CN109271969A - 一种脑胶质瘤分级评价方法及其装置 - Google Patents

一种脑胶质瘤分级评价方法及其装置 Download PDF

Info

Publication number
CN109271969A
CN109271969A CN201811268608.7A CN201811268608A CN109271969A CN 109271969 A CN109271969 A CN 109271969A CN 201811268608 A CN201811268608 A CN 201811268608A CN 109271969 A CN109271969 A CN 109271969A
Authority
CN
China
Prior art keywords
cell
image
atypia
obtains
grading
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
CN201811268608.7A
Other languages
English (en)
Other versions
CN109271969B (zh
Inventor
付钰
王方
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.)
Beijing Qing Yan Xiangyun Technology Co Ltd
Original Assignee
Beijing Qing Yan Xiangyun Technology Co Ltd
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 Beijing Qing Yan Xiangyun Technology Co Ltd filed Critical Beijing Qing Yan Xiangyun Technology Co Ltd
Priority to CN201811268608.7A priority Critical patent/CN109271969B/zh
Publication of CN109271969A publication Critical patent/CN109271969A/zh
Application granted granted Critical
Publication of CN109271969B publication Critical patent/CN109271969B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Public Health (AREA)
  • Radiology & Medical Imaging (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明提供了一种脑胶质瘤分级评价方法及其装置，其中所述方法包括：获取目标患者的脑胶质瘤病理切片图像；基于神经网络技术，对所述脑胶质瘤病理切片图像进行识别，分别获得所述目标患者的所述脑胶质瘤病理切片图像对应的细胞密度、异型性细胞数量、血管壁增生面积和坏死组织总面积；并生成一目标患者对应的病理情况标注信息，通过预先训练的支持向量机病理分级模型对所述病理情况标注信息进行分级，得到分级评价结果。本发明大大提高了识别准确率和分级评价效率，降低了对于患者的CT断层扫描图像的分级评价的工作量，为分级诊断的工作带来了方便。

Description

一种脑胶质瘤分级评价方法及其装置
技术领域
本发明涉及肿瘤病理分级技术领域，更具体地说，涉及一种脑胶质瘤分级评价方法及其装置。
背景技术
由于诸多因素的影响，全球恶性肿瘤发病率呈现持续升高的态势，据推测到2020年前，全球恶性肿瘤发病率将增加50％，不仅如此，恶性肿瘤的死亡人数也在全球迅猛上升，而在我国等发展中国家，这一趋势将更为明显，并具有显著的年轻化趋势。因此，加强恶性肿瘤的防治研究，准确、客观的评价肿瘤生物学行为和预后，制定治疗方案显得更为迫切。
肿瘤的分型、分级和分期是目前评价肿瘤生物学行为和诊断的最重要的三项指标，其中分级和分期主要用于恶性肿瘤生物学行为和预后的评估。脑胶质瘤是由于大脑和脊髓胶质细胞癌变所产生的、最常见的原发性颅脑肿瘤。年发病率约为3-8人/10万人口。如同其他肿瘤(疾病)一样，胶质瘤也是由于先天的遗传高危因素和环境的致癌因素相互作用所导致的。一些已知的遗传疾病，例如神经纤维瘤病(I型)以及结核性硬化疾病等，为脑胶质瘤的遗传易感因素。
目前，对于脑胶质瘤的分级评价，均需要人工对于CT断层扫描图像进行逐一排查和分析，尤其是脑胶质瘤的CT断层扫描数据量较大，依次扫描可得到几十甚至数百张断层图像，所以对于脑胶质瘤的分级评价工作，工作量大、时间长、并且极易出现漏诊错诊的情况，为患者的及时诊断和治疗带来了安全隐患；此外，现有的分级评价方法，只能通过人工当面对患者的医学影像进行查看和诊断，无法实现远程的分级评价。
发明内容
有鉴于此，本发明提供一种脑胶质瘤分级评价方法及其装置以解决现有技术的不足。
为解决上述问题，本发明提供一种脑胶质瘤分级评价方法，包括：
获取目标患者的脑胶质瘤病理切片图像；
基于神经网络技术，对所述脑胶质瘤病理切片图像进行识别，分别获得所述目标患者的所述脑胶质瘤病理切片图像对应的细胞密度、异型性细胞数量、血管壁增生面积和坏死组织总面积；
根据所述细胞密度、所述异型性细胞数量、所述血管壁增生面积和所述坏死组织总面积生成一目标患者对应的病理情况标注信息，通过预先训练的支持向量机病理分级模型对所述病理情况标注信息进行分级，得到分级评价结果。
优选地，所述细胞密度的获得，包括：
获取预设数量的细胞核标注信息作为密度训练数据，利用Mask R-CNN分割模型通过所述密度训练数据进行训练，得到分割细胞核深度学习模型；
利用所述分割细胞核深度学习模型对所述脑胶质瘤病理切片图像进行识别，得到所述脑胶质瘤病理切片图像中的细胞总个数；并且，获取所述脑胶质瘤病理切片图像的总面积数；
通过所述脑胶质瘤病理切片图像中的所述细胞总个数除以所述总面积数，计算得出所述细胞密度。
优选地，所述异型性细胞数量的获得，包括：
通过异型性细胞特征数据对xgboost模型进行训练，得到异型性细胞xgboost分类模型；
通过所述异型性细胞xgboost分类模型对所述细胞总个数对应的每一个细胞进行分类，分别得到异型性细胞和非异型性细胞；并且，统计所述异型性细胞和所述非异型性细胞的个数，得到所述异型性细胞数量。
优选地，所述血管壁增生面积的获得，包括：
利用血管壁增生数据标记信息进行训练得到血管壁增生识别模型；
对所述脑胶质瘤病理切片图像依据预设倍数进行放大转换，得到放大图像；将所述放大图像切割成为多个1024×1024像素尺寸的图像识别单元；
将每个所述图像识别单元分别输入所述血管壁增生识别模型进行识别，提取出其中存在血管壁增生的图像识别单元作为增生单元；并且，统计所述增生单元的数量，并根据每个增生单元所对应的1024×1024像素尺寸计算得到所述血管壁增生面积。
优选地，所述坏死组织总面积的获得，包括：
利用坏死组织标记信息进行训练得到坏死组织识别模型；
对所述脑胶质瘤病理切片图像依据预设倍数进行放大转换，得到放大图像；将所述放大图像切割成为多个1024×1024像素尺寸的图像识别单元；
将每个所述图像识别单元分别输入所述坏死组织识别模型进行识别，提取出其中存在坏死组织的图像识别单元作为坏死单元；并且，统计所述坏死单元的数量，并根据每个坏死单元所对应的1024×1024像素尺寸计算得到所述坏死组织总面积。
优选地，所述“得到分级评价结果”之后，还包括：
基于图像采集设备对进行分级评价的操作用户进行图像采集，得到身份认证图像；
对所述身份认证图像进行特征定位、边缘检测和阈值分割，提取所述身份认证图像中的面部特征；
利用预先训练的认证用户图像识别模型对所述身份认证图像对应的面部特征进行识别，以判断所述操作用户是否为已认证用户；
若所述操作用户为已认证用户，则输出所述分级评价结果。
此外，为解决上述问题，本发明还提供一种脑胶质瘤分级评价装置，包括：获取模块、识别模块和分级模块；
所述获取模块，用于获取目标患者的脑胶质瘤病理切片图像；
所述识别模块，用于基于神经网络技术，对所述脑胶质瘤病理切片图像进行识别，分别获得所述目标患者的所述脑胶质瘤病理切片图像对应的细胞密度、异型性细胞数量、血管壁增生面积和坏死组织总面积；
所述分级模块，用于根据所述细胞密度、所述异型性细胞数量、所述血管壁增生面积和所述坏死组织总面积生成一目标患者对应的病理情况标注信息，通过预先训练的支持向量机病理分级模型对所述病理情况标注信息进行分级，得到分级评价结果。
此外，为解决上述问题，本发明还提供一种用户终端，包括存储器以及处理器，所述存储器用于存储脑胶质瘤分级评价程序，所述处理器运行所述脑胶质瘤分级评价程序以使所述用户终端执行如上述所述脑胶质瘤分级评价方法。
此外，为解决上述问题，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上存储有脑胶质瘤分级评价程序，所述脑胶质瘤分级评价程序被处理器执行时实现如所述脑胶质瘤分级评价方法。
本发明提供的一种脑胶质瘤分级评价方法及其装置。其中，本发明所提供的方法，包括：获取目标患者的脑胶质瘤病理切片图像；基于神经网络技术，对所述脑胶质瘤病理切片图像进行识别，分别获得所述目标患者的所述脑胶质瘤病理切片图像对应的细胞密度、异型性细胞数量、血管壁增生面积和坏死组织总面积；根据所述细胞密度、所述异型性细胞数量、所述血管壁增生面积和所述坏死组织总面积生成一目标患者对应的病理情况标注信息，通过预先训练的支持向量机病理分级模型对所述病理情况标注信息进行分级，得到分级评价结果。本发明利用神经网络深度学习技术，分别获得脑胶质瘤病理切片图像中的细胞密度、异型性细胞数量、血管壁增生面积和坏死组织总面积，进而综合细胞密度、异型性细胞数量、血管壁增生面积和坏死组织总面积，利用分级模型进行分级，得到分级评价结果。本发明实现了通过基于深度学习的图像识别技术，对脑胶质瘤病理切片图像进行机器识别，获取病理分级所需要的各项病例数据，并进一步通过分级模型进行分级，大大提高了识别准确率和分级评价效率，降低了对于患者的CT断层扫描图像的分级评价的工作量，为分级诊断的工作带来了方便。
附图说明
图1为本发明脑胶质瘤分级评价方法实施例方案涉及的硬件运行环境的结构示意图；
图2为本发明脑胶质瘤分级评价方法第一实施例的流程示意图；
图3为本发明脑胶质瘤分级评价方法第二实施例的流程示意图；
图4为本发明脑胶质瘤分级评价方法第三实施例的流程示意图；
图5为本发明脑胶质瘤分级评价装置的模块示意图。
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
下面详细描述本发明的实施例，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
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，图1是本发明实施例方案涉及的终端的硬件运行环境的结构示意图。
本发明实施例终端可以是与无人机连接的PC，也可以是智能手机、平板电脑，也可以为有一定计算能力并且具有显示和操控功能的电子书阅读器、播放器、便携计算机等可移动式终端设备。
如图1所示，该终端可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏、输入单元比如键盘、遥控器，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。此外，终端还包括图像采集设备1006，具体可以为摄像头，相机等。所述图像采集设备1006通过通信总线1002与所述处理器1001连接。可选地，终端还可以包括RF(Radio Frequency，射频)电路、音频电路、WiFi模块等等。此外，移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
本领域技术人员可以理解，图1中示出的终端并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机可读存储介质的存储器1005中可以包括操作系统、数据接口控制程序、网络连接程序以及脑胶质瘤分级评价程序。
本发明提供的一种脑胶质瘤分级评价方法及其装置。其中，所述方法实现了通过基于深度学习的图像识别技术，对脑胶质瘤病理切片图像进行机器识别，获取病理分级所需要的各项病例数据，并进一步通过分级模型进行分级，大大提高了识别准确率和分级评价效率，降低了对于患者的CT断层扫描图像的分级评价的工作量，为分级诊断的工作带来了方便。
实施例1：
参照图2，本发明第一实施例提供一种脑胶质瘤分级评价方法，包括：
步骤S10，获取目标患者的脑胶质瘤病理切片图像；
上述，脑胶质瘤病理切片图像，为患者的脑胶质瘤的CT断层扫描图像。
步骤S20，基于神经网络技术，对所述脑胶质瘤病理切片图像进行识别，分别获得所述目标患者的所述脑胶质瘤病理切片图像对应的细胞密度、异型性细胞数量、血管壁增生面积和坏死组织总面积；
目前，人工进行对脑胶质瘤医学影像的分级评价，主要从细胞密度，细胞异型性，血管壁增生，坏死组织这四个方面来进行判断。
步骤S30，根据所述细胞密度、所述异型性细胞数量、所述血管壁增生面积和所述坏死组织总面积生成一目标患者对应的病理情况标注信息，通过预先训练的支持向量机病理分级模型对所述病理情况标注信息进行分级，得到分级评价结果。
上述，需要说明的是，脑胶质瘤是因为大脑和脊髓胶质细胞癌变所产生的最常见的原发性颅脑恶性肿瘤。其发病率约占颅内肿瘤的35.2％～61.0％，由成胶质细胞衍化而来，具有发病率高、复发率高、死亡率高以及治愈率低的特点。
常见的脑胶质瘤，主要包括以下几种：
1、星形细胞瘤：
星形细胞瘤是指以星形胶质细胞所形成的肿瘤，据相关资料以及相关数据提示：星形细胞肿瘤占颅内肿瘤的13％-26％，占胶质瘤21.2％-51.6％，男性多于女性。
2、多型性黄色星形细胞瘤：
被认为是脑膜和脑间叶组织肿瘤，部分因为肿瘤有像"黄色瘤"细胞样的含脂肿瘤性巨怪细胞，部分因为许多瘤细胞产生基底膜。
3、室管膜下巨细胞性星形细胞瘤：
多发于青少年及部分未成年儿童，而且男性同胞多于女性同胞，以不同程度神经系统缺失为特征。临床诊断应与室管膜下室管膜瘤、室管膜下结节、室管膜瘤及脉络丛乳头状瘤等相鉴别。
4、毛细胞型星形细胞瘤：
一种边界较清，缓慢生长，常发生于儿童和年轻人的囊性星形细胞瘤，分别占大脑和小脑星形细胞瘤的10％和85％，毛细胞型星形细胞瘤好发于20岁前，无明显性别差异。随年龄增大而发病率降低，仅有少数病例发生在50岁以上。
脑胶质瘤的CT断层扫描图像中，由于存在大量神经元、星状细胞坏死组织阴影、血管壁阴影等等，部分组织及细胞在医生进行诊断分级评价时会给分级工作造成很大的干扰，所以本实施例中，提供一种脑胶质瘤分级评价方法，解决上述问题。此外，现有的分级评价方法，只能通过人工当面对患者的医学影像进行查看和诊断，无法实现远程的分级评价。本实施例中所提供的分级评价方法，基于机器识别和深度学习技术，可通过计算机智能进行分级和评价，进而可实现远程的对于异地患者的医学影像的诊断。例如，偏远山区的患者，无法得到一线城市中高水平医生的分析和诊断，通过本实施例可实现远程的分级和评价。
此外，在所述步骤S30之前，还可以包括：
采集预设数量不同患者的病例数据作为训练集合(优选为300例数据)，并将所述训练集合分成训练组和验证组，其中将80％的数据(即240张)作为训练组用来对训练，其他20％的数据作为验证组用来验证；
通过训练组的数据，基于深度学习技术，生成一支持向量机病理分级模型；
通过所述验证组中的病例数据对所述支持向量机病理分级模型进行精度验证；
若在验证组上的精度大于95％，则判定支持向量机病理分级模型达到使用标准。
在预测分级的过程当中，首先先对输入的数据(即几个数字)进行预处理，
此外，所述步骤S30“根据所述细胞密度、所述异型性细胞数量、所述血管壁增生面积和所述坏死组织总面积生成一目标患者对应的病理情况标注信息，通过预先训练的支持向量机病理分级模型对所述病理情况标注信息进行分级，得到分级评价结果。”还包括：
对所述细胞密度、所述异型性细胞数量、所述血管壁增生面积和所述坏死组织总面积进行数据预处理，将所述细胞密度、所述异型性细胞数量、所述血管壁增生面积和所述坏死组织总面积转换为与所述支持向量机病理分级模型相对应的转化数据；
其中，数据预处理包括标准化处理方法和规范化处理方法：
所述标准化处理方法，包括：
将所得到的所述细胞密度、所述异型性细胞数量、所述血管壁增生面积和所述坏死组织总面积分别进行均值统一和单位方差统一，得到所述转化数据。
所述规范化处理方法，包括：
将所得到的所述细胞密度、所述异型性细胞数量、所述血管壁增生面积和所述坏死组织总面积的值分别映射到相同的预设范围，得到所述转化数据。
本实施例中，预设范围为[0,1]。
之后，再将处理之后的数据，输入到SVM进行预测，得到分级的结果。
上述，本实施例中，将所得到的所述细胞密度、所述异型性细胞数量、所述血管壁增生面积和所述坏死组织总面积的值分别进行与模型相对应的数据转化，从而将数据转换为与模型对应的数据格式或数据范围，例如[0,1]，可使支持向量机病理分级模型直接对数据进行解析和分级，提高数据运算和分析的速度，提高准确度。
本实施例利用神经网络深度学习技术，分别获得脑胶质瘤病理切片图像中的细胞密度、异型性细胞数量、血管壁增生面积和坏死组织总面积，进而综合细胞密度、异型性细胞数量、血管壁增生面积和坏死组织总面积，利用分级模型进行分级，得到分级评价结果。本实施例实现了通过基于深度学习的图像识别技术，对脑胶质瘤病理切片图像进行机器识别，获取病理分级所需要的各项病例数据，并进一步通过分级模型进行分级，大大提高了识别准确率和分级评价效率，降低了对于患者的CT断层扫描图像的分级评价的工作量，为分级诊断的工作带来了方便。此外，本实施例可实现远程的对于异地患者的医学影像的诊断，为身处异地的患者的及时诊断分级带来了方便。
实施例2：
参照图3，本发明第二实施例提供一种脑胶质瘤分级评价方法，基于上述图2所示的第一实施例，所述细胞密度的获得，包括：
步骤S21，获取预设数量的细胞核标注信息作为密度训练数据，利用Mask R-CNN分割模型通过所述密度训练数据进行训练，得到分割细胞核深度学习模型；
步骤S22，利用所述分割细胞核深度学习模型对所述病理切片图像进行识别，得到所述病理切片图像中的细胞总个数；并且，获取所述病理切片图像的总面积数；通过所述病理切片图像中的所述细胞总个数除以所述总面积数，计算得出所述细胞密度。
上述，Mask R-CNN是一种在有效检测目标的同时输出高质量的实例分割mask模型。是对faster r-cnn的扩展，与bbox识别并行的增加一个预测分割mask的分支。Mask R-CNN可以应用到人体姿势识别。并且在实例分割、目标检测、人体关键点检测三个任务都取得了目前最好的效果。
本实施例中，利用Mask R-CNN分割模型通过所述密度训练数据进行训练，得到分割细胞核深度学习模型；进而可得到细胞的密度。
其中，预设数量为一定量的细胞核标注信息作为密度训练数据，在本实施例中可以为1000张。
具体的，本实施例通过细胞密度模块实现(此为运算第一阶段)：
1、使用maskrcnn分割模型，使用1000张细胞核标注作为训练数据，得到一个可以分割细胞核的深度学习模型；
2、将图片输入模型，针对分割的结果，可以统计出细胞的个数，除以整张图片的面积得到细胞的密度。
进一步的，所述异型性细胞数量的获得，包括：
步骤S23，通过异型性细胞特征数据对xgboost模型进行训练，得到异型性细胞xgboost分类模型；
步骤S24，通过所述异型性细胞xgboost分类模型对所述细胞总个数对应的每一个细胞进行分类，分别得到异型性细胞和非异型性细胞；并且，统计所述异型性细胞和所述非异型性细胞的个数，得到所述异型性细胞数量。
上述，需要说明的是，xgboost全称为eXtreme Gradient Boosting，由GBDT延伸而来，主要用于分类和回归算法，属于迭代型和树类算法。具有优点：速度快、效果好、能处理大规模数据、支持多种语言、支持自定义损失函数等。
本实施例中，通过利用xgboost训练模型，基于细胞数量等数据，获得性细胞的数量，具体的，通过异型性细胞模块实现：
1、根据第一阶段运算所找出全图全部的细胞，进行进一步的运算。同时，利用收集的异型性细胞特征数据对xgboost模型进行训练，得到异型性细胞xgboost分类模型；
2、根据分类模型针对每个第一阶段检测得到的细胞，用xgboost进行分类，分类得到为异型性和非异型性两类细胞。
3、将得到每个细胞的类别(异型性/正常)分别统计，即得到异性细胞的数量。
进一步的，所述血管壁增生面积的获得，包括：
步骤S25，利用血管壁增生数据标记信息进行训练得到血管壁增生识别模型；对所述病理切片图像依据预设倍数进行放大转换，得到放大图像；将所述放大图像切割成为多个1024×1024像素尺寸的图像识别单元；
步骤S26，将每个所述图像识别单元分别输入所述血管壁增生识别模型进行识别，提取出其中存在血管壁增生的图像识别单元作为增生单元；并且，统计所述增生单元的数量，并根据每个增生单元所对应的1024×1024像素尺寸计算得到所述血管壁增生面积。
上述，预设倍数可以为5、10、20、80等倍数，具体依据实际需要识别的精度进行调整，在本实施例中，优选的为10倍。原有的所获取到的病理切片图像，在放大十倍后，可以达到的尺寸为30000×15000像素左右。
在本实施例中，采用的血管壁增生面积识别的方法为，将放大后的图像，分割成为较小的图像块，在本实施例中可以为1024×1024像素，此外，也可以为其他尺寸，例如768×768像素、2048×2048像素，具体的以识别精度为准进行设置。在本实施例中，通过大量实验证明，放大后的图像优选的图像块的尺寸为1024×1024像素时，相比于其他尺寸的图像块的识别效率和识别精度可更优的实现平衡，达到最优化的识别结果。
本实施例中，通过血管壁增生模块进行识别血管壁增生面积(第三阶段)，其中，可以为：
1、在大尺度上(例如10倍)，将图片才建成1024*1024的小块，分别每块输入模型(用标注的存在血管壁增上的数据进行训练)；
2、通过模型进行判断，将存在血管壁增生的图片数据进行统计数量，进而得到血管壁增生的总体面积。
进一步的，所述坏死组织总面积的获得，包括：
步骤S27，利用坏死组织标记信息进行训练得到坏死组织识别模型；对所述病理切片图像依据预设倍数进行放大转换，得到放大图像；将所述放大图像切割成为多个1024×1024像素尺寸的图像识别单元；
步骤S28，将每个所述图像识别单元分别输入所述坏死组织识别模型进行识别，提取出其中存在坏死组织的图像识别单元作为坏死单元；并且，统计所述坏死单元的数量，并根据每个坏死单元所对应的1024×1024像素尺寸计算得到所述坏死组织总面积。
上述，本实施例中，利用与第三阶段相似的方法，实现对于坏死组织总面积的获得，具体的通过坏死组织检测模块实现(第四阶段)：
1、在大尺度上(例如10倍)，将图片才建成1024*1024的小块，分别每块输入模型(用标注的存在坏死组织的数据进行训练)，
2、进行判断，将存在坏死组织的图片数据进行统计数量，进而得到坏死组织的总体面积。
此外，上述通过四个阶段，基于四个模块分别得到综合细胞密度、异型性细胞数量、血管壁增生面积和坏死组织总面积四个病理数据。其逻辑执行顺序，可以为依次执行，也可以为同时执行，或者更换顺序执行。
本实施例中，基于深度学习技术，通过细胞密度模块、异型性细胞模块、血管壁增生模块和坏死组织检测模块，分别或依次执行，得到了综合细胞密度、异型性细胞数量、血管壁增生面积和坏死组织总面积，从而提高了识别效率，提高了识别的准确率。
实施例3：
参照图4，本发明第三实施例提供一种脑胶质瘤分级评价方法，基于上述图2所示的第一实施例，所述“得到分级评价结果”之后，还包括：
步骤S40，基于图像采集设备对进行分级评价的操作用户进行图像采集，得到身份认证图像；
上述，图像采集设备，可以为摄像头，用于对医生进行图像采集认证。
步骤S50，对所述身份认证图像进行特征定位、边缘检测和阈值分割，提取所述身份认证图像中的面部特征；
步骤S60，利用预先训练的认证用户图像识别模型对所述身份认证图像对应的面部特征进行识别，以判断所述操作用户是否为已认证用户；
步骤S70，若所述操作用户为已认证用户，则输出所述分级评价结果。
在进行分级诊断和评价时，癌症患者的个人诊断信息，是具有一定私密性的信息，不同程度、不同分级的情况，如果让无直接关系或心理较为脆弱的患者本人知晓，则会对患者的康复和治疗造成巨大的影响。所以，分级诊断的评价结果的输出，需要进行对特定的认证人员才能输出。
现有技术中，是通过人工进行诊断和识别，在机器识别和评价时，一般并不会考虑到实际的结果输出情况，这就造成任何人拿到患者的断层扫描数据，即可通过本实施例中所提供的方法进行分级诊断，从而获得到该患者的脑胶质瘤的分级情况，这为进一步的诊断和治疗造成麻烦，并且造成一定的个人私密医疗诊断数据的泄露。
本实施例中，通过图像识别技术，识别进行分级诊断的操作用户，确认其是否有查看识别结果的权限，例如，与该患者匹配的主治医生，与该患者对应的检验人员等。当确认操作用户为已认证用户，才将所或得到的分级评价结果进行输出显示。从而大大提高了医疗诊断数据，尤其是脑胶质瘤分级诊断的分级评价结果的私密性，提高数据输出、检测、显示的安全性，将有效的数据显示给有权限的与患者病情相对应的操作人员。
此外，参考图5，本发明还提供一种脑胶质瘤分级评价装置，包括：获取模块10、识别模块20和分级模块30；
所述获取模块10，用于获取目标患者的脑胶质瘤病理切片图像；
所述识别模块20，用于基于神经网络技术，对所述脑胶质瘤病理切片图像进行识别，分别获得所述目标患者的所述脑胶质瘤病理切片图像对应的细胞密度、异型性细胞数量、血管壁增生面积和坏死组织总面积；
所述分级模块30，用于根据所述细胞密度、所述异型性细胞数量、所述血管壁增生面积和所述坏死组织总面积生成一目标患者对应的病理情况标注信息，通过预先训练的支持向量机病理分级模型对所述病理情况标注信息进行分级，得到分级评价结果。
此外，本发明还提供一种用户终端，包括存储器以及处理器，所述存储器用于存储脑胶质瘤分级评价程序，所述处理器运行所述脑胶质瘤分级评价程序以使所述用户终端执行如上述所述脑胶质瘤分级评价方法。
此外，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上存储有脑胶质瘤分级评价程序，所述脑胶质瘤分级评价程序被处理器执行时实现如所述脑胶质瘤分级评价方法。
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 (9)

1.一种脑胶质瘤分级评价方法，其特征在于，包括：
获取目标患者的脑胶质瘤病理切片图像；
基于神经网络技术，对所述脑胶质瘤病理切片图像进行识别，分别获得所述目标患者的所述脑胶质瘤病理切片图像对应的细胞密度、异型性细胞数量、血管壁增生面积和坏死组织总面积；
根据所述细胞密度、所述异型性细胞数量、所述血管壁增生面积和所述坏死组织总面积生成一目标患者对应的病理情况标注信息，通过预先训练的支持向量机病理分级模型对所述病理情况标注信息进行分级，得到分级评价结果。
2.如权利要求1所述脑胶质瘤分级评价方法，其特征在于，所述细胞密度的获得，包括：
获取预设数量的细胞核标注信息作为密度训练数据，利用Mask R-CNN分割模型通过所述密度训练数据进行训练，得到分割细胞核深度学习模型；
利用所述分割细胞核深度学习模型对所述脑胶质瘤病理切片图像进行识别，得到所述脑胶质瘤病理切片图像中的细胞总个数；并且，获取所述脑胶质瘤病理切片图像的总面积数；
通过所述脑胶质瘤病理切片图像中的所述细胞总个数除以所述总面积数，计算得出所述细胞密度。
3.如权利要求2所述脑胶质瘤分级评价方法，其特征在于，所述异型性细胞数量的获得，包括：
通过异型性细胞特征数据对xgboost模型进行训练，得到异型性细胞xgboost分类模型；
通过所述异型性细胞xgboost分类模型对所述细胞总个数对应的每一个细胞进行分类，分别得到异型性细胞和非异型性细胞；并且，统计所述异型性细胞和所述非异型性细胞的个数，得到所述异型性细胞数量。
4.如权利要求1所述脑胶质瘤分级评价方法，其特征在于，所述血管壁增生面积的获得，包括：
利用血管壁增生数据标记信息进行训练得到血管壁增生识别模型；并且，对所述脑胶质瘤病理切片图像依据预设倍数进行放大转换，得到放大图像；将所述放大图像切割成为多个1024×1024像素尺寸的图像识别单元；
将每个所述图像识别单元分别输入所述血管壁增生识别模型进行识别，提取出其中存在血管壁增生的图像识别单元作为增生单元；并且，统计所述增生单元的数量，并根据每个增生单元所对应的1024×1024像素尺寸计算得到所述血管壁增生面积。
5.如权利要求1所述脑胶质瘤分级评价方法，其特征在于，所述坏死组织总面积的获得，包括：
利用坏死组织标记信息进行训练得到坏死组织识别模型；并且，对所述脑胶质瘤病理切片图像依据预设倍数进行放大转换，得到放大图像；将所述放大图像切割成为多个1024×1024像素尺寸的图像识别单元；
将每个所述图像识别单元分别输入所述坏死组织识别模型进行识别，提取出其中存在坏死组织的图像识别单元作为坏死单元；并且，统计所述坏死单元的数量，并根据每个坏死单元所对应的1024×1024像素尺寸计算得到所述坏死组织总面积。
6.如权利要求1所述脑胶质瘤分级评价方法，其特征在于，所述“得到分级评价结果”之后，还包括：
基于图像采集设备对进行分级评价的操作用户进行图像采集，得到身份认证图像；
对所述身份认证图像进行特征定位、边缘检测和阈值分割，提取所述身份认证图像中的面部特征；
利用预先训练的认证用户图像识别模型对所述身份认证图像对应的面部特征进行识别，以判断所述操作用户是否为已认证用户；
若所述操作用户为已认证用户，则输出所述分级评价结果。
7.一种脑胶质瘤分级评价装置，其特征在于，包括：获取模块、识别模块和分级模块；
所述获取模块，用于获取目标患者的脑胶质瘤病理切片图像；
所述识别模块，用于基于神经网络技术，对所述脑胶质瘤病理切片图像进行识别，分别获得所述目标患者的所述脑胶质瘤病理切片图像对应的细胞密度、异型性细胞数量、血管壁增生面积和坏死组织总面积；
所述分级模块，用于根据所述细胞密度、所述异型性细胞数量、所述血管壁增生面积和所述坏死组织总面积生成一目标患者对应的病理情况标注信息，通过预先训练的支持向量机病理分级模型对所述病理情况标注信息进行分级，得到分级评价结果。
8.一种用户终端，其特征在于，包括存储器以及处理器，所述存储器用于存储脑胶质瘤分级评价程序，所述处理器运行所述脑胶质瘤分级评价程序以使所述用户终端执行如权利要求1-6中任一项所述脑胶质瘤分级评价方法。
9.一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上存储有脑胶质瘤分级评价程序，所述脑胶质瘤分级评价程序被处理器执行时实现如权利要求1-6中任一项所述脑胶质瘤分级评价方法。
CN201811268608.7A 2018-10-29 2018-10-29 一种脑胶质瘤分级评价方法及其装置 Active CN109271969B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811268608.7A CN109271969B (zh) 2018-10-29 2018-10-29 一种脑胶质瘤分级评价方法及其装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811268608.7A CN109271969B (zh) 2018-10-29 2018-10-29 一种脑胶质瘤分级评价方法及其装置

Publications (2)

Publication Number Publication Date
CN109271969A true CN109271969A (zh) 2019-01-25
CN109271969B CN109271969B (zh) 2020-03-24

Family

ID=65194513

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811268608.7A Active CN109271969B (zh) 2018-10-29 2018-10-29 一种脑胶质瘤分级评价方法及其装置

Country Status (1)

Country Link
CN (1) CN109271969B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109903280A (zh) * 2019-02-27 2019-06-18 上海联影智能医疗科技有限公司 肿瘤确定系统、方法及存储介质
CN109961059A (zh) * 2019-04-10 2019-07-02 杭州智团信息技术有限公司 检测肾脏感兴趣组织区域的方法及系统
CN110136137A (zh) * 2019-04-02 2019-08-16 成都真实维度科技有限公司 一种基于断层扫描图数据集进行血管区域分割的方法
CN110738658A (zh) * 2019-12-21 2020-01-31 杭州迪英加科技有限公司 图像质量评价方法
CN110763678A (zh) * 2019-09-12 2020-02-07 杭州迪英加科技有限公司 一种病理切片判读方法及系统
CN111429412A (zh) * 2020-03-17 2020-07-17 北京青燕祥云科技有限公司 肝包虫超声ai辅助诊断方法及系统
CN111489327A (zh) * 2020-03-06 2020-08-04 浙江工业大学 一种基于Mask R-CNN算法的癌细胞图像检测与分割方法
CN111833356A (zh) * 2020-06-15 2020-10-27 五邑大学 脑部胶质瘤图像分级方法、装置及存储介质
CN111967465A (zh) * 2020-07-07 2020-11-20 广州金域医学检验中心有限公司 肿瘤细胞含量评估方法、系统、计算机设备及存储介质
CN113642386A (zh) * 2021-07-02 2021-11-12 广州金域医学检验中心有限公司 基于深度学习评价鼻咽癌治疗效果的方法、装置、设备和介质
CN113723441A (zh) * 2021-06-29 2021-11-30 中山大学孙逸仙纪念医院 一种唇腺病理智能分析系统及方法
CN115082718A (zh) * 2022-05-06 2022-09-20 清华大学 基于组织病理图像的胶质瘤分级方法、装置、设备及介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103678935A (zh) * 2013-12-25 2014-03-26 柳州市欧博科技有限公司 基于云服务平台的社区医疗健康的数字化诊疗集成系统
CN106683081A (zh) * 2016-12-17 2017-05-17 复旦大学 基于影像组学的脑胶质瘤分子标记物无损预测方法和预测系统
CN106780475A (zh) * 2016-12-27 2017-05-31 北京市计算中心 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
CN107220966A (zh) * 2017-05-05 2017-09-29 郑州大学 一种基于影像组学的脑胶质瘤分级预测方法
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
CN108375747A (zh) * 2018-03-22 2018-08-07 复旦大学 一种基于磁共振指纹的动态增强磁共振成像方法
CN108447063A (zh) * 2017-12-15 2018-08-24 浙江中医药大学 脑胶质母细胞瘤的多模态核磁共振图像分割方法
CN108710890A (zh) * 2018-03-30 2018-10-26 中国科学院深圳先进技术研究院 脑胶质瘤术前分级方法、装置、设备及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103678935A (zh) * 2013-12-25 2014-03-26 柳州市欧博科技有限公司 基于云服务平台的社区医疗健康的数字化诊疗集成系统
CN106683081A (zh) * 2016-12-17 2017-05-17 复旦大学 基于影像组学的脑胶质瘤分子标记物无损预测方法和预测系统
CN106780475A (zh) * 2016-12-27 2017-05-31 北京市计算中心 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
CN107220966A (zh) * 2017-05-05 2017-09-29 郑州大学 一种基于影像组学的脑胶质瘤分级预测方法
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
CN108447063A (zh) * 2017-12-15 2018-08-24 浙江中医药大学 脑胶质母细胞瘤的多模态核磁共振图像分割方法
CN108375747A (zh) * 2018-03-22 2018-08-07 复旦大学 一种基于磁共振指纹的动态增强磁共振成像方法
CN108710890A (zh) * 2018-03-30 2018-10-26 中国科学院深圳先进技术研究院 脑胶质瘤术前分级方法、装置、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
GUO-ZHENG LI ET AL.: "Degree prediction of malignancy in brain glioma using support vector machines", 《COMPUTERS IN BIOLOGY AND MEDICINE》 *
第4期: "磁共振扩散峰度成像（DKI）临床研究进展", 《影像诊断与介入放射学》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11200668B2 (en) 2019-02-27 2021-12-14 Shanghai United Imaging Intelligence Co., Ltd. Methods and devices for grading a tumor
CN109903280A (zh) * 2019-02-27 2019-06-18 上海联影智能医疗科技有限公司 肿瘤确定系统、方法及存储介质
CN110136137A (zh) * 2019-04-02 2019-08-16 成都真实维度科技有限公司 一种基于断层扫描图数据集进行血管区域分割的方法
CN109961059A (zh) * 2019-04-10 2019-07-02 杭州智团信息技术有限公司 检测肾脏感兴趣组织区域的方法及系统
CN110763678A (zh) * 2019-09-12 2020-02-07 杭州迪英加科技有限公司 一种病理切片判读方法及系统
CN110738658A (zh) * 2019-12-21 2020-01-31 杭州迪英加科技有限公司 图像质量评价方法
CN111489327A (zh) * 2020-03-06 2020-08-04 浙江工业大学 一种基于Mask R-CNN算法的癌细胞图像检测与分割方法
CN111429412A (zh) * 2020-03-17 2020-07-17 北京青燕祥云科技有限公司 肝包虫超声ai辅助诊断方法及系统
CN111429412B (zh) * 2020-03-17 2023-11-03 北京青燕祥云科技有限公司 肝包虫超声ai辅助诊断方法及系统
CN111833356A (zh) * 2020-06-15 2020-10-27 五邑大学 脑部胶质瘤图像分级方法、装置及存储介质
CN111833356B (zh) * 2020-06-15 2023-02-28 五邑大学 脑部胶质瘤图像分级方法、装置及存储介质
CN111967465A (zh) * 2020-07-07 2020-11-20 广州金域医学检验中心有限公司 肿瘤细胞含量评估方法、系统、计算机设备及存储介质
CN113723441A (zh) * 2021-06-29 2021-11-30 中山大学孙逸仙纪念医院 一种唇腺病理智能分析系统及方法
CN113723441B (zh) * 2021-06-29 2024-04-19 中山大学孙逸仙纪念医院 一种唇腺病理智能分析系统及方法
CN113642386A (zh) * 2021-07-02 2021-11-12 广州金域医学检验中心有限公司 基于深度学习评价鼻咽癌治疗效果的方法、装置、设备和介质
CN115082718A (zh) * 2022-05-06 2022-09-20 清华大学 基于组织病理图像的胶质瘤分级方法、装置、设备及介质

Also Published As

Publication number Publication date
CN109271969B (zh) 2020-03-24

Similar Documents

Publication Publication Date Title
CN109271969A (zh) 一种脑胶质瘤分级评价方法及其装置
Gautam et al. Towards effective classification of brain hemorrhagic and ischemic stroke using CNN
Fujisawa et al. The possibility of deep learning-based, computer-aided skin tumor classifiers
Gull et al. Automated detection of brain tumor through magnetic resonance images using convolutional neural network
Thapar et al. [Retracted] A Novel Hybrid Deep Learning Approach for Skin Lesion Segmentation and Classification
Arnaud et al. Fully automatic lesion localization and characterization: Application to brain tumors using multiparametric quantitative MRI data
Narayanan et al. Multi-channeled MR brain image segmentation: A novel double optimization approach combined with clustering technique for tumor identification and tissue segmentation
Manzak et al. Automated classification of Alzheimer’s disease using deep neural network (DNN) by random forest feature elimination
Agrawal et al. Assistive framework for automatic detection of all the zones in retinopathy of prematurity using deep learning
US10832410B2 (en) Computer system, method, and program for diagnosing subject
Toğaçar et al. Use of dominant activations obtained by processing OCT images with the CNNs and slime mold method in retinal disease detection
Akram et al. Segmentation and classification of skin lesions using hybrid deep learning method in the Internet of Medical Things
Bahadure et al. Feature extraction and selection with optimization technique for brain tumor detection from MR images
Sharma et al. DepCap: a smart healthcare framework for EEG based depression detection using time-frequency response and deep neural network
Omeroglu et al. A novel soft attention-based multi-modal deep learning framework for multi-label skin lesion classification
Elayaraja et al. An efficient approach for detection and classification of cancer regions in cervical images using optimization based CNN classification approach
Ahmed et al. A review on the detection techniques of polycystic ovary syndrome using machine learning
Ahammed et al. Bag-of-features model for asd fmri classification using svm
Sonntag et al. The Skincare project, an interactive deep learning system for differential diagnosis of malignant skin lesions. Technical Report
Nandakumar et al. A novel graph neural network to localize eloquent cortex in brain tumor patients from resting-state fmri connectivity
Soundrapandiyan et al. AI-based wavelet and stacked deep learning architecture for detecting coronavirus (COVID-19) from chest X-ray images
Sujaini et al. Comparing the performance of linear regression versus deep learning on detecting melanoma skin cancer using apple core ML
Nugroho et al. Image dermoscopy skin lesion classification using deep learning method: systematic literature review
Zhang et al. Value of rehabilitation training for children with cerebral palsy diagnosed and analyzed by computed tomography imaging information features under deep learning
Padmasini et al. Automated detection of multiple structural changes of diabetic macular oedema in SDOCT retinal images through transfer learning in CNNs

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