CN104657624A - 一种肝硬化全量化分析方法 - Google Patents
一种肝硬化全量化分析方法 Download PDFInfo
- Publication number
- CN104657624A CN104657624A CN201510119631.XA CN201510119631A CN104657624A CN 104657624 A CN104657624 A CN 104657624A CN 201510119631 A CN201510119631 A CN 201510119631A CN 104657624 A CN104657624 A CN 104657624A
- Authority
- CN
- China
- Prior art keywords
- fiber
- area
- blood vessel
- liver
- bridging
- 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
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及一种肝硬化全量化分析方法,包含以下步骤:S1、进行预处理,分割出纤维通道和细胞通道;S2、由纤维通道和细胞通道分割出汇管区纤维,提取汇管区参数;S3、先对纤维通道进行插值连接和滤波处理,后进行区域增长,提取血管间的桥连纤维,提取桥连纤维参数;S4、纤维通道分割出汇管区纤维和桥连纤维后,剩下的部分为散落的窦周/细胞周纤维,提取窦周/细胞周纤维参数;S5、标记由桥连纤维分割开的连通域,再结合细胞通道,得到肝结节,提取肝结节参数。本发明可以避免不同病理医师的经验误差,实时反映肝硬化期内的组织学进展变化。
Description
技术领域
本发明涉及医学图像处理领域,尤其涉及一种肝硬化全量化分析方法。
背景技术
肝硬化是临床常见的慢性进行性肝病,由一种或多种病因长期或反复作用形成的弥漫性肝损害。在我国大多数为肝炎后肝硬化,少部分为酒精性肝硬化和血吸虫性肝硬化。肝硬化在病理组织学上有广泛的肝细胞坏死、残存肝细胞结节性再生、结缔组织增生与纤维隔形成,导致肝小叶结构破坏和假小叶形成,肝脏逐渐变形、变硬而发展为肝硬化。早期由于肝脏代偿功能较强可无明显症状,后期则以肝功能损害和门脉高压为主要表现,并有多系统受累,晚期常出现上消化道出血、肝性脑病、继发感染、脾功能亢进、腹水、癌变等并发症。肝硬化对患者疾病预后影响很大,准确评估肝硬化对于肝病有效诊治起着至关重要的作用。
目前临床诊断肝硬化的主要方法分成有创和无创两大类。无创诊断方法,如血清检测、瞬时弹性成像肝硬度测量技术等,因所采用的检测方法的限制,检测结果与肝纤维化病变本身不能直接对应,无法对相邻纤维化分期进行精确区分。有创诊断的主要方法为肝活检。肝活检也是行业检验肝脏疾病和肝病分期的金标准。但是,传统肝活检进行纤维化诊断需要进行特殊染色,纤维化程度由医师通过经验判断,很容易出现误差。此外,基于传统肝活检的组织学分期如Scheuer、Ishak、Metavir等评分系统均将不同程度的肝硬化视为同一期,也不能反映肝硬化的组织病理学严重程度。
全量化分析方法是一类新的肝硬化诊断方法。现有全量化分析方法为形态测量法,通过测量单位组织面积中胶原面积的比例(CPA)判断肝硬化的程度,但该方法缺乏组织学概念和信息,不能全面反映已知的肝硬化病理特征。
发明内容
有鉴于此,有必要针对上述肝硬化诊断方法不能客观、精确、全面地反映肝硬化期内组织学变化的数据信息的问题,提供一种肝硬化全量化分析方法。
为了实现上述目的,本发明采用如下技术方案:
一种肝硬化全量化分析方法,包含以下步骤:
S1、进行预处理,分割出纤维通道和细胞通道;
S2、由纤维通道和细胞通道分割出汇管区纤维,提取汇管区参数;
S3、先对纤维通道进行插值连接和滤波处理,后进行区域增长,提取血管间的桥连纤维,提取桥连纤维参数;
S4、纤维通道分割出汇管区纤维和桥连纤维后,剩下的部分为散落的窦周/细胞周纤维,提取窦周/细胞周纤维参数;
S5、标记由桥连纤维分割开的连通域,再结合细胞通道,得到肝结节,提取肝结节参数。
优选的,图像预处理时提取切片面积和纤维总面积;所述汇管区参数为汇管区纤维的面积、血管数量、血管壁厚和血管直径;所述桥连纤维参数为桥连纤维面积;所述窦周/细胞周纤维参数为窦周/细胞周纤维的面积;所述肝结节参数为肝结节的平均面积、直径和数量。
优选的,所述步骤S2包含以下步骤:
S21、对纤维通道和细胞通道分别通过自适应方式寻找最优阈值,初分出血管域、纤维域,所述纤维域包含血管域内的纤维及血管间桥连的纤维;
S22、将初次分割出的血管域和分割出的纤维域进行融合,去除血管域中面积小于一个肝细胞面积大小且其周围没有桥连的纤维的区域;再对血管域进行边缘提取,计算边界到中心的距离为血管壁厚度,继而去除血管壁厚度大于5μm的区域;
S23、将纤维域和再次分割的血管域进行位置映射,最终分割出血管域周围的纤维,定义为汇管区纤维;
S24、计算切片范围内血管的数目;再通进行边界检测,提取汇管区中心线和质心,量化汇管区纤维的面积;其中,中心线到边界的距离为血管壁厚;质心到边界的距离为血管直径。
优选的,滤波处理采用自适应中值滤波器。
优选的,在进行区域增长时,随机在各独立的汇管区选取种子点,增长法则采用最朴素的灰度值阈值法,多个种子点同时进行增长,分割出以血管域为中心生长出的纤维桥;去除纤维长度小于最近两个血管域之间距离的纤维桥,分割出最终的血管间的桥连纤维。
优选的,所述步骤S5包含以下步骤:标记由桥连纤维分割开的连通域,再结合细胞通道,获得肝结节;计算切片范围内肝结节数目,量化每个肝结节的面积;检测各肝结节的边界和提取质心,量化各肝结节的直径。
优选的,将获得的各数据整理为以下量化参数:纤维总面积百分数、汇管区纤维面积百分数、桥连纤维面积百分数、窦周/细胞周纤维面积百分数、血管密度、血管壁厚度、血管直径、肝结节密度、肝结节直径和肝结节平均面积。
更优选的,所述肝硬化全量化分析方法还进一步包含数据处理步骤S6,所述步骤S6包含以下步骤:
S61、将各量化参数建立分类模型,归一化之后送入分类器进行系数训练;
S62、用测试样本对分类模型进行训练,得出其分类正确率。
进一步优选的,所述归一化采用min-max归一化方法;所述分类器采用多类逻辑回归分类器,在训练阶段,样本函数可以表示为:
其中,hθ(x)为样本函数,θ(θ0,θ1,θ2,...θm)为逻辑回归系数;x(x1,x2,x3,...xm)表示该样本的特征向量,下标m为特征向量维度;
它的概率估计表示为:
P(y|x;θ)=(hθ(x))y(1-hθ(x))1-y,
其中,θ为权重系数,x为特征向量,P(y|x;θ)表示在该参数下样本属于y类的概率。
在分类器中,对各特征向量的似然函数做最大似然估计得到最合适的θ值,即将权重系数θ(θ0,θ1,θ2,...θm)作为逻辑回归系数θ(θ0,θ1,θ2,...θm)。在概率估计时采用One-VS-All策略,进行三分类,最终分类确定为三分类中出现概率最大的类。
与现有技术相比,本发明肝硬化全量化分析方法具有以下有益效果:
(1)本发明在组织结构学的基础上客观量化病理医生的主观观测指标,反映病理参数,实现硬化期内病情的数字化体现,避免了不同病理医师的经验误差;本发明利用虚拟染色技术获取图像,减少了传统病理染色中的人为误差以及化学染色不均一性带来的误差;可重复性高。
(2)与现有主观经验的单一分期相比,本发明将传统的单一肝硬化期精细化划分为轻、中、重三期,实时反映肝硬化期内的组织学进展变化;本发明的量化参数,可以清晰地追踪病情进展和逆转的情况,对于辅助诊断具有重要价值。
(3)本发明对于目前各类肝组织显微资料的处理分析均适用。
附图说明
图1是本发明肝硬化全量化分析方法的流程图。
图2是本发明肝硬化全量化分析方法中分割汇管区纤维的流程图。
图3是本发明某一实施例中分割出的汇管区纤维显示图。
图4是本发明肝硬化全量化分析方法中量化汇管区参数的流程图。
图5是本发明肝硬化全量化分析方法中分割桥连纤维的流程图。
图6是本发明某一实施例中分割出的桥连纤维显示图。
图7是本发明某一实施例中三类纤维分割和标记的最终显示图。蓝色标记为汇管区纤维,黄色标记为桥连区纤维,亮宝蓝色标记为细胞周纤维。
图8是某实施例中轻F4(a)、中F5(b)、重F6(c)度肝硬化使用本发明方法处理后的三种纤维显示图。
图9是使用本发明方法处理图8所示图像的获得的量化参数的柱状图。其中,图中a,b,c分别对应图8中所述的处于轻F4(a)、中F5(b)、重F6(c)度肝硬化图像使用本发明量化病理参数的结果。图9-1表示量化血管参数,9-2表示经本发明细分之后的各纤维百分数,图9-3表示本发明肝结节的量化指标示意图。
图10是本发明方法处理不同肝硬化阶段的大鼠样本获得的主要量化参数结果图。在本发明可以提取的所有量化参数中,选择与病理发展直接相关的几组参数,对150个样本进行示意描述,印证病理发展规律,其中图像编号1-50为F4期的肝硬化图,编号51-100为F5期,编号101-150为F6期。
具体实施方式
为了更好的说明本发明,下面结合附图和具体实施方式做进一步说明。本发明中使用的面积计算、边界提取、中心线提取、细化算法等是本领域技术人员所熟知的,不再赘述。
本发明肝硬化全量化分析方法使用MATLAB软件处理,将图像输入MATLAB软件后,进行特征提取。下面结合一张具体的肝组织的普通光学显微镜图像来详细描述本发明肝硬化全量化分析方法,其流程如图1所示,具体步骤如下:
S1图像预处理:读取肝组织图像,进行预处理,量化切片面积,分割成细胞通道和纤维通道,量化纤维通道中纤维总面积。进一步的,由桥连纤维的面积除以切片面积得到纤维总面积百分数。
S2、由纤维通道和细胞通道分割出汇管区纤维,并量化汇管区纤维的面积、血管数量、血管壁厚和血管直径;其流程如图2所示,具体包含以下步骤:
S21、对纤维通道和细胞通道分别通过自适应方式寻找最优阈值,初分出血管域、纤维域,所述纤维域包含血管域内的纤维及血管间桥连的纤维。
S22、将分割出的纤维域和初次分割出的血管域进行融合,去除血管域中面积小于一个肝细胞面积大小且其周围没有桥连的纤维的区域;再对血管域进行边缘提取,计算边界到中心的距离为血管壁厚度;继而去除血管壁厚度大于5μm的区域。
S23、将纤维域和再次分割的血管域进行位置映射,最终分割出血管域周围的纤维,定义为汇管区纤维。分割出来的汇管区纤维如图3所示。
S24、量化汇管区参数,具体量化流程如图4所示。计算切片范围内血管的数目;进行边界检测,提取汇管区中心线和质心,量化汇管区纤维的面积;其中,中心线到边界的距离为血管壁厚;质心到边界的距离为血管直径。进一步的,由切片范围内血管数目除以切片面积得到血管密度。为加快处理速度,步骤S2采用并行处理。
S3、先对纤维通道进行插值连接和滤波处理,再通过区域增长提取血管间的桥连纤维,量化桥连纤维的面积。桥连纤维的具体分割流程如图5所示。分割出来的桥连纤维如图6所示。为了将提取采样中视觉连续而有细小间隔的纤维桥,首先进行插值连接和滤波,根据纤维连接的视觉走向进行插值连接
在进行区域增长时,随机在各独立的汇管区选取种子点,增长法则采用最朴素的灰度值阈值法,多个种子点同时进行增长,分割出以血管域为中心生长出的纤维桥。
最后结合肝脏病理组织学特点,去除纤维长度小于最近两个血管域之间距离的纤维桥,分割出最终的血管间的桥连纤维。进一步的,由桥连纤维的面积除以切片面积得到桥连纤维面积百分数。
S4、纤维通道分割出汇管区纤维和桥连纤维后,剩下的部分为散落的窦周/细胞周纤维,量化窦周/细胞周纤维的面积。进一步的,由化窦周/细胞周纤维的面积除以切片面积得到窦周/细胞周纤维面积百分数。至此,三种纤维分割完成,分割出的三种纤维如图7所示。
S5、标记由桥连纤维分割开的连通域,再结合细胞通道,得到肝结节,量化肝结节的平均面积、直径和数量。
临床研究结果显示肝结节是诊断肝硬化进展的重要特征,结节的大小、数量、尺寸直接反应肝硬化的病程阶段。肝组织中肝结节出现的实质是桥连纤维不断生长,将肝腺泡分割成不同程度细胞结节的过程,因此肝结节特征提取的关键在于将桥连纤维进行精确分割。肝腺泡被桥连纤维分割成大小不同数量各异的肝结节,其几何形态学参数量化过程同汇管区参数量化过程。具体为计数切片范围内肝结节数目,量化每个肝结节的总面积;找出各肝结节的质心,将质心到结节边缘的距离定义为直径,提出肝结节的直径。进一步的,由切片范围内肝结节数目除以切片面积得到肝结节密度,由肝结节的总面积除以切片范围内肝结节数目得到肝结节的平均面积。
将已提取数据整理为以下量化参数:
①纤维总面积百分数(CPA);②血管胶原纤维面积占总面积百分数(VPA);③桥连纤维占总面积百分数(SPA);④窦周/细胞周纤维面积百分数(FPA);⑤肝结节密度;⑥肝结节平均面积;⑦肝结节直径;⑧血管密度;⑨血管壁厚度;⑩血管直径。
在本实施例中各量化参数的具体数值为:
①纤维总面积百分数(CPA)15.7661%;②血管胶原纤维面积占总面积百分数(VPA)1.5%;③桥连纤维占总面积百分数(SPA)13.9192%;④窦周/细胞周纤维面积百分数(FPA)0.03%;⑤肝结节密度7.333%⑥肝结节平均面积100.2643μm2;⑦肝结节直径80.62559μm;⑧血管密度2.555%;⑨血管壁厚度0.257μm;⑩血管直径493μm。
优选的,本发明还包括数据处理步骤S6,具体为:
S61、将各量化参数建立分类模型,归一化之后送入分类器进行系数训练;
S62、用测试样本对分类模型进行训练,得出其分类正确率。
所述归一化采用min-max归一化方法,去除量纲对分类结果的影响;所述分类器采用多类逻辑回归分类器,在训练阶段,样本函数可以表示为:
其中,hθ(x)为样本函数,θ(θ0,θ1,θ2,...θm)为逻辑回归系数;x(x1,x2,x3,...xm)表示该样本的特征向量,下标m为特征向量维度;
它的概率估计表示为:
P(y|x;θ)=(hθ(x))y(1-hθ(x))1-y,
其中,θ为权重系数,x为特征向量,P(y|x;θ)表示在该参数下,样本属于y类的概率。
将本发明提取的特征送入分类器中训练,对其似然函数做最大似然估计,得到最合适的θ值,得到权重系数θ(θ0,θ1,θ2,...θm)。本发明中将肝硬化分为轻、中和重度肝硬化,依次分别用F4、F5和F6分期表示。本发明采用One-VS-All策略,进行三分类时,将其中一类作为目标类,另两类为背景类,进行hθ(x)的参数优化,每次得到的一个hθ(x)是指给定θ和x以及它属于目标类的概率,最终分类确定为三分类中出现概率最大的类,完成肝硬化的分类问题。
本发明方法可以明确、直观的将肝硬化分为F4、F5和F6三期。图8是使用本发明方法处理后的F4、F5和F6三种分期的图像。图9是由图8中图像获得的主要量化参数柱状图。由图8-9可知,随着肝硬化程度不断加重,纤维之间相互牵连使得血管面积不断变小,血管个数减少(图9-1);纤维百分数不断增高,其中改变最为明显的是桥连纤维百分数,随着肝硬化程度的加重而增长明显,同时,细胞周纤维不断增长成为桥连纤维,使得细胞周纤维百分数不断减少(图9-2);随着病症加重,分割成面积更小,直径更小,数量更多的肝结节(图9-3)。
通过正确率测试的分类模型中输入某一具体图像的各量化参数进行分类,得出相应的分类结果。本发明对处于F4、F5和F6分期的大鼠肝组织图像各50张进行了量化,并按上述方法进行了数据分析,结果如图10所示。其中,图10-1表示纤维面积百分数,与传统的CPA参数相对应,随着病症的恶化程度不断加重,纤维面积百分数不断增加;本发明不仅可以量化获取传统CPA参数,并且通过算法将其按病理学结构分成汇管区纤维面积百分数,桥连纤维百分数以及窦周/细胞周纤维百分数,其中变化最明显的是桥连纤维面积百分数,如图10-2所示,随着肝硬化的不断进展,其百分数比不断增长,印证病理学发展。本发明突破性地实现了肝结节的量化,如图10-3所示,随着病症的发展,肝结节数目不断增加、面积不断减小,与目前病理阶段相吻合。将得到的分类结果与Ishak传统病理分期系统进行验证(Ishak评分采用5名经验病理医师的分期进行对比),正确率达到91.1%。
本发明肝硬化全量化分析方法是在组织结构学的基础上客观量化肝硬化的病理指标,全部通过量化的指标实现硬化期内病情的数字化体现的方法。该方法避免了不同病理医师的经验误差;本发明利用虚拟染色技术获取图像,减少了传统病理染色中的人为误差以及化学染色不均一性带来的误差;可重复性高。与现有主观经验的单一分期相比,本发明将传统的单一肝硬化期精细化划分为轻、中、重三期,实时反映肝硬化期内的组织学进展变化;本发明的量化参数,可以清晰地追踪病情进展和逆转的情况,对于辅助诊断具有重要价值。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种肝硬化全量化分析方法,其特征在于,包含以下步骤:
S1、进行预处理,分割出纤维通道和细胞通道;
S2、由纤维通道和细胞通道分割出汇管区纤维,提取汇管区参数;
S3、先对纤维通道进行插值连接和滤波处理,后进行区域增长,提取血管间的桥连纤维,提取桥连纤维参数;
S4、纤维通道分割出汇管区纤维和桥连纤维后,剩下的部分为散落的窦周/细胞周纤维,提取窦周/细胞周纤维参数;
S5、标记由桥连纤维分割开的连通域,再结合细胞通道,得到肝结节,提取肝结节参数。
2.根据权利要求1所述的肝硬化全量化分析方法,其特征在于,预处理时提取切片面积和纤维总面积;所述汇管区参数为汇管区纤维的面积、血管数量、血管壁厚和血管直径;所述桥连纤维参数为桥连纤维面积;所述窦周/细胞周纤维参数为窦周/细胞周纤维的面积;所述肝结节参数为肝结节的平均面积、直径和数量。
3.根据权利要求1所述的肝硬化全量化分析方法,其特征在于,所述步骤S2包含以下步骤:
S21、对纤维通道和细胞通道分别通过自适应方式寻找最优阈值,初分出血管域、纤维域,所述纤维域包含血管域内的纤维及血管间桥连的纤维;
S22、将分割出的纤维域和初次分割出的血管域进行融合,去除血管域中面积小于一个肝细胞面积大小且其周围没有桥连的纤维的区域;再对血管域进行边缘提取,计算边界到中心的距离为血管壁厚度;继而去除血管壁厚度大于5μm的区域;
S23、将纤维域和再次分割的血管域进行位置映射,最终分割出血管域周围的纤维,定义为汇管区纤维;
S24、计算切片范围内血管的数目;进行边界检测,提取汇管区中心线和质心,量化汇管区纤维的面积;其中,中心线到边界的距离为血管壁厚;质心到边界的距离为血管直径。
4.根据权利要求1所述的肝硬化全量化分析方法,其特征在于,滤波处理采用自适应中值滤波器。
5.根据权利要求1所述的肝硬化全量化分析方法,其特征在于,在进行区域增长时,随机在各独立的汇管区选取种子点,增长法则采用最朴素的灰度值阈值法,多个种子点同时进行增长,分割出以血管域为中心生长出的纤维桥;去除纤维长度小于最近两个血管域之间距离的纤维桥,分割出最终的血管间的桥连纤维。
6.根据权利要求1所述的肝硬化全量化分析方法,其特征在于,所述步骤S5包含以下步骤:标记由桥连纤维分割开的连通域,再结合细胞通道,获得肝结节;计算切片范围内肝结节数目;检测各肝结节的边界和提取质心,其中,每个肝结节中质心到边界的距离为该肝结节的直径。
7.根据权利要求1所述的肝硬化全量化分析方法,其特征在于,将获得的各数据整理为以下量化参数:纤维总面积百分数、汇管区纤维面积百分数、桥连纤维面积百分数、窦周/细胞周纤维面积百分数、血管密度、血管壁厚度、血管直径、肝结节密度、肝结节直径和肝结节平均面积。
8.根据权利要求7所述的肝硬化全量化分析方法,其特征在于,所述基于组织结构学的肝硬化全量化分析方法还进一步包含数据处理步骤S6,所述步骤S6包含以下步骤:
S61、将各量化参数建立分类模型,归一化之后送入分类器进行系数训练;
S62、用测试样本对分类模型进行训练,得出其分类正确率。
9.根据权利要求8所述的肝硬化全量化分析方法,其特征在于,所述归一化采用min-max归一化方法;所述分类器采用多类逻辑回归分类器,在训练阶段,样本函数可以表示为:
其中,hθ(x)为样本函数,θ(θ0,θ1,θ2,...θm)为逻辑回归系数;x(x1,x2,x3,...xm)表示特征向量,下标m为特征向量维度;
它的概率估计表示为:P(y|x;θ)=(hθ(x))y(1-hθ(x))1-y,
其中,θ为权重系数,x为特征向量,P(y|x;θ)表示在该参数下,样本属于y类的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510119631.XA CN104657624A (zh) | 2015-03-18 | 2015-03-18 | 一种肝硬化全量化分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510119631.XA CN104657624A (zh) | 2015-03-18 | 2015-03-18 | 一种肝硬化全量化分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104657624A true CN104657624A (zh) | 2015-05-27 |
Family
ID=53248738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510119631.XA Pending CN104657624A (zh) | 2015-03-18 | 2015-03-18 | 一种肝硬化全量化分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104657624A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112862797A (zh) * | 2021-02-23 | 2021-05-28 | 复旦大学附属华山医院 | 一种肝纤维化无损预测方法及系统 |
WO2021103623A1 (zh) * | 2019-11-27 | 2021-06-03 | 医惠科技有限公司 | 一种脓毒血症的预警装置、设备及存储介质 |
CN113436185A (zh) * | 2021-03-25 | 2021-09-24 | 上海志御软件信息有限公司 | 肝脏静脉血管三维结构特征定量分析方法、装置、计算机设备和存储介质 |
-
2015
- 2015-03-18 CN CN201510119631.XA patent/CN104657624A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021103623A1 (zh) * | 2019-11-27 | 2021-06-03 | 医惠科技有限公司 | 一种脓毒血症的预警装置、设备及存储介质 |
CN112862797A (zh) * | 2021-02-23 | 2021-05-28 | 复旦大学附属华山医院 | 一种肝纤维化无损预测方法及系统 |
CN112862797B (zh) * | 2021-02-23 | 2024-03-19 | 复旦大学附属华山医院 | 一种肝纤维化无损预测方法及系统 |
CN113436185A (zh) * | 2021-03-25 | 2021-09-24 | 上海志御软件信息有限公司 | 肝脏静脉血管三维结构特征定量分析方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
NL2024774B1 (en) | Blood leukocyte segmentation method based on adaptive histogram thresholding and contour detection | |
CN109903284B (zh) | 一种her2免疫组化图像自动判别方法及系统 | |
Cloppet et al. | Segmentation of overlapping/aggregating nuclei cells in biological images | |
Hägerling et al. | VIPAR, a quantitative approach to 3D histopathology applied to lymphatic malformations | |
WO2008005426A2 (en) | Computer-aided pathological diagnosis system | |
CN110135271A (zh) | 一种细胞分类方法及装置 | |
CN109124660B (zh) | 基于深度学习的胃肠间质瘤术后风险检测方法和系统 | |
US20150254493A1 (en) | Tumor Plus Adjacent Benign Signature (TABS) For Quantitative Histomorphometry | |
Xu et al. | Using transfer learning on whole slide images to predict tumor mutational burden in bladder cancer patients | |
CN106408566A (zh) | 一种胎儿超声图像质量控制方法及系统 | |
CN108052886A (zh) | 一种小麦条锈病菌夏孢子自动统计计数方法 | |
CN104657624A (zh) | 一种肝硬化全量化分析方法 | |
Phillips et al. | Segmentation of prognostic tissue structures in cutaneous melanoma using whole slide images | |
US9785752B1 (en) | Method for stratifying and selecting candidates for receiving a specific therapeutic approach | |
Adorno III et al. | Advancing eosinophilic esophagitis diagnosis and phenotype assessment with deep learning computer vision | |
Archila et al. | Performance of an artificial intelligence model for recognition and quantitation of histologic features of eosinophilic esophagitis on biopsy samples | |
CN115206495A (zh) | 基于CoAtNet深度学习的肾癌病理图像分析方法、系统及智能显微装置 | |
Archila et al. | Development and technical validation of an artificial intelligence model for quantitative analysis of histopathologic features of eosinophilic esophagitis | |
Swiderska-Chadaj et al. | Convolutional neural networks for lymphocyte detection in immunohistochemically stained whole-slide images | |
CN113393454A (zh) | 活检组织中病理目标实例分割方法和装置 | |
WO2021094507A1 (en) | Method for analysis of a cytology image | |
CN113269764A (zh) | 颅内动脉瘤自动分割方法、系统、样本处理及模型训练方法 | |
CN109191452B (zh) | 一种基于主动学习的腹腔ct图像腹膜转移自动标记方法 | |
Fiorentino et al. | The minefield of indeterminate thyroid nodules: could artificial intelligence be a suitable diagnostic tool? | |
JPWO2019044579A1 (ja) | 病理診断装置、画像処理方法及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150527 |