CN108898175B - 基于深度学习胃癌病理切片的计算机辅助模型构建方法 - Google Patents
基于深度学习胃癌病理切片的计算机辅助模型构建方法 Download PDFInfo
- Publication number
- CN108898175B CN108898175B CN201810665639.XA CN201810665639A CN108898175B CN 108898175 B CN108898175 B CN 108898175B CN 201810665639 A CN201810665639 A CN 201810665639A CN 108898175 B CN108898175 B CN 108898175B
- Authority
- CN
- China
- Prior art keywords
- model
- gastric cancer
- pathological section
- training
- cancer pathological
- 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.)
- Expired - Fee Related
Links
- 208000005718 Stomach Neoplasms Diseases 0.000 title claims abstract description 58
- 206010017758 gastric cancer Diseases 0.000 title claims abstract description 58
- 201000011549 stomach cancer Diseases 0.000 title claims abstract description 58
- 230000001575 pathological effect Effects 0.000 title claims abstract description 46
- 238000013135 deep learning Methods 0.000 title claims abstract description 14
- 238000010276 construction Methods 0.000 title claims abstract description 6
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 230000007704 transition Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000010200 validation analysis Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 230000007246 mechanism Effects 0.000 abstract description 4
- 239000012141 concentrate Substances 0.000 abstract description 3
- 238000013526 transfer learning Methods 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 abstract 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 230000007170 pathology Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了基于深度学习胃癌病理切片的计算机辅助模型构建方法，属于人工智能技术领域。本方法使用了一个121层稠密连接卷积神经网络进行图像的识别。DenseNet中的稠密块结构让网络的高层部分获取到浅层特征，很好地减轻过拟合现象。同时该模型层数较多，能拟合出更为复杂、更加光滑的决策函数。尽管层数很多，但该模型的参数数量并不多，很好地节约了资源占用。为进一步避免过拟合，采用了迁移学习的训练机制。模型会先在ImageNet数据集上进行预训练，让模型获得很强的图像特征提取能力，在正式训练时模型的主要优化就能更好地集中在如何提取患病区域的特征，极大地提高数据的利用效率。
Description
技术领域
本发明属于人工智能技术领域，主要是一种基于深度学习算法，并使用了注意力机制增强效果的胃癌病理切片计算机辅助识别模型构建方法。
背景技术
计算机辅助诊断(Computer-Aided Diagnosis,CAD)是当前人工智能在医学领域重要应用，已经成为当前的一大研究热点。近几年来，随着大数据技术的不断发展，人们可以轻松地获取有效的医学信息，并且现如今计算能力大幅提升，计算机对病理图像有着非常强大的处理与分析能力。病理学家已经认识到CAD对病理组织图像的评价分析具有很高的鲁棒性与高效性，这些结果可以很好地支持病理学家对疾病的判断，并为进一步治疗提供了更准确的参考。因此，借助现代计算机的强大计算能力，构建一个高鲁棒性的胃癌病理切片CAD模型是可行的，并且具有重要意义。
目前，CAD在该领域上的研究还非常稀少。现存方法中主要是使用支持向量机(SupportVector Machine,SVM)进行分类。Cosatto等人基于感兴趣区域(Regions-of-Interest,ROI)对每个胃癌病理切片的不同区域进行分割、标注，根据切片的颜色手动提取特征，构建训练集，然后使用多示例的方式进行半监督训练，使用SVM对样本进行分类。这些传统方法还是拥有一定的缺陷。首先，在进行病理图像分割以及特征提取时，会要求研究人员拥有相关领域的专业知识，否则很难对样本切片中的的形态学特征、纹理特征以及相关结构进行描述。同时，病理图像往往十分复杂，传统方法可能难以提取出有区分性的高质量特征，导致识别精度较为一般。
发明内容
本发明运用人工智能技术，实现基于深度学习的胃癌病理切片的识别，辅助医生临床诊断。首先收集胃癌病理切片真实数据集，进行数据标注，分析数据集质量，并进行数据增强与数据预处理。然后构建出高效提取出胃癌病理切片图像特征的卷积神经网络(Convolutional NeuralNetwork,CNN)，最终使用建立好的数据集对模型进行训练并测试，完成对胃癌病理切片的识别。
本发明主要面对的问题有如下几点：
1、高质量的胃癌病理图像十分珍贵，图像内容极其复杂，数据少、难度大，在训练过程中模型很容易出现过拟合的状况；
2、图像尺寸较大，都在百万级像素，难以计算，直接进行分析识别会占用大量的计算资源，考虑到实际使用，模型必须有较高的识别效率以及较低的资源占用；
3、一幅胃癌病例切片图像中可能有很大片的区域都是正常区域，这可能会干扰模型对特征的提取；
4、在实际过程中，会更希望对样本有更细致的检测，因此模型要对胃癌的胃癌病理切片，即正样本有较高的敏感度。
针对上述问题，本发明使用了一个121层稠密连接卷积神经网络(DenselyConnected Convolutional Network,DenseNet)进行图像的识别。DenseNet中的稠密块(Dense Block)结构可以让网络的高层部分获取到浅层特征，很好地减轻过拟合现象。同时该模型层数较多，能拟合出更为复杂、更加光滑的决策函数。尽管层数很多，但该模型的参数数量并不多，很好地节约了资源占用。为进一步避免过拟合，本发明还采用了迁移学习的训练机制。模型会先在ImageNet数据集上进行预训练，让模型获得很强的图像特征提取能力，在正式训练时模型的主要优化就能更好地集中在如何提取胃癌区域的特征，极大地提高数据的利用效率。
得力于该模型强大地特征提取能力，将输入图像压缩到了224×224的尺寸，大幅减少模型参数数量，加快计算。同时由于在ImageNet数据集上的预训练，胃癌切片数据集的数据分布越接近ImageNet数据集，则会有越好的训练成果，因此所有数据在进入模型前都使用了ImageNet数据集的平均值与方差进行标准化处理。训练时也对数据进行了随机的水平、竖直翻转以及15°的旋转进行数据增强。
为了进一步强调图像中胃癌区域中所包含的信息，本方法将注意力机制引入DenseNet之中。医生在对病理切片进行诊断时也过多关注正常部分，而是会将更多精力集中于有胃癌嫌疑的区域。因此在模型的第一个、第二个、第三个稠密块之间的过渡层(Transition Layer)后加入了注意力模块(Attention Module)。进入该模块的特征图(Feature Map)通过两次连续的上采样与下采样，即通过训练时的上下文自发地让模型学习特征图中每一点代表胃癌特征的概率，之后再根据概率大小加强特征图中的胃癌相关信息。两次上采样与下采样即先通过两次卷积操作以及池化操作增大感受野，压缩特征图，再通过两次反卷积操作以及上池化操作还原输入尺寸。在第一次上采样之后，其输出会通过一个跳跃式连接(Skip Connection)与第一次下采样的结果相加，这会促使网络从多个感受野提取信息。由于特征图在经过DenseNet的卷积结构之后会与原输入进行拼接，因此数据每经过一次卷积就会膨胀一次，很不利于特征图的压缩。因此本发明在注意力模块中改用ResNet的残差结构进行卷积，以此来继续保留底层部分中提取出的特征。
本发明在训练过程中使用了交叉熵函数，为了增强模型对胃癌切片的敏感度，本发明在交叉熵函数中正样本的部分加上了一个大于1的权重。
综上所述，基于深度学习胃癌病理切片的计算机辅助模型构建方法，该方法包括以下步骤：
步骤1、构建一个121层的DenseNet模型，如图8所示，该模型的主干部分是由4个逐渐加深的稠密结构与4个过渡层交替拼接而成。其中的过渡层结构以及组成稠密结构的基本卷积结构分布如图2与图1。每个稠密结构内，每次卷积操作开始前，都会将之前每一次卷积的结果在通道方向上拼接，实现跳跃式的特征传递。模型的最后一层为一个Sigmoid单输出的全连接层，输出模型分类的结果。除最后一层外，所有层的参数均初始化为该模型结构在ImageNet数据集上预训练好的参数；
步骤2、对胃癌病理切片数据集进行相关预处理；具体包括以下步骤：
步骤2.1、将每张胃癌病理切片的图像使用二线性插值的方式压缩至224×224的尺寸；
步骤2.2、使用ImageNet数据集的平均值与方差对胃癌病理切片数据集进行标准化处理；
步骤2.3、将胃癌病理切片数据集中胃癌病理切片图像随机地分为三组：训练集、验证集以及测试集，作为优选，训练集中的数据占所有数据的80％，验证集与测试集中的数据占所有数据的80％；
步骤3、使用预处理好的数据集对模型进行训练。
作为优选，步骤3具体包括以下步骤：
步骤3.1、模型的训练算法调为使用标准的Adam优化算法对模型进行训练，损失函数设为在正样本部分添加了值1.5权重的交叉熵函数，训练时batch size为10；
步骤3.2、训练时，胃癌病理切片图像进入模型前，有20％的几率会进行如下操作中的其中一种以进行数据增强：随机地进行水平、竖直翻转，以及15°的正时针或逆时针旋转，其中超出边界的点会被替换为白色(RGB(255,255,255)),即胃癌病理切片的背景颜色；
步骤3.3、模型在胃癌病理切片数据集上训练2个epoch，使其获得提取胃癌病理切片特征的基本能力；
步骤3.4、在模型的第一个、第二个、第三个稠密块之间，添加注意力模块。继续训练60个epoch，让模型在接下来的训练过程中自发地将更多注意力集中于胃癌部分。在每训练一个epoch之后，让模型对验证集进行预测，同时记录模型预测的正确率。最终选择验证集损失值最小的模型作为最终结果。
步骤3.5、保存最优模型，并使用测试集数据测量该模型分类的准确率。
作为优选，模型的整体训练平台是基于云端的，Keras框架搭建于Linux***上,后端使用TensorFlow。训练的GPU为GTX1080，使用CUDA作为显卡计算的运算驱动，并使用cuDNN对深度学习进行加速。
与现有技术相比，本发明具有以下明显优势：
1、在深度学习算法的帮助下，本CAD模型自动地提取出胃癌病理切片中的特征，完全摆脱了相关医学专业知识的束缚；
2、本发明所构建出的模型识别精度较高，明显高于现有的传统方法；
3、对数据量的依赖大幅减少，由于DenseNet本身模型结构的优势以及迁移学习的应用，该模型在数据量较少的情况下，也可以避免过拟合，训练出高精度的模型；
4、模型收敛速度较快，训练时的资源占用较低。
5、模型参数较少，在进行样本识别时运算效率高，资源占用低，可以很好地投入实际实用之中；
6、模型对胃癌切片有较高的敏感度，降低了医疗事故出现的可能性。
附图说明：
图1为识别模型中的稠密卷积结构(Dense Conv Block)；
图2为识别模型中稠密卷积结构间的过渡层(Transition Layer)；
图3为识别模型中用于大幅压缩输入图像的输入处理结构(Input Block)；
图4为识别模型中的残差卷积结构(Residual Conv Block)；
图5为注意力模块中的下采样结构(Down Sample Block)；
图6为注意力模块中的上采样结构(Up Sample Block)；
图7为注意力模块(Attention Module)的基本结构；
图8为本方法识别模型添加注意力模型之前的结构；
图9为本方法识别模型添加注意力模型之后的结构。
具体实施方式
以下结合具体实施例，并参照附图，对本发明进一步详细说明。
本发明所用到的硬件为一台可以进行深度学习的工作站。所使用的辅助工具为深度学习训练框架Keras。
本发明所提供的基于深度学习的胃癌病理切片的计算机辅助诊断模型构建方法主要包括以下步骤：
步骤1，构建一个121层的DenseNet模型，如图8所示，该模型的主干部分是由4个逐渐加深的稠密结构与4个过渡层交替拼接而成。其中的过渡层结构以及组成稠密结构的基本卷积结构分布如图2与图1。每个稠密结构内，每次卷积操作开始前，都会将之前每一次卷积的结果在通道方向上拼接，实现跳跃式的特征传递。模型的最后一层为一个Sigmoid单输出的全连接层，输出模型分类的结果。除最后一层外，所有层的参数均初始化为该模型结构在ImageNet数据集上预训练好的参数
步骤2，对胃癌病理切片数据集进行相关预处理。
步骤2.1，将每张胃癌病理切片的图像使用二线性插值的方式压缩至224×224的尺寸。
步骤2.2，使用ImageNet数据集的平均值与方差对胃癌病理切片数据集进行标准化处理，即对于图像中第i个点的原像素值xi有：
其中μ和σ2分别代表ImageNet数据集的均值与方差。
步骤2.3，将胃癌病理切片数据集中胃癌病理切片图像随机地分为三组：训练集、验证集以及测试集。训练集中的数据占所有数据的80％，验证集与测试集中的数据占所有数据的80％。
步骤2.4，训练集数据进入模型前，会有随机地进行水平、竖直翻转，以及15°的正时针或逆时针旋转，其中超出边界的点会被替换为白色(RGB(255,255,255)),即胃癌病理切片的背景颜色。
步骤3，使用处理好的数据集对模型进行训练。
步骤3.1、模型的训练算法调为使用标准的Adam优化算法对模型进行训练，batchsize设为10，损失函数设为在正样本部分添加了值1.5权重的交叉熵函数，最终的交叉熵函数为：
loss(y,y′)＝wy·-log(y′)+(1-y)·-log(1-y′)，
其中y为期望输出，y’为实际输出，w为权重且值为1.5。
步骤3.2、训练时，胃癌病理切片图像进入模型前，有20％的几率会进行如下操作中的其中一种以进行数据增强：随机地进行水平、竖直翻转，以及15°的正时针或逆时针旋转，其中超出边界的点会被替换为白色(RGB(255,255,255)),即胃癌病理切片的背景颜色；
步骤3.3，模型在胃癌病理切片数据集上训练2个epoch，使其获得提取胃癌病理切片特征的基本能力。
步骤3.4，如图8所示，在模型的第一个、第二个、第三个稠密块之间，添加注意力模块，如图中虚线部分所示。注意力模块的结构如图7所示。继续训练60个epoch，让模型在接下来的训练过程中自发地将更多注意力集中于胃癌部分。在每训练一个epoch之后，让模型对验证集进行预测，同时记录模型预测的正确率。最终选择验证集损失值最小的模型作为最终结果。
步骤3.5、保存最优模型，并使用测试集数据测量该模型分类的准确率。
以上实施例仅为本发明的示例性实施例，不用于限制本发明，本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。
Claims (2)
1.基于深度学习胃癌病理切片的计算机辅助模型构建方法，其特征在于：该方法包括以下步骤：
步骤1、构建一个121层的DenseNet模型，该模型的主干部分是由4个逐渐加深的稠密结构与4个过渡层交替拼接而成；每个稠密结构内，每次卷积操作开始前，都会将之前每一次卷积的结果在通道方向上拼接，实现跳跃式的特征传递；模型的最后一层为一个Sigmoid单输出的全连接层，输出模型分类的结果；除最后一层外，所有层的参数均初始化为该模型结构在ImageNet数据集上预训练好的参数；
步骤2、对胃癌病理切片数据集进行相关预处理；具体包括以下步骤：
步骤2.1、将每张胃癌病理切片的图像使用二线性插值的方式压缩至224×224的尺寸；
步骤2.2、使用ImageNet数据集的平均值与方差对胃癌病理切片数据集进行标准化处理；
步骤2.3、将胃癌病理切片数据集中胃癌病理切片图像随机地分为三组：训练集、验证集以及测试集，训练集中的数据占所有数据的80％，验证集与测试集中的数据占所有数据的80％；
步骤3、使用预处理好的数据集对模型进行训练；
步骤3具体包括以下步骤：
步骤3.1、模型的训练算法调为使用标准的Adam优化算法对模型进行训练，损失函数设为在正样本部分添加了值1.5权重的交叉熵函数，训练时batch size为10；
步骤3.2、训练时，胃癌病理切片图像进入模型前，有20％的几率会进行如下操作中的其中一种以进行数据增强：随机地进行水平、竖直翻转，以及15°的正时针或逆时针旋转，其中超出边界的点会被替换为白色，即胃癌病理切片的背景颜色；
步骤3.3、模型在胃癌病理切片数据集上训练2个epoch，使其获得提取胃癌病理切片特征的基本能力；
步骤3.4、在模型的第一个、第二个、第三个稠密块之间，添加注意力模块；继续训练60个epoch，让模型在接下来的训练过程中自发地将更多注意力集中于胃癌部分；在每训练一个epoch之后，让模型对验证集进行预测，同时记录模型预测的正确率；最终选择验证集损失值最小的模型作为最终结果；
步骤3.5、保存最优模型，并使用测试集数据测量该模型分类的准确率。
2.根据权利要求1所述的基于深度学***台是基于云端的，Keras框架搭建于Linux***上,后端使用TensorFlow；训练的GPU为GTX1080，使用CUDA作为显卡计算的运算驱动，并使用cuDNN对深度学习进行加速。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810665639.XA CN108898175B (zh) | 2018-06-26 | 2018-06-26 | 基于深度学习胃癌病理切片的计算机辅助模型构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810665639.XA CN108898175B (zh) | 2018-06-26 | 2018-06-26 | 基于深度学习胃癌病理切片的计算机辅助模型构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108898175A CN108898175A (zh) | 2018-11-27 |
| CN108898175B true CN108898175B (zh) | 2020-11-20 |
Family
ID=64346080
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810665639.XA Expired - Fee Related CN108898175B (zh) | 2018-06-26 | 2018-06-26 | 基于深度学习胃癌病理切片的计算机辅助模型构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108898175B (zh) |
Families Citing this family (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109784347B (zh) * | 2018-12-17 | 2022-04-26 | 西北工业大学 | 基于多尺度稠密卷积神经网络和谱注意力机制的图像分类方法 |
| CN109685141B (zh) * | 2018-12-25 | 2022-10-04 | 合肥哈工慧拣智能科技有限公司 | 一种基于深度神经网络的机器人物品分拣视觉检测方法 |
| CN109727238A (zh) * | 2018-12-27 | 2019-05-07 | 贵阳朗玛信息技术股份有限公司 | X光胸片的识别方法及装置 |
| CN110378463B (zh) * | 2019-07-15 | 2021-05-14 | 北京智能工场科技有限公司 | 一种人工智能模型标准化训练平台及自动化*** |
| CN110738231B (zh) * | 2019-07-25 | 2022-12-27 | 太原理工大学 | 改进S-DNet神经网络模型的乳腺X射线图像的分类方法 |
| CN110472676A (zh) * | 2019-08-05 | 2019-11-19 | 首都医科大学附属北京朝阳医院 | 基于深度神经网络的胃早癌组织学图像分类*** |
| CN110633385B (zh) * | 2019-09-24 | 2023-05-12 | 天津医科大学 | 一种医学影像的检索与压缩方法 |
| CN110706793A (zh) * | 2019-09-25 | 2020-01-17 | 天津大学 | 一种基于注意力机制的甲状腺结节半监督分割方法 |
| CN110766670A (zh) * | 2019-10-18 | 2020-02-07 | 厦门粉红思黛医学科技有限公司 | 一种基于深度卷积神经网络的乳腺钼靶图像肿瘤定位算法 |
| CN111126175A (zh) * | 2019-12-05 | 2020-05-08 | 厦门大象东方科技有限公司 | 一种基于深度卷积神经网络的面部图像识别算法 |
| CN111680553A (zh) * | 2020-04-29 | 2020-09-18 | 北京联合大学 | 一种基于深度可分离卷积的病理图像识别方法及*** |
| CN112488234B (zh) * | 2020-12-10 | 2022-04-29 | 武汉大学 | 一种基于注意力池化的端到端组织病理图像分类方法 |
| CN112767329B (zh) * | 2021-01-08 | 2021-09-10 | 北京安德医智科技有限公司 | 图像处理方法及装置、电子设备 |
| CN113109327B (zh) * | 2021-03-09 | 2023-11-17 | 杭州市林业科学研究院 | 一种山核桃树干腐病的预测方法 |
| CN113011306A (zh) * | 2021-03-15 | 2021-06-22 | 中南大学 | 连续成熟阶段骨髓细胞图像自动识别方法、***及介质 |
| CN113112459A (zh) * | 2021-03-26 | 2021-07-13 | 四川大学 | 口腔鳞状细胞癌分化程度预测*** |
| CN113192633B (zh) * | 2021-05-24 | 2022-05-31 | 山西大学 | 基于注意力机制的胃癌细粒度分类方法 |
| CN113628754B (zh) * | 2021-08-12 | 2022-04-08 | 武剑 | 基于人工智能的脑血管病动态预测模型构建方法及*** |
| CN113947607B (zh) * | 2021-09-29 | 2023-04-28 | 电子科技大学 | 一种基于深度学习的癌症病理图像生存预后模型构建方法 |
| CN114862770B (zh) * | 2022-04-18 | 2024-05-14 | 华南理工大学 | 一种基于SENet的胃癌病理切片图像分割预测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104834943A (zh) * | 2015-05-25 | 2015-08-12 | 电子科技大学 | 一种基于深度学习的脑肿瘤分类方法 |
| CN108021916A (zh) * | 2017-12-31 | 2018-05-11 | 南京航空航天大学 | 基于注意力机制的深度学习糖尿病视网膜病变分类方法 |
| CN108038519A (zh) * | 2018-01-30 | 2018-05-15 | 浙江大学 | 一种基于稠密的特征金字塔网络的宫颈图像处理方法及装置 |
| CN108108757A (zh) * | 2017-12-18 | 2018-06-01 | 深圳市唯特视科技有限公司 | 一种基于卷积神经网络的糖尿病足部溃疡分类方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7466872B2 (en) * | 2005-06-20 | 2008-12-16 | Drvision Technologies Llc | Object based boundary refinement method |
-
2018
- 2018-06-26 CN CN201810665639.XA patent/CN108898175B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104834943A (zh) * | 2015-05-25 | 2015-08-12 | 电子科技大学 | 一种基于深度学习的脑肿瘤分类方法 |
| CN108108757A (zh) * | 2017-12-18 | 2018-06-01 | 深圳市唯特视科技有限公司 | 一种基于卷积神经网络的糖尿病足部溃疡分类方法 |
| CN108021916A (zh) * | 2017-12-31 | 2018-05-11 | 南京航空航天大学 | 基于注意力机制的深度学习糖尿病视网膜病变分类方法 |
| CN108038519A (zh) * | 2018-01-30 | 2018-05-15 | 浙江大学 | 一种基于稠密的特征金字塔网络的宫颈图像处理方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| Deep Learning Based Gastric Cancer Indentification;Yuexiang Li;《2018 IEEE 15th International Symposium on Biomedical Imaging》;20180407;第182-185页 * |
| 人工智能在肿瘤病理诊断和评估中的应用与思考;于观贞;《第二军医大学学报》;20171120;第38卷(第11期);第1349-1354页 * |
| 基于三维全卷积DenseNet的脑胶质瘤MRI分割;黄奕晖,冯前进;《南方医科大学学报》;20180620;第38卷(第6期);第661-668页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108898175A (zh) | 2018-11-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108898175B (zh) | 基于深度学习胃癌病理切片的计算机辅助模型构建方法 | |
| 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 | |
| CN109272048B (zh) | 一种基于深度卷积神经网络的模式识别方法 | |
| CN110428432B (zh) | 结肠腺体图像自动分割的深度神经网络算法 | |
| CN110689025B (zh) | 图像识别方法、装置、***及内窥镜图像识别方法、装置 | |
| CN111932529B (zh) | 一种图像分类分割方法、装置及*** | |
| CN111951288B (zh) | 一种基于深度学习的皮肤癌病变分割方法 | |
| CN110930416A (zh) | 一种基于u型网络的mri图像***分割方法 | |
| CN112712528B (zh) | 一种多尺度u型残差编码器与整体反向注意机制结合的肠道病灶分割方法 | |
| CN113034505B (zh) | 一种基于边缘感知网络的腺体细胞图像分割方法及装置 | |
| CN110859624A (zh) | 一种基于结构磁共振影像的大脑年龄深度学习预测*** | |
| CN110991254B (zh) | 超声图像视频分类预测方法及*** | |
| CN112348059A (zh) | 基于深度学习的多种染色病理图像分类方法及*** | |
| CN115375711A (zh) | 基于多尺度融合的全局上下文关注网络的图像分割方法 | |
| CN111951281A (zh) | 图像分割方法、装置、设备及存储介质 | |
| Al-Masni et al. | A deep learning model integrating FrCN and residual convolutional networks for skin lesion segmentation and classification | |
| CN115147600A (zh) | 基于分类器权重转换器的gbm多模态mr图像分割方法 | |
| CN114943721A (zh) | 一种建立基于改进U-Net网络的颈部超声图像分割方法 | |
| CN112884788A (zh) | 基于丰富上下文网络的视杯视盘分割方法及成像方法 | |
| CN115311194A (zh) | 一种基于transformer和SE块的CT自动肝脏图像分割方法 | |
| CN115496720A (zh) | 基于ViT机制模型的胃肠癌病理图像分割方法及相关设备 | |
| CN115294075A (zh) | 一种基于注意力机制的octa图像视网膜血管分割方法 | |
| CN116758336A (zh) | 一种基于人工智能的医学图像智能分析*** | |
| CN115601330A (zh) | 一种基于多尺度空间反向注意力机制的结肠息肉分割方法 | |
| CN110827963A (zh) | 针对病理图像的语义分割方法和电子设备 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201120 |