CN111950544A - 一种确定病理图像中感兴趣区域的方法及装置 - Google Patents
一种确定病理图像中感兴趣区域的方法及装置 Download PDFInfo
- Publication number
- CN111950544A CN111950544A CN202010620187.0A CN202010620187A CN111950544A CN 111950544 A CN111950544 A CN 111950544A CN 202010620187 A CN202010620187 A CN 202010620187A CN 111950544 A CN111950544 A CN 111950544A
- Authority
- CN
- China
- Prior art keywords
- region
- sub
- interest
- regions
- determining
- 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
Links
Images
Classifications
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种确定病理图像中感兴趣区域的方法及装置、计算机设备、和计算机可读存储介质。所述方法包括:对病理图像进行切分以获得多个子区域。获取每一个子区域的至少一个关联区域,其中,所述关联区域与所述子区域部分重合。将所述子区域及其关联区域输入至分类模型以获得所述子区域为感兴趣区域的置信度。基于所述子区域为感兴趣区域的置信度和预设阈值确定所述病理图像中的感兴趣区域。本发明的方案,一方面提高了阅片效率和阅片的准确度,另一方面也提高了确定子区域是否为感兴趣区域的准确率和速度。
Description
技术领域
本发明涉及医疗技术领域,特别涉及一种确定病理图像中感兴趣区域的方法及装置、计算机设备、计算机可读存储介质。
背景技术
目前通常通过病理检查来确诊是否患有癌症。将待检组织切片后进行染色操作以得到不同的染色图像,如免疫组化染色图像。病理科的医生通过在显微镜下对染色图像中的感兴趣区域进行整体和局部观察,以完成一例病理的诊断。然而通过人工的方式观察染色图像,如在显微镜下寻找癌巢时,耗时耗力,阅片效率低,且存在较大的主观性,可能会出现误判的情况。
因此,如何能够确定出病理图像中的感兴趣区域,提高阅片效率和阅片的准确度,成为目前亟待解决的问题之一。
发明内容
本发明提供一种确定病理图像中感兴趣区域的方法、装置、计算机设备及计算机可读存储介质,以确定出病理图像中的感兴趣区域。一方面提高了对病理图像进行阅片的效率,另一方面也提高了对病理图像进行阅片的准确度。
本发明提供一种确定病理图像中感兴趣区域的方法,包括:
对病理图像进行切分以获得多个子区域;
获取每一个子区域的至少一个关联区域,其中,所述关联区域与所述子区域部分重合;
将所述子区域及其关联区域输入至分类模型以获得所述子区域为感兴趣区域的置信度;
基于所述子区域为感兴趣区域的置信度和预设阈值确定所述病理图像中的感兴趣区域。
可选的,所述子区域包含于其关联区域中。
可选的,所述子区域及其关联区域的中心相同。
可选的,所述子区域及其关联区域的形状相同。
可选的,所述子区域的关联区域为两个。
可选的,所述感兴趣区域为癌巢。
本发明还提供一种确定病理图像中感兴趣区域的装置,包括:
切分单元,用于对病理图像进行切分以获得多个子区域;
获取单元,用于获取每一个子区域的至少一个关联区域,其中,所述关联区域与所述子区域部分重合;
分类模型,用于输入所述子区域及其关联区域,输出所述子区域为感兴趣区域的置信度;
确定单元,用于基于所述子区域为感兴趣区域的置信度和预设阈值确定所述病理图像中的感兴趣区域。
本发明还提供一种计算机设备,包括至少一个处理器、以及至少一个存储器,其中,所述存储器存储有计算机程序,当所述程序被所述处理器执行时,使得所述处理器能够执行上述的确定病理图像中感兴趣区域的方法。
本发明还提供一种计算机可读存储介质,当所述存储介质中的指令由设备内的处理器执行时,使得所述设备能够执行上述的确定病理图像中感兴趣区域的方法。
与现有技术相比,本发明的技术方案具有如下有益效果:
对病理图像进行切分以获得多个子区域,获取每一个子区域的至少一个关联区域,其中,所述关联区域与所述子区域部分重合。将所述子区域及其关联区域输入至分类模型以获得所述子区域为感兴趣区域的置信度。基于所述子区域为感兴趣区域的置信度和预设阈值确定所述病理图像中的感兴趣区域。由于无需再通过人工的方式对病理图像进行阅片,因此,在一定程度上提高了阅片效率的同时也提高了阅片的准确度。进一步地,由于在判断子区域是否为感兴趣区域时,不仅仅是将所述子区域输入至分类模型,而是将所述子区域的关联区域也输入至分类模型,因此,分类模型的输入融合了包括子区域的多个尺度的区域信息,进而提高了分类的准确率,也即提高了确定子区域是否为感兴趣区域的准确率。另外,在确定病理图像中的感兴趣区域时,将病理图像切分称多个子区域,通过判断每一个子区域是否为感兴趣区域,进而确定病理图像中的感兴趣区域,也在一定程度上提高了确定病理图像中感兴趣区域的速度。此外,采用上述方案确定病理图像中的感兴趣区域,简单高效。
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、权利要求书、以及附图中所特别指出的结构来实现和获得。
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
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:
图1为本发明实施例的病理图像的示意图;
图2为本发明实施例的确定病理图像中感兴趣区域的方法的示意图;
图3为本发明实施例的分类模型的示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,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做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
正如背景技术中提到的,现有技术中通过在显微镜下对病理切片进行整体和局部的观察来寻找感兴趣区域,如癌巢(主要由癌细胞组成),然而人工寻找感兴趣区域,费时费力且还可能存在一定的误判。因此,本发明实施例中,可以通过对病理切片放大一定的倍数,如20倍、40倍后进行扫描以获得病理图像,再通过人工智能的方式确定病理图像中的感兴趣区域,提高阅片效率和阅片的准确度。图1为本发明实施例的病理图像的示意图,图1中的病理图像中包括了肿瘤细胞(阳性肿瘤细胞、阴性肿瘤细胞)、免疫细胞、其他细胞等。一般来讲,判断病理图像中的细胞是否是癌细胞主要是通过染色的细胞核的大小及细胞核颜色深浅,细胞核大颜色浅,通常为癌细胞。发明人考虑到,在对病理图像中的癌巢进行识别时,待识别区域的尺寸不同时,细胞核所呈现的相对的大小及相对的颜色也是不同的。如,待识别区域较小时,细胞核相对呈现的较大,染色相对呈现的较深,但是随着待识别区域的增大,细胞核会相对呈现的较小,染色会相对呈现的较浅。因此,发明人提出,在通过神经网络对癌细胞进行识别时,不仅仅输入一个待识别的子区域,而是在该待识别的子区域的基础上,获得与其关联的多个关联区域,将待识别的子区域和其关联区域一同输入至神经网络,以通过神经网络来确定输入的待识别区域是否为癌巢。
以下以感兴趣区域为癌巢对本发明的技术方案进行详细的描述,但是本发明的技术方案还可以对其他的感兴趣区域进行识别,如由其他细胞组成的区域,因此,感兴趣区域为癌巢不应作为对本发明技术方案的限定。
参见图2,图2为本发明实施例的确定病理图像中感兴趣区域的方法的示意图。如图2所示,本发明实施例的确定病理图像中感兴趣区域的方法包括:
S101:对病理图像进行切分以获得多个子区域。
S102:获取每一个子区域的至少一个关联区域,其中,所述关联区域与所述子区域部分重合。
S103:将所述子区域及其关联区域输入至分类模型以获得所述子区域为感兴趣区域的置信度。
S104:基于所述子区域为感兴趣区域的置信度和预设阈值确定所述病理图像中的感兴趣区域。
执行S101,对所述病理图像进行切分,以获得多个子区域,本实施例中可以将所述病理图像切分为512╳512大小的多个子区域,也可以切分为比其大或者小的子区域,本领域技术人员可以根据实际需求将病理图像切分为不同大小的子区域。子区域的形状可以是正方形、矩形、圆形等。
执行S102:获取每一个子区域的至少一个关联区域。本实施例中,与子区域关联的关联区域,与该子区域部分重合,其可以是比子区域大的区域,也可以是比子区域小的区域,关联区域的形状与子区域的形状可以相同也可以不同,如子区域为正方形,关联区域为矩形。子区域为矩形,关联区域为正方形。另外,关联区域和其子区域中心可以相同也可以不同。本实施例中为了便于获取子区域的关联区域且提高对子区域分类的准确度,所述关联区域与所述子区域中心相同,形状相同。具体地,本实施例中,考虑到最终对子区域分类的准确度和分类速度,对每一个子区域,选取两个与其关联的关联区域。具体地,以所述子区域为512╳512的区域为例,其关联区域可以分别是与子区域中心和形状均相同的大小分别为1024╳1024、2048╳2048的两个关联区域。当然,在其他实施例中,所述子区域可以为2048╳2048,其关联区域可以分别为与其中心和形状均相同的大小分别为1024╳1024、512╳512的两个关联区域。
执行S103:将所述子区域及其关联区域输入至分类模型以获得所述子区域为感兴趣区域的置信度。本实施例中,所述分类模型包括:特征提取网络和分类网络,特征提取网络的输出作为分类网络的输入。参见图3,图3为本发明实施例的分类模型的示意图,以子区域为512╳512的区域,关联区域分别为1024╳1024、2048╳2048的区域为例对本发明实施例的分类模型进行描述。
如图3所示,子区域及其关联区域作为分类模型的三路输入至特征提取网络,对于每一路输入而言,可以将其通过若干个连续的卷积模块,以输出相应的特征图,本实施例中,以输出的特征图的大小为256╳256进行说明,在其他实施例中,输出的特征图的大小也可以为128╳128,64╳64。本领域技术人员可以根据实际需求选择卷积模块的个数以输出不同尺寸的特征图。如图3中所示,本实施例中,512╳512的子区域通过一个卷积模块输出大小为256╳256的特征图,1024╳1024的关联区域通过两个卷积模块输出大小为256╳256的特征图,2048╳2048的关联区域通过三个卷积模块输出大小为256╳256的特征图。每一个卷积模块可以均包括一个3╳3的2D卷积层,一个批归一化层(BN,BatchNormalization)、一个激活层和一个2╳2的最大池化(max pooling)层。激活函数可以为线性整流函数(ReLU,Recified Linear Unit)。通过特征网络输出的三张256╳256的特征图合并为一个256╳256╳96特征图后输入至分类网络以输出最终的分类结果,即该子区域为癌巢的置信度。本实施例中,所述分类网络可以包括2个依次连续的全连接层,全连接层和全连接层之间可以为通过率为0.5的dropout层。第二个全连接层输出子区域是癌巢的置信度,并通过softmax操作使得子区域是癌巢的置信度和子区域不是癌巢的置信度之和为1。
需要说明的是,图3中仅给出了本发明实施例的分类模型的示意图,本领域技术人员可以根据实际需要选择不同类型的分类模型,只要可以实现对子区域的分类即可。
执行S104,基于所述子区域为感兴趣区域的置信度和预设阈值确定所述病理图像中的感兴趣区域。本实施例中,预设阈值可以为0.5,也即当分类模型输出的子区域为癌巢的置信度大于0.5时,所述子区域为癌巢。
至此,通过上述过程对病理图像中的每一个子区域进行判断,以确定该子区域是否为癌巢,本实施例中,可以将判断为癌巢的子区域用不同的颜色进行勾勒或者标记,可以利于医生对癌巢观察和诊断。本实施例中,在确定子区域是否为癌巢时,融合了子区域及其关联区域的信息来对子区域进行分类,提高了对子区域进行分类的准确率,也即提高了确定子区域是否为癌巢的准确率。采用本实施例的将病理图像切分为多个子区域,对多个子区域进行逐一确定是否为癌巢的方式,在一定程度上也提高了确定病理图像中癌巢的速度,且采用上述的方式确定病理图像中的癌巢快速简单准确度高。
本发明还提供一种确定病理图像中感兴趣区域的装置,所述确定病理图像中感兴趣区域的装置包括:
切分单元,用于对病理图像进行切分以获得多个子区域。
获取单元,用于获取每一个子区域的至少一个关联区域,其中,所述关联区域与所述子区域部分重合。
分类模型,用于输入所述子区域及其关联区域,输出所述子区域为感兴趣区域的置信度。
确定单元,用于基于所述子区域为感兴趣区域的置信度和预设阈值确定所述病理图像中的感兴趣区域。
本实施例的确定病理图像中感兴趣区域的装置的实施可以参见上述的确定感兴趣区域的方法的实施,此处不再赘述。
基于相同的技术构思,本发明实施例提供了一种计算机设备,包括至少一个处理器、以及至少一个存储器,其中,所述存储器存储有计算机程序,当所述程序被所述处理器执行时,使得所述处理器能够执行上述的确定病理图像中感兴趣区域的方法。
基于相同的技术构思,本发明实施例提供了一种计算机可读存储介质,当所述存储介质中的指令由设备内的处理器执行时,使得所述设备能够执行上述的确定病理图像中感兴趣区域的方法。
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、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、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、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。
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。
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。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
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。
Claims (9)
1.一种确定病理图像中感兴趣区域的方法,其特征在于,包括:
对病理图像进行切分以获得多个子区域;
获取每一个子区域的至少一个关联区域,其中,所述关联区域与所述子区域部分重合;
将所述子区域及其关联区域输入至分类模型以获得所述子区域为感兴趣区域的置信度;
基于所述子区域为感兴趣区域的置信度和预设阈值确定所述病理图像中的感兴趣区域。
2.如权利要求1所述的方法,其特征在于,所述子区域包含于其关联区域中。
3.如权利要求1所述的方法,其特征在于,所述子区域及其关联区域的中心相同。
4.如权利要求1所述的方法,其特征在于,所述子区域及其关联区域的形状相同。
5.如权利要求1所述的方法,其特征在于,所述子区域的关联区域为两个。
6.如权利要求1所述的方法,其特征在于,所述感兴趣区域为癌巢。
7.一种确定病理图像中感兴趣区域的装置,其特征在于,包括:
切分单元,用于对病理图像进行切分以获得多个子区域;
获取单元,用于获取每一个子区域的至少一个关联区域,其中,所述关联区域与所述子区域部分重合;
分类模型,用于输入所述子区域及其关联区域,输出所述子区域为感兴趣区域的置信度;
确定单元,用于基于所述子区域为感兴趣区域的置信度和预设阈值确定所述病理图像中的感兴趣区域。
8.一种计算机设备,包括至少一个处理器、以及至少一个存储器,其中,所述存储器存储有计算机程序,当所述程序被所述处理器执行时,使得所述处理器能够执行权利要求1~6任一项所述的的方法。
9.一种计算机可读存储介质,当所述存储介质中的指令由设备内的处理器执行时,使得所述设备能够执行权利要求1~6任一项所述的的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010620187.0A CN111950544A (zh) | 2020-06-30 | 2020-06-30 | 一种确定病理图像中感兴趣区域的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010620187.0A CN111950544A (zh) | 2020-06-30 | 2020-06-30 | 一种确定病理图像中感兴趣区域的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111950544A true CN111950544A (zh) | 2020-11-17 |
Family
ID=73337369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010620187.0A Pending CN111950544A (zh) | 2020-06-30 | 2020-06-30 | 一种确定病理图像中感兴趣区域的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111950544A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112712508A (zh) * | 2020-12-31 | 2021-04-27 | 杭州依图医疗技术有限公司 | 一种确定气胸的方法及装置 |
CN112712507A (zh) * | 2020-12-31 | 2021-04-27 | 杭州依图医疗技术有限公司 | 一种确定冠状动脉的钙化区域的方法及装置 |
CN114219792A (zh) * | 2021-12-17 | 2022-03-22 | 深圳市铱硙医疗科技有限公司 | 一种颅脑穿刺前影像处理方法与*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678315A (zh) * | 2012-08-31 | 2014-03-26 | 富士通株式会社 | 图像处理装置、图像处理方法和电子设备 |
CN108304847A (zh) * | 2017-11-30 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 图像分类方法及装置、个性化推荐方法及装置 |
CN109447065A (zh) * | 2018-10-16 | 2019-03-08 | 杭州依图医疗技术有限公司 | 一种乳腺影像识别的方法及装置 |
CN109583364A (zh) * | 2018-11-27 | 2019-04-05 | 上海鹰瞳医疗科技有限公司 | 图像识别方法及设备 |
CN109753957A (zh) * | 2018-12-07 | 2019-05-14 | 东软集团股份有限公司 | 图像显著性检测方法、装置、存储介质及电子设备 |
US20190298204A1 (en) * | 2018-03-30 | 2019-10-03 | Cardiologs Technologies Sas | Systems and methods for digitizing electrocardiograms |
-
2020
- 2020-06-30 CN CN202010620187.0A patent/CN111950544A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678315A (zh) * | 2012-08-31 | 2014-03-26 | 富士通株式会社 | 图像处理装置、图像处理方法和电子设备 |
CN108304847A (zh) * | 2017-11-30 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 图像分类方法及装置、个性化推荐方法及装置 |
US20190298204A1 (en) * | 2018-03-30 | 2019-10-03 | Cardiologs Technologies Sas | Systems and methods for digitizing electrocardiograms |
CN109447065A (zh) * | 2018-10-16 | 2019-03-08 | 杭州依图医疗技术有限公司 | 一种乳腺影像识别的方法及装置 |
CN109583364A (zh) * | 2018-11-27 | 2019-04-05 | 上海鹰瞳医疗科技有限公司 | 图像识别方法及设备 |
CN109753957A (zh) * | 2018-12-07 | 2019-05-14 | 东软集团股份有限公司 | 图像显著性检测方法、装置、存储介质及电子设备 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112712508A (zh) * | 2020-12-31 | 2021-04-27 | 杭州依图医疗技术有限公司 | 一种确定气胸的方法及装置 |
CN112712507A (zh) * | 2020-12-31 | 2021-04-27 | 杭州依图医疗技术有限公司 | 一种确定冠状动脉的钙化区域的方法及装置 |
CN112712507B (zh) * | 2020-12-31 | 2023-12-19 | 杭州依图医疗技术有限公司 | 一种确定冠状动脉的钙化区域的方法及装置 |
CN112712508B (zh) * | 2020-12-31 | 2024-05-14 | 杭州依图医疗技术有限公司 | 一种确定气胸的方法及装置 |
CN114219792A (zh) * | 2021-12-17 | 2022-03-22 | 深圳市铱硙医疗科技有限公司 | 一种颅脑穿刺前影像处理方法与*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11756318B2 (en) | Convolutional neural networks for locating objects of interest in images of biological samples | |
JP6710135B2 (ja) | 細胞画像の自動分析方法及びシステム | |
US10121245B2 (en) | Identification of inflammation in tissue images | |
CN110853022B (zh) | 病理切片图像的处理方法、装置、***及存储介质 | |
JP2022527145A (ja) | 予測的組織パターン特定のためのマルチプルインスタンスラーナ | |
CN113574534A (zh) | 使用基于距离的相似性标签的机器学习 | |
CN111950544A (zh) | 一种确定病理图像中感兴趣区域的方法及装置 | |
JP7422235B2 (ja) | 腫瘍検出および分析を支援するための非腫瘍セグメンテーション | |
CN112819821B (zh) | 一种细胞核图像检测方法 | |
US20210214765A1 (en) | Methods and systems for automated counting and classifying microorganisms | |
Kheradmand et al. | Inner cell mass segmentation in human hmc embryo images using fully convolutional network | |
CN112215217B (zh) | 模拟医师阅片的数字图像识别方法及装置 | |
CN111126393A (zh) | 车辆外观改装判断方法、装置、计算机设备及存储介质 | |
CN115294126B (zh) | 一种病理图像的癌细胞智能识别方法 | |
CN111951271B (zh) | 一种识别病理图像中癌细胞的方法及装置 | |
CN114972202A (zh) | 一种基于轻量级的神经网络的Ki67病理细胞快速检测计数方法 | |
Chang et al. | Multireference level set for the characterization of nuclear morphology in glioblastoma multiforme | |
CN117670794A (zh) | 一种基于深度学习的tls病理检测方法、装置及介质 | |
CN116468690B (zh) | 基于深度学习的浸润性非粘液性肺腺癌的亚型分析*** | |
CN110084270A (zh) | 病理切片图像识别方法及设备 | |
CN116778481B (zh) | 一种基于关键点检测的卵裂球图像识别方法及*** | |
JP7504116B2 (ja) | 距離ベース類似性ラベルを使用する機械学習 | |
Santamaria-Pang et al. | Epithelial cell segmentation via shape ranking | |
Mandal et al. | Automated histopathological image analysis: a review on ROI extraction | |
Jelli | Image Segmentation of Bacterial Cells in Biofilms |
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 |