开云优惠体育网页版入口

一种切片图像处理方法

本发明提供一种切片图像处理方法，包括：获取数字病理图像，并对所述数字病理图像进行切片，确定切片图像；基于预设的智能终端，识别切片图像中的图像元素是否为异常病变，并将图像元素为异常病变的切片图像进行标记和筛。范ū昙乔衅枷瘢皇侗鸩⑻崛”昙乔衅枷竦奶卣餍畔，并根据所述特征信息，建立索引树，根据所述索引树，抓取大数据平台中的节点，并将所述标记切片图像传输并存储至所述节点，确定存储节点；将所述存储节点上传至预设的云端，并进行层次划分，确定划分结果。

专利类型：发明专利

专利申请号：CN202110793795.6

专利申请（专利权）人：内蒙古匠艺开云优惠体育网页版入口有限责任公司
权利人地址：内蒙古自治区乌海市海勃湾区千里山东街北四街坊金鑫佳园2号楼100号

专利发明（设计）人：张捷,石胜军,郭世政,林小卿

主权利要求:一种切片图像处理方法
技术领域
[0001] 本发明涉及切片图像技术领域，特别涉及一种切片图像处理方法。
[0002] 区域技术
[0003] 目前，病理诊断一般都以图像作为依据对病人的诊断做出判断，近些年来，结合高速发展的互联网时代，传统的病理诊断工作模式发生巨大的变化，切片图像提供了一种高分辨率、全切片的数字图像，但是目前而言，大型综合医院的玻璃切片多达十几万张，工作量巨大，目前的病理图像很难满足巨大的图像数据存储和调阅，所以在处理图片的时候对重要的图像数据进行人工一一筛选和建立索引，十分耗时耗力，此外，对病理图像进行处理的时候，需要很清晰的画质才能确保精准的病理位置的确定，但往往由于处理量过大，医院的处理系统往往出现卡机，电脑宕机，程序崩溃，或者时间处理过长。
发明内容
[0004] 本发明提供一种切片图像处理方法，以解决上述背景技术中出现的问题。
[0005] 本发明提供一种切片图像处理方法，其特征在于，包括：
[0006] 获取数字病理图像，并对所述数字病理图像进行切片，确定切片图像；
[0007] 基于预设的智能终端，识别切片图像中的图像元素是否为异常病变，并将图像元素为异常病变的切片图像进行标记和筛。范ū昙乔衅枷瘢
[0008] 识别并提取标记切片图像的特征信息，并根据所述特征信息，建立索引树；
[0009] 根据所述索引树，抓取大数据平台中的节点，并将所述标记切片图像传输并存储至所述节点，确定存储节点。
[0010] 作为本技术方案的一种实施例，所述获取数字病理图像，并对所述数字病理图像进行切片，确定切片图像，包括：
[0011] 获取切片尺寸规格；
[0012] 获取数字病理图像，按照所述切片尺寸规格，切割所述数字病理图像，确定图像切片；
[0013] 对所述图像切片标注顺序，确定顺序号；
[0014] 根据所述顺序号，处理所述图像切片，确定切片图像。
[0015] 作为本技术方案的一种实施例，基于预设的智能终端，识别切片图像中的图像元素是否为异常病变，包括：
[0016] 识别切片图像中的图像元素，判断所述数字病理图像的图像元素是否为异常病变，确定判断结果；
[0017] 当所述判断结果为所述切片图像的图像元素正常，将正常的切片图像压缩并备份；
[0018] 当所述判断结果为所述切片图像的图像元素异常，确定标记切片图像。
[0019] 作为本技术方案的一种实施例，所述当所述判断结果为所述切片图像的图像元素异常时，确定标记切片图像，包括：
[0020] 获取并记录异常的切片图像的顺序号；
[0021] 根据所述顺序号，筛选图像元素为异常病变的切片图像，确定筛选切片图像；
[0022] 识别筛选切片图像的异常图像元素，记录并标记病变位置；
[0023] 对所述筛选切片图像的病变位置进行降噪和孤立处理，并增强画质，确定异常病变部位切片；
[0024] 采集异常病变部位切片对应的顺序号，并根据对应的顺序号，对异常病变部位切片进行标记，确定标记切片图像。
[0025] 作为本技术方案的一种实施例，所述识别筛选切片图像的异常图像元素，记录并标记病变位置，包括：
[0026] 通过预设的图像识别系统，处理所述图像切片，确定所述图像切片中的有效区域和无效区域；
[0027] 基于非极大值抑制，排除重复检测区域，确定切片级别的细胞检测数据；
[0028] 将所述细胞检测数据传输至图像识别系统，基于预设的深度学习算法，检测有效区域中病变细胞的病变种类；
[0029] 对病变细胞的病变种类进行记录，同时标记病变位置。
[0030] 作为本技术方案的一种实施例，所述通过预设的图像识别系统，处理所述图像切片，确定所述图像切片中的有效区域和无效区域，包括：
[0031] 步骤A1：通过预设的图像识别系统，处理所述图像切片，对图像切片的区域面积建立检测模型：
[0032]
[0033] 其中，所述图像切片的尺寸为size*Size，size代表图像切片的长度，Size代表图像切片的宽度，代表图像切片的宽度移动的像素点，θ代表图像切片的长度移动的像素点， 代表移动后的图像切片的灰度值， 为长为 宽为θ的像素点的灰度值，wQ,q代表在图像切片集合中正在检测的图像切片窗口为q，Q代表所有待检测的图像切片集合，q∈Q，S(size,Size)代表关于尺寸为size*Size图像切片的检测模型；

[0034] 步骤A2：通过所述检测模型，建立关于有效区域的响应函数：
[0035]
[0036] 其中，S代表检测模型，Gsize代表图像切片的水平灰度值，GSize代表图像切片的垂直灰度值，t(S(size,Size))代表尺寸为size*Size图像切片的轨迹；
[0037] 步骤A3：根据所述响应函数，辨别所述图像切片中的有效区域，并同时确定无效区域。
[0038] 作为本技术方案的一种实施例，所述识别并提取标记切片图像的特征信息，并根据所述特征信息，建立索引树，包括：
[0039] 获取标记切片图像；
[0040] 追溯所述标记切片图像的特征信息，根据所述特征信息，建立检索标签；
[0041] 对所述检索标签进行优先级排级，确定优先等级；
[0042] 通过所述优先等级和检索标签，建立索引树。
[0043] 作为本技术方案的一种实施例，所述追溯所述标记切片图像的特征信息，根据所述特征信息，建立检索标签，包括：
[0044] 基于预设的深度神经学习机制，对标记切片图像进行数据特征提。范ㄌ卣餍畔ⅲ
[0045] 对所述特征信息进行过滤，并将过滤后的特征信息压缩和简化，提炼特征数据；
[0046] 根据所述特征数据，建立标记切片图像的检索标签。
[0047] 作为本技术方案的一种实施例，所述对所述检索标签进行优先级排级，确定优先等级，还包括：
[0048] 步骤S1：获取检索标签的特征数据，并采集所述特征数据的重要度评分：
[0049] score＝min(∑(zu,x?Zu,y)2+μ||xi||2+μ||yj||2)
[0050] 其中，score代表特征数据的重要度评分，zu,x代表用户对检索标签的兴趣度，u为用户的标识符号，x为实时采集的检索标签的特征数据，xi代表实时采集的第i个检索标签的特征数据，i＝1,2,…,n,n代表实时采集的特征数据的总个数，Zu,y代表用户对检索标签的历史兴趣度，yj代表历史检索标签的特征数据，μ代表关于分数的可测示性函数，j＝1,2,…,m,m代表历史采集的特征数据的总个数；

[0051] 步骤S2：统计用户通过检索标签，进行检索的检索概率：
[0052]
[0053] 其中，ρ代表检索概率，Gk,x代表检索标签的第k个特征数据和检索次数f的关联数据，k＝1,2,…,K，K代表检索标签的特征数据的总个数，f(k)为统计检索标签的第k个特征数据的检索次数的检索函数，gk,y代表历史检索标签的特征数据和历史检索次数的历史关联扰动值，α代表概率影响因素的影响浮动值；gk,y代表历史关联数据，β代表历史影响浮动值，H0代表预设的预测关联度；
[0054] 步骤S3：通过所述检索概率和重要度评分，构建优先级排级计算框架：
[0055] L＝min∑In(1+ρ?1)+μargmax∑(escore?eρ)
[0056] 其中，L代表优先级排级计算框架；
[0057] 步骤S4：根据所述优先级排级计算框架，对检索标签进行优先级排级，确定优先等级。
[0058] 作为本技术方案的一种实施例，所述根据所述索引树，抓取大数据平台中的节点，并将所述标记切片图像传输并存储至所述节点，确定存储节点，包括：
[0059] 获取大数据平台中的节点；
[0060] 获取病理切片图像的顺序号，并确定顺序号和病理切片数据的对应关系；
[0061] 按照所述对应关系，将所述病理切片数据传输至所述节点，确定存储节点；
[0062] 根据所述索引树，采集对应连接关系，并根据所述连接关系，连接所述节点，并确定对应的拓扑连接结构；
[0063] 按照所述拓扑连接结构，将所述标记图像传输并存储至所述节点，确定存储节点。
[0064] 本发明的有益效果如下：本发明提供一种切片图像处理方法，通过建立数字病理图像的索引信息，对数字病理图像加以压缩保存，减少存储空间，然后对病理图像进行基于深度学习的算法计算，在较短的时间内给出细胞病理图像的人工智能分析结果，实现病变细胞检测定位以及整块切片诊断数据的辅助诊断功能。
[0065] 本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
[0066] 下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
[0067] 附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
[0068] 图1为本发明实施例中一种切片图像处理方法；
[0069] 图2为本发明实施例中一种切片图像处理方法；
[0070] 图3为本发明实施例中一种切片图像处理方法。
具体实施方式
[0071] 以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
[0072] 需说明的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0073] 实施例1：
[0074] 根据图1所示，本发明提供一种切片图像处理方法，其特征在于，包括：
[0075] 获取数字病理图像，并对所述数字病理图像进行切片，确定切片图像；
[0076] 基于预设的智能终端，识别切片图像中的图像元素是否为异常病变，并将图像元素为异常病变的切片图像进行标记和筛。范ū昙乔衅枷瘢
[0077] 识别并提取标记切片图像的特征信息，并根据所述特征信息，建立索引树；
[0078] 根据所述索引树，抓取大数据平台中的节点，并将所述标记切片图像传输并存储至所述节点，确定存储节点。
[0079] 上述技术方案的工作原理为：
[0080] 本发明通过获取数字病理图像，识别并提取数字病理图像的特征信息，根据特征信息，建立索引树；基于预设的智能终端，识别切片图像中的图像元素是否为异常病变，并将图像元素为异常病变的数字病理图像进行标记和筛。范ū昙峭枷瘢桓菟鏊饕，抓取大数据平台中的节点，并将所述标记图像传输并存储至所述节点，确定存储节点；将所述存储节点传输至预设的智能终端进行切片和预处理，确定异常病变部位切片；将所述异常病变切片传输至部位进行后处理，生成目标切片图像。

[0081] 上述技术方案的有益效果为：
[0082] 本发明提供一种切片图像处理方法，通过建立数字病理图像的索引信息，对数字病理图像加以压缩保存，减少存储空间，然后对病理图像进行基于深度学习的算法计算，在较短的时间内给出细胞病理图像的人工智能分析结果，实现病变细胞检测定位以及整块切片诊断数据的辅助诊断功能。
[0083] 实施例2：
[0084] 根据图2所示，本技术方案提供了一种实施例，所述获取数字病理图像，并对所述数字病理图像进行切片，确定切片图像，包括：
[0085] 获取切片尺寸规格；
[0086] 获取数字病理图像，按照所述切片尺寸规格，切割所述数字病理图像，确定图像切片；
[0087] 对所述图像切片标注顺序，确定顺序号；
[0088] 根据所述顺序号，处理所述图像切片，确定切片图像。
[0089] 上述技术方案的工作原理和有益效果为：
[0090] 本技术方案通过获取数字病理图像，并对所述数字病理图像进行切片，确定切片图像，通过获取切片尺寸规格，获取数字病理图像，按照所述切片尺寸规格，切割所述数字病理图像，确定图像切片；对所述图像切片标注顺序，确定顺序号；根据所述顺序号，处理所述图像切片，确定切片图像，通过对数字病理切片的图像进行标记，确定序号，确定切片图像，从而为索引树提供原始数据，更好的进行标注。
[0091] 实施例3：
[0092] 本技术方案提供了一种实施例，基于预设的智能终端，识别切片图像中的图像元素是否为异常病变，包括：
[0093] 识别切片图像中的图像元素，判断所述数字病理图像的图像元素是否为异常病变，确定判断结果；
[0094] 当所述判断结果为所述切片图像的图像元素正常，将正常的切片图像压缩并备份；
[0095] 当所述判断结果为所述切片图像的图像元素异常，确定标记切片图像。
[0096] 上述技术方案的工作原理和有益效果为：
[0097] 本技术方案采集数字病理图像中的图像元素，对所述图像元素进行识别，确定数字病理图像中的病理部位；其中，所述病理部位为患者拍摄的显微镜下的病理组织细胞；通过和对应的预存部位图像进行特征识别，判断所述数字病理图像的图像元素是否为异常病变，确定判断结果；当所述判断结果为所述数字病理图像的图像元素正常，将正常的数字病理图像压缩并备份；当所述判断结果为所述数字病理图像的图像元素异常，并将图像元素显示异常病变的数字病理图像进行标记和筛。范ū昙峭枷，从而对有异常的图片进行标记，使得对重点的部分加以画质加强，减少了存储内容，提高了切片图像的处理效率。

[0098] 实施例4：
[0099] 本技术方案提供了一种实施例，所述当所述判断结果为所述切片图像的图像元素异常时，确定标记切片图像，包括：
[0100] 获取并记录异常的切片图像的顺序号；
[0101] 根据所述顺序号，筛选图像元素为异常病变的切片图像，确定筛选切片图像；
[0102] 识别筛选切片图像的异常图像元素，记录并标记病变位置；
[0103] 对所述筛选切片图像的病变位置进行降噪和孤立处理，并增强画质，确定异常病变部位切片；
[0104] 采集异常病变部位切片对应的顺序号，并根据对应的顺序号，对异常病变部位切片进行标记，确定标记切片图像。
[0105] 上述技术方案的工作原理为：
[0106] 本技术方案提供了一种实施例，基于预设的智能终端，识别数字病理图像中的图像元素是否为异常病变，并将图像元素显示异常病变的数字病理图像进行标记和筛。范ū昙峭枷，包括：采集数字病理图像中的图像元素，对所述图像元素进行识别，确定数字病理图像中的病理部位；其中，所述病理部位为患者拍摄的显微镜下的病理组织细胞；通过和对应的预存部位图像进行特征识别，判断所述数字病理图像的图像元素是否为异常病变，确定判断结果；当所述判断结果为所述数字病理图像的图像元素正常，将正常的数字病理图像压缩并备份；当所述判断结果为所述数字病理图像的图像元素异常，并将图像元素显示异常病变的数字病理图像进行标记和筛。范ū昙峭枷。
[0107] 上述技术方案的有益效果为：。
[0108] 实施例5：
[0109] 本技术方案提供了一种实施例，所述识别筛选切片图像的异常图像元素，记录并标记病变位置，包括：
[0110] 通过预设的图像识别系统，处理所述图像切片，确定所述图像切片中的有效区域和无效区域；
[0111] 基于非极大值抑制，排除重复检测区域，确定切片级别的细胞检测数据；
[0112] 将所述细胞检测数据传输至图像识别系统，基于预设的深度学习算法，检测有效区域中病变细胞的病变种类；
[0113] 对病变细胞的病变种类进行记录，同时标记病变位置。
[0114] 上述技术方案的工作原理和有益效果为：
[0115] 本技术方案通过识别筛选切片图像的异常图像元素，记录并标记病变位置，通过预设的图像识别系统，处理所述图像切片，确定所述图像切片中的有效区域和无效区域；基于非极大值抑制，排除重复检测区域，确定切片级别的细胞检测数据；将所述细胞检测数据传输至图像识别系统，基于预设的深度学习算法，检测有效区域中病变细胞的病变种类；对病变细胞的病变种类进行记录，同时标记病变位置。

[0116] 实施例6：
[0117] 本技术方案提供了一种实施例，所述通过预设的图像识别系统，处理所述图像切片，确定所述图像切片中的有效区域和无效区域，包括：
[0118] 步骤A1：通过预设的图像识别系统，处理所述图像切片，对图像切片的区域面积建立检测模型：
[0119]
[0120] 其中，所述图像切片的尺寸为size*Size，size代表图像切片的长度，Size代表图像切片的宽度，代表图像切片的宽度移动的像素点，θ代表图像切片的长度移动的像素点， 代表移动后的图像切片的灰度值， 为长为 宽为θ的像素点的灰度值，wQ,q代表在图像切片集合中正在检测的图像切片窗口为q，Q代表所有待检测的图像切片集合，q∈Q，S(size,Size)代表关于尺寸为size*Size图像切片的检测模型；

[0121] 步骤A2：通过所述检测模型，建立关于有效区域的响应函数：
[0122]
[0123] 其中，S代表检测模型，Gsize代表图像切片的水平灰度值，GSize代表图像切片的垂直灰度值，t(S(size,Size))代表尺寸为size*Size图像切片的轨迹；
[0124] 步骤A3：根据所述响应函数，辨别所述图像切片中的有效区域，并同时确定无效区域。
[0125] 上述技术方案的工作原理和有益效果为：
[0126] 本技术方案本通过预设的图像识别系统，处理所述图像切片，确定所述图像切片中的有效区域和无效区域，在识别系统进行识别的过程中，包括通过预设的图像识别系统，处理所述图像切片，对图像切片的区域面积建立检测模型S(size,Size)，通过所述检测模型，建立关于有效区域的响应函数G，根据所述响应函数，辨别所述图像切片中的有效区域，并同时确定无效区域，通过对图像切片的识别，确定病患需要检测的部位位置，并对待检测的部位位置进行
[0127] 实施例7：
[0128] 本技术方案提供了一种实施例，所述识别并提取标记切片图像的特征信息，并根据所述特征信息，建立索引树，包括：
[0129] 获取标记切片图像；
[0130] 追溯所述标记切片图像的特征信息，根据所述特征信息，建立检索标签；
[0131] 对所述检索标签进行优先级排级，确定优先等级；
[0132] 通过所述优先等级和检索标签，建立索引树。
[0133] 上述技术方案的工作原理和有益效果为：
[0134] 本技术方案获取数字病理图像，识别并提取数字病理图像的来源信息，并根据所述来源信息，建立索引树，包括：获取数字病理图像；追溯所述数字病理图像的特征信息，基于预设的深度神经学习机制，对数字病理图像进行数据特征读。范ㄌ卣餍畔，其中，所述特征信息可以包括记录信息和时间信息；其中，所述记录信息可以包括负责医生、医院科室和患者信息，可以通过用户的自行设置，或者从用户的行为中挖掘到的行为数据，确定特征信息，对所述特征信息进行过滤，并将过滤后的特征信息压缩和简化，提炼特征数据；根据所述数据特征数据，生成检索标签。
[0135] 根据所述特征信息，建立检索标签；对所述检索标签进行优先级排级，确定优先等级；通过所述优先等级和检索标签，建立索引树。
[0136] 实施例8：
[0137] 本技术方案提供了一种实施例，所述追溯所述标记切片图像的特征信息，根据所述特征信息，建立检索标签，包括：
[0138] 基于预设的深度神经学习机制，对标记切片图像进行数据特征提。范ㄌ卣餍畔ⅲ
[0139] 对所述特征信息进行过滤，并将过滤后的特征信息压缩和简化，提炼特征数据；
[0140] 根据所述特征数据，建立标记切片图像的检索标签。
[0141] 上述技术方案的工作原理和有益效果为：
[0142] 本技术方案通过追溯所述标记切片图像的特征信息，根据所述特征信息，建立检索标签，基于预设的深度神经学习机制，对标记切片图像进行数据特征提。范ㄌ卣餍畔，由于一张图片的特征信息要素过多且过于复杂，所以需要基于深度神经学习机制对不同特征信息中不重要的特征信息进行过滤，并将过滤后的特征信息压缩和简化，提炼特征数据，特征数据是获取到的主要特征信息的数据化的拟合，根据所述特征数据，建立标记切片图像的检索标签，将标志性的数据进行标签建立，是切片图像具有唯一标志的检索标签，保证了医生在庞大的数据病例图片中可以迅速按照索引查找到切片图像，提高了数字病理切片的处理效率，便捷了查找数字病理图片的步骤。
[0143] 实施例9：
[0144] 本技术方案提供了一种实施例，所述对所述检索标签进行优先级排级，确定优先等级，还包括：
[0145] 步骤S1：获取检索标签的特征数据，并采集所述特征数据的重要度评分：
[0146] score＝min(∑(zu,x?Zu,y)2+μ||xi||2+μ||yj||2)
[0147] 其中，score代表特征数据的重要度评分，zu,x代表用户对检索标签的兴趣度，u为用户的标识符号，x为实时采集的检索标签的特征数据，xi代表实时采集的第i个检索标签的特征数据，i＝1,2,…,n,n代表实时采集的特征数据的总个数，Zu,y代表用户对检索标签的历史兴趣度，yj代表历史检索标签的特征数据，μ代表关于分数的可测示性函数，j＝1,2,…,m,m代表历史采集的特征数据的总个数；

[0148] 步骤S2：统计用户通过检索标签，进行检索的检索概率：
[0149]
[0150] 其中，ρ代表检索概率，Gk,x代表检索标签的第k个特征数据和检索次数f的关联数据，k＝1,2,…,K，K代表检索标签的特征数据的总个数，f(k)为统计检索标签的第k个特征数据的检索次数的检索函数，gk,y代表历史检索标签的特征数据和历史检索次数的历史关联扰动值，α代表概率影响因素的影响浮动值；gk,y代表历史关联数据，β代表历史影响浮动值，H0代表预设的预测关联度；
[0151] 步骤S3：通过所述检索概率和重要度评分，构建优先级排级计算框架：
[0152] L＝min∑In(1+ρ?1)+μargmax∑(escore?eρ)
[0153] 其中，L代表优先级排级计算框架；
[0154] 步骤S4：根据所述优先级排级计算框架，对检索标签进行优先级排级，确定优先等级。
[0155] 上述技术方案的工作原理和有益效果为：
[0156] 本技术方案对所述检索标签进行优先级排级，确定优先等级，获取检索标签的特征数据，并采集所述特征数据的重要度评分score，统计用户通过检索标签，进行检索的检索概率ρ，通过所述检索概率和重要度评分，构建优先级排级计算框架L：因为只凭重要评分无法去断定是紧急需要使用的标签，所以这时候还需要获取客户的检索概率，通过历史的记录，进行延伸学习，从而获取到的客户检索的概率，根据所述优先级排级计算框架，对检索标签进行优先级排级，确定优先等级，通过优先等级，便可以对检索标签进行优先级排序，提供了一种智能灵活、鲁棒性强的数字病理图像的处理方法。
[0157] 实施例10：
[0158] 本技术方案提供了一种实施例，所述根据所述索引树，抓取大数据平台中的节点，并将所述标记切片图像传输并存储至所述节点，确定存储节点，包括：
[0159] 获取大数据平台中的节点；
[0160] 获取病理切片图像的顺序号，并确定顺序号和病理切片数据的对应关系；
[0161] 按照所述对应关系，将所述病理切片数据传输至所述节点，确定存储节点；
[0162] 根据所述索引树，采集对应连接关系，并根据所述连接关系，连接所述节点，并确定对应的拓扑连接结构；
[0163] 按照所述拓扑连接结构，将所述标记图像传输并存储至所述节点，确定存储节点。
[0164] 上述技术方案的工作原理和有益效果为：
[0165] 本技术方案根据所述索引树，抓取大数据平台中的节点，并将所述标记切片图像传输并存储至所述节点，确定存储节点，包括获取大数据平台中的节点，将过多的存储内容存储在云端上，减少介质的存储，可以通过对存储节点的划分，选定一级调用，二级调用等不同优先调用的媒介，从而将存储节点保存；获取病理切片图像的顺序号，并确定顺序号和病理切片数据的对应关系，按照所述对应关系，将所述病理切片数据传输至所述节点，确定存储节点，根据所述索引树，采集对应连接关系，并根据所述连接关系，连接所述节点，并确定对应的拓扑连接结构，利用索引树在空间中映射得到不同的节点存储，从而也对不同的节点按照所索引树的连接关系进行了连接，按照所述拓扑连接结构，将所述标记图像传输并存储至所述节点，确定存储节点，上传的时候还可以通过连接关系进行关联管理，保证了用户使用的便捷性，增加了数据病理切片调用的高效性。
[0166] 本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
[0167] 本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0168] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0169] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0170] 显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

专利地区：内蒙古

专利申请日期：2021-07-14

专利公开日期：2023-11-07

专利公告号：CN113488144B