CN108334909B - 基于ResNet的***TCT数字切片数据分析*** - Google Patents

基于ResNet的***TCT数字切片数据分析*** Download PDF

Info

Publication number
CN108334909B
CN108334909B CN201810193842.1A CN201810193842A CN108334909B CN 108334909 B CN108334909 B CN 108334909B CN 201810193842 A CN201810193842 A CN 201810193842A CN 108334909 B CN108334909 B CN 108334909B
Authority
CN
China
Prior art keywords
tct
image
positive
resnet
module
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810193842.1A
Other languages
English (en)
Other versions
CN108334909A (zh
Inventor
吕艳洁
黄沈乾
李晶晶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Tiantian Smart Core Semiconductor Co Ltd
Original Assignee
Shanghai Tiantian Smart Core Semiconductor Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Tiantian Smart Core Semiconductor Co Ltd filed Critical Shanghai Tiantian Smart Core Semiconductor Co Ltd
Priority to CN201810193842.1A priority Critical patent/CN108334909B/zh
Publication of CN108334909A publication Critical patent/CN108334909A/zh
Application granted granted Critical
Publication of CN108334909B publication Critical patent/CN108334909B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于ResNet的***TCT数字切片数据分析***，包括获取患者的TCT玻片扫描图像，对TCT玻片扫描图像进行图像均匀切割，获得多个均匀切割后的图像块；将图像块依次输入到自动编码器提取特征，所提特征进一步输入单类SVM分类器中，提取出属于阳性区域的图像块；对提出的图像块进行预处理并将处理后的图像块输入到训练好的ResNet分类模型，获取图像块的病变置信度，预先设定置信度阈值，将病变置信度高于置信度阈值的图像块确定为阳性区域。本发明对***的TCT数字切片图像数据进行检测，与传统的***检测方法相比，可节省图像医疗诊断时间以及成本，提升诊疗准确率。

Description

基于ResNet的***TCT数字切片数据分析***
技术领域
本发明属于深度学习在医疗领域的应用，具体涉及一种基于ResNet的***TCT数字切片数据分析***。
背景技术
随着卷积神经网络的出现和深度神经网络的完善，近些年来基于深度学***已经可以开始对医疗健康领域做出贡献。
人工智能(AI)最大的特点就是学习快，基于深度学习的人工智能模型拥有随机参数的深度神经网络医学模型，然后把经过标注的数据对模型进行训练，出现误差后调整模型参数，再辅助以医学知识，通过大量的训练之后形成精准的医学辅助诊断模型，从而可以完成医学影像的判读。深度学习网络的深度对最后的分类和识别的效果有着很大的影响，所以正常想法就是能把网络设计的越深越好，但是事实上却不是这样，常规的网络的堆叠(plain network)在网络很深的时候，效果却越来越差了。这里其中的原因之一即是网络越深，梯度消失的现象就越来越明显，网络的训练效果也不会很好。但是现在浅层的网络(shallower network)又无法明显提升网络的识别效果了，所以要解决的问题就是怎样在加深网络的情况下又解决梯度消失的问题。ResNet引入了残差网络结构(residualnetwork)，通过残差网络，可以把网络层弄的很深，可以达到1000层以上，最终的网络分类的效果也是非常好。它对每层的输入做一个reference,学习形成残差函数，而不是学习一些没有reference的函数。这种残差函数更容易优化，能使网络层数大大加深。
***是常见的妇科恶性肿瘤之一，发病率在女性恶性肿瘤中居第二位，仅次于乳腺癌。***是世界上唯一病因明确的恶性肿瘤，高危型HPV持续感染是引起***的主要因素。目前，国内***筛查尚无统一的流程，有的医院是TCT+HPV联合筛查，有的则沿用单纯的宫颈刮片检查，多数进展为只做TCT检查，有的是先做HPV检测，TCT用来分流。
其中TCT(Thinprep cytologic test)是新柏氏液基细胞学检测的简称，是一种由美国Hologic公司于1996年获得FDA认证的液基细胞学检测产品。它采用液基薄层细胞检测***检测宫颈细胞并进行细胞学分类诊断，是目前国际上较先进的一种***细胞学检查技术，与传统的宫颈刮片巴氏涂片检查相比明显提高了标本的满意度及宫颈异常细胞检出率。
***是女性常见恶性肿瘤，其发病仅次于乳腺癌，居第二位，调查显示世界范围内的***新发病例有85％在经济欠发达地区。***筛查虽然大大减少了***的发病率与死亡率，但在发展中国家，***的发病率与死亡率仍比发达国家高。由于我国人口基数大、卫生资源短缺、病理医生缺乏，尤其是细胞病理学医生严重不足，导致缺乏足够人力去完成大量的***的TCT检测分析，因此快速准确地分析大量TCT数字切片成为***检测普及的关键瓶颈。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足提供一种基于ResNet的***TCT数字切片数据分析***，本发明基于ResNet的***TCT数字切片数据分析***使用ResNet对***的TCT数字切片数据进行检测，与传统的***检测方法相比，可节省图像医疗诊断时间以及成本，提升诊疗准确率。
为实现上述技术目的，本发明采取的技术方案为：
一种基于ResNet的***TCT数字切片数据分析***，包括:
编码器训练模块：用于获取宫颈TCT数字切片图像内的阳性区域，基于获取的阳性区域样本训练自动编码器，得到训练好的自动编码器；
分类器训练模块：用于将获取的阳性区域输入到训练好的自动编码器，获得阳性区域中的阳性特征，将多个阳性区域中的阳性特征作为样本对单类SVM分类器进行训练，得到训练好的单类SVM分类器；
ResNet分类模型训练模块：用于获取宫颈TCT数字切片图像内的阳性区域和宫颈TCT数字切片图像内的阴性区域，将多个阳性区域作为正样本，多个阴性区域作为负样本，对ResNet分类模型进行训练，得到训练好的ResNet分类模型；
图像切割模块：用于获取患者的TCT玻片扫描图像，对TCT玻片扫描图像进行图像均匀切割，获得多个均匀切割后的图像块；
特征提取模块：用于将所有的图像块输入到训练好的自动编码器内从而提取特征，所提的特征进一步输入单类SVM分类器中，从而提取出属于阳性区域的图像块，上述提取出的所有的图像块均判断为疑似阳性区域；
判断模块：对提取的图像块进行预处理并将处理后的图像块输入到训练好的ResNet分类模型，获取图像块的病变置信度，预先设定置信度阈值，将病变置信度高于置信度阈值的图像块判断为阳性区域。
作为本发明进一步改进的技术方案，所述的ResNet分类模型训练模块还用于：
a)获取宫颈TCT数字切片图像内的阳性区域和宫颈TCT数字切片图像内的阴性区域，多个阳性区域作为正样本，多个阴性区域作为负样本；
b)通过图像数据增强方法对正样本和负样本进行增强；
c)将正样本、负样本、增强后的正样本和增强后的负样本均作为ResNet分类模型的输入并进行训练，得到训练好的ResNet分类模型。
作为本发明进一步改进的技术方案，所述图像切割模块中的对TCT玻片扫描图像进行图像均匀切割为：遍历整个TCT玻片扫描图像维度，以步长为270像素且大小为300像素对TCT玻片扫描图像进行均匀切割。
作为本发明进一步改进的技术方案，所述判断模块中对提取的图像块进行预处理为对提取的图像块进行双边滤波处理和归一化处理。
本发明的有益效果为:
(1)本发明采用深度学习框架对患者的TCT玻片扫描图像的类别进行识别，降低了人工识别成本；而且本***采用大数据分析的方法对TCT玻片扫描图像进行分割、识别、获取、过滤等，只需要基于历史数据进行模型搭建，从一定程度上减轻了人工识别压力，也降低了人工判别***患病可能性的成本。
(2)本发明***提高了TCT玻片扫描图像的图像块(TCT数字切片)的识别效率。传统的识别方式是医生通过显微镜观察进行识别、鉴定等，识别时间长，而本发明则通过统计机器学习模型进行评估，不仅节约成本而且方便有效。
(3)本发明通过TCT玻片扫描图像的图像块(TCT数字切片)预测是否罹患***的方式优于传统方式。传统的识别方法是凭借医生的经验以及技术进行的，且很可能会因为人为因素发生误诊或者漏诊的问题，而采用基于机器学习的统计模型检测，在进一步提升识别准确率的同时能够防止外界因素的干扰，而且还能降低对识别人员的技术要求门槛。
附图说明
图1为本发明的工作流程图。
具体实施方式
下面根据图1对本发明的具体实施方式作出进一步说明：
参见图1，一种基于ResNet的***TCT数字切片数据分析***，包括:
(1)编码器训练模块：用于获取宫颈TCT数字切片图像内的阳性区域，其中宫颈TCT数字切片图像内的阳性区域由医生标注得到的，基于获取的阳性区域样本训练自动编码器，得到训练好的自动编码器；
(2)分类器训练模块：用于将获取的阳性区域输入到训练好的自动编码器，获得阳性区域中的阳性特征，将多个阳性区域中的阳性特征作为样本对单类SVM分类器进行训练，得到训练好的单类SVM分类器；
(3)ResNet分类模型训练模块：用于获取宫颈TCT数字切片图像内的阳性区域和宫颈TCT数字切片图像内的阴性区域，将多个阳性区域作为正样本，多个阴性区域作为负样本，对ResNet分类模型进行训练，得到训练好的ResNet分类模型；其中阴性区域也由医生标注得到的；
(4)图像切割模块：用于获取患者的TCT玻片扫描文件，利用openslide工具读取TCT玻片扫描文件，获得TCT玻片扫描图像，对TCT玻片扫描图像进行图像overlap均匀切割，获得多个均匀切割后的图像块；
(5)特征提取模块：用于图像过滤获得疑似阳性区域：将所有的图像块输入到训练好的自动编码器内从而提取特征，所提的特征进一步输入单类SVM分类器中，判断该图像块是否属于阳性区域的类别，从而提取出属于阳性区域类别的图像块，上述提取出的所有的图像块均判断为疑似阳性区域；
(6)判断模块：对提取的图像块进行预处理并将处理后的图像块输入到训练好的ResNet分类模型，获取图像块的病变置信度，预先设定置信度阈值，将病变置信度高于置信度阈值的图像块判断为真实的阳性区域，输出的阳性区域则进一步呈现给医生进行诊断。
所述的ResNet分类模型训练模块还用于：
a)获取宫颈TCT数字切片图像内的阳性区域和宫颈TCT数字切片图像内的阴性区域，多个阳性区域作为正样本，多个阴性区域作为负样本；
b)通过图像数据增强方法对正样本和负样本进行增强；
c)将正样本、负样本、增强后的正样本和增强后的负样本均作为ResNet分类模型的输入并进行训练，得到训练好的ResNet分类模型。
所述的图像切割模块中的对TCT玻片扫描图像进行图像均匀切割为：遍历整个TCT玻片扫描图像维度，以步长为270像素且大小为300像素对TCT玻片扫描图像进行均匀切割。
所述判断模块中对提取的图像块进行预处理为对提取的图像块进行双边滤波处理和归一化处理。
所述的ResNet分类模型的效果如下：
模型输入数据：TCT镜检图片；
数据集介绍：病变5385张，具体为：高度病变：2331张；低度病变：2464张；疑似病变：1027张；正常:5385张，本实施例中的病变属于阳性，正常属于阴性，因此训练样本共11207张图片，其中阴性样本(负样本)为5385张，阳性样本(正样本)为5822张；
模型效果:
测试的正负样本比例分别为：Test1为200:0，Test2为200:300，Test3为200:600，Test4为200:900，Test5为200:1200，Test6为200:1500，Test7为200:1800的情况下，置信度阈值为0.5，将上述测试的正负样本分别输入到训练好的ResNet分类模型，判断输出的病变置信度与置信度阈值的大小，若病变置信度大于置信度阈值，则当前样本预测为阳性区域，如果该标签与原始标签一致(其中原始标签为人工识别标注得到的)，则判断正确，阳性测试样本的准确率为阳性测试样本的正确的个数除以阳性测试样本的总体个数，阴性测试样本的准确率为阴性测试样本的正确的个数除以阴性测试样本的总体个数，上述的阳性准确率(灵敏度)、阴性准确率(特异度)、总体准确率统计如下：
指标 Test1 Test2 Test3 Test4 Test5 Test6 Test7
阳性准确率 0.86 0.86 0.86 0.86 0.86 0.86 0.86
阴性准确率 0.0 0.85 0.837 0.837 0.836 0.836 0.837
总体准确率 0.86 0.854 0.8425 0.841 0.839 0.839 0.8395
因此，本发明采用深度学习框架对TCT数字切片类别进行识别，降低了人工识别成本；而且本***采用大数据分析的方法对TCT数字切片图像进行分割、识别、获取、过滤等，只需要基于历史数据进行模型搭建，从一定程度上减轻了人工识别压力，也降低了人工判别***患病可能性的成本。本***提高了TCT数字切片的识别效率。传统的识别方式是医生通过显微镜观察进行识别、鉴定等，识别时间长，而本***则通过统计机器学习模型进行评估，不仅节约成本而且方便有效。本***通过TCT数字切片预测是否罹患***的方式优于传统方式。传统的识别方法是凭借医生的经验以及技术进行的，且很可能会因为人为因素发生误诊或者漏诊的问题，而采用基于机器学习的统计模型检测，在进一步提升识别准确率的同时能够防止外界因素的干扰，而且还能降低对识别人员的技术要求门槛。

Claims (2)

1.一种基于ResNet的***TCT数字切片数据分析***，其特征在于，包括:
编码器训练模块：用于获取宫颈TCT数字切片图像内的阳性区域，基于获取的阳性区域样本训练自动编码器，得到训练好的自动编码器；
分类器训练模块：用于将获取的阳性区域输入到训练好的自动编码器，获得阳性区域中的阳性特征，将多个阳性区域中的阳性特征作为样本对单类SVM分类器进行训练，得到训练好的单类SVM分类器；
ResNet分类模型训练模块：用于获取宫颈TCT数字切片图像内的阳性区域和宫颈TCT数字切片图像内的阴性区域，将多个阳性区域作为正样本，多个阴性区域作为负样本，通过图像数据增强方法对正样本和负样本进行增强；将正样本、负样本、增强后的正样本和增强后的负样本均作为ResNet分类模型的输入并进行训练，对ResNet分类模型进行训练，得到训练好的ResNet分类模型；
图像切割模块：用于获取患者的TCT玻片扫描图像，对TCT玻片扫描图像进行图像均匀切割，获得多个均匀切割后的图像块；所述图像切割模块中的对TCT玻片扫描图像进行图像均匀切割为：遍历整个TCT玻片扫描图像维度，以步长为270像素且大小为300像素对TCT玻片扫描图像进行均匀切割；
特征提取模块：用于将所有的图像块输入到训练好的自动编码器内从而提取特征，所提的特征进一步输入单类SVM分类器中，从而提取出属于阳性区域的图像块，上述提取出的所有的图像块均判断为疑似阳性区域；
判断模块：对提取的图像块进行预处理并将处理后的图像块输入到训练好的ResNet分类模型，获取图像块的病变置信度，预先设定置信度阈值，将病变置信度高于置信度阈值的图像块判断为阳性区域。
2.根据权利要求1所述的基于ResNet的***TCT数字切片数据分析***，其特征在于：所述判断模块中对提取的图像块进行预处理为对提取的图像块进行双边滤波处理和归一化处理。
CN201810193842.1A 2018-03-09 2018-03-09 基于ResNet的***TCT数字切片数据分析*** Active CN108334909B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810193842.1A CN108334909B (zh) 2018-03-09 2018-03-09 基于ResNet的***TCT数字切片数据分析***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810193842.1A CN108334909B (zh) 2018-03-09 2018-03-09 基于ResNet的***TCT数字切片数据分析***

Publications (2)

Publication Number Publication Date
CN108334909A CN108334909A (zh) 2018-07-27
CN108334909B true CN108334909B (zh) 2020-06-16

Family

ID=62930531

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810193842.1A Active CN108334909B (zh) 2018-03-09 2018-03-09 基于ResNet的***TCT数字切片数据分析***

Country Status (1)

Country Link
CN (1) CN108334909B (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102174379B1 (ko) * 2018-08-27 2020-11-04 주식회사 딥바이오 세그멘테이션을 수행하는 뉴럴 네트워크를 이용한 질병 진단 시스템 및 방법
CN109815888B (zh) * 2019-01-21 2021-02-09 武汉兰丁智能医学股份有限公司 一种基于新型巴氏染色方法的异常宫颈细胞自动识别方法
CN109978826A (zh) * 2019-02-20 2019-07-05 程俊美 一种***细胞病理学排阴法智能筛查***及方法
CN110310253B (zh) * 2019-05-09 2021-10-12 杭州迪英加科技有限公司 数字切片分类方法和装置
CN112132166B (zh) * 2019-06-24 2024-04-19 杭州迪英加科技有限公司 一种数字细胞病理图像智能分析方法、***及装置
CN110287966B (zh) * 2019-06-26 2021-11-12 沈熠 一种关于肾小球分割的图像处理的方法
CN110598561A (zh) * 2019-08-15 2019-12-20 平安科技（深圳）有限公司 基于机器学习的细胞玻片分析方法、装置及存储介质
CN111199193B (zh) * 2019-12-23 2022-03-18 平安国际智慧城市科技股份有限公司 基于数字切片的图片分类方法、装置和计算机设备
CN111242242B (zh) * 2020-02-27 2022-04-12 武汉大学 一种基于置信度选择的宫颈组织病理全玻片图像自动分类方法
CN111640509A (zh) * 2020-06-02 2020-09-08 山东大学齐鲁医院 一种***术后复发风险预测方法及***
CN111814893A (zh) * 2020-07-17 2020-10-23 首都医科大学附属北京胸科医院 基于深度学习的肺部全扫描图像egfr突变预测方法和***
CN112102332A (zh) * 2020-08-30 2020-12-18 复旦大学 基于局部分类神经网络的癌症wsi的分割方法
CN113111926A (zh) * 2021-03-31 2021-07-13 南京华晟医学检验实验室有限公司 基于tct制片的异常宫颈血细胞筛选方法
WO2022241608A1 (zh) * 2021-05-17 2022-11-24 苏州思萃人工智能研究所有限公司 肺癌细胞学人工智能筛查方法与装置
CN113256634B (zh) * 2021-07-13 2021-11-23 杭州医策科技有限公司 基于深度学习的***tct切片排阴方法和***
CN115938561A (zh) * 2021-09-23 2023-04-07 中山大学孙逸仙纪念医院 宫颈液基薄层细胞学的辅助筛查***、应用方法及模型
CN114187277B (zh) * 2021-12-14 2023-09-15 赛维森(广州)医疗科技服务有限公司 基于深度学习的甲状腺细胞学多种类型细胞的检测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104156736A (zh) * 2014-09-05 2014-11-19 西安电子科技大学 基于sae和idl的极化sar图像分类方法
CN104346617A (zh) * 2014-04-18 2015-02-11 南京信息工程大学 一种基于滑动窗口和深度结构提取特征的细胞检测方法
CN105574859A (zh) * 2015-12-14 2016-05-11 中国科学院深圳先进技术研究院 一种基于ct图像的肝脏肿瘤分割方法及装置
CN106485239A (zh) * 2016-11-02 2017-03-08 郑州航空工业管理学院 一种利用单类支持向量机检测河流目标的方法
CN106780466A (zh) * 2016-12-21 2017-05-31 广西师范大学 一种基于卷积神经网络的宫颈细胞图像识别方法
CN107103187A (zh) * 2017-04-10 2017-08-29 四川省肿瘤医院 基于深度学习的肺结节检测分级与管理的方法及***
CN107392130A (zh) * 2017-07-13 2017-11-24 西安电子科技大学 基于阈值自适应和卷积神经网络的多光谱图像分类方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104346617A (zh) * 2014-04-18 2015-02-11 南京信息工程大学 一种基于滑动窗口和深度结构提取特征的细胞检测方法
CN104156736A (zh) * 2014-09-05 2014-11-19 西安电子科技大学 基于sae和idl的极化sar图像分类方法
CN105574859A (zh) * 2015-12-14 2016-05-11 中国科学院深圳先进技术研究院 一种基于ct图像的肝脏肿瘤分割方法及装置
CN106485239A (zh) * 2016-11-02 2017-03-08 郑州航空工业管理学院 一种利用单类支持向量机检测河流目标的方法
CN106780466A (zh) * 2016-12-21 2017-05-31 广西师范大学 一种基于卷积神经网络的宫颈细胞图像识别方法
CN107103187A (zh) * 2017-04-10 2017-08-29 四川省肿瘤医院 基于深度学习的肺结节检测分级与管理的方法及***
CN107392130A (zh) * 2017-07-13 2017-11-24 西安电子科技大学 基于阈值自适应和卷积神经网络的多光谱图像分类方法

Also Published As

Publication number Publication date
CN108334909A (zh) 2018-07-27

Similar Documents

Publication Publication Date Title
CN108334909B (zh) 基于ResNet的***TCT数字切片数据分析***
US9567651B2 (en) System and method for the detection of abnormalities in a biological sample
CN109903284B (zh) 一种her2免疫组化图像自动判别方法及***
CN111986150B (zh) 一种数字病理图像的交互式标注精细化方法
CN107330263A (zh) 一种计算机辅助乳腺浸润性导管癌组织学分级的方法
CN110111329B (zh) 一种基于人工智能超声影像检测方法及***
CN110120056B (zh) 基于自适应直方图阈值和轮廓检测的血液白细胞分割方法
CN109785310B (zh) 一种基于乳腺***全景图像计算的自动分期***
CN107492088B (zh) 一种妇科显微图像中白细胞自动识别与统计方法
CN110796661B (zh) 基于卷积神经网络的真菌显微图像分割检测方法及***
CN107122597B (zh) 一种角膜受损智能诊断***
CN104933701A (zh) 基于多尺度生长与双策略去粘连模型的乳腺细胞分割方法
CN113628199B (zh) 病理图片染色组织区域检测方法、检测***及预后状态分析***
US20230281815A1 (en) Cervical cancer screening support system, cervical cancer screening support method, recording medium carrying cervical cancer screening support program, and smartphone built with smartphone application carrying cervical cancer screening support program
CN115359483A (zh) 一种针对宫颈液基细胞分类的训练方法
CN115170518A (zh) 基于深度学习和机器视觉的细胞检测方法及***
CN116363647A (zh) 基于深度语义分割网络的肺癌病理组织分型***
CN113256634A (zh) 基于深度学习的***tct切片排阴方法和***
Sobrevilla et al. Fuzzy-based analysis of microscopic color cervical pap smear images: nuclei detection
CN111554381A (zh) 一种基于深度学习的肾透明细胞癌人工智能病理诊断方法及其诊断模型
Zhang et al. Microscope based her2 scoring system
CN103815926B (zh) 乳腺癌检测方法和装置
WO2021139447A1 (zh) 一种宫颈异常细胞检测装置及方法
Amsini et al. Enhanced type 2 triangular intuitionistic fuzzy C means clustering algorithm for breast cancer histopathology images
CN114170198A (zh) 一种基于drsn的液基薄层细胞涂片数字病理图像检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
CB02 Change of applicant information

Address after: 210012 4 floor, 5 software Avenue, Yuhuatai District, Nanjing, Jiangsu, 180

Applicant after: Nanjing Tian Zhi Zhi Technology Co., Ltd.

Address before: 210012 4 floor, 5 software Avenue, Yuhuatai District, Nanjing, Jiangsu, 180

Applicant before: Nanjing days Mdt InfoTech Ltd

CB02 Change of applicant information
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Address after: 201100 no.1628, sushao Road, Minhang District, Shanghai

Applicant after: Shanghai Tiantian smart core semiconductor Co., Ltd

Address before: 210012 4 floor, 5 software Avenue, Yuhuatai District, Nanjing, Jiangsu, 180

Applicant before: ILUVATAR COREX Inc.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant