CN114170198A - 一种基于drsn的液基薄层细胞涂片数字病理图像检测方法 - Google Patents
一种基于drsn的液基薄层细胞涂片数字病理图像检测方法 Download PDFInfo
- Publication number
- CN114170198A CN114170198A CN202111514848.2A CN202111514848A CN114170198A CN 114170198 A CN114170198 A CN 114170198A CN 202111514848 A CN202111514848 A CN 202111514848A CN 114170198 A CN114170198 A CN 114170198A
- Authority
- CN
- China
- Prior art keywords
- image
- layer cell
- liquid
- based thin
- cell smear
- 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.)
- Withdrawn
Links
- 239000007788 liquid Substances 0.000 title claims abstract description 30
- 230000001575 pathological effect Effects 0.000 title claims abstract description 21
- 238000001514 detection method Methods 0.000 title claims abstract description 15
- 238000005070 sampling Methods 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000001914 filtration Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000013145 classification model Methods 0.000 claims abstract description 9
- 238000003745 diagnosis Methods 0.000 claims abstract description 7
- 230000003902 lesion Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 abstract description 2
- 208000034254 Squamous cell carcinoma of the cervix uteri Diseases 0.000 abstract 1
- 208000002458 carcinoid tumor Diseases 0.000 abstract 1
- 201000006612 cervical squamous cell carcinoma Diseases 0.000 abstract 1
- 206010008342 Cervix carcinoma Diseases 0.000 description 13
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 description 13
- 201000010881 cervical cancer Diseases 0.000 description 13
- 238000013135 deep learning Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000002380 cytological effect Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000012535 impurity Substances 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 206010006187 Breast cancer Diseases 0.000 description 2
- 208000026310 Breast neoplasm Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000003556 assay Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000036210 malignancy Effects 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 208000037581 Persistent Infection Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 210000003097 mucus Anatomy 0.000 description 1
- 238000009595 pap smear Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007790 scraping Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012360 testing method 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
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- 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
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种基于DRSN的液基薄层细胞涂片数字病理图像检测方法，包括以下步骤：(1)输入液基薄层细胞涂片图像文件；(2)对图像文件进行可变步长滑动窗口采样；(3)对采样后的图像进行过滤预处理，获取焦点区域，通过采样图像预处理阈值实时调整滑动步长；(4)焦点区域输入分类模型预测，获取置信度；(5)通过阈值过滤掉置信度低的区域或者呈现高置信度区域。本发明使用深度残差收缩网络对液基薄层细胞涂片数字病理图像数据进行检测，应用于细胞病理类癌症早期筛查，如宫颈鳞状细胞癌筛查，与传统的镜检方法相比，可节省阅片时间以及检测成本，提升诊疗准确率和效率。
Description
技术领域
本发明属于医学图像处理技术领域，具体涉及一种基于DRSN的液基薄层细胞涂片数字病理图像检测方法。
背景技术
随着卷积神经网络的出现和深度神经网络的完善，近些年来基于深度学***已经可以开始对医疗健康领域做出贡献。
***是常见的妇科恶性肿瘤之一，发病率在女性恶性肿瘤中居第二位，仅次于乳腺癌。***是世界上唯一病因明确的恶性肿瘤，高危型HPV持续感染是引起***的主要因素。其中TCT(Thinprepcytologic test)是新柏氏液基细胞学检测的简称，是一种由美国Hologic公司于1996年获得FDA认证的液基细胞学检测产品。它采用液基薄层细胞检测***检测宫颈细胞并进行细胞学分类诊断，是目前国际上较先进的一种***细胞学检查技术，与传统的宫颈刮片巴氏涂片检查相比明显提高了标本的满意度及宫颈异常细胞检出率。
***是女性常见恶性肿瘤，其发病仅次于乳腺癌，居第二位，调查显示世界范围内的***新发病例有85％在经济欠发达地区。***筛查虽然大大减少了***的发病率与死亡率，但在发展中国家，***的发病率与死亡率仍比发达国家高。由于我国人口基数大、卫生资源短缺、病理医生缺乏，尤其是细胞病理学医生严重不足，导致缺乏足够人力去完成大量的***的TCT检测分析，因此快速准确地分析大量液基薄层细胞涂片数字病理图像成为***检测普及的关键瓶颈。
人工智能(AI)最大的特点就是学习快，基于深度学习的人工智能模型拥有随机参数的深度神经网络医学模型，然后把经过标注的数据对模型进行训练，出现误差后调整模型参数，再辅助以医学知识，通过大量的训练之后形成精准的医学辅助诊断模型，从而可以完成医学影像的判读。
深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示，是机器学习研究中的一个新的领域。其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。
深度学习框架核心思想：将无监督学习用于每一层网络的pre-train；每次用无监督学习训练一层，将其训练结果作为其高一层的输入；用自顶而下的监督学习算法去调整所有层。
深度学习网络的深度对最后的分类和识别的效果有着很大的影响，所以正常想法就是能把网络设计的越深越好，但是事实上却不是这样，常规的网络的堆叠(plainnetwork)在网络很深的时候，效果却越来越差了。这里其中的原因之一即是网络越深，梯度消失的现象就越来越明显，网络的训练效果也不会很好。但是现在浅层的网络(shallower network)又无法明显提升网络的识别效果了，所以要解决的问题就是怎样在加深网络的情况下又解决梯度消失的问题。
深度残差收缩网络是残差网络结构ResNet的改进技术，通过在残差网络架构中导入软阈值化函数，和自适应设置阈值的方法，使得深度残差收缩网络可以在保留ResNet优点的基础上，大幅提高了模型算法应对有“噪声”输入信号的效率。在数字细胞病理的应用领域中，由于细胞涂片制备工艺及耗材的差异性，导致扫描所获得的数字化病理图片中不可避免地会带有各种杂质残留，除去脱落细胞外，往往焦点区域图像会被诸如粘液、血液等杂质信息所干扰，而深度残差收缩网络对于此类带有杂质干扰噪声信息地图像有较好地效果。
因此，一种基于DRSN的液基薄层细胞涂片数字病理图像检测方法亟待提出。
发明内容
为解决现有技术存在的缺陷，本发明提供一种基于DRSN的液基薄层细胞涂片数字病理图像检测方法。
为了解决上述技术问题，本发明提供了如下的技术方案：
本发明提供一种基于DRSN的液基薄层细胞涂片数字病理图像检测方法，包括以下步骤：
(1)输入液基薄层细胞涂片图像文件；
(2)对图像文件进行可变步长滑动窗口采样；
(3)对采样后的图像进行过滤预处理，获取焦点区域，通过采样图像预处理阈值实时调整滑动步长；
(4)焦点区域输入分类模型预测，获取置信度；
(5)通过阈值过滤掉置信度低的区域或者呈现高置信度区域。
作为本发明的一种优选技术方案，所述步骤(1)中输入液基薄层细胞涂片图像文件的具体步骤为：首先，利用OpenSlide工具读取处理好的数字涂片图像文件。
作为本发明的一种优选技术方案，所述步骤(2)中对图像文件进行可变步长滑动窗口采样的具体步骤为：遍历整个二维图像所有像素，以size＝300*300像素的固定大小滑窗，对整个玻片进行顺序遍历采样，对每次采样的局部图像做过滤预处理，根据预处理结果所处于的阈值区间调整下一次采样的滑动步长，可变步长值为100、200、300像素。
作为本发明的一种优选技术方案，所述步骤(3)中对采样后的图像进行过滤预处理，获取焦点区域的具体步骤为：首先采用autoencoder以及svm_one_class对采样区域进行分析；用构建的过滤模型对采样区域进行过滤阈值计算；计算结果达到焦点阈值即为焦点区域，同时调整下一次采样步长，调整原则为焦点阈值越大则下一步滑动步长越小。
作为本发明的一种优选技术方案，所述步骤(4)中焦点区域输入分类模型预测，获取置信度的具体步骤为：首先，对焦点区域进行预处理，其与训练集预处理一致；然后，将处理后的焦点区域数据输入分类模型，获取焦点区域的置信度。
作为本发明的一种优选技术方案，所述步骤(5)中通过阈值过滤掉置信度低的区域或者呈现高置信度区域的具体过程为：设置合适阈值，置信度低于阈值的认为是低可能性病变区域，置信度高于阈值的认为是高可能性病变区域；过滤掉低可能性病变区域，将高可能性病变区域提交呈现给医生作为诊断参考。
本发明相较于现有技术，具有以下有益效果：
(1)本发明采用深度学习算法对液基薄层细胞涂片数字病理图像进行识别，降低了人工识别成本；而且本方法采用大数据分析的方法对液基薄层细胞涂片数字病理图像进行分割、识别、获取、过滤等，只需要基于历史数据进行模型搭建，从一定程度上减轻了人工识别压力，也降低了人工判别患病可能性的成本。
(2)本发明方法提高了液基薄层细胞涂片数字病理图像的识别效率。传统的识别方式是医生通过显微镜观察进行识别、鉴定等，识别时间长，而本发发明则通过统计机器学习模型进行评估，不仅节约成本而且方便有效。
(3)本发明通过液基薄层细胞涂片数字病理图像预测是否罹患癌症的方式优于传统方式。传统的识别方法是凭借医生的经验以及技术进行的，且很可能会因为人为因素发生误诊或者漏诊的问题，而采用基于机器学习的统计模型检测，在进一步提升识别准确率的同时能够防止外界因素的干扰，而且还能降低对识别人员的技术要求门槛。
附图说明
图1是本发明一种基于DRSN的液基薄层细胞涂片数字病理图像检测方法的工作流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例1
本发明开发环境为“Keras+TensorFlow+Python(或者Python+TensorFlow)”。为了达到本发明的目的，如图1所示，在本实施例提供一种基于DRSN的液基薄层细胞涂片数字病理图像检测方法，包括以下步骤：
(1)输入液基薄层细胞涂片图像文件；具体步骤为：首先，利用OpenSlide工具读取处理好的数字涂片图像文件。
(2)对图像文件进行可变步长滑动窗口采样；具体步骤为：遍历整个二维图像所有像素，以size＝300*300像素的固定大小滑窗，对整个玻片进行顺序遍历采样，对每次采样的局部图像做过滤预处理，根据预处理结果所处于的阈值区间调整下一次采样的滑动步长，可变步长值为100、200、300像素。
(3)对采样后的图像进行过滤预处理，获取焦点区域，通过采样图像预处理阈值实时调整滑动步长；具体步骤为：首先采用autoencoder以及svm_one_class对采样区域进行分析；用构建的过滤模型对采样区域进行过滤阈值计算；计算结果达到焦点阈值即为焦点区域，同时调整下一次采样步长，调整原则为焦点阈值越大则下一步滑动步长越小。
(4)焦点区域输入分类模型预测，获取置信度；具体步骤为：首先，对焦点区域进行预处理，其与训练集预处理一致；然后，将处理后的焦点区域数据输入分类模型，获取焦点区域的置信度。
(5)通过阈值过滤掉置信度低的区域或者呈现高置信度区域；具体过程为：设置合适阈值，置信度低于阈值的认为是低可能性病变区域，置信度高于阈值的认为是高可能性病变区域；过滤掉低可能性病变区域，将高可能性病变区域提交呈现给医生作为诊断参考。
模型效果如下：
(1)模型输入数据：液基薄层细胞涂片数字病理图像
(2)数据集介绍：
高度病变：5731张；
低度病变：3861张；
疑似病变：2167张；
正常：8965张；
训练样本共20724张图片，其中阴性样本为8965张，阳性样本为11759张；
(3)模型效果：
正负样本比例分别为200∶0，200∶200，200∶600，200∶800，200∶1000，200∶1400，200∶1800情况下，阈值为0.5，其阳性准确率(灵敏度)、阴性准确率(特异度)、总体准确率统计如下：
| 指标 | Test1 | Test2 | Test3 | Test4 | Test5 | Test6 | Test7 |
| 阳性准确率 | 0.96 | 0.96 | 0.96 | 0.96 | 0.96 | 0.96 | 0.96 |
| 阴性准确率 | 0.0 | 0.95 | 0.947 | 0.937 | 0.936 | 0.936 | 0.937 |
| 总体准确率 | 0.96 | 0.955 | 0.9535 | 0.941 | 0.939 | 0.939 | 0.9395 |
最后应说明的是：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，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。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 (6)
1.一种基于DRSN的液基薄层细胞涂片数字病理图像检测方法，其特征在于，包括以下步骤：
(1)输入液基薄层细胞涂片图像文件；
(2)对图像文件进行可变步长滑动窗口采样；
(3)对采样后的图像进行过滤预处理，获取焦点区域，通过采样图像预处理阈值实时调整滑动步长；
(4)焦点区域输入分类模型预测，获取置信度；
(5)通过阈值过滤掉置信度低的区域或者呈现高置信度区域。
2.根据权利要求1所述的基于DRSN的液基薄层细胞涂片数字病理图像检测方法，其特征在于，所述步骤(1)中输入液基薄层细胞涂片图像文件的具体步骤为：首先，利用OpenSlide工具读取处理好的数字涂片图像文件。
3.根据权利要求1所述的基于DRSN的液基薄层细胞涂片数字病理图像检测方法，其特征在于，所述步骤(2)中对图像文件进行可变步长滑动窗口采样的具体步骤为：遍历整个二维图像所有像素，以size＝300*300像素的固定大小滑窗，对整个玻片进行顺序遍历采样，对每次采样的局部图像做过滤预处理，根据预处理结果所处于的阈值区间调整下一次采样的滑动步长，可变步长值为100、200、300像素。
4.根据权利要求1所述的基于DRSN的液基薄层细胞涂片数字病理图像检测方法，其特征在于，所述步骤(3)中对采样后的图像进行过滤预处理，获取焦点区域的具体步骤为：首先采用autoencoder以及svm_one_class对采样区域进行分析；用构建的过滤模型对采样区域进行过滤阈值计算；计算结果达到焦点阈值即为焦点区域，同时调整下一次采样步长，调整原则为焦点阈值越大则下一步滑动步长越小。
5.根据权利要求1所述的基于DRSN的液基薄层细胞涂片数字病理图像检测方法，其特征在于，所述步骤(4)中焦点区域输入分类模型预测，获取置信度的具体步骤为：首先，对焦点区域进行预处理，其与训练集预处理一致；然后，将处理后的焦点区域数据输入分类模型，获取焦点区域的置信度。
6.根据权利要求1所述的基于DRSN的液基薄层细胞涂片数字病理图像检测方法，其特征在于，所述步骤(5)中通过阈值过滤掉置信度低的区域或者呈现高置信度区域的具体过程为：设置合适阈值，置信度低于阈值的认为是低可能性病变区域，置信度高于阈值的认为是高可能性病变区域；过滤掉低可能性病变区域，将高可能性病变区域提交呈现给医生作为诊断参考。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111514848.2A CN114170198A (zh) | 2021-12-10 | 2021-12-10 | 一种基于drsn的液基薄层细胞涂片数字病理图像检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111514848.2A CN114170198A (zh) | 2021-12-10 | 2021-12-10 | 一种基于drsn的液基薄层细胞涂片数字病理图像检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114170198A true CN114170198A (zh) | 2022-03-11 |
Family
ID=80485878
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111514848.2A Withdrawn CN114170198A (zh) | 2021-12-10 | 2021-12-10 | 一种基于drsn的液基薄层细胞涂片数字病理图像检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114170198A (zh) |
-
2021
- 2021-12-10 CN CN202111514848.2A patent/CN114170198A/zh not_active Withdrawn
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108334909B (zh) | 基于ResNet的***TCT数字切片数据分析*** | |
| CN109272492B (zh) | 一种细胞病理涂片的处理方法及*** | |
| CN107274386B (zh) | 一种宫颈细胞液基涂片人工智能辅助阅片*** | |
| CN111985536B (zh) | 一种基于弱监督学习的胃镜病理图像分类方法 | |
| CN107886514B (zh) | 基于深度残差网络的乳腺钼靶图像肿块语义分割方法 | |
| CN112070772B (zh) | 基于UNet++和ResNet的血液白细胞图像分割方法 | |
| George et al. | Remote computer-aided breast cancer detection and diagnosis system based on cytological images | |
| Tosta et al. | Segmentation methods of H&E-stained histological images of lymphoma: A review | |
| CN112257704A (zh) | 基于深度学习检测模型子宫颈液基细胞数字图像分类方法 | |
| Yoshida et al. | Automated histological classification of whole slide images of colorectal biopsy specimens | |
| CN110120056B (zh) | 基于自适应直方图阈值和轮廓检测的血液白细胞分割方法 | |
| CN112380900A (zh) | 基于深度学习的子宫颈液基细胞数字图像分类方法及*** | |
| US20230368381A1 (en) | System and method for detecting and classifying abnormal cells | |
| CN113628199B (zh) | 病理图片染色组织区域检测方法、检测***及预后状态分析*** | |
| Zhang et al. | Automatic detection of invasive ductal carcinoma based on the fusion of multi-scale residual convolutional neural network and SVM | |
| Sornapudi et al. | Automated cervical digitized histology whole-slide image analysis toolbox | |
| CN112233085A (zh) | 一种基于像素预测增强的宫颈细胞图像分割方法 | |
| CN114782948A (zh) | 一种对宫颈液基细胞学涂片的全局判读方法及*** | |
| Athinarayanan et al. | COMPUTER AIDED DIAGNOSIS FOR DETECTION AND STAGE IDENTIFICATION OF CERVICAL CANCER BY USING PAP SMEAR SCREENING TEST IMAGES. | |
| CN114387596A (zh) | 细胞病理涂片自动判读*** | |
| Sobrevilla et al. | Fuzzy-based analysis of microscopic color cervical pap smear images: nuclei detection | |
| Saxena et al. | Study of Computerized Segmentation & Classification Techniques: An Application to Histopathological Imagery | |
| Taher et al. | Identification of lung cancer based on shape and color | |
| CN117252813A (zh) | 基于深度学习的宫颈液基细胞检测与识别方法及*** | |
| CN114170198A (zh) | 一种基于drsn的液基薄层细胞涂片数字病理图像检测方法 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220311 |
|
| WW01 | Invention patent application withdrawn after publication |