CN107330263A - 一种计算机辅助乳腺浸润性导管癌组织学分级的方法 - Google Patents
一种计算机辅助乳腺浸润性导管癌组织学分级的方法 Download PDFInfo
- Publication number
- CN107330263A CN107330263A CN201710491874.5A CN201710491874A CN107330263A CN 107330263 A CN107330263 A CN 107330263A CN 201710491874 A CN201710491874 A CN 201710491874A CN 107330263 A CN107330263 A CN 107330263A
- Authority
- CN
- China
- Prior art keywords
- image
- ductal carcinoma
- invasive ductal
- histological
- breast
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30068—Mammography; Breast
-
- 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
Abstract
本发明公开了一种计算机辅助乳腺浸润性导管癌组织学分级的方法：病理医师对乳腺癌组织学数字切片图像中的存在乳腺浸润性导管癌细胞的区域进行人工标注，对标注为乳腺浸润性导管癌的区域给出组织学分级评分；读入完成标注和组织学分级的数字化切片图像文件，将图像切割成小块图像，通过查询浸润性导管癌区域标注和组织学分级评分的信息，得到每个小块图像的标签信息，获得两大类样本集；利用CNN神经网络，建立多标签深度学习分类训练任务，让神经网络自动学习每一个小块图像中的图像特征，得到分类模型；利用该分类模型，对从乳腺癌组织学切片图像中提取出来的小块图像进行分类识别。
Description
技术领域
本发明涉及一种计算机辅助乳腺浸润性导管癌组织学分级的方法。
背景技术
女性乳腺是由皮肤、纤维组织、乳腺腺体和脂肪组成的，乳腺癌是发生在乳腺腺上皮组织的恶性肿瘤。乳腺癌中99％发生在女性，男性仅占1％，乳腺癌是女性排名第一的常见恶性肿瘤。
与其他大多数国家一样，乳腺癌是中国女性最常见的癌症。乳腺浸润性导管癌(IDC)，非特殊型(NST)是最常见的乳腺癌类型，起源于乳腺导管，癌细胞突破管壁后浸润到乳腺的间质和脂肪组织中，因此，IDC可以通过淋巴系统或血液扩散(转移)到身体其他部位。IDC在乳腺癌中占绝大多数，其流行病学特征与乳腺癌总体一致。同时在浸润性乳腺癌中，IDC占大约80％。
乳腺癌的病理诊断是将乳腺穿刺活检标本或手术标本，制作成病理切片，进行苏木素伊红染色(H&E染色)后，病理医师在显微镜下，放大200－400倍后，观察乳腺中细胞的形态及组织结构进行诊断。
根据诺丁汉评分系统(Nottingham Grading System)，乳腺浸润性导管癌病理组织学上分三级，一级分化最好，三级最差，乳腺浸润性导管癌的预后和病理分级有很大的关系，每一份确诊为乳腺浸润性导管癌的病理报告都需要向报告组织学分级。但乳腺浸润性导管癌的预后也不仅与病理学组织学分级有关，也与肿块大小，组织类型，有无腋窝淋巴结转移，免疫组化的结果均有关联。
目前病理医师在对乳腺浸润性导管癌的组织学分级是根据以下三个特征：
1、腺管形成。①＞75％为1分；②10％～75％为2分；③＜10％为3分。
2、细胞异形性。①细胞规则、形态一致为1分；②细胞形状、大小有中等度的变化为2分；③细胞的形状、大小有明显变化为3分。
3、核分裂数(×400)。①0～5/10HPF为1分(每10个高倍镜视野中有0－5个核分裂细胞)；②6～10/10HPF为2分；③＞11/10HPF为3分。
然后将三项的总分相加报告病理学分级。1级：3－5分；2级：6－7分；3级：8－9分。
由于诺丁汉评分系统中对于乳腺癌IDC组织学分级的标准中规定的三个特征，描述准确性较差，医生难以很好掌握，同时评分体系复杂，诊断耗时。因此造成在实际诊断工作中，年轻医师对标准掌握不够，主观性较强，对照标准主项诊断耗时过长，与高年资医师诊断符合率低。
针对这种情况，迫切需要一种基于图像分析的自动化分析工具来对数字病理学切片进行量化评估。这种量化的描述不仅能帮助临床诊断(如减少不同的观察者或者同一个观察者在不同时间段之间的诊断差异性)，而且能够帮助病理学家理解使用某种具体诊断方法的潜在原因。此外，还能帮助研究人员理解疾病产生的生物学机理。
随着数字病理学的发展，病理切片经过扫描转化为数字图像，进而可以采用计算机视觉技术辅助病理医生诊断。早期方法多采用数字图像处理技术，但鲁棒性较差，检测效果不佳。近年来，以深度学习(Deep Learning，DL)为代表的神经网络获得了突破性进展，利用卷积神经网络(Convolutional Neural Network，CNN)进行图像识别获得了广泛应用。
但是，目前业界主流的乳腺浸润性导管癌组织学分级做法是根据诺丁汉评分系统，分别对腺管形成的程度、细胞核的多形性和核分裂计数这三个指标进行分别图像标注、分类模型训练和检测识别，这种方式虽然模仿了医生的诊断方法，但是由于每一个指标的检测识别都存在不低的错误率，因此目前还无法到达临床检测的准确率要求。同时，这种方式会大量消耗运算资源。
发明内容
本发明的目的在于针对现有技术中存在的不足，提供一种计算机辅助乳腺浸润性导管癌组织学分级的方法。
为实现上述目的，本发明解决其技术问题所采用的技术方案是：
一种计算机辅助乳腺浸润性导管癌组织学分级的方法，包括如下步骤：
A、病理医师对乳腺癌组织学数字切片图像中的存在乳腺浸润性导管癌细胞的区域进行人工标注；
B、病理医师根据诺丁汉组织学分级系统对标注为乳腺浸润性导管癌的区域给出组织学分级评分；
C、计算机读入完成标注和组织学分级的数字化切片图像文件，将图像切割成小块图像，通过查询浸润性导管癌区域标注和组织学分级评分的信息，得到每个小块图像的标签信息，获得两大类样本集，即：a.含浸润性导管癌细胞的样本集；b.不含浸润性导管癌细胞的样本集；
D、利用CNN神经网络，建立多标签深度学习分类训练任务，让神经网络自动学习每一个小块图像中的图像特征，得到基于CNN神经网络的分类模型；
E、利用该CNN神经网络的分类模型，对从乳腺癌组织学切片图像中提取出来的小块图像进行分类识别，识别结果可以给予每一个小块图像标签信息。
作为优选，所述步骤E中，还包括将标签信息可视化处理。
作为优选，所述步骤C中，小块图像为固定尺寸。
作为优选，所述标签信息包括:是否包含浸润性导管癌细胞及组织学分级评分。
作为优选，所述步骤D中，图像特征包括含浸润性导管癌细胞的图像特征、不含浸润性导管癌细胞的图像特征、不含组织学分级评分(或评分为0)、组织学分级评分为1的图像特征、组织学分级评分为2的图像特征、组织学分级评分为3的图像特征。
本发明利用最新的计算机CNN的深度学习功能，对总体图像特征进行自动学习和提取，而不是利用计算机逐条分析诺丁汉评分系统中的图像特征并进行打分和汇总来进行组织学分级，节约了运算资源。
本发明的有益效果在于：
本发明提出一种结合专业医生经验和卷积神经网络自动提取图像特征的能力在乳腺癌组织学数字切片图像进行浸润性导管癌的识别和组织学分级的方法。专业的病理医生结合自身经验及病人其它相关检查结果(影像学、免疫组化、基因检测等)在病人的乳腺癌组织学数字切片图像上标注出浸润性导管癌的区域及组织学分级。再利用卷积神经网络对医生标注完成的图像进行自动分类特征提取和分类训练，最终利用训练完成的分类模型实现对乳腺癌组织学数字切片中的浸润性导管癌的自动识别和组织学分级。这种方法充分的利用了医生的整体分析能力及卷积神经网络的自动特征提取能力，避免了分别去研究三种组织学分级指标带来的错误率叠加，提升了检测识别的准确率。本发明的检测识别准确率可达到90％以上，取得了预料不到的技术效果。
附图说明
图1是本发明训练方法流程示意图。
图2是本发明分类识别流程示意图。
具体实施方式
本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。
实施例1：一种计算机辅助乳腺浸润性导管癌组织学分级的方法，包括如下步骤：
A、病理医师对乳腺癌组织学数字切片图像中的存在乳腺浸润性导管癌细胞的区域进行人工标注；
B、病理医师根据诺丁汉组织学分级系统对标注为乳腺浸润性导管癌的区域给出组织学分级评分；
C、计算机读入完成标注和组织学分级的数字化切片图像文件，将图像切割成小块图像，通过查询浸润性导管癌区域标注和组织学分级评分的信息，得到每个小块图像的标签信息，标签信息包括是否包含浸润性导管癌细胞及组织学分级评分，获得两大类样本集，即：a.含浸润性导管癌细胞的样本集；b.不含浸润性导管癌细胞的样本集；
D、利用CNN神经网络，建立多标签深度学习分类训练任务，让神经网络自动学习每一个小块图像中的图像特征，图像特征包括含浸润性导管癌细胞的图像特征、不含浸润性导管癌细胞的图像特征、组织学分级评分为0的图像特征、组织学分级评分为1的图像特征、组织学分级评分为2的图像特征、组织学分级评分为3的图像特征，得到基于CNN神经网络的分类模型；
E、利用该CNN神经网络的分类模型，对从乳腺癌组织学切片图像中提取出来的小块图像进行分类识别，识别结果可以给予每一个小块图像标签信息。
实施例2：一种计算机辅助乳腺浸润性导管癌组织学分级的方法，包括如下步骤：
A、病理医师对乳腺癌组织学数字切片图像中的存在乳腺浸润性导管癌细胞的区域进行人工标注；
B、病理医师根据诺丁汉组织学分级系统对标注为乳腺浸润性导管癌的区域给出组织学分级评分；
C、计算机读入完成标注和组织学分级的数字化切片图像文件，将图像切割成固定尺寸小块图像，通过查询浸润性导管癌区域标注和组织学分级评分的信息，得到每个小块图像的标签信息，获得两大类样本集，即：a.含浸润性导管癌细胞的样本集；b.不含浸润性导管癌细胞的样本集；
D、利用CNN神经网络，建立多标签深度学习分类训练任务，让神经网络自动学习每一个小块图像中的图像特征，得到基于CNN神经网络的分类模型；
E、利用该CNN神经网络的分类模型，对从乳腺癌组织学切片图像中提取出来的小块图像进行分类识别，识别结果可以给予每一个小块图像标签信息，并将标签信息可视化处理。
实施例3：一种计算机辅助乳腺浸润性导管癌组织学分级的方法，包括如下步骤：
1)病理医师选取乳腺癌数字化切片(Whole Slide Image，WSI)中含有浸润性导管癌的区域进行人工标注并根据诺丁汉组织学分级系统给予组织学分级；
2)将图像切割成小块(patch)，如：每个patch的尺寸为256x256像素，通过查询病理医师标注文件中的信息，得到该patch中是否包含有浸润性导管癌和组织学分级的信息，从而得到每个小块图像的标签信息，获得两大类样本集，即：a.含浸润性导管癌细胞的样本集，b.不含浸润性导管癌细胞的样本集；
3)在含浸润性导管癌细胞的样本集中，每个小块图像的组织学分级标签分别为1、2、3；而在不含浸润性导管癌细胞的样本集中，每个小块图像的组织学分级标签都为0；
4)将获得的两类样本集随机旋转90°，180°，270°，并做镜像操作，以及增加色彩噪音进行数据增强；
5)分别在两类样本集中选出60％作为训练样本，20％作为验证样本，20％作为测试样本，启动CNN神经网络(如：googLeNet)，开始训练，让网络自动学习浸润性导管癌及不同组织学分级图像的特征，建立识别模型；
6)训练结束后，获取测试样本(金标准)的识别准确率，以此作为该方法的评价指标，评价该方法的组织学分级的有效性。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。
Claims (6)
1.一种计算机辅助乳腺浸润性导管癌组织学分级的方法，其特征在于，包括如下步骤：
A、病理医师对乳腺癌组织学数字切片图像中存在乳腺浸润性导管癌细胞的区域进行人工标注；
B、病理医师根据诺丁汉组织学分级系统对标注为乳腺浸润性导管癌的区域给出组织学分级评分；
C、计算机读入完成标注和组织学分级的数字化切片图像文件，将图像切割成小块图像，通过查询浸润性导管癌区域标注和组织学分级评分的信息，得到每个小块图像的标签信息，获得两大类样本集，即：a.含浸润性导管癌细胞的样本集，b.不含浸润性导管癌细胞的样本集；
D、利用CNN神经网络，建立多标签深度学习分类训练任务，让神经网络自动学习每一个小块图像中的图像特征，得到基于CNN神经网络的分类模型；
E、利用该CNN神经网络的分类模型，对从乳腺癌组织学切片图像中提取出来的小块图像进行分类识别，识别结果可以给予每一个小块图像标签信息。
2.根据权利要求1所述的一种计算机辅助乳腺浸润性导管癌组织学分级的方法，其特征在于：所述步骤E中，还包括将标签信息可视化处理。
3.根据权利要求1所述的一种计算机辅助乳腺浸润性导管癌组织学分级的方法，其特征在于：所述步骤C中，小块图像为固定尺寸。
4.根据权利要求1所述的一种计算机辅助乳腺浸润性导管癌组织学分级的方法，其特征在于：所述标签信息包括:是否包含浸润性导管癌细胞及组织学分级评分。
5.根据权利要求1所述的一种计算机辅助乳腺浸润性导管癌组织学分级的方法，其特征在于：所述步骤D中，图像特征包括含浸润性导管癌细胞的图像特征、不含浸润性导管癌细胞的图像特征、不含组织学分级评分或评分为0的图像特征、组织学分级评分为1的图像特征、组织学分级评分为2的图像特征、组织学分级评分为3的图像特征。
6.根据权利要求1所述的一种计算机辅助乳腺浸润性导管癌组织学分级的方法，其特征在于：所述步骤C中，将获得的两类样本集随机旋转90°，180°，270°，并做镜像操作，以及增加色彩噪音进行数据增强。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710491874.5A CN107330263B (zh) | 2017-06-26 | 2017-06-26 | 一种计算机辅助乳腺浸润性导管癌组织学分级的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710491874.5A CN107330263B (zh) | 2017-06-26 | 2017-06-26 | 一种计算机辅助乳腺浸润性导管癌组织学分级的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107330263A true CN107330263A (zh) | 2017-11-07 |
| CN107330263B CN107330263B (zh) | 2020-07-28 |
Family
ID=60194798
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710491874.5A Expired - Fee Related CN107330263B (zh) | 2017-06-26 | 2017-06-26 | 一种计算机辅助乳腺浸润性导管癌组织学分级的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107330263B (zh) |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108053407A (zh) * | 2017-12-22 | 2018-05-18 | 联想(北京)有限公司 | 数据处理方法及数据处理系统 |
| CN108305249A (zh) * | 2018-01-24 | 2018-07-20 | 福建师范大学 | 基于深度学习的全尺度病理切片的快速诊断和评分方法 |
| CN108898160A (zh) * | 2018-06-01 | 2018-11-27 | 中国人民解放军战略支援部队信息工程大学 | 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 |
| CN109461147A (zh) * | 2018-10-26 | 2019-03-12 | 广州金域医学检验中心有限公司 | 应用于移动终端的fov图片的病理标注方法及装置 |
| CN109522968A (zh) * | 2018-11-29 | 2019-03-26 | 济南浪潮高新科技投资发展有限公司 | 一种基于串行双任务网络的病灶区检测方法及系统 |
| CN109657714A (zh) * | 2018-12-11 | 2019-04-19 | 深圳先进技术研究院 | 数据处理方法、装置及电子设备 |
| CN109993740A (zh) * | 2019-04-02 | 2019-07-09 | 广州中医药大学(广州中医药研究院) | 一种细胞癌图像分级方法及装置 |
| CN110111344A (zh) * | 2019-05-13 | 2019-08-09 | 广州锟元方青医疗科技有限公司 | 病理切片图像分级方法、装置、计算机设备和存储介质 |
| CN110111895A (zh) * | 2019-05-15 | 2019-08-09 | 天津医科大学肿瘤医院 | 一种鼻咽癌远端转移预测模型的建立方法 |
| CN110580699A (zh) * | 2019-05-15 | 2019-12-17 | 徐州医科大学 | 基于改进Faster RCNN算法的病理图像细胞核检测方法 |
| CN111542830A (zh) * | 2017-12-29 | 2020-08-14 | 徕卡生物系统成像股份有限公司 | 利用卷积神经网络处理组织学图像以识别肿瘤 |
| CN111986148A (zh) * | 2020-07-15 | 2020-11-24 | 万达信息股份有限公司 | 一种前列腺数字病理图像的快速Gleason评分系统 |
| CN112268732A (zh) * | 2020-11-02 | 2021-01-26 | 河南省肿瘤医院 | 一种乳腺导管原位癌的辅助检测系统 |
| WO2021164320A1 (zh) * | 2020-02-21 | 2021-08-26 | 腾讯科技（深圳）有限公司 | 基于计算机视觉的导管特征获取方法、装置和智能显微镜 |
| WO2021174739A1 (zh) * | 2020-03-05 | 2021-09-10 | 上海商汤智能科技有限公司 | 神经网络训练方法及装置、电子设备和存储介质 |
| WO2021179484A1 (zh) * | 2020-03-09 | 2021-09-16 | 平安科技（深圳）有限公司 | 多标签多示例的图像检测方法、装置、设备及存储介质 |
| CN114305328A (zh) * | 2021-11-19 | 2022-04-12 | 万贝医疗健康科技(上海)有限公司 | 基于可视化技术的肠胃癌细胞术后康复监测设备 |
| CN114898866A (zh) * | 2022-05-24 | 2022-08-12 | 广州锟元方青医疗科技有限公司 | 一种甲状腺细胞辅助诊断方法、设备和存储介质 |
| CN115222997A (zh) * | 2022-09-15 | 2022-10-21 | 中山大学附属第一医院 | 一种基于深度学习的睾丸图像分类方法 |
| WO2024011400A1 (zh) * | 2022-07-12 | 2024-01-18 | 福州迈新生物技术开发有限公司 | 生成用于计算浸润性乳腺癌细胞Ki-67计数的训练数据的方法、存储设备和试剂盒 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060024722A1 (en) * | 2004-07-30 | 2006-02-02 | Mark Fischer-Colbrie | Samples for detection of oncofetal fibronectin and uses thereof |
| US20080319324A1 (en) * | 2007-02-14 | 2008-12-25 | Chemimage Corporation | Distinguishing between invasive ductal carcinoma and invasive lobular carcinoma using raman molecular imaging |
| CN101360453A (zh) * | 2005-11-23 | 2009-02-04 | 美的派特恩公司 | 医学图像的计算机辅助定性定量分析的方法和系统 |
| CN105654490A (zh) * | 2015-12-31 | 2016-06-08 | 中国科学院深圳先进技术研究院 | 一种基于超声弹性图像的病变区域提取方法及装置 |
| CN106339591A (zh) * | 2016-08-25 | 2017-01-18 | 汤平 | 一种基于深度卷积神经网络的预防乳腺癌自助健康云服务系统 |
-
2017
- 2017-06-26 CN CN201710491874.5A patent/CN107330263B/zh not_active Expired - Fee Related
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060024722A1 (en) * | 2004-07-30 | 2006-02-02 | Mark Fischer-Colbrie | Samples for detection of oncofetal fibronectin and uses thereof |
| CN101360453A (zh) * | 2005-11-23 | 2009-02-04 | 美的派特恩公司 | 医学图像的计算机辅助定性定量分析的方法和系统 |
| US20080319324A1 (en) * | 2007-02-14 | 2008-12-25 | Chemimage Corporation | Distinguishing between invasive ductal carcinoma and invasive lobular carcinoma using raman molecular imaging |
| WO2009035946A1 (en) * | 2007-09-13 | 2009-03-19 | Chemimage Corporation | Distinguishing between invasive ductal carcinoma and invasive lobular carcinoma using raman molecular imaging |
| CN105654490A (zh) * | 2015-12-31 | 2016-06-08 | 中国科学院深圳先进技术研究院 | 一种基于超声弹性图像的病变区域提取方法及装置 |
| CN106339591A (zh) * | 2016-08-25 | 2017-01-18 | 汤平 | 一种基于深度卷积神经网络的预防乳腺癌自助健康云服务系统 |
Cited By (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108053407A (zh) * | 2017-12-22 | 2018-05-18 | 联想(北京)有限公司 | 数据处理方法及数据处理系统 |
| CN108053407B (zh) * | 2017-12-22 | 2021-04-13 | 联想(北京)有限公司 | 数据处理方法及数据处理系统 |
| CN111542830A (zh) * | 2017-12-29 | 2020-08-14 | 徕卡生物系统成像股份有限公司 | 利用卷积神经网络处理组织学图像以识别肿瘤 |
| CN108305249A (zh) * | 2018-01-24 | 2018-07-20 | 福建师范大学 | 基于深度学习的全尺度病理切片的快速诊断和评分方法 |
| CN108305249B (zh) * | 2018-01-24 | 2022-05-24 | 福建师范大学 | 基于深度学习的全尺度病理切片的快速诊断和评分方法 |
| CN108898160A (zh) * | 2018-06-01 | 2018-11-27 | 中国人民解放军战略支援部队信息工程大学 | 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 |
| CN108898160B (zh) * | 2018-06-01 | 2022-04-08 | 中国人民解放军战略支援部队信息工程大学 | 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 |
| CN109461147A (zh) * | 2018-10-26 | 2019-03-12 | 广州金域医学检验中心有限公司 | 应用于移动终端的fov图片的病理标注方法及装置 |
| CN109522968A (zh) * | 2018-11-29 | 2019-03-26 | 济南浪潮高新科技投资发展有限公司 | 一种基于串行双任务网络的病灶区检测方法及系统 |
| CN109657714A (zh) * | 2018-12-11 | 2019-04-19 | 深圳先进技术研究院 | 数据处理方法、装置及电子设备 |
| CN109993740A (zh) * | 2019-04-02 | 2019-07-09 | 广州中医药大学(广州中医药研究院) | 一种细胞癌图像分级方法及装置 |
| CN110111344A (zh) * | 2019-05-13 | 2019-08-09 | 广州锟元方青医疗科技有限公司 | 病理切片图像分级方法、装置、计算机设备和存储介质 |
| CN110580699A (zh) * | 2019-05-15 | 2019-12-17 | 徐州医科大学 | 基于改进Faster RCNN算法的病理图像细胞核检测方法 |
| CN110111895A (zh) * | 2019-05-15 | 2019-08-09 | 天津医科大学肿瘤医院 | 一种鼻咽癌远端转移预测模型的建立方法 |
| WO2021164320A1 (zh) * | 2020-02-21 | 2021-08-26 | 腾讯科技（深圳）有限公司 | 基于计算机视觉的导管特征获取方法、装置和智能显微镜 |
| WO2021174739A1 (zh) * | 2020-03-05 | 2021-09-10 | 上海商汤智能科技有限公司 | 神经网络训练方法及装置、电子设备和存储介质 |
| WO2021179484A1 (zh) * | 2020-03-09 | 2021-09-16 | 平安科技（深圳）有限公司 | 多标签多示例的图像检测方法、装置、设备及存储介质 |
| CN111986148A (zh) * | 2020-07-15 | 2020-11-24 | 万达信息股份有限公司 | 一种前列腺数字病理图像的快速Gleason评分系统 |
| CN111986148B (zh) * | 2020-07-15 | 2024-03-08 | 万达信息股份有限公司 | 一种前列腺数字病理图像的快速Gleason评分系统 |
| CN112268732B (zh) * | 2020-11-02 | 2021-08-06 | 河南省肿瘤医院 | 一种乳腺导管原位癌的辅助检测系统 |
| CN112268732A (zh) * | 2020-11-02 | 2021-01-26 | 河南省肿瘤医院 | 一种乳腺导管原位癌的辅助检测系统 |
| CN114305328A (zh) * | 2021-11-19 | 2022-04-12 | 万贝医疗健康科技(上海)有限公司 | 基于可视化技术的肠胃癌细胞术后康复监测设备 |
| CN114898866A (zh) * | 2022-05-24 | 2022-08-12 | 广州锟元方青医疗科技有限公司 | 一种甲状腺细胞辅助诊断方法、设备和存储介质 |
| CN114898866B (zh) * | 2022-05-24 | 2024-03-15 | 广州锟元方青医疗科技有限公司 | 一种甲状腺细胞辅助诊断方法、设备和存储介质 |
| WO2024011400A1 (zh) * | 2022-07-12 | 2024-01-18 | 福州迈新生物技术开发有限公司 | 生成用于计算浸润性乳腺癌细胞Ki-67计数的训练数据的方法、存储设备和试剂盒 |
| CN115222997A (zh) * | 2022-09-15 | 2022-10-21 | 中山大学附属第一医院 | 一种基于深度学习的睾丸图像分类方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107330263B (zh) | 2020-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107330263A (zh) | 一种计算机辅助乳腺浸润性导管癌组织学分级的方法 | |
| CN106056595B (zh) | 基于深度卷积神经网络自动识别甲状腺结节良恶性的辅助诊断系统 | |
| CN108464840B (zh) | 一种乳腺肿块自动检测方法及系统 | |
| CN108898595B (zh) | 一种胸部图像中病灶区域的定位模型的构建方法及应用 | |
| CN108717554A (zh) | 一种甲状腺肿瘤病理组织切片图像分类方法及其装置 | |
| CN108257135A (zh) | 基于深度学习方法解读医学图像特征的辅助诊断系统 | |
| CN111243042A (zh) | 基于深度学习的超声甲状腺结节良恶性特征可视化的方法 | |
| CN109858540B (zh) | 一种基于多模态融合的医学图像识别系统及方法 | |
| CN109741346A (zh) | 感兴趣区域提取方法、装置、设备及存储介质 | |
| CN108694718A (zh) | 直肠癌术前同期新辅助放化疗疗效评估系统和方法 | |
| CN107103601B (zh) | 一种乳腺癌评分系统中的细胞有丝分裂检测方法 | |
| CN110335668A (zh) | 基于深度学习的甲状腺癌细胞病理图辅助分析方法及系统 | |
| CN112884724B (zh) | 一种用于肺癌组织病理分型的智能判断方法及系统 | |
| CN112263217B (zh) | 一种基于改进卷积神经网络的非黑素瘤皮肤癌病理图像病变区域检测方法 | |
| CN112086197A (zh) | 基于超声医学的乳腺结节检测方法及系统 | |
| CN109785310A (zh) | 一种基于乳腺淋巴结全景图像计算的自动分期系统 | |
| CN112215799A (zh) | 一种磨玻璃肺结节自动分类方法及系统 | |
| CN111340128A (zh) | 一种肺癌转移性淋巴结病理图像识别系统及方法 | |
| CN116363647A (zh) | 基于深度语义分割网络的肺癌病理组织分型系统 | |
| CN113855079A (zh) | 基于乳腺超声影像的实时检测和乳腺疾病辅助分析方法 | |
| CN112508884A (zh) | 一种癌变区域综合检测装置及方法 | |
| CN112200810B (zh) | 多模态的自动化脑室分割系统及其使用方法 | |
| CN113539476A (zh) | 基于人工智能的胃内窥活检拉曼图像辅助诊断方法和系统 | |
| CN112116559A (zh) | 一种基于深度学习的数字病理图像智能分析方法 | |
| CN111554381A (zh) | 一种基于深度学习的肾透明细胞癌人工智能病理诊断方法及其诊断模型 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200728 Termination date: 20210626 |