CN108629777A - 一种数字病理全切片图像病变区域自动分割方法 - Google Patents
一种数字病理全切片图像病变区域自动分割方法 Download PDFInfo
- Publication number
- CN108629777A CN108629777A CN201810354623.7A CN201810354623A CN108629777A CN 108629777 A CN108629777 A CN 108629777A CN 201810354623 A CN201810354623 A CN 201810354623A CN 108629777 A CN108629777 A CN 108629777A
- Authority
- CN
- China
- Prior art keywords
- full slice
- image
- lesion region
- digital pathology
- label
- 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
- 230000003902 lesion Effects 0.000 title claims abstract description 67
- 230000007170 pathology Effects 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000011218 segmentation Effects 0.000 claims abstract description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000011017 operating method Methods 0.000 claims description 6
- 201000010099 disease Diseases 0.000 claims description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 abstract description 15
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 3
- 238000003745 diagnosis Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000001575 pathological effect Effects 0.000 description 4
- 238000010191 image analysis Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
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
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种数字病理全切片图像病变区域自动分割方法，包括：线下训练阶段和线上预测阶段，在训练阶段，对已标注病变区域的全切片数据库中的数字病理全切片图像进行采样得到大量带标签的图像块，并以此训练分类器；在预测阶段，对未知数字病理全切片图像进行均匀采样得到图像块矩阵，经过分类器得到多个概率矩阵，对概率矩阵处理并二值化后，将得到的轮廓映射回未知数字病理全切片图像得到分割结果。本发明只需已标注病变区域的全切片数据库即可实现未知全切片的病变区域自动分割，不仅展示了全切片中所有可能的病变区域的病变类别，还精确显示了各病变区域的轮廓和位置分布，从而全面、直观、准确地预测与分析一张未知全切片的病变情况。
Description
技术领域
本发明涉及数字图像处理与机器学习技术领域，更具体的说是涉及一种数字病理全切片图像病变区域自动分割方法。
背景技术
近年来，随着病理学和计算机技术的快速发展，数字病理全切片图像的数量迅速增长。数字病理全切片图像是将传统的玻璃病理切片通过全自动显微镜或光学放大系统扫描采集得到的大尺寸高分辨数字图像，是病理医生在诊断时的重要依据。
由于诊断数字病理全切片图像所需的细胞结构、分布等关键信息存储在高倍镜下，而此条件下数字病理全切片图像尺寸巨大，可达100000×100000像素，以当前计算机能力无法实现全切片整体处理。当前病理图像分析应用中一般将数字病理全切片图像裁剪为图像块进行处理，使多个图像块的分析结果无法整合至数字病理全切片图像中，进而导致数字病理全切片图像分析结果的缺失，对辅助诊断或自动诊断的实现造成很大困难。
因此，如何提供一种能够准确判断病变区域的自动分割方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种数字病理全切片图像病变区域自动分割方法，能够准确标注病变区域，精确显示各病变区域的轮廓和位置分布，对辅助医生快速诊断以及计算机自动诊断有很大参考价值。
为了实现上述目的，本发明采用如下技术方案：
一种数字病理全切片图像病变区域自动分割方法，包括：线下训练阶段和线上预测阶段，其中所述线下训练阶段的操作步骤如下：
S11：定义基准空间分辨率C和基准图像块尺寸S；
S12：在所述基准空间分辨率C下对已标注病理区域的全切片数据库中的数字病理全切片图像进行采样，得到多个尺寸为S的图像块，并根据标注为所述图像块赋予标签；
S13：根据步骤S12提取的所述图像块和所述标签，通过机器学习算法训练分类器；
所述线上预测阶段的操作步骤如下：
S21：在所述基准空间分辨率C对未知数字病理全切片图像利用滑窗法进行均匀采样，得到多个尺寸为S的未知图像块，多个所述未知图像块组成图像块矩阵；
S22：利用步骤S13训练后的所述分类器对步骤S21提取的未知图像块进行分类，得到多个概率矩阵，并将所述概率矩阵分为正标签概率矩阵和零标签概率矩阵；
S23：将所述正标签概率矩阵进行图像处理和二值化得到预测区域轮廓，将所述预测区域轮廓整合并映射到未知数字病理全切片图像中，得到未知数字病理全切片图像的病变区域自动分割结果。
进一步，在所述步骤S11中，所述基准空间分辨率C为1微米/像素，所述图像块尺寸S为200×200像素。
进一步，在所述步骤S12中，标签类型为自然数n，其中标签为0的图像块为背景，标签大于0的图像块对应不同的疾病类型。
进一步，根据标注为所述图像块赋予标签时的规则为：若图像块超过80％的面积位于标签类别为n的标注区域中，则图像块标签为n。
进一步，在所述步骤S13中，所述分类器为卷积神经网络、支持向量机或随机森林。
进一步，在所述步骤S13中，分类器个数为病变种类数加一。
进一步，在所述步骤S23中，所述二值化为固定阈值法。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种数字病理全切片图像病变区域自动分割方法，该方法的处理对象为已标注病变区域的全切片数据库与未知数字病理全切片图像，从已标注病变区域的全切片图像中采样得到图像块，通过机器学习方法对标注图像块进行训练，对未知图像块进行预测和拼接，最终使计算机能够准确地对未知数字病理全切片图像的病变区域进行自动分割，该结果不仅展示了未知数字病理全切片图像中所有可能病变区域的病变类别，还精确显示了各病变区域的轮廓和位置分布，从而全面、直观、准确地预测与分析一张未知数字病理全切片图像的病变情况，采用本发明得到的病变区域分割结果对辅助病理医生快速诊断以及计算机自动诊断有很大参考价值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的一种数字病理全切片图像病变区域自动分割方法的流程示意图。
图2附图为已标注病变区域的全切片数据库中对数字病理全切片图像采样得到图像块并赋予标签的示意图，图中曲线为病变区域的标注，小块中的数字即为其标签；
图3附图为进行线上预测阶段得到的病变区域自动分割结果示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种数字病理全切片图像病变区域自动分割方法，如图1所示，应用于已标注病变区域的全切片数据库与未知数字病理全切片图像，包括线下训练阶段和线上预测阶段。
(一)线下训练阶段的操作步骤包括：
S11：定义基准空间分辨率C和基准图像块尺寸S；
在本发明中，基准空间分辨率C可为1微米/像素或其他值，同一个切片在不同空间分辨率下的像素尺寸也是不同的，基准图像块尺寸S可为200×200像素或其他值。
S12：在基准空间分辨率C下对已标注病变区域的全切片数据库中的每张数字病变全切片图像进行采样，得到多个尺寸为S的图像块，并根据标注为图像块赋予标签；
采样可使用滑窗法进行均匀采样，也可使用随机采样或其他采样方法。若使用滑窗法进行均匀采样，采样步长可与S相同，也可不同。
图像块的标签为自然数n，在根据全切片标注赋予图像块标签时，可使用如下规则：若图像块超过80％面积位于类别为n的标注区域中，则图像块标签为n。
附图2为均匀采样且采样步长与S相同得到图像块并使用上述规则赋予标签类型的示意图，图中曲线为病变区域的标注，数字病变全切片图像中标签为0的图像块为背景，标签大于0的图像块对应不同病变种类，还有部分图像块由于在任何类中的面积都不超过80％，因此没有标签。
需要说明的是，根据全切片标注赋予图像块标签时也可使用其他规则。
本发明病变种类数可以为一个或多个。
S13：根据步骤S12提取的图像块和标签，通过机器学习算法训练分类器；
在步骤S12得到的图像块中会有若干标签为0的图像块，代表非病变背景，以及标签大于0的图像块，代表不同病变类别，因此分类器类别数为本发明针对的病变种类数加一，多出的一类代表非病变背景，不属于任何类病变。
分类器优选为卷积神经网络(Convolutional Neural Network)，卷积神经网络属于端到端的深度学习模型，使用卷积神经网络进行图像分类，不仅可以判断感兴趣区域等二类问题，还可以处理多类问题。
分类器还可以是支持向量机(Support VectorMachine)、随机森林(Randomforest)等机器学习方法。
(二)线上检测阶段的操作步骤，如图3：
S21：在基准空间分辨率C对未知数字病理全切片图像利用滑窗法进行步长为R的均匀采样，得到多个尺寸为s的未知图像块，多个未知图像块组成图像块矩阵。
对未知数字病理全切片图像采样时的空间分辨率和图像块大小需和步骤S11相同，同时需要保证使用滑窗法进行均匀采样，其中采样步长R可设置为200像素或其他值。
S22：利用步骤S13训练后的分类器对步骤S21提取的未知图像块进行分类，得到多个概率矩阵，并将概率矩阵分为正标签概率矩阵和零标签概率矩阵；
设本发明针对的病变种类数为N，则分类器对每个未知图像块的预测结果为N+1维向量，向量中每维取值范围为[0,1]，表示图像为背景或不同病变类别的概率。将图像块矩阵的每个图像块对应的预测向量的每一维按照其在图像块矩阵的位置拼接，得到N+1个概率矩阵，概率矩阵标签分别为0,1,…,N，其中概率矩阵标签为0的属于零标签概率矩阵，概率矩阵标签为1,…,N，的属于正标签概率矩阵。
S23：将正标签概率矩阵进行图像处理和二值化得到预测区域轮廓，将预测区域轮廓整合并映射到未知数字病理全切片图像中，得到未知数字病理全切片图像的病变区域自动分割结果。
上述步骤S23中图像处理可以是图像膨胀、图像腐蚀、图像开运算、图像闭运算，也可为其他处理，二值化可使用固定阈值方法，也可使用其他方法。
具体的，首先对步骤S22得到的每个正标签概率矩阵进行图像处理与二值化，使得这些概率矩阵变为二值图，其中二值图标签和概率矩阵相同。然后记录每个二值图中的每个连通区域，将这些连通区域轮廓点横纵坐标均乘以步长R，并按原顺序依次连接，每个连通区域的病变种类即为其所在的二值图标签，得到未知数字病理全切片图像的病变区域分割预测结果。
本发明只需已标注病变区域的数字病理全切片图像数据库即可实现未知数字病理全切片图像的病变区域自动分割。相比于已有的病理图像病变区域方法，本方法可以预测多种病变，更适合于实际应用场景；通过医生标注确定病变区域，预测结果更准确可靠；使用卷积神经网络分类器可以通过硬件加速，因此预测阶段采样步长可以足够小，使得结果不仅展示全切片中所有可能的病变区域的病变类别，还精确显示各病变区域的轮廓和位置分布，从而全面、直观、准确地预测与分析一张未知数字病理全切片图像的病变情况。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种数字病理全切片图像病变区域自动分割方法，其特征在于，包括：线下训练阶段和线上预测阶段，其中所述线下训练阶段的操作步骤如下：
S11：定义基准空间分辨率C和基准图像块尺寸S；
S12：在所述基准空间分辨率C下对已标注病变区域的全切片数据库中的数字病变全切片图像进行采样，得到多个尺寸为S的图像块，并根据标注为所述图像块赋予标签；
S13：根据步骤S12提取所述图像块和所述标签，通过机器学习算法训练分类器；
所述线上预测阶段的操作步骤如下：
S21：在所述基准空间分辨率C下，利用滑窗法对未知数字病理全切片图像进行均匀采样，得到多个尺寸为S的未知图像块，多个所述未知图像块组成图像块矩阵；
S22：利用步骤S13训练后的所述分类器对步骤S21提取的未知图像块进行分类，得到多个概率矩阵，所述概率矩阵分为正标签概率矩阵和零标签概率矩阵；
S23：将所述正标签概率矩阵进行图像处理和二值化得到预测区域轮廓，将所述预测区域轮廓整合并映射到未知数字病理全切片图像中，得到未知数字病理全切片图像的病变区域自动分割结果。
2.根据权利要求1所述的一种数字病理全切片图像病变区域自动分割方法，其特征在于，在所述步骤S11中，所述基准空间分辨率C为1微米/像素，所述图像块尺寸S为200×200像素。
3.根据权利要求1所述的一种数字病理全切片图像病变区域自动分割方法，其特征在于，在所述步骤S12中，标签类型为自然数n，其中标签为0的图像块表示背景，标签大于0的图像块对应不同的疾病类型。
4.根据权利要求3所述的一种数字病理全切片图像病变区域自动分割方法，其特征在于，根据标注为所述图像块赋予标签时的规则为：若图像块超过80％的面积位于标签类别为n的标注区域中，则图像块标签为n。
5.根据权利要求1所述的一种数字病理全切片图像病变区域自动分割方法，其特征在于，在所述步骤S13中，所述分类器为卷积神经网络、支持向量机或随机森林。
6.根据权利要求1所述的一种数字病理全切片图像病变区域自动分割方法，其特征在于，在所述步骤S13中，分类器个数为病变种类数加一。
7.根据权利要求1所述的一种数字病理全切片图像病变区域自动分割方法，其特征在于，在所述步骤S23中，所述二值化为固定阈值法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810354623.7A CN108629777A (zh) | 2018-04-19 | 2018-04-19 | 一种数字病理全切片图像病变区域自动分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810354623.7A CN108629777A (zh) | 2018-04-19 | 2018-04-19 | 一种数字病理全切片图像病变区域自动分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108629777A true CN108629777A (zh) | 2018-10-09 |
Family
ID=63705568
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810354623.7A Pending CN108629777A (zh) | 2018-04-19 | 2018-04-19 | 一种数字病理全切片图像病变区域自动分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108629777A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109472313A (zh) * | 2018-11-14 | 2019-03-15 | 四川大学 | 一种提升深度学习识别b超图像稳定性的方法 |
| CN109544561A (zh) * | 2018-11-07 | 2019-03-29 | 杭州迪英加科技有限公司 | 细胞标注方法、系统和装置 |
| CN109727240A (zh) * | 2018-12-27 | 2019-05-07 | 深圳开立生物医疗科技股份有限公司 | 一种三维超声图像的遮挡组织剥离方法及相关装置 |
| 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 |
| 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 |
| CN110265142A (zh) * | 2019-06-11 | 2019-09-20 | 透彻影像(北京)科技有限公司 | 一种用于病变区域复原图的辅助诊断系统和方法 |
| CN110672608A (zh) * | 2019-10-15 | 2020-01-10 | 南京泰立瑞信息科技有限公司 | 一种全切片扫描路径动态规划方法及系统 |
| 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 |
| CN111008953A (zh) * | 2019-10-29 | 2020-04-14 | 平安科技（深圳）有限公司 | 一种数字病理图像质控的方法及装置 |
| CN111986802A (zh) * | 2020-08-14 | 2020-11-24 | 上海市肺科医院 | 一种肺腺癌病理分化等级的辅助判定系统及方法 |
| CN112767503A (zh) * | 2021-01-15 | 2021-05-07 | 北京航空航天大学 | 一种基于jpeg压缩编码的数字病理全切片图像快速分析方法 |
| CN113053497A (zh) * | 2021-03-08 | 2021-06-29 | 北京邮电大学 | 一种优化组织学病理图像智能分析性能的后处理方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103473767A (zh) * | 2013-09-05 | 2013-12-25 | 中国科学院深圳先进技术研究院 | 一种腹部软组织核磁图像分割的方法和系统 |
| CN105574859A (zh) * | 2015-12-14 | 2016-05-11 | 中国科学院深圳先进技术研究院 | 一种基于ct图像的肝脏肿瘤分割方法及装置 |
| CN105931253A (zh) * | 2016-05-16 | 2016-09-07 | 陕西师范大学 | 一种基于半监督学习相结合的图像分割方法 |
| CN106022338A (zh) * | 2016-05-23 | 2016-10-12 | 麦克奥迪（厦门）医疗诊断系统有限公司 | 一种数字病理全切片图像感兴趣区域自动检测方法 |
| WO2017010612A1 (ko) * | 2015-07-10 | 2017-01-19 | 주식회사 루닛 | 의료 영상 분석 기반의 병리 진단 예측 시스템 및 방법 |
| CN107240102A (zh) * | 2017-04-20 | 2017-10-10 | 合肥工业大学 | 基于深度学习算法的恶性肿瘤计算机辅助早期诊断方法 |
| 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 |
| CN107730507A (zh) * | 2017-08-23 | 2018-02-23 | 成都信息工程大学 | 一种基于深度学习的病变区域自动分割方法 |
| CN107767378A (zh) * | 2017-11-13 | 2018-03-06 | 浙江中医药大学 | 基于深度神经网络的gbm多模态磁共振图像分割方法 |
-
2018
- 2018-04-19 CN CN201810354623.7A patent/CN108629777A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103473767A (zh) * | 2013-09-05 | 2013-12-25 | 中国科学院深圳先进技术研究院 | 一种腹部软组织核磁图像分割的方法和系统 |
| WO2017010612A1 (ko) * | 2015-07-10 | 2017-01-19 | 주식회사 루닛 | 의료 영상 분석 기반의 병리 진단 예측 시스템 및 방법 |
| CN105574859A (zh) * | 2015-12-14 | 2016-05-11 | 中国科学院深圳先进技术研究院 | 一种基于ct图像的肝脏肿瘤分割方法及装置 |
| CN105931253A (zh) * | 2016-05-16 | 2016-09-07 | 陕西师范大学 | 一种基于半监督学习相结合的图像分割方法 |
| CN106022338A (zh) * | 2016-05-23 | 2016-10-12 | 麦克奥迪（厦门）医疗诊断系统有限公司 | 一种数字病理全切片图像感兴趣区域自动检测方法 |
| CN107240102A (zh) * | 2017-04-20 | 2017-10-10 | 合肥工业大学 | 基于深度学习算法的恶性肿瘤计算机辅助早期诊断方法 |
| 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 |
| CN107730507A (zh) * | 2017-08-23 | 2018-02-23 | 成都信息工程大学 | 一种基于深度学习的病变区域自动分割方法 |
| CN107767378A (zh) * | 2017-11-13 | 2018-03-06 | 浙江中医药大学 | 基于深度神经网络的gbm多模态磁共振图像分割方法 |
Non-Patent Citations (2)
| Title |
|---|
| 擎天荼荼: "图像识别检测", pages 159 - 47, Retrieved from the Internet <URL:https://blog.csdn.net/ftx2540993425/article/details/50938400> * |
| 查宇飞 等, 国防工业出版社 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109544561A (zh) * | 2018-11-07 | 2019-03-29 | 杭州迪英加科技有限公司 | 细胞标注方法、系统和装置 |
| CN109472313A (zh) * | 2018-11-14 | 2019-03-15 | 四川大学 | 一种提升深度学习识别b超图像稳定性的方法 |
| CN109727240A (zh) * | 2018-12-27 | 2019-05-07 | 深圳开立生物医疗科技股份有限公司 | 一种三维超声图像的遮挡组织剥离方法及相关装置 |
| 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 |
| 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 |
| CN110265142A (zh) * | 2019-06-11 | 2019-09-20 | 透彻影像(北京)科技有限公司 | 一种用于病变区域复原图的辅助诊断系统和方法 |
| 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 |
| CN110672608A (zh) * | 2019-10-15 | 2020-01-10 | 南京泰立瑞信息科技有限公司 | 一种全切片扫描路径动态规划方法及系统 |
| CN110672608B (zh) * | 2019-10-15 | 2022-04-12 | 南京泰立瑞信息科技有限公司 | 一种全切片扫描路径动态规划方法及系统 |
| CN111008953A (zh) * | 2019-10-29 | 2020-04-14 | 平安科技（深圳）有限公司 | 一种数字病理图像质控的方法及装置 |
| CN111008953B (zh) * | 2019-10-29 | 2023-10-31 | 平安科技（深圳）有限公司 | 一种数字病理图像质控的方法及装置 |
| CN111986802A (zh) * | 2020-08-14 | 2020-11-24 | 上海市肺科医院 | 一种肺腺癌病理分化等级的辅助判定系统及方法 |
| CN112767503A (zh) * | 2021-01-15 | 2021-05-07 | 北京航空航天大学 | 一种基于jpeg压缩编码的数字病理全切片图像快速分析方法 |
| CN113053497A (zh) * | 2021-03-08 | 2021-06-29 | 北京邮电大学 | 一种优化组织学病理图像智能分析性能的后处理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108629777A (zh) | 一种数字病理全切片图像病变区域自动分割方法 | |
| CN111696094B (zh) | 免疫组化pd-l1膜染色病理切片图像处理方法、装置和设备 | |
| CN112435243A (zh) | 一种全切片数字病理图像的自动分析系统及方法 | |
| CN111626947B (zh) | 基于生成对抗网络的地图矢量化样本增强方法及系统 | |
| CN108363951B (zh) | 遥感影像地类识别对应深度学习样本库的自动获取方法 | |
| CN105844228A (zh) | 一种基于卷积神经网络的遥感图像云检测方法 | |
| CN110853005A (zh) | 一种免疫组化膜染色切片诊断方法及装置 | |
| CN114140625A (zh) | 管道缺陷检测方法、系统、设备与计算机可读存储介质 | |
| Wang et al. | The poor generalization of deep convolutional networks to aerial imagery from new geographic locations: an empirical study with solar array detection | |
| CN108305253A (zh) | 一种基于多倍率深度学习的病理全切片诊断方法 | |
| CN112347927B (zh) | 基于卷积神经网络概率决策融合的高分影像建筑提取方法 | |
| CN113033516A (zh) | 对象识别统计方法及装置、电子设备、存储介质 | |
| CN111626358B (zh) | 一种基于bim图片识别的隧道围岩分级方法 | |
| CN113393454A (zh) | 活检组织中病理目标实例分割方法和装置 | |
| CN115909006A (zh) | 基于卷积Transformer的乳腺组织图像分类方法及系统 | |
| CN114067152B (zh) | 一种基于星载sar影像的精细化洪水淹没区提取方法 | |
| CN110807754B (zh) | 基于深度语义分割的真菌显微图像分割检测方法及系统 | |
| CN112785610B (zh) | 一种融合低层特征的车道线语义分割方法 | |
| CN116580285B (zh) | 铁路绝缘子夜间目标识别检测方法 | |
| CN116503750A (zh) | 融合目标检测和视觉注意机制的大范围遥感影像农村街区式居民地提取方法及系统 | |
| CN116071649A (zh) | 一种遥感图像识别的方法及装置 | |
| CN109919936A (zh) | 一种复合绝缘子运行状态的分析方法、装置及设备 | |
| Hänsch | The trap of random sampling and how to avoid it-alternative sampling strategies for a realistic estimate of the generalization error in remote sensing | |
| Huang et al. | Simultaneous update of high-resolution land-cover mapping attempt: Wuhan and the surrounding satellite cities cartography using L2HNet | |
| Wei-Hao et al. | Comparisons of Classification Models on COASTSAT |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181009 |