療和預后有極大的幫助。

技術實現(xiàn)要素：

本發(fā)明所要解決的技術問題在于針對上述現(xiàn)有技術中的不足，提供一種基于云計算的病理分析系統(tǒng)，其設計新穎合理，通過云端服務平臺與多個病理檢測分析子系統(tǒng)進行信息互通，資源共享，病理分析效率高，減少病理檢測分析子系統(tǒng)更新維護成本，病變類型識別客觀準確，減輕專業(yè)醫(yī)生工作強度，便于推廣使用。

為解決上述技術問題，本發(fā)明采用的技術方案是：基于云計算的病理分析系統(tǒng)，其特征在于：包括用于存儲病變病理專家數(shù)據(jù)庫的云端服務平臺和多個分別安裝在多個病變檢測中心且用于實時檢測病變病理數(shù)據(jù)并與所述病變病理專家數(shù)據(jù)庫比對或擴充所述病變病理專家數(shù)據(jù)庫的病理檢測分析子系統(tǒng)，病理檢測分析子系統(tǒng)包括處理器以及均與處理器相接的存儲器和子系統(tǒng)通信模塊，處理器的輸入端接有鍵盤輸入模塊和用于實時采集病變病理數(shù)據(jù)的顯微鏡掃描儀，處理器的輸出端接有用于顯示病理分析結(jié)果的顯示器；云端服務平臺由依次連接的云服務通信模塊、云服務器和云端存儲器組成，云服務通信模塊通過有線或無線的方式與子系統(tǒng)通信模塊通信。

上述的基于云計算的病理分析系統(tǒng)，其特征在于：所述顯微鏡掃描儀為全自動顯微鏡掃描儀。

上述的基于云計算的病理分析系統(tǒng)，其特征在于：所述處理器為計算機。

上述的基于云計算的病理分析系統(tǒng)，其特征在于：所述云服務通信模塊和子系統(tǒng)通信模塊均為以太網(wǎng)通信模塊或gprs通信模塊。

同時，本發(fā)明還公開了一種方法步驟簡單、可自動診斷分析病變類型或發(fā)現(xiàn)新病變類型，客觀準確，提高陽性檢出率，有效降低漏檢，避免人為主觀的失誤的病理分析方法，其特征在于該方法包括以下步驟：

步驟一、建立病變病理專家數(shù)據(jù)庫：通過每個病理檢測分析子系統(tǒng)實時采集并處理病變檢測中心提供的現(xiàn)有病變病理切片數(shù)字化圖像，得到現(xiàn)有病變病理切片數(shù)字化圖像的病變特征類型后實時上傳至云端服務平臺進行病變特征類型的存儲，采用每個病理檢測分析子系統(tǒng)分別進行病變特征類型的存儲，建立病變病理專家數(shù)據(jù)庫，其中，每個病理檢測分析子系統(tǒng)的病變特征類型的存儲方法均相同；

采用任意一個病理檢測分析子系統(tǒng)進行病變特征類型的存儲時，過程如下：

步驟101、獲取現(xiàn)有病變病理切片數(shù)字化圖像：通過顯微鏡掃描儀對現(xiàn)有病變病理切片數(shù)字化圖像進行掃描，生成全視野的現(xiàn)有病變病理切片數(shù)字化圖像，并將全視野的現(xiàn)有病變病理切片數(shù)字化圖像導入處理器；

步驟102、現(xiàn)有病變病理切片數(shù)字化圖像預處理：處理器將接收到的現(xiàn)有病變病理切片數(shù)字化圖像調(diào)入存儲器中進行預處理，首先，通過處理器根據(jù)病理特征庫分別確定現(xiàn)有病變圖像的病變邊界線，所述病變邊界線均為不規(guī)則的封閉區(qū)域，根據(jù)所確定的病變邊界線將病變部分圖像從所述現(xiàn)有病變病理切片數(shù)字化圖像中分離出來，獲得現(xiàn)有病變部分圖像；然后，處理器采用基于商圖象的標定增強方法對所分離出來的現(xiàn)有病變部分圖像進行灰度標定及增強處理；最后，處理器對經(jīng)灰度標定及增強處理后的現(xiàn)有病變部分圖像進行歸一化處理，將現(xiàn)有病變部分圖像的封閉區(qū)域線性拉伸為矩形區(qū)域，獲得現(xiàn)有矩形病變部分圖像；

步驟103、現(xiàn)有病變特征提取及編碼：采用處理器從所述現(xiàn)有矩形病變部分圖像中提取出能代表并區(qū)別該現(xiàn)有矩形病變部分圖像的一組獨特參數(shù)，并對該組獨特參數(shù)進行編碼，過程如下：

步驟1031、采用2d-gabor濾波器對經(jīng)步驟102中預處理后現(xiàn)有矩形病變部分圖像進行濾波處理，獲得現(xiàn)有濾波后病變部分圖像其中，i(x,y)表示濾波前的現(xiàn)有病變部分圖像，g^e(x,y)為2d-gabor濾波器的實部且g^o(x,y)為2d-gabor濾波器的虛部且x1＝xcos(θ)+ysin(θ)+ci[-xcos(θ)+ysin(θ)]²，y1＝-xsin(θ)+ycos(θ)，f為正弦平面波的頻率且k＝1、2、3…∞，*號表示卷積運算，i為病變類型編號且i為正整數(shù)，ci為屬于第i類病變類型的現(xiàn)有矩形病變部分圖像的局部區(qū)域的彎曲度，0<ci≤100；

步驟1032、確定現(xiàn)有矩形病變部分圖像局部區(qū)域的彎曲度：通過多次重復步驟1031，觀察現(xiàn)有濾波后病變部分圖像形態(tài)，當現(xiàn)有濾波后病變部分圖像形態(tài)與現(xiàn)有矩形病變部分圖像形態(tài)一致時，確定現(xiàn)有矩形病變部分圖像局部區(qū)域的彎曲度cυ，并將所述現(xiàn)有矩形病變部分圖像歸入第υ類病變類型，其中，υ∈i；

步驟1033、采用lbp算法并通過測量0和1跳變的次數(shù)來對經(jīng)2d-gabor濾波器濾波且歸類后的現(xiàn)有病變部分圖像進行l(wèi)bp編碼，根據(jù)公式進行l(wèi)bp編碼，其中，p為所取鄰域內(nèi)的像素數(shù)，gj表示所取區(qū)域內(nèi)的像素點，gc表示所取區(qū)域內(nèi)的中心點，s(·)為符號函數(shù)，

步驟1034、通過對所述現(xiàn)有病變部分圖像中的每個像素點求其lbp特征編碼，得到一幅現(xiàn)有l(wèi)bp特征圖；

步驟104、病變特征歸類及云存儲：采用處理器將步驟103中提取并編碼的一組獨特參數(shù)記為第υ類病變類型的一種編碼數(shù)據(jù)，并通過子系統(tǒng)通信模塊將該病變類型及編碼數(shù)據(jù)上傳至云端服務平臺，保存在該病變類型的病變數(shù)據(jù)庫集合jυ內(nèi)；

步驟105、多次重復步驟101至步驟104，建立病變病理專家數(shù)據(jù)庫；

步驟二、病變病理數(shù)據(jù)分析：通過每個病理檢測分析子系統(tǒng)實時采集并處理病變檢測中心獲取的現(xiàn)場病變病理切片數(shù)字化圖像，得到該現(xiàn)場病變病理切片數(shù)字化圖像的病變特征類型后實時上傳至云端服務平臺進行病變特征類型的比對，其中，每個病理檢測分析子系統(tǒng)對病變特征類型的處理方法均相同；

采用任意一個病理檢測分析子系統(tǒng)進行現(xiàn)場病變病理切片數(shù)字化圖像的病變特征類型的處理時，過程如下：

步驟201、待查現(xiàn)場病變病理切片數(shù)字化圖像的獲取：通過玻璃切片承載病變?nèi)芤?，通過顯微鏡掃描儀對所述玻璃切片進行掃描和無縫拼接，生成全視野的現(xiàn)場病變病理切片數(shù)字化圖像，并將全視野的現(xiàn)場病變病理切片數(shù)字化圖像導入處理器；

步驟202、現(xiàn)場病變病理切片數(shù)字化圖像預處理：處理器將接收到的現(xiàn)場病變病理切片數(shù)字化圖像調(diào)入存儲器中進行預處理，首先，通過處理器根據(jù)病理特征庫分別確定現(xiàn)場病變圖像的病變邊界線，根據(jù)所確定的病變邊界線將現(xiàn)場病變部分圖像從所述現(xiàn)場病變病理切片數(shù)字化圖像中分離出來，獲得現(xiàn)場病變部分圖像；然后，處理器采用基于商圖象的標定增強方法對所分離出來的現(xiàn)場病變部分圖像進行灰度標定及增強處理；最后，處理器對經(jīng)灰度標定及增強處理后的現(xiàn)場病變部分圖像進行歸一化處理，將現(xiàn)場病變部分圖像的封閉區(qū)域線性拉伸為矩形區(qū)域，獲得現(xiàn)場矩形病變部分圖像；

步驟203、現(xiàn)場病變特征提取并比對：采用處理器從所述現(xiàn)場矩形病變部分圖像中提取出能代表并區(qū)別該現(xiàn)場矩形病變部分圖像的一組獨特參數(shù)，并將該組獨特參數(shù)與病變類型比對，過程如下：

步驟2031、任意選取現(xiàn)場矩形病變部分圖像的局部區(qū)域的彎曲度cρ，其中，ρ∈i；

步驟2032、根據(jù)選取的現(xiàn)場矩形病變部分圖像的局部區(qū)域的彎曲度cρ，采用2d-gabor濾波器對經(jīng)步驟202中預處理后現(xiàn)場矩形病變部分圖像進行濾波處理，獲得現(xiàn)場濾波后病變部分圖像其中，i'(x,y)表示濾波前的現(xiàn)場病變部分圖像；

步驟2033、多次重復步驟2031至2032，遍歷病變類型的所有類型，觀察現(xiàn)場濾波后病變部分圖像形態(tài)，當任意一種現(xiàn)場濾波后病變部分圖像形態(tài)與現(xiàn)場矩形病變部分圖像形態(tài)一致時，確定該現(xiàn)場矩形病變部分圖像局部區(qū)域的彎曲度cρ，執(zhí)行步驟204；當現(xiàn)場濾波后病變部分圖像形態(tài)均與現(xiàn)場矩形病變部分圖像形態(tài)不一致時，執(zhí)行步驟三；

步驟204、現(xiàn)場病變特征編碼：采用lbp算法并通過測量0和1跳變的次數(shù)來對經(jīng)2d-gabor濾波器濾波且歸類后的現(xiàn)場病變部分圖像進行l(wèi)bp編碼，并對所述現(xiàn)場病變部分圖像中的每個像素點求其lbp特征編碼，得到一幅現(xiàn)場lbp特征圖；

步驟205、現(xiàn)場病變特征匹配：采用處理器將步驟204中編碼得到的現(xiàn)場lbp特征圖與在云端服務平臺中保存的該病變類型的病變數(shù)據(jù)庫集合jρ內(nèi)的病變特征參數(shù)進行匹配，通過云端服務平臺與處理器的通信，出具病變病理數(shù)據(jù)分析報告；

步驟三、擴充病變病理專家數(shù)據(jù)庫：通過人工檢測方法獲取該現(xiàn)場濾波后病變部分圖像局部區(qū)域的彎曲度ci+1和該現(xiàn)場濾波后病變部分圖像的現(xiàn)場lbp特征圖，建立新的病變類型，記為第i+1類病變類型，并通過子系統(tǒng)通信模塊將該病變類型及編碼數(shù)據(jù)上傳至云端服務平臺擴充病變病理專家數(shù)據(jù)庫，保存在該病變類型的病變數(shù)據(jù)庫集合ji+1內(nèi)，i+1類病變類型為當前病變類型總數(shù)，將病變類型i+1類視為更新后的病變類型編號i循環(huán)步驟二。

上述的方法，其特征在于：所述處理器確定病變邊界線時，首先，確定病變的內(nèi)部基本特征，逐步擴張至病變的外部，最終形成封閉區(qū)域；然后，利用canny算子獲得病變區(qū)域的邊界，在所獲得病變區(qū)域的邊界中隨機選取多個點計算封閉區(qū)域內(nèi)對應病變的中心以及面積、長度和數(shù)量；

確定病變特征后再確定病變的區(qū)域，確定病變區(qū)域時，沿所述病變特征的水平方向向兩邊尋找，找到高斯濾波后灰度方差大于預設閾值的多個對應點，作為病變區(qū)域的邊界點，并且利用已找出的多個對應點計算外邊界線對應的面積、長度和數(shù)量，所述預設閾值為4～7。

上述的方法，其特征在于：所述的采用處理器將步驟204中編碼得到的現(xiàn)場lbp特征圖與在云端服務平臺中保存的該病變類型的病變數(shù)據(jù)庫集合jρ內(nèi)的病變特征參數(shù)進行匹配時，包括以下步驟：

步驟2051、剔除無效區(qū)域并形成完整有效的封閉區(qū)域：

利用公式codeavailable＝code∩maskobject∩masksample，找出對經(jīng)特征提取后的現(xiàn)場病變部分圖像即待測目標圖像和預先存儲在病變病理專家數(shù)據(jù)庫中的已知病變特征參數(shù)對應的已知類別病變標準圖像的共同有效區(qū)域；式中，code為編碼圖，maskobject待測目標圖像的lbp特征圖，masksample為已知類別病變標準圖像的lbp特征圖；

步驟2042、獲取特征矢量：先將待測目標圖像或已知類別病變標準圖像的多張?zhí)卣骶幋a圖中的共同區(qū)域均先轉(zhuǎn)換成列矢量，之后再將列矢量拼接成一個特征矢量，便可獲得待測目標圖像與已知類別病變標準圖像各自對應的特征向量；

步驟2043、降維：對步驟2042中所獲得的待測目標圖像與已知類別病變標準圖像各自對應的特征向量分別進行降維，即對各自所對應的特征矢量分別進行pca變換，選取能量達95％的系數(shù)所構(gòu)成的矢量的部分元素作為分類識別用特征；

步驟2044、分類識別：采用最小距離分類法將待測目標圖像的特征矢量x同預先存儲的所有已知類別病變標準圖像的特征矢量進行比較并相應進行分類，進行比較時，采用歸一化歐式對特征矢量x與第ρ類已知類別病變標準圖像特征向量間的距離進行測定，當且僅當成立時，所述待測目標圖像與第ρ類已知類別病變標準圖像匹配；否則，根據(jù)歸一化歐式對特征矢量x與第ρ類已知類別病變標準圖像特征向量間的距離閾值，對所述待測目標圖像添加標記類別，并將添加有標記類別的所述待測目標圖像進行云存儲；式中，ρ^*為待測目標圖像的特征矢量x與第ρ類已知類別病變標準圖像特征向量之間最小距離對應的編號，xl為待測目標圖像第l個特征的特征矢量，表示第ρ類已知類別病變標準圖像第l個特征的均值，表示第ρ類已知類別病變標準圖像第l個特征的標準方差。。

本發(fā)明與現(xiàn)有技術相比具有以下優(yōu)點：

1、本發(fā)明采用的病理分析系統(tǒng)，通過在病變檢測中心設置病理檢測分析子系統(tǒng)來采集大量的病變病理切片數(shù)字化圖像，對病變病理切片數(shù)字化圖像進行病變類型識別分析，同時設置云端服務平臺采集各個病理檢測分析子系統(tǒng)來分析的成果，形成病變病理專家數(shù)據(jù)庫供后期病變特征類型識別，為出具病變病理數(shù)據(jù)分析報告提供數(shù)據(jù)基礎，提高陽性檢出率，有效降低漏檢，避免人為主觀的失誤，便于推廣使用。

2、本發(fā)明采用的病理分析系統(tǒng)，通過病理檢測分析子系統(tǒng)采集現(xiàn)場病變病理切片數(shù)字化圖像與云端服務平臺進行比對，快速客觀的對病變類型進行識別，同時每個病理檢測分析子系統(tǒng)可對云端服務平臺中沒有的病變類型進行擴充，可靠穩(wěn)定，使用效果好。

3、本發(fā)明采用的病理分析方法，通過對大量的現(xiàn)有病變病理切片數(shù)字化圖像進行掃面、預處理、特征提取及編碼，實現(xiàn)病變特征歸類及云存儲，建立病變病理專家數(shù)據(jù)庫，便于信息互通，資源共享；通過每個病理檢測分析子系統(tǒng)對現(xiàn)場病變病理切片數(shù)字化圖像進行掃面、預處理、病變特征提取并比對，當任意一種現(xiàn)場濾波后病變部分圖像形態(tài)與現(xiàn)場矩形病變部分圖像形態(tài)一致時，對現(xiàn)場病變特征編碼及匹配；當現(xiàn)場濾波后病變部分圖像形態(tài)均與現(xiàn)場矩形病變部分圖像形態(tài)不一致時，采用人工檢測方法獲取新的病變類型擴充病變病理專家數(shù)據(jù)庫作為下一次信息互通，資源共享的基礎，減少設備維護的成本，便于推廣使用。

綜上所述，本發(fā)明設計新穎合理，通過云端服務平臺與多個病理檢測分析子系統(tǒng)進行信息互通，資源共享，病理分析效率高，減少病理檢測分析子系統(tǒng)更新維護成本，病變類型識別客觀準確，減輕專業(yè)醫(yī)生工作強度，可自動診斷分析病變類型或發(fā)現(xiàn)新病變類型，客觀準確，提高陽性檢出率，效率高，便于推廣使用。

下面通過附圖和實施例，對本發(fā)明的技術方案做進一步的詳細描述。

附圖說明

圖1為本發(fā)明基于云計算的病理分析系統(tǒng)的電路原理框圖。

圖2為本發(fā)明病理分析系統(tǒng)中病理檢測分析子系統(tǒng)的電路原理框圖。

圖3為本發(fā)明病理分析系統(tǒng)中云端服務平臺的電路原理框圖。

圖4為本發(fā)明基于云計算的病理分析方法的流程框圖。

圖5為本發(fā)明病理分析方法中建立病變病理專家數(shù)據(jù)庫的流程框圖。

圖6為本發(fā)明病理分析方法中病變病理數(shù)據(jù)分析的流程框圖。

附圖標記說明:

1—云端服務平臺；1-1—云服務通信模塊；1-2—云服務器；

1-3—云端存儲器；2—病理檢測分析子系統(tǒng)；

2-1—顯微鏡掃描儀；2-2—鍵盤輸入模塊；2-3—顯示器；

2-4—子系統(tǒng)通信模塊；2-5—存儲器；2-6—處理器。

具體實施方式

如圖1、圖2和圖3所示，本發(fā)明所述的基于云計算的病理分析系統(tǒng)，包括用于存儲病變病理專家數(shù)據(jù)庫的云端服務平臺1和多個分別安裝在多個病變檢測中心且用于實時檢測病變病理數(shù)據(jù)并與所述病變病理專家數(shù)據(jù)庫比對或擴充所述病變病理專家數(shù)據(jù)庫的病理檢測分析子系統(tǒng)2，病理檢測分析子系統(tǒng)2包括處理器2-6以及均與處理器2-6相接的存儲器2-5和子系統(tǒng)通信模塊2-4，處理器2-6的輸入端接有鍵盤輸入模塊2-2和用于實時采集病變病理數(shù)據(jù)的顯微鏡掃描儀2-1，處理器2-6的輸出端接有用于顯示病理分析結(jié)果的顯示器2-3；云端服務平臺1由依次連接的云服務通信模塊1-1、云服務器1-2和云端存儲器1-3組成，云服務通信模塊1-1通過有線或無線的方式與子系統(tǒng)通信模塊2-4通信。

需要說明的是，病變病理專家數(shù)據(jù)庫是由大量的病變數(shù)據(jù)組成，占用空間大，實際使用的計算機內(nèi)存有限且處理速度受到限制，無法快捷高速的存儲并調(diào)取較為齊全的病變數(shù)據(jù)庫，云端服務平臺1的設置是為了利用其較大的空間和強大的運算能力，實現(xiàn)海量數(shù)據(jù)的搜索和處理，多個病理檢測分析子系統(tǒng)2的設置是為了對應實際環(huán)境中處于不同位置的多種醫(yī)療機構(gòu)，采用多個病理檢測分析子系統(tǒng)2均與云端服務平臺1進行通信實現(xiàn)不同地方對同一個病變病理專家數(shù)據(jù)庫的資源共享，分析實驗人員只需對云端服務平臺1進行維護，不必培訓大量的分析實驗人員分散在各處對各個病理檢測分析子系統(tǒng)2進行維護，系統(tǒng)維護成本低，同時避免為每個病理檢測分析子系統(tǒng)2配置一臺超級計算機進行病變圖像數(shù)據(jù)的存儲，投入成本低；顯微鏡掃描儀2-1的設置是為了掃面采集病變圖像并將實際的病變樣品轉(zhuǎn)換為處理器2-6可處理的數(shù)字圖像，鍵盤輸入模塊2-2的設置是為了給處理器2-6處理的數(shù)字圖像進行參數(shù)調(diào)節(jié)，便于處理器2-6獲取病變圖像的病變類型，實現(xiàn)與云端服務平臺1中存儲的病變病理專家數(shù)據(jù)庫進行比對，匹配病變類型，另外，處理器2-6處理的數(shù)字圖像若不能與云端服務平臺1中存儲的病變病理專家數(shù)據(jù)庫進行成功匹配，則采用鍵盤輸入模塊2-2的記錄該數(shù)字圖像的病變特征，將新出現(xiàn)的病變特征寫入處理器2-6中并上傳至云端服務平臺1，對病變病理專家數(shù)據(jù)庫進擴充，進而完善病變病理專家數(shù)據(jù)庫，為病理分析提供參考依據(jù)。

云端服務平臺1的設置整合了互聯(lián)網(wǎng)應用三大核心要素：計算、存儲、網(wǎng)絡，面向用戶提供公用化的互聯(lián)網(wǎng)基礎設施服務，云服務器1-2的設置是為了提供快速的計算單元，云端存儲器1-3的設置是為了提供海量的存儲空間，云服務通信模塊1-1的設置是為了提供網(wǎng)絡通信，云服務通信模塊1-1通過有線或無線的方式與子系統(tǒng)通信模塊2-4通信，實現(xiàn)云端服務平臺1與病理檢測分析子系統(tǒng)2的通信，安全穩(wěn)定。

本實施例中，所述顯微鏡掃描儀2-1為全自動顯微鏡掃描儀。

需要說明的是，全自動顯微鏡掃描儀的設置是為了快速、穩(wěn)定地自動掃描切片，并可進行相應圖像調(diào)節(jié)處理，操作簡單、方便地獲得高質(zhì)量數(shù)字切片，全自動的實現(xiàn)對實際獲取玻璃切片式樣進行掃描和無縫拼接，生成全視野的現(xiàn)場病變病理切片數(shù)字化圖像，使用效果好。

本實施例中，所述處理器2-6為計算機。

本實施例中，所述云服務通信模塊1-1和子系統(tǒng)通信模塊2-4均為以太網(wǎng)通信模塊或gprs通信模塊。

如圖4所示的病理分析的方法，包括以下步驟：

步驟一、建立病變病理專家數(shù)據(jù)庫：通過每個病理檢測分析子系統(tǒng)2實時采集并處理病變檢測中心提供的現(xiàn)有病變病理切片數(shù)字化圖像，得到現(xiàn)有病變病理切片數(shù)字化圖像的病變特征類型后實時上傳至云端服務平臺1進行病變特征類型的存儲，采用每個病理檢測分析子系統(tǒng)2分別進行病變特征類型的存儲，建立病變病理專家數(shù)據(jù)庫，其中，每個病理檢測分析子系統(tǒng)2的病變特征類型的存儲方法均相同；

需要說明的是，病變檢測中心包括國內(nèi)外大中小醫(yī)院、醫(yī)療機構(gòu)、體檢中心，實際建立病變病理專家數(shù)據(jù)庫時，可通過位于各個不同醫(yī)院、醫(yī)療機構(gòu)、體檢中心中設置的病理檢測分析子系統(tǒng)2同時對各自已有的現(xiàn)有病變病理切片數(shù)字化圖像進行處理歸類，快速的實現(xiàn)病變病理專家數(shù)據(jù)庫的建立。

采用任意一個病理檢測分析子系統(tǒng)2進行病變特征類型的存儲時，過程如下：

步驟101、獲取現(xiàn)有病變病理切片數(shù)字化圖像：通過顯微鏡掃描儀2-1對現(xiàn)有病變病理切片數(shù)字化圖像進行掃描，生成全視野的現(xiàn)有病變病理切片數(shù)字化圖像，并將全視野的現(xiàn)有病變病理切片數(shù)字化圖像導入處理器2-6；

步驟102、現(xiàn)有病變病理切片數(shù)字化圖像預處理：處理器2-6將接收到的現(xiàn)有病變病理切片數(shù)字化圖像調(diào)入存儲器2-5中進行預處理，首先，通過處理器2-6根據(jù)病理特征庫分別確定現(xiàn)有病變圖像的病變邊界線，所述病變邊界線均為不規(guī)則的封閉區(qū)域，根據(jù)所確定的病變邊界線將病變部分圖像從所述現(xiàn)有病變病理切片數(shù)字化圖像中分離出來，獲得現(xiàn)有病變部分圖像；然后，處理器2-6采用基于商圖象的標定增強方法對所分離出來的現(xiàn)有病變部分圖像進行灰度標定及增強處理；最后，處理器2-6對經(jīng)灰度標定及增強處理后的現(xiàn)有病變部分圖像進行歸一化處理，將現(xiàn)有病變部分圖像的封閉區(qū)域線性拉伸為矩形區(qū)域，獲得現(xiàn)有矩形病變部分圖像；

步驟103、現(xiàn)有病變特征提取及編碼：采用處理器2-6從所述現(xiàn)有矩形病變部分圖像中提取出能代表并區(qū)別該現(xiàn)有矩形病變部分圖像的一組獨特參數(shù)，并對該組獨特參數(shù)進行編碼，過程如下：

步驟1031、采用2d-gabor濾波器對經(jīng)步驟102中預處理后現(xiàn)有矩形病變部分圖像進行濾波處理，獲得現(xiàn)有濾波后病變部分圖像其中，i(x,y)表示濾波前的現(xiàn)有病變部分圖像，g^e(x,y)為2d-gabor濾波器的實部且g^o(x,y)為2d-gabor濾波器的虛部且x1＝xcos(θ)+ysin(θ)+ci[-xcos(θ)+ysin(θ)]²，y1＝-xsin(θ)+ycos(θ)，f為正弦平面波的頻率且k＝1、2、3…∞，*號表示卷積運算，i為病變類型編號且i為正整數(shù)，ci為屬于第i類病變類型的現(xiàn)有矩形病變部分圖像的局部區(qū)域的彎曲度，0<ci≤100；

步驟1032、確定現(xiàn)有矩形病變部分圖像局部區(qū)域的彎曲度：通過多次重復步驟1031，觀察現(xiàn)有濾波后病變部分圖像形態(tài)，當現(xiàn)有濾波后病變部分圖像形態(tài)與現(xiàn)有矩形病變部分圖像形態(tài)一致時，確定現(xiàn)有矩形病變部分圖像局部區(qū)域的彎曲度cυ，并將所述現(xiàn)有矩形病變部分圖像歸入第υ類病變類型，其中，υ∈i；

需要說明的是，采用2d-gabor濾波器對經(jīng)步驟102中預處理后現(xiàn)有矩形病變部分圖像進行濾波處理，傳統(tǒng)的2d-gabor濾波器中變量x1＝xcos(θ)+ysin(θ)，只能對局部紋理的直線段進行識別，采用逐步逼近的方式獲取圖像局部區(qū)域的弧度，精度低，本發(fā)明采用的2d-gabor濾波器中變量x1＝xcos(θ)+ysin(θ)+ci[-xcos(θ)+ysin(θ)]²可實現(xiàn)局部紋理的弧度識別，獲取病變細胞輪廓精度高。

實際使用中，每類現(xiàn)有矩形病變部分圖像局部區(qū)域均有一個彎曲度，使其濾波形態(tài)與現(xiàn)有矩形病變部分圖像形態(tài)一致，每類病變類型的現(xiàn)有矩形病變部分圖像的局部區(qū)域的彎曲度c的取值范圍為0<c≤100，采用二分法對輸入的現(xiàn)有矩形病變部分圖像局部區(qū)域的彎曲度進行配置，根據(jù)經(jīng)驗以及觀察現(xiàn)有濾波后病變部分圖像形態(tài)變化過程，對該輸入的現(xiàn)有矩形病變部分圖像局部區(qū)域選取合適的彎曲度值，通過多次重復步驟1031，直至現(xiàn)有濾波后病變部分圖像形態(tài)與現(xiàn)有矩形病變部分圖像形態(tài)一致，將確定的現(xiàn)有矩形病變部分圖像局部區(qū)域的彎曲度cυ與病變類型對應，獲取第υ類病變類型。

步驟1033、采用lbp算法并通過測量0和1跳變的次數(shù)來對經(jīng)2d-gabor濾波器濾波且歸類后的現(xiàn)有病變部分圖像進行l(wèi)bp編碼，根據(jù)公式進行l(wèi)bp編碼，其中，p為所取鄰域內(nèi)的像素數(shù)，gj表示所取區(qū)域內(nèi)的像素點，gc表示所取區(qū)域內(nèi)的中心點，s(·)為符號函數(shù)，

步驟1034、通過對所述現(xiàn)有病變部分圖像中的每個像素點求其lbp特征編碼，得到一幅現(xiàn)有l(wèi)bp特征圖；

需要說明的是，確定好病變類型后，對該現(xiàn)有病變部分圖像lbp特征編碼，得到一幅現(xiàn)有l(wèi)bp特征圖，實際編碼中，每類病變的細胞具有多種多樣的狀態(tài)，按照細胞大小、局部特征的改變可對每類病變的細胞進行編碼，得到各自對應的現(xiàn)有l(wèi)bp特征圖。

步驟104、病變特征歸類及云存儲：采用處理器2-6將步驟103中提取并編碼的一組獨特參數(shù)記為第υ類病變類型的一種編碼數(shù)據(jù)，并通過子系統(tǒng)通信模塊2-4將該病變類型及編碼數(shù)據(jù)上傳至云端服務平臺1，保存在該病變類型的病變數(shù)據(jù)庫集合jυ內(nèi)；

實際操作中，按照類區(qū)分現(xiàn)有病變部分圖像，將屬于一類的現(xiàn)有病變部分圖像集合保存在云端服務平臺1中，按照同樣的過程實現(xiàn)大量的現(xiàn)有病變部分圖像病變特征歸類，建立病變病理專家數(shù)據(jù)庫，操作簡單，無需或僅有少量的細胞學診斷經(jīng)驗，即可完成系統(tǒng)質(zhì)控。

步驟105、多次重復步驟101至步驟104，建立病變病理專家數(shù)據(jù)庫；

步驟二、病變病理數(shù)據(jù)分析：通過每個病理檢測分析子系統(tǒng)2實時采集并處理病變檢測中心獲取的現(xiàn)場病變病理切片數(shù)字化圖像，得到該現(xiàn)場病變病理切片數(shù)字化圖像的病變特征類型后實時上傳至云端服務平臺1進行病變特征類型的比對，其中，每個病理檢測分析子系統(tǒng)2對病變特征類型的處理方法均相同；

需要說明的是，國內(nèi)外大中小醫(yī)院、醫(yī)療機構(gòu)、體檢中心每天均會采集到各類的現(xiàn)場病變病理切片數(shù)字化圖像，需要定量檢測和識別出各類癌細胞，可通過位于各個不同醫(yī)院、醫(yī)療機構(gòu)、體檢中心中設置的病理檢測分析子系統(tǒng)2同時對各自現(xiàn)場新獲取的現(xiàn)場病變病理切片數(shù)字化圖像進行識別，出具檢測報告結(jié)果，通過處理器2-6自動診斷，自動化分析，減輕專業(yè)醫(yī)生工作強度，同時可對新出現(xiàn)的病變類型進行提示，客觀準確，提高陽性檢出率，有效降低漏檢，同時避免可能造成的漏診。

采用任意一個病理檢測分析子系統(tǒng)2進行現(xiàn)場病變病理切片數(shù)字化圖像的病變特征類型的處理時，過程如下：

步驟201、待查現(xiàn)場病變病理切片數(shù)字化圖像的獲?。和ㄟ^玻璃切片承載病變?nèi)芤海ㄟ^顯微鏡掃描儀2-1對所述玻璃切片進行掃描和無縫拼接，生成全視野的現(xiàn)場病變病理切片數(shù)字化圖像，并將全視野的現(xiàn)場病變病理切片數(shù)字化圖像導入處理器2-6；

步驟202、現(xiàn)場病變病理切片數(shù)字化圖像預處理：處理器2-6將接收到的現(xiàn)場病變病理切片數(shù)字化圖像調(diào)入存儲器2-5中進行預處理，首先，通過處理器2-6根據(jù)病理特征庫分別確定現(xiàn)場病變圖像的病變邊界線，根據(jù)所確定的病變邊界線將現(xiàn)場病變部分圖像從所述現(xiàn)場病變病理切片數(shù)字化圖像中分離出來，獲得現(xiàn)場病變部分圖像；然后，處理器2-6采用基于商圖象的標定增強方法對所分離出來的現(xiàn)場病變部分圖像進行灰度標定及增強處理；最后，處理器2-6對經(jīng)灰度標定及增強處理后的現(xiàn)場病變部分圖像進行歸一化處理，將現(xiàn)場病變部分圖像的封閉區(qū)域線性拉伸為矩形區(qū)域，獲得現(xiàn)場矩形病變部分圖像；

步驟203、現(xiàn)場病變特征提取并比對：采用處理器2-6從所述現(xiàn)場矩形病變部分圖像中提取出能代表并區(qū)別該現(xiàn)場矩形病變部分圖像的一組獨特參數(shù)，并將該組獨特參數(shù)與病變類型比對，過程如下：

步驟2031、任意選取現(xiàn)場矩形病變部分圖像的局部區(qū)域的彎曲度cρ，其中，ρ∈i；

步驟2032、根據(jù)選取的現(xiàn)場矩形病變部分圖像的局部區(qū)域的彎曲度cρ，采用2d-gabor濾波器對經(jīng)步驟202中預處理后現(xiàn)場矩形病變部分圖像進行濾波處理，獲得現(xiàn)場濾波后病變部分圖像其中，i'(x,y)表示濾波前的現(xiàn)場病變部分圖像；

步驟2033、多次重復步驟2031至2032，遍歷病變類型的所有類型，觀察現(xiàn)場濾波后病變部分圖像形態(tài)，當任意一種現(xiàn)場濾波后病變部分圖像形態(tài)與現(xiàn)場矩形病變部分圖像形態(tài)一致時，確定該現(xiàn)場矩形病變部分圖像局部區(qū)域的彎曲度cρ，執(zhí)行步驟204；當現(xiàn)場濾波后病變部分圖像形態(tài)均與現(xiàn)場矩形病變部分圖像形態(tài)不一致時，執(zhí)行步驟三；

需要說明的是，將濾波前的現(xiàn)場病變部分圖像采用當前病變病理專家數(shù)據(jù)庫已有的彎曲度進行濾波匹配，獲取與現(xiàn)場矩形病變部分圖像形態(tài)一致現(xiàn)場濾波后病變部分圖像形態(tài)，確定患者患病類型，當任意一種現(xiàn)場濾波后病變部分圖像形態(tài)與現(xiàn)場矩形病變部分圖像形態(tài)一致時，給出該患者患病類型，當現(xiàn)場濾波后病變部分圖像形態(tài)均與現(xiàn)場矩形病變部分圖像形態(tài)不一致時，說明出現(xiàn)了新的病變類型。

步驟204、現(xiàn)場病變特征編碼：采用lbp算法并通過測量0和1跳變的次數(shù)來對經(jīng)2d-gabor濾波器濾波且歸類后的現(xiàn)場病變部分圖像進行l(wèi)bp編碼，并對所述現(xiàn)場病變部分圖像中的每個像素點求其lbp特征編碼，得到一幅現(xiàn)場lbp特征圖；

步驟205、現(xiàn)場病變特征匹配：采用處理器2-6將步驟204中編碼得到的現(xiàn)場lbp特征圖與在云端服務平臺1中保存的該病變類型的病變數(shù)據(jù)庫集合jρ內(nèi)的病變特征參數(shù)進行匹配，通過云端服務平臺1與處理器2-6的通信，出具病變病理數(shù)據(jù)分析報告；

步驟三、擴充病變病理專家數(shù)據(jù)庫：通過人工檢測方法獲取該現(xiàn)場濾波后病變部分圖像局部區(qū)域的彎曲度ci+1和該現(xiàn)場濾波后病變部分圖像的現(xiàn)場lbp特征圖，建立新的病變類型，記為第i+1類病變類型，并通過子系統(tǒng)通信模塊2-4將該病變類型及編碼數(shù)據(jù)上傳至云端服務平臺1擴充病變病理專家數(shù)據(jù)庫，保存在該病變類型的病變數(shù)據(jù)庫集合ji+1內(nèi)，i+1類病變類型為當前病變類型總數(shù)，將病變類型i+1類視為更新后的病變類型編號i循環(huán)步驟二。

需要說明的是，當出現(xiàn)了新的病變類型時，采用人工檢測方法獲取新的該現(xiàn)場濾波后病變部分圖像局部區(qū)域的彎曲度ci+1，彎曲度ci+1不包含在i類病變類型彎曲度集合中，本實施例中，i取12時，i類病變類型彎曲度集合為{c1，c2，…，c12}，則該現(xiàn)場濾波后病變部分圖像局部區(qū)域的彎曲度為c13，記為第13類病變類型，將該現(xiàn)場濾波后病變部分圖像局部區(qū)域進行l(wèi)bp編碼，向云端服務平臺1上傳新的病變類型及其lbp特征圖，并保存在該病變類型的病變數(shù)據(jù)庫集合j13內(nèi)，實現(xiàn)病變病理專家數(shù)據(jù)庫的擴充，此時當前病變類型總數(shù)為13，將13賦予i，自動更新i，當再一次出現(xiàn)新的病變類型時，i取13時，i類病變類型彎曲度集合為{c1，c2，…，c13}，則該現(xiàn)場濾波后病變部分圖像局部區(qū)域的彎曲度為c14，記為第14類病變類型并進行l(wèi)bp編碼，向云端服務平臺1上傳新的病變類型及其lbp特征圖，并保存在該病變類型的病變數(shù)據(jù)庫集合j14內(nèi)，實現(xiàn)病變病理專家數(shù)據(jù)庫的再一次擴充，依次類推，完善病變病理專家數(shù)據(jù)庫，維護簡單，使用效率高。

本實施例中，所述處理器2-6確定病變邊界線時，首先，確定病變的內(nèi)部基本特征，逐步擴張至病變的外部，最終形成封閉區(qū)域；然后，利用canny算子獲得病變區(qū)域的邊界，在所獲得病變區(qū)域的邊界中隨機選取多個點計算封閉區(qū)域內(nèi)對應病變的中心以及面積、長度和數(shù)量；

確定病變特征后再確定病變的區(qū)域，確定病變區(qū)域時，沿所述病變特征的水平方向向兩邊尋找，找到高斯濾波后灰度方差大于預設閾值的多個對應點，作為病變區(qū)域的邊界點，并且利用已找出的多個對應點計算外邊界線對應的面積、長度和數(shù)量，所述預設閾值為4～7。

本實施例中，所述的采用處理器2-6將步驟204中編碼得到的現(xiàn)場lbp特征圖與在云端服務平臺1中保存的該病變類型的病變數(shù)據(jù)庫集合jρ內(nèi)的病變特征參數(shù)進行匹配時，包括以下步驟：

步驟2051、剔除無效區(qū)域并形成完整有效的封閉區(qū)域：

利用公式codeavailable＝code∩maskobject∩masksample，找出對經(jīng)特征提取后的現(xiàn)場病變部分圖像即待測目標圖像和預先存儲在病變病理專家數(shù)據(jù)庫中的已知病變特征參數(shù)對應的已知類別病變標準圖像的共同有效區(qū)域；式中，code為編碼圖，maskobject待測目標圖像的lbp特征圖，masksample為已知類別病變標準圖像的lbp特征圖；

步驟2042、獲取特征矢量：先將待測目標圖像或已知類別病變標準圖像的多張?zhí)卣骶幋a圖中的共同區(qū)域均先轉(zhuǎn)換成列矢量，之后再將列矢量拼接成一個特征矢量，便可獲得待測目標圖像與已知類別病變標準圖像各自對應的特征向量；

步驟2043、降維：對步驟2042中所獲得的待測目標圖像與已知類別病變標準圖像各自對應的特征向量分別進行降維，即對各自所對應的特征矢量分別進行pca變換，選取能量達95％的系數(shù)所構(gòu)成的矢量的部分元素作為分類識別用特征；

步驟2044、分類識別：采用最小距離分類法將待測目標圖像的特征矢量x同預先存儲的所有已知類別病變標準圖像的特征矢量進行比較并相應進行分類，進行比較時，采用歸一化歐式對特征矢量x與第ρ類已知類別病變標準圖像特征向量間的距離進行測定，當且僅當成立時，所述待測目標圖像與第ρ類已知類別病變標準圖像匹配；否則，根據(jù)歸一化歐式對特征矢量x與第ρ類已知類別病變標準圖像特征向量間的距離閾值，對所述待測目標圖像添加標記類別，并將添加有標記類別的所述待測目標圖像進行云存儲；式中，ρ^*為待測目標圖像的特征矢量x與第ρ類已知類別病變標準圖像特征向量之間最小距離對應的編號，xl為待測目標圖像第l個特征的特征矢量，表示第ρ類已知類別病變標準圖像第l個特征的均值，表示第ρ類已知類別病變標準圖像第l個特征的標準方差。

本實施例中，首先通過處理器2-6從現(xiàn)場矩形病變部分圖像中提取出能代表并區(qū)別該現(xiàn)場矩形病變部分圖像的一組獨特參數(shù)，并將該組獨特參數(shù)與病變類型比對，采用彎曲度匹配病變類型后，進一步匹配具體病變特征時，采用最小距離分類法將待測目標圖像的特征矢量x同預先存儲的所有已知類別病變標準圖像的特征矢量進行比較并相應進行分類，當且僅當成立時，所述待測目標圖像與第ρ類已知類別病變標準圖像匹配，可出具具體的病理分析報告，否則，對該病變類型中的異常特征進行標記，出具具有對應標記的病理分析報告，通過人工檢測的方式得出對應的病理分析結(jié)果，避免人的主觀性強帶來的漏診事故，延誤治療的最佳時期，定量檢測和分析出各類癌細胞。

以上所述，僅是本發(fā)明的較佳實施例，并非對本發(fā)明作任何限制，凡是根據(jù)本發(fā)明技術實質(zhì)對以上實施例所作的任何簡單修改、變更以及等效結(jié)構(gòu)變化，均仍屬于本發(fā)明技術方案的保護范圍內(nèi)。