CN106780475A - 一种基于病理组织切片图像组织区域的图像处理方法及装置 - Google Patents
一种基于病理组织切片图像组织区域的图像处理方法及装置 Download PDFInfo
- Publication number
- CN106780475A CN106780475A CN201611235221.2A CN201611235221A CN106780475A CN 106780475 A CN106780475 A CN 106780475A CN 201611235221 A CN201611235221 A CN 201611235221A CN 106780475 A CN106780475 A CN 106780475A
- Authority
- CN
- China
- Prior art keywords
- image
- histopathologic slide
- feature
- slide
- histopathologic
- 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
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
- 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
- G06T2207/30028—Colon; Small intestine
Abstract
本发明提供一种基于病理组织切片图像组织区域的图像处理方法及装置，该方法包括：步骤1，对病理组织切片图像进行预处理，得到子图像块；步骤2，基于深度卷积神经网络模型提取子图像块特征，整合得到病理组织切片图像特征并预分类，获取异常的病理组织切片图像；步骤3，量化临床就诊信息；步骤4，根据异常的病理组织切片图像特征和所述临床就诊信息，采用多源数据融合技术得到融合特征；步骤5，采用分类器对所述融合特征进行分类。该装置包括：预处理模块，特征提取模块，分类模块，量化模块，数据融合模块。该方法及装置克服了现有技术中病理组织切片图像的组织区域检测效果不佳的问题。
Description
技术领域
本发明涉及计算机辅助诊断领域，更具体地，涉及基于病理组织切片图像组织区域的图像处理方法及装置。
背景技术
目前，密集的人口和旺盛的求医需求，使得病理医生面临着繁重的任务。因此，基于病理组织切片图像的计算机辅助诊断技术尤为迫切。
中国发明专利“CN102214294A图像处理设备、图像处理方法以及程序”提供了一种针对病理图像的处理设备，该设备通过传统图像处理方法预先学习细胞组织检测器，检测病理图像中的细胞组织区域。该发明通过计算亮度差别特征量，并将其作为病理图像的每个像素特征量的传统方法，这种传统方法仅可用于细胞检测这种特征非常明显的区域检测，而对于组织区域的检测则效果不佳。此外，中国发明专利“CN105931226A基于深度学习的自适应椭圆拟合细胞自动检测分割方法”公开了一种基于深度学习的自适应椭圆拟合细胞自动检测分割方法。该方法处理的对象仍然是细胞层面的自动检测，对于组织层面的检测分割仍需进一步研究。
发明内容
本发明提供一种克服上述问题或者至少部分地解决上述问题的基于病理组织切片图像组织区域的图像处理方法及装置。
根据本发明的一个方面，提供一种基于病理组织切片图像组织区域的图像处理方法，包括：步骤1，对病理组织切片图像进行预处理，得到子图像块；步骤2，基于深度卷积神经网络模型提取子图像块特征，整合得到病理组织切片图像特征并预分类，获取异常的病理组织切片图像；步骤3，量化临床就诊信息；步骤4，根据异常的病理组织切片图像特征和所述临床就诊信息，采用多源数据融合技术得到融合特征；步骤5，采用分类器对所述融合特征进行分类。
根据本发明的另一个方面，提供一种病理组织切片图像计算机辅助诊断装置，所述装置包括：预处理模块，用于对病理组织切片图像进行预处理，得到子图像块；特征提取模块，用于基于深度卷积神经网络模型提取子图像块特征，整合得到病理组织切片图像特征；分类模块，用于根据病理组织切片图像特征对病理组织切片图像进行预分类，获取异常的病理组织切片图像；量化模块，用于量化临床就诊信息；数据融合模块，用于对异常的病理组织切片图像特征和所述临床就诊信息进行多源数据融合技术得到融合特征；所述分类模块还用于对所述融合特征进行分类。
本申请提出一种基于病理组织切片图像组织区域的图像处理方法。该方法通过对病理组织切片图像的预处理、提取特征然后整合并预分类筛选出异常的病理组织切片图像，实现了病理组织切片图像在组织层面的自动检测。
进一步地，通过将异常的病理组织切片图像的图像特征和临床就诊信息，采用多源数据融合技术并分类，从而得到异常的病理组织切片图像的进一步分类结果，用于医生进行诊断的参考资料，大大减少了病理医生的工作量。
该方法克服了现有技术中病理组织切片图像的组织区域检测效果不佳的问题。通过对大量的患者病例进行预处理，筛选出正常的病例，并对异常的病例做出进一步的详细诊断，减轻了病理医生负担，提高了诊断效率，同时也降低了病理医生因过度劳累而出现误诊的概率。
附图说明
图1为根据本发明实施例基于病理组织切片图像组织区域的图像处理方法的基本流程图；
图2为本发明实施例采用的结肠癌病理图像；
图3为根据本发明实施例基于病理组织切片图像组织区域的图像处理装置的示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本发明一方面提出一种基于病理组织切片图像组织区域的图像处理方法。如图1所示，图1为根据本发明实施例基于病理组织切片图像组织区域的图像处理方法的基本流程图。该方法包括：步骤1，对病理组织切片图像进行预处理，得到子图像块；步骤2，基于深度卷积神经网络模型提取子图像块特征，整合得到病理组织切片图像特征并预分类，获取异常的病理组织切片图像；步骤3，量化临床就诊信息；步骤4，根据异常的病理组织切片图像特征和所述临床就诊信息，采用多源数据融合技术得到融合特征；步骤5，采用分类器对所述融合特征进行分类。
在步骤1中，对病理组织切片图像进行预处理，得到子图像块；
其中，具体地，所述对病理组织切片图像进行预处理包括分割和子图像块识别。
在本实施例中，用于进行计算机辅助诊断的病理组织切片图像为病理医生通过穿刺活检取得病人器官组织，将其制成厚约数微米的病理切片并染色，再在高倍显微镜下放大成百上千倍以便于观察切片的组织结构和细胞形态，然后通过特定的数字化仪器，处理而成的数字化病理组织切片图像。如图2所示，图2为本发明实施例采用的结肠癌病理图像。
在本实施例中，由于经高倍显微镜放大后的病理组织切片图像包含大量像素点，有的图像像素点个数甚至会到达千亿级别，经JPEG压缩后仍然占据四五百兆的空间，这种超大图像处理起来非常困难。因此，本实施例采取通过软件结合硬件设备的升级来进行超大病理组织切片图像的读取。从而可以快速、无损的读取超大高清病理组织切片图像。
此外，病理医生在对病理组织切片图像进行诊断时，通常先依据医学专业知识对病理组织切片图像的各块组织区域进行肉眼识别，然后依据各组织区域的状况再进行具体疾病或癌症的诊断。在本实施例中，首先对病理组织切片图像进行分割得到子图像块即各块组织区域，然后采用区域深度卷积神经模型进行病理组织切片图像的各块组织区域的自动化识别。以此实现病理医生依据医学专业知识对病理组织切片图像的各块组织区域进行肉眼识别。
如上述方法所述，本发明还包括：步骤2，基于深度卷积神经网络模型提取子图像块特征，整合得到病理组织切片图像特征并预分类，获取异常的病理组织切片图像。
其中，具体地，首先根据对子图像块的识别结果，采用对应的深度卷积神经网络模型，通过设置模型中的多层卷积和池化层，对子图像块提取特征，接着将各子图像块特征通过设置不同加权参数进行整合得到病理组织切片图像特征，然后根据所述病理组织切片图像特征进行预分类，获取异常的病理组织切片图像。其中，用于预分类的模型是根据已有标记数据进行分类模型的训练而得到的稳定模型。
在本实施例中，完成病理组织切片图像预处理后，针对病理组织切片图像的子图像块即各组织区域，采用对应的深度卷积神经网络模型对子图像块即各组织区域进行分析。具体地，通过设置卷积层和池化层以及相应参数，获得不同的子图像块即组织区域对应的深度卷积神经网络模型。从而提取出能够区分不同病理状况的组织区域特征，接着将各子图像块特征进行整合得到病理组织切片图像特征，然后根据所述病理组织切片图像特征进行预分类，获取异常的病理组织切片图像。
如上述方法所述，本发明还包括：步骤3，量化临床就诊信息。
其中，具体地，量化临床就诊信息包括对病理组织切片图像之外的临床就诊信息采用量化方法进行量化。其中，量化方法可采用文本分类方法或标准化方法。
通常，病理医生对患者的疾病进行诊断时，除了参考病理组织切片图像信息，其他临床就诊信息也是不可或缺的参考信息。如，病人的临床表现、其他科室诊断信息等文本描述性信息以及其他科室检测结果如心电图、CT、B超等图像信息。在本实施例中，采用将其他临床就诊信息量化以用于后续数据融合进而得到融合特征。
需要声明的是，步骤3与步骤1、2不存在时间上的先后关系。
如上述方法所述，本发明还包括：步骤4，所述根据异常的病理组织切片图像特征和所述临床就诊信息，采用多源数据融合技术得到融合特征。
在本实施例中，将预分类结果为异常的病理组织切片图像特征与其他量化的临床就诊信息，采用多源数据融合技术进行融合。具体地，在信息融合的过程中，对各特征进行标准化、融合、预处理，以筛选出对最终诊断结果具有影响力的融合特征。
如上述方法所述，本发明还包括：步骤5，采用分类器对所述融合特征进行分类。其中，分类器为SVM分类器。
在本实施例中，对上述由异常的病理组织切片图像特征与其他量化的临床就诊信息得到的融合特征，采用SVM分类器分类，从而进一步判断异常严重程度，以供医生作为诊断的参考信息。
此外，进行多源数据融合技术的数据还可以包括：倍率信息。根据病理组织切片图像需呈现的细节详细程度不同而需要采用不同的倍率进行放大。常用的倍率包括10倍率、20倍率和40倍率。针对不同倍率下的病理组织切片图像，会采取不同的处理手段。因此，在本实施例中，病理组织切片图像的倍率信息也作为一个参数，通过多源数据融合的方法异常病理组织切片图像的进一步分类中。
本发明提出一种基于病理组织切片图像组织区域的图像处理方法。该方法通过对病理组织切片图像的预处理、提取子图像块及组织区域特征，然后整合并预分类筛选出异常的病理组织切片图像，实现了病理组织切片图像在组织层面的自动检测。进一步地，通过将异常的病理组织切片图像的图像特征和临床就诊信息，采用多源数据融合技术并分类，从而得到异常的病理组织切片图像进一步分类结果，用于医生进行诊断的参考资料，大大减少了病理医生的工作量。本发明最大程度的模拟了医生诊断的思路，采用深度学习模型结合多源数据融合技术的方法优化算法，提高了诊断准确率同时，采用多线程并行计算的方法提高运算速度，加快了诊断速度，提高了诊断速率。该方法克服了现有技术中病理组织切片图像的组织区域检测效果不佳的问题。通过对大量的患者病例进行预处理，筛选出正常的病例，并对异常的病例做出进一步的详细诊断，减轻了病理医生负担，提高了诊断效率，同时也降低了病理医生因过度劳累而出现误诊的概率。
根据本发明的另一个方面，提供一种基于病理组织切片图像组织区域的图像处理装置，所述装置包括：预处理模块10，用于对病理组织切片图像进行预处理，得到子图像块；特征提取模块20，用于基于深度卷积神经网络模型提取子图像块特征，整合得到病理组织切片图像特征；分类模块30，用于根据病理组织切片图像特征对病理组织切片图像进行预分类，获取异常的病理组织切片图像；量化模块40，用于量化临床就诊信息；数据融合模块50，用于对异常的病理组织切片图像特征和所述临床就诊信息进行多源数据融合技术得到融合特征；所述分类模块30还用于对所述融合特征进行分类。
在本实施例中，针对某一病例的结肠癌病理组织切片图像和其他临床就诊信息，如病人的临床表现、其他科室诊断信息等文本描述性信息以及其他科室检测结果如心电图、CT、B超等图像信息，采用预处理模块10对该结肠癌病理组织切片图像进行预处理，包括分割和子图像块识别，得到子图像块；采用特征提取模块20基于深度卷积神经网络模型提取子图像块特征，整合得到该结肠癌病理组织切片图像特征；采用分类模块30进行预分类，该结肠癌病理组织切片图像被归类异常，获取该结肠癌病理组织切片图像；采用量化模块40量化上述临床就诊信息；然后根据该结肠癌病理组织切片图像特征和所述临床就诊信息，采用多源数据融合模块50进行数据融合得到融合特征，采用分类器对所述融合特征进行分类，从而实现对该结肠癌患者病情严重程度的进一步分类。
本发明提出的基于病理组织切片图像组织区域的图像处理装置，通过预处理模块对病理组织切片图像进行预处理、特征提取模块提取子图像块特征然后整合、分类模块对预分类筛选出异常的病理组织切片图像，实现了病理组织切片图像在组织层面的自动检测。进一步地，通过将异常的病理组织切片图像的图像特征和临床就诊信息，采用多源数据融合技术并分类，从而得到异常的病理组织切片图像进一步分类结果，用于医生进行诊断的参考资料，大大减少了病理医生的工作量。
最后，本申请的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于病理组织切片图像组织区域的图像处理方法，其特征在于，包括：
步骤1，对病理组织切片图像进行预处理，得到子图像块；
步骤2，基于深度卷积神经网络模型提取子图像块特征，整合得到病理组织切片图像特征并预分类，获取异常的病理组织切片图像；
步骤3，量化临床就诊信息；
步骤4，根据异常的病理组织切片图像特征和所述临床就诊信息，采用多源数据融合技术得到融合特征；
步骤5，采用分类器对所述融合特征进行分类。
2.根据权利要求1所述的方法，其特征在于，步骤1中所述对病理组织切片图像进行预处理进一步包括对病理组织切片图像的分割和子图像块识别。
3.根据权利要求2所述的方法，其特征在于，步骤2中所述基于深度卷积神经网络模型提取子图像块特征，整合得到病理组织切片图像特征并预分类，获取异常的病理组织切片图像包括：
根据对子图像块的识别结果，采用对应的深度卷积神经网络模型对子图像块提取特征；
将各子图像块特征进行整合，得到病理组织切片图像特征；
根据所述病理组织切片图像特征进行预分类，获取异常的病理组织切片图像。
4.根据权利要求3所述的方法，其特征在于，步骤4中所述根据异常的病理组织切片图像特征和所述临床就诊信息，采用多源数据融合技术得到融合特征包括：
将预分类结果为异常的病理组织切片图像特征与其他量化的临床就诊信息，采用多源数据融合技术，得到融合特征。
5.根据权利要求4所述的方法，其特征在于，步骤5中所述分类器为SVM分类器。
6.根据权利要求5所述的方法，其特征在于，进行多源数据融合技术的数据还包括：倍率信息。
7.根据权利要求6所述的方法，其特征在于，所述分类器为SVM分类器。
8.一种基于病理组织切片图像组织区域的图像处理装置，其特征在于，所述装置包括：
预处理模块，用于对病理组织切片图像进行预处理得到子图像块；
特征提取模块，用于基于深度卷积神经网络模型提取子图像块特征，整合得到病理组织切片图像特征；
分类模块，用于根据病理组织切片图像特征对病理组织切片图像进行预分类，获取异常的病理组织切片图像；
量化模块，用于量化临床就诊信息；
数据融合模块，用于对异常的病理组织切片图像特征和所述临床就诊信息进行多源数据融合技术得到融合特征；
所述分类模块还用于对所述融合特征进行分类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611235221.2A CN106780475B (zh) | 2016-12-27 | 2016-12-27 | 一种基于病理组织切片图像组织区域的图像处理装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611235221.2A CN106780475B (zh) | 2016-12-27 | 2016-12-27 | 一种基于病理组织切片图像组织区域的图像处理装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106780475A true CN106780475A (zh) | 2017-05-31 |
| CN106780475B CN106780475B (zh) | 2019-10-01 |
Family
ID=58923808
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611235221.2A Active CN106780475B (zh) | 2016-12-27 | 2016-12-27 | 一种基于病理组织切片图像组织区域的图像处理装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106780475B (zh) |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN107665492A (zh) * | 2017-06-29 | 2018-02-06 | 南京信息工程大学 | 基于深度网络的结直肠全景数字病理图像组织分割方法 |
| CN107665491A (zh) * | 2017-10-10 | 2018-02-06 | 清华大学 | 病理图像的识别方法及系统 |
| CN108280487A (zh) * | 2018-02-05 | 2018-07-13 | 深圳天琴医疗科技有限公司 | 一种结节良恶性的确定方法及装置 |
| CN108319977A (zh) * | 2018-01-30 | 2018-07-24 | 浙江大学 | 基于通道信息多模态网络的宫颈活检区域识别方法及装置 |
| CN108629772A (zh) * | 2018-05-08 | 2018-10-09 | 上海商汤智能科技有限公司 | 图像处理方法及装置、计算机设备和计算机存储介质 |
| CN109271969A (zh) * | 2018-10-29 | 2019-01-25 | 北京青燕祥云科技有限公司 | 一种脑胶质瘤分级评价方法及其装置 |
| CN109389594A (zh) * | 2018-10-09 | 2019-02-26 | 东北大学 | 一种基于图论的宫颈癌组织显微图像分析方法 |
| CN109410194A (zh) * | 2018-10-19 | 2019-03-01 | 山东省计算中心（国家超级计算济南中心） | 一种基于深度学习的食管癌病理图像处理方法 |
| CN109544507A (zh) * | 2018-10-18 | 2019-03-29 | 清影医疗科技（深圳）有限公司 | 一种病理图像处理方法及系统、设备、存储介质 |
| CN110084270A (zh) * | 2019-03-22 | 2019-08-02 | 上海鹰瞳医疗科技有限公司 | 病理切片图像识别方法及设备 |
| CN111209916A (zh) * | 2019-12-31 | 2020-05-29 | 中国科学技术大学 | 病灶识别方法及系统、识别设备 |
| CN111755118A (zh) * | 2020-03-16 | 2020-10-09 | 腾讯科技（深圳）有限公司 | 医疗信息处理方法、装置、电子设备及存储介质 |
| CN111863230A (zh) * | 2020-06-22 | 2020-10-30 | 南通大学 | 一种婴儿吸吮远程评估和母乳喂养指导方法 |
| CN111899214A (zh) * | 2020-06-12 | 2020-11-06 | 西安交通大学 | 一种病理切片扫描分析装置及病理切片扫描方法 |
| 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 |
| CN112686899A (zh) * | 2021-03-22 | 2021-04-20 | 深圳科亚医疗科技有限公司 | 医学图像分析方法和装置、计算机设备及存储介质 |
| WO2021189855A1 (zh) * | 2020-09-22 | 2021-09-30 | 平安科技（深圳）有限公司 | 基于ct序列的图像识别方法、装置、电子设备及介质 |
| CN116798583A (zh) * | 2023-06-28 | 2023-09-22 | 华东师范大学 | 病理组织宏观信息采集分析系统及其分析方法 |
| CN117522872A (zh) * | 2024-01-04 | 2024-02-06 | 长峡数字能源科技(湖北)有限公司 | 一种光伏电站的实时异常检测方法及装置 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005050563A2 (en) * | 2003-11-17 | 2005-06-02 | Aureon Biosciences Corporation | Pathological tissue mapping |
| US20090190812A1 (en) * | 2008-01-25 | 2009-07-30 | Maki Sano | Pathological tissue image capturing system, pathological tissue image capturing method, and pathological tissue image capturing program |
| CN102214294A (zh) * | 2010-04-01 | 2011-10-12 | 索尼公司 | 图像处理设备、图像处理方法以及程序 |
| CN103793593A (zh) * | 2013-11-15 | 2014-05-14 | 吴一兵 | 第三种生命维护模式及长寿定量牵引信息交换方法和实现 |
| CN104346617A (zh) * | 2014-04-18 | 2015-02-11 | 南京信息工程大学 | 一种基于滑动窗口和深度结构提取特征的细胞检测方法 |
| CN105427217A (zh) * | 2014-12-17 | 2016-03-23 | 伊斯雷尔·巴肯 | 交互型图像电子医疗研究管理系统 |
| CN105640577A (zh) * | 2015-12-16 | 2016-06-08 | 深圳市智影医疗科技有限公司 | 一种自动检测放射影像中局部性病变的方法和系统 |
| CN105793852A (zh) * | 2013-12-04 | 2016-07-20 | M·奥利尼克 | 具有海量医疗分析的医疗处理计算机规划方法和系统 |
| CN106127842A (zh) * | 2016-06-15 | 2016-11-16 | 北京工业大学 | 一种结合光源分布与反射特性的面曝光3d打印的方法及系统 |
| CN106127769A (zh) * | 2016-06-22 | 2016-11-16 | 南京航空航天大学 | 一种基于脑连接网络的脑龄预测方法 |
| CN106198597A (zh) * | 2016-07-04 | 2016-12-07 | 中国科学院自动化研究所 | 基于组织学和超高场磁共振技术的计算神经解剖处理方法 |
-
2016
- 2016-12-27 CN CN201611235221.2A patent/CN106780475B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005050563A2 (en) * | 2003-11-17 | 2005-06-02 | Aureon Biosciences Corporation | Pathological tissue mapping |
| US20090190812A1 (en) * | 2008-01-25 | 2009-07-30 | Maki Sano | Pathological tissue image capturing system, pathological tissue image capturing method, and pathological tissue image capturing program |
| CN102214294A (zh) * | 2010-04-01 | 2011-10-12 | 索尼公司 | 图像处理设备、图像处理方法以及程序 |
| CN103793593A (zh) * | 2013-11-15 | 2014-05-14 | 吴一兵 | 第三种生命维护模式及长寿定量牵引信息交换方法和实现 |
| CN105793852A (zh) * | 2013-12-04 | 2016-07-20 | M·奥利尼克 | 具有海量医疗分析的医疗处理计算机规划方法和系统 |
| CN104346617A (zh) * | 2014-04-18 | 2015-02-11 | 南京信息工程大学 | 一种基于滑动窗口和深度结构提取特征的细胞检测方法 |
| CN105427217A (zh) * | 2014-12-17 | 2016-03-23 | 伊斯雷尔·巴肯 | 交互型图像电子医疗研究管理系统 |
| CN105640577A (zh) * | 2015-12-16 | 2016-06-08 | 深圳市智影医疗科技有限公司 | 一种自动检测放射影像中局部性病变的方法和系统 |
| CN106127842A (zh) * | 2016-06-15 | 2016-11-16 | 北京工业大学 | 一种结合光源分布与反射特性的面曝光3d打印的方法及系统 |
| CN106127769A (zh) * | 2016-06-22 | 2016-11-16 | 南京航空航天大学 | 一种基于脑连接网络的脑龄预测方法 |
| CN106198597A (zh) * | 2016-07-04 | 2016-12-07 | 中国科学院自动化研究所 | 基于组织学和超高场磁共振技术的计算神经解剖处理方法 |
Non-Patent Citations (1)
| Title |
|---|
| 龚磊等: "基于多特征描述的乳腺癌肿瘤病理自动分级", 《计算机应用》 * |
Cited By (32)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN107665492A (zh) * | 2017-06-29 | 2018-02-06 | 南京信息工程大学 | 基于深度网络的结直肠全景数字病理图像组织分割方法 |
| CN107665492B (zh) * | 2017-06-29 | 2020-11-10 | 南京信息工程大学 | 基于深度网络的结直肠全景数字病理图像组织分割方法 |
| CN107665491A (zh) * | 2017-10-10 | 2018-02-06 | 清华大学 | 病理图像的识别方法及系统 |
| CN108319977A (zh) * | 2018-01-30 | 2018-07-24 | 浙江大学 | 基于通道信息多模态网络的宫颈活检区域识别方法及装置 |
| CN108319977B (zh) * | 2018-01-30 | 2020-11-10 | 浙江大学 | 基于通道信息多模态网络的宫颈活检区域识别方法及装置 |
| CN108280487A (zh) * | 2018-02-05 | 2018-07-13 | 深圳天琴医疗科技有限公司 | 一种结节良恶性的确定方法及装置 |
| CN108629772B (zh) * | 2018-05-08 | 2023-10-03 | 上海商汤智能科技有限公司 | 图像处理方法及装置、计算机设备和计算机存储介质 |
| CN108629772A (zh) * | 2018-05-08 | 2018-10-09 | 上海商汤智能科技有限公司 | 图像处理方法及装置、计算机设备和计算机存储介质 |
| 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 |
| CN109389594A (zh) * | 2018-10-09 | 2019-02-26 | 东北大学 | 一种基于图论的宫颈癌组织显微图像分析方法 |
| CN109389594B (zh) * | 2018-10-09 | 2020-12-25 | 东北大学 | 一种宫颈癌组织显微图像处理方法 |
| CN109544507A (zh) * | 2018-10-18 | 2019-03-29 | 清影医疗科技（深圳）有限公司 | 一种病理图像处理方法及系统、设备、存储介质 |
| CN109410194A (zh) * | 2018-10-19 | 2019-03-01 | 山东省计算中心（国家超级计算济南中心） | 一种基于深度学习的食管癌病理图像处理方法 |
| CN109410194B (zh) * | 2018-10-19 | 2022-03-29 | 山东省计算中心（国家超级计算济南中心） | 一种基于深度学习的食管癌病理图像处理方法 |
| CN109271969A (zh) * | 2018-10-29 | 2019-01-25 | 北京青燕祥云科技有限公司 | 一种脑胶质瘤分级评价方法及其装置 |
| CN109271969B (zh) * | 2018-10-29 | 2020-03-24 | 北京青燕祥云科技有限公司 | 一种脑胶质瘤分级评价方法及其装置 |
| CN110084270A (zh) * | 2019-03-22 | 2019-08-02 | 上海鹰瞳医疗科技有限公司 | 病理切片图像识别方法及设备 |
| CN111209916B (zh) * | 2019-12-31 | 2024-01-23 | 中国科学技术大学 | 病灶识别方法及系统、识别设备 |
| CN111209916A (zh) * | 2019-12-31 | 2020-05-29 | 中国科学技术大学 | 病灶识别方法及系统、识别设备 |
| CN111755118B (zh) * | 2020-03-16 | 2024-03-08 | 腾讯科技（深圳）有限公司 | 医疗信息处理方法、装置、电子设备及存储介质 |
| CN111755118A (zh) * | 2020-03-16 | 2020-10-09 | 腾讯科技（深圳）有限公司 | 医疗信息处理方法、装置、电子设备及存储介质 |
| CN111899214A (zh) * | 2020-06-12 | 2020-11-06 | 西安交通大学 | 一种病理切片扫描分析装置及病理切片扫描方法 |
| CN111863230A (zh) * | 2020-06-22 | 2020-10-30 | 南通大学 | 一种婴儿吸吮远程评估和母乳喂养指导方法 |
| CN111863230B (zh) * | 2020-06-22 | 2024-01-02 | 南通大学 | 一种婴儿吸吮远程评估和母乳喂养指导方法 |
| WO2021189855A1 (zh) * | 2020-09-22 | 2021-09-30 | 平安科技（深圳）有限公司 | 基于ct序列的图像识别方法、装置、电子设备及介质 |
| US11494908B2 (en) | 2021-03-22 | 2022-11-08 | Shenzhen Keya Medical Technology Corporation | Medical image analysis using navigation processing |
| CN112686899B (zh) * | 2021-03-22 | 2021-06-18 | 深圳科亚医疗科技有限公司 | 医学图像分析方法和装置、计算机设备及存储介质 |
| CN112686899A (zh) * | 2021-03-22 | 2021-04-20 | 深圳科亚医疗科技有限公司 | 医学图像分析方法和装置、计算机设备及存储介质 |
| CN116798583A (zh) * | 2023-06-28 | 2023-09-22 | 华东师范大学 | 病理组织宏观信息采集分析系统及其分析方法 |
| CN117522872A (zh) * | 2024-01-04 | 2024-02-06 | 长峡数字能源科技(湖北)有限公司 | 一种光伏电站的实时异常检测方法及装置 |
| CN117522872B (zh) * | 2024-01-04 | 2024-03-22 | 长峡数字能源科技(湖北)有限公司 | 一种光伏电站的实时异常检测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106780475B (zh) | 2019-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106780475B (zh) | 一种基于病理组织切片图像组织区域的图像处理装置 | |
| CN112101451B (zh) | 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法 | |
| Dese et al. | Accurate machine-learning-based classification of leukemia from blood smear images | |
| CN109191457A (zh) | 一种病理图像质量有效性识别方法 | |
| Hortinela et al. | Identification of abnormal red blood cells and diagnosing specific types of anemia using image processing and support vector machine | |
| Tavakoli et al. | Automated microaneurysms detection in retinal images using radon transform and supervised learning: application to mass screening of diabetic retinopathy | |
| US20200065967A1 (en) | Computer system, method, and program for diagnosing subject | |
| CN103345633A (zh) | 一种用于阿尔兹海默病早期发现的结构性核磁共振影像处理方法 | |
| CN113576508A (zh) | 一种基于神经网络的脑出血辅助诊断系统 | |
| CN112579808A (zh) | 数据标注处理方法及装置、系统 | |
| Pellegrino et al. | Automated RBC morphology counting and grading using image processing and support vector machine | |
| KR20010017092A (ko) | 혈구세포의 형태 자동 분석 및 카운트 방법 | |
| Spandana et al. | Detection of Cancer in Human Blood Sample using Machine Learning | |
| WO2023198224A1 (zh) | 一种精神障碍类磁共振图像初步筛查模型构建方法 | |
| Hortinela IV et al. | Development of abnormal red blood cells classifier using image processing techniques with support vector machine | |
| CN117352164A (zh) | 基于人工智能的多模态肿瘤检测诊断平台及其处理方法 | |
| Vasconcelos et al. | A new risk assessment methodology for dermoscopic skin lesion images | |
| CN111667472A (zh) | 骨髓细胞形态学人工智能分析方法 | |
| Dafwen Toresa et al. | Automated Detection and Counting of Hard Exudates for Diabetic Retinopathy by using Watershed and Double Top-Bottom Hat Filtering Algorithm | |
| Bhardwaj et al. | Two-tier grading system for npdr severities of diabetic retinopathy in retinal fundus images | |
| CN114821176A (zh) | 一种儿童脑部mr图像病毒性脑炎分类系统 | |
| Eldin et al. | Automatic Detection of Diabetic Retinopathy using Neural Networks and Support Vector Machine | |
| Azeroual et al. | Convolutional Neural Network for Segmentation and Classification of Glaucoma. | |
| Arbab et al. | Automatic Detection and Classification of Acute Lymphoblastic Leukemia Using Convolution Neural Network | |
| Nugroho et al. | Image dermoscopy skin lesion classification using deep learning method: systematic literature review |
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 |