CN108447062A - 一种基于多尺度混合分割模型的病理切片非常规细胞的分割方法 - Google Patents

一种基于多尺度混合分割模型的病理切片非常规细胞的分割方法 Download PDF

Info

Publication number
CN108447062A
CN108447062A CN201810102847.9A CN201810102847A CN108447062A CN 108447062 A CN108447062 A CN 108447062A CN 201810102847 A CN201810102847 A CN 201810102847A CN 108447062 A CN108447062 A CN 108447062A
Authority
CN
China
Prior art keywords
parted pattern
resolution
multiple dimensioned
pixel
pathological section
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
Application number
CN201810102847.9A
Other languages
English (en)
Other versions
CN108447062B (zh
Inventor
吴健
王彦杰
王文哲
刘雪晨
吴边
陈为
吴福理
吴朝晖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201810102847.9A priority Critical patent/CN108447062B/zh
Publication of CN108447062A publication Critical patent/CN108447062A/zh
Application granted granted Critical
Publication of CN108447062B publication Critical patent/CN108447062B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/259—Fusion by voting
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开一种基于多尺度混合分割模型的病理切片非常规细胞的分割方法，包括：正、负样本分别缩放至低分辨率，中分辨率和高分辨率图像后，采用全卷积网络算法进行训练，得到收敛的低分辨率分割模型、中分辨率分割模型和高分辨率模型；通过模型集成方法进行融合，得到多尺度混合分割模型；将新病理切片的有效判别区域，使用测试时数据增强方法处理后，输入上述多尺度混合分割模型，输出有效分割区域中每个像素的概率，将概率值大于阈值t的像素作为非正常细胞像素，记为1，其余的像素作为正常细胞像素，记为0，得到多尺度混合分割模型预测的二值图像，对该二值图像进行后处理，得到最终分割结果。该分割方法精度高，Dice值达0.869以上。

Description

一种基于多尺度混合分割模型的病理切片非常规细胞的分割 方法
技术领域
本发明属于医疗影像数据处理领域，具体涉及一种基于多尺度混合分割模型的病理切片非常规细胞的分割方法。
背景技术
随着深度学习在图像领域取得的巨大发展，基于深度学习方法在医疗影像数据上也被广泛运用。目前，以深度学习为基础的计算机系统在识别并分割CT，病理切片，超声影像，MRI影像等方面，都有着比较突出的效果。
图像语义分割(Semantic Segmentation)是计算机视觉的一个重要研究方向，其任务是通过计算机算法完成对单张图像每个像素进行分类。语义分割任务在自动驾驶，物体识别等场景中都有着重要应用。在医疗影像中，语义分割常常被用于分割图像中的细胞、组织或器官等。
在1998年LECUN等人首次提出了卷积神经网络(convolutional neural network,NCC)LeNet模型被美国许多银行用来识别支票上的手写数字之后。各种不同架构的CNN模型在ImageNet竞赛中取得多次比赛的冠军，CNN在图像处理与目标识别领域被广泛应用，成为深度学习在图像处理领域的通用神经网络。CNN除了在分类领域之外，还被改进后成为语义分割任务的重要组成部分，Jonathan Long在2015年的CVPR会议论文Fully ConvolutionalNetworks for Semantic Segmentation中提出，使用全卷积神经网络(FullyConvolutional Networks，FCN)中不使用全连接而是使用卷积与反卷积(Deconvolution)进行语义分割任务，取得了突破性的成果，从此FCN成为了语义分割模型的主要方法之一，随之而来的U-Net，DeepLab，Link-Net等模型在FCN的基础上改进，在语义分割任务上取得了更好的成绩。同时，一些研究者尝试将FCN等模型运用在医疗影像的分割任务上，也带来了一些提升。
然而，由于医疗影像的分割存在着像素数量较少，阴性数量较多的特点，直接将一般的语义分割模型运用在影像上往往效果不好，另外自然图像上的语义分割往往基于目标相对固定的性状特征，在病理切片的分割中，由于病理切片中非常规细胞的形状，大小的无规律性，导致非常规细胞的性状呈现无法预知性，这也给分割任务带来了极大的困难。
发明内容
本发明提供一种基于多尺度混合分割模型的病理切片非常规细胞的分割方法，该分割方法较传统分割方法更精确。
本发明所述的常规细胞为人体正常细胞，非常规细胞与人体正常细胞相对应，为人体非正常形态细胞。
一种基于多尺度混合分割模型的病理切片非常规细胞的分割方法，包括：
(1)对电子扫描病理切片进行预处理，得到该病理切片中的有效判别区域，所述的有效判别区域中非常规细胞像素区域为正样本，常规细胞像素区域为负样本；
(2)对步骤(1)得到的正、负样本，分别缩放至低分辨率，中分辨率和高分辨率图像后采用全卷积网络算法进行训练，根据模型预测结果与标签的重合度对网络的参数进行调节，得到收敛的低分辨率分割模型、中分辨率分割模型和高分辨率模型；
所述的高分辨率图像大小介于2000至3000像素之间，中分辨率像素大小介于1000至2000之间，低分辨率图像大小介于500至1000之间；
所述的全卷积网络包括改进的U-Net，DCAN和LinkNet；
(3)将未经过标记的新病理切片，经过步骤(1)处理得到的有效判别区域，使用测试时数据增强方法处理后，分别输入上述步骤(2)得到的低分辨率分割模型、中分辨率分割模型和高分辨率分割模型，通过模型集成方法进行融合，得到多尺度混合分割模型，输出该模型的有效分割区域中每个像素的概率，将概率值大于阈值t的像素作为非正常细胞像素，记为1，其余的像素作为正常细胞像素，记为0，得到多尺度混合分割模型预测的二值图像；
所述的阈值t为0.3～0.7；
(4)将步骤(3)得到的二值图像通过形态学方法进行后处理，得到最终分割结果。
步骤(2)中，所述的改进的U-Net模型，具体改变为：在U-Net最底层卷积增加了d层膨胀卷积，并在每层使用了比率为2i的膨胀卷积来增大原始U-Net的感受野，所述d的范围为3～5，所述i为膨胀卷积序号。
步骤(2)中，所述的模型预测结果与标签的重合度的评估方法为改进的DiceLoss，所述的改进的Dice Loss对全部像素都为负样本的有效分割区域，计算预测负样本与标签负样本的重合程度，在实际操作中，对于全部像素都为负样本的有效分割区域，改进的Dice Loss将预测值与标签取反，然后计算普通Dice Loss。
所述改进的Dice Loss与Dice Loss的区别为：
普通Dice Loss对所有图像都计算模型预测正样本与标签正样本的重合程度，计算公式定义如下：
其中，i表示当前计算像素点，pi，gi分别表示了像素i的模型预测分数与标签所对应的分数，N表示像素点的总数量，D表示了二分类预测结果与标签的重合程度。
改进Dice Loss对于全部像素都为负样本的有效分割区域，计算预测负样本与标签负样本的重合程度，在实际操作中，对于全部像素都为负样本的有效分割区域，改进的Dice Loss将预测值与标签取反，然后计算普通Dice Loss。
步骤(2)中，所述的收敛的低分辨率、中分辨率和高分辨率分割模型的训练方法，包括：
(2-1)将输入的有效判别区域通过图像压缩算法将其压缩为低分辨率、中分辨率和高分辨率的像素矩阵；
(2-2)通过重分布与z-score方法将上述矩阵归一化并转换到标准正态分布；
(2-3)对步骤(2-2)转换后得到的标准正态分布的图像进行数据增强操作；
(2-4)将步骤(2-3)处理得到的矩阵输入全卷积网络，计算改进的Dice Loss；
(2-5)使用Adam算法作为优化方法最小化Dice Loss，直至网络收敛，得到收敛的切片分割模型；
(2-6)重复步骤(2-2)-(2-5)，直至得到收敛的低分辨率分割模型、中分辨率分割模型和高分辨率分割模型。
所述的数据增强操作包括但不限于上下翻转、左右翻转、亮度改变、颜色改变、图像旋转、图像弹性形变及其自由组合。
作为优选，所述测试时数据增强操作为上下翻转，左右翻转，顺时针90°旋转，顺时针180°旋转，逆时针90°旋转等操作。
步骤(3)中，所述的模型集成融合方法为“或”操作法、投票法、加权均值法和堆叠法中的一种或几种。
(1)投票法：取多个模型的输出的众数作为最终结果；
(2)加权均值法：对多个模型赋予不同的权值，求取其加权均值，通过加权均值判断最终标签；
(3)堆叠法：训练一个以多个模型的输出作为输入的线性分类器作为判断标签的依据模型；
(4)“或”操作法：将精度较高的模型预测为正样本的像素直接预测为最终正样本像素。
本发明模型集成融合方式优选加权均值法和“或”操作法，其中加权均值法使用模型在验证集上的Dice评测指标作为权值，其中Dice评测指标是计算语义分割准确程度的指标，计算公式为：
其中，X为模型预测的结果，Y为标签，使用Dice作为模型融合的权值的优点在于，能够使在验证集上表现更加优秀的模型所占权重增大，有利于择优选择模型。而使用“或”操作法的原因在于：一些模型(如DCAN模型)的精确性更高，若加入均值反而降低其效果，因此直接采用精度高的模型预测的正样本作为最终预测的正样本，能够有效突出高精度模型的预测能力。
步骤(4)中的后处理方法包括但不限于：
(1)形态学腐蚀：通过二值化滤波的方式将较小的区域去除；
(2)白边去除：对于预测结果，使用阈值法去除原图像中的白色部分；
(3)小物体去除：在生成的结果中去除像素值小于一个细胞大小的区域。
本发明提供的分割方法主要使用多种全卷积语义分割网络，对不同分辨率的图像进行分割，针对不同的分辨率模型的特点采用分层投票的方式融合多模型的特征。在模型融合阶段，使用了测试时数据增强技术增强模型稳定性，并使用DCAN进行“或”操作的方法融合模型预测结果，最后通过空洞补全，小物体去除等后处理方式，最终获得了相比于传统方法更加精确的分割模型。本发明提供的分割方法精确度高，以Dice评测指标作为衡量算法的指标，其Dice值能够达到0.869以上。
与现有技术相比，本发明具有以下有益效果：
1)本发明能够大量减轻病理医生繁重的工作量，并针对缺乏病理医生资源的基层医院，社区医院，起到较好的普及作用。
2)本发明能够快速准确的筛选出非常规细胞，以Dice评测指标作为衡量算法的指标，其Dice值能够达到0.869以上。
附图说明
图1为本发明具体实施方法中改进的U-net的整体结构。
图2为本发明具体实施方法中Link-Net的整体结构。
图3为本发明具体实施方法中DCAN的整体结构。
图4为本发明具体实施方法流程图。
具体实施方式
为了进一步理解本发明，下面结合具体实施方法对本发明提供的一种基于多尺度混合分割模型的病理切片非常规细胞分割方法进行具体描述，但本发明并不限于此，该领域技术人员在本发明核心指导思想下做出的非本质改进和调整，仍然属于本发明的保护范围。
一种基于多尺度混合分割模型的病理切片非常规细胞分割方法，具体步骤：
1)病理切片预处理与有效区域判别
本发明采用输入数据为20x放大的病理切片，划分为像素分辨率2048*2048的区域，分别存储为图像。
将上述像素分辨率2048*2048的区域转换为LAB通道，将A通道的均值超过阈值t＝132的区域作为有效判别区域，其余的舍弃。
2)训练分割模型
(2-1)将步骤1)得到的有效判别区域压缩至低分辨率，中分辨率和高分辨率的像素矩阵；其中高分辨率图像大小为2048*2048，中分辨图像大小为1024*1024，低分辨率图像大小为512*512，低分辨率与中分辨率压缩采用双线性插值的方式，而高分辨率使用随机裁剪的方法裁剪至与512*512像素；
(2-2)对步骤(2-1)得到的每种分辨率图像矩阵通过重分布方法将数值变换到数值为[0,1]区间内的矩阵；
(2-3)对于步骤(2-2)得到的矩阵，使用zscore规范化方式对数据进行减去均值除以方差的操作以转换到标准正态分布的图像，zscore计算方法如下：
其中zi表示z-score算法的最终输出，xi表示输入数据，表示该特征的平均值，s表示该特征的标准差。
(2-4)对步骤(2-3)转换后得到的标准正态分布的矩阵使用数据增强(DataAugmentation)技术进行旋转，翻转，镜像，亮度改变，随机偏移等操作；(2-5)将步骤(2-4)处理得到的矩阵输入全卷积网络改进的U-Net(其结构如图1所示)、DCAN(其结构如图3所示)和Link-Net(其结构如图2所示)，计算改进的Dice Loss：改进Dice Loss对于全部像素都为负样本的有效分割区域，计算预测负样本与标签负样本的重合程度，在实际操作中，对于全部像素都为负样本的有效分割区域，改进的Dice Loss将预测值与标签取反，然后计算普通Dice Loss；
其中，i表示当前计算像素点，pi，gi分别表示了像素i的模型预测分数与标签所对应的分数，N表示像素点的总数量，D表示了二分类预测结果与标签的重合程度。
(2-6)使用Adam算法作为优化方法最小化Dice Loss，直至网络收敛，得到收敛的切片分割模型。
(2-7)重复步骤(2-2)至(2-6)得到收敛的低分辨率分割模型、中分辨率模型和高分辨率模型。
所述的低分辨率的U-Net，DCAN，LinkNet模型，中分辨率的U-Net，DCAN，LinkNet模型，与高分辨率的U-Net，DCAN，LinkNet模型如下表1：
表1
3)非常规细胞分割
(3-1)将未经标记的新病理切片按照步骤1)的方法处理得到有效分割区域，对于所有有效分割区域矩阵，进行上下翻转，左右翻转，顺时针90°旋转，顺时针180°旋转，逆时针90°旋转操作，包括恒等操作共6种测试时数据增强操作；
(3-2)将步骤(3-1)操作后的图像分别输入低分辨率分割模型，中分辨率分割模型，高分辨率分割模型输出预测像素概率值矩阵；
(3-3)将预测像素概率矩阵执行相反变换，得到6个测试时数据增强预测；
(3-4)将上步得到6个测试时数据增强预测结果根据加权投票法，使用在训练过程中验证集的Dice评测指标大小作为权值求加权均值，得到表1中各个模型的预测结果；然后通过“或”操作法，将精度最高的DCAN模型预测的正样本直接作为最终的多尺度混合分割模型的正样本预测；
(3-5)将步骤(3-4)得到的多尺度混合分割模型的正样本预测结果中，非正常细胞概率大于阈值0.5的像素作为非正常细胞像素，表示为1，其余的像素作为正常细胞像素，表示为0，得到该模型预测的二值图像；
4)后处理
将上述步骤得到的二值图像进行形态学腐蚀、白边去除和小物体去除操作后，得到最终病理切片分割结果。

Claims (9)

1.一种基于多尺度混合分割模型的病理切片非常规细胞的分割方法，包括：
(1)对电子扫描病理切片进行预处理，得到该病理切片中的有效判别区域，所述的有效判别区域中非常规细胞像素区域为正样本，常规细胞像素区域为负样本；
(2)对步骤(1)得到的正、负样本，分别缩放至低分辨率，中分辨率和高分辨率图像后采用全卷积网络算法进行训练，根据模型预测结果与标签的重合度对网络的参数进行调节，得到收敛的低分辨率分割模型、中分辨率分割模型和高分辨率模型；
所述的高分辨率图像大小介于2000至3000像素之间，中分辨率像素大小介于1000至2000之间，低分辨率图像大小介于500至1000之间；
所述的全卷积网络包括改进的U-Net，DCAN和LinkNet；
(3)将未经过标记的新病理切片，经过步骤(1)处理得到的有效判别区域，使用测试时数据增强方法处理后，分别输入上述步骤(2)得到的低分辨率分割模型、中分辨率分割模型和高分辨率分割模型，通过模型集成方法进行融合，得到多尺度混合分割模型，输出该模型的有效分割区域中每个像素的概率，将概率值大于阈值t的像素作为非正常细胞像素，记为1，其余的像素作为正常细胞像素，记为0，得到多尺度混合分割模型预测的二值图像；
所述的阈值t为0.3～0.7；
(4)将步骤(3)得到的二值图像通过形态学方法进行后处理，得到最终分割结果。
2.根据权利要求1所述的基于多尺度混合分割模型的病理切片非常规细胞的分割方法，其特征在于，步骤(2)中，所述的改进的U-Net模型，具体改变为：在U-Net最底层卷积增加了d层膨胀卷积，并在每层使用了比率为2i的膨胀卷积来增大原始U-Net的感受野；
所述d的取值范围为3～5，所述i为膨胀卷积序号。
3.根据权利要求1所述的基于多尺度混合分割模型的病理切片非常规细胞的分割方法，其特征在于，步骤(2)中，所述的模型预测结果与标签的重合度的评估方法为改进的Dice Loss，所述改进的Dice Loss操作为：对全部像素都为负样本的有效分割区域，计算预测负样本与标签负样本的重合程度，在实际操作中，对于全部像素都为负样本的有效分割区域，改进的Dice Loss将预测值与标签取反，然后计算普通Dice Loss。
4.根据权利要求1所述的基于多尺度混合分割模型的病理切片非常规细胞的分割方法，其特征在于，步骤(2)中，所述的收敛的低分辨率、中分辨率和高分辨率分割模型的训练方法，包括：
(2-1)将输入的有效判别区域通过图像压缩算法将其压缩为低分辨率、中分辨率和高分辨率的像素矩阵；
(2-2)通过重分布与z-score方法将上述矩阵归一化并转换到标准正态分布；
(2-3)对步骤(2-2)转换后得到的标准正态分布的图像进行数据增强操作；
(2-4)将步骤(2-3)处理得到的矩阵输入全卷积网络，计算改进的Dice Loss；
(2-5)使用Adam算法作为优化方法最小化Dice Loss，直至网络收敛，得到收敛的切片分割模型；
(2-6)重复步骤(2-2)-(2-5)，直至得到收敛的低分辨率分割模型、中分辨率分割模型和高分辨率分割模型。
5.根据权利要求4所述的的基于多尺度混合分割模型的病理切片非常规细胞的分割方法，其特征在于，所述的数据增强操作包括：上下翻转、左右翻转、亮度改变、颜色改变、图像旋转、图像弹性形变及其自由组合。
6.根据权利要求1所述的基于多尺度混合分割模型的病理切片非常规细胞的分割方法，其特征在于，步骤(3)中，所述的模型集成融合方法为“或”操作法、投票法、加权均值法和堆叠法中的一种或几种。
7.根据权利要求6所述的基于多尺度混合分割模型的病理切片非常规细胞的分割方法，其特征在于，所述的模型集成融合方法采用“或”操作法和加权均值法。
8.根据权利要求6或7所述的基于多尺度混合分割模型的病理切片非常规细胞的分割方法，其特征在于，所述的加权均值法使用高分辨率分割模型，中分辨率分割模型或低分辨率分割模型在各自验证集上的Dice评测指标作为权值，其中Dice评测指标是计算语义分割准确程度的指标，计算公式为：
其中，X为模型预测的结果，Y为标签。
9.根据权利要求1所述的基于多尺度混合分割模型的病理切片非常规细胞的分割方法，其特征在于，步骤(4)中，所述的后处理方法包括：形态学腐蚀、白边去除或小物体去除。
CN201810102847.9A 2018-02-01 2018-02-01 一种基于多尺度混合分割模型的病理切片非常规细胞的分割方法 Active CN108447062B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810102847.9A CN108447062B (zh) 2018-02-01 2018-02-01 一种基于多尺度混合分割模型的病理切片非常规细胞的分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810102847.9A CN108447062B (zh) 2018-02-01 2018-02-01 一种基于多尺度混合分割模型的病理切片非常规细胞的分割方法

Publications (2)

Publication Number Publication Date
CN108447062A true CN108447062A (zh) 2018-08-24
CN108447062B CN108447062B (zh) 2021-04-20

Family

ID=63191296

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810102847.9A Active CN108447062B (zh) 2018-02-01 2018-02-01 一种基于多尺度混合分割模型的病理切片非常规细胞的分割方法

Country Status (1)

Country Link
CN (1) CN108447062B (zh)

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109308477A (zh) * 2018-09-21 2019-02-05 北京连心医疗科技有限公司 一种基于粗分类的医学影像自动分割方法、设备和存储介质
CN109345540A (zh) * 2018-09-15 2019-02-15 北京市商汤科技开发有限公司 一种图像处理方法、电子设备及存储介质
CN109377500A (zh) * 2018-09-18 2019-02-22 平安科技（深圳）有限公司 基于神经网络的图像分割方法及终端设备
CN109784391A (zh) * 2019-01-04 2019-05-21 杭州比智科技有限公司 基于多模型的样本标注方法及装置
CN109859230A (zh) * 2018-12-26 2019-06-07 北京理工大学 一种用于多孔介质显微ct图像的分割方法
CN109919954A (zh) * 2019-03-08 2019-06-21 广州视源电子科技股份有限公司 目标对象的识别方法和装置
CN110298348A (zh) * 2019-06-12 2019-10-01 苏州中科天启遥感科技有限公司 遥感影像建筑物样本区域提取方法及系统、存储介质、设备
CN110334722A (zh) * 2019-03-29 2019-10-15 上海联影智能医疗科技有限公司 图像分类方法、装置、计算机设备和存储介质
CN110874842A (zh) * 2019-10-10 2020-03-10 浙江大学 一种基于级联残差全卷积网络的胸腔多器官分割方法
CN111144488A (zh) * 2019-12-27 2020-05-12 之江实验室 一种基于邻近共同预测的病理切片视野分类提升方法
CN111382685A (zh) * 2020-03-04 2020-07-07 电子科技大学 一种基于深度学习的场景识别方法和系统
CN111415359A (zh) * 2020-03-24 2020-07-14 浙江明峰智能医疗科技有限公司 一种自动化分割医学影像多器官的方法
CN111488777A (zh) * 2019-01-28 2020-08-04 北京地平线机器人技术研发有限公司 对象识别方法、对象识别装置和电子设备
CN111640128A (zh) * 2020-05-29 2020-09-08 哈尔滨理工大学 一种基于U-Net网络的细胞图像分割方法
CN111738338A (zh) * 2020-06-23 2020-10-02 征图新视(江苏)科技股份有限公司 基于级联膨胀fcn网络应用于马达线圈的缺陷检测方法
CN112070722A (zh) * 2020-08-14 2020-12-11 厦门骁科码生物科技有限公司 一种荧光原位杂交细胞核分割方法及系统
CN112508900A (zh) * 2020-11-30 2021-03-16 上海交通大学 细胞病理图像分割方法及装置
CN112529908A (zh) * 2020-12-03 2021-03-19 北京航空航天大学 一种基于级联卷积网络的数字病理图像分割方法及其模型
CN112767321A (zh) * 2021-01-05 2021-05-07 华东师范大学 一种基于随机森林的荧光结核杆菌检测方法
CN112967272A (zh) * 2021-03-25 2021-06-15 郑州大学 基于改进U-net的焊接缺陷检测方法、装置及终端设备
CN113065432A (zh) * 2021-03-23 2021-07-02 内蒙古工业大学 一种基于数据增强和ECA-Net的手写体蒙古文识别方法
CN113409447A (zh) * 2021-06-09 2021-09-17 广东工业大学 一种基于多切片组合的冠状动脉分割方法和装置
WO2022063199A1 (zh) * 2020-09-24 2022-03-31 上海健康医学院 一种肺结节自动检测方法、装置及计算机系统
CN114283153A (zh) * 2021-11-15 2022-04-05 天津大学 基于神经网络的肺部病理切片癌细胞分割算法
WO2023082416A1 (zh) * 2021-11-15 2023-05-19 中国科学院深圳先进技术研究院 一种基于深度学习的心房颤动评估方法和装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103366180A (zh) * 2013-06-14 2013-10-23 山东大学 一种基于自动特征学习的细胞图像分割方法
CN105787948A (zh) * 2016-03-23 2016-07-20 华中科技大学 一种基于多变形分辨率的快速图像分割方法
CN106780498A (zh) * 2016-11-30 2017-05-31 南京信息工程大学 基于逐像素点深度卷积网络上皮和基质组织自动分割方法
CN107016665A (zh) * 2017-02-16 2017-08-04 浙江大学 一种基于深度卷积神经网络的ct肺结节检测方法
CN107610194A (zh) * 2017-08-14 2018-01-19 成都大学 基于多尺度融合cnn的磁共振图像超分辨率重建方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103366180A (zh) * 2013-06-14 2013-10-23 山东大学 一种基于自动特征学习的细胞图像分割方法
CN105787948A (zh) * 2016-03-23 2016-07-20 华中科技大学 一种基于多变形分辨率的快速图像分割方法
CN106780498A (zh) * 2016-11-30 2017-05-31 南京信息工程大学 基于逐像素点深度卷积网络上皮和基质组织自动分割方法
CN107016665A (zh) * 2017-02-16 2017-08-04 浙江大学 一种基于深度卷积神经网络的ct肺结节检测方法
CN107610194A (zh) * 2017-08-14 2018-01-19 成都大学 基于多尺度融合cnn的磁共振图像超分辨率重建方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
FAUSTO MILLETARI等: "V-Net：Fully Convolution Neural Networks for Volumetric Medical Image Segmentation", 《ARXIV》 *
FISHER YU等: "MULTI-SCALE CONTEXT AGGREGATION BY DILATED CONVOLUTIONS", 《ARXIV》 *
LUCAS FIDON等: "Generalised Wasserstein Dice Score for Imbalanced Multi-class Segmentation using Holistic Convolutional Networks", 《ARXIV》 *
熊志勇 等: "基于多尺度特征提取的图像语义分割", 《中南民族大学学报（自然科学版）》 *
路雪: "全卷积网络到大型卷积核：深度学习的语义分割指南", 《机器之心，网址链接：HTTPS://WWW.JIQIZHIXIN.COM/ARTICLES/2017-07-14-10》 *

Cited By (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109345540A (zh) * 2018-09-15 2019-02-15 北京市商汤科技开发有限公司 一种图像处理方法、电子设备及存储介质
TWI786330B (zh) * 2018-09-15 2022-12-11 大陸商北京市商湯科技開發有限公司 一種圖像處理方法、電子設備及存儲介質
CN109345540B (zh) * 2018-09-15 2021-07-13 北京市商汤科技开发有限公司 一种图像处理方法、电子设备及存储介质
CN109377500B (zh) * 2018-09-18 2023-07-25 平安科技（深圳）有限公司 基于神经网络的图像分割方法及终端设备
CN109377500A (zh) * 2018-09-18 2019-02-22 平安科技（深圳）有限公司 基于神经网络的图像分割方法及终端设备
CN109308477A (zh) * 2018-09-21 2019-02-05 北京连心医疗科技有限公司 一种基于粗分类的医学影像自动分割方法、设备和存储介质
CN109859230B (zh) * 2018-12-26 2020-09-11 北京理工大学 一种用于多孔介质显微ct图像的分割方法
CN109859230A (zh) * 2018-12-26 2019-06-07 北京理工大学 一种用于多孔介质显微ct图像的分割方法
CN109784391A (zh) * 2019-01-04 2019-05-21 杭州比智科技有限公司 基于多模型的样本标注方法及装置
CN111488777A (zh) * 2019-01-28 2020-08-04 北京地平线机器人技术研发有限公司 对象识别方法、对象识别装置和电子设备
CN109919954A (zh) * 2019-03-08 2019-06-21 广州视源电子科技股份有限公司 目标对象的识别方法和装置
CN110334722A (zh) * 2019-03-29 2019-10-15 上海联影智能医疗科技有限公司 图像分类方法、装置、计算机设备和存储介质
CN110334722B (zh) * 2019-03-29 2022-07-05 上海联影智能医疗科技有限公司 图像分类方法、装置、计算机设备和存储介质
CN110298348A (zh) * 2019-06-12 2019-10-01 苏州中科天启遥感科技有限公司 遥感影像建筑物样本区域提取方法及系统、存储介质、设备
CN110298348B (zh) * 2019-06-12 2020-04-28 苏州中科天启遥感科技有限公司 遥感影像建筑物样本区域提取方法及系统、存储介质、设备
CN110874842B (zh) * 2019-10-10 2022-04-29 浙江大学 一种基于级联残差全卷积网络的胸腔多器官分割方法
CN110874842A (zh) * 2019-10-10 2020-03-10 浙江大学 一种基于级联残差全卷积网络的胸腔多器官分割方法
CN111144488A (zh) * 2019-12-27 2020-05-12 之江实验室 一种基于邻近共同预测的病理切片视野分类提升方法
CN111144488B (zh) * 2019-12-27 2023-04-18 之江实验室 一种基于邻近共同预测的病理切片视野分类提升方法
CN111382685A (zh) * 2020-03-04 2020-07-07 电子科技大学 一种基于深度学习的场景识别方法和系统
CN111415359A (zh) * 2020-03-24 2020-07-14 浙江明峰智能医疗科技有限公司 一种自动化分割医学影像多器官的方法
CN111640128A (zh) * 2020-05-29 2020-09-08 哈尔滨理工大学 一种基于U-Net网络的细胞图像分割方法
CN111738338A (zh) * 2020-06-23 2020-10-02 征图新视(江苏)科技股份有限公司 基于级联膨胀fcn网络应用于马达线圈的缺陷检测方法
CN112070722A (zh) * 2020-08-14 2020-12-11 厦门骁科码生物科技有限公司 一种荧光原位杂交细胞核分割方法及系统
WO2022063199A1 (zh) * 2020-09-24 2022-03-31 上海健康医学院 一种肺结节自动检测方法、装置及计算机系统
CN112508900A (zh) * 2020-11-30 2021-03-16 上海交通大学 细胞病理图像分割方法及装置
CN112508900B (zh) * 2020-11-30 2022-11-01 上海交通大学 细胞病理图像分割方法及装置
CN112529908A (zh) * 2020-12-03 2021-03-19 北京航空航天大学 一种基于级联卷积网络的数字病理图像分割方法及其模型
CN112529908B (zh) * 2020-12-03 2022-10-04 北京航空航天大学 一种基于级联卷积网络的数字病理图像分割方法及其模型
CN112767321A (zh) * 2021-01-05 2021-05-07 华东师范大学 一种基于随机森林的荧光结核杆菌检测方法
CN112767321B (zh) * 2021-01-05 2023-02-17 华东师范大学 一种基于随机森林的荧光结核杆菌检测方法
CN113065432A (zh) * 2021-03-23 2021-07-02 内蒙古工业大学 一种基于数据增强和ECA-Net的手写体蒙古文识别方法
CN112967272A (zh) * 2021-03-25 2021-06-15 郑州大学 基于改进U-net的焊接缺陷检测方法、装置及终端设备
CN112967272B (zh) * 2021-03-25 2023-08-22 郑州大学 基于改进U-net的焊接缺陷检测方法、装置及终端设备
CN113409447A (zh) * 2021-06-09 2021-09-17 广东工业大学 一种基于多切片组合的冠状动脉分割方法和装置
CN114283153A (zh) * 2021-11-15 2022-04-05 天津大学 基于神经网络的肺部病理切片癌细胞分割算法
WO2023082416A1 (zh) * 2021-11-15 2023-05-19 中国科学院深圳先进技术研究院 一种基于深度学习的心房颤动评估方法和装置

Also Published As

Publication number Publication date
CN108447062B (zh) 2021-04-20

Similar Documents

Publication Publication Date Title
CN108447062A (zh) 一种基于多尺度混合分割模型的病理切片非常规细胞的分割方法
CN108346145A (zh) 一种病理切片中非常规细胞的识别方法
CN106682633B (zh) 基于机器视觉的粪便镜检图像有形成分的分类识别方法
CN112215117A (zh) 一种基于宫颈细胞学图像的异常细胞识别方法及系统
CN101713776B (zh) 一种基于神经网络的尿液中有形成分识别分类方法
Zhang et al. Automated semantic segmentation of red blood cells for sickle cell disease
CN110120040A (zh) 切片图像处理方法、装置、计算机设备和存储介质
CN104680524B (zh) 一种叶类蔬菜病害诊断方法
CN109636808A (zh) 一种基于全卷积神经网络的肺叶分割方法
Pan et al. Mitosis detection techniques in H&E stained breast cancer pathological images: A comprehensive review
CN106383891A (zh) 一种基于深度哈希的医学图像分布式检索方法
CN109558902A (zh) 一种快速目标检测方法
CN108830149A (zh) 一种目标细菌的检测方法及终端设备
CN115375711A (zh) 基于多尺度融合的全局上下文关注网络的图像分割方法
CN112288749A (zh) 一种基于深度迭代融合深度学习模型的颅骨图像分割方法
CN113706544A (zh) 一种基于完备注意力卷积神经网络的医学图像分割方法
CN112036298A (zh) 一种基于双段区块卷积神经网络的细胞检测方法
CN113096080B (zh) 图像分析方法及系统
CN105894010B (zh) 一种基于粗糙集和改进fcm算法的睑板腺功能测定方法
CN114864075A (zh) 一种基于病理图像的胶质瘤级别分析方法及装置
CN110188592A (zh) 一种尿液有形成分细胞图像分类模型构建方法及分类方法
CN113610746A (zh) 一种图像处理方法、装置、计算机设备及存储介质
Guo et al. Pathological detection of micro and fuzzy gastric cancer cells based on deep learning
CN107590806A (zh) 一种基于大脑医学成像的检测方法和系统
CN116993639A (zh) 基于结构重参数化的可见光与红外图像融合方法

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