一种病理样本包埋监测系统的制作方法

1.本发明涉及病理样本监测领域，特别是涉及一种病理样本包埋监测系统。


背景技术：

2.病理样本的最初形态是手术标本，进入病理科后，要经过采集、脱水、包埋后变成蜡块，然后经过切片变成玻片上厚度仅为4～6μm的组织，再经过染色、分发后放到显微镜下观察细胞形态的改变，整个流程环环相扣，每个步骤的操作过程对诊断结果都有十分重要的影响。
3.目前，对于包埋操作，通常是将样本组织放在样本盒中进行石蜡包埋，然后盒内的石蜡凝固成蜡块。病理样本的包埋完成后，包埋技术员通常采用如下方式实现信息的录入：采用扫码枪等扫码设备逐个扫描包埋盒，改变包埋盒的状态，即扫一个包埋盒，当前屏幕选中该条单据，显示已包埋，然后再扫描下一个包埋盒，前面一条数据被刷掉，当前包埋盒显示已包埋。该方式依赖人工，存在大量的重复性工作，不仅人工成本高、包埋效率低，而且无法实现对包埋操作流程的监控。


技术实现要素：

4.基于此，本发明实施例提供一种病理样本包埋监测系统，自动、批量改变包埋盒的状态信息，降低成本，提高包埋效率，并且能实时对包埋操作流程进行监控。
5.为实现上述目的，本发明提供了如下方案：
6.一种病理样本包埋监测系统，包括：
7.第一图像采集模块，用于实时监控第一操作台区域，获取待包埋样本盒内标本的标本视频图像；
8.标本监测模块，用于将所述标本视频图像与取材样本图像进行比对，确定各所述待包埋样本盒内的标本是否有样本组织丢失；
9.第二图像采集模块，用于实时监控第二操作台区域，获取已包埋样本盒的样本盒视频图像；
10.包埋状态监测模块，用于对所述样本盒视频图像中各所述已包埋样本盒进行定位和识别，并对识别出的已包埋样本盒的状态进行修改。
11.可选的，所述第一图像采集模块和所述第二图像采集模块均为相机。
12.可选的，所述病理样本包埋监测系统，还包括：
13.取材样本存储模块，用于存储取材样本图像；所述取材样本图像为取材操作时拍摄的各样本盒内的取材样本的图像。
14.可选的，所述病理样本包埋监测系统，还包括：
15.工作列表展示模块，用于展示各所述已包埋样本盒的状态。
16.可选的，所述病理样本包埋监测系统，还包括：
17.视频流推送模块，用于推送及显示所述待包埋样本盒内的标本是否有样本组织丢
失。
18.可选的，所述病理样本包埋监测系统，还包括：
19.监控显示模块，用于显示所述标本视频图像和所述样本盒视频图像。
20.可选的，所述包埋状态监测模块，具体包括：
21.样本盒定位单元，用于采用识别网络识别所述样本盒视频图像中各所述已包埋样本盒的位置，得到样本盒位置区域；
22.样本盒标签识别单元，用于对各所述样本盒位置区域上的标签信息进行识别，并将识别出的已包埋样本盒的状态修改为已包埋；所述标签信息包括二维码信息和/或文本信息。
23.可选的，所述标本监测模块，具体包括：
24.标准图像获取单元，用于获取各样本盒的取材样本图像；
25.包埋盒定位单元，用于采用识别网络识别所述标本视频图像中各待包埋样本盒的位置，得到包埋盒位置区域图像；
26.包埋盒标签识别单元，用于对各所述包埋盒位置区域图像上的标签信息进行识别，得到识别结果；所述标签信息包括二维码信息和/或文本信息；
27.匹配单元，用于根据所述识别结果确定与各所述包埋盒位置区域图像相匹配的取材样本图像；
28.比对单元，用于将各所述包埋盒位置区域图像分别与相匹配的取材样本图像进行比对，确定各所述待包埋样本盒内的标本是否有样本组织丢失。
29.与现有技术相比，本发明的有益效果是：
30.本发明实施例提出了一种病理样本包埋监测系统，采用第一图像采集模块和第二图像采集模块实时监控操作台区域，能获取到包含批量样本盒的标本视频图像和样本盒视频图像，通过包埋状态监测模块和标本监测模块实时对包埋操作流程进行监控，其中，包埋状态监测模块自动、批量的对已包埋样本盒的状态进行修改，相比逐个扫描的方式，大大降低了人工成本，提高了包埋效率，还能减少状态修改的错误率，标本监测模块确定各待包埋样本盒内的标本是否有样本组织丢失，保证了包埋样本的准确性。
附图说明
31.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
32.图1为本发明实施例提供的病理样本包埋监测系统的结构图。
具体实施方式
33.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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
34.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
35.实施例1
36.参见图1，本实施例的病理样本包埋监测系统，包括：
37.第一图像采集模块，用于实时监控第一操作台区域，获取待包埋样本盒内标本的标本视频图像。
38.标本监测模块，用于将标本视频图像与取材样本图像进行比对，确定各待包埋样本盒内的标本是否有样本组织丢失。该样本监测模块可以采用人工的方式将标本视频图像与取材样本图像进行比对，确定样本的样本组织是否有丢失，也可以通过计算机程序自动实现比对，确定是否有丢失。样本组织发生丢失的情况如：1号样本盒在取材阶段，拍摄的取材样本图像中含有三个样本组织，而在经过脱水操作后，在包埋之前，拍摄到的标本视频图像中只含有两个标本组织，则确定待包埋样本盒内的标本有样本组织丢失。
39.第二图像采集模块，用于实时监控第二操作台区域，获取已包埋样本盒的样本盒视频图像。
40.包埋状态监测模块，用于对样本盒视频图像中各已包埋样本盒进行定位和识别，并对识别出的已包埋样本盒的状态进行修改。
41.在一个示例中，第一图像采集模块和第二图像采集模块均为相机。具体的，第一图像采集模块和第二图像采集模块均为高分辨率相机。
42.在另一个示例中，病理样本包埋监测系统，还包括：
43.取材样本存储模块，用于存储取材样本图像；取材样本图像为取材操作时拍摄的各样本盒内的取材样本的图像。
44.本实施例的病理样本包埋监测系统，采用第一图像采集模块和第二图像采集模块实时监控操作台区域，能同时采集区域内所有样本盒的视频图像，得到到包含批量样本盒的标本视频图像和样本盒视频图像，包埋状态监测模块自动、批量的对已包埋样本盒的状态进行修改，大大降低了人工成本，提高了包埋效率，还能减少状态修改的错误率，标本监测模块确定各待包埋样本盒内的标本是否有样本组织丢失，保证了包埋样本的准确性。
45.实施例2
46.仍请参见图1，与前述实施例的不同之处在于，本实施例的病理样本包埋监测系统，还包括：
47.工作列表展示模块，用于展示各已包埋样本盒的状态。
48.视频流推送模块，用于推送及显示待包埋样本盒内的标本是否有样本组织丢失。
49.监控显示模块，用于显示标本视频图像和样本盒视频图像。
50.追溯模块，用于当在后续的切片操作发现样本出错时，调取标本监测模块的监测结果，以确定错误是否出现在包埋操作过程中。
51.用户身份识别模块，用于识别用户是否为注册用户，当识别成功后，进入工作列表展示模块和监控显示模块。该模块中的识别方式可以为验证码识别、人脸识别或指纹识别等。
52.数据校验模块，用于对所述监测结果进行核查。在实际应用中，还可以通过技术人员实现对监测结果的核查。
53.本实施例的病理样本包埋监测系统，实时对包埋操作流程进行监控，自动、批量改变包埋盒的状态信息，降低成本，提高包埋效率；能对样本盒的状态、样本是否有组织丢失、包埋操作过程中的实时视频图像进行显示，更加直观方便；需要进行身份验证，身份验证成功后才能进入系统，保证了系统的安全性；对监测结果进行校验，保证了监测的准确性。
54.实施例3
55.本实施例重点介绍包埋状态监测模块。
56.该状态监测模块，具体包括：
57.样本盒定位单元，用于采用识别网络识别样本盒视频图像中各已包埋样本盒的位置，得到样本盒位置区域。
58.位置识别的具体过程如下：抓取样本盒视频图像中的当前帧图像；对当前帧图像进行缩放操作，得到缩放图像；将缩放图像输入位置识别网络中，得到位置识别图像；再将位置识别图像映射到当前帧图像中，剪裁得到样本盒位置区域。其中，位置识别网络是将样本位置训练集输入卷积神经网络中进行训练得到的。
59.样本盒标签识别单元，用于对各样本盒位置区域上的标签信息进行识别，并将识别出的已包埋样本盒的状态修改为已包埋；标签信息包括二维码信息和/或文本信息。样本盒上的文本信息可以为病理号。
60.标签识别的具体过程如下：
61.1)识别开盖图像中的样本盒上的标签的信息类型；信息类型为二维码和/或文本。
62.2)搜索标签上的二维码区域，并对二维码区域进行解码操作，得到二维码标签信息，将与二维码标签信息对应的样本盒的状态修改为已包埋。
63.3)搜索标签上的文本区域，并采用文本识别算法对文本区域进行识别，得到文本标签信息，将与文本标签信息对应的样本盒的状态修改为已包埋。该步骤，具体的：
64.采用文本检测算法搜索标签上的文本区域。
65.采用端到端文本识别算法对文本区域进行识别，得到第一识别结果。
66.采用连通域方式对文本区域进行分割，并采用机器学习的方式对分割后的图像进行识别，得到第二识别结果。
67.采用卷积算法对文本区域中的文本分割点进行预测，得到分割字符，并采用机器学习算法对分割字符进行识别，得到第三识别结果。
68.对第一识别结果、第二识别结果和第三识别结果投票，得到文本标签信息。
69.将与文本标签信息对应的样本盒的状态修改为已包埋。
70.本实施例的病理样本包埋监测系统，基于不同的算法实现定位和识别，并且在文本识别过程中，分别采用端到端文本识别算法、基于连通域方式的机器学习算法以及基于卷积算法的机器学习算法分别进行识别，对不同的识别结果采用投票的方式处理，得到最后的识别结果，大大增加了包埋状态监测模块监测的准确性。
71.实施例4
72.本实施例重点介绍标本监测模块。
73.该标本监测模块通过计算机程序实现，标本监测模块具体包括：
74.标准图像获取单元，用于获取各样本盒的取材样本图像。
75.包埋盒定位单元，用于采用识别网络识别标本视频图像中各待包埋样本盒的位
置，得到包埋盒位置区域图像。
76.包埋盒标签识别单元，用于对各包埋盒位置区域图像上的标签信息进行识别，得到识别结果；标签信息包括二维码信息和/或文本信息。
77.匹配单元，用于根据识别结果确定与各包埋盒位置区域图像相匹配的取材样本图像。
78.比对单元，用于将各包埋盒位置区域图像分别与相匹配的取材样本图像进行比对，确定各待包埋样本盒内的标本是否有样本组织丢失。其中，所述将各包埋盒位置区域图像分别与相匹配的取材样本图像进行比对，确定各待包埋样本盒内的标本是否有样本组织丢失，具体为：
79.步骤一：采用预先训练好的分类器，对包埋盒位置区域图像进行分类识别，判断包埋盒中是否含有标本，若有标本，则继续执行步骤二。
80.步骤二：对取材样本图像和当前包埋盒位置区域图像做以下处理：1、对图像进行灰度变换；2、将灰度图进行滤波后进行二值化；3、采用局部自适应阈值分割算法对图像进行分割，获得标本轮廓。
81.步骤三：对步骤二得到的标本轮廓分别进行计数，比对两个图像中标本轮廓个数，若当前包埋盒位置区域图像中的标本轮廓个数不少于取材样本图中的标本轮廓个数，则判定样本组织未丢失。
82.需要说明的是，本实施例中包埋盒定位单元与实施例3中的样本盒定位单元采用的方法类似，包埋盒标签识别单元与实施例3中的样本盒标签识别单元采用的方法类似，在此不做赘述。
83.本实施例的病理样本包埋监测系统，基于不同的算法实现定位和识别，大大增加了标本监测模块监测的准确性。
84.本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
85.本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。