CN116741347B - 一种病理图像patches提取与深度学习建模方法 - Google Patents
一种病理图像patches提取与深度学习建模方法 Download PDFInfo
- Publication number
- CN116741347B CN116741347B CN202310536400.3A CN202310536400A CN116741347B CN 116741347 B CN116741347 B CN 116741347B CN 202310536400 A CN202310536400 A CN 202310536400A CN 116741347 B CN116741347 B CN 116741347B
- Authority
- CN
- China
- Prior art keywords
- patches
- pathological
- cluster
- patch
- image
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000001575 pathological effect Effects 0.000 title claims abstract description 31
- 238000000605 extraction Methods 0.000 title claims abstract description 14
- 238000013135 deep learning Methods 0.000 title abstract description 10
- 238000005070 sampling Methods 0.000 claims abstract description 27
- 230000008569 process Effects 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 14
- 238000012512 characterization method Methods 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 abstract description 8
- 230000000007 visual effect Effects 0.000 abstract description 3
- 238000010827 pathological analysis Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000007170 pathology Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 239000013255 MILs Substances 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiology & Medical Imaging (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及计算机辅助病理诊断技术领域,具体公开一种病理图像patches提取与深度学习建模方法,包括以下步骤:步骤一:选取一张病理WSI图像,结合注意力机制,随机确定n个Patches作为采样中心;步骤二:在中心Patch的邻域中再随机抽取k张与中心Patch邻近的Patches;步骤三:将以上n*(k+1)张Patches作为n个Patch簇输入模型进行建模,通过本发明在采样过程中使用中心‑近邻簇状采样方法,能够有效表征Patches之间的空间结构关系,同时,由于簇状采样视野范围广,能够覆盖一些大尺度病理结构,可表征更丰富的信息。
Description
技术领域
本发明涉及计算机辅助病理诊断技术领域,尤其涉及一种病理图像patches提取与深度学习建模方法。
背景技术
全景数字化切片(WSI)病理图像的分辨率较高,一张病理图像的信息量很大,文件占用的空间通常达到3GB以上,对其进行深度学习建模过程中会计算梯度数据,导致建模过程的显存空间需求超出现有硬件条件。所以,目前对WSI病理图像进行模型构建的操作主要是将一整张WSI按照网格划分为Patches(例如一张分辨率超过104*104的病理WSI图像,划分为多张512*512分辨率的Patches),再在这些Patches的集合中随机提取一部分,进行多示例学习(MIL)建模。
现有的Patches提取方法主要是随机提取,即在WSI分割出来的Patches中进行随机抽取,将这些Patches子集作为一个Bag整体赋予标签,进行MIL建模,以Bag为单位训练深度神经网络模型。存在以下问题:
(1)随机抽取的Patches之间无位置关联,在模型中通常使用的注意力机制虽然能够部分反映Patches之间的关系,但由于缺乏空间关联,每张Patch只能提供Patch视野范围内的碎片化信息,范围跨越不同Patches的各种病理组织之间的相关关系无法被映射至向量中。
(2)Patches主要包含病理组织局部的高分辨率微观图像信息,而一些病理特征的尺度较大,超过Patches的长宽,无法在一张Patch中完整呈现。即便随机抽取多张Patches可以包含一些大尺度结构的部分信息,由于(1)中提到的传统随机抽取方式与建模方法空间表征能力较弱,在模型中无法整合碎片化信息,从而无法获得大尺度结构的整体信息。
发明内容
本发明的主要目的是提供一种病理图像patches提取与深度学习建模方法以解决背景技术中存在的问题。
为实现以上目的,本发明提供以下技术方案:
一种病理图像patches提取与深度学习建模方法,包括以下步骤:
步骤一:选取一张病理WSI图像,进行网格划分,将其分割成Patches的集合。在Patches集合中,随机确定n个Patches作为n个簇状结构的采样中心;
步骤二:在中心Patch的5*5的Patches网格邻域中再随机抽取k张与中心Patch邻近的Patches;
步骤三:将以上n*(k+1)张Patches作为n个Patch簇输入模型进行建模。
进一步的,步骤2中,从每个中心Patch的5*5邻域中,结合k-近邻算法再随机抽取k张与中心Patch邻近的Patches。
进一步的,步骤三中,将所述Patch簇输入Transformer网络进行建模,提取一个簇内的Patch之间相互关系的信息,同时,利用空间位置矩阵提取簇的空间特征,将其与簇结合进行建模,具体包括以下步骤:
S1:n*(k+1)张Patches进行空间位置表征矩阵排列,得到空间位置矩阵,进行矩阵运算得到空间特征向量;
S2:将n*(k+1)张Patches构成的n个Patch簇输入Transformer网络层,得到簇中图像的特征向量后,将图像特征向量与:空间特征向量进行Concatenation(拼接)操作后得到整个簇的特征,进而根据该特征进行建模。
优选的,所述病理WSI图像分辨率超过104*104。所述采样中心Patch或近邻Patches的尺寸大小为512*512。
(1)本发明模型并非随机在所有的Patches集合中抽取,而是进行簇状采样:即先随机确定n个Patch作为采样中心,然后在其5*5邻域中再随机抽取k张与中心Patch邻近的Patches,将以上n*(k+1)张Patches作为n个Patch簇输入模型进行建模,可有效扩展模型的视野范围:将原本的单个Patch范围扩展至由多张邻近Patches组合成的簇,在这个簇中的Patches存在较强的空间关联,簇可表征较大尺度的病理结构。
(2)本发明的模型中针对簇状采样的特点,有针对性地引入了Transformer网络层,用于表征一个簇之内的Patches相互之间的关系,有效地将一定区域内的Patches之间的相关关系整合起来。同时结合注意力机制(Attention Dynamic),将多个簇之间的关系也整合起来,形成多层次的相关关系结构。
(3)本发明引入空间位置矩阵,该矩阵利用簇的patches在原WSI中的空间位置进行编码,能够表征patches尺度上的空间位置特征,这样就能够在簇进行flatten操作后仍然保留空间特征。
具体的,本发明与现有技术相对比,具有的优点有:
(1)本发明在采样过程中使用中心-近邻簇状采样方法,能够有效表征Patches之间的空间结构关系,同时,由于簇状采样视野范围广,能够覆盖一些大尺度病理结构,可表征更丰富的信息。
(2)本发明的深度神经网络模型部分使用Transformer进行簇内Patches整合计算,能够将(1)中的簇内空间关系映射至向量,显著提升模型信息丰富度,同时采用注意力机制进行簇间信息整合,相当于在更大尺度下对模型进行分析。(3)本发明所述采样方法与普通采样方法对比(五折交叉验证)如图1所示,具有显著进步。
附图说明
图1传统多示例学习模型在WSI上采样的效果显示图;
图2本发明提出的簇状采样方法效果显示图;
图3本发明方法的模型架构图;
图4本发明所述采样方法与普通采样方法五折交叉验证效果对比显示图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确,以下对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。。
术语“全景数字化切片(WSI)”是一种现代数字***与传统光学放大装置有机结合的技术。它是将传统的玻璃病理切片通过全自动显微镜或光学放大***扫描采集得到高分辨数字图像,再应用计算机对得到的图像自动进行高精度多视野无缝隙拼接和处理,获得优质的可视化数据以应用于病理学的各个领域。
术语“注意力机制(Attention Dynamic)”源于人类视觉的研究而构建的一种图像信息获取方法。
实施例1
参考图1-3,图1是传统多示例学习模型在WSI上采样的效果,可以看到,传统采样方法的采样区域随机,并且Patches之间互相不关联,只能将Patches的微观信息输入模型,无法将多张Patches的关联信息整合起来,对于一些大尺度的病理结构,模型的表征能力不足。
图2是本发明提出的一种病理图像patches提取与深度学习建模方法。
首先,随机选取多张Patches作为多个采样簇的中心Patch,然后在这些采样中心Patch的5*5邻域中再随机选取k张近邻的Patches,与中心的Patch组合,形成多组k+1张Patches组成的采样簇,我们将这些簇输入模型中作为训练数据。针对本发明的采样方法,为了更好地表征一个簇内各Patches之间的相互关系,团队在模型中使用Transformer网络对簇内的特征进行整合。在对每一簇内的patches进行整合的基础上,我们使用注意力机制(Attention Dynamic)对簇间特征进行整合,实现簇之间特征的关联。其中,注意力机制可以计算出不同簇之间的关联矩阵,进而实现各个簇的加权。本发明是簇状采样方、Transformer网络与注意力机制的有机结合,这三个部分各自实现各自的优势。本发明配套模型架构如图3。
参考图3,在Flatten操作后,模型会损失簇状采样的cluster拓扑信息(全部被压平至Flatten cluster图像组中了,从二维平面变为一维)。为了表征一个簇内的各个patches之间相对的空间位置关系,我们在模型之中加入另一个输入分支:patch位置表征矩阵,该矩阵由patches在Flatten cluster图像组中的排序编号组成,用于还原我们提取出来的patches在Flatten操作前在空间中的位置,具体步骤是:(1)构造一个5*5的零矩阵(所有元素均为0);(2)根据flatten后的patches的排列序号,将序号填入矩阵中,替换0,形成空间位置矩阵。具体的可以看下面空间矩阵。空间矩阵每一个元素的数字就是处于该位置的patch,在flatten后的patches序列中的序号。
例如,下图中的三个不同的簇:
我们根据这三个簇的位置关系,结合这三个簇进行Flatten操作后的位置编号设为空间位置表征矩阵,如下所示:
(1)左边的簇的空间特征矩阵
(2)右上角簇的空间特征矩阵
(3)右下角簇的空间特征矩阵
其中,1表示我们选为簇中心的patch,其余数字编号均为与该patch一同输入模型的周围patches在Flatten之后的排序编号。根据这个输入分支的空间位置表征矩阵,我们可以让模型对于所输入的patches在空间中排列的位置更加明确。
该矩阵输入模型后,将进行一次矩阵乘法,形成空间位置特征向量,该向量与经过Transformer层计算的图像特征向量进行Concatenation(拼接)操作后得到整个簇的特征,进而根据该特征进行建模。
在一些实施方式中,本发明还提供一种存储介质,其中,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现本发明一种病理图像patches提取与深度学习建模方法中的步骤。
在一些实施方式中,还提供一种终端设备,其包括至少一个处理(processor);显示屏;以及存储器(memory),还可以包括通信接口(Communications Interface)和总线。其中,处理器、显示屏、存储器和通信接口可以通过总线完成相互间的通信。显示屏设置为显示初始设置模式中预设的用户引导界面。通信接口可以传输信息。处理器可以调用存储器中的逻辑指令,以执行上述实施例中病理图像patches提取与深度学习建模方法中的步骤。
此外,存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
存储器作为一种计算机可读存储介质,可设置为存储软件程序、计算机可执行程序,如本公开实施例中的方法对应的程序指令或模块。处理器通过运行存储在存储器中的软件程序、指令或模块,从而执行功能应用以及数据处理,即实现上述实施例中的方法。
存储器可包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序;存储数据区可存储根据终端设备的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器。例如,U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等多种可以存储程序代码的介质,也可以是暂态存储介质。
此外,上述存储介质以及终端设备中的多条指令处理器加载并执行的具体过程在上述方法中已经详细说明,在这里就不再一一陈述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本公开实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本公开的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本公开各个实施例所述的方法。
应当理解的是,本公开的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本公开所附权利要求的保护范围。
Claims (6)
1.一种病理图像patches提取方法,其特征在于,包括以下步骤:
步骤一:选取一张病理WSI图像,进行网格划分,将其分割成Patches的集合,在Patches集合中,随机确定n个Patches作为n个簇状结构的采样中心;
步骤二:在中心Patch的5*5的Patches网格邻域中再随机抽取k张与中心Patch邻近的Patches;
步骤三:将以上n*(k+1)张Patches作为n个Patch簇输入模型进行建模,具体步骤为:
S1:n*(k+1)张Patches进行空间位置表征矩阵排列,得到空间位置矩阵,进行矩阵运算得到空间特征向量;
(1)构造一个5*5的零矩阵;
(2) 将n*(k+1)张Patches进行flatten处理后获得patches的排列序号,将序号填入矩阵中,替换0,形成空间位置矩阵,得到空间特征向量;
S2:将n*(k+1)张Patches构成的n个Patch簇输入Transformer网络层,得到簇中图像特征向量;
将图像特征向量与空间特征向量进行拼接操作后得到整个簇的特征,进而根据该特征输入模型进行建模。
2.根据权利要求1所述的方法,其特征在于,步骤二中,从每个中心Patch的5*5邻域中,结合k-近邻算法再随机抽取k张与中心Patch邻近的Patches。
3.根据权利要求2所述的方法,其特征在于,所述病理WSI图像分辨率超过104*104 。
4.根据权利要求3所述的方法,其特征在于,中心Patch或邻近的Patches的尺寸大小为512*512。
5.一种存储介质,其特征在于,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1-4任一所述方法中的步骤。
6.一种终端设备,其特征在于,包括处理器,适于实现各指令;以及存储介质,适于存储多条指令,所述指令适于由处理器加载并执行权利要求1-4任一所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310536400.3A CN116741347B (zh) | 2023-05-12 | 2023-05-12 | 一种病理图像patches提取与深度学习建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310536400.3A CN116741347B (zh) | 2023-05-12 | 2023-05-12 | 一种病理图像patches提取与深度学习建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116741347A CN116741347A (zh) | 2023-09-12 |
CN116741347B true CN116741347B (zh) | 2024-06-04 |
Family
ID=87908791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310536400.3A Active CN116741347B (zh) | 2023-05-12 | 2023-05-12 | 一种病理图像patches提取与深度学习建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116741347B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007023992A1 (en) * | 2005-08-23 | 2007-03-01 | Ricoh Company, Ltd. | Method and system for image matching in a mixed media environment |
CN109544517A (zh) * | 2018-11-06 | 2019-03-29 | 中山大学附属第医院 | 基于深度学习的多模态超声组学分析方法及*** |
CN111815609A (zh) * | 2020-07-13 | 2020-10-23 | 北京小白世纪网络科技有限公司 | 基于情境感知及多模型融合的病理图像分类方法及*** |
CN113239993A (zh) * | 2021-04-29 | 2021-08-10 | 中国人民解放军海军军医大学第三附属医院 | 一种病理图像的分类方法、病理图像的分类***、终端及计算机可读存储介质 |
CN113657479A (zh) * | 2021-08-12 | 2021-11-16 | 广东省人民医院 | 一种新型多尺度深宽结合的病理图片分类方法、***及介质 |
CN113674252A (zh) * | 2021-08-25 | 2021-11-19 | 上海鹏冠生物医药科技有限公司 | 一种基于图神经网络的组织细胞病理图像诊断*** |
CN113920213A (zh) * | 2021-09-27 | 2022-01-11 | 深圳技术大学 | 基于长距离注意力模型重建的多层磁共振成像方法及装置 |
CN114140445A (zh) * | 2021-12-06 | 2022-03-04 | 上海派影医疗科技有限公司 | 基于重点关注区域提取的乳腺癌病理图像识别方法 |
CN114445356A (zh) * | 2022-01-19 | 2022-05-06 | 上海交通大学 | 基于多分辨率的全视野病理切片图像肿瘤快速定位方法 |
CN114882008A (zh) * | 2022-06-09 | 2022-08-09 | 南京工业大学 | 一种基于病理图像特征检测肿瘤驱动基因差异表达算法 |
CN114972341A (zh) * | 2022-07-28 | 2022-08-30 | 华南理工大学 | 基于贝叶斯辅助学习的wsi图像分类方法、***及介质 |
CN115035074A (zh) * | 2022-06-17 | 2022-09-09 | 重庆大学 | 基于全局空间感知网络的宫颈上皮组织病理图像识别方法 |
CN115239839A (zh) * | 2022-07-05 | 2022-10-25 | 每步科技(上海)有限公司 | 室内游泳轨迹数据处理方法 |
CN115601602A (zh) * | 2022-11-10 | 2023-01-13 | 云南大学(Cn) | 癌症组织病理图像分类方法、***、介质、设备及终端 |
JP7244974B1 (ja) * | 2022-09-19 | 2023-03-23 | 之江実験室 | 特徴分離に基づく病理画像特徴抽出器の訓練方法、訓練装置、電子機器、記憶媒体及び病理画像分類システム |
CN116012332A (zh) * | 2022-12-29 | 2023-04-25 | 西安交通大学 | 一种基于层次图的病理图像中原发肿瘤分期多示例学习方法、框架、设备及介质 |
CN116012627A (zh) * | 2022-11-11 | 2023-04-25 | 浙江师范大学 | 一种基于超图聚类的因果时序双增强知识追踪方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11941905B2 (en) * | 2021-07-06 | 2024-03-26 | Walmart Apollo, Llc | Systems and methods for extracting patches from digital images |
-
2023
- 2023-05-12 CN CN202310536400.3A patent/CN116741347B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007023992A1 (en) * | 2005-08-23 | 2007-03-01 | Ricoh Company, Ltd. | Method and system for image matching in a mixed media environment |
CN109544517A (zh) * | 2018-11-06 | 2019-03-29 | 中山大学附属第医院 | 基于深度学习的多模态超声组学分析方法及*** |
CN111815609A (zh) * | 2020-07-13 | 2020-10-23 | 北京小白世纪网络科技有限公司 | 基于情境感知及多模型融合的病理图像分类方法及*** |
CN113239993A (zh) * | 2021-04-29 | 2021-08-10 | 中国人民解放军海军军医大学第三附属医院 | 一种病理图像的分类方法、病理图像的分类***、终端及计算机可读存储介质 |
CN113657479A (zh) * | 2021-08-12 | 2021-11-16 | 广东省人民医院 | 一种新型多尺度深宽结合的病理图片分类方法、***及介质 |
CN113674252A (zh) * | 2021-08-25 | 2021-11-19 | 上海鹏冠生物医药科技有限公司 | 一种基于图神经网络的组织细胞病理图像诊断*** |
CN113920213A (zh) * | 2021-09-27 | 2022-01-11 | 深圳技术大学 | 基于长距离注意力模型重建的多层磁共振成像方法及装置 |
CN114140445A (zh) * | 2021-12-06 | 2022-03-04 | 上海派影医疗科技有限公司 | 基于重点关注区域提取的乳腺癌病理图像识别方法 |
CN114445356A (zh) * | 2022-01-19 | 2022-05-06 | 上海交通大学 | 基于多分辨率的全视野病理切片图像肿瘤快速定位方法 |
CN114882008A (zh) * | 2022-06-09 | 2022-08-09 | 南京工业大学 | 一种基于病理图像特征检测肿瘤驱动基因差异表达算法 |
CN115035074A (zh) * | 2022-06-17 | 2022-09-09 | 重庆大学 | 基于全局空间感知网络的宫颈上皮组织病理图像识别方法 |
CN115239839A (zh) * | 2022-07-05 | 2022-10-25 | 每步科技(上海)有限公司 | 室内游泳轨迹数据处理方法 |
CN114972341A (zh) * | 2022-07-28 | 2022-08-30 | 华南理工大学 | 基于贝叶斯辅助学习的wsi图像分类方法、***及介质 |
JP7244974B1 (ja) * | 2022-09-19 | 2023-03-23 | 之江実験室 | 特徴分離に基づく病理画像特徴抽出器の訓練方法、訓練装置、電子機器、記憶媒体及び病理画像分類システム |
CN115601602A (zh) * | 2022-11-10 | 2023-01-13 | 云南大学(Cn) | 癌症组织病理图像分类方法、***、介质、设备及终端 |
CN116012627A (zh) * | 2022-11-11 | 2023-04-25 | 浙江师范大学 | 一种基于超图聚类的因果时序双增强知识追踪方法 |
CN116012332A (zh) * | 2022-12-29 | 2023-04-25 | 西安交通大学 | 一种基于层次图的病理图像中原发肿瘤分期多示例学习方法、框架、设备及介质 |
Non-Patent Citations (15)
Title |
---|
Breast Cancer Molecular Subtypes Prediction on Pathological Images;Hong Liu;https://browse.arxiv.org/pdf/2203.07659.pdf;20220315;全文 * |
Clustering-Based Multi-instance Learning Network for Whole Slide Image Classification;Wei Wu;Computational Mathematics Modeling in Cancer Analysis;20220922;全文 * |
IDDF2022-ABS-0265 Deep learning for predicting postoperative recurrence of colorectal cancer based on histological images;Weixiang Weng;Abstracts of the International Digestive Disease Forum (IDDF);20201101;全文 * |
Non-invasive diagnosis strategy of hepatocellular carcinoma in low-risk population;Zonglin Xie;BMC Cancer;20220628;全文 * |
Patch-based fuzzy clustering for image segmentation;Xiaofeng Zhang;SpringerLink;20171130;全文 * |
Super-Resolution Based on Clustered Examples;Ching Ting Tu;International Journal of Pattern Recognition and Artificial Intelligence;20160201;全文 * |
U-net Based Method for Automatic Hard Exudates Segmentation in Fundus Images Using Inception Module and Residual Connection;Yongshuo Zong;IEEE Access;20200910;全文 * |
乳腺数字断层摄影:通过一个使用可变的扫描角度、角增量和投影视图数量的实验***来检测乳腺模型图像簇状微小钙化的观察者效能;H.P.Chan;国际医学放射学杂志;20150115;全文 * |
基于U形深度网络的MRI分割方法研究;方俊鹏;中国优秀硕士学位论文全文数据库 医药卫生科技辑;20190115;全文 * |
基于两步聚类和随机森林的乳腺腺管自动识别方法;王帅;刘娟;毕姚姚;陈哲;郑群花;段慧芳;;计算机科学;20180315(第03期);全文 * |
基于全卷积神经网络的肝脏CT影像分割研究;郭树旭;马树志;李晶;张惠茅;孙长建;金兰依;刘晓鸣;刘奇楠;李雪妍;;计算机工程与应用;20170915(第18期);全文 * |
基于深度学习的视网膜血管分割辅助诊断***研究与实现;陈淑玲;中国优秀硕士学位论文全文数据库 医药卫生科技辑;20210115;全文 * |
基于逐像素点深度卷积网络分割模型的上皮和间质组织分割;骆小飞;徐军;陈佳梅;;自动化学报;20171115(第11期);全文 * |
改进的病理学图像分类多示例学习方法研究与应用;叶天鸽;中国优秀硕士学位论文全文数据库 医药卫生科技辑;20230215;全文 * |
眼睑肿瘤病理特征分析及基于新型人工智能算法的诊断应用研究;王琳艳;中国博士学位论文全文数据库医药卫生科技辑;20210115;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116741347A (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110473141B (zh) | 图像处理方法、装置、存储介质及电子设备 | |
CN112991502B (zh) | 一种模型训练方法、装置、设备及存储介质 | |
CN105787911B (zh) | 一种基于拓扑分形算法的图像腐蚀与膨胀处理方法 | |
CN105354593B (zh) | 一种基于nmf的三维模型分类方法 | |
CN111862292A (zh) | 输电线路走廊的数据渲染方法、装置和计算机设备 | |
CN103679715B (zh) | 一种基于非负矩阵分解的手机图像特征提取方法 | |
CN112990264A (zh) | 一种基于一致图学习的多视图聚类方法 | |
CN104021395B (zh) | 一种基于高阶偏最小二乘法的目标跟踪算法 | |
CN115861248A (zh) | 医学图像分割方法、医学模型训练方法、装置和存储介质 | |
CN113723411B (zh) | 一种用于遥感图像语义分割的特征提取方法和分割*** | |
CN116741347B (zh) | 一种病理图像patches提取与深度学习建模方法 | |
Hu et al. | Lightweight multi-scale network with attention for facial expression recognition | |
CN110276049A (zh) | 一种半监督自适应图正则化判别非负矩阵分解方法 | |
CN112364190A (zh) | 一种球面图像索引方法及装置 | |
CN117373064A (zh) | 基于自适应跨维度加权的人体姿态估计方法、计算机设备及存储介质 | |
Zhang et al. | Convex hull properties and algorithms | |
Ning et al. | Attention-based multi-scale transfer ResNet for skull fracture image classification | |
CN115690486A (zh) | 识别图像中病灶方法、装置、设备及存储介质 | |
CN113032622A (zh) | 一种新型医学视频图像采集和数据管理*** | |
CN112785498A (zh) | 一种基于深度学习的病理图像超分建模方法 | |
CN112734781B (zh) | 阵列图案的快速输入方法、终端及可读存储介质 | |
CN116796478B (zh) | 天线阵列可视区域的数据展示方法、装置 | |
CN117876843B (zh) | 一种具有动态降低图像冗余的高效农作物病害识别方法 | |
Giraudel et al. | Ecological applications of unsupervised artificial neural networks | |
Jing et al. | Cloud Image Super-Resolution Based on Residual Network |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |