CN105354405A - 基于机器学习的免疫组化图像自动化判读系统 - Google Patents
基于机器学习的免疫组化图像自动化判读系统 Download PDFInfo
- Publication number
- CN105354405A CN105354405A CN201410410268.2A CN201410410268A CN105354405A CN 105354405 A CN105354405 A CN 105354405A CN 201410410268 A CN201410410268 A CN 201410410268A CN 105354405 A CN105354405 A CN 105354405A
- Authority
- CN
- China
- Prior art keywords
- machine learning
- image
- fragment
- positive
- feature
- 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
- Image Analysis (AREA)
Abstract
本发明提供一种基于机器学习的免疫组化图像自动化判读系统,包括:图像数字化处理模块;图像特征提取模块;阳性区域抽提模块;以及特征选择及机器学习模块。本发明全部采用跨平台的开源程序包进行软件设计,可移植性好,能有效识别出图像中的阳性区域并进行阳性程度预测,且运算速度快,适合在临床上加以推广。
Description
技术领域
本发明涉及计算机技术领域,特别是涉及一种基于机器学习的免疫组化图像自动化判读系统。
背景技术
免疫组织化学(Immunohistochemistry,IHC)是病理学诊断领域中的一种重要检测方法学,其通过对染色图片结果中阳性区域的细胞数目及染色强度的解读而进行半定量的判定。在传统病理学诊断中,医生主要根据其掌握的病理学诊断知识和临床经验来对IHC图片进行人工解读。该方法对医生的诊断经验要求较高,且诊断结果易受图像本身特性的干扰,因此,人们考虑引入计算机技术和图像处理技术对免疫组化图片进行定量分析。
目前,大部分的免疫组化定量分析研究均集中于图像分析领域,其一般过程为:首先选定测量区域,再进行图像分割提取出阳性区域,最后应用光密度等参数进行定量测定。其代表软件如Definiens公司生产的DefiniensTissueStudio图像处理系统和MediaCybernetics公司生产的ImageProPlus图像分析软件。但这类软件价格较为昂贵,且不同操作者之间存在一定的数据波动性,并不适宜在临床上进行推广。
机器学习(MachineLearning,ML)是人工智能研究的核心技术,广泛应用于计算机和金融等领域,其通过对已知信息的提取和建模学习而获得一系列模式,并以此对新数据进行预测。目前,随着计算机技术的普及,已经有学者将机器学习方法引入到医学图像领域中来,特别是在计算机辅助的诊断学领域。其中应用最为成功的当属计算机辅助的乳房造影摄片诊断技术。
典型的计算机辅助诊断流程包括以下关键步骤:1)应用自动化的图像处理技术对医学图像进行数字化处理;2)提取定量化的图像特征组成特征向量;3)应用特征向量建立模型,并调用分类器对其进行分类判别。其中,抽取图像的有效特征是完成识别,进行后续判读的首要任务。
图像特征提取是计算机视觉分析领域中的重要概念,即,使用计算机提取图像信息。常用的图像特征可分为整体性特征,如颜色特征和纹理特征等,以及局部特征,如角点特征等,其经典提取方法包括颜色直方图法、Gabor小波法和SIFT(Scale-invariantfeaturetransform)算法。
本发明应用经典的图像特征提取方法,并结合多种机器学习算法,首次提出一种免疫组化图像的全自动化判读方法,能有效识别出图像中的阳性区域并进行阳性程度预测。其全部采用跨平台的开源程序包进行软件设计,方便快速,可移植性好,更适宜于在病理学诊断领域进行推广。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种基于机器学习的免疫组化图像自动化判读系统,以实现一种免疫组化图像的全自动化判读系统,能有效识别出图像中的阳性区域并进行阳性程度预测。
为实现上述目的及其他相关目的,本发明提供一种基于机器学习的免疫组化图像自动化判读系统,包括:
图像数字化处理模块,用于对原始图片进行格式转换及超像素分割,将其分解成不重复的碎片集合;
图像特征提取模块,用于对碎片集合中的每个碎片进行颜色直方图计算、Gabor小波及局部二分值计算、及SIFT特征点检测计算,并将计算所得的各个特征组合为特征向量;
阳性区域抽提模块,用于比较每个碎片与人工选定的阳性参考图片集中每个图片的特征向量间的距离,选取相似度高于预设标准的碎片作为阳性碎片,并在原始图片中进行突出展示;
特征选择及机器学习模块,用于对阳性碎片进行特征效能评估,得到分类效果最佳的特征组合作为特征向量,以此建立判别模型并进行阳性程度得分预测。
作为本发明的基于机器学习的免疫组化图像自动化判读系统的一种优选方案,所述图像数字化处理模块包括:
格式转换单元,用于将原始图片转换成灰度图;
超像素分割单元,用于在灰度图上进行超像素分割,将灰度图片分解为大小不一且相互之间不重叠的多个图形区域;
碎片获取单元,用于按照图形区域分割信息,获取来源于原始图片的碎片集合。
作为本发明的基于机器学习的免疫组化图像自动化判读系统的一种优选方案,所述图像特征提取模块包括:
颜色特征计算单元,用于获取每个碎片的HSV颜色直方图信息作为颜色特征;
纹理特征计算单元,用于获取每个碎片的Gabor小波图像并进行局部二分值计算作为纹理特征;
角点特征计算单元,用于获取每个碎片的特征点集合,并依照最多特征点碎片的特征值数目用0.0补足,使之特征值总数相等作为角点特征;
特征向量组合单元,用于将所有特征组合为一维特征向量。
作为本发明的基于机器学习的免疫组化图像自动化判读系统的一种优选方案,所述阳性区域抽提模块包括:
主成分分析单元,用于进行主成分分析,选取残差解释率达99%的转化特征集构成新的特征向量,并依据该模型将训练集和阳性区域参考图片集中的所有碎片的特征向量转化为新的特征向量;
相似度计算单元,用于计算训练集中每个碎片与人工选定的阳性区域参考图片集中所有图片新的特征向量间的平均距离,作为相似度的表征,随后对训练集中同一张原始图片来源的所有碎片的相似度进行数据分布分析,以相似度数值不小于平均值与方差之和作为过滤标准,获得潜在阳性碎片集;
潜在阳性碎片显示单元,用于将各个潜在阳性碎片在原始图片中进行突出显示。
进一步地,所述训练集为高清扫描得到的免疫组化图片,所述阳性区域参考图片集为从训练集所有图片中截取的具有代表性的阳性区域碎片。
作为本发明的基于机器学习的免疫组化图像自动化判读系统的一种优选方案,所述特征选择及机器学习模块包括:
特征选择单元,用于对阳性参考图片集中图片的原有特征向量和其阳性程度读分进行相关性评估,并结合机器学习算法选出分类效果最好的特征组合;
机器学习建模与预测单元,用于按照特征选择单元得到的特征组合对训练集数据进行特征筛选,得到新的特征向量,采用十折交叉检验法进行机器学习及阳性程度得分预测。
进一步地,所述机器学习建模与预测单元包括采用直接应用主成分分析、线性判别分析的一种或两种以上联用的方式对特征向量进行降维处理的途径建立的机器学习模型。
如上所述,本发明提供一种基于机器学习的免疫组化图像自动化判读系统,包括:图像数字化处理模块,用于对原始图片进行格式转换及超像素分割,将其分解成不重复的碎片集合;图像特征提取模块,用于对碎片集合中的每个碎片进行颜色特征计算、纹理特征计算、及角点特征计算,并将计算所得的各个特征组合为特征向量;阳性区域抽提模块,用于比较每个碎片与人工选定的阳性参考图片集中每个图片的特征向量间的距离,选取相似度高于预设标准的碎片作为阳性碎片,并在原始图片中进行突出展示;特征选择及机器学习模块,用于对阳性碎片进行特征效能评估,得到分类效果最佳的特征组合作为特征向量,以此建立判别模型并进行阳性程度得分预测。本发明全部采用跨平台的开源程序包进行软件设计,可移植性好,能有效识别出图像中的阳性区域并进行阳性程度预测,且运算速度快,适合在临床上加以推广。
附图说明
图1显示为本发明的基于机器学习的免疫组化图像自动化判读系统的结构示意图。
图2显示为本发明的基于机器学习的免疫组化图像自动化判读系统的图像数字化处理模块的结构示意图。
图3显示为本发明的基于机器学习的免疫组化图像自动化判读系统的图像特征提取模块的结构示意图。
图4显示为本发明的基于机器学习的免疫组化图像自动化判读系统的阳性区域抽提模块的结构示意图。
图5显示为本发明的基于机器学习的免疫组化图像自动化判读系统的特征选择及机器学习模块的结构示意图。
图6显示为本发明的基于机器学习的免疫组化图像自动化判读系统的应用流程示意图。
元件标号说明
10图像数字化处理模块
20图像特征提取模块
30阳性区域抽提模块
40特征选择及机器学习模块
101格式转换单元
102超像素分割单元
103碎片获取单元
201颜色特征计算单元
202纹理特征计算单元
203角点特征计算单元
204特征向量组合单元
301主成分分析单元
301相似度计算单元
303潜在阳性碎片显示单元
401特征选择单元
402机器学习建模与预测单元
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。
请参阅图1~图6。需要说明的是,本实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
如图1~图6所示,本实施例提供一种基于机器学习的免疫组化图像自动化判读系统,包括:
图像数字化处理模块10,用于对原始图片进行格式转换及超像素分割,将其分解成不重复的碎片集合;
图像特征提取模块20,用于对碎片集合中的每个碎片进行特征向量计算;
阳性区域抽提模块30,用于选取碎片集合中与人工选定的阳性参考图片集相似度较高的碎片作为阳性碎片,并在原始图片中进行突出展示;
特征选择及机器学习模块40,用于对阳性碎片进行特征效能评估,得到分类效果最佳的特征组合作为特征向量,以此建立判别模型并进行阳性程度得分预测。
如图2所示,在本实施例中,所述图像数字化处理模块包括:
格式转换单元101,用于将原始图片转换成灰度图;
超像素分割单元102,用于在灰度图上进行超像素分割,将灰度图片分解为大小不一且相互之间不重叠的多个图形区域;
碎片获取单元103,用于按照图形区域分割信息,获取来源于原始图片的碎片集合。
如图3所示,在本实施例中,所述图像特征提取模块包括:
颜色特征计算单元201,在本实施例中具体采用为颜色直方图计算单元,用于获取每个碎片的HSV颜色直方图信息作为颜色特征;
纹理特征计算单元202,在本实施例中具体采用为Gabor小波及局部二分值计算单元,用于获取每个碎片的Gabor小波图像并进行局部二分值计算作为纹理特征;
角点特征计算单元203,在本实施例中具体采用为SIFT特征点检测计算单元,用于获取每个碎片的特征点集合,并依照最多特征点碎片的特征值数目用0.0补足,使之特征值总数相等作为角点特征;
特征向量组合单元204,用于顺次将所有特征组合为一维特征向量。
如图5所示,在本实施例中,所述阳性区域抽提模块包括:
主成分分析单元301,用于随机选取训练集中1%的碎片,进行主成分分析,选取残差解释率达99%的转化特征集构成新的特征向量,并依据该模型将训练集和阳性区域参考图片集中的所有碎片的特征向量转化为新的特征向量;
相似度计算单元302,用于计算训练集中每个碎片与人工选定的阳性区域参考图片集中所有图片新的特征向量间的平均距离,作为相似度的表征,随后对训练集中同一张原始图片来源的所有碎片的相似度进行数据分布分析,以相似度数值不小于平均值与方差之和作为过滤标准,获得潜在阳性碎片集;
潜在阳性碎片显示单元303,用于将各个潜在阳性碎片在原始图片中进行突出显示。
进一步地,所述训练集为高清扫描得到的免疫组化图片,所述阳性区域参考图片集为从训练集所有图片中截取的具有代表性的阳性区域碎片。
如图6所示,在本实施例中,所述特征选择及机器学习模块包括:
特征选择单元401,用于对阳性参考图片集中图片的原有特征向量和其阳性程度读分进行相关性评估,并结合机器学习算法选出分类效果最好的特征组合;
机器学习建模与预测单元402,用于按照特征选择单元得到的特征组合对训练集数据进行特征筛选,得到新的特征向量,采用十折交叉检验法进行机器学习及阳性程度得分预测。
进一步地,所述机器学习建模与预测单元包括采用直接应用主成分分析、线性判别分析的一种或两种以上联用的方式对特征向量进行降维处理的途径建立的机器学习模型。
如图6所示,本实施例以Brcc36蛋白染色的乳腺癌免疫组化图片的自动化判读作为实例进一步详细阐述本发明的具体应用方法。同时,此实施例是对本发明的描述而非限制,基于本发明思想的其他实施方式,均在本发明的保护范围之中。
数据集:Brcc36蛋白染色的免疫组化原始图片共计551张,每张图片的大小约为700像素*800像素;阳性参考图片共计392张,均为手动截取的矩形图片,其大小从28像素*20像素至110像素*80像素不等。以及病理学家判定的人工读分表。
实验环境:采用python进行编程实现,python版本2.7;linux系统为Ubuntu12.4,windows系统为windows7;电脑配置为Inteli5-3470CPU,3.20GHz主频,4G内存,32位操作系统。
第一步、图像数字化处理:
格式转换:调用免费的图片编辑软件ImageMagick(version6.8.7)将原始PNG图片转换为灰度图PGM格式;
超像素分割:调用免费的超像素分割软件superpixel将灰度图分割成大小不等且互不重叠的多个碎片区域;
碎片获取:读取上述步骤中获得的区域分割信息,调用开源的python图像处理库PythonImagingLibrary(version1.1.7)对原始图片进行碎片提取。每张图片约可获得700张左右的碎片。
第二步、图像特征提取:
颜色直方图计算:调用开源的图像处理库python-opencv(version2.4.7)和上述提及的PythonImagingLibrary进行2D-HSV颜色直方图计算和结果图片输出,其所需参数为H10,S10,V10。每张碎片可得到颜色特征值110个;
Gabor小波及局部二分值计算:调用上述提及的python-opencv和开源的python图像处理程序包mahotas(version1.0.4)进行gabor小波转换和局部二分值(LBP)计算,其中gabor小波转换所需参数为scale4,orientation6,gamma0.5,psiangle180,kernel_size6,而LBP计算所需参数为lbpradius1,lbppoints8。每张碎片可得到纹理特征值864个;
SIFT特征点检测计算:调用上述提及的python-opencv进行SIFT特征点检测,其中每个特征点将输出128个特征值,最多可检测到110个特征点,因此,定义每张碎片的角点特征长度为20000个特征值,并将不足部分以0.0值补足;
特征向量组合:不考虑权重系数,将所有特征值顺次组合为一维特征向量,因此,该特征向量的长度为20974个特征值。
第三步、阳性区域抽提:
主成分分析:随机选取训练集中1%的碎片(约3478个样本*20974个特征值),进行主成分分析,选取残差解释率达99%的转化特征集(1385维)构成新的特征向量并依据该模型将训练集和阳性区域参考图片集中的所有碎片的特征向量转化为新的特征向量;
相似度计算:应用调整余弦距离法计算训练集中每个碎片与人工选定的阳性参考图片集中所有图片新的特征向量间的平均距离,作为相似度的表征(距离值越大表示越相似)。随后对训练集中同一张原始图片来源的所有碎片的相似度进行数据分布分析,以相似度数值大于或等于平均值+方差作为过滤标准,获得潜在阳性碎片集,由此得到13395张潜在阳性碎片;
潜在阳性碎片显示模块:以原始图片为背景,调用python-opencv将筛选出的阳性碎片进行着重显示。
第四步、特征选择及机器学习模块:
分类标准设定模块:采用人工读分表作为基本分类,共计16类;另调用开源的python机器学习程序包sklearn(version0.14.1)对阳性区域参考图片集进行线性判别分析(LDA),并依据其解析图中的信息重新归为5类,称为新分类;
特征选择模块:调用sklearn程序包中的两种featureselection方法,SelectKBest和ExtraTreesClassifier对阳性区域参考图片集和基本分类标准(16类)进行特征评估并由高到低对分值进行排序;随后顺次选取相关性得分>0的前N个特征值构成特征向量,调用上述程序包中的LinearSVM分类器进行十折交叉验证以获知分类效果;其中,SelectKBest方法得到的top3976个特征值可以获得0.4136的平均准确率,由此获得最优的特征索引集合;
碎片归一化模块:将同一原始图片来源的所有潜在阳性碎片的特征向量进行线性组合,按其与阳性参考图片集的相似度比值拟定权重系数而得到“超碎片”,并按照上述步骤中选定的最优特征索引集合进行特征筛选,最终得到的训练集矩阵大小为3976(特征数)*551(样本数);
机器学习建模与预测:调用上述程序包中的SVM、LinearSVM、RandomForest、Extratree四种分类器,结合基本分类准则和新分类准则,采用十折交叉检验法对训练集建立机器学习模型并进行预测,其中包括直接应用特征向量、应用主成分分析、线性判别分析或两法联用的方式对特征向量进行降维处理的四种途径来建立机器学习模型,最终确定了LDA降维处理-LinearSVM分类器的最优模型,其对基本分类与新分类的预测准确率分别达到0.2和0.6,且占内存较小,速度较快,仅用时1分钟左右。
如上所述,本发明提供一种基于机器学习的免疫组化图像自动化判读系统,包括:图像数字化处理模块,用于对原始图片进行格式转换及超像素分割,将其分解成不重复的碎片集合;图像特征提取模块,用于对碎片集合中的每个碎片进行颜色特征计算、纹理特征计算、及角点特征计算,并将计算所得的各个特征组合为特征向量;阳性区域抽提模块,用于比较每个碎片与人工选定的阳性参考图片集中每个图片的特征向量间的距离,选取相似度高于预设标准的碎片作为阳性碎片,并在原始图片中进行突出展示;特征选择及机器学习模块,用于对阳性碎片进行特征效能评估,得到分类效果最佳的特征组合作为特征向量,以此建立判别模型并进行阳性程度得分预测。本发明全部采用跨平台的开源程序包进行软件设计,可移植性好,能有效识别出图像中的阳性区域并进行阳性程度预测,且运算速度快,适合在临床上加以推广。所以,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (7)
1.一种基于机器学习的免疫组化图像自动化判读系统,其特征在于,包括:
图像数字化处理模块,用于对原始图片进行格式转换及超像素分割,将其分解成不重复的碎片集合;
图像特征提取模块,用于对碎片集合中的每个碎片进行特征向量计算;
阳性区域抽提模块,用于选取碎片集合中与人工选定的阳性参考图片集相似度较高的碎片作为阳性碎片,并在原始图片中进行突出展示;
特征选择及机器学习模块,用于对阳性碎片进行特征效能评估,得到分类效果最佳的特征组合作为特征向量,以此建立判别模型并进行阳性程度得分预测。
2.根据权利要求1所述的基于机器学习的免疫组化图像自动化判读系统,其特征在于,所述图像数字化处理模块包括:
格式转换单元,用于将原始图片转换成灰度图;
超像素分割单元,用于在灰度图上进行超像素分割,将灰度图片分解为大小不一且相互之间不重叠的多个图形区域;
碎片获取单元,用于按照图形区域分割信息,获取来源于原始图片的碎片集合。
3.根据权利要求1所述的基于机器学习的免疫组化图像自动化判读系统,其特征在于,所述图像特征提取模块包括:
颜色特征计算单元,用于获取每个碎片的HSV颜色直方图信息作为颜色特征;
纹理特征计算单元,用于获取每个碎片的Gabor小波图像并进行局部二分值计算作为纹理特征;
角点特征计算单元,用于获取每个碎片的特征点集合,并进行归一化处理,使特征值总数相等而作为角点特征;
特征向量组合单元,用于将所有特征组合为一维特征向量。
4.根据权利要求1所述的基于机器学习的免疫组化图像自动化判读系统,其特征在于,所述阳性区域抽提模块包括:
主成分分析单元,进行主成分分析,选取残差解释率达99%的转化特征集构成新的特征向量,并依据该模型将训练集和阳性区域参考图片集中的所有碎片的特征向量转化为新的特征向量;
相似度计算单元,用于计算训练集中每个碎片与人工选定的阳性区域参考图片集中所有图片新的特征向量间的平均距离,作为相似度的表征,随后对训练集中同一张原始图片来源的所有碎片的相似度进行数据分布分析,以相似度数值不小于平均值与方差之和作为过滤标准,获得潜在阳性碎片集;
潜在阳性碎片显示单元,用于将各个潜在阳性碎片在原始图片中进行突出显示。
5.根据权利要求4所述的基于机器学习的免疫组化图像自动化判读系统,其特征在于,所述训练集为高清扫描得到的免疫组化图片,所述阳性区域参考图片集为从训练集所有图片中截取的具有代表性的阳性区域碎片。
6.根据权利要求1所述的基于机器学习的免疫组化图像自动化判读系统,其特征在于,所述特征选择及机器学习模块包括:
特征选择单元,用于对阳性参考图片集中图片的原有特征向量和其阳性程度读分进行相关性评估,并结合机器学习算法选出分类效果最好的特征组合;
机器学习建模与预测单元,用于按照特征选择单元得到的特征组合对训练集数据进行特征筛选,得到新的特征向量,采用十折交叉检验法进行机器学习及阳性程度得分预测。
7.根据权利要求6所述的基于机器学习的免疫组化图像自动化判读系统,其特征在于:所述机器学习建模与预测单元包括采用直接应用主成分分析、线性判别分析的一种或两种以上联用的方式对特征向量进行降维处理的途径建立的机器学习模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410410268.2A CN105354405A (zh) | 2014-08-20 | 2014-08-20 | 基于机器学习的免疫组化图像自动化判读系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410410268.2A CN105354405A (zh) | 2014-08-20 | 2014-08-20 | 基于机器学习的免疫组化图像自动化判读系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105354405A true CN105354405A (zh) | 2016-02-24 |
Family
ID=55330377
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410410268.2A Pending CN105354405A (zh) | 2014-08-20 | 2014-08-20 | 基于机器学习的免疫组化图像自动化判读系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105354405A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107704823A (zh) * | 2017-09-30 | 2018-02-16 | 北京奇虎科技有限公司 | 黑边视频检测方法及装置 |
CN108061359A (zh) * | 2017-11-08 | 2018-05-22 | 珠海格力电器股份有限公司 | 空调控制方法及装置 |
CN108710883A (zh) * | 2018-06-04 | 2018-10-26 | 国网辽宁省电力有限公司信息通信分公司 | 一种采用轮廓检测的完整显著性物体检测方法 |
CN108831158A (zh) * | 2018-08-20 | 2018-11-16 | 贵州宜行智通科技有限公司 | 违停监测方法、装置及电子终端 |
WO2019202296A1 (en) * | 2018-04-16 | 2019-10-24 | Additive Manufacturing Technologies Limited | Surface roughness analysis |
CN113469939A (zh) * | 2021-05-26 | 2021-10-01 | 透彻影像(北京)科技有限公司 | 一种基于特性曲线的her-2免疫组化自动判读系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007109571A2 (en) * | 2006-03-17 | 2007-09-27 | Prometheus Laboratories, Inc. | Methods of predicting and monitoring tyrosine kinase inhibitor therapy |
CN101103924A (zh) * | 2007-07-13 | 2008-01-16 | 华中科技大学 | 基于乳腺x线摄片的乳腺癌计算机辅助诊断方法及其系统 |
CN101551854A (zh) * | 2009-05-13 | 2009-10-07 | 西安电子科技大学 | 不平衡医学影像处理系统及其处理方法 |
CN101799926A (zh) * | 2010-05-05 | 2010-08-11 | 福州大学 | Ki-67免疫组化病理图像自动定量分析系统 |
CN101813475A (zh) * | 2010-04-24 | 2010-08-25 | 上海交通大学 | 远距离障碍的自适应检测方法 |
CN101900737A (zh) * | 2010-06-10 | 2010-12-01 | 上海理工大学 | 基于支持向量机的尿沉渣有形成分自动识别系统 |
CN102184420A (zh) * | 2011-04-18 | 2011-09-14 | 四川大学 | 一种免疫组化数字图像处理方法 |
CN103020585A (zh) * | 2012-11-06 | 2013-04-03 | 华南师范大学 | 一种免疫组织阳性细胞和阴性细胞识别方法 |
CN103649713A (zh) * | 2010-11-29 | 2014-03-19 | 丹麦达科有限公司 | 由可编程性定量检定所处理的样本的图像分析方法和体系 |
-
2014
- 2014-08-20 CN CN201410410268.2A patent/CN105354405A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007109571A2 (en) * | 2006-03-17 | 2007-09-27 | Prometheus Laboratories, Inc. | Methods of predicting and monitoring tyrosine kinase inhibitor therapy |
CN101103924A (zh) * | 2007-07-13 | 2008-01-16 | 华中科技大学 | 基于乳腺x线摄片的乳腺癌计算机辅助诊断方法及其系统 |
CN101551854A (zh) * | 2009-05-13 | 2009-10-07 | 西安电子科技大学 | 不平衡医学影像处理系统及其处理方法 |
CN101813475A (zh) * | 2010-04-24 | 2010-08-25 | 上海交通大学 | 远距离障碍的自适应检测方法 |
CN101799926A (zh) * | 2010-05-05 | 2010-08-11 | 福州大学 | Ki-67免疫组化病理图像自动定量分析系统 |
CN101900737A (zh) * | 2010-06-10 | 2010-12-01 | 上海理工大学 | 基于支持向量机的尿沉渣有形成分自动识别系统 |
CN103649713A (zh) * | 2010-11-29 | 2014-03-19 | 丹麦达科有限公司 | 由可编程性定量检定所处理的样本的图像分析方法和体系 |
CN102184420A (zh) * | 2011-04-18 | 2011-09-14 | 四川大学 | 一种免疫组化数字图像处理方法 |
CN103020585A (zh) * | 2012-11-06 | 2013-04-03 | 华南师范大学 | 一种免疫组织阳性细胞和阴性细胞识别方法 |
Non-Patent Citations (3)
Title |
---|
刘露等: "胸部CT图像中孤立性肺结节良恶性快速分类", 《光学精密工程》 * |
杨丹等: "《MATLAB图像处理实例详解》", 31 July 2013 * |
麦好: "《机器学习实践指南-案例应用解析》", 30 April 2014 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107704823A (zh) * | 2017-09-30 | 2018-02-16 | 北京奇虎科技有限公司 | 黑边视频检测方法及装置 |
CN108061359A (zh) * | 2017-11-08 | 2018-05-22 | 珠海格力电器股份有限公司 | 空调控制方法及装置 |
WO2019202296A1 (en) * | 2018-04-16 | 2019-10-24 | Additive Manufacturing Technologies Limited | Surface roughness analysis |
CN108710883A (zh) * | 2018-06-04 | 2018-10-26 | 国网辽宁省电力有限公司信息通信分公司 | 一种采用轮廓检测的完整显著性物体检测方法 |
CN108710883B (zh) * | 2018-06-04 | 2021-08-24 | 国网辽宁省电力有限公司信息通信分公司 | 一种采用轮廓检测的完整显著性物体检测方法 |
CN108831158A (zh) * | 2018-08-20 | 2018-11-16 | 贵州宜行智通科技有限公司 | 违停监测方法、装置及电子终端 |
CN113469939A (zh) * | 2021-05-26 | 2021-10-01 | 透彻影像(北京)科技有限公司 | 一种基于特性曲线的her-2免疫组化自动判读系统 |
CN113469939B (zh) * | 2021-05-26 | 2022-05-03 | 透彻影像(北京)科技有限公司 | 一种基于特性曲线的her-2免疫组化自动判读系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11756318B2 (en) | Convolutional neural networks for locating objects of interest in images of biological samples | |
Agaian et al. | Automated screening system for acute myelogenous leukemia detection in blood microscopic images | |
Dharmawan et al. | A new hybrid algorithm for retinal vessels segmentation on fundus images | |
Valkonen et al. | Metastasis detection from whole slide images using local features and random forests | |
Gertych et al. | Machine learning approaches to analyze histological images of tissues from radical prostatectomies | |
Zhou et al. | Tonguenet: accurate localization and segmentation for tongue images using deep neural networks | |
Agaian et al. | A new acute leukaemia-automated classification system | |
CN105354405A (zh) | 基于机器学习的免疫组化图像自动化判读系统 | |
CN110705403A (zh) | 细胞分类方法、装置、介质及电子设备 | |
CN112215217B (zh) | 模拟医师阅片的数字图像识别方法及装置 | |
Shih | An unsupervised hair segmentation and counting system in microscopy images | |
CN101551854A (zh) | 不平衡医学影像处理系统及其处理方法 | |
Anari et al. | Computer-aided detection of proliferative cells and mitosis index in immunohistichemically images of meningioma | |
CN111127400A (zh) | 一种乳腺病变检测方法和装置 | |
CN113781387A (zh) | 模型训练方法、图像处理方法、装置、设备及存储介质 | |
CN116309333A (zh) | 一种基于深度学习的wsi图像弱监督病理分析方法及装置 | |
CN115393351A (zh) | 一种基于朗格汉斯细胞判断角膜免疫状态的方法及装置 | |
KR102580419B1 (ko) | 병리 슬라이드 이미지 내의 관심 영역을 검출하기 위한 방법 및 시스템 | |
Fatichah et al. | Detection of Acute Lymphoblastic Leukemia Subtypes using YOLO and Mask R-CNN | |
CN106886754A (zh) | 一种基于三角面片的三维场景下的物体识别方法及系统 | |
Dubosclard et al. | Automated visual grading of grain kernels by machine vision | |
Wang et al. | Optic disc detection based on fully convolutional neural network and structured matrix decomposition | |
Abishek et al. | Soil Texture Prediction Using Machine Learning Approach for Sustainable Soil Health Management | |
CN114792300B (zh) | 一种基于多尺度注意力x光断针检测方法 | |
US12033376B2 (en) | Method and system for training neural network for entity detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160224 |