CN105975793A - 一种基于数字病理图像的癌症辅助诊断方法 - Google Patents
一种基于数字病理图像的癌症辅助诊断方法 Download PDFInfo
- Publication number
- CN105975793A CN105975793A CN201610344279.4A CN201610344279A CN105975793A CN 105975793 A CN105975793 A CN 105975793A CN 201610344279 A CN201610344279 A CN 201610344279A CN 105975793 A CN105975793 A CN 105975793A
- Authority
- CN
- China
- Prior art keywords
- pathological image
- digital pathological
- digital
- numeral
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G06F19/321—
-
- G06F19/3418—
-
- 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
- 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
- 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)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Library & Information Science (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种基于数字病理图像的癌症辅助诊断方法,包括以下步骤:①用切片扫描仪将数字病理切片扫描成图像;②建立数字病理图像数据库和数字病理图像标注库;③建立数字病理图像自动诊断模型和数字病理图像检索模型;④采用数字病理图像自动诊断模型对未知病变类型的数字病理切片进行诊断,获得诊断结果,同时选出若干病变区域;⑤采用数字病理图像检索模型查找相似病变区域;⑥将诊断结果、典型病变区域等信息反馈给医生进行辅助诊断。本发明将计算机自动诊断模型和病理图像检索模型相结合,在利用计算机预测数字病理切片病变类型的同时,为医生提供已确诊的相似癌症病例作为参考,达到提高癌症的诊断质量与提升医生诊断能力的目的。
Description
技术领域
本发明属于数字图像处理领域,涉及病理图像特征提取、分类和基于内容的图像检索方面的技术,特别涉及一种基于数字病理图像的癌症辅助诊断方法。
背景技术
数字病理全切片指利用切片扫描成像系统将病理切片转换为可供计算机显示、传输及处理的高倍率大规模数字图像。利用数字病理切片易于存储、传输和在线查看的特点,基于病理图像的癌症远程诊断系统得到了迅速的发展。依靠该癌症远程诊断技术,国内偏远地区的部分县级医院已经具备了癌症诊断的条件。然而,据目前的远程诊断平台统计显示,基层医生的诊断意见与病理科专家的诊断意见一致的比率不足60%。为了提升基层医院的癌症诊断质量,迫切需要更为系统的计算机辅助诊断方法,在辅助基层医生进行诊断的同时,逐步提高医生的诊断能力。
随着基于数字病理切片的癌症远程诊断的普及,数字病理切片的数量不断增长,各种带有专家诊断结果的癌症病例被收集起来,形成了不断增长的数字病理图像数据库。当前流行的计算机辅助诊断方法,大多基于机器学习方法,此类方法在对大量已知病变类型的数字病理图像进行学习后,具备对未知数字病理图像进行诊断的能力。但是,此类算法往往只能给出诊断结果,却不能给出支持诊断结果的诊断依据。
另外,如何在数字病理图像数据库中快速准确的检索到所需的数字病理切片,特别是在数字病理切片癌变类型未知的情况下,利用图像内容进行相似病例查找的检索方法,成为了当前的研究热点。
发明内容
针对上述问题,本发明的目的在于提供一种基于数字病理图像的癌症辅助诊断方法,该方法将基于机器学习的计算机自动诊断方法和病理图像检索方法相结合,在利用计算机预测数字病理切片病变类型的同时,为医生提供已确诊的相似癌症病例作为参考,达到提高癌症的诊断质量与提升医生诊断能力的目的。
为达到上述目的,本发明所提出的技术方案为:一种基于数字病理图像的癌症辅助诊断方法,包括以下步骤:
步骤1:用切片扫描仪将数字病理切片扫描到电子计算中,以RGB三通道存储为数字图像矩阵;
步骤2:筛选带有病理科专家诊断信息的数字病理切片建立数字病理图像数据库,并在该数据库中选取部分典型的数字病理切片进行严格标注,形成数字病理图像标注库;
步骤3:采用图像处理方法和机器学习算法对步骤2中的数字病理图像标注库和数字病理图像数据库进行分析和学习,建立数字病理图像自动诊断模型和数字病理图像检索模型;
步骤4:利用步骤3建立的数字病理图像自动诊断模型对未知病变类型的数字病理切片进行诊断,获得诊断结果,同时选出若干典型病变区域;
步骤5:利用步骤3建立的数字病理图像检索模型对步骤4中选出的若干典型病变区域在步骤2中建立的数字病理图像数据库中进行检索,查找与其相似的病变区域;
步骤6:将步骤4中得到的诊断结果、典型病变区域和步骤5中得到的相似病变区域及其所属病例同时反馈给医生,辅助医生进行诊断。
进一步的,所述数字病理图像标注库,其通过如下具体步骤来建立:
①确定自动诊断模型的诊断范围,即规定其能够预测的所有癌变类型,并将每种癌变类型进行编号;
②对参与标记的每一张数字病理切片,在其图像中勾画出癌变区域,同时记录该癌变区域对应的癌变类型及其编号;
③按照一定规则对所有标记区域的图像进行采集,并按癌变类型分别存储,形成该病理图像标注库。
进一步的,所述机器学习算法可为卷积神经元网络、栈式自编码网络、多实例学习或自编码哈希算法,还可为其他算法,本发明不限于此。
采用上述技术方案,本发明考虑了计算机辅助诊断的临床需要,将计算机自动诊断方法与基于内容的图像检索技术相结合,充分利用带有专家诊断信息的数字病理切片,对未知病变类型的数字病理切片进行自动分析诊断,同时为医生提供诊断结果和相似病例,辅助医生进行诊断。该辅助诊断方法从病理科临床实际需要出发,具有完整的流程,对提高使用数字病理图像来做病理诊断的各级医院的诊断质量,及培养基层病理科医生和学生具有重要意义。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面结合附图和具体实施方式,对本发明做进一步说明。
如图1所示,一种基于数字病理图像的癌症辅助诊断方法,包括以下具体的步骤:
步骤1:用切片扫描仪将数字病理切片扫描到电子计算中,以RGB三通道存储为数字图像矩阵
为了满足癌症诊断的需要,病理切片一般在40倍镜下进行扫描,这使得整个数字病理切片的规模可以达到90000×90000像素,为了便于读取、传输与处理,数字病理全切片一般以分块的形式进行存储。
步骤2:筛选带有病理科专家诊断信息的数字病理切片建立数字病理图像数据库,并在该数据库中选取部分典型的数字病理切片进行严格标注,形成数字病理图像标注库
远程诊断系统每天会收集全国各地众多医院上传的数字病理切片,为了保证数字病理图像数据库的可靠性与权威性,创建该数据库时,只筛选带有知名病理专家诊断意见的数字病理切片。随着临床数据不断增加,对该数字病理图像数据库定期进行更新。
若要利用机器学习算法建立计算机自动诊断模型,仅有病理切片的整体诊断结果是不够的,还需要病理科专家对一定数量的癌症病例进行准确的标注,以建立数字病理图像标注库,建立该标注库的具体步骤如下:
①确定自动诊断模型的诊断范围,即规定其能够预测的所有癌变类型,并将每种癌变类型进行编号;
②对参与标记的每一张数字病理切片,在该切片图像中勾画出癌变区域,同时记录该癌变区域对应的癌变类型及其编号;
③按照一定规则对所有标记区域的图像进行采集,并按癌变类型分别存储,形成该病理图像标注库。
步骤3:采用图像处理方法和机器学习算法对步骤2中的数字病理图像标注库和数字病理图像数据库进行分析和学习,建立数字病理图像自动诊断模型和数字病理图像检索模型
依靠机器学习算法的计算机辅助诊断模型需要对已知类型的数据进行反复的学习,以此对诊断模型的参数进行优化调整,训练所得的诊断模型可以对未知的数据进行类别预测。针对自动诊断任务和数字病理图像检索任务分别设计模型,该模型采用图像处理方法和机器学习算法对步骤2中具体实施步骤②标记的切片样本及其类型编号和数字病理图像数据库进行学习训练即可获得病理图像自动诊断模型和病理图像检索模型。
所述机器学习算法包括卷积神经元网络、栈式自编码网络、多实例学习以及自编码哈希算法,还可为其他算法,本发明不以此为限。
步骤4:利用步骤3建立的数字病理图像自动诊断模型对未知病变类型的数字病理切片进行诊断,获得诊断结果,同时选出若干典型病变区域
数字病理切片是一张分辨率高,空间连续的数字图像,为了利用步骤3中得到的数字病理图像自动诊断模型进行分析,需要先将其分割成大小能让自动诊断模型接受的图像块,然后用该模型预测每个图像块的病变类型。按照病理学诊断原则,若切片中存在某种癌变类型的区域,那么该切片就应被诊断为该种癌变,如果切片中存在超过一种癌变类型,则该切片应被诊断为这几种癌变类型并存。据此,采用步骤3中得到的病理图像自动诊断模型对待诊断切片中所有图像块进行自动分析诊断,同时挑选出切片中存在的每种病变类型预测概率最高的若干病变区域,利用上述病理学诊断原则给出诊断结果。
步骤5:利用步骤3建立的数字病理图像检索模型对步骤4中选出的若干典型病变区域在步骤2中建立的数字病理图像数据库中进行检索,查找与其相似的病变区域
本发明的病理图像检索模型能够在步骤2中所建立的数字病理图像数据库中进行快速查找并返回与输入图像最为相似的图像。将步骤4中提取到的预测概率最高的若干病变区域作为典型病变区域,并将这些病变区域作为检索的输入内容,再利用步骤3所建立的病理图像检索模型在步骤2中所建立的数字病理图像数据库中进行检索,返回与之相似的若干图像区域及其所属病例的诊断信息,作为检索结果。
步骤6:将步骤4中得到的诊断结果、典型病变区域和步骤5中得到的相似病变区域及其所属病例同时反馈给医生,辅助医生进行诊断
为了给医生提供系统性的诊断建议,不仅要给出未知病变类型的数字病理切片图像的自动诊断结果,还要提供与该病理切片图像内容上相似的带有专家诊断信息的病理切片及其所属病例进行佐证。医生通过参考自动诊断结果和图像检索结果,对待诊断的病例进行诊断,同时学习专家的诊断方法。
综上所述,本发明的数字病理图像的癌症辅助诊断方法能够为病理科医生提供更加系统的辅助诊断信息,对提升具有远程会诊能力的各级医院病理科的诊断质量和培养病理科医生具有重要意义。
尽管结合优选实施方案具体展示和介绍了本发明,但所属领域的技术人员应该明白,在不脱离所附权利要求书所限定的本发明的精神和范围内,在形式上和细节上对本发明做出各种变化,均为本发明的保护范围。
Claims (3)
1.一种基于数字病理图像的癌症辅助诊断方法,其特征在于,包括以下步骤:
步骤1:用切片扫描仪将数字病理切片扫描到电子计算中,以RGB三通道存储为数字图像矩阵;
步骤2:筛选带有病理科专家诊断信息的数字病理切片建立数字病理图像数据库,并在该数据库中选取部分典型的数字病理切片进行严格标注,形成数字病理图像标注库;
步骤3:采用图像处理方法和机器学习算法对步骤2中的数字病理图像标注库和数字病理图像数据库进行分析和学习,建立数字病理图像自动诊断模型和数字病理图像检索模型;
步骤4:利用步骤3建立的数字病理图像自动诊断模型对未知病变类型的数字病理切片进行诊断,获得诊断结果,同时选出若干典型病变区域;
步骤5:利用步骤3建立的数字病理图像检索模型对步骤4中选出的若干典型病变区域在步骤2中建立的数字病理图像数据库中进行检索,查找与其相似的病变区域;
步骤6:将步骤4中得到的诊断结果、典型病变区域和步骤5中得到的相似病变区域及其所属病例同时反馈给医生,辅助医生进行诊断。
2.如权利要求1所述的一种基于数字病理图像的癌症辅助诊断方法,其特征在于,所述数字病理图像标注库,其通过如下具体步骤来建立:
① 确定自动诊断模型的诊断范围,即规定其能够预测的所有癌变类型,并将每种癌变类型进行编号;
② 对参与标记的每一张数字病理切片,在其图像中勾画出癌变区域,同时记录该癌变区域对应的癌变类型及其编号;
③ 按照一定规则对所有标记区域的图像进行采集,并按癌变类型分别存储,形成该病理图像标注库。
3.如权利要求1或2所述的一种基于数字病理图像的癌症辅助诊断方法,其特征在于,所述机器学习算法为卷积神经元网络、栈式自编码网络、多实例学习或自编码哈希算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610344279.4A CN105975793A (zh) | 2016-05-23 | 2016-05-23 | 一种基于数字病理图像的癌症辅助诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610344279.4A CN105975793A (zh) | 2016-05-23 | 2016-05-23 | 一种基于数字病理图像的癌症辅助诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105975793A true CN105975793A (zh) | 2016-09-28 |
Family
ID=56956903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610344279.4A Pending CN105975793A (zh) | 2016-05-23 | 2016-05-23 | 一种基于数字病理图像的癌症辅助诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105975793A (zh) |
Cited By (57)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106802346A (zh) * | 2017-01-19 | 2017-06-06 | 宁波江丰生物信息技术有限公司 | 一种基于免疫组化技术的病理辅助分析方法 |
CN107134184A (zh) * | 2017-06-13 | 2017-09-05 | 徐州医科大学 | 一种影像诊断教学仿真系统及训练方法 |
CN107273698A (zh) * | 2017-07-06 | 2017-10-20 | 武靖 | 人工智能训练标准库的处理与检测方法、系统 |
CN107368671A (zh) * | 2017-06-07 | 2017-11-21 | 万香波 | 基于大数据深度学习的良性胃炎病理诊断支持系统和方法 |
CN107368670A (zh) * | 2017-06-07 | 2017-11-21 | 万香波 | 基于大数据深度学习的胃癌病理诊断支持系统和方法 |
CN107369151A (zh) * | 2017-06-07 | 2017-11-21 | 万香波 | 基于大数据深度学习的胃肠间质瘤病理诊断支持系统和方法 |
CN107516005A (zh) * | 2017-07-14 | 2017-12-26 | 上海交通大学 | 一种数字病理图像标注的方法和系统 |
CN107658004A (zh) * | 2017-09-14 | 2018-02-02 | 武汉互创科技有限公司 | 一种在移动终端上查看云端医学影像信息的方法及系统 |
CN108229576A (zh) * | 2018-01-23 | 2018-06-29 | 北京航空航天大学 | 一种跨倍率病理图像特征学习方法 |
CN108288506A (zh) * | 2018-01-23 | 2018-07-17 | 雨声智能科技(上海)有限公司 | 一种基于人工智能技术的癌症病理辅助诊断方法 |
CN108345871A (zh) * | 2018-03-20 | 2018-07-31 | 宁波江丰生物信息技术有限公司 | 一种宫颈癌切片识别方法 |
CN108564567A (zh) * | 2018-03-15 | 2018-09-21 | 中山大学 | 一种超高分辨率病理图像癌变区域可视化方法 |
CN108564578A (zh) * | 2018-04-13 | 2018-09-21 | 上海商汤智能科技有限公司 | 病理诊断辅助方法、装置及系统 |
CN108766556A (zh) * | 2018-04-24 | 2018-11-06 | 宁波江丰生物信息技术有限公司 | 一种病理质控系统 |
CN109003659A (zh) * | 2017-06-07 | 2018-12-14 | 万香波 | 胃幽门螺旋杆菌感染病理诊断支持系统和方法 |
CN109063747A (zh) * | 2018-07-16 | 2018-12-21 | 武汉大学人民医院(湖北省人民医院) | 基于深度学习的肠道病理切片图像识别分析系统及方法 |
CN109461495A (zh) * | 2018-11-01 | 2019-03-12 | 腾讯科技(深圳)有限公司 | 一种医学图像的识别方法、模型训练的方法及服务器 |
CN109559802A (zh) * | 2018-11-07 | 2019-04-02 | 杭州迪英加科技有限公司 | 数据显示方法和装置 |
CN109872803A (zh) * | 2019-01-28 | 2019-06-11 | 透彻影像(北京)科技有限公司 | 一种人工智能病理标注系统 |
CN109920541A (zh) * | 2019-03-21 | 2019-06-21 | 武汉千屏影像技术有限责任公司 | 一种基于数据分析的病理诊断方法 |
CN109961847A (zh) * | 2019-03-20 | 2019-07-02 | 武汉千屏影像技术有限责任公司 | 一种图片、文字和语音结合的病理智能诊断系统 |
CN109961448A (zh) * | 2019-04-10 | 2019-07-02 | 杭州智团信息技术有限公司 | 组织病变区域勾勒方法及系统 |
CN109979546A (zh) * | 2019-04-04 | 2019-07-05 | 成都大学 | 基于人工智能数字病理的网络模型分析平台及构建方法 |
CN110101361A (zh) * | 2019-04-23 | 2019-08-09 | 深圳市新产业眼科新技术有限公司 | 基于大数据在线智能诊断平台及其运行方法和存储介质 |
CN110277166A (zh) * | 2019-06-28 | 2019-09-24 | 曾清福 | 一种宫腹腔镜辅助诊断系统及方法 |
CN110296935A (zh) * | 2019-07-05 | 2019-10-01 | 扬州大学附属医院 | 一种实体肿瘤三维病理诊断方法 |
CN110349654A (zh) * | 2019-05-31 | 2019-10-18 | 平安科技(深圳)有限公司 | 图像处理方法、装置、存储介质及计算机设备 |
CN110443781A (zh) * | 2019-06-27 | 2019-11-12 | 杭州智团信息技术有限公司 | 一种肝脏数字病理的ai辅助诊断系统及方法 |
CN110547866A (zh) * | 2018-06-01 | 2019-12-10 | 福美生技有限公司 | 反馈式能量释放系统及其操作方法 |
CN110648750A (zh) * | 2019-09-04 | 2020-01-03 | 杭州憶盛医疗科技有限公司 | 一种数字化切片系统和病理切片分析方法 |
CN110660477A (zh) * | 2018-06-29 | 2020-01-07 | 北京优纳医疗科技有限公司 | 幽门螺杆菌自动筛选和标注的系统及方法 |
CN110689958A (zh) * | 2019-09-09 | 2020-01-14 | 杭州憶盛医疗科技有限公司 | 一种基于人工智能技术的癌症病理辅助诊断方法 |
CN110729033A (zh) * | 2019-09-20 | 2020-01-24 | 杭州憶盛医疗科技有限公司 | 一种综合多功能病理诊断系统 |
CN110767312A (zh) * | 2019-12-26 | 2020-02-07 | 杭州迪英加科技有限公司 | 人工智能辅助病理诊断系统及方法 |
CN110767321A (zh) * | 2019-09-20 | 2020-02-07 | 杭州憶盛医疗科技有限公司 | 一种病理诊断辅助系统方法 |
CN111341442A (zh) * | 2020-03-03 | 2020-06-26 | 宁波兰茜生物科技有限公司 | 一种多功能一体化肺癌辅助诊断系统 |
CN111366503A (zh) * | 2020-03-17 | 2020-07-03 | 宁波江丰生物信息技术有限公司 | 一种基于数字病理宫颈液基细胞学智能辅助阅片方法 |
CN111710394A (zh) * | 2020-06-05 | 2020-09-25 | 沈阳智朗科技有限公司 | 人工智能辅助早期胃癌筛查系统 |
CN111863202A (zh) * | 2020-07-16 | 2020-10-30 | 梅傲科技(广州)有限公司 | 一种数字病理图像扫描分析系统 |
CN111986749A (zh) * | 2020-07-15 | 2020-11-24 | 万达信息股份有限公司 | 一种数字病理图像检索系统 |
CN112116559A (zh) * | 2020-08-17 | 2020-12-22 | 您好人工智能技术研发昆山有限公司 | 一种基于深度学习的数字病理图像智能分析方法 |
CN112132772A (zh) * | 2019-06-24 | 2020-12-25 | 杭州迪英加科技有限公司 | 一种病理切片实时判读方法、装置及系统 |
CN112132166A (zh) * | 2019-06-24 | 2020-12-25 | 杭州迪英加科技有限公司 | 一种数字细胞病理图像智能分析方法、系统及装置 |
CN112154514A (zh) * | 2018-04-16 | 2020-12-29 | 西门子医疗有限公司 | 用于癌症筛查的综合方法 |
CN112236832A (zh) * | 2018-06-05 | 2021-01-15 | 住友化学株式会社 | 诊断辅助系统、诊断辅助方法以及诊断辅助程序 |
CN112384989A (zh) * | 2018-06-04 | 2021-02-19 | 第一百欧有限公司 | 一种两阶段疾病诊断系统及其方法 |
CN112434172A (zh) * | 2020-10-29 | 2021-03-02 | 西安交通大学 | 一种病理图像预后特征权重计算方法及系统 |
CN112889116A (zh) * | 2018-10-05 | 2021-06-01 | 第一百欧有限公司 | 检索病理图像的系统及方法 |
CN112950548A (zh) * | 2021-02-04 | 2021-06-11 | 复旦大学附属中山医院 | 基于数字胃癌病理切片的筛查系统 |
CN113053521A (zh) * | 2021-04-09 | 2021-06-29 | 中南大学湘雅医院 | 基于深度学习的头颈鳞癌淋巴结转移癌诊断辅助识别系统 |
CN113269747A (zh) * | 2021-05-24 | 2021-08-17 | 浙江大学医学院附属第一医院 | 一种基于深度学习的病理图片肝癌扩散检测方法及系统 |
CN113936776A (zh) * | 2021-10-19 | 2022-01-14 | 赛维森(广州)医疗科技服务有限公司 | 分布式的多病种人工智能病理分析系统 |
CN115375684A (zh) * | 2022-10-24 | 2022-11-22 | 南京邮电大学 | 一种基于机器学习的肺结核图像辅助诊断系统 |
CN115631386A (zh) * | 2022-12-19 | 2023-01-20 | 天津医之本医疗科技有限公司 | 一种基于机器学习的病理图像分类方法和系统 |
CN116230208A (zh) * | 2023-02-15 | 2023-06-06 | 北京透彻未来科技有限公司 | 基于深度学习的胃粘膜炎症分型辅助诊断系统 |
CN117116436A (zh) * | 2023-09-11 | 2023-11-24 | 北京透彻未来科技有限公司 | 一种条目化数字病理切片诊断系统 |
CN117373695A (zh) * | 2023-10-12 | 2024-01-09 | 北京透彻未来科技有限公司 | 基于极深卷积神经网络的泛癌病理诊断系统 |
-
2016
- 2016-05-23 CN CN201610344279.4A patent/CN105975793A/zh active Pending
Cited By (70)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106802346A (zh) * | 2017-01-19 | 2017-06-06 | 宁波江丰生物信息技术有限公司 | 一种基于免疫组化技术的病理辅助分析方法 |
CN106802346B (zh) * | 2017-01-19 | 2020-04-03 | 宁波江丰生物信息技术有限公司 | 一种基于免疫组化技术的病理数字图像分析方法 |
CN107368671A (zh) * | 2017-06-07 | 2017-11-21 | 万香波 | 基于大数据深度学习的良性胃炎病理诊断支持系统和方法 |
CN107368670A (zh) * | 2017-06-07 | 2017-11-21 | 万香波 | 基于大数据深度学习的胃癌病理诊断支持系统和方法 |
CN107369151A (zh) * | 2017-06-07 | 2017-11-21 | 万香波 | 基于大数据深度学习的胃肠间质瘤病理诊断支持系统和方法 |
CN109003659A (zh) * | 2017-06-07 | 2018-12-14 | 万香波 | 胃幽门螺旋杆菌感染病理诊断支持系统和方法 |
CN107134184A (zh) * | 2017-06-13 | 2017-09-05 | 徐州医科大学 | 一种影像诊断教学仿真系统及训练方法 |
CN107273698A (zh) * | 2017-07-06 | 2017-10-20 | 武靖 | 人工智能训练标准库的处理与检测方法、系统 |
CN107516005A (zh) * | 2017-07-14 | 2017-12-26 | 上海交通大学 | 一种数字病理图像标注的方法和系统 |
CN107658004A (zh) * | 2017-09-14 | 2018-02-02 | 武汉互创科技有限公司 | 一种在移动终端上查看云端医学影像信息的方法及系统 |
CN108288506A (zh) * | 2018-01-23 | 2018-07-17 | 雨声智能科技(上海)有限公司 | 一种基于人工智能技术的癌症病理辅助诊断方法 |
CN108229576A (zh) * | 2018-01-23 | 2018-06-29 | 北京航空航天大学 | 一种跨倍率病理图像特征学习方法 |
CN108229576B (zh) * | 2018-01-23 | 2021-08-06 | 北京航空航天大学 | 一种跨倍率病理图像特征学习方法 |
CN108564567A (zh) * | 2018-03-15 | 2018-09-21 | 中山大学 | 一种超高分辨率病理图像癌变区域可视化方法 |
CN108345871A (zh) * | 2018-03-20 | 2018-07-31 | 宁波江丰生物信息技术有限公司 | 一种宫颈癌切片识别方法 |
CN108564578A (zh) * | 2018-04-13 | 2018-09-21 | 上海商汤智能科技有限公司 | 病理诊断辅助方法、装置及系统 |
CN112154514A (zh) * | 2018-04-16 | 2020-12-29 | 西门子医疗有限公司 | 用于癌症筛查的综合方法 |
CN108766556A (zh) * | 2018-04-24 | 2018-11-06 | 宁波江丰生物信息技术有限公司 | 一种病理质控系统 |
CN110547866A (zh) * | 2018-06-01 | 2019-12-10 | 福美生技有限公司 | 反馈式能量释放系统及其操作方法 |
CN112384989A (zh) * | 2018-06-04 | 2021-02-19 | 第一百欧有限公司 | 一种两阶段疾病诊断系统及其方法 |
US12026872B2 (en) | 2018-06-05 | 2024-07-02 | Sumitomo Chemical Company, Limited | Diagnosis assisting system, diagnosis assisting method and diagnosis assisting program |
CN112236832A (zh) * | 2018-06-05 | 2021-01-15 | 住友化学株式会社 | 诊断辅助系统、诊断辅助方法以及诊断辅助程序 |
CN110660477A (zh) * | 2018-06-29 | 2020-01-07 | 北京优纳医疗科技有限公司 | 幽门螺杆菌自动筛选和标注的系统及方法 |
CN109063747A (zh) * | 2018-07-16 | 2018-12-21 | 武汉大学人民医院(湖北省人民医院) | 基于深度学习的肠道病理切片图像识别分析系统及方法 |
CN112889116A (zh) * | 2018-10-05 | 2021-06-01 | 第一百欧有限公司 | 检索病理图像的系统及方法 |
CN109461495A (zh) * | 2018-11-01 | 2019-03-12 | 腾讯科技(深圳)有限公司 | 一种医学图像的识别方法、模型训练的方法及服务器 |
CN109559802A (zh) * | 2018-11-07 | 2019-04-02 | 杭州迪英加科技有限公司 | 数据显示方法和装置 |
CN109872803A (zh) * | 2019-01-28 | 2019-06-11 | 透彻影像(北京)科技有限公司 | 一种人工智能病理标注系统 |
CN109872803B (zh) * | 2019-01-28 | 2020-01-14 | 透彻影像(北京)科技有限公司 | 一种人工智能病理标注系统 |
CN109961847A (zh) * | 2019-03-20 | 2019-07-02 | 武汉千屏影像技术有限责任公司 | 一种图片、文字和语音结合的病理智能诊断系统 |
CN109920541A (zh) * | 2019-03-21 | 2019-06-21 | 武汉千屏影像技术有限责任公司 | 一种基于数据分析的病理诊断方法 |
CN109979546A (zh) * | 2019-04-04 | 2019-07-05 | 成都大学 | 基于人工智能数字病理的网络模型分析平台及构建方法 |
CN109961448A (zh) * | 2019-04-10 | 2019-07-02 | 杭州智团信息技术有限公司 | 组织病变区域勾勒方法及系统 |
CN110101361A (zh) * | 2019-04-23 | 2019-08-09 | 深圳市新产业眼科新技术有限公司 | 基于大数据在线智能诊断平台及其运行方法和存储介质 |
CN110349654A (zh) * | 2019-05-31 | 2019-10-18 | 平安科技(深圳)有限公司 | 图像处理方法、装置、存储介质及计算机设备 |
CN110349654B (zh) * | 2019-05-31 | 2023-10-20 | 平安科技(深圳)有限公司 | 图像处理方法、装置、存储介质及计算机设备 |
CN112132166A (zh) * | 2019-06-24 | 2020-12-25 | 杭州迪英加科技有限公司 | 一种数字细胞病理图像智能分析方法、系统及装置 |
CN112132772B (zh) * | 2019-06-24 | 2024-02-23 | 杭州迪英加科技有限公司 | 一种病理切片实时判读方法、装置及系统 |
CN112132166B (zh) * | 2019-06-24 | 2024-04-19 | 杭州迪英加科技有限公司 | 一种数字细胞病理图像智能分析方法、系统及装置 |
CN112132772A (zh) * | 2019-06-24 | 2020-12-25 | 杭州迪英加科技有限公司 | 一种病理切片实时判读方法、装置及系统 |
CN110443781A (zh) * | 2019-06-27 | 2019-11-12 | 杭州智团信息技术有限公司 | 一种肝脏数字病理的ai辅助诊断系统及方法 |
CN110277166A (zh) * | 2019-06-28 | 2019-09-24 | 曾清福 | 一种宫腹腔镜辅助诊断系统及方法 |
CN110296935B (zh) * | 2019-07-05 | 2022-09-13 | 扬州大学附属医院 | 一种实体肿瘤三维图像构建方法 |
CN110296935A (zh) * | 2019-07-05 | 2019-10-01 | 扬州大学附属医院 | 一种实体肿瘤三维病理诊断方法 |
CN110648750A (zh) * | 2019-09-04 | 2020-01-03 | 杭州憶盛医疗科技有限公司 | 一种数字化切片系统和病理切片分析方法 |
CN110689958A (zh) * | 2019-09-09 | 2020-01-14 | 杭州憶盛医疗科技有限公司 | 一种基于人工智能技术的癌症病理辅助诊断方法 |
CN110767321A (zh) * | 2019-09-20 | 2020-02-07 | 杭州憶盛医疗科技有限公司 | 一种病理诊断辅助系统方法 |
CN110729033A (zh) * | 2019-09-20 | 2020-01-24 | 杭州憶盛医疗科技有限公司 | 一种综合多功能病理诊断系统 |
CN110767312A (zh) * | 2019-12-26 | 2020-02-07 | 杭州迪英加科技有限公司 | 人工智能辅助病理诊断系统及方法 |
CN111341442A (zh) * | 2020-03-03 | 2020-06-26 | 宁波兰茜生物科技有限公司 | 一种多功能一体化肺癌辅助诊断系统 |
CN111366503A (zh) * | 2020-03-17 | 2020-07-03 | 宁波江丰生物信息技术有限公司 | 一种基于数字病理宫颈液基细胞学智能辅助阅片方法 |
CN111710394A (zh) * | 2020-06-05 | 2020-09-25 | 沈阳智朗科技有限公司 | 人工智能辅助早期胃癌筛查系统 |
CN111986749A (zh) * | 2020-07-15 | 2020-11-24 | 万达信息股份有限公司 | 一种数字病理图像检索系统 |
CN111863202A (zh) * | 2020-07-16 | 2020-10-30 | 梅傲科技(广州)有限公司 | 一种数字病理图像扫描分析系统 |
CN111863202B (zh) * | 2020-07-16 | 2023-12-22 | 梅傲科技(广州)有限公司 | 一种数字病理图像扫描分析系统 |
CN112116559A (zh) * | 2020-08-17 | 2020-12-22 | 您好人工智能技术研发昆山有限公司 | 一种基于深度学习的数字病理图像智能分析方法 |
CN112434172A (zh) * | 2020-10-29 | 2021-03-02 | 西安交通大学 | 一种病理图像预后特征权重计算方法及系统 |
CN112950548A (zh) * | 2021-02-04 | 2021-06-11 | 复旦大学附属中山医院 | 基于数字胃癌病理切片的筛查系统 |
CN113053521A (zh) * | 2021-04-09 | 2021-06-29 | 中南大学湘雅医院 | 基于深度学习的头颈鳞癌淋巴结转移癌诊断辅助识别系统 |
CN113053521B (zh) * | 2021-04-09 | 2024-04-05 | 中南大学湘雅医院 | 基于深度学习的头颈鳞癌淋巴结转移癌诊断辅助识别系统 |
CN113269747B (zh) * | 2021-05-24 | 2023-06-13 | 浙江大学医学院附属第一医院 | 一种基于深度学习的病理图片肝癌扩散检测方法及系统 |
CN113269747A (zh) * | 2021-05-24 | 2021-08-17 | 浙江大学医学院附属第一医院 | 一种基于深度学习的病理图片肝癌扩散检测方法及系统 |
CN113936776A (zh) * | 2021-10-19 | 2022-01-14 | 赛维森(广州)医疗科技服务有限公司 | 分布式的多病种人工智能病理分析系统 |
CN115375684A (zh) * | 2022-10-24 | 2022-11-22 | 南京邮电大学 | 一种基于机器学习的肺结核图像辅助诊断系统 |
CN115631386A (zh) * | 2022-12-19 | 2023-01-20 | 天津医之本医疗科技有限公司 | 一种基于机器学习的病理图像分类方法和系统 |
CN116230208B (zh) * | 2023-02-15 | 2023-09-19 | 北京透彻未来科技有限公司 | 基于深度学习的胃粘膜炎症分型辅助诊断系统 |
CN116230208A (zh) * | 2023-02-15 | 2023-06-06 | 北京透彻未来科技有限公司 | 基于深度学习的胃粘膜炎症分型辅助诊断系统 |
CN117116436A (zh) * | 2023-09-11 | 2023-11-24 | 北京透彻未来科技有限公司 | 一种条目化数字病理切片诊断系统 |
CN117373695A (zh) * | 2023-10-12 | 2024-01-09 | 北京透彻未来科技有限公司 | 基于极深卷积神经网络的泛癌病理诊断系统 |
CN117373695B (zh) * | 2023-10-12 | 2024-05-17 | 北京透彻未来科技有限公司 | 基于极深卷积神经网络的泛癌病理诊断系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105975793A (zh) | 一种基于数字病理图像的癌症辅助诊断方法 | |
CN110993064B (zh) | 面向深度学习的医学影像标注方法及装置 | |
Xie et al. | A locally-constrained YOLO framework for detecting small and densely-distributed building footprints | |
US11126649B2 (en) | Similar image search for radiology | |
CN103220974A (zh) | 图像报告方法 | |
CN110727819B (zh) | 一种尺度自适应病理全切片图像数据库检索方法 | |
CN113378792B (zh) | 融合全局和局部信息的弱监督宫颈细胞图像分析方法 | |
CN113627564B (zh) | 基于深度学习的ct医学影像处理模型训练方法及诊疗系统 | |
CN113743463B (zh) | 一种基于影像数据和深度学习的肿瘤良恶性识别方法和系统 | |
Xu et al. | Patch-based active learning (PTAL) for spectral-spatial classification on hyperspectral data | |
JP2021530787A (ja) | 放射線医学のための類似画像の検索 | |
Tafavvoghi et al. | Publicly available datasets of breast histopathology H&E whole-slide images: A scoping review | |
CN110660477A (zh) | 幽门螺杆菌自动筛选和标注的系统及方法 | |
CN112927215A (zh) | 一种消化道活检病理切片自动分析方法 | |
CN116344070B (zh) | 一种病理特征与临床信息融合方法及系统 | |
Yoldemir | Artificial intelligence and women’s health | |
Zhang et al. | Deep learning‐based detection and classification of lumbar disc herniation on magnetic resonance images | |
Hanh et al. | Convolutional neural networks improve radiologists’ performance in breast cancer screening for Vietnamese patients | |
Park et al. | Deep joint learning of pathological region localization and Alzheimer’s disease diagnosis | |
RU2609737C1 (ru) | Автоматизированная система распределенной когнитивной поддержки принятия диагностических решений в медицине | |
EP4327333A1 (en) | Methods and systems for automated follow-up reading of medical image data | |
Dahl et al. | Applications of machine learning in tabular document digitisation | |
CN115330722A (zh) | 一种胃癌h&e染色图像智能预测pd-l1抑制剂疗效的方法 | |
CN112966774A (zh) | 一种基于图片Bert的组织病理图片分类方法 | |
CN114708362B (zh) | 一种基于web的人工智能预测结果的展示方法 |
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 |
Application publication date: 20160928 |
|
WD01 | Invention patent application deemed withdrawn after publication |