CN113065646A - 一种能够实现ki67病理图像神经网络模型泛化性能的方法 - Google Patents
一种能够实现ki67病理图像神经网络模型泛化性能的方法 Download PDFInfo
- Publication number
- CN113065646A CN113065646A CN202110528905.6A CN202110528905A CN113065646A CN 113065646 A CN113065646 A CN 113065646A CN 202110528905 A CN202110528905 A CN 202110528905A CN 113065646 A CN113065646 A CN 113065646A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- domain
- pruning
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000001575 pathological effect Effects 0.000 title claims abstract description 26
- 238000003062 neural network model Methods 0.000 title claims abstract description 19
- 238000013138 pruning Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 17
- 230000008859 change Effects 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 201000010099 disease Diseases 0.000 claims description 13
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000009545 invasion Effects 0.000 claims description 5
- 230000000644 propagated effect Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 abstract description 3
- 230000035945 sensitivity Effects 0.000 abstract description 2
- 210000004027 cell Anatomy 0.000 description 13
- 210000004881 tumor cell Anatomy 0.000 description 5
- 206010028980 Neoplasm Diseases 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000036210 malignancy Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000005859 cell recognition Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003364 immunohistochemistry Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种能够实现KI67病理图像神经网络模型泛化性能的方法。包括第一步,整理现有标注数据,将一单一来源的数据作为源域,将其他数据作为入侵域;第二步,在源域数据集上训练模型直至收敛;第三步,将上述提到的源域数据和入侵域数据合并为混合域;第四步,将训练数据中的源域数据替换为混合域,继续训练已收敛的模型;第五步,观察模型权值变化并据此进行模型剪枝;第六步,用混合域数据对剪枝后的模型进行微调;第七步,评估与测试以及结果可视化。该方法将不同的来源的数据划分为源域和入侵域,并在将源域替换为入侵域的过程中,衡量模型权重对于域变换的敏感程度,丢弃域特有特征对应的权重,提高模型在不同来源数据上的泛化性能。
Description
技术领域
本发明涉及图像分析技术领域,具体为一种能够实现KI67病理图像神经网络模型泛化性能的方法。
背景技术
近年来,随着医院数字病理建设的推广,人工智能在病理切片判读上的应用愈加广泛。人工智能方法能够从标注数据中学到划分细胞类别以及判别阴阳的能力,不但帮助医生提高阅片效率,还能应用于病理判读教学等环节。KI67免疫组化在多病种中被用来评估肿瘤恶性程度。KI67指数为不少于十张病理图像上阳性肿瘤细胞占所有肿瘤细胞比例的均值,一般作为衡量肿瘤恶性程度的指标。当前,深度学习(人工智能)结合传统图像算法作为后处理技术,能够较为准确的对显微镜下视野的病理图像上所有的细胞进行类别判断、定位和计数。据此,计算机能够计算出合理的kI67值。方法具有高精度、耗时少的特点,可以广泛应用于临床病理切片判读。
然而,深度学习算法在实际中的应用十分有限。这主要是由多来源数据差异较大造成的。临床中采集到的病理图像在不同医院、不同病种间呈现出明显差异。这些差异来自于染色风格,细胞排布方式,细胞形态、大小等。例如,一些切片上的阳性肿瘤细胞染色较为均匀,而另外一些切片上,被染色的细胞则呈现出细胞中心只有不规则区域被染色的形态。除此之外,在不同病种之间,细胞的排布方式和大小均存在差异。若统一采用单一来源、单一病种数据训练深度学习模型,则该模型在该来源数据上表现很好,而在其他来源数据上则表现较差。如统一将所有来源数据训练模型,则模型不足以提取不同源数据中的通用特征,从而在未知来源(训练数据以外的医院或病种)上准确度很低。因此,对模型进行改进使其具有从不同源数据中提取通用特征的能力是提升模型泛化能力的途径之一。事实上,在不同源病理数据间,同一类型的细胞在不同源上存在一些通用的特征。例如,阳性肿瘤细胞整体呈现出偏红的色调。在不同源上可能表现为红色、红棕色、***、暗红色,淡红色等等。同样,阴性肿瘤细胞倾向于呈现出偏蓝的色调,在不同源上可能表现为蓝色、浅蓝色、蓝绿色等等。
发明内容
本发明的目的在于提供一种能够实现KI67病理图像神经网络模型泛化性能的方法,该方法采用单一来源数据作为源域,将其他来源数据作为入侵域,在源域上训练模型直到收敛后替换训练数据为入侵域,并进行剪枝,以帮助模型更好地学习通用特征,提高模型的泛化性能,从而在未知来源数据上达到较高的精度。
为实现上述目的,本发明提供如下技术方案:一种能够实现KI67病理图像神经网络模型泛化性能的方法,包括以下步骤:
第一步,整理现有标注数据,采集不同病种不同来源的KI67病理切片,将其中一个数据量最大的单一来源数据作为源域,将其他来源或病种的数据作为入侵域;
第二步,在源域数据集上训练模型直至收敛;
第三步,将上述提到的源域数据和入侵域数据合并而后随机打乱,打乱后的数据被称为混合域;
第四步,将训练数据中的源域数据替换为混合域,继续训练已收敛的模型;
第五步,观察模型权值变化并据此进行模型剪枝;
第六步,用混合域数据对剪枝后的模型进行微调;
第七步,评估与测试以及结果可视化。
优选的,在第一步中,单一来源数据为同一家医院的同型号设备在同一倍率下采集的同一病种的切片,可来自于不同患者。
优选的,在第二步中,模型指拥有较强学习能力的深度神经网络模型,用于学习在该源域上表现良好的特征集,其中包含有KI67通用特征和专属于源域的特征。
优选的,第五步中,模型剪枝的具体操作为:每一次模型迭代的过程中,寻找前模型所有参数中p%梯度变化最大的权重,包括上一次迭代中被覆盖的参数,并用非零即一的掩膜对其进行覆盖,被覆盖的权重置零,未被覆盖的权重在模型下一次向前传播前设置为模型的初始权重;如此迭代n次,直到模型的稀疏度达到目标稀疏度sparsity,停止模型剪枝操作。
优选的,p%=(1-sparsity)*100%/n,此种剪枝方式为线性剪枝,即每次覆盖相同数量的权重。
优选的,第五步中模型经过剪枝丧失了部分提取特征的能力,为了还原模型精度,第六步中采用混合域数据对模型进行微调,以恢复准确性。用于微调的每一个批次的数据需包含至少一条源域数据和一条入侵域数据,以保证了微调过程是无偏的。
优选的,在第五步中,剪枝方式也可以为非线性剪枝,即每次覆盖不同数量的权重。
优选的,第七步中,评估模型表现,采用匈牙利算法对模型预测细胞与标注细胞进行匹配,并衡量精确率,召回率,F1-score指标,解析模型输出,并将结果可视化。
与现有技术相比,本发明的有益效果如下:
本发明公开了一种针对KI67病理图像的通过模型剪枝来实现神经网络模型泛化性能的方法,该方法将不同的来源的数据划分为源域和入侵域,并在将源域替换为入侵域的过程中,衡量模型权重对于域变换的敏感程度,丢弃域特有特征对应的权重,提高模型在不同来源数据上的泛化性能,从而在未知来源数据上达到较高的精度。
附图说明
图1为本发明方法流程图;
图2为三种方法在未知域上KI67细胞识别的结果图表;
图3为本发明模型预测结果可视化示意图。
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做出创造性劳动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。
请参阅图1至图3,本发明提供一种技术方案:一种能够实现KI67病理图像神经网络模型泛化性能的方法
第一步,整理现有标注数据,将一个单一来源的数据(同一家医院的同型号设备在同一倍率下采集的同一病种的切片,可来自于不同患者)作为源域,将其他数据作为入侵域,一般来说,选择数据量最大的单一来源数据作为源域,在KI67多类别分割问题中,源域应该选取类别最多的单一来源数据。
第二步,在源数据集上训练模型直至收敛,这里的模型一般指拥有较强学习能力的深度神经网络模型,若模型在公开数据集(如ImageNet)上预训练过,则能有更好的表现,此步骤使得模型学到在该源域上表现良好的特征集,其中包含有KI67通用特征和专属于源域的特征,专属于源域的特征是指在源域上该特征可以作为类别评判的标准,而在其他域上并不适用。
第三步,将上述提到的源域数据和入侵域数据合并而后随机打乱,打乱后的数据被称为混合域。
第四步,将训练数据中的源域数据替换为混合域,继续训练已收敛的模型,此步骤的意义在于为神经网络提供一个扰动,该扰动为域的变换,在此之前,模型本在源域上已收敛,意味着权值趋近于稳定,而在接下来的训练过程中,域的变化打破了这种稳定,迫使神经网络做出改变来适应新域。
第五步,观察模型权值变化并据此进行模型剪枝。具体操作为:每一次模型迭代的过程中,寻找前p%梯度变化最大(对应的梯度最大)的权重,并用非零即一的掩膜对其进行覆盖(剪枝),未被覆盖的权重在模型下一次向前传播前设置为模型的初始权重。如此迭代n次(通常,对模型修剪进行3-4次迭代就足够了,即用于模型剪枝的混合域数据少量即可)。直到模型的稀疏度达到目标稀疏度sparsity,停止模型剪枝操作。一般来说,sparsity大于0.95,也就是说,被剪掉的权值一般只占模型所有权值的很小的一部分。p%=(1-sparsity)*100%/n,此种剪枝方式为线性剪枝,即每次覆盖相同数量的权重。
在第五步中,剪枝方式也可以为非线性剪枝,即每次覆盖不同数量的权重。
第六步,用混合域数据对剪枝后的模型进行微调(finetune)。步骤五中模型经过剪枝丧失了部分提取特征的能力,尽管修剪后的模型的性能会下降,但它具有学习域不变表示的潜力。最后,我们采用对混合域数据对模型未被剪枝的参数进行进一步的微调,以恢复准确性。用于微调的每一个批次的数据需包含至少一条源域数据和一条入侵域数据。这样保证了微调过程是无偏的。
7)评估与测试以及结果可视化。评估模型表现。采用匈牙利算法对模型预测细胞与标注细胞进行匹配,并衡量精确率(Precision),召回率(Recall),F1-score等指标。解析模型输出,并将结果可视化。
理论推导:
本发明采用的剪枝方法目的是滤除模型的一部分权重,使得修剪过的模型在训练数据上精度变化不大,同时在未知来源的域上表现良好。为了实现此目标,我们将已知来源的域分为单一源域和入侵域。首先在单个源域上训练模型。然后将源域和未参与过训练的入侵域进行融合再打乱,继续用混合域替换训练数据。在此情况下,目标问题与以下优化相对应。
其中Ds和Di分别是来自源域和入侵域的样本;
W*是预期的最优W',而表示在上训练的参数;
总损失C(D|W)是通过计算样本在参数W下损失之和得到的。
通常,修剪后的模型的C(Ds|W')大于C(Ds|W)。等式可以简化如下:
Dm代表一批合并的样本,其中包含Ds和Di。C(Ds|W)对W的选择没有贡献,因此可以剔除,则上述优化问题可以简化为:
上述目标问题可以通过衡量每个参数w对C(Dm|W)的贡献来解决。具体来说,当模型在Dm上训练时,模型参数W根据梯度下降法则通过反向传播进行权重更新。在此过程中,梯队的计算公式为C(Dm|W)对W的导数。相应地,单个参数w∈W的梯度的幅值|g|可以看作是它对C(Dm|W)的贡献。从直观角度来说,模型收敛取决于参数的更新。已经适应了源域的参数需要做出较大变化来适应混合域的,可以被认为是与域高度相关的。因此我们通过保留拥有较小|g|的W,即Wr,来近似预期的剩余参数W*。
其中cp是与参数剩余百分比p相关的标量。
对比方法与实验结果:
实验对比了三种方法:经验风险最小化方法、经验风险最小化-微调方法和模型剪枝方法。其中,经验风险最小化方法作为基线(baseline),未应用任何提升模型泛化性的操作。经验风险最小化-微调方法作为模型剪枝的对比方法,对比剪枝方法,除了将剪枝百分比设为0%,其余并无差别。图1展示了三种方法在未知域上KI67细胞识别的结果。其中,未知域指的是未曾参与过模型训练以及验证过程的域。在本实验中,未知域为41例40倍下尺寸为1920*1080的16个来自于不同医院及病种的KI67切片数据。模型预测结果可视化图由图2所示,其中虚线圆圈区域为三种方法结果不一致的区域,可以看出模型剪枝泛化方法的表现要明显好于其他两种方法。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种能够实现KI67病理图像神经网络模型泛化性能的方法,其特征在于,包括以下步骤:
第一步,整理现有标注数据,采集不同病种不同来源的KI67病理切片,将其中一个数据量最大的单一来源数据作为源域,将其他来源或病种的数据作为入侵域;
第二步,在源域数据集上训练模型直至收敛;
第三步,将上述提到的源域数据和入侵域数据合并而后随机打乱,打乱后的数据被称为混合域;
第四步,将训练数据中的源域数据替换为混合域,继续训练已收敛的模型;
第五步,观察模型权值变化并据此进行模型剪枝;
第六步,用混合域数据对剪枝后的模型进行微调;
第七步,评估与测试以及结果可视化。
2.根据权利要求1所述的一种能够实现KI67病理图像神经网络模型泛化性能的方法,其特征在于:在第一步中,单一来源数据为同一家医院的同型号设备在同一倍率下采集的同一病种的切片,可来自于不同患者。
3.根据权利要求1所述的一种能够实现KI67病理图像神经网络模型泛化性能的方法,其特征在于:在第二步中,模型指拥有较强学习能力的深度神经网络模型,用于学习在该源域上表现良好的特征集,其中包含有KI67通用特征和专属于源域的特征。
4.根据权利要求1所述的一种能够实现KI67病理图像神经网络模型泛化性能的方法,其特征在于,第五步中,模型剪枝的具体操作为:每一次模型迭代的过程中,寻找模型所有参数中p%梯度变化最大的权重,包括上一次迭代中被覆盖的参数,并用非零即一的掩膜对其进行覆盖,被覆盖的权重置零,未被覆盖的权重在模型下一次向前传播前设置为模型的初始权重;如此迭代n次,直到模型的稀疏度达到目标稀疏度sparsity,停止模型剪枝操作。
5.根据权利要求4所述的一种能够实现KI67病理图像神经网络模型泛化性能的方法,其特征在于:p%=(1-sparsity)*100%/ n,此种剪枝方式为线性剪枝,即每次覆盖相同数量的权重。
6.根据权利要求5所述的一种能够实现KI67病理图像神经网络模型泛化性能的方法,其特征在于:第五步中模型经过剪枝丧失了部分提取特征的能力,为了还原模型精度,第六步中采用混合域数据对模型进行微调,最后,对混合域上的尚存参数进行进一步的微调,以恢复准确性,用于微调的每一个批次的数据需包含至少一条源域数据和一条入侵域数据,以保证微调过程是无偏的。
7.根据权利要求1所述的一种能够实现KI67病理图像神经网络模型泛化性能的方法,其特征在于:在第五步中,剪枝方式也可以为非线性剪枝,即每次覆盖不同数量的权重。
8.根据权利要求1所述的一种能够实现KI67病理图像神经网络模型泛化性能的方法,其特征在于:第七步中,评估模型表现,采用匈牙利算法对模型预测细胞与标注细胞进行匹配,并衡量精确率,召回率,F1-score指标,解析模型输出,并将结果可视化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110528905.6A CN113065646A (zh) | 2021-05-14 | 2021-05-14 | 一种能够实现ki67病理图像神经网络模型泛化性能的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110528905.6A CN113065646A (zh) | 2021-05-14 | 2021-05-14 | 一种能够实现ki67病理图像神经网络模型泛化性能的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113065646A true CN113065646A (zh) | 2021-07-02 |
Family
ID=76568690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110528905.6A Pending CN113065646A (zh) | 2021-05-14 | 2021-05-14 | 一种能够实现ki67病理图像神经网络模型泛化性能的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113065646A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102004059473A1 (de) * | 2004-12-10 | 2006-06-22 | Roche Diagnostics Gmbh | Verfahren und Vorrichtung zur Untersuchung von medizinisch relevanten Flüssigkeiten und Gewebeproben |
US20100128988A1 (en) * | 2008-11-26 | 2010-05-27 | Agilent Technologies, Inc. | Cellular- or Sub-Cellular-Based Visualization Information Using Virtual Stains |
CN106874663A (zh) * | 2017-01-26 | 2017-06-20 | 中电科软件信息服务有限公司 | 心脑血管疾病风险预测方法及*** |
CN108986889A (zh) * | 2018-06-21 | 2018-12-11 | 四川希氏异构医疗科技有限公司 | 一种病变识别模型训练方法、装置及存储设备 |
CN109544529A (zh) * | 2018-11-19 | 2019-03-29 | 南京信息工程大学 | 面向深度学习模型训练和学习的病理图像数据增强方法 |
CN111353545A (zh) * | 2020-03-09 | 2020-06-30 | 大连理工大学 | 一种基于稀疏网络迁移的植株病虫害识别方法 |
CN111931931A (zh) * | 2020-09-29 | 2020-11-13 | 杭州迪英加科技有限公司 | 一种针对病理全场图像的深度神经网络训练方法、装置 |
CN112270666A (zh) * | 2020-11-03 | 2021-01-26 | 辽宁工程技术大学 | 基于深度卷积神经网络的非小细胞肺癌病理切片识别方法 |
CN112541923A (zh) * | 2020-12-03 | 2021-03-23 | 南开大学 | 一种基于眼底图数据集迁移学习的视杯视盘分割方法 |
-
2021
- 2021-05-14 CN CN202110528905.6A patent/CN113065646A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102004059473A1 (de) * | 2004-12-10 | 2006-06-22 | Roche Diagnostics Gmbh | Verfahren und Vorrichtung zur Untersuchung von medizinisch relevanten Flüssigkeiten und Gewebeproben |
US20100128988A1 (en) * | 2008-11-26 | 2010-05-27 | Agilent Technologies, Inc. | Cellular- or Sub-Cellular-Based Visualization Information Using Virtual Stains |
CN106874663A (zh) * | 2017-01-26 | 2017-06-20 | 中电科软件信息服务有限公司 | 心脑血管疾病风险预测方法及*** |
CN108986889A (zh) * | 2018-06-21 | 2018-12-11 | 四川希氏异构医疗科技有限公司 | 一种病变识别模型训练方法、装置及存储设备 |
CN109544529A (zh) * | 2018-11-19 | 2019-03-29 | 南京信息工程大学 | 面向深度学习模型训练和学习的病理图像数据增强方法 |
CN111353545A (zh) * | 2020-03-09 | 2020-06-30 | 大连理工大学 | 一种基于稀疏网络迁移的植株病虫害识别方法 |
CN111931931A (zh) * | 2020-09-29 | 2020-11-13 | 杭州迪英加科技有限公司 | 一种针对病理全场图像的深度神经网络训练方法、装置 |
CN112270666A (zh) * | 2020-11-03 | 2021-01-26 | 辽宁工程技术大学 | 基于深度卷积神经网络的非小细胞肺癌病理切片识别方法 |
CN112541923A (zh) * | 2020-12-03 | 2021-03-23 | 南开大学 | 一种基于眼底图数据集迁移学习的视杯视盘分割方法 |
Non-Patent Citations (2)
Title |
---|
XIAOBIN HU 等: "Coarse-to-Fine Adversarial Networks and Zone-Based Uncertainty Analysis for NK/T-Cell Lymphoma Segmentation in CT/PET Images", 《IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS》 * |
周茂: "基于深度学习的医学CT图像分割技术研究", 《中国优秀硕士学位论文全文数据库 (医药卫生科技辑)》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108305249B (zh) | 基于深度学习的全尺度病理切片的快速诊断和评分方法 | |
Javed et al. | Cellular community detection for tissue phenotyping in colorectal cancer histology images | |
Xue et al. | An application of transfer learning and ensemble learning techniques for cervical histopathology image classification | |
Sangamithraa et al. | Lung tumour detection and classification using EK-Mean clustering | |
CN108764329A (zh) | 一种肺癌病理图像数据集的构建方法 | |
Liang et al. | Identification of colon cancer using multi-scale feature fusion convolutional neural network based on shearlet transform | |
CN116153495A (zh) | 一种食管癌患者免疫治疗预后生存预测方法 | |
CN109871901A (zh) | 一种基于混合采样和机器学***衡数据分类方法 | |
CN110119540A (zh) | 一种用于生存风险分析的多输出梯度提升树建模方法 | |
Yu et al. | A recognition method of soybean leaf diseases based on an improved deep learning model | |
Lopez et al. | A new set of wavelet-and fractals-based features for Gleason grading of prostate cancer histopathology images | |
CN113657449A (zh) | 一种含噪标注数据的中医舌象腐腻分类方法 | |
CN114580501A (zh) | 骨髓细胞分类方法、***、计算机设备及存储介质 | |
CN113065646A (zh) | 一种能够实现ki67病理图像神经网络模型泛化性能的方法 | |
CN111582370B (zh) | 一种基于粗糙集优化的脑转移瘤预后指标约简及分类方法 | |
CN108647493A (zh) | 一种基于多基因表达特征谱的肾透明细胞癌个性化预后评估方法 | |
CN109671468B (zh) | 一种特征基因选择及癌症分类方法 | |
Saxena et al. | Study of Computerized Segmentation & Classification Techniques: An Application to Histopathological Imagery | |
Martin et al. | A graph based neural network approach to immune profiling of multiplexed tissue samples | |
CN116228759A (zh) | 肾细胞癌类型的计算机辅助诊断***及设备 | |
Bull et al. | Extended correlation functions for spatial analysis of multiplex imaging data | |
Mulmule et al. | Classification of cervical cytology overlapping cell images with transfer learning architectures | |
CN109871894A (zh) | 一种结合森林优化和粗糙集的数据离散化方法 | |
CN113901865A (zh) | 一种基于宫颈细胞液基制片的霉菌识别方法及*** | |
Theissen et al. | Learning cellular phenotypes through supervision |
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 |
Application publication date: 20210702 |
|
RJ01 | Rejection of invention patent application after publication |