本申请涉及图像处理技术领域，特别涉及一种图像识别方法、装置、计算机设备、存储介质和计算机程序产品。所述图像识别方法包括：获取待识别病理图像；对待识别病理图像进行预处理，得到分片图像；将分片图像输入预先训练好的预测模型，得到预测融合分数；根据各分片图像对应的预测融合分数，得到待识别病理图像对应的融合识别结果。采用本方法能够细化靶点基因融合判断的粒度，提高预测精度，使得最终获取到的融合识别结果更准确，并且在加快检测速度的同时，还能够降低检测成本。还能够降低检测成本。还能够降低检测成本。
【技术实现步骤摘要】
图像识别方法、装置和计算机设备
[0001]本申请涉及图像处理
，特别是涉及一种图像识别方法、装置、计算机设备、存储介质和计算机程序产品。
技术介绍
[0002]神经营养因子受体络氨酸激酶(Neuro Trophin Receptor Kinase，NTRK)基因包括NTRK1、NTRK2和NTRK3，分别负责原肌球蛋白受体激酶(tropomyosin
‑
related kinase，TRK)家族蛋白TRKA、TRKB和TRKC的合成。TRK激酶被磷酸化后，能够激活下游信号分子，从而起到调节细胞增殖、分化、代谢、凋亡等作用。NTRK基因可以与其他不相关的基因发生融合，使得TRK融合蛋白处于持续活跃状态，导致TRK激酶的高表达或者TRK激酶活性持续升高，从而引发下游信号通路永久性级联反应，最终可能引起癌症的发生。
[0003]目前，有多种监测方法可用于检测NTRK基因融合突变，包括荧光原位杂交(FISH)、免疫组化(IHC)、荧光定量PCR(RT
‑
PCR)和高通量测序(NGS)等方法，但常见的检测方法通常耗时较长，这使得NTRK基因的融合检测效率不够高。
技术实现思路
[0004]基于此，有必要针对上述技术问题，提供一种能够提高基因融合检测效率的图像识别方法、装置、计算机设备、存储介质和计算机程序产品。
[0005]第一方面，本申请提供了一种图像识别方法，包括：
[0006]获取待识别病理图像；
[0007]对所述待识别病理图像进行预处理，得到分片图像；
[0008]将所述分片图像输入预先训练好的预测模型，得到预测融合分数；
[0009]根据各所述分片图像对应的预测融合分数，得到所述待识别病理图像对应的融合识别结果。
[0010]在其中一个实施例中，所述对所述待识别病理图像进行预处理，得到分片图像，包括：
[0011]对所述待识别病理图像进行通道转换；
[0012]将通道转换后的待识别病理图像进行中值模糊；
[0013]对中值模糊后的待识别病理图像进行阈值化处理，得到包含各像素点对应像素指示值的待识别病理图像；
[0014]按照预先设置的切分尺寸，对包含各像素点对应像素指示值的待识别病理图像进行切片处理，得到待筛选图像；
[0015]根据各所述待筛选图像中各像素点对应的像素指示值，计算各所述待筛选图像对应的图像分数；
[0016]将所述图像分数达到预设图像分数阈值的待筛选图像作为所述分片图像。
[0017]在其中一个实施例中，所述将所述分片图像输入预先训练好的预测模型，得到预
测融合分数之前，还包括：
[0018]对各所述分片图像进行染色标准化处理；
[0019]所述将所述分片图像输入预先训练好的预测模型，得到预测融合分数，包括：
[0020]将染色标准化处理后的分片图像输入预先训练好的预测模型，得到预测融合分数。
[0021]在其中一个实施例中，所述预测模型包含特征提取模型和融合分数预测模型；
[0022]所述将所述分片图像输入预先训练好的预测模型，得到预测融合分数，包括：
[0023]将所述分片图像分别输入所述特征提取模型，得到各所述分片图像对应的特征向量；
[0024]将各所述分片图像对应的特征向量输入所述融合分数预测模型，得到各所述分片图像对应的预测融合分数。
[0025]在其中一个实施例中，所述根据各所述分片图像对应的预测融合分数，得到所述待识别病理图像对应的融合识别结果，包括：
[0026]根据各所述分片图像对应的预测融合分数，计算所述待识别病理图像对应的融合分数；
[0027]根据所述融合分数和预先设置的融合阈值，确定所述待识别病理图像对应的融合识别结果。
[0028]在其中一个实施例中，所述根据所述融合分数和预先设置的融合阈值，确定所述待识别病理图像对应的融合识别结果，包括：
[0029]当所述融合分数达到所述融合阈值时，确定所述待识别病理图像对应的融合识别结果为发生靶点基因融合；
[0030]当所述融合分数未达到所述融合阈值时，确定所述待识别病理图像对应的融合识别结果为未发生靶点基因融合。
[0031]第二方面，本申请还提供了一种图像识别装置，包括：
[0032]获取模块，用于获取待识别病理图像；
[0033]第一处理模块，用于对所述待识别病理图像进行预处理，得到分片图像；
[0034]第二处理模块，用于将所述分片图像输入预先训练好的预测模型，得到预测融合分数；
[0035]第三处理模块，根据各所述分片图像对应的预测融合分数，得到所述待识别病理图像对应的融合识别结果。
[0036]第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一实施例所述的图像识别方法。
[0037]第四方面，本申请还提供了一种计算机可读存储介质。所述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上述任一实施例所述的图像识别方法。
[0038]第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序产品被处理器执行时实现上述任一实施例所述的图像识别方法。
[0039]上述图像识别方法、装置、计算机设备、存储介质和计算机程序产品，能够通过将
待识别病理图像进行分解，细化靶点基因融合判断的粒度，将一张待识别病理图像分割多个分片图像分别采用神经网络进行预测，提高了预测精度，使得最终获取到的融合识别结果更准确，并且采用神经网络来获取NTRK基因融合变异的可能性，不仅加快了检测速度，还降低了检测成本。
附图说明
[0040]图1为一个实施例中图像识别方法的应用环境图；
[0041]图2为一个实施例中图像识别方法的流程示意图；
[0042]图3为一个实施例中图像识别方法的流程示意图；
[0043]图4为一个实施例中图像识别方法的流程示意图；
[0044]图5为一个实施例中图像识别方法的流程示意图；
[0045]图6为一个实施例中图像识别方法的流程示意图；
[0046]图7为一个实施例中图像识别方法的流程示意图；
[0047]图8为一个实施例中图像识别装置的结构框图；
[0048]图9为一个实施例中图像识别装置中第一处理模块的结构框图；
[0049]图10为一个实施例中图像识别装置的结构框图；
[0050]图11为一个实施例中图像识别装置中第二处理模块的结构框图；
[0051]图12为一个实施例中图像识别装置中第三处理模块的结构框图；
[0052]图13为一个实施例中计算机设备的内部结构图。
具体实施方式
[0053]为了使本申请的目的、技本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种图像识别方法，其特征在于，包括：获取待识别病理图像；对所述待识别病理图像进行预处理，得到分片图像；将所述分片图像输入预先训练好的预测模型，得到预测融合分数；根据各所述分片图像对应的预测融合分数，得到所述待识别病理图像对应的融合识别结果。2.根据权利要求1所述的方法，其特征在于，所述对所述待识别病理图像进行预处理，得到分片图像，包括：对所述待识别病理图像进行通道转换；将通道转换后的待识别病理图像进行中值模糊；对中值模糊后的待识别病理图像进行阈值化处理，得到包含各像素点对应像素指示值的待识别病理图像；按照预先设置的切分尺寸，对包含各像素点对应像素指示值的待识别病理图像进行切片处理，得到待筛选图像；根据各所述待筛选图像中各像素点对应的像素指示值，计算各所述待筛选图像对应的图像分数；将所述图像分数达到预设图像分数阈值的待筛选图像作为所述分片图像。3.根据权利要求2所述的方法，其特征在于，所述将所述分片图像输入预先训练好的预测模型，得到预测融合分数之前，还包括：对各所述分片图像进行染色标准化处理；所述将所述分片图像输入预先训练好的预测模型，得到预测融合分数，包括：将染色标准化处理后的分片图像输入预先训练好的预测模型，得到预测融合分数。4.根据权利要求1所述的方法，其特征在于，所述预测模型包含特征提取模型和融合分数预测模型；所述将所述分片图像输入预先训练好的预测模型，得到预测融合分数，包括：将所述分片图像分别输入所述特征提取模型，得到各所述分片图像对应的特征向量；将各所述分片图像对应的特征向量输入所述融合分数预测模型，得到各所述分片图像对应的预测融合分数。5....
【专利技术属性】
技术研发人员：王凯，施国邦，
申请(专利权)人：上海至本医学检验所有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。