CN113888529A - 基于深度学习的病理切片图像质量评级方法及*** - Google Patents
基于深度学习的病理切片图像质量评级方法及*** Download PDFInfo
- Publication number
- CN113888529A CN113888529A CN202111249222.3A CN202111249222A CN113888529A CN 113888529 A CN113888529 A CN 113888529A CN 202111249222 A CN202111249222 A CN 202111249222A CN 113888529 A CN113888529 A CN 113888529A
- Authority
- CN
- China
- Prior art keywords
- pathological section
- section image
- segmentation
- image
- sub
- 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
- 230000001575 pathological effect Effects 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013135 deep learning Methods 0.000 title claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 45
- 230000011218 segmentation Effects 0.000 claims abstract description 43
- 238000005520 cutting process Methods 0.000 claims abstract description 8
- 238000003709 image segmentation Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 230000007170 pathology Effects 0.000 claims 1
- 238000010827 pathological analysis Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000018044 dehydration Effects 0.000 description 1
- 238000006297 dehydration reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000007598 dipping method Methods 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005549 size reduction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 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
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于深度学习的病理切片图像质量评级方法及***,获取待评价的病理切片图像;将获取到的病理切片图像切分为多张子图像;根据切分后的子图像和预设检测模型,得到病理切片图的气泡检测结果;根据切分后的子图像和预设分割模型,得到刀痕、裂隙和褶皱区域的分割结果;将多张子图像上的气泡检测结果和刀痕、裂隙、褶皱区域分割结果,按照原始的切片图像进行拼接,得到完整病理切片图像的结果;根据完整病理切片图像的结果,得到病理切片图像的质量级别;本发明能够实时监控病理切片图像的质量以及定位问题所在的区域,提供了评价切片质量的依据,从而保障了病理诊断的准确性。
Description
技术领域
本发明涉及医学图像处理技术领域,特别涉及一种基于深度学习的病理切片图像质量评级方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术,并不必然构成现有技术。
病理切片制片过程中包含脱水、浸蜡、切片染色等过程,在生成切片中难免会存在气泡、褶皱、刀痕等问题,这些问题会影响诊断医师的阅片效果,从而对诊断结果造成一定影响,因此对于病理切片质量的把控是十分重要的。
发明人发现,现有的病理切片图像的质量评级一般是将图像输入到深度学习网络中进行特征提取,然后根据提取的特征进行评价,单一评价模型往往无法实现图像输入特征的完整提取,同时由于完整的病理切片图像像素基本在亿级,一般的方法采用下采样缩小图像尺寸,因此丢失了大量关键信息,从而使得最终的评级结果准确性较低。
发明内容
为了解决现有技术的不足,本发明提供了一种基于深度学习的病理切片图像质量评级方法及***,能够实时监控病理切片图像的质量以及定位问题所在的区域,提供了评价切片质量的依据,从而保障了病理诊断的准确性。
为了实现上述目的,本发明采用如下技术方案:
本发明第一方面提供了一种基于深度学习的病理切片图像质量评级方法。
一种基于深度学习的病理切片图像质量评级方法,包括以下过程:
获取待评价的病理切片图像;
将获取到的病理切片图像切分为多张尺寸更小的子图像;
具体的,将完整病理切片图像按照预设的长宽进行裁切,保留相邻子图像间一定的重叠部分,以免漏检部分问题区域;
根据切分后的子图像和预设检测模型,得到病理切片图的气泡检测结果;
根据切分后的子图像和预设分割模型,得到刀痕、裂隙和褶皱区域的分割结果;
将多张子图像上的气泡检测结果和刀痕、裂隙、褶皱区域分割结果,按照原始的切片图像进行拼接,得到完整病理切片图像的结果;
具体的,对于子图像重叠部分的检测框,保留面积较大的检测框,对于重叠部分的分割掩码,保留其并集;
根据完整病理切片图像的结果,得到病理切片图像的质量级别。
本发明第二方面提供了一种基于深度学习的病理切片图像质量评级***。
一种基于深度学习的病理切片图像质量评级***,包括:
数据获取模块,被配置为:获取待评价的病理切片图像;
图像切分模块,被配置为:将获取到的病理切片图像切分为多张尺寸更小的子图像;
具体的,将完整病理切片图像按照预设的长宽进行裁切,保留相邻子图像间一定的重叠部分,以免漏检部分问题区域;
气泡检测模块,被配置为:根据切分后的子图像和预设检测模型,得到病理切片图的气泡检测结果;
图像分割模块,被配置为:根据切分后的子图像和预设分割模型,得到刀痕、裂隙和褶皱区域的分割结果;
结果拼接模块,被配置为:将多张子图像上的气泡检测结果和刀痕、裂隙、褶皱区域分割结果,按照原始的切片图像进行拼接,得到完整病理切片图像的结果;
具体的,对于子图像重叠部分的检测框,保留面积较大的检测框,对于重叠部分的分割掩码,保留其并集;
质量评级模块,被配置为:根据完整病理切片图像的结果,得到病理切片图像的质量级别。
本发明第三方面提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本发明第一方面所述的基于深度学习的病理切片图像质量评级方法中的步骤。
本发明第四方面提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本发明第一方面所述的基于深度学习的病理切片图像质量评级方法中的步骤。
与现有技术相比,本发明的有益效果是:
1、本发明所述的方法、***、介质或电子设备,能够节省大量的人力,实时监控病理切片图像的质量,同时能够定位问题所在的区域,提供评价切片质量的依据,从而保障病理诊断的准确性。
2、本发明所述的方法、***、介质或电子设备,为U-Net++模型的每个语义尺度定义一种混合分割损失,混合分割损失包括像素级交叉熵损失和Dice系数损失,极大的提高了图像分割的准确性。
3、本发明所述的方法、***、介质或电子设备,RetinaNet检测模型由残差网络(ResNet)、特征金字塔网络(FPN)以及两个全卷积(FCN)子网络组成,ResNet负责对图像进行特征提取,FPN利用ResNet提取的特征构建多尺度特征,两个FCN分别负责分类和检测框回归,提高了图像检测的准确性。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例1提供的基于深度学习的病理切片图像质量评级方法的流程示意图。
图2为本发明实施例1提供的气泡框选示意图。
图3为本发明实施例1提供的图像分割示意图。
图4为本发明实施例1提供的RetinaNet检测模型示意图。
图5为本发明实施例1提供的U-Net++模型示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
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。
实施例1:
如图1所示,本发明实施例1提供了一种基于深度学习的病理切片图像质量评级方法,包括以下过程:
获取待评价的病理切片图像;
将获取到的病理切片图像切分为多张子图像;
根据切分后的子图像和预设检测模型,得到病理切片图的气泡检测结果;
根据切分后的子图像和预设分割模型,得到刀痕、裂隙和褶皱区域的分割结果;
将多张子图像上的气泡检测结果和刀痕、裂隙、褶皱区域分割结果,按照原始的切片图像进行拼接,得到完整病理切片图像的结果;
根据完整病理切片图像的结果,得到病理切片图像的质量级别。
具体的,包括:
S1:采集数字病理切片图像,对其标注后构建数据集;
具体地,使用矩形框人工标注气泡所在的位置,矩形框应准确框住气泡,如图2所示;使用掩码标注刀痕、裂隙、褶皱区域,掩码应准确覆盖目标区域,如图3所示;标注后的矩形框数据为检测数据集,掩码数据为分割数据集,其中,每个数据集随机分为训练集、验证集和测试集。
S2:构建检测模块,搭建RetinaNet检测模型,并利用S1得到的检测数据集进行训练。
具体地,模型主要由残差网络(ResNet)、特征金字塔网络(FPN)以及两个全卷积(FCN)子网络组成,如图4所示。ResNet负责对图像进行特征提取,FPN利用ResNet提取的特征构建多尺度特征,两个FCN分别负责分类和检测框回归。
训练过程采用FocalLoss作为损失函数,损失函数:
S3:构建分割模块,搭建U-Net++分割模型,并利用S1得到的分割数据集进行训练。
具体地,搭建U-Net++模型,如图5所示,连通域公式为:
其中,为卷积,为下采样,为上采样,xi,j表示节点Xi,j的输出,其中i沿编码器索引下采样层,j沿跳接索引密集块的卷积层。训练采用深度监督,在节点Xi,j,Xi,j,Xi,j,Xi,j的输出上加入1×1卷积和激活函数,同时为每个语义尺度定义一种混合分割损失,混合分割损失包括像素级交叉熵损失和Dice系数损失,其定义为:
其中,P为预测结果,Y为像素级标签,pn,c∈P和yn,c∈Y分别表示第c类和第n个像素的目标标签和预测概率。
S4:将待评价的病理切片图像分别送入S2、S3搭建的模型中,得到检测结果和分割结果。
具体地,待检测的切片图像送入RetinaNet进行气泡的检测,同时送入U-Net++进行刀痕、裂隙以及褶皱区域的分割。
S5:构建统计模块,统计检测和分割得到的结果;
具体地,统计S4得到的结果,并根据预设的病理切片图像优良率指标,输入该病理切片图像优良级别。
实施例2:
本发明实施例2提供了一种基于深度学习的病理切片图像质量评级***,包括:
数据获取模块,被配置为:获取待评价的病理切片图像;
图像切分模块,被配置为:将获取到的病理切片图像切分为多张尺寸更小的子图像;
气泡检测模块,被配置为:根据切分后的子图像和预设检测模型,得到病理切片图的气泡检测结果;
图像分割模块,被配置为:根据切分后的子图像和预设分割模型,得到刀痕、裂隙和褶皱区域的分割结果;
结果拼接模块,被配置为:将多张子图像上的气泡检测结果和刀痕、裂隙、褶皱区域分割结果,按照原始的切片图像进行拼接,得到完整病理切片图像的结果;
质量评级模块,被配置为:根据完整病理切片图像的结果,得到病理切片图像的质量级别。
所述***的工作方法与实施例1提供的基于深度学习的病理切片图像质量评级方法相同,这里不再赘述。
实施例3:
本发明实施例3提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本发明实施例1所述的基于深度学习的病理切片图像质量评级方法中的步骤。
实施例4:
本发明实施例4提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本发明实施例1所述的基于深度学习的病理切片图像质量评级方法中的步骤。
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,本发明可采用硬件实施例、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和光学存储器等)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。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于深度学习的病理切片图像质量评级方法,其特征在于:
包括以下过程:
获取待评价的病理切片图像;
将获取到的病理切片图像切分为多张子图像;
根据切分后的子图像和预设检测模型,得到病理切片图的气泡检测结果;
根据切分后的子图像和预设分割模型,得到刀痕、裂隙和褶皱区域的分割结果;
将多张子图像上的气泡检测结果和刀痕、裂隙、褶皱区域分割结果,按照原始的切片图像进行拼接,得到完整病理切片图像的结果;
根据完整病理切片图像的结果,得到病理切片图像的质量级别。
2.如权利要求1所述的基于深度学习的病理切片图像质量评级方法,其特征在于:
预设检测模型为RetinaNet检测模型。
3.如权利要求2所述的基于深度学习的病理切片图像质量评级方法,其特征在于:
RetinaNet检测模型包括:残差网络、特征金字塔网络以及两个全卷积子网络,残差网络用于对图像进行特征提取,特征金字塔网络利用残差网络提取的特征构建多尺度特征,两个全卷积子网络分别负责分类和检测框回归。
4.如权利要求1所述的基于深度学习的病理切片图像质量评级方法,其特征在于:
预设分割模型为U-Net++分割模型。
6.如权利要求4所述的基于深度学习的病理切片图像质量评级方法,其特征在于:
U-Net++分割模型的训练采用深度监督,在节点Xi,j,Xi,j,Xi,j,Xi,j的输出上设有1×1卷积和激活函数。
8.一种基于深度学习的病理切片图像质量评级***,其特征在于:
包括:
数据获取模块,被配置为:获取待评价的病理切片图像;
图像切分模块,被配置为:将获取到的病理切片图像切分为多张尺寸更小的子图像;
气泡检测模块,被配置为:根据切分后的子图像和预设检测模型,得到病理切片图的气泡检测结果;
图像分割模块,被配置为:根据切分后的子图像和预设分割模型,得到刀痕、裂隙和褶皱区域的分割结果;
结果拼接模块,被配置为:将多张子图像上的气泡检测结果和刀痕、裂隙、褶皱区域分割结果,按照原始的切片图像进行拼接,得到完整病理切片图像的结果;
质量评级模块,被配置为:根据完整病理切片图像的结果,得到病理切片图像的质量级别。
9.一种计算机可读存储介质,其上存储有程序,其特征在于,该程序被处理器执行时实现如权利要求1-7任一项所述的基于深度学习的病理切片图像质量评级方法中的步骤。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任一项所述的基于深度学习的病理切片图像质量评级方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111249222.3A CN113888529A (zh) | 2021-10-26 | 2021-10-26 | 基于深度学习的病理切片图像质量评级方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111249222.3A CN113888529A (zh) | 2021-10-26 | 2021-10-26 | 基于深度学习的病理切片图像质量评级方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113888529A true CN113888529A (zh) | 2022-01-04 |
Family
ID=79014620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111249222.3A Pending CN113888529A (zh) | 2021-10-26 | 2021-10-26 | 基于深度学习的病理切片图像质量评级方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113888529A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114511547A (zh) * | 2022-02-15 | 2022-05-17 | 平安国际智慧城市科技股份有限公司 | 病理切片图像质控方法、装置、设备及存储介质 |
CN114821072A (zh) * | 2022-06-08 | 2022-07-29 | 四川大学 | 一种从动态冰图像中提取气泡的方法、装置、设备和介质 |
CN117457235A (zh) * | 2023-12-22 | 2024-01-26 | 首都医科大学附属北京友谊医院 | 病理损伤模式预测方法、装置、存储介质及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109191457A (zh) * | 2018-09-21 | 2019-01-11 | 中国人民解放军总医院 | 一种病理图像质量有效性识别方法 |
CN110738658A (zh) * | 2019-12-21 | 2020-01-31 | 杭州迪英加科技有限公司 | 图像质量评价方法 |
CN111986157A (zh) * | 2020-07-21 | 2020-11-24 | 万达信息股份有限公司 | 一种数字病理图像质量评价*** |
CN112102247A (zh) * | 2020-08-18 | 2020-12-18 | 广州金域医学检验中心有限公司 | 基于机器学习的病理切片质量评价方法及相关设备 |
WO2021082433A1 (zh) * | 2019-10-29 | 2021-05-06 | 平安科技(深圳)有限公司 | 一种数字病理图像质控的方法及装置 |
US20210209760A1 (en) * | 2020-01-06 | 2021-07-08 | PAIGE.AI, Inc. | Systems and methods for analyzing electronic images for quality control |
-
2021
- 2021-10-26 CN CN202111249222.3A patent/CN113888529A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109191457A (zh) * | 2018-09-21 | 2019-01-11 | 中国人民解放军总医院 | 一种病理图像质量有效性识别方法 |
WO2021082433A1 (zh) * | 2019-10-29 | 2021-05-06 | 平安科技(深圳)有限公司 | 一种数字病理图像质控的方法及装置 |
CN110738658A (zh) * | 2019-12-21 | 2020-01-31 | 杭州迪英加科技有限公司 | 图像质量评价方法 |
US20210209760A1 (en) * | 2020-01-06 | 2021-07-08 | PAIGE.AI, Inc. | Systems and methods for analyzing electronic images for quality control |
CN111986157A (zh) * | 2020-07-21 | 2020-11-24 | 万达信息股份有限公司 | 一种数字病理图像质量评价*** |
CN112102247A (zh) * | 2020-08-18 | 2020-12-18 | 广州金域医学检验中心有限公司 | 基于机器学习的病理切片质量评价方法及相关设备 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114511547A (zh) * | 2022-02-15 | 2022-05-17 | 平安国际智慧城市科技股份有限公司 | 病理切片图像质控方法、装置、设备及存储介质 |
CN114821072A (zh) * | 2022-06-08 | 2022-07-29 | 四川大学 | 一种从动态冰图像中提取气泡的方法、装置、设备和介质 |
CN114821072B (zh) * | 2022-06-08 | 2023-04-18 | 四川大学 | 一种从动态冰图像中提取气泡的方法、装置、设备和介质 |
CN117457235A (zh) * | 2023-12-22 | 2024-01-26 | 首都医科大学附属北京友谊医院 | 病理损伤模式预测方法、装置、存储介质及电子设备 |
CN117457235B (zh) * | 2023-12-22 | 2024-03-19 | 首都医科大学附属北京友谊医院 | 病理损伤模式预测方法、装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113888529A (zh) | 基于深度学习的病理切片图像质量评级方法及*** | |
EP3739513A1 (en) | Surface defect identification method and apparatus | |
CN109241967B (zh) | 基于深度神经网络的甲状腺超声图像自动识别***、计算机设备、存储介质 | |
CN106778705B (zh) | 一种行人个体分割方法及装置 | |
CN107679502A (zh) | 一种基于深度学习图像语义分割的人数估计方法 | |
CN109671068B (zh) | 一种基于深度学习的腹部肌肉标注方法及装置 | |
CN109886928A (zh) | 一种目标细胞标记方法、装置、存储介质及终端设备 | |
CN108765349A (zh) | 一种带有水印的图像修复方法及*** | |
CN112819796A (zh) | 烟丝异物识别方法及设备 | |
CN112634203B (zh) | 图像检测方法、电子设备及计算机可读存储介质 | |
CN107679024A (zh) | 识别表格的方法、***、计算机设备、可读存储介质 | |
CN107818321A (zh) | 一种用于车辆年检的水印日期识别方法 | |
US20220374785A1 (en) | Machine Learning System | |
CN110599453A (zh) | 一种基于图像融合的面板缺陷检测方法、装置及设备终端 | |
CN109670489A (zh) | 基于多实例学习的弱监督式早期老年性黄斑病变分类方法 | |
CN108710893A (zh) | 一种基于特征融合的数字图像相机源模型分类方法 | |
CN113393454A (zh) | 活检组织中病理目标实例分割方法和装置 | |
CN115546605A (zh) | 一种基于图像标注和分割模型的训练方法及装置 | |
CN115100656B (zh) | 空白答题卡识别方法、***、存储介质及计算机设备 | |
CN110807754B (zh) | 基于深度语义分割的真菌显微图像分割检测方法及*** | |
CN113095441A (zh) | 一种猪群扎堆检测方法、装置、设备及可读存储介质 | |
CN112581450A (zh) | 基于膨胀卷积金字塔与多尺度金字塔的花粉检测方法 | |
CN107292346A (zh) | 一种基于局部子空间学习的mr图像海马体分割算法 | |
CN109657540B (zh) | 枯死树定位方法及*** | |
CN113689431A (zh) | 工业产品外观缺陷检测方法和装置 |
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 |