CN113409293A - 一种基于深度学习的病理学图像自动分割*** - Google Patents
一种基于深度学习的病理学图像自动分割*** Download PDFInfo
- Publication number
- CN113409293A CN113409293A CN202110735089.6A CN202110735089A CN113409293A CN 113409293 A CN113409293 A CN 113409293A CN 202110735089 A CN202110735089 A CN 202110735089A CN 113409293 A CN113409293 A CN 113409293A
- Authority
- CN
- China
- Prior art keywords
- segmentation
- image
- images
- module
- deep learning
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 118
- 238000013135 deep learning Methods 0.000 title claims abstract description 50
- 230000007170 pathology Effects 0.000 title claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000003709 image segmentation Methods 0.000 claims abstract description 36
- 230000001575 pathological effect Effects 0.000 claims abstract description 36
- 238000002372 labelling Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims description 23
- 238000012795 verification Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 238000010200 validation analysis Methods 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 14
- 238000010801 machine learning Methods 0.000 description 5
- 239000003814 drug Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- 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
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- 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
-
- 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
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Radiology & Medical Imaging (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Bioinformatics & Computational Biology (AREA)
- Epidemiology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本专利申请涉及图像处理技术领域,尤其涉及一种基于深度学习的病理学图像自动分割***,包括:图像采集模块,用于采集若干病理学图像;图像切分模块,用于将若干病理学图像均匀划分成若干切分图像;图像标注模块,用于根据预设的聚类算法将切分图像划分为若干区域,并对每个区域内标签对每个区域进行标记,得到若干标签图像;模型训练模块,用于将切分图像和标签图像作为输入,将对应的真实分割图像作为输出,训练得到一深度学习分割网络模型;预测模块,用于将待分割的切分图像和标签图像输入深度学习分割网络模型得到预测分割图像,以供医生作为参考依据。本发明实现了无监督病理学图像分割,同时提升了图像分割精度,降低了分割误差。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于深度学习的病理学图像自动分割***。
背景技术
深度学习(DL,Deep Learning)是机器学习(ML,Machine Learning)领域中一个新的研究方向,它被引入机器学习使其更接近于最初的目标——人工智能(AI,ArtificialIntelligence)。
深度学习是学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法,在语音和图像识别方面取得的效果,远远超过先前相关技术。
深度学习在搜索技术,数据挖掘,机器学习,机器翻译,自然语言处理,多媒体学习,语音,推荐和个性化技术,以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动,解决了很多复杂的模式识别难题,使得人工智能相关技术取得了很大进步。
图像分割,就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类:基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。从数学角度来看,图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程,即把属于同一区域的像素赋予相同的编号。
图像标签在互联网很多行业中有非常广泛的应用,图像标签用于将图像的视觉信息转换为语义信息,通过为图像分配正确合适的标签,有助于人们更好地理解与分析图像。
目前,现有的技术方案中大多采用人工标注的形式对待分割的图像进行标注,但是人工标注对标注人员要求较高,需要标注人员进具有足够的先验知识,因此进行人工标注的难度较高、成本太高。同时,现有的技术方案对图像分割的精度较低,误差较大,不利于临床医学的发展。
发明内容
本发明意在提供一种基于深度学习的病理学图像自动分割***,实现了无监督病理学图像分割,同时提升了图像分割的精度,降低了分割误差。
为达到上述目的,本发明的基本方案如下:
图像采集模块,用于采集若干病理学图像;
图像切分模块,连接所述图像采集模块,用于将若干所述病理学图像均匀划分成若干切分图像;
图像标注模块,连接所述图像切分模块,用于根据预设的聚类算法将所述切分图像划分为若干区域,并根据每个所述区域内的标签对每个所述区域进行标记,得到若干标签图像;
模型训练模块,分别连接所述图像切分模块和所述图像标注模块,用于将所述切分图像和所述标签图像作为输入,将对应的真实分割图像作为输出,训练得到一深度学习分割网络模型;
预测模块,连接所述模型训练模块,用于将待分割的所述切分图像和所述标签图像输入所述深度学习分割网络模型得到预测分割图像;
所述模型训练模块根据若干所述真实分割图像和对应的所述预测分割图像处理得到一预测准确率,并根据所述预测准确率对所述深度学习分割网络模型进行参数优化调整。
进一步地,该病理学图像自动分割***还包括一预处理模块,所述预处理模块分别连接所述图像采集模块和所述图像切分模块,用于采用预设滤波算法对所述病理学图像进行滤波处理,得到过滤后的所述病理学图像并输出至所述图像切分模块。
进一步地,所述预设滤波算法包括:
中位值滤波法,和/或算术平均滤波法,和/或一阶滞后滤波法,和/或加权递推平均滤波法。
进一步地,所述模型训练模块包括:
集合单元,用于将若干所述切分图像和若干对应的所述标签图像作为一数据集合,并选取所述数据集合中的部分所述切分图像和对应的所述标签图像形成一训练集,以及选取所述数据集合中的部分所述切分图像和对应的所述标签图像形成一验证集;
训练单元,连接所述集合单元,用于将所述训练集中的若干所述切分图像和对应的所述标签图像作为输入,将所述真实分割图像作为输出,训练得到一深度学习初始分割模型;
验证单元,分别连接所述集合单元和所述训练单元,用于根据所述验证集对所述深度学习初始分割模型进行参数优化调整,得到所述深度学习分割网络模型。
进一步地,所述模型训练模块还包括一测试单元,所述测试单元分别连接所述集合单元和所述验证单元,所述测试单元包括:
集合子单元,用于选取所述数据集合中的部分所述切分图像和对应的所述标签图像形成一测试集;
分割子单元,连接所述集合子单元,用于将测试集中的若干所述切分图像和若干所述标签图像输入至所述深度学习分割网络模型,得到相应的预测分割图像;
预测子单元,连接所述分割子单元,用于根据若干所述真实分割图像和相应的若干所述预测分割图像处理得到所述预测准确率,并在所述预设准确率不大于一预设阈值时,对所述深度学习分割网络模型进行参数优化调整,直至所述预设准确率大于所述预设阈值。
进一步地,所述训练集,所述验证集和所述测试集按照预设比例形成所述数据集合,所述预设比例为6:2:2。
进一步地,所述预设的聚类算法包括:
K-means算法、K-medoids算法或CLARANS算法。
与现有技术相比本方案的有益效果是:
本技术方案利用聚类算法对切分图像进行整合,得到标签图像,实现了无监督病理学图像分割,避免了高难度的人工标注,免除了人工标注的成本;同时本技术方案将待分割的切分图像和标签图像输入该深度学习网络模型中,得到预测分割图像,供临床医生作为临床医学的参考依据,有效提升了病理学图像分割的效率;本技术方案根据预测准确率与预设阈值的比较结果调整深度学习分割网络模型,进而提升了图像分割的精度,降低了分割误差。
附图说明
图1为本发明中病理学图像自动分割***的结构示意图。
具体实施方式
下面结合说明书附图,并通过具体实施方式对本发明作进一步详细的说明:
本发明为一种基于深度学习的病理学图像自动分割***,如图1所示,包括:
图像采集模块1,用于采集若干病理学图像;
图像切分模块2,连接图像采集模块1,用于将若干病理学图像均匀划分成若干切分图像;
图像标注模块3,连接图像切分模块2,用于根据预设的聚类算法将切分图像划分为若干区域,并根据每个区域内的标签对每个区域进行标记,得到若干标签图像;
模型训练模块4,分别连接图像切分模块2和图像标注模块3,用于将切分图像和标签图像作为输入,将对应的真实分割图像作为输出,训练得到一深度学习分割网络模型;
预测模块5,连接模型训练模块4,用于将待分割的切分图像和标签图像输入深度学习分割网络模型得到预测分割图像;
模型训练模块4根据若干真实分割图像和对应的预测分割图像处理得到一预测准确率,并根据预测准确率对深度学习分割网络模型进行参数优化调整。
具体地,本实施例中,图像采集模块1可以为普通相机配合扫描仪、摄像机配合图像采集卡、显微数码相机或扫描仪。通过图像采集模块1采集到若干病理学图像作为原始数据。
本技术方案通过图像切分模块2将病理学图像先切分成多个切分图像,便于进一步处理。通过图像标注模块3先按照聚类算法将切分图像划分为若干区域,进而根据每个区域内的标签对每个区域进行标记,进而得到标签图像,无需专业的标注人员进行人工标注,避免了人工标注的高难度,免除了人工标注的成本,实现了无监督。其中,本技术方案中用到的预设的聚类算法包括:K-means算法、K-medoids算法或CLARANS算法。模型训练模块4将切分图像和标签图像输入作为输入,将该切分图像对应的真实分割图像作为输出,训练得到深度学习网络模型。预测模块5将待分割的切分图像和标签图像输入该深度学习网络模型中,得到预测分割图像,供临床医生作为临床医学的参考依据,有效提升了病理学图像分割的效率以及准确性。
本发明较佳的实施例中,该病理学图像自动分割***还包括一预处理模块6,预处理模块6分别连接图像采集模块1和图像切分模块2,用于采用预设滤波算法对病理学图像进行滤波处理,得到过滤后的病理学图像并输出至图像切分模块2。
具体地,本实施例中,通过设置预处理模块6采用预设滤波算法对图像采集模块1采集到的病理学图像进行滤波处理,滤除一些无效的病理学图像,降低了***负载,提升了本技术方案的处理效率,同时还提升了病理学图像分割的准确性。其中,预设滤波算法包括:
中位值滤波法,和/或算术平均滤波法,和/或一阶滞后滤波法,和/或加权递推平均滤波法。
本发明较佳的实施例中,模型训练模块4包括:
集合单元41,用于将若干切分图像和若干对应的标签图像作为一数据集合,并选取数据集合中的部分切分图像和对应的标签图像形成一训练集,以及选取数据集合中的部分切分图像和对应的标签图像形成一验证集;
训练单元42,连接集合单元41,用于将训练集中的若干切分图像和若干标签图像作为输入,将真实分割图像作为输出,训练得到一深度学习初始分割模型;
验证单元43,分别连接集合单元41和训练单元42,用于根据验证集对深度学习初始分割模型进行参数优化调整,得到深度学习分割网络模型。
具体地,本实施例中,通过设置集合单元41,将切分图像和标签图像输入至数据集合中,实现数据的聚集。通过训练单元42根据训练集中的切分图像、标签图像和相应的真实分割图像训练得到深度学习初始网络模型。进而通过验证单元43将验证集中的切分图像、标签图像以及相应的真实分割图像对深度学习初始分割模型进行参数优化调整,使得深度学习初始分割模型的验证准确率一步步提高,直至验证准确率大于一预设验证阈值时,将该深度学习初始分割模型作为深度学习分割网络模型输出。
本发明较佳的实施例中,模型训练模块4还包括一测试单元44,测试单元44分别连接集合单元和验证单元43,测试单元44包括:
集合子单元441,用于选取数据集合中的部分切分图像和对应的标签图像形成一测试集;
分割子单元442,连接集合子单元441,用于将测试集中的若干切分图像和若干标签图像输入至深度学习分割网络模型,得到相应的预测分割图像;
预测子单元443,连接分割子单元442,用于根据若干真实分割图像和相应的若干预测分割图像处理得到一预测准确率,并在预设准确率不大于一预设阈值时,对深度学习分割网络模型进行参数优化调整,直至预设准确率大于预设阈值。
具体地,本实施例中,真实分割图像和相应的若干预测分割图像一致时,预测准确率为1,当真实分割图像和相应的若干预测分割图像不一致时,预测准确率为0。通过设置预测子单元443,使得对深度学习分割网络模型的预测准确率作出限定,使得当预测准确率低于预设阈值时,需要对深度学习分割网络模型进行参数优化调整,从而保证了预测准确率,由此保证了图像分割的高精度,有效降低了分割误差。
进一步地,训练集,验证集和测试集合按照预设比例形成数据集合,预设比例为6:2:2。
以上所述的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (7)
1.一种基于深度学习的病理学图像自动分割***,其特征在于:
图像采集模块,用于采集若干病理学图像;
图像切分模块,连接所述图像采集模块,用于将若干所述病理学图像均匀划分成若干切分图像;
图像标注模块,连接所述图像切分模块,用于根据预设的聚类算法将所述切分图像划分为若干区域,并根据每个所述区域内的标签对每个所述区域进行标记,得到若干标签图像;
模型训练模块,分别连接所述图像切分模块和所述图像标注模块,用于将所述切分图像和所述标签图像作为输入,将对应的真实分割图像作为输出,训练得到一深度学习分割网络模型;
预测模块,连接所述模型训练模块,用于将待分割的所述切分图像和所述标签图像输入所述深度学习分割网络模型得到预测分割图像;
所述模型训练模块根据若干所述真实分割图像和对应的所述预测分割图像处理得到一预测准确率,并根据所述预测准确率对所述深度学习分割网络模型进行参数优化调整。
2.根据权利要求1所述的病理学图像自动分割***,其特征在于,该病理学图像自动分割***还包括一预处理模块,所述预处理模块分别连接所述图像采集模块和所述图像切分模块,用于采用预设滤波算法对所述病理学图像进行滤波处理,得到过滤后的所述病理学图像并输出至所述图像切分模块。
3.根据权利要求2所述的病理学图像自动分割***,其特征在于:所述预设滤波算法包括:
中位值滤波法,和/或算术平均滤波法,和/或一阶滞后滤波法,和/或加权递推平均滤波法。
4.根据权利要求1所述的病理学图像自动分割***,其特征在于:所述模型训练模块包括:
集合单元,用于将若干所述切分图像和若干对应的所述标签图像作为一数据集合,并选取所述数据集合中的部分所述切分图像和对应的所述标签图像形成一训练集,以及选取所述数据集合中的部分所述切分图像和对应的所述标签图像形成一验证集;
训练单元,连接所述集合单元,用于将所述训练集中的若干所述切分图像和对应的所述标签图像作为输入,将所述真实分割图像作为输出,训练得到一深度学习初始分割模型;
验证单元,分别连接所述集合单元和所述训练单元,用于根据所述验证集对所述深度学习初始分割模型进行参数优化调整,得到所述深度学习分割网络模型。
5.根据权利要求4所述的病理学图像自动分割***,其特征在于,所述模型训练模块还包括一测试单元,所述测试单元分别连接所述集合单元和所述验证单元,所述测试单元包括:
集合子单元,用于选取所述数据集合中的部分所述切分图像和对应的所述标签图像形成一测试集;
分割子单元,连接所述集合子单元,用于将测试集中的若干所述切分图像和对应的所述标签图像输入至所述深度学习分割网络模型,得到相应的预测分割图像;
预测子单元,连接所述分割子单元,用于根据若干所述真实分割图像和对应的所述预测分割图像处理得到所述预测准确率,并在所述预设准确率不大于一预设阈值时,对所述深度学习分割网络模型进行参数优化调整,直至所述预设准确率大于所述预设阈值。
6.根据权利要求5所述的病理学图像自动分割***,其特征在于,所述训练集,所述验证集和所述测试集按照预设比例形成所述数据集合,所述预设比例为6:2:2。
7.根据权利要求1所述的病理学图像自动分割***,其特征在于,所述预设的聚类算法包括:
K-means算法、K-medoids算法或CLARANS算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110735089.6A CN113409293A (zh) | 2021-06-30 | 2021-06-30 | 一种基于深度学习的病理学图像自动分割*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110735089.6A CN113409293A (zh) | 2021-06-30 | 2021-06-30 | 一种基于深度学习的病理学图像自动分割*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113409293A true CN113409293A (zh) | 2021-09-17 |
Family
ID=77680458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110735089.6A Pending CN113409293A (zh) | 2021-06-30 | 2021-06-30 | 一种基于深度学习的病理学图像自动分割*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113409293A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114187538A (zh) * | 2022-02-17 | 2022-03-15 | 航天宏图信息技术股份有限公司 | 一种多光谱植被监测干扰信息的剔除方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109003279A (zh) * | 2018-07-06 | 2018-12-14 | 东北大学 | 一种基于K-Means聚类标注和朴素贝叶斯模型的眼底视网膜血管分割方法及*** |
CN111462076A (zh) * | 2020-03-31 | 2020-07-28 | 湖南国科智瞳科技有限公司 | 一种全切片数字病理图像模糊区域检测方法及*** |
CN111951221A (zh) * | 2020-07-13 | 2020-11-17 | 清影医疗科技(深圳)有限公司 | 一种基于深度神经网络的肾小球细胞图像识别方法 |
CN112132843A (zh) * | 2020-09-30 | 2020-12-25 | 福建师范大学 | 基于无监督深度学习的苏木精-伊红染色病理图像分割方法 |
-
2021
- 2021-06-30 CN CN202110735089.6A patent/CN113409293A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109003279A (zh) * | 2018-07-06 | 2018-12-14 | 东北大学 | 一种基于K-Means聚类标注和朴素贝叶斯模型的眼底视网膜血管分割方法及*** |
CN111462076A (zh) * | 2020-03-31 | 2020-07-28 | 湖南国科智瞳科技有限公司 | 一种全切片数字病理图像模糊区域检测方法及*** |
CN111951221A (zh) * | 2020-07-13 | 2020-11-17 | 清影医疗科技(深圳)有限公司 | 一种基于深度神经网络的肾小球细胞图像识别方法 |
CN112132843A (zh) * | 2020-09-30 | 2020-12-25 | 福建师范大学 | 基于无监督深度学习的苏木精-伊红染色病理图像分割方法 |
Non-Patent Citations (1)
Title |
---|
高扬, 机械工业出版社 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114187538A (zh) * | 2022-02-17 | 2022-03-15 | 航天宏图信息技术股份有限公司 | 一种多光谱植被监测干扰信息的剔除方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886273B (zh) | 一种cmr图像分割分类*** | |
CN110909780B (zh) | 一种图像识别模型训练和图像识别方法、装置及*** | |
CN111126386B (zh) | 场景文本识别中基于对抗学习的序列领域适应方法 | |
US12033743B2 (en) | Image diagnostic system, and methods of operating thereof | |
CN110245657B (zh) | 病理图像相似性检测方法及检测装置 | |
Pan et al. | Cell detection in pathology and microscopy images with multi-scale fully convolutional neural networks | |
Pan et al. | An accurate nuclei segmentation algorithm in pathological image based on deep semantic network | |
Al-Kharraz et al. | Automated system for chromosome karyotyping to recognize the most common numerical abnormalities using deep learning | |
CN111680753A (zh) | 一种数据标注方法、装置、电子设备及存储介质 | |
Wang et al. | Morphological analysis of dendrites and spines by hybridization of ridge detection with twin support vector machine | |
CN114332577A (zh) | 结合深度学习与影像组学的结直肠癌图像分类方法及*** | |
CN115909006B (zh) | 基于卷积Transformer的乳腺组织图像分类方法及*** | |
CN111462068A (zh) | 一种基于迁移学习的螺钉螺母检测方法 | |
CN114496099A (zh) | 细胞功能注释方法、装置、设备及介质 | |
CN112926332A (zh) | 一种实体关系联合抽取方法及装置 | |
CN117115045A (zh) | 基于互联网生成式人工智能提升医学影像数据质量的方法 | |
Tabatabaei et al. | Residual block convolutional auto encoder in content-based medical image retrieval | |
CN114037699B (zh) | 一种病理图像分类方法、设备、***及存储介质 | |
CN110110622B (zh) | 一种基于图像处理的医疗文本检测方法、***和存储介质 | |
CN113409293A (zh) | 一种基于深度学习的病理学图像自动分割*** | |
Al-Jabbar et al. | Analyzing histological images using hybrid techniques for early detection of multi-class breast Cancer based on Fusion features of CNN and Handcrafted | |
CN112200810B (zh) | 多模态的自动化脑室分割***及其使用方法 | |
CN114283406A (zh) | 细胞图像识别方法、装置、设备、介质及计算机程序产品 | |
CN113705215A (zh) | 一种基于元学习的大规模多标签文本分类方法 | |
CN109344309A (zh) | 基于卷积神经网络堆叠泛化的文档图像分类方法和*** |
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: 20210917 |