CN108346145B - 一种病理切片中非常规细胞的识别方法 - Google Patents
一种病理切片中非常规细胞的识别方法 Download PDFInfo
- Publication number
- CN108346145B CN108346145B CN201810097641.1A CN201810097641A CN108346145B CN 108346145 B CN108346145 B CN 108346145B CN 201810097641 A CN201810097641 A CN 201810097641A CN 108346145 B CN108346145 B CN 108346145B
- Authority
- CN
- China
- Prior art keywords
- model
- cells
- training
- classification
- unconventional
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000001575 pathological effect Effects 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 52
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000011218 segmentation Effects 0.000 claims description 44
- 238000013145 classification model Methods 0.000 claims description 43
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 10
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000007500 overflow downdraw method Methods 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 2
- 238000007906 compression Methods 0.000 claims description 2
- 230000007306 turnover Effects 0.000 claims 1
- 210000004027 cell Anatomy 0.000 description 44
- 230000006870 function Effects 0.000 description 12
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013434 data augmentation Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005859 cell recognition Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000003701 histiocyte Anatomy 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种病理切片中非常规细胞的识别方法,包括:将电子扫描病理切片预处理得到有效判别区域,输入全卷积网络预训练,再使用全连接层代替全卷积网络头部微调网络,使全卷积网络具有提取非常规细胞特征的能力,进而确定非常规细胞位置,更加有效地对有效判别区域进行分类;通过结合多个普通分类网络的预测结果投票,输出更加稳定的分类结果。本发明的识别方法能够自动判别病理切片中每一个20×放大的视野中存在非常规细胞的概率,输出概率值在0.5以上的非常规细胞作为识别结果,大量减轻人工筛查病理切片中非常规细胞的工作量,快速准确的筛选出非常规细胞。
Description
技术领域
本发明属于医疗影像领域,具体涉及一种病理切片中非常规细胞的识别方法。
背景技术
传统病理切片中非常规细胞(或称非正常形态细胞)由人工进行筛查:在显微镜下,由专业的病理医生通过切片的移动,进而肉眼扫描整个切片,寻找整个切片是否存在非常规细胞,这种工作繁重而耗时,并且随着阅片时间的增长,错误率也随之提高。
随着科技的不断发展,病理切片中非常规细胞的识别可以借助计算机的帮助进行初步筛查。
基于卷积神经网络(Convolutional Neural Network,CNN)算法的VGGNet,ResNet,DenseNet等网络改进结构不断更新迭代的计算机视觉,在自然图像上,其准确率已经超过人眼。图像语义分割(Semantic Segmentation)是计算机视觉的一个重要研究方向,其任务是通过计算机算法完成对单张图像每个像素进行分类。在医疗影像中,语义分割常常被用于分割图像中的器官、组织或细胞等,以便于后续分类。
Jonathan Long提出在全卷积神经网络(Fully Convolutional Networks,FCN)中使用卷积与反卷积(Deconvolution)进行语义分割任务替代传统的全连接语义分割方法为语义分割模型的主要方法之一,U-Net是一种典型的全卷积网络,其主要思想是将网络分成下采样层与上采样层,上采用使用普通的卷积,池化层,上采样使用双线性插值或反卷积放大特征图是指能够与浅层特征图大小一致并连接。通过浅层的特征图跳跃连接与深层特征图拼接,得到最终的特征图。
发明内容
本发明的目的是提供一种病理切片中非常规细胞的识别方法,大量减轻人工筛查病理切片中非常规细胞这一繁重工作的工作量,快速准确的筛选出非常规细胞。
本发明所述的常规细胞为人体正常细胞,非常规细胞与人体正常细胞相对应,为人体非正常形态细胞。
本发明技术方案的工作原理:
将电子扫描病理切片进行预处理为多个区域,通过转换为LAB通道后A通道的均值作为依据判断区域是否有效,得到该病理切片中的所有有效判别区域,通过将使用重分布与zscore方法预处理后有效判别区域输入全卷积网络预训练,再使用全连接层代替全卷积网络头部微调网络,能够使全卷积网络具有提取非常规细胞特征的能力,进而确定非常规细胞位置,因此更加有效地对有效判别区域进行分类。通过结合多个普通分类网络的预测结果投票,输出更加稳定的分类结果,能够自动判别切片中每一个20×放大的视野中存在非常规细胞的概率。
一种病理切片上非常规细胞的识别方法,包括:
(1)对电子扫描病理切片进行预处理,得到该病理切片中的有效判别区域,所述的有效判别区域中非常规细胞像素区域为正样本,常规细胞像素区域为负样本;
(2)对步骤(1)得到的正、负样本采用全卷积网络算法进行训练,根据模型预测结果与标签的重合度对网络的参数进行调节,得到收敛的切片分割模型;
(3)在步骤(2)得到的切片分割模型基础上,将其头部分割器替换为分类器,使用含有非常规细胞的判别区域作为正例,完全不含非常规细胞的判别区域作为负例,微调网络参数使之适应分类任务,得到分割预训练分类模型;
(4)将步骤(1)得到的有效判别区域中,含有非常规细胞的判别区域作为正例,完全不含有非常规细胞的判别区域作为负例,使用普通卷积神经网络分类方法中的k折交叉验证的方式训练k个普通分类模型;
所述k的取值范围为5~10之间的整数;
(5)将步骤(3)得到的分割预训练分类模型与步骤(4)得到的k个普通分类模型通过模型集成的方法融合,构建最终分类模型;
(6)将未经过标记的新病理切片,经过步骤(1)处理得到的有效判别区域输入最终分类模型,输出概率值在0.5以上的非常规细胞作为识别结果。
步骤(1)中,所述的预处理步骤为:
(1-1)将20×放大的病理切片划分为像素为512*512~2048*2048相同大小的区域,分别存储;
(1-2)对每个小块转换为LAB通道后的图像,将A通道的均值超过阈值t的小块作为有效判别区域,其余的舍弃;
所述的阈值t为120~150。
步骤(1-2)中使用转换至LAB后的A通道均值作为判别有效区域的依据的原因在于:病理切片中组织细胞等有效区域染色后均为紫色或红色,LAB通道中,A通道代表该像素红色的程度,故采用A通道作为判别依据,超过阈值t即认为该区域含有有效组织或细胞。
步骤(2)中,所述的模型预测结果与标签的重合度的评估方法包括Dice Loss、Cross Entropy或Mean Squared Error。
步骤(2)中,所述的收敛的切片分割模型的训练方法,其具体步骤为:
(2-1)将输入的有效判别区域通过图像压缩算法将其压缩至像素为256*256~512*512的矩阵;此比率能够保证大部分图像特征的保存,而舍弃一些细小的特征,这些特征在正负样本的分类上贡献较小。
(2-2)通过重分布与z-score方法将上述矩阵归一化并转换到标准正态分布;
步骤(2-1)得到的图像(像素为256*256~512*512的矩阵)为RGB三通道,为了更好的被神经网络学习,一般需要对其进行重分布与规范化,具体的操作流程是:首先将图像像素除以255,投影至[0,1]区间,然后使用zscore规范化方式对数据进行减去均值除以方差的操作以转换到标准正态分布,zscore计算方法如下:
(2-3)对步骤(2-2)转换后得到的标准正态分布的图像使用数据增强(DataAugmentation)技术进行旋转,翻转,镜像,亮度改变,随机偏移等操作,以使网络能够学习到不同方向,角度的特征,同时降低网络预测的过拟合程度。
(2-4)将步骤(2-3)处理得到的矩阵输入全卷积网络,计算Dice Loss;
在训练分割模型的过程中,我们使用了针对分割任务的损失函数——DiceLoss进行训练,Dice Loss是针对正负例像素不均衡的图像分割而设计的损失函数,其定义如下:
其中,i表示当前计算像素点,pi,gi分别表示了像素i的模型预测分数与标签所对应的分数,N表示像素点的总数量,D表示了二分类预测结果(热力图)与标签的重合程度,所述D的取值范围为[0,1]区间,其值越接近1,重合度越高;在训练过程中,我们使用1-D作为损失函数;
所述的标签是与输入图像大小一致的二值矩阵,1代表非常规细胞像素,0代表常规细胞像素,在(2-1)中有效判别区域被压缩至512*512像素,同样的,分割标签也被压缩至512*512像素以便于与有效判别区域匹配。
(2-5)使用Adam算法作为优化方法最小化Dice Loss,直至网络收敛,得到收敛的切片分割模型。
在微调阶段,使用全连接层微调U-Net预训练权值的优点是:在U-Net训练完成后,U-Net模型深层已经具备提取非常规细胞特征的能力,进而对分类任务有较大的帮助,并且,此方法增加了分类模型的可解释性。在预测阶段,可以同时输出分类结果与分割结果进行比较,以便确定非常规细胞的区域。
步骤(2)和(3)训练分割预训练分类模型的方法为两阶段方法,即先使用分割标签预训练,再使用分类器微调的方法,与该两阶段方法等价的方式是单阶段训练,所述的单阶段训练的方法,即使用U-Net模型的输出作为辅助损失函数与分类损失函数相加作为最终的损失函数进行最小化,但是单阶段的方法相对于两阶段的方法的效果较差。
步骤(3)中,所述的微调网络方法,包括以下步骤:
(3-1)将U-Net的最后一层卷积层替换为输出为二分类的全连接层,
(3-2)使用含有非常规细胞的判别区域作为正例,完全不含非常规细胞的判别区域作为负例,使用Adam算法优化交叉熵损失函数并更新网络参数,使分类任务模型到达收敛,得到分割预训练分类模型。
步骤(4)中,所述的通过k折交叉验证的方式训练k个普通分类模型,其具体步骤为:首先将训练数据通过分层抽样分为k等份,每次使用其中一份作为验证数据,其余k-1份作为训练数据训练,得到k个普通分类模型;
所述k的取值范围为5~10之间的整数;
所述的训练数据包括含有非常规细胞的判别区域作为正例和完全不含有非常规细胞的判别区域作为负例。
但是,只使用U-Net辅助提取特征的分类器对一些整体特征的分类仍然不能实现的很好分类,此时还需要增加一些分类器来保证整体分类的准确率。在本发明中我们使用了目前分类效果上泛化能力性能较好的DenseNet进行训练,在训练过程中,我们使用CrossEntropy Loss预训练模型,为了让模型更加关注困难样本,使用了Focal Loss微调参数。
步骤(5)中,所述的模型集成融合方法包括:
(1)投票法:取多个模型的输出的众数作为最终结果;或,
(2)加权均值法:对多个模型赋予不同的权值,求取其加权均值,通过加权均值判断最终标签;或,
(3)堆叠法:训练一个以多个模型的输出作为输入的线性分类器作为判断标签的依据模型。
本发明模型集成融合方法优选加权均值法,其中,普通分类模型的权值相同;分割预训练的分类模型的权值为普通分类模型的权值的k倍,k为普通分类模型的数量。
优选加权均值法的原因是:加权均值法相较于投票法能够更好的平衡分割预训练分类模型与普通分类模型之间的重要程度,并有效突出分割预训练模型对最终模型的贡献。
根据上述步骤分别得到的分割预训练分类模型与k个DenseNet分类模型,我们使用加权均值的方式融合k+1个模型,为了突出分割模型的贡献,我们使用了下列公式进行加权平均,得到p(x)为最终预测值,x表示输入图像矩阵:
其中,S表示分割预训练分类模型函数,d表示DenseNet分类函数,k表示k折数,λ表示分割预训练分类模型所占的权重。
本发明提供的病理切片中非常规细胞的识别方法,使用了语义分割生成的特征图与多个分类网络结合,达到了较好的测试效果,以F1值的衡量算法的指标,其F1值能够达到96%以上。所述F1值为精确性与召回率的调和均值,计算方法如下:
其中,precision代表精确度,recall代表召回率,使用以下公式计算:
其中tp,fp,fn分别代表真阳性数量,假阳性数量与假阴性数量。
与现有技术相比,本发明具有以下有益效果:
1)本发明能够大量减轻病理医生繁重的工作量,并针对缺乏病理医生资源的基层医院,社区医院,起到较好的普及作用。
2)本发明能够帮助医生快速准确的筛选出非常规细胞,以F1值的衡量算法的指标,本算法的F1值能够达到96%以上。
附图说明
图1为本发明具体实施方法中全卷积网络U-net的整体结构。
图2为本发明具体实施方法中普通分类模型DenseNet的整体结构。
图3为本发明具体实施方法的病理切片区域分类整体示意图。
图4为本发明具体实施方法的病理切片区域分类模型训练流程图。
具体实施方式
为了进一步理解本发明,下面结合具体实施方法对本发明提供的一种病理切片中非常规细胞的识别方法进行具体描述,但本发明并不限于此,该领域技术人员在本发明核心指导思想下做出的非本质改进和调整,仍然属于本发明的保护范围。
一种病理切片上非常规细胞的识别方法,具体步骤为:
1)病理切片预处理与有效区域判别
本发明采用输入数据为20x放大的病理切片,划分为像素分辨率2048*2048的区域,分别存储。
将上述像素分辨率2048*2048的区域转换为LAB通道,将A通道的均值超过阈值t=132的区域作为有效判别区域,其余的舍弃。
2)训练收敛的切片分割模型
(2-1)将步骤1)得到的有效判别区域压缩至像素分辨率512x512的区域;
(2-2)首先将图像像素除以255,投影至[0,1]空间,然后使用zscore规范化方式对数据进行减去均值除以方差的操作以转换到标准正态分布的图像,zscore计算方法如下:
(2-3)对步骤(2-2)转换后得到的标准正态分布的图像使用数据增强(DataAugmentation)技术进行旋转,翻转,镜像,亮度改变,随机偏移等操作,以使网络能够学习到不同方向,角度的特征,同时降低网络预测的过拟合程度。
(2-4)将步骤(2-3)处理得到的矩阵输入全卷积网络U-Net,其结构如图1所示,使用以下公式计算Dice Loss:
其中pi,gi分别表示了像素i的模型预测分数与标签所对应的分数。
所述的标签是与输入图像大小一致的二值矩阵,1代表非常规细胞像素,0代表常规细胞像素,在(2-1)中有效判别区域被压缩至512*512像素,同样的,分割标签也被压缩至512*512像素以便于与有效判别区域匹配。
(2-5)使用Adam算法作为优化方法最小化Dice Loss,直至网络收敛,得到收敛的切片分割模型。
3)在步骤2)得到的切片分割模型基础上,将U-Net的最后一层卷积层替换为输出为二分类的全连接层,使用含有非常规细胞的判别区域作为正例,完全不含非常规细胞的判别区域作为负例,使用Adam算法优化交叉熵损失函数(Cross Entropy Loss)优化网络参数,使分类任务模型到达收敛,得到分割预训练分类模型。
为了避免随机生成的全连接层权值梯度过大导致训练好的U-Net权值被破坏,我们采用以下步骤微调:
a)固定U-Net权值只训练全连接层直至收敛;
b)降低U-Net部分的学习率,训练整体网络(包括U-Net与全连接层)。
4)k折折交叉验证DenseNet训练
(4-1)将训练集分为5份,4份作为训练集,1份作为验证集;
(4-2)分别对每一份划分集合,使用其他的数据作为训练集训练DenseNet模型,所述的DenseNet模型的结构如图2所示,在该验证集上效果达到最优时保存模型,得到5个模型。
5)模型融合
根据上述步骤分别得到的分割预训练分类模型与5个DenseNet分类模型,我们使用加权均值的方式融合6个模型,为了突出分割模型的贡献,我们使用了下列公式进行加权平均:
其中,S表示分割预训练分类模型函数,d表示DenseNet分类函数,k表示k折数,λ表示分割预训练分类模型所占的权重。
融合之后,得到最终分类模型,该模型训练流程图如图3所示。
6)非常规细胞识别
将未经过标记的新病理切片,经过步骤1)处理得到的有效判别区域输入最终分类模型,根据阈值t=132判断病理切片中每个区域含有非常规细胞的概率,输出概率值在0.5以上的非常规细胞作为识别结果。
Claims (7)
1.一种病理切片中非常规细胞的识别方法,包括:
(1)对电子扫描病理切片进行预处理,得到该病理切片中的有效判别区域,所述的有效判别区域中非常规细胞像素区域为正样本,常规细胞像素区域为负样本;
(2)对步骤(1)得到的正、负样本采用全卷积网络算法进行训练,根据模型预测结果与标签的重合度对网络的参数进行调节,得到收敛的切片分割模型;
(3)在步骤(2)得到的切片分割模型基础上,将其头部分割器替换为分类器,使用含有非常规细胞的判别区域作为正例,完全不含非常规细胞的判别区域作为负例,微调网络参数使之适应分类任务,得到分割预训练分类模型;微调网络参数的方法,包括:
(3-1)将U-Net的最后一层卷积层替换为输出为二分类的全连接层;
(3-2)使用含有非常规细胞的判别区域作为正例,完全不含非常规细胞的判别区域作为负例,使用Adam算法优化交叉熵损失函数并更新网络参数,使分类任务模型到达收敛,得到分割预训练分类模型;
(4)将步骤(1)得到的有效判别区域中,含有非常规细胞的判别区域作为正例,完全不含有非常规细胞的判别区域作为负例,使用普通卷积神经网络分类方法中的k折交叉验证的方式训练k个普通分类模型;
所述k的取值范围为5~10之间的整数;
(5)将步骤(3)得到的分割预训练分类模型与步骤(4)得到的k个普通分类模型通过模型集成的方法融合,构建最终分类模型;
(6)将未经过标记的新病理切片,经过步骤(1)处理得到的有效判别区域输入最终分类模型,输出概率值在0.5以上的非常规细胞作为识别结果。
2.跟据权利要求1所述的病理切片中非常规细胞的识别方法,其特征在于,步骤(1)中,所述的预处理,包括:
(1-1)将20×放大的病理切片划分为像素为512*512~2048*2048相同大小的小块,分别存储;
(1-2)对每个小块转换为LAB通道后的图像,将A通道的均值超过阈值t的小块作为有效判别区域,其余的舍弃;
所述的阈值t为120~150。
3.跟据权利要求1所述的病理切片中非常规细胞的识别方法,其特征在于,步骤(2)中,所述的模型预测结果与标签的重合度的评估方法包括Dice Loss、Cross Entropy或MeanSquared Error。
4.跟据权利要求1或3所述的病理切片中非常规细胞的识别方法,其特征在于,步骤(2)中,所述的收敛的切片分割模型的训练方法,包括:
(2-1)将输入的有效判别区域通过图像压缩算法将其压缩至像素为256*256~512*512的矩阵;
(2-2)通过重分布与z-score方法将上述矩阵归一化并转换到标准正态分布;
(2-3)对步骤(2-2)转换后得到的标准正态分布的图像使用数据增强技术进行旋转、翻转、镜像、亮度改变、随机偏移操作;
(2-4)将步骤(2-3)处理得到的矩阵输入全卷积网络,计算Dice Loss;
(2-5)使用Adam算法作为优化方法最小化Dice Loss,直至网络收敛,得到收敛的切片分割模型。
5.跟据权利要求1所述的病理切片中非常规细胞的识别方法,其特征在于,步骤(4)中,所述的通过k折交叉验证的方式训练k个普通分类模型,其具体步骤为:首先将训练数据通过分层抽样分为k等份,每次使用其中一份作为验证数据,其余k-1份作为训练数据训练,得到k个普通分类模型;
所述k的取值范围为5~10之间的整数;
所述的训练数据包括含有非常规细胞的判别区域作为正例和完全不含有非常规细胞的判别区域作为负例。
6.跟据权利要求1所述的病理切片中非常规细胞的识别方法,其特征在于,步骤(5)中,所述的模型集成融合方法包括投票法、加权均值法或堆叠法。
7.跟据权利要求6所述的病理切片中非常规细胞的识别方法,其特征在于,所述的加权均值法,其中,普通分类模型的权值相同;分割预训练的分类模型的权值为普通分类模型的权值的k倍,k为普通分类模型的数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810097641.1A CN108346145B (zh) | 2018-01-31 | 2018-01-31 | 一种病理切片中非常规细胞的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810097641.1A CN108346145B (zh) | 2018-01-31 | 2018-01-31 | 一种病理切片中非常规细胞的识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108346145A CN108346145A (zh) | 2018-07-31 |
CN108346145B true CN108346145B (zh) | 2020-08-04 |
Family
ID=62961468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810097641.1A Active CN108346145B (zh) | 2018-01-31 | 2018-01-31 | 一种病理切片中非常规细胞的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108346145B (zh) |
Families Citing this family (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190682B (zh) | 2018-08-13 | 2020-12-18 | 北京安德医智科技有限公司 | 一种基于3d核磁共振影像的脑部异常的分类方法及设备 |
CN109191476B (zh) * | 2018-09-10 | 2022-03-11 | 重庆邮电大学 | 基于U-net网络结构的生物医学图像自动分割新方法 |
US10579924B1 (en) | 2018-09-17 | 2020-03-03 | StradVision, Inc. | Learning method, learning device with multi-feeding layers and testing method, testing device using the same |
CN109242849A (zh) * | 2018-09-26 | 2019-01-18 | 上海联影智能医疗科技有限公司 | 医学图像处理方法、装置、***和存储介质 |
CN109544563B (zh) * | 2018-11-12 | 2021-08-17 | 北京航空航天大学 | 一种面向违禁物安检的被动毫米波图像人体目标分割方法 |
CN109754403A (zh) * | 2018-11-29 | 2019-05-14 | 中国科学院深圳先进技术研究院 | 一种ct图像内的肿瘤自动分割方法及*** |
CN109685077A (zh) * | 2018-12-13 | 2019-04-26 | 深圳先进技术研究院 | 一种乳腺肿块图像识别方法及装置 |
CN109620152B (zh) * | 2018-12-16 | 2021-09-14 | 北京工业大学 | 一种基于MutiFacolLoss-Densenet的心电信号分类方法 |
CN109785334A (zh) * | 2018-12-17 | 2019-05-21 | 深圳先进技术研究院 | 心脏磁共振图像分割方法、装置、终端设备及存储介质 |
CN109857351A (zh) * | 2019-02-22 | 2019-06-07 | 北京航天泰坦科技股份有限公司 | 可追溯***的打印方法 |
CN110110661A (zh) * | 2019-05-07 | 2019-08-09 | 西南石油大学 | 一种基于unet分割的岩石图像孔隙类型识别方法 |
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 |
CN110634134A (zh) * | 2019-09-04 | 2019-12-31 | 杭州憶盛医疗科技有限公司 | 一种细胞形态学人工智能自动诊断新方法 |
CN110853021B (zh) * | 2019-11-13 | 2020-11-24 | 江苏迪赛特医疗科技有限公司 | 一种病理鳞状上皮细胞的检测分类模型的构建 |
CN110853022B (zh) * | 2019-11-14 | 2020-11-06 | 腾讯科技(深圳)有限公司 | 病理切片图像的处理方法、装置、***及存储介质 |
CN111144488B (zh) * | 2019-12-27 | 2023-04-18 | 之江实验室 | 一种基于邻近共同预测的病理切片视野分类提升方法 |
CN111325103B (zh) * | 2020-01-21 | 2020-11-03 | 华南师范大学 | 一种细胞标注***和方法 |
CN111340064A (zh) * | 2020-02-10 | 2020-06-26 | 中国石油大学(华东) | 基于高低阶信息融合的高光谱图像分类方法 |
CN111627032A (zh) * | 2020-05-14 | 2020-09-04 | 安徽慧软科技有限公司 | 基于U-Net网络的CT影像身体器官自动分割方法 |
CN112084931B (zh) * | 2020-09-04 | 2022-04-15 | 厦门大学 | 一种基于DenseNet的白血病细胞显微图像分类方法及*** |
US12045992B2 (en) * | 2020-11-10 | 2024-07-23 | Nec Corporation | Multi-domain semantic segmentation with label shifts |
CN112446876A (zh) * | 2020-12-11 | 2021-03-05 | 北京大恒普信医疗技术有限公司 | 基于图像的抗vegf指征判别方法、装置及电子设备 |
CN112435259B (zh) * | 2021-01-27 | 2021-04-02 | 核工业四一六医院 | 一种基于单样本学习的细胞分布模型构建及细胞计数方法 |
CN113034448B (zh) * | 2021-03-11 | 2022-06-21 | 电子科技大学 | 一种基于多示例学习的病理图像细胞识别方法 |
CN113192047A (zh) * | 2021-05-14 | 2021-07-30 | 杭州迪英加科技有限公司 | 一种基于深度学习的自动判读ki67病理切片的方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101168067A (zh) * | 2007-09-28 | 2008-04-30 | 浙江大学 | 一种降低免疫细胞表面抗原位点免疫原性的方法及应用 |
CN102289500A (zh) * | 2011-08-24 | 2011-12-21 | 浙江大学 | 一种病理切片多粒度医学信息显示方法和*** |
CN106097391A (zh) * | 2016-06-13 | 2016-11-09 | 浙江工商大学 | 一种基于深度神经网络的识别辅助的多目标跟踪方法 |
CN106250812A (zh) * | 2016-07-15 | 2016-12-21 | 汤平 | 一种基于快速r‑cnn深度神经网络的车型识别方法 |
CN107145867A (zh) * | 2017-05-09 | 2017-09-08 | 电子科技大学 | 基于多任务深度学习的人脸及人脸遮挡物检测方法 |
US9782585B2 (en) * | 2013-08-27 | 2017-10-10 | Halo Neuro, Inc. | Method and system for providing electrical stimulation to a user |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7951345B2 (en) * | 2007-06-01 | 2011-05-31 | Lary Research & Development, Llc | Useful specimen transport apparatus with integral capability to allow three dimensional x-ray images |
-
2018
- 2018-01-31 CN CN201810097641.1A patent/CN108346145B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101168067A (zh) * | 2007-09-28 | 2008-04-30 | 浙江大学 | 一种降低免疫细胞表面抗原位点免疫原性的方法及应用 |
CN102289500A (zh) * | 2011-08-24 | 2011-12-21 | 浙江大学 | 一种病理切片多粒度医学信息显示方法和*** |
US9782585B2 (en) * | 2013-08-27 | 2017-10-10 | Halo Neuro, Inc. | Method and system for providing electrical stimulation to a user |
CN106097391A (zh) * | 2016-06-13 | 2016-11-09 | 浙江工商大学 | 一种基于深度神经网络的识别辅助的多目标跟踪方法 |
CN106250812A (zh) * | 2016-07-15 | 2016-12-21 | 汤平 | 一种基于快速r‑cnn深度神经网络的车型识别方法 |
CN107145867A (zh) * | 2017-05-09 | 2017-09-08 | 电子科技大学 | 基于多任务深度学习的人脸及人脸遮挡物检测方法 |
Non-Patent Citations (2)
Title |
---|
CONVOLUTIONS OF PATHOLOGICAL SUBMEASURES;ILIJAS FARAH;《Measure Theory》;20050117;第1-4页 * |
基于卷积神经网络的结肠病理图像中的腺体分割;吕力兢;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170315(第3期);第I138-5141页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108346145A (zh) | 2018-07-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108346145B (zh) | 一种病理切片中非常规细胞的识别方法 | |
CN108447062B (zh) | 一种基于多尺度混合分割模型的病理切片非常规细胞的分割方法 | |
CN111144496B (zh) | 一种基于混合卷积神经网络的垃圾分类方法 | |
CN113191215B (zh) | 融合注意力机制与孪生网络结构的滚动轴承故障诊断方法 | |
CN111798416B (zh) | 基于病理图像与深度学习的肾小球智能检测方法及*** | |
CN110321830B (zh) | 一种基于神经网络的中文字符串图片ocr识别方法 | |
CN111738302B (zh) | 一种基于多模态数据对阿尔茨海默病进行分类诊断的*** | |
CN109993236A (zh) | 基于one-shot Siamese卷积神经网络的少样本满文匹配方法 | |
CN111126482A (zh) | 一种基于多分类器级联模型的遥感影像自动分类方法 | |
CN111738363A (zh) | 基于改进的3d cnn网络的阿尔茨海默病分类方法 | |
CN111598894A (zh) | 基于全局信息卷积神经网络的视网膜血管图像分割*** | |
CN116935384B (zh) | 一种细胞异常样本智能化检测方法 | |
CN117371511A (zh) | 图像分类模型的训练方法、装置、设备及存储介质 | |
CN116503932B (zh) | 重点区域加权的眼周特征提取方法、***及存储介质 | |
CN109934248B (zh) | 一种针对迁移学习的多模型随机生成与动态自适应组合方法 | |
CN116091763A (zh) | 苹果叶部病害图像语义分割***及分割方法、设备和介质 | |
CN115423788A (zh) | 一种基于深度学习的消化道识别***及方法 | |
CN115239943A (zh) | 图像矫正模型的训练方法及切片图像的色彩矫正方法 | |
CN115081514A (zh) | 一种数据不平衡情况下的工业设备故障识别方法 | |
CN114140647A (zh) | 电芯极组极片模糊图像识别的算法 | |
CN111126444A (zh) | 分类器集成方法 | |
CN114494772B (zh) | 一种不均衡样本分类方法和装置 | |
CN112926442B (zh) | 一种图像目标数据集均衡完备的构建方法 | |
Monteiro | Pollen grain recognition through deep learning convolutional neural networks | |
CN116189262A (zh) | 一种基于大数据的人脸识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |