CN108764329A - 一种肺癌病理图像数据集的构建方法 - Google Patents

一种肺癌病理图像数据集的构建方法 Download PDF

Info

Publication number
CN108764329A
CN108764329A CN201810510872.0A CN201810510872A CN108764329A CN 108764329 A CN108764329 A CN 108764329A CN 201810510872 A CN201810510872 A CN 201810510872A CN 108764329 A CN108764329 A CN 108764329A
Authority
CN
China
Prior art keywords
data set
cancer cell
lung cancer
pathologic
pathology image
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.)
Pending
Application number
CN201810510872.0A
Other languages
English (en)
Inventor
王桂芳
蒋龙泉
薛丽敏
唐剑敏
黄致远
汤德凯
冯瑞
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.)
North Campus Huashan Hospital Affiliated To Fudan University
Fudan University
Original Assignee
North Campus Huashan Hospital Affiliated To Fudan University
Fudan University
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 North Campus Huashan Hospital Affiliated To Fudan University, Fudan University filed Critical North Campus Huashan Hospital Affiliated To Fudan University
Priority to CN201810510872.0A priority Critical patent/CN108764329A/zh
Publication of CN108764329A publication Critical patent/CN108764329A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30061—Lung

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明涉及一种肺癌病理图像数据集的构建方法，包括以下步骤：步骤S1：构建肺组织病理图像的参考标准数据集；步骤S2：构建癌细胞分析模型；步骤S3：构建肺癌病理图像样本数据集。其优点在于，通过人工标注少量原始数据构建肺癌病理图像参考标准数据集，然后对参考标准数据集进行训练以构建基于少量数据集的癌细胞分析模型，使用模型对肺组织病理图像原始数据进行癌细胞的检测识别，生成肺癌病理图像样本数据集；对样本数据集进行人工抽样核查，将核查过的数据加入肺癌病理图像参考标准数据集，然后对数据集和模型进行迭代训练，提高肺癌病理图像样本数据集的准确率；有效提高构建速度，解决构建肺癌病理图像数据集工作量大、工作时间长的问题。

Description

一种肺癌病理图像数据集的构建方法
技术领域
本发明涉及图像识别技术领域，尤其涉及一种肺癌病理图像数据集的构建方法。
背景技术
深度学习技术近年来发展迅速，在很多领域获得了巨大的成功，有研究表明深度学习在医疗影像领域的检测识别方面已经取得了一定的成果，已经表现出巨大的应用潜力，有望在肺癌病理图像识别中达到病理诊断专家的精度、实现比病理诊断专家更快的速度。
构建性能优异的深度学习模型需要依赖大规模高质量的样本数据集，然而目前本领域缺少大规模肺癌病理图像样本数据集，很多医院都有大量真实病例的肺组织病理切片图像数据，对这些图像数据进行样本标注需要大量的人力和时间，据统计，病理诊断专家诊断每张图像的时间需要约3分钟，完全基于人工标注无法构建大规模肺癌病理图像样本数据集，所以需要一种大规模肺癌病理图像数据集的构建方法。
因此，亟需一种能够构建识别处理速度快、准确率高、数据库大的数据集的方法。
发明内容
本发明的目的是针对现有技术中的不足，提供一种肺癌病理图像数据集的构建方法。
为实现上述目的，本发明采取的技术方案是：
一种肺癌病理图像数据集的构建方法，包括以下步骤：
步骤S1：构建肺组织病理图像的参考标准数据集
在N张肺组织病理图像中任意选取n张肺组织病理图像，并对选取得到的n(n＜N)张所述肺组织病理图像进行标注，使用标注后的所述肺组织病理图像构建参考标准数据集；
步骤S2：构建癌细胞分析模型
基于深度神经网络构建所述癌细胞分析模型，并采用所述步骤S1构建的所述参考标准数据集对所述癌细胞分析模型进行训练；
步骤S3：构建肺癌病理图像样本数据集
采用经所述步骤S2训练后的所述癌细胞分析模型对剩余的所述肺组织病理图像进行检测识别，构建肺癌病理图像样本数据集。
优选的，还包括：
步骤S4：更新参考标准数据集
在所述步骤S3构建的所述肺癌病理图像样本数据集中任意选取m(m＜N)张肺组织病理图像，并对m张所述肺组织病理图像进行评估，并将评估后的m张所述肺组织病理图像添加至所述参考标准数据集以更新所述参考标准数据集。
优选的，还包括：
步骤S5：优化癌细胞分析模型
采用经步骤S4更新后的所述参考标准数据集对步骤S2构建的所述癌细胞分析模型进行训练，获得性能优化的所述癌细胞分析模型。
优选的，还包括：
步骤S6：更新肺癌病理图像样本数据集
采用经步骤S5优化后的所述癌细胞分析模型对步骤S3构建的所述肺癌病理图像样本数据集进行检测识别，更新所述肺癌病理图像样本数据集。
优选的，所述癌细胞分析模型包括癌细胞检测模型和癌细胞识别模型。
优选的，基于Resnet-101深度神经网络构建所述癌细胞检测模型。
优选的，基于R-FCN深度神经网络构建所述癌细胞识别模型。
优选的，所述步骤S4还包括：
对m张所述肺组织病理图像中被所述癌细胞分析模型错误识别的所述肺组织病理图像进行重新标注。
优选的，所述标注为包括：
对所述肺组织病理图像是否存在癌细胞进行标注；
对存在癌细胞的所述肺组织病理图像进行癌细胞位置标注；
对存在癌细胞的所述肺组织病理图像进行癌细胞类型标注。
优选的，所述步骤S1还包括：
对标注后的所述肺组织病理图像进行交叉确认。
本发明采用以上技术方案，与现有技术相比，具有如下技术效果：
本发明的一种肺癌病理图像数据集的构建方法，通过人工标注少量原始数据来构建肺癌病理图像参考标准数据集，然后对参考标准数据集进行训练以构建基于少量数据集的机器分类及检测识别模型，包括有无癌细胞的分类模型和肺癌细胞检测识别模型，使用这两个模型对肺组织病理图像原始数据进行有无癌细胞的分类和癌细胞的检测识别，从而生成肺癌病理图像样本数据集；由病理诊断专家对样本数据集进行人工抽样核查，将核查过的数据加入肺癌病理图像参考标准数据集，然后对数据集进行迭代训练以提高上述两个模型的性能，不断提高肺癌病理图像样本数据集的准确率；有效提高大规模肺癌病理图像数据集的构建速度，很好的解决构建大规模肺癌病理图像数据集工作量大、工作时间长的问题。
附图说明
图1是本发明的一个优选实施例的方法流程图。
图2是本发明的一个优选实施例的详细方法流程图。
图3是本发明的一个优选实施例的癌细胞检测模型的网络结构图。
图4是本发明的一个优选实施例的癌细胞识别模型的网络结构图。
具体实施方式
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作出创造性劳动的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。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
本发明的一个优选的实施例，如图1～2所示，一种肺癌病理图像数据集的构建方法，包括步骤S1～S3，具体的如下所述。
步骤S1：构建肺组织病理图像的参考标准数据集
获取N张肺组织病理图像原始数据，并从N张肺组织病理图像原始数据中任意选取n张肺组织病理图像数据，并对选取得到的n张肺组织病理图像进行标注，使用标注后的n张肺组织病理图像数据作为参考标准数据集。
在选取数据过程中，n要小于N，优选的是n小于或等于N的5％，更优选的是n小于或等于N的1％。
对肺组织病理图像进行标注的方法为由多名病理诊断专家进行诊断并人工标注。
对肺组织病理图像进行标注的标注内容包括：是否存在癌细胞、癌细胞位置以及癌细胞类型。
其诊断流程如下：
第一、病理诊断专家对肺组织病理图像是否存在癌细胞进行诊断，将肺组织病理图像分成无癌细胞的肺组织病理图像和有癌细胞的肺组织病理图像并做相应标注；
第二、病理诊断专家对有癌细胞的肺组织病理图像进行癌细胞位置识别和癌细胞类型识别，并进行相应标注。
为了提高标注的准确性，可以对标注后的肺组织病理图像进行核查。
病理诊断专家对肺组织病理图像进行诊断并标注后，由其他病理诊断专家对标注后的肺组织病理图像进行交叉确认，以确保肺组织病理图像标注的准确性。
一般的，由至少一名病理诊断专家对肺组织病理图像进行诊断并标注，由至少另一名病理专断专家对标注后的肺组织病理图像进行确认。
为了提高效率和准确率，在本实施例中，优选的方法为，一名病理诊断专家对肺组织病理图像进行诊断并标注，两名病理诊断专家对标注后的肺组织病理图像进行交叉确认。
步骤S2：构建癌细胞分析模型
基于深度神经网络构建癌细胞分析模型，并采用步骤S1得到的参考标准数据集对癌细胞分析模型进行训练。
癌细胞分析模型包括癌细胞检测模型和癌细胞识别模型，癌细胞检测模型用于检测肺组织病理图像中是否存在癌细胞，癌细胞识别模型用于对癌细胞的位置及类型进行识别。
深度神经网络可以分为多种类型，在本发明中，优选的是深度残差网络(Resnet)和基于区域的全卷积网络(R-FCN)。
更进一步地，利用Resnet-101深度神经网络构建癌细胞检测模型，利用R-FCN深度神经网络构建癌细胞识别模型。
利用Resnet-101深度神经网络构建的癌细胞检测模型的一个优选实施例如图3所示，其流程如下：输入肺组织病理图像，并对肺组织病理图像进行第一次卷积操作，卷积后得到具有多个特征映射的输出结果，并对该输出结果进行第一次池化操作；对进行第一次池化后的输出结果进行第二次卷积，卷积后得到具有多个特征映射的输出结果，并对该输出结果进行第二次池化操作；对进行第二次池化后的输出结果进入全连接层多层感知器进行运算，得到最终的输出结果。
利用R-FCN深度神经网络构建的癌细胞识别模型的一个优选实施例如图4所示，其流程如下：输入肺组织病理图像，并对肺组织病理图像进行第一次卷积操作，得到输出结果；对第一次卷积后的输出结果进行再次卷积，分别得到区域建议网络(RPN)和区域分类网络(RoI)，利用区域建议网络提取感兴趣区域，并对该感兴趣区域进行池化，得到最终的输出结果。
构建完癌细胞检测模型和癌细胞识别模型后，分别利用步骤S1中的参考标准数据集各自进行训练，以完善癌细胞检测模型和癌细胞识别模型。
步骤S3：构建肺癌病理图像样本数据集
采用经步骤S2训练后的所述癌细胞分析模型对剩余肺组织病理图像进行检测识别，构建肺癌病理图形样本数据集。
首先利用癌细胞检测模型对(N-n)张肺组织病理图像数据进行检测，并对肺组织病理图像数据进行标注，以得到无癌细胞的肺组织病理图像和有癌细胞的肺组织病理图像。
然后利用癌细胞识别模型对(N-n)张肺组织病理图像数据中的有癌细胞的肺组织病理图像进行识别，并对肺组织病理图像数据进行标注，以得到标注癌细胞位置和类型的肺组织病理图像。
最后，使用标注完成后的(N-n)张肺组织病理图像数据构建肺癌病理图像样本数据集。
一般而言，通过步骤S1～步骤S3，即可构建一个数据量大、识别率高、准确性高的肺癌病理图像样本数据集。
为了进一步提高样本数据集的识别率和准确性，对经过步骤S1～S3构建得到的肺癌病理图像数据集进行迭代优化。
具体的，在步骤S3之后，还包括步骤S4～S6。
步骤S4：更新参考标准数据集
在步骤S3构建的肺癌病理图像样本数据集中任意选取m张肺组织病理图像，并对这些选取的m张肺组织病理图像进行评估，并将评估后的m张肺组织病理图像添加至参考标准数据集以更新参考标准数据集。
在选取过程中，m要小于N，优选的是m小于或等于N的5％，更优选的是m小于或等于N的1％。
在本实施例中，m等于n。
对肺组织病理图像进行评估的方法为：由多名病理诊断专家对肺组织病理图像进行诊断，统计任意选取的m张肺组织病理图像的准确率，并对标注错误的肺组织病理图像进行重新标注，对重新标注的肺组织病理图像进行交叉确认后补充至参考标准数据集中。
上述评估方法可参照步骤S1中的诊断、标注和核查。
步骤S5：优化癌细胞分析模型
采用步骤S4更新后的参考标准数据集对步骤S2构建的癌细胞分析模型进行再次训练，以获得性能优化的癌细胞分析模型。
在步骤S5中，其具体流程参照步骤S2。
步骤S6：更新肺癌病理图像样本数据集
采用步骤S5优化后的癌细胞分析模型对步骤S3构建的肺癌病理图像样本数据集进行检测识别，更新肺癌病理图像样本数据集。
在步骤S6中，其具体流程参照步骤S3。
为了使肺癌病理图像样本数据集的准确性符合实际运用要求，可以对肺癌病理图像样本数据集进行多次迭代优化，即多次重复步骤S4～S6，提高肺癌病理图像样本数据集的准确性。
为了进一步阐明本发明，利用本发明的构建方法进行实际运用，如下所示。
步骤S1：构建肺组织病理图像的参考标准数据集
收集肺组织病理图像原始数据218937张，随机抽样选取1000张，由病理诊断专家对这1000张肺组织病理图像进行诊断，标注肺组织病理图像中是否存在癌细胞，存在癌细胞的图像标注癌细胞位置和类型，肺癌类型包括鳞癌、腺癌和小细胞癌；每张肺组织病理图像经过三名病理诊断专家诊断和标注，并交叉确认，确保标注结果准确，将确认后的1000张肺组织病理图像作为参考标准数据集；标注共花费100小时，平均每张图像标注时间为6分钟，其中一名专家标注时间为3分钟，两名专家确认时间为3分钟。
步骤S2：构建癌细胞分析模型
利用Resnet-101深度神经网络构建癌细胞检测模型以及利用R-FCN深度神经网络构建癌细胞识别模型；采用步骤S1中含有1000张的参考标准数据集分别对癌细胞检测模型和癌细胞识别模型进行训练，实现有无癌细胞的检测及其位置和类型的识别；癌细胞检测模型训练时间为7.6小时，癌细胞识别模型训练时间为8.4小时、
步骤S3：构建肺癌病理图像样本数据集
利用步骤S2中构建并训练完成的癌细胞检测模型和癌细胞识别模型，对收集的剩余21万余张肺组织病理图像原始数据进行检测识别，生成肺癌病理图像样本数据集；平均每张图像检测识别速度为0.3秒。
步骤S4：更新参考标准数据集
在肺癌病理图像样本参考数据集中随机抽样1000张，同样由三名病理诊断专家进行交叉诊断人工核查，统计抽样数据的准确率，样本数据集的质量评估结果为准确率87.9％；此外，对抽样数据中错误检测识别的样本数据集进行重新标注，并加入到肺组织病理图像参考标准数据集，用于提升检测识别模型的性能；此时，肺组织病理图像参考标准数据集包含2000张数据。
步骤S5：优化癌细胞分析模型
采用步骤S4更新后的肺癌病理图像参考标准数据集对步骤S2构建的癌细胞检测模型和癌细胞识别模型进行再次训练以获得性能优化的癌细胞检测模型和癌细胞识别模型。
步骤S6：更新肺癌病理图像样本数据集
采用步骤S5优化后的癌细胞检测模型和癌细胞识别模型对步骤S3构建的肺癌病理图像样本数据集进行检测识别，获得质量更优的肺癌病理图像样本数据集，此时，肺癌病理图像样本数据集的质量评估结果为准确率90.3％。
重复步骤S4～S6，对肺癌病理图像样本数据集进行迭代优化，经过10次迭代，样本数据集质量评估结果为准确率97.4％，满足病理诊断专家的要求。
经过上述步骤后，大规模肺癌病理图像数据集构建完成。
以上所述仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。

Claims (10)

1.一种肺癌病理图像数据集的构建方法，其特征在于，包括以下步骤：
步骤S1：构建肺组织病理图像的参考标准数据集
在N张肺组织病理图像中任意选取n(n＜N)张肺组织病理图像，并对选取得到的n张所述肺组织病理图像进行标注，使用标注后的所述肺组织病理图像构建参考标准数据集；
步骤S2：构建癌细胞分析模型
基于深度神经网络构建所述癌细胞分析模型，并采用所述步骤S1构建的所述参考标准数据集对所述癌细胞分析模型进行训练；
步骤S3：构建肺癌病理图像样本数据集
采用经所述步骤S2训练后的所述癌细胞分析模型对剩余的所述肺组织病理图像进行检测识别，构建肺癌病理图像样本数据集。
2.根据权利要求1所述的肺癌病理图像数据集的构建方法，其特征在于，还包括：
步骤S4：更新参考标准数据集
在所述步骤S3构建的所述肺癌病理图像样本数据集中任意选取m(m＜N)张肺组织病理图像，并对m张所述肺组织病理图像进行评估，并将评估后的m张所述肺组织病理图像添加至所述参考标准数据集以更新所述参考标准数据集。
3.根据权利要求2所述的肺癌病理图像数据集的构建方法，其特征在于，还包括：
步骤S5：优化癌细胞分析模型
采用经步骤S4更新后的所述参考标准数据集对步骤S2构建的所述癌细胞分析模型进行训练，获得性能优化的所述癌细胞分析模型。
4.根据权利要求3所述的肺癌病理图像数据集的构建方法，其特征在于，还包括：
步骤S6：更新肺癌病理图像样本数据集
采用经步骤S5优化后的所述癌细胞分析模型对步骤S3构建的所述肺癌病理图像样本数据集进行检测识别，更新所述肺癌病理图像样本数据集。
5.根据权利要求1所述的肺癌病理图像数据集的构建方法，其特征在于，所述癌细胞分析模型包括癌细胞检测模型和癌细胞识别模型。
6.根据权利要求5所述的肺癌病理图像数据集的构建方法，其特征在于，基于Resnet-101深度神经网络构建所述癌细胞检测模型。
7.根据权利要求5所述的肺癌病理图像数据集的构建方法，其特征在于，基于R-FCN深度神经网络构建所述癌细胞识别模型。
8.根据权利要求3所述的肺癌病理图像数据集的构建方法，其特征在于，所述步骤S4还包括：
对m张所述肺组织病理图像中被所述癌细胞分析模型错误识别的所述肺组织病理图像进行重新标注。
9.根据权利要求1所述的肺癌病理图像数据集的构建方法，其特征在于，所述标注为包括：
对所述肺组织病理图像是否存在癌细胞进行标注；
对存在癌细胞的所述肺组织病理图像进行癌细胞位置标注；
对存在癌细胞的所述肺组织病理图像进行癌细胞类型标注。
10.根据权利要求1所述的肺癌病理图像数据集的构建方法，其特征在于，所述步骤S1还包括：
对标注后的所述肺组织病理图像进行交叉确认。
CN201810510872.0A 2018-05-24 2018-05-24 一种肺癌病理图像数据集的构建方法 Pending CN108764329A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810510872.0A CN108764329A (zh) 2018-05-24 2018-05-24 一种肺癌病理图像数据集的构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810510872.0A CN108764329A (zh) 2018-05-24 2018-05-24 一种肺癌病理图像数据集的构建方法

Publications (1)

Publication Number Publication Date
CN108764329A true CN108764329A (zh) 2018-11-06

Family

ID=64005873

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810510872.0A Pending CN108764329A (zh) 2018-05-24 2018-05-24 一种肺癌病理图像数据集的构建方法

Country Status (1)

Country Link
CN (1) CN108764329A (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109893732A (zh) * 2019-02-28 2019-06-18 杭州智瑞思科技有限公司 一种基于循环神经网络的机械通气人机不同步检测方法
CN109979546A (zh) * 2019-04-04 2019-07-05 成都大学 基于人工智能数字病理的网络模型分析平台及构建方法
CN110335668A (zh) * 2019-05-22 2019-10-15 台州市中心医院（台州学院附属医院） 基于深度学习的甲状腺癌细胞病理图辅助分析方法及***
CN110415791A (zh) * 2019-01-29 2019-11-05 四川大学华西医院 一种病种库建立***及方法
CN110458087A (zh) * 2019-08-07 2019-11-15 湖南省华芯医疗器械有限公司 一种基于深度学习的患者问题部位标注方法
CN110472581A (zh) * 2019-08-16 2019-11-19 电子科技大学 一种基于深度学习的细胞图像分析方法
CN110765855A (zh) * 2019-09-12 2020-02-07 杭州迪英加科技有限公司 一种病理图像处理方法及***
CN111312372A (zh) * 2020-02-26 2020-06-19 广州金域医学检验中心有限公司 医学图像标准测试数据集的建立方法及装置
CN111325103A (zh) * 2020-01-21 2020-06-23 华南师范大学 一种细胞标注***和方法
CN111351831A (zh) * 2020-02-26 2020-06-30 西安交通大学医学院第二附属医院 基于质谱分析组织术中检测、标记设备及其检测方法
CN111461165A (zh) * 2020-02-26 2020-07-28 上海商汤智能科技有限公司 图像识别方法、识别模型的训练方法及相关装置、设备
CN112614573A (zh) * 2021-01-27 2021-04-06 北京小白世纪网络科技有限公司 基于病理图像标注工具的深度学习模型训练方法及装置
CN112926612A (zh) * 2019-12-06 2021-06-08 中移(成都)信息通信科技有限公司 病理图像分类模型训练方法、病理图像分类方法及装置
CN113063778A (zh) * 2021-03-10 2021-07-02 南通大学 一种应用于ai识别的胸水单体癌细胞制备方法
JP2023074997A (ja) * 2021-11-18 2023-05-30 倍利科技股▲ふん▼有限公司 Ａｉ自動支援型マーキングシステム及び方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101221118A (zh) * 2007-12-07 2008-07-16 东华大学 一种智能识别与计数痰涂片显微图像结核菌的***和方法
CN102304472A (zh) * 2011-05-18 2012-01-04 东华大学 一种快速检测痰涂片结核菌的装置与方法
CN107132268A (zh) * 2017-06-21 2017-09-05 佛山科学技术学院 一种用于识别肺癌组织的数据处理装置及***
CN107862694A (zh) * 2017-12-19 2018-03-30 济南大象信息技术有限公司 一种基于深度学习的手足口病检测***

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101221118A (zh) * 2007-12-07 2008-07-16 东华大学 一种智能识别与计数痰涂片显微图像结核菌的***和方法
CN102304472A (zh) * 2011-05-18 2012-01-04 东华大学 一种快速检测痰涂片结核菌的装置与方法
CN107132268A (zh) * 2017-06-21 2017-09-05 佛山科学技术学院 一种用于识别肺癌组织的数据处理装置及***
CN107862694A (zh) * 2017-12-19 2018-03-30 济南大象信息技术有限公司 一种基于深度学习的手足口病检测***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JIFENG DAI等: "R-FCN: Object Detection via Region-based Fully Convolutional Networks", 《ARXIV:1605.06409V2》 *
陈英豪: "半监督学习分类算法的研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110415791A (zh) * 2019-01-29 2019-11-05 四川大学华西医院 一种病种库建立***及方法
CN109893732A (zh) * 2019-02-28 2019-06-18 杭州智瑞思科技有限公司 一种基于循环神经网络的机械通气人机不同步检测方法
CN109979546A (zh) * 2019-04-04 2019-07-05 成都大学 基于人工智能数字病理的网络模型分析平台及构建方法
CN110335668A (zh) * 2019-05-22 2019-10-15 台州市中心医院（台州学院附属医院） 基于深度学习的甲状腺癌细胞病理图辅助分析方法及***
CN110458087A (zh) * 2019-08-07 2019-11-15 湖南省华芯医疗器械有限公司 一种基于深度学习的患者问题部位标注方法
CN110458087B (zh) * 2019-08-07 2022-03-11 湖南省华芯医疗器械有限公司 一种基于深度学习的患者问题部位标注方法
CN110472581A (zh) * 2019-08-16 2019-11-19 电子科技大学 一种基于深度学习的细胞图像分析方法
CN110765855A (zh) * 2019-09-12 2020-02-07 杭州迪英加科技有限公司 一种病理图像处理方法及***
CN110765855B (zh) * 2019-09-12 2023-04-18 杭州迪英加科技有限公司 一种病理图像处理方法及***
CN112926612A (zh) * 2019-12-06 2021-06-08 中移(成都)信息通信科技有限公司 病理图像分类模型训练方法、病理图像分类方法及装置
CN111325103A (zh) * 2020-01-21 2020-06-23 华南师范大学 一种细胞标注***和方法
CN111325103B (zh) * 2020-01-21 2020-11-03 华南师范大学 一种细胞标注***和方法
CN111461165A (zh) * 2020-02-26 2020-07-28 上海商汤智能科技有限公司 图像识别方法、识别模型的训练方法及相关装置、设备
CN111351831A (zh) * 2020-02-26 2020-06-30 西安交通大学医学院第二附属医院 基于质谱分析组织术中检测、标记设备及其检测方法
CN111312372A (zh) * 2020-02-26 2020-06-19 广州金域医学检验中心有限公司 医学图像标准测试数据集的建立方法及装置
CN112614573A (zh) * 2021-01-27 2021-04-06 北京小白世纪网络科技有限公司 基于病理图像标注工具的深度学习模型训练方法及装置
CN113063778A (zh) * 2021-03-10 2021-07-02 南通大学 一种应用于ai识别的胸水单体癌细胞制备方法
JP2023074997A (ja) * 2021-11-18 2023-05-30 倍利科技股▲ふん▼有限公司 Ａｉ自動支援型マーキングシステム及び方法

Similar Documents

Publication Publication Date Title
CN108764329A (zh) 一种肺癌病理图像数据集的构建方法
CN112101451B (zh) 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法
CN111488921B (zh) 一种全景数字病理图像智能分析***及方法
CN107247971B (zh) 一种超声甲状腺结节风险指标的智能分析方法及***
CN108564026A (zh) 用于甲状腺肿瘤细胞学涂片图像分类的网络构建方法及***
CN107203692A (zh) 基于深度卷积神经网络的房颤检测的实现方法
CN106248559A (zh) 一种基于深度学习的白细胞五分类方法
CN110491480A (zh) 一种医疗图像处理方法、装置、电子医疗设备和存储介质
CN109410238B (zh) 一种基于PointNet++网络的枸杞识别计数方法
CN111178197A (zh) 基于Mask R-CNN和Soft-NMS融合的群养粘连猪实例分割方法
CN113781397B (zh) 基于联邦学习的医疗影像病灶检测建模方法、装置及***
CN110222701A (zh) 一种桥梁病害自动识别方法
CN106446942A (zh) 基于增量学习的农作物病害识别方法
CN114663431A (zh) 基于强化学习和注意力的胰腺肿瘤图像分割方法及***
CN108564123A (zh) 一种甲状腺肿瘤细胞学涂片图像分类方法及其装置
CN106611423B (zh) 基于脊波滤波器和反卷积结构模型的sar图像分割方法
CN108305253A (zh) 一种基于多倍率深度学习的病理全切片诊断方法
CN109544511B (zh) 基于粒子群算法优化的卷积神经网络对肺结节识别的方法
CN109102515A (zh) 一种基于多列深浅卷积神经网络的细胞计数方法
CN109994151A (zh) 基于复杂网络与机器学习方法的肿瘤驱动基因预测***
CN110111895A (zh) 一种鼻咽癌远端转移预测模型的建立方法
CN107578402A (zh) 一种基于深度学习的肺部结节的检测***及其使用方法
CN111832615A (zh) 一种基于前景背景特征融合的样本扩充方法及***
CN111814563B (zh) 一种种植结构的分类方法及装置
CN103593674A (zh) 一种颈部***超声图像特征选择方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20181106