CN108154509A - 癌症识别方法、装置及存储介质 - Google Patents
癌症识别方法、装置及存储介质 Download PDFInfo
- Publication number
- CN108154509A CN108154509A CN201810030195.2A CN201810030195A CN108154509A CN 108154509 A CN108154509 A CN 108154509A CN 201810030195 A CN201810030195 A CN 201810030195A CN 108154509 A CN108154509 A CN 108154509A
- Authority
- CN
- China
- Prior art keywords
- cancer
- pathological section
- canceration
- preset
- samples pictures
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种癌症识别方法、装置及存储介质,该方法包括:接收待癌症识别的病理切片图片;根据待识别的癌症类型与预设类型模型的映射关系,确定该病理切片图片对应的预设类型模型;利用确定的预设类型模型对该病理切片图片进行识别,生成识别结果。本发明通过对病理切片图片中癌变区域图块的识别,判断该图片对应的患者是否有癌症,提高癌症检测的效率。
Description
技术领域
本发明涉及图片识别技术领域,尤其涉及一种癌症识别方法、装置及计算机可读存储介质。
背景技术
癌症是当今医学上难以治愈的几种疾病之一。根据数据统计,中国每年新发病例约为220万,因癌症死亡的人数约为160万。癌症的临床表现因其所在的部位和癌变阶段的不同而不同,癌症早期多无明显症状,当癌症患者出现特异性症状时,癌症往往已经属于晚期了。因此,如何准确且迅速的发现身体部位癌变,已经成为医疗界最重要的课题之一。
目前,常用的癌症识别方法是通过人工对病理切片进行检测。一般而言,患者只有怀疑患有癌症的情况下,才会花费金钱和时间做病理切片的人工病理检测,而且,人工病理检测通常需要花费数天时间,这在一定程度上大幅提高了癌症的不可治愈性,严重危及了患者的生命。
发明内容
鉴于以上内容,本发明提供一种癌症识别方法、装置及计算机可读存储介质,其主要目的在于利用大数据与人工智能检测技术对病理切片图片进行快速检测,提高癌症识别效率。
为实现上述目的,本发明提供一种癌症识别方法,该方法包括:
接收步骤:接收待癌症识别的病理切片图片;
确定步骤:根据待识别的癌症类型与预设类型模型的映射关系,确定该病理切片图片对应的预设类型模型;
识别步骤:利用确定的预设类型模型对该病理切片图片进行识别,生成识别结果。
优选地,所述预设类型模型包括以下训练步骤:
A1、获取第一预设数量、预设格式的某种癌症的病理切片样本图片;
A2、在每个病理切片样本图片上标注癌变标记点,癌变标记点形成癌变形状曲线,并标注病理切片样本图片对应的癌症和癌变阶段;
A3、根据各个病理切片样本图片上的癌变形状曲线,按照预设的癌变区域确定规则分别识别出各个病理切片样本图片对应的一个或多个癌变区域图块;
A4、将所有病理切片样本图片对应的癌变区域图块分为第一预设比例的训练集和第二预设比例的验证集;
A5、利用训练集中的癌变区域图块进行模型训练,生成所述预设类型模型,并利用验证集中的癌变区域图块对生成的所述预设类型模型进行验证;
A6、若验证通过率大于或等于预设阈值,则训练完成,若验证通过率小于预设阈值,则增加第二预设数量的样本图片,流程返回步骤A3。
优选地,所述预设的癌变区域确定规则包括:
针对一个病理切片样本图片,逐一选择该病理切片样本图片上癌变形状曲线;
选择一个癌变形状曲线后,确定该癌变形状曲线上所有癌变标记点的最大横坐标、最小横坐标、最大纵坐标、最小纵坐标,将确定的最大横坐标作为一个矩形框的第一条边的横坐标,将确定的最小横坐标作为该矩形框的第二条边的横坐标,将确定的最大纵坐标作为该矩形框的第三条边的纵坐标,将确定的最小纵坐标作为该矩形框的第四条边的纵坐标,该矩形框的位置由所述第一条边、第二条边、第三条边及第四条边相交的四个顶点确定,该矩形框围成的图片区域即为癌变区域图块。
优选地,所述预设类型模型为卷积神经网络模型,该卷积神经网络模型主网络结构包括第一特征网络、第二特征网络的子网络结构,所述病理切片样本图片分别经过所述第一特征网络、第二特征网络提取特征并进行特征拼接后,再输入主网络结构中参与训练。
优选地,该方法还包括:
若生成的识别结果确定为癌症,则判断该癌症的癌变阶段,并输出与该癌变阶段相对应的预设格式的提示信息。
此外,本发明还提供一种电子装置,该电子装置包括:存储器、处理器,所述存储器上存储癌症识别程序,所述癌症识别程序被所述处理器执行,可实现如下步骤:
接收步骤:接收待癌症识别的病理切片图片;
确定步骤:根据待识别的癌症类型与预设类型模型的映射关系,确定该病理切片图片对应的预设类型模型;
识别步骤:利用确定的预设类型模型对该病理切片图片进行识别,生成识别结果。
优选地,所述预设类型模型包括以下训练步骤:
A1、获取第一预设数量、预设格式的某种癌症的病理切片样本图片;
A2、在每个病理切片样本图片上标注癌变标记点,癌变标记点形成癌变形状曲线,并标注病理切片样本图片对应的癌症和癌变阶段;
A3、根据各个病理切片样本图片上的癌变形状曲线,按照预设的癌变区域确定规则分别识别出各个病理切片样本图片对应的一个或多个癌变区域图块;
A4、将所有病理切片样本图片对应的癌变区域图块分为第一预设比例的训练集和第二预设比例的验证集;
A5、利用训练集中的癌变区域图块进行模型训练,生成所述预设类型模型,并利用验证集中的癌变区域图块对生成的所述预设类型模型进行验证;
A6、若验证通过率大于或等于预设阈值,则训练完成,若验证通过率小于预设阈值,则增加第二预设数量的样本图片,流程返回步骤A3。
优选地,所述预设的癌变区域确定规则包括:
针对一个病理切片样本图片,逐一选择该病理切片样本图片上癌变形状曲线;
选择一个癌变形状曲线后,确定该癌变形状曲线上所有癌变标记点的最大横坐标、最小横坐标、最大纵坐标、最小纵坐标,将确定的最大横坐标作为一个矩形框的第一条边的横坐标,将确定的最小横坐标作为该矩形框的第二条边的横坐标,将确定的最大纵坐标作为该矩形框的第三条边的纵坐标,将确定的最小纵坐标作为该矩形框的第四条边的纵坐标,该矩形框的位置由所述第一条边、第二条边、第三条边及第四条边相交的四个顶点确定,该矩形框围成的图片区域即为癌变区域图块。
优选地,所述预设类型模型为卷积神经网络模型,该卷积神经网络模型主网络结构包括第一特征网络、第二特征网络的子网络结构,所述病理切片样本图片分别经过所述第一特征网络、第二特征网络提取特征并进行特征拼接后,再输入主网络结构中参与训练。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中包括癌症识别程序,所述癌症识别程序被处理器执行时,可实现如上所述癌症识别方法中的任意步骤。
本发明提出的癌症识别方法、电子装置及计算机可读存储介质,通过接收待癌症识别的病理切片图片,根据待识别的癌症类型与预设类型模型的映射关系,将该病理切片图片输入对应的预设类型模型进行识别,快速判断出该图片对应的患者是否有癌症及癌症癌变阶段,提高癌症检测的速率,增大癌症治疗成功率。
附图说明
图1为本发明电子装置较佳实施例的示意图;
图2为图1中癌症识别程序较佳实施例的模块示意图;
图3为本发明癌症识别方法较佳实施例的流程图;
图4为本发明预设类型模型训练的流程图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,是本发明电子装置1较佳实施例的示意图。
在本实施例中,电子装置1可以是服务器、智能手机、平板电脑、个人电脑、便携计算机以及其他具有运算功能的电子设备。
该电子装置1包括:存储器11、处理器12、网络接口13及通信总线14。其中,网络接口13可选地可以包括标准的有线接口、无线接口(如WI-FI接口)。通信总线14用于实现这些组件之间的连接通信。
存储器11至少包括一种类型的可读存储介质。所述至少一种类型的可读存储介质可为如闪存、硬盘、多媒体卡、卡型存储器等的非易失性存储介质。在一些实施例中,所述存储器11可以是所述电子装置1的内部存储单元,例如该电子装置1的硬盘。在另一些实施例中,所述存储器11也可以是所述电子装置1的外部存储单元,例如所述电子装置1上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
在本实施例中,所述存储器11不仅可以用于存储安装于所述电子装置1的应用软件及各类数据,例如癌症识别程序10、待识别的病理切片图片和模型训练的病理切片图片,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU),微处理器或其它数据处理芯片,用于运行存储器11中存储的程序代码或处理数据,例如执行癌症识别程序10的计算机程序代码和预设类型模型的训练等。
优选地,该电子装置1还可以包括显示器,显示器可以称为显示屏或显示单元。在一些实施例中显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-Emitting Diode,OLED)触摸器等。显示器用于显示在电子装置1中处理的信息以及用于显示可视化的工作界面。
优选地,该电子装置1还可以包括用户接口,用户接口可以包括输入单元比如键盘(Keyboard)、语音输出装置比如音响、耳机等,可选地用户接口还可以包括标准的有线接口、无线接口。
在图1所示的装置实施例中,作为一种计算机存储介质的存储器11中存储癌症识别程序10的程序代码,处理器12执行癌症识别程序10的程序代码时,实现如下步骤:
接收步骤:接收待癌症识别的病理切片图片;
确定步骤:根据待识别的癌症类型与预设类型模型的映射关系,确定该病理切片图片对应的预设类型模型;
识别步骤:利用确定的预设类型模型对该病理切片图片进行识别,生成识别结果。
本实施例中,当需要检测某位患者是否患有癌症时,接收该患者做病理切片的图片。其中,所述病理切片图片是通过取患者一定大小细胞组织,用病理组织学方法染色制成病理切片,并在显微镜下拍摄得到的。根据癌变部位、性质的不同,癌变组织的获取规范不同。例如,当我们需要检测某患者是否患有胃癌时,对患者胃部组织进行切片、脱水、染色,从而得到显微镜下该患者的胃部病理切片的照片。其中常见的染色法是苏木素-伊红染色法,即H.E染色法,苏木素将细胞核中的染色质染成蓝色,伊红将细胞的胞质和核仁染成红色。
根据待识别的癌症类型与预设类型模型的映射关系,确定该病理切片图片对应的预设类型模型。例如,当我们需要检测患者是否患有胃癌时,根据胃癌与预设类型模型的关系,确定该患者的病理切片图片对应的预设类型模型是胃癌识别模型。其中,所述预设类型模型指各种训练好的癌症识别模型,每个癌症识别模型与每种癌症形成一一对应的映射关系。例如,肺癌识别模型用于识别肺部组织是否患有癌症;肝癌识别模型用于识别肝部组织是否患有癌症。
在确定该病理切片图片的预设类型模型之后,利用确定的预设类型模型对该病理切片图片进行识别,生成识别结果。其中,所述识别结果包括非癌症和癌症。当识别结果为非癌症时,说明该病理切片图片对应的患者没有患癌症,继续接收下一张病理切片图片进行识别。当识别结果确定为癌症时,说明该病理切片图片对应的患者患有癌症,输出预设格式的提示信息。例如,利用胃癌识别模型对患者胃部组织的病理切片图片进行识别,识别结果确定为癌症,输出提示信息:“图片***的患者有胃癌,建议尽快制定有效的治疗方案”。
在另一个实施例中,还可以利用预设类型模型对病理切片图片进行识别,对识别结果确定为癌症的病理切片进一步判断,确定癌症的癌变阶段。若癌变阶段为第一阶段,则输出第一预设格式的提示信息;若癌变阶段为第二阶段,则输出第二预设格式的提示信息;若癌变阶段为第三阶段,则输出第三预设格式的提示信息。例如,判断癌症的癌变阶段,当癌变阶段为第一阶段时,输出提示信息:“图片***的患者为***癌早期,建议通过检验手段尽快确认病情,并尽早制定有效的治疗方案”;当癌变阶段为第二阶段时,输出提示信息:“图片***的患者为***癌中期,建议尽快制定有效的治疗方案”;当癌变阶段为第三阶段时,输出提示信息:“图片***的患者为***癌晚期,建议开通绿色医疗通道,并紧急制定有效的治疗方案”。
在本发明中,所述预设类型模型为深度卷积神经网络模型,该深度卷积神经网络模型的结构如表1所示。该深度卷积神经网络模型的结构是在主神经网络中嵌入两个子网络(第一特征网络和第二特征网络),第一特征网络的网络结构如表2所示,第二特征网络的网络结构如表3所示,所述病理切片图片分别经过第一特征网络、第二特征网络提取特征并进行特征拼接后,再输入到主网络中参与训练。
表1:该深度卷积神经网络模型主网络结构
表2:第一特征网络的网络结构
Layer Name | Batch Size | Kernel Size | Stride Size | Pad Size | Filter Size |
Input | 16 | N/A | N/A | N/A | N/A |
Flatten | 16 | N/A | N/A | N/A | N/A |
Fc1 | 16 | N/A | N/A | N/A | 4096 |
Fc2 | 16 | N/A | N/A | N/A | 4096 |
Fc3 | 16 | N/A | N/A | N/A | 512 |
表3:第二特征网络的网络结构
Layer Name | Batch Size | Kernel Size | Stride Size | Pad Size | Filter Size |
Input | 16 | N/A | N/A | N/A | N/A |
MeanStdPool | 16 | N/A | N/A | N/A | N/A |
Fc1 | 16 | N/A | N/A | N/A | 4096 |
Fc2 | 16 | N/A | N/A | N/A | 4096 |
Fc3 | 16 | N/A | N/A | N/A | 512 |
其中,Layer Name列表示每一层的名称,Input表示输入层,Conv表示卷积层,Conv1表示模型的第1个卷积层,MaxPool表示最大值池化层,MaxPool1表示模型的第1个最大值池化层,Fc表示全连接层,Fc1表示模型中第1个全连接层,Softmax表示Softmax分类器;Batch Size表示当前层的输入图像数目;Kernel Size表示当前层卷积核的尺度(例如,Kernel Size可以等于3,表示卷积核的尺度为3*3);Stride Size表示卷积核的移动步长,即做完一次卷积之后移动到下一个卷积位置的距离;Pad Size表示对当前网络层之中的图像填充的大小;filter Size表示该层在卷积或者全连操作后,输出的特征数量;Flatten层表示把输入的多维数据拉伸成一维向量;MeanStdPool表示这是一个均值方差池化层,即把输入数据的均值和方差计算出来,然后两者首尾相接成一维向量;“第一特征网络和第二特征网络”层表示在主网络MaxPool5之后,经MaxPool5输出的数据将分别进入两个神经网络(第一特征网络和第二特征网络)进行计算,他们的Input输入层输入为主网络MaxPool5的输出;主网络Concatnate层是指把第一、二特征网络的输出首尾相接拼成一维向量;主网络最后一层是输出层,表示先通过Fc4全连层,采用softmax激活函数,然后输出。所述预设类型模型的运行原理如下:
首先,将每个训练集中的癌变区域图块堆叠,组成3*2048*2048结构,输入预设类型模型。
第一层卷积层,采用1*1的卷积核对图像进行卷积,接着用512个过滤器进行特征投影,输出1*2048*2048*512图像,然后采用2*2最大值池化层,步长为2*2,用于减少模型计算量,控制过拟合。
第二层卷积层,采用3*3的卷积核,步长为1*1,产生128个特征,并保持图像大小,输出1*1024*1024*128图像;然后采用2*2最大值池化层,步长为2*2,输出1*512*512*128图像。
第三层到第五层为相同结构的卷积层,采用3*3卷积核,步长为1*1,产生256个特征。
第六层卷积层,采用3*3的卷积核,步长为1*1,产生256个特征,并且采用2*2最大值池化层,步长为2*2,输出1*256*256*256图像。
第七层到第九层为相同结构的卷积层,采用3*3卷积核,步长为1*1,产生512个特征。
第十层卷积层,采用3*3的卷积核,步长为1*1,产生512个特征,并且采用2*2最大值池化层,步长为2*2,输出1*128*128*512图像。
第十一层到十三层是1*1卷积层,采用ReLU激活函数,产生512特征,输出1*128*128*512图像。
第十四层卷积层,采用1*1的卷积核,步长为1*1,产生512个特征,并且采用2*2最大值池化层,步长为2*2,输出1*64*64*512图像。
然后,将以上输出的1*64*64*512图像送进两个不同的网络结构,该两个不同的网络结构分别为第一特征网络的网络结构和第二特征网络的网络结构。
第一特征网络的网络结构:
第一层Flatten层,把1*64*64*512图像拉伸成一维向量;
第二层全连层,采用ReLU激活函数,把输入特征转化为1*4096输出。
第三层全连层,采用ReLU激活函数,把输入特征转化为1*4096输出。
第四层全连层,采用ReLU激活函数,把输入特征转化为1*512输出。
第二特征网络的网络结构是:
第一层均值方差池化层,对每个特征通道的图像提取均值和方差,把各特征通道的均值方差拼接起来,得到1*1024特征。
第二层全连层,采用ReLU激活函数,把输入特征转化为1*4096输出。
第三层全连层,采用ReLU激活函数,把输入特征转化为1*4096输出。
第四层全连层,采用ReLU激活函数,把输入特征转化为1*512输出。
最后,把第一网络结构和第二网络结构输出的两个1*512向量首尾相接拼成1*1024向量,输入以下网络:
第一层全连层,采用ReLU激活函数,把输入特征转化为1*256输出。
第二层全连层,采用ReLU激活函数,把输入特征转化为1*256输出。
第三层全连层,采用ReLU激活函数,把输入特征转化为1*64输出。
第四层全连输出层,采用softmax激活函数,输出1*1结果。
上述实施例提出的癌症识别方法,根据不同的癌症调用不同的癌症识别模型对待癌症识别的病理切片图片进行识别,判断该病理切片图片对应的患者是否患有癌症,增大检测速率,从而能够提高治愈机率。
如图2所示,是图1中癌症识别程序较佳实施例的模块示意图。本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段。
在本实施例中,癌症识别程序10包括:接收模块110、确定模块120、识别模块130、提示模块140,所述模块110-140所实现的功能或操作步骤均与上文类似,此处不再详述,示例性地,例如其中:
接收模块110,用于接收待癌症识别的病理切片图片;
确定模块120,用于根据待识别的癌症类型与预设类型模型的映射关系,确定该病理切片图片对应的预设类型模型;
识别模块130,用于利用确定的预设类型模型对该病理切片图片进行识别,生成识别结果;
提示模块140,用于输出预设格式的提示信息提示模型生成的识别结果。
如图3所示,是本发明癌症识别方法较佳实施例的流程图。
在本实施例中,处理器12执行存储器11中存储的癌症识别程序10的计算机程序时实现癌症识别方法包括:步骤S10-步骤S30:
步骤S10,癌症识别程序10接收该患者做病理切片的图片。其中,所述病理切片图片是通过取患者一定大小的待识别组织切片,用病理组织学方法染色制成病理切片,并在显微镜下拍摄得到的。根据癌变部位、性质的不同,癌变组织的获取规范不同。例如,当我们需要检测某患者是否患有胃癌时,利用纤维胃镜夹取一部分胃组织,然后对患者胃部组织进行切片、脱水、染色,从而得到显微镜下该患者的胃部病理切片的照片。常见的染色指利用H.E染色法通过苏木素将细胞核中的染色质染成蓝色,伊红将细胞的胞质和核仁染成红色。
步骤S20,癌症识别程序10根据待识别的癌症类型与预设类型模型的映射关系,确定该病理切片图片对应的预设类型模型。例如,当我们需要检测患者是否患有胃癌时,根据胃癌与预设类型模型的关系,确定该患者的病理切片图片对应的预设类型模型是胃癌识别模型。其中,所述预设类型模型指各种训练好的癌症识别模型,每个癌症识别模型与每种癌症形成一一对应的映射关系。例如,直肠癌识别模型用于识别肠部组织是否患有癌症;肝癌识别模型用于识别肝部组织是否患有癌症。
步骤S30,在确定该病理切片图片的预设类型模型之后,癌症识别程序10利用确定的预设类型模型对该病理切片图片进行识别,生成识别结果。其中,所述识别结果包括非癌症和癌症。当识别结果为非癌症时,说明该病理切片图片对应的患者没有患癌症,继续接收下一张病理切片图片进行识别。当识别结果为癌症时,说明该病理切片图片对应的患者患有癌症,输出预设格式的提示信息。例如,利用胃癌识别模型对患者胃部组织的病理切片图片进行识别,识别结果确定为癌症,输出提示信息:“图片***的患者有胃癌,建议尽快制定有效的治疗方案”。
在另一个实施例中,还可以利用预设类型模型对病理切片图片进行识别,对识别结果确定为癌症的病理切片进一步判断,确定癌症的癌变阶段。若癌变阶段为第一阶段,则输出第一预设格式的提示信息;若癌变阶段为第二阶段,则输出第二预设格式的提示信息;若癌变阶段为第三阶段,则输出第三预设格式的提示信息。例如,判断癌症的癌变阶段,当癌变阶段为第一阶段时,输出提示信息:“图片***的患者为***癌早期,建议通过检验手段尽快确认病情,并尽早制定有效的治疗方案”;当癌变阶段为第二阶段时,输出提示信息:“图片***的患者为***癌中期,建议尽快制定有效的治疗方案”;当癌变阶段为第三阶段时,输出提示信息:“图片***的患者为***癌晚期,建议开通绿色医疗通道,并紧急制定有效的治疗方案”。
其中,所述预设类型模型是预先构建并训练好的。如图4所示,是本发明预设类型模型训练的流程图,所述预设类型模型的训练步骤如下:
A1、获取第一预设数量预设格式的某种癌症的病理切片样本图片。例如,针对胃癌识别模型的训练,在800个病人患胃癌和200个病人未患胃癌的1000个病人中,每个人获取100个tiff格式的病理切片图片,得到10万个病理切片样本图片。
A2、在每个病理切片样本图片上建立坐标轴及标注癌变标记点,每个癌变标记点都标有其对应的横、纵坐标,如癌变标记点1的横、纵坐标为(53,123)。若该病理切片图片的细胞正常,则标注非癌症标记。其中,所述癌变标记点是指癌变细胞区域与正常细胞区域的分界点。由于癌变细胞的形态结构与正常细胞不同(如,癌变细胞的细胞核体积大,细胞核数量不止一个等),在染色的情况下很容易区分癌变细胞与正常细胞。标注的癌变标记点形成癌变形状曲线,所述癌变形状曲线形成的区域便是细胞癌变的区域。同时在细胞癌变的区域标注对应的癌症和癌变阶段。例如,对10万张胃癌的病理切片图片进行标注非癌症标记或癌变标记点,并对图片有癌变的区域的标注“胃癌”及胃癌阶段。
A3、根据各个病理切片样本图片上的癌变形状曲线,按照预设的癌变区域确定规则分别识别出各个病理切片样本图片对应的一个或多个癌变区域图块。由于癌细胞粘性低具有转移性,因此一个病理切片样本图片可能存在着多个癌变区域图块。
其中,所述癌变区域确定规则包括:
针对一个病理切片样本图片,逐一选择该病理切片样本图片上癌变形状曲线。例如,在一个病理切片样本图片中,若该病理切片图片具有多个癌变形状曲线,逐一选择每一个癌变形状曲线。
选择一个癌变形状曲线后,确定该癌变形状曲线上所有癌变标记点的最大横坐标、最小横坐标、最大纵坐标、最小纵坐标,将确定的最大横坐标作为一个矩形框的第一条边的横坐标,将确定的最小横坐标作为该矩形框的第二条边的横坐标,将确定的最大纵坐标作为该矩形框的第三条边的纵坐标,将确定的最小纵坐标作为该矩形框的第四条边的纵坐标,该矩形框的位置由所述第一条边、第二条边、第三条边及第四条边相交的四个顶点确定,该矩形框围成的图片区域即为癌变区域图块。例如,某癌变形状曲线上所有的癌变标记点中最大横坐标为x1、最小横坐标为x2、最大纵坐标y1、最小纵坐标为y2,生成的四条边分别为X=x1、X=x2、Y=y1、Y=y2,则四条边相交的四个顶点(x1,y1)、(x1,y2)、(x2,y1)、(x2,y2)为矩形框的顶点,该矩形即为癌变区域图块。
A4、将所有病理切片样本图片对应的癌变区域图块随机分为第一预设比例的训练集和第二预设比例的验证集。例如,将所有病理切片样本图片对应的癌变区域图块按照8:2的比例分成训练集和验证集,训练集占癌变区域图块总量的80%,剩余的20%癌变区域图块作为验证集对模型的优劣进行检测。
A5、将训练集中的癌变区域图块输入到模型中训练,生成所述预设类型模型,并利用验证集中的癌变区域图块对生成的所述预设类型模型进行验证。
其中,具体的过程如下:将训练集中的每个癌变区域图块组成3*2048*2048结构,每次迭代由1个图像更新模型参数。将组成3*2048*2048的图块输入到主神经网络中,经过主网络MaxPool5之后输出1*64*64*512图像。然后,将输出的1*64*64*512图像分别输入到第一特征网络和第二特征网络中。第一特征网络将图像展成一维向量,然后利用ReLU激活函数生成一个1*512向量。第二特征网络对每个特征通道的图像提取均值和方差并拼接起来,然后利用ReLU激活函数生成另一个1*512向量。最后将两个1*512向量拼接成1*1024向量与标注结果输入到主网络,利用ReLU激活函数和softmax激活函数计算,得到模型参数。
A6、若验证通过率大于或等于预设阈值,则训练完成,若验证通过率小于预设阈值,则增加第二预设数量的样本图片,流程返回步骤A3。例如生成胃癌识别模型后,将验证集中的癌变区域图块输入到胃癌识别模型中检测,如果通过率达大于或等于98%,训练完成。如果通过率小于98%,增加2万张病理切片样本图片,流程返回步骤A3,调整模型参数直到训练出最优胃癌识别模型。
本实施例提出的癌症识别方法,通过调用训练好的预设类型模型对待癌症识别的病理切片图片进行识别,快速检测出该病理切片图片对应的患者是否患有癌症,减少检测时间,增大患者治愈癌症的成功率。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质中包括癌症识别程序10,所述癌症识别程序10被处理器执行时实现如下操作:
接收步骤:接收待癌症识别的病理切片图片;
确定步骤:根据待识别的癌症类型与预设类型模型的映射关系,确定该病理切片图片对应的预设类型模型;
识别步骤:利用确定的预设类型模型对该病理切片图片进行识别,生成识别结果。
优选地,所述预设类型模型包括以下训练步骤:
A1、获取第一预设数量、预设格式的某种癌症的病理切片样本图片;
A2、在每个病理切片样本图片上标注癌变标记点,癌变标记点形成癌变形状曲线,并标注病理切片样本图片对应的癌症和癌变阶段;
A3、根据各个病理切片样本图片上的癌变形状曲线,按照预设的癌变区域确定规则分别识别出各个病理切片样本图片对应的一个或多个癌变区域图块;
A4、将所有病理切片样本图片对应的癌变区域图块分为第一预设比例的训练集和第二预设比例的验证集;
A5、利用训练集中的癌变区域图块进行模型训练,生成所述预设类型模型,并利用验证集中的癌变区域图块对生成的所述预设类型模型进行验证;
A6、若验证通过率大于或等于预设阈值,则训练完成,若验证通过率小于预设阈值,则增加第二预设数量的样本图片,流程返回步骤A3。
优选地,所述预设的癌变区域确定规则包括:
针对一个病理切片样本图片,逐一选择该病理切片样本图片上癌变形状曲线;
选择一个癌变形状曲线后,确定该癌变形状曲线上所有癌变标记点的最大横坐标、最小横坐标、最大纵坐标、最小纵坐标,将确定的最大横坐标作为一个矩形框的第一条边的横坐标,将确定的最小横坐标作为该矩形框的第二条边的横坐标,将确定的最大纵坐标作为该矩形框的第三条边的纵坐标,将确定的最小纵坐标作为该矩形框的第四条边的纵坐标,该矩形框的位置由所述第一条边、第二条边、第三条边及第四条边相交的四个顶点确定,该矩形框围成的图片区域即为癌变区域图块。
优选地,所述预设类型模型为卷积神经网络模型,该卷积神经网络模型主网络结构包括第一特征网络、第二特征网络的子网络结构,所述病理切片样本图片分别经过所述第一特征网络、第二特征网络提取特征并进行特征拼接后,再输入主网络结构中参与训练。
优选地,该方法还包括:
若生成的识别结果确定为癌症,则判断该癌症的癌变阶段,并输出与该癌变阶段相对应的预设格式的提示信息。
本发明之计算机可读存储介质的具体实施方式与上述癌症识别方法的具体实施方式大致相同,在此不再赘述。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种癌症识别方法,其特征在于,所述方法包括:
接收步骤:接收待癌症识别的病理切片图片;
确定步骤:根据待识别的癌症类型与预设类型模型的映射关系,确定该病理切片图片对应的预设类型模型;
识别步骤:利用确定的预设类型模型对该病理切片图片进行识别,生成识别结果。
2.根据权利要求1所述的癌症识别方法,其特征在于,所述预设类型模型包括以下训练步骤:
A1、获取第一预设数量、预设格式的某种癌症的病理切片样本图片;
A2、在每个病理切片样本图片上标注癌变标记点,癌变标记点形成癌变形状曲线,并标注病理切片样本图片对应的癌症和癌变阶段;
A3、根据各个病理切片样本图片上的癌变形状曲线,按照预设的癌变区域确定规则分别识别出各个病理切片样本图片对应的一个或多个癌变区域图块;
A4、将所有病理切片样本图片对应的癌变区域图块分为第一预设比例的训练集和第二预设比例的验证集;
A5、利用训练集中的癌变区域图块进行模型训练,生成所述预设类型模型,并利用验证集中的癌变区域图块对生成的所述预设类型模型进行验证;
A6、若验证通过率大于或等于预设阈值,则训练完成,若验证通过率小于预设阈值,则增加第二预设数量的样本图片,流程返回步骤A3。
3.根据权利要求2所述的癌症识别方法,其特征在于,所述预设的癌变区域确定规则包括:
针对一个病理切片样本图片,逐一选择该病理切片样本图片上癌变形状曲线;
选择一个癌变形状曲线后,确定该癌变形状曲线上所有癌变标记点的最大横坐标、最小横坐标、最大纵坐标、最小纵坐标,将确定的最大横坐标作为一个矩形框的第一条边的横坐标,将确定的最小横坐标作为该矩形框的第二条边的横坐标,将确定的最大纵坐标作为该矩形框的第三条边的纵坐标,将确定的最小纵坐标作为该矩形框的第四条边的纵坐标,该矩形框的位置由所述第一条边、第二条边、第三条边及第四条边相交的四个顶点确定,该矩形框围成的图片区域即为癌变区域图块。
4.根据权利要求1或2所述的癌症识别方法,其特征在于,所述预设类型模型为卷积神经网络模型,该卷积神经网络模型主网络结构包括第一特征网络、第二特征网络的子网络结构,所述病理切片样本图片分别经过所述第一特征网络、第二特征网络提取特征并进行特征拼接后,再输入主网络结构中参与训练。
5.根据权利要求1所述的癌症识别方法,其特征在于,该方法还包括:
若生成的识别结果确定为癌症,则判断该癌症的癌变阶段,并输出与该癌变阶段相对应的预设格式的提示信息。
6.一种电子装置,其特征在于,所述装置包括:存储器、处理器,所述存储器上存储有癌症识别程序,所述癌症识别程序被所述处理器执行,可实现如下步骤:
接收步骤:接收待癌症识别的病理切片图片;
确定步骤:根据待识别的癌症类型与预设类型模型的映射关系,确定该病理切片图片对应的预设类型模型;
识别步骤:利用确定的预设类型模型对该病理切片图片进行识别,生成识别结果。
7.根据权利要求6所述的电子装置,其特征在于,所述预设类型模型包括以下训练步骤:
A1、获取第一预设数量、预设格式的某种癌症的病理切片样本图片;
A2、在每个病理切片样本图片上标注癌变标记点,癌变标记点形成癌变形状曲线,并标注病理切片样本图片对应的癌症和癌变阶段;
A3、根据各个病理切片样本图片上的癌变形状曲线,按照预设的癌变区域确定规则分别识别出各个病理切片样本图片对应的一个或多个癌变区域图块;
A4、将所有病理切片样本图片对应的癌变区域图块分为第一预设比例的训练集和第二预设比例的验证集;
A5、利用训练集中的癌变区域图块进行模型训练,生成所述预设类型模型,并利用验证集中的癌变区域图块对生成的所述预设类型模型进行验证;
A6、若验证通过率大于或等于预设阈值,则训练完成,若验证通过率小于预设阈值,则增加第二预设数量的样本图片,流程返回步骤A3。
8.根据权利要求7所述的电子装置,其特征在于,所述预设的癌变区域确定规则包括:
针对一个病理切片样本图片,逐一选择该病理切片样本图片上癌变形状曲线;
选择一个癌变形状曲线后,确定该癌变形状曲线上所有癌变标记点的最大横坐标、最小横坐标、最大纵坐标、最小纵坐标,将确定的最大横坐标作为一个矩形框的第一条边的横坐标,将确定的最小横坐标作为该矩形框的第二条边的横坐标,将确定的最大纵坐标作为该矩形框的第三条边的纵坐标,将确定的最小纵坐标作为该矩形框的第四条边的纵坐标,该矩形框的位置由所述第一条边、第二条边、第三条边及第四条边相交的四个顶点确定,该矩形框围成的图片区域即为癌变区域图块。
9.根据权利要求6或7所述的电子装置,其特征在于,所述预设类型模型为卷积神经网络模型,该卷积神经网络模型主网络结构包括第一特征网络、第二特征网络的子网络结构,所述病理切片样本图片分别经过所述第一特征网络、第二特征网络提取特征并进行特征拼接后,再输入主网络结构中参与训练。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括癌症识别程序,所述统癌症识别程序被处理器执行时,可实现如权利要求1至5中任一项所述癌症识别方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810030195.2A CN108154509B (zh) | 2018-01-12 | 2018-01-12 | 癌症识别方法、装置及存储介质 |
PCT/CN2018/089132 WO2019136908A1 (zh) | 2018-01-12 | 2018-05-31 | 癌症识别方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810030195.2A CN108154509B (zh) | 2018-01-12 | 2018-01-12 | 癌症识别方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108154509A true CN108154509A (zh) | 2018-06-12 |
CN108154509B CN108154509B (zh) | 2022-11-11 |
Family
ID=62461461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810030195.2A Active CN108154509B (zh) | 2018-01-12 | 2018-01-12 | 癌症识别方法、装置及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN108154509B (zh) |
WO (1) | WO2019136908A1 (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875693A (zh) * | 2018-07-03 | 2018-11-23 | 北京旷视科技有限公司 | 一种图像处理方法、装置、电子设备及其存储介质 |
CN109118485A (zh) * | 2018-08-13 | 2019-01-01 | 复旦大学 | 基于多任务神经网络的消化道内镜图像分类及早癌检测系统 |
CN109215788A (zh) * | 2018-08-22 | 2019-01-15 | 四川大学 | 一种口腔黏膜病损癌变危险程度的预测方法及装置 |
CN109360656A (zh) * | 2018-08-20 | 2019-02-19 | 安徽大学 | 一种基于多目标演化算法的癌症检测方法 |
CN110674831A (zh) * | 2018-06-14 | 2020-01-10 | 佛山市顺德区美的电热电器制造有限公司 | 一种数据处理方法、装置及计算机可读存储介质 |
CN115063403A (zh) * | 2022-07-27 | 2022-09-16 | 中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所) | 三级淋巴结构的识别方法、装置及设备 |
CN117831030A (zh) * | 2023-11-15 | 2024-04-05 | 中康智慧(上海)生命科技有限公司 | 基于多模态的癌症早期器官病变症状智能识别方法 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114271763B (zh) * | 2021-12-20 | 2024-05-28 | 合肥中纳医学仪器有限公司 | 一种基于Mask RCNN的胃癌早期识别方法、系统、装置 |
CN115063739B (zh) * | 2022-06-10 | 2023-06-16 | 嘉洋智慧安全科技(北京)股份有限公司 | 异常行为的检测方法、装置、设备及计算机存储介质 |
CN115619634B (zh) * | 2022-09-06 | 2023-06-20 | 广州医科大学附属第一医院(广州呼吸中心) | 基于病理切片关联的病理图像拼接方法及装置 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101366059A (zh) * | 2005-12-29 | 2009-02-11 | 卡尔斯特里姆保健公司 | 用于多个器官系统的cad检测系统 |
US20130156304A1 (en) * | 2010-07-01 | 2013-06-20 | Telefonica, S.A. | Method for classification of videos |
CN103679685A (zh) * | 2012-09-11 | 2014-03-26 | 北京三星通信技术研究有限公司 | 图像处理系统和图像处理方法 |
CN105956620A (zh) * | 2016-04-29 | 2016-09-21 | 华南理工大学 | 一种基于稀疏表示的肝脏超声图像识别方法 |
CN106055576A (zh) * | 2016-05-20 | 2016-10-26 | 大连理工大学 | 一种大规模数据背景下的快速有效的图像检索方法 |
CN106372648A (zh) * | 2016-10-20 | 2017-02-01 | 中国海洋大学 | 基于多特征融合卷积神经网络的浮游生物图像分类方法 |
WO2017021919A1 (en) * | 2015-08-06 | 2017-02-09 | Tel Hashomer Medical Research, Infrastructure And Services Ltd. | Mamography apparatus |
CN106570505A (zh) * | 2016-11-01 | 2017-04-19 | 北京昆仑医云科技有限公司 | 对组织病理图像进行分析的方法和系统 |
CN106709907A (zh) * | 2016-12-08 | 2017-05-24 | 上海联影医疗科技有限公司 | Mr图像的处理方法及装置 |
CN107095686A (zh) * | 2009-01-19 | 2017-08-29 | 皇家飞利浦电子股份有限公司 | 列表模式pet成像中的区域重建和定量评估 |
CN107292312A (zh) * | 2017-06-19 | 2017-10-24 | 中国科学院苏州生物医学工程技术研究所 | 肿瘤识别方法 |
CN107463964A (zh) * | 2017-08-15 | 2017-12-12 | 山东师范大学 | 一种基于超声图像特征相关性的乳腺肿瘤分类方法、装置 |
CN107526799A (zh) * | 2017-08-18 | 2017-12-29 | 武汉红茶数据技术有限公司 | 一种基于深度学习的知识图谱构建方法 |
CN107563997A (zh) * | 2017-08-24 | 2018-01-09 | 京东方科技集团股份有限公司 | 一种皮肤病诊断系统、构建方法、诊断方法和诊断装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017046796A1 (en) * | 2015-09-14 | 2017-03-23 | Real Imaging Ltd. | Image data correction based on different viewpoints |
CN106991439A (zh) * | 2017-03-28 | 2017-07-28 | 南京天数信息科技有限公司 | 基于深度学习与迁移学习的图像识别方法 |
CN107203778A (zh) * | 2017-05-05 | 2017-09-26 | 平安科技(深圳)有限公司 | 视网膜病变程度等级检测系统及方法 |
-
2018
- 2018-01-12 CN CN201810030195.2A patent/CN108154509B/zh active Active
- 2018-05-31 WO PCT/CN2018/089132 patent/WO2019136908A1/zh active Application Filing
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101366059A (zh) * | 2005-12-29 | 2009-02-11 | 卡尔斯特里姆保健公司 | 用于多个器官系统的cad检测系统 |
CN107095686A (zh) * | 2009-01-19 | 2017-08-29 | 皇家飞利浦电子股份有限公司 | 列表模式pet成像中的区域重建和定量评估 |
US20130156304A1 (en) * | 2010-07-01 | 2013-06-20 | Telefonica, S.A. | Method for classification of videos |
CN103679685A (zh) * | 2012-09-11 | 2014-03-26 | 北京三星通信技术研究有限公司 | 图像处理系统和图像处理方法 |
WO2017021919A1 (en) * | 2015-08-06 | 2017-02-09 | Tel Hashomer Medical Research, Infrastructure And Services Ltd. | Mamography apparatus |
CN105956620A (zh) * | 2016-04-29 | 2016-09-21 | 华南理工大学 | 一种基于稀疏表示的肝脏超声图像识别方法 |
CN106055576A (zh) * | 2016-05-20 | 2016-10-26 | 大连理工大学 | 一种大规模数据背景下的快速有效的图像检索方法 |
CN106372648A (zh) * | 2016-10-20 | 2017-02-01 | 中国海洋大学 | 基于多特征融合卷积神经网络的浮游生物图像分类方法 |
CN106570505A (zh) * | 2016-11-01 | 2017-04-19 | 北京昆仑医云科技有限公司 | 对组织病理图像进行分析的方法和系统 |
CN106709907A (zh) * | 2016-12-08 | 2017-05-24 | 上海联影医疗科技有限公司 | Mr图像的处理方法及装置 |
CN107292312A (zh) * | 2017-06-19 | 2017-10-24 | 中国科学院苏州生物医学工程技术研究所 | 肿瘤识别方法 |
CN107463964A (zh) * | 2017-08-15 | 2017-12-12 | 山东师范大学 | 一种基于超声图像特征相关性的乳腺肿瘤分类方法、装置 |
CN107526799A (zh) * | 2017-08-18 | 2017-12-29 | 武汉红茶数据技术有限公司 | 一种基于深度学习的知识图谱构建方法 |
CN107563997A (zh) * | 2017-08-24 | 2018-01-09 | 京东方科技集团股份有限公司 | 一种皮肤病诊断系统、构建方法、诊断方法和诊断装置 |
Non-Patent Citations (1)
Title |
---|
VEDA MURTHY ET AL.: "Center-Focusing Multi-task CNN with Injected Features for Classification of Glioma Nuclear Images", 《2017 IEEE WINTER CONFERENCE ON APPLICATIONS OF COMPUTER VISION (WACV)》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110674831A (zh) * | 2018-06-14 | 2020-01-10 | 佛山市顺德区美的电热电器制造有限公司 | 一种数据处理方法、装置及计算机可读存储介质 |
CN108875693A (zh) * | 2018-07-03 | 2018-11-23 | 北京旷视科技有限公司 | 一种图像处理方法、装置、电子设备及其存储介质 |
CN108875693B (zh) * | 2018-07-03 | 2021-08-10 | 北京旷视科技有限公司 | 一种图像处理方法、装置、电子设备及其存储介质 |
CN109118485A (zh) * | 2018-08-13 | 2019-01-01 | 复旦大学 | 基于多任务神经网络的消化道内镜图像分类及早癌检测系统 |
CN109360656A (zh) * | 2018-08-20 | 2019-02-19 | 安徽大学 | 一种基于多目标演化算法的癌症检测方法 |
CN109215788A (zh) * | 2018-08-22 | 2019-01-15 | 四川大学 | 一种口腔黏膜病损癌变危险程度的预测方法及装置 |
CN109215788B (zh) * | 2018-08-22 | 2022-01-18 | 四川大学 | 一种口腔黏膜病损癌变危险程度的预测方法及装置 |
CN115063403A (zh) * | 2022-07-27 | 2022-09-16 | 中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所) | 三级淋巴结构的识别方法、装置及设备 |
CN117831030A (zh) * | 2023-11-15 | 2024-04-05 | 中康智慧(上海)生命科技有限公司 | 基于多模态的癌症早期器官病变症状智能识别方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2019136908A1 (zh) | 2019-07-18 |
CN108154509B (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108154509A (zh) | 癌症识别方法、装置及存储介质 | |
CN108734708A (zh) | 胃癌识别方法、装置及存储介质 | |
CN107680684A (zh) | 用于获取信息的方法及装置 | |
CN109961009A (zh) | 基于深度学习的行人检测方法、系统、装置及存储介质 | |
CN110264443A (zh) | 基于特征可视化的眼底图像病变标注方法、装置及介质 | |
CN110009623A (zh) | 一种图像识别模型训练及图像识别方法、装置及系统 | |
CN110503654A (zh) | 一种基于生成对抗网络的医学图像分割方法、系统及电子设备 | |
CN109685102A (zh) | 胸部病灶图像分类方法、装置、计算机设备及存储介质 | |
CN107247949A (zh) | 基于深度学习的人脸识别方法、装置和电子设备 | |
CN109035187A (zh) | 一种医学图像的标注方法及装置 | |
WO2019223147A1 (zh) | 肝脏癌变定位方法、装置及存储介质 | |
CN107229952A (zh) | 图像的识别方法及装置 | |
CN113240691A (zh) | 一种基于u型网络的医学图像分割方法 | |
CN108268885A (zh) | 特征点检测方法、设备和计算机可读存储介质 | |
WO2022001237A1 (zh) | 鼻咽癌原发肿瘤图像自动识别方法及系统 | |
CN110415212A (zh) | 异常细胞检测方法、装置及计算机可读存储介质 | |
CN110717894B (zh) | 癌症靶向治疗疗效评估方法及装置、设备、存储介质 | |
CN110532866A (zh) | 视频数据检测方法、装置、计算机设备及存储介质 | |
CN110276408A (zh) | 3d图像的分类方法、装置、设备及存储介质 | |
CN110110808A (zh) | 一种对图像进行目标标注的方法、装置及计算机记录介质 | |
CN113378813A (zh) | 基于注意力平衡特征金字塔的建模、目标检测方法及装置 | |
CN107767362A (zh) | 一种基于深度学习的肺癌早筛装置 | |
CN104182723B (zh) | 一种视线估计的方法和装置 | |
CN113349810B (zh) | 脑出血病灶识别及血肿扩大预测系统及装置 | |
CN110363747A (zh) | 智能化异常细胞判断方法、装置及计算机可读存储介质 |
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 |