CN116883397A - 一种应用于解剖病理学的自动精益方法及*** - Google Patents
一种应用于解剖病理学的自动精益方法及*** Download PDFInfo
- Publication number
- CN116883397A CN116883397A CN202311143465.8A CN202311143465A CN116883397A CN 116883397 A CN116883397 A CN 116883397A CN 202311143465 A CN202311143465 A CN 202311143465A CN 116883397 A CN116883397 A CN 116883397A
- Authority
- CN
- China
- Prior art keywords
- pathology
- tissue
- anatomic
- dyed
- dyed tissue
- 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.)
- Granted
Links
- 230000007170 pathology Effects 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims abstract description 39
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 35
- 238000013334 tissue model Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 30
- 239000013598 vector Substances 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 7
- 238000010827 pathological analysis Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 108010034145 Helminth Proteins Proteins 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 244000000013 helminth Species 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 230000003902 lesion Effects 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract 1
- 238000000926 separation method Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 5
- 230000036285 pathological change Effects 0.000 description 2
- 231100000915 pathological change Toxicity 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
-
- 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
- G06T2207/10116—X-ray 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种应用于解剖病理学的自动精益方法及***,属于解剖病理技术领域,具体包括:通过光学和X光为基础获取解剖影像数据,并在获取后对解剖影像进行预处理;基于卷积神经网络识别解剖影像中的染色组织图像,获取染色组织图像的特定锚点参数;通过若干个角度的染色组织影像,基于多目视觉对单个染色组织进行三维重建,获得单个染色组织模型,对染色组织结构进行分离和提取,并将若干个单独染色组织模型进行组合,生成完整的染色组织模型;构建病理分析模型,并染色组织模型中获取染色组织不同角度的内部剖面图像,将内部剖面图像输入病理分析模型,并输出病理分析结果;本发明提升了对染色组织病理的准确识别。
Description
技术领域
本发明涉及解剖病理技术领域,具体涉及一种应用于解剖病理学的自动精益方法及***。
背景技术
解剖病理学是医学领域中的重要分支,它通过对组织和器官的形态学、生理学以及病理学特征进行研究,以了解疾病的发生、发展和转归规律。在解剖病理学研究中,对组织结构的精确分析和准确识别是至关重要的。然而,传统的解剖病理学研究方法存在着许多问题,如人工操作繁琐、效率低下、主观性强等。因此,开发一种自动化的解剖病理学分析方法具有重要意义。
目前,已有的一些解剖病理学分析方法主要依赖于人工操作,如显微镜观察、组织切片制备等。这些方法虽然在一定程度上能够实现对组织结构的分析,但仍然存在一些问题,如操作复杂、耗时长、效率低等。为了克服这些问题,研究人员提出了一种基于自动精益方法及***的解剖病理学分析方法。
发明内容
本发明的目的在于提供一种应用于解剖病理学的自动精益方法及***,解决以下技术问题:
随着每日处理的生物组织样本的体积增加,上述问题变得特别相关。实际上,体积的增加导致各种参与者可能经受的错误的显著固有增加。组织样本的体积的增加还产生作为解剖病理学诊断过程的一部分而使样本经受的步骤中的差异增加。
本发明的目的可以通过以下技术方案实现:
一种应用于解剖病理学的自动精益方法及***,包括:
1、一种应用于解剖病理学的自动精益方法及***,其特征在于,包括:
影像采集模块,用于通过光学和X光为基础获取解剖影像数据,并在获取后对解剖影像进行预处理;
组织识别模块,用于基于卷积神经网络识别解剖影像中的染色组织图像与非染色组织图像,扫描这些染色组织图像,获取染色组织图像的特定锚点参数;
三维重建模块,用于通过若干个角度的染色组织影像,基于多目视觉对单个染色组织进行三维重建,获得单个染色组织模型,对染色组织结构进行分离和提取,并将若干个单独染色组织模型进行组合,生成完整的染色组织模型;
病理分析模块,用于构建病理分析模型,并染色组织模型中获取染色组织不同角度的内部剖面图像,将所述内部剖面图像输入所述病理分析模型,并输出病理分析结果;
所述影像采集模块预处理的过程为:
对所述解剖影像一次降噪,对一次降噪后的所述解剖影像分割为若干个图像块,对每个图像块进行自适应直方图均衡化,重新分配像素的灰度值,并对均衡化后的解剖影像进行二次降噪;
所述特定锚点参数包括染色组织的颜色分布、形状特征和纹理信息;
所述组织识别模块基于卷积神经网络对染色组织与非染色组织进行分割,所述卷积神经网络的计算分割边缘的损失函数包括:
尺度损失函数:;
距离损失函数:;
区域损失函数:;
人工损失函数:;
因此,所述卷积神经网络的整体损失函数:;
其中x表示像素,∫Ω表示在三维空间内进行积分,P表示x的预测位置,c1表示x的第一个真实位置,c2表示x的第二个真实位置,log(η(x))表示对数函数,Φ表示梯度函数,α、β、λ、μ为预设系数,表示迪利克雷函数,/>表示亥维赛函数。
作为本发明进一步的方案:所述病理分析模型是基于卷积神经网络CNN和循环神经网络RNN构建,所述RNN网络包括LSTM层,LSTM层由时间维度和特征向量两个维度进行矩阵训练,在RNN网络的后端设置有若干个全连接层,当上一连接层的每个节点完全向前连接到连接层的每个节点时,两个连接层完全连接。
作为本发明进一步的方案:所述CNN网络中包括若干个CNN层,每个CNN层生成一个多维数组,内部剖面图像的维数就被减小一次,但同时生成一个新的维数,新维数的大小等于应用于图像的滤波器的数量,连续的CNN层降低图像尺寸,并增加新生成的尺寸大小,将CNN网络中的张量转换为向量,将该向量作为最终全连接层的输入。
作为本发明进一步的方案:所述病理分析结果包括染色组织的病变程度、组织结构的异常区域。
作为本发明进一步的方案:所述病理分析模块进一步包括建立病理数据库,利用机器学习技术对大量病理图像进行训练,不断优化病理分析模型。
本发明的有益效果:
本发明首先通过自动采集和处理解剖影像数据,大大提高了分析效率和准确性;其次,利用卷积神经网络对染色组织进行分割和识别,提高了分析的准确性和可靠性;再次,通过三维重建技术对染色组织进行建模和分离,为病理分析提供了更为直观和全面的信息;最后,通过建立病理数据库和使用机器学习技术对大量病理图像进行训练,不断优化病理分析模型,提高了分析结果的准确性和可靠性。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明的流程示意图。
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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1所示,本发明为一种应用于解剖病理学的自动精益方法及***,包括:
影像采集模块,用于通过光学和X光为基础获取解剖影像数据,并在获取后对解剖影像进行预处理;
组织识别模块,用于基于卷积神经网络识别解剖影像中的染色组织图像与非染色组织图像,扫描这些染色组织图像,获取染色组织图像的特定锚点参数;
三维重建模块,用于通过若干个角度的染色组织影像,基于多目视觉对单个染色组织进行三维重建,获得单个染色组织模型,对染色组织结构进行分离和提取,并将若干个单独染色组织模型进行组合,生成完整的染色组织模型;
病理分析模块,用于构建病理分析模型,并染色组织模型中获取染色组织不同角度的内部剖面图像,将所述内部剖面图像输入所述病理分析模型,并输出病理分析结果。
目前,已有的一些解剖病理学分析方法主要依赖于人工操作,如显微镜观察、组织切片制备等。这些方法虽然在一定程度上能够实现对组织结构的分析,但仍然存在一些问题,如操作复杂、耗时长、效率低等。为了克服这些问题,研究人员提出了一种基于自动精益方法及***的解剖病理学分析方法。
本发明首先通过自动采集和处理解剖影像数据,大大提高了分析效率和准确性;其次,利用卷积神经网络对染色组织进行分割和识别,提高了分析的准确性和可靠性;再次,通过三维重建技术对染色组织进行建模和分离,为病理分析提供了更为直观和全面的信息;最后,通过建立病理数据库和使用机器学习技术对大量病理图像进行训练,不断优化病理分析模型,提高了分析结果的准确性和可靠性。
在本发明的一种优选的实施例中,所述影像采集模块预处理的过程为:
对所述解剖影像一次降噪,对一次降噪后的所述解剖影像分割为若干个图像块,对每个图像块进行自适应直方图均衡化,重新分配像素的灰度值,并对均衡化后的解剖影像进行二次降噪。
在本发明的另一种优选的实施例中,所述锚点参数包括染色组织的颜色分布、形状特征和纹理信息。
在本发明的另一种优选的实施例中,所述组织识别模块基于卷积神经网络对染色组织与非染色组织进行分割,所述卷积神经网络的计算分割边缘的损失函数包括:
尺度损失函数:;
距离损失函数:;
区域损失函数:;
人工损失函数:;
因此,所述卷积神经网络的整体损失函数:;
其中x表示像素,∫Ω表示在三维空间内进行积分,P表示x的预测位置,c1表示x的第一个真实位置,c2表示x的第二个真实位置,log(η(x))表示对数函数,Φ表示梯度函数,α、β、λ、μ为预设系数,表示迪利克雷函数,/>表示亥维赛函数。
在本发明的另一种优选的实施例中,所述病理分析模型是基于卷积神经网络CNN和循环神经网络RNN构建,所述RNN网络包括LSTM层,LSTM层由时间维度和特征向量两个维度进行矩阵训练,在RNN网络的后端设置有若干个全连接层,当上一连接层的每个节点完全向前连接到连接层的每个节点时,两个连接层完全连接。
在本实施例的一种优选的情况中,所述CNN网络中包括若干个CNN层,每个CNN层生成一个多维数组,内部剖面图像的维数就被减小一次,但同时生成一个新的维数,新维数的大小等于应用于图像的滤波器的数量,连续的CNN层降低图像尺寸,并增加新生成的尺寸大小,将CNN网络中的张量转换为向量,将该向量作为最终全连接层的输入。
在本发明的另一种优选的实施例中,所述病理分析结果包括染色组织的病变程度、组织结构的异常区域。
在本发明的另一种优选的实施例中,所述病理分析模块进一步包括建立病理数据库,利用机器学习技术对大量病理图像进行训练,不断优化病理分析模型。
以上对本发明的一个实施例进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的专利涵盖范围之内。
Claims (5)
1.一种应用于解剖病理学的自动精益方法及***,其特征在于,包括:
影像采集模块,用于通过光学和X光为基础获取解剖影像数据,并在获取后对解剖影像进行预处理;
组织识别模块,用于基于卷积神经网络识别解剖影像中的染色组织图像与非染色组织图像,扫描这些染色组织图像,获取染色组织图像的特定锚点参数;
三维重建模块,用于通过若干个角度的染色组织影像,基于多目视觉对单个染色组织进行三维重建,获得单个染色组织模型,对染色组织结构进行分离和提取,并将若干个单独染色组织模型进行组合,生成完整的染色组织模型;
病理分析模块,用于构建病理分析模型,并染色组织模型中获取染色组织不同角度的内部剖面图像,将所述内部剖面图像输入所述病理分析模型,并输出病理分析结果;
所述影像采集模块预处理的过程为:
对所述解剖影像一次降噪,对一次降噪后的所述解剖影像分割为若干个图像块,对每个图像块进行自适应直方图均衡化,重新分配像素的灰度值,并对均衡化后的解剖影像进行二次降噪;
所述特定锚点参数包括染色组织的颜色分布、形状特征和纹理信息;
所述组织识别模块基于卷积神经网络对染色组织与非染色组织进行分割,所述卷积神经网络的计算分割边缘的损失函数包括:
尺度损失函数:;
距离损失函数:;
区域损失函数:;
人工损失函数:;
因此,所述卷积神经网络的整体损失函数:;
其中x表示像素,∫Ω表示在三维空间内进行积分,P表示x的预测位置,c1表示x的第一个真实位置,c2表示x的第二个真实位置,log(η(x))表示对数函数,Φ表示梯度函数,α、β、λ、μ为预设系数,表示迪利克雷函数,/>表示亥维赛函数。
2.根据权利要求1所述的一种应用于解剖病理学的自动精益方法及***,其特征在于,所述病理分析模型是基于卷积神经网络CNN和循环神经网络RNN构建,所述RNN网络包括LSTM层,LSTM层由时间维度和特征向量两个维度进行矩阵训练,在RNN网络的后端设置有若干个全连接层,当上一连接层的每个节点完全向前连接到连接层的每个节点时,两个连接层完全连接。
3.根据权利要求2所述的一种应用于解剖病理学的自动精益方法及***,其特征在于,所述CNN网络中包括若干个CNN层,每个CNN层生成一个多维数组,内部剖面图像的维数就被减小一次,但同时生成一个新的维数,新维数的大小等于应用于图像的滤波器的数量,连续的CNN层降低图像尺寸,并增加新生成的尺寸大小,将CNN网络中的张量转换为向量,将该向量作为最终全连接层的输入。
4.根据权利要求1所述的一种应用于解剖病理学的自动精益方法及***,其特征在于,所述病理分析结果包括染色组织的病变程度、组织结构的异常区域。
5.根据权利要求1所述的一种应用于解剖病理学的自动精益方法及***,其特征在于,所述病理分析模块进一步包括建立病理数据库,利用机器学习技术对大量病理图像进行训练,不断优化病理分析模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311143465.8A CN116883397B (zh) | 2023-09-06 | 2023-09-06 | 一种应用于解剖病理学的自动精益方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311143465.8A CN116883397B (zh) | 2023-09-06 | 2023-09-06 | 一种应用于解剖病理学的自动精益方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116883397A true CN116883397A (zh) | 2023-10-13 |
CN116883397B CN116883397B (zh) | 2023-12-08 |
Family
ID=88262515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311143465.8A Active CN116883397B (zh) | 2023-09-06 | 2023-09-06 | 一种应用于解剖病理学的自动精益方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116883397B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210150701A1 (en) * | 2017-06-15 | 2021-05-20 | Visiopharm A/S | Method for training a deep learning model to obtain histopathological information from images |
JPWO2021132633A1 (zh) * | 2019-12-26 | 2021-07-01 | ||
US20220108123A1 (en) * | 2020-10-01 | 2022-04-07 | The Board Of Trustees Of The University Of Illinois | Tissue microenvironment analysis based on tiered classification and clustering analysis of digital pathology images |
CN114708229A (zh) * | 2022-04-01 | 2022-07-05 | 重庆点检生物科技有限公司 | 一种病理切片数字图像的全层次分析*** |
CN115272196A (zh) * | 2022-07-11 | 2022-11-01 | 东北林业大学 | 组织病理图像中病灶区域预测方法 |
CN115546605A (zh) * | 2022-09-16 | 2022-12-30 | 安徽省立医院(中国科学技术大学附属第一医院) | 一种基于图像标注和分割模型的训练方法及装置 |
CN115578560A (zh) * | 2022-10-09 | 2023-01-06 | 杭州智汇明壹医疗科技有限公司 | 基于深度学习的ihc膜浆表达病理图像的癌区分割方法 |
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 |
CN116012353A (zh) * | 2023-02-07 | 2023-04-25 | 中国科学院重庆绿色智能技术研究院 | 一种基于图卷积神经网络的数字病理组织图像识别方法 |
CN116468655A (zh) * | 2023-02-14 | 2023-07-21 | 复旦大学 | 基于胎儿磁共振成像的脑发育图谱与影像处理*** |
CN116468690A (zh) * | 2023-04-17 | 2023-07-21 | 北京透彻未来科技有限公司 | 基于深度学习的浸润性非粘液性肺腺癌的亚型分析*** |
CN116524315A (zh) * | 2022-01-17 | 2023-08-01 | 山东大学 | 一种基于Mask R-CNN的肺癌病理组织切片识别及分割方法 |
-
2023
- 2023-09-06 CN CN202311143465.8A patent/CN116883397B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210150701A1 (en) * | 2017-06-15 | 2021-05-20 | Visiopharm A/S | Method for training a deep learning model to obtain histopathological information from images |
JPWO2021132633A1 (zh) * | 2019-12-26 | 2021-07-01 | ||
US20230045882A1 (en) * | 2019-12-26 | 2023-02-16 | Japanese Foundation For Cancer Research | Pathological diagnosis assisting method using ai, and assisting device |
US20220108123A1 (en) * | 2020-10-01 | 2022-04-07 | The Board Of Trustees Of The University Of Illinois | Tissue microenvironment analysis based on tiered classification and clustering analysis of digital pathology images |
CN116524315A (zh) * | 2022-01-17 | 2023-08-01 | 山东大学 | 一种基于Mask R-CNN的肺癌病理组织切片识别及分割方法 |
CN114708229A (zh) * | 2022-04-01 | 2022-07-05 | 重庆点检生物科技有限公司 | 一种病理切片数字图像的全层次分析*** |
CN115272196A (zh) * | 2022-07-11 | 2022-11-01 | 东北林业大学 | 组织病理图像中病灶区域预测方法 |
CN115546605A (zh) * | 2022-09-16 | 2022-12-30 | 安徽省立医院(中国科学技术大学附属第一医院) | 一种基于图像标注和分割模型的训练方法及装置 |
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 |
CN115578560A (zh) * | 2022-10-09 | 2023-01-06 | 杭州智汇明壹医疗科技有限公司 | 基于深度学习的ihc膜浆表达病理图像的癌区分割方法 |
CN116012353A (zh) * | 2023-02-07 | 2023-04-25 | 中国科学院重庆绿色智能技术研究院 | 一种基于图卷积神经网络的数字病理组织图像识别方法 |
CN116468655A (zh) * | 2023-02-14 | 2023-07-21 | 复旦大学 | 基于胎儿磁共振成像的脑发育图谱与影像处理*** |
CN116468690A (zh) * | 2023-04-17 | 2023-07-21 | 北京透彻未来科技有限公司 | 基于深度学习的浸润性非粘液性肺腺癌的亚型分析*** |
Non-Patent Citations (4)
Title |
---|
SONGHUI DIAO: "Computer Aided Cancer Regions Detection of Hepatocellular Carcinoma in Whole-slide Pathological Images based on Deep Learning", 2019 INTERNATIONAL CONFERENCE ON MEDICAL IMAGING PHYSICS AND ENGINEERING (ICMIPE) * |
孟婷;刘宇航;张凯昱;: "一种基于增强卷积神经网络的病理图像诊断算法", 激光与光电子学进展, no. 08 * |
张泽中;高敬阳;赵地;: "MIFNet:基于多尺度输入与特征融合的胃癌病理图像分割方法", 计算机应用, no. 2 * |
杜剑: "基于卷积神经网络与显微高光谱的胃癌组织分类方法研究", 光学学报, no. 06 * |
Also Published As
Publication number | Publication date |
---|---|
CN116883397B (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111476292B (zh) | 医学图像分类处理人工智能的小样本元学习训练方法 | |
CN108052977B (zh) | 基于轻量级神经网络的乳腺钼靶图像深度学习分类方法 | |
CN108898160B (zh) | 基于cnn和影像组学特征融合的乳腺癌组织病理学分级方法 | |
WO2021203795A1 (zh) | 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法 | |
CN104933709B (zh) | 基于先验信息的随机游走ct肺组织图像自动分割方法 | |
CN111429474B (zh) | 基于混合卷积的乳腺dce-mri图像病灶分割模型建立及分割方法 | |
CN109063710A (zh) | 基于多尺度特征金字塔的3d cnn鼻咽癌分割方法 | |
CN108257135A (zh) | 基于深度学习方法解读医学图像特征的辅助诊断*** | |
CN109584244B (zh) | 一种基于序列学习的海马体分割方法 | |
CN110889852A (zh) | 基于残差-注意力深度神经网络的肝脏分割方法 | |
CN112258514B (zh) | 一种ct影像肺血管的分割方法 | |
CN111340812A (zh) | 基于深度神经网络的交互式肝脏图像分割方法 | |
Guo et al. | Adaptive active contour model based automatic tongue image segmentation | |
CN112348059A (zh) | 基于深度学习的多种染色病理图像分类方法及*** | |
CN114972254A (zh) | 一种基于卷积神经网络的宫颈细胞图像分割方法 | |
CN110942464A (zh) | 一种融合2维和3维模型的pet图像分割方法 | |
CN114596317A (zh) | 一种基于深度学习的ct影像全心脏分割方法 | |
CN112288749A (zh) | 一种基于深度迭代融合深度学习模型的颅骨图像分割方法 | |
CN116883341A (zh) | 一种基于深度学习的肝脏肿瘤ct图像自动分割方法 | |
CN115471701A (zh) | 基于深度学习和迁移学习的肺腺癌组织学亚型分类方法 | |
CN115527657A (zh) | 基于医学数字成像和通信的影像、图像多模态重建、成像及标注 | |
CN109919216B (zh) | 一种用于计算机辅助诊断***癌的对抗学习方法 | |
CN115100123A (zh) | 一种结合UNet和主动轮廓模型的大脑提取方法 | |
CN114565601A (zh) | 基于DeepLabV3+改进的肝脏CT图像分割算法 | |
CN114445328A (zh) | 基于改进Faster R-CNN的医学影像脑肿瘤检测方法与*** |
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 |