CN109543758A - 基于共轭蝶形条件随机场的宫颈癌组织病理图像诊断方法 - Google Patents
基于共轭蝶形条件随机场的宫颈癌组织病理图像诊断方法 Download PDFInfo
- Publication number
- CN109543758A CN109543758A CN201811422275.9A CN201811422275A CN109543758A CN 109543758 A CN109543758 A CN 109543758A CN 201811422275 A CN201811422275 A CN 201811422275A CN 109543758 A CN109543758 A CN 109543758A
- Authority
- CN
- China
- Prior art keywords
- image
- random field
- nucleus
- butterfly
- conjugation
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
-
- 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
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了基于共轭蝶形条件随机场的宫颈癌组织病理图像诊断方法,包括:获取待处理的组织病理学图像并进行预处理;对预处理后的图像进行图像分割,获得图像的细胞核二值图,根据图像分割结果定位细胞核,得到图像的细胞核坐标,并将细胞核二值图分割成固定大小的图像块;对细胞核二值图进行特征提取,得到图像的全局特征,对细胞核二值图的图像块进行特征提取,得到图像的局部特征;将图像的全局特征和局部特征输入到预先设计的共轭蝶形对称布局的条件随机场模型中,根据细胞核坐标定位包含细胞核图像块,得到全图细胞核特征,并使用预先训练的条件随机场分类器进行处理,输出分类结果。可以较为精确的给出患者的病理状态,提高诊断准确率。
Description
技术领域
本发明涉及医学显微图像处理技术领域,尤其涉及一种基于共轭蝶形条件随机场的宫颈癌组织病理图像诊断方法。
背景技术
宫颈癌是最常见的妇科恶性肿瘤。虽然近年来对于本病的普查逐渐得到重视,但是在广大的农村却很少有人定期去医院检查,同时,近年来HPV感染状况越来越重,所以宫颈癌的发病有逐渐增高的趋势,并且也有着越来越年轻化的趋势。由此,关于宫颈癌的组织病理学研究势在必行,不能拖延。
宫颈癌组织病理学图像只是作为基础事实,需要经验丰富的病理学家对病理图像做出判断。然而,不同病理学家或者不同时间的同一病理学家对同一病理图像的判断会有差异,这可能会产生较大的误差,更不必说,在医疗资源缺乏的欠发达地区,经验不够丰富的医学生和病理学家对组织病理学图像也不能做出可靠的判断。
为了提高医生的准确率,给予缺少经验的医生一些指引方向,大幅度提高工作效率并提升整体水平,现有中大多使用决策树、支持向量机以及人工神经网络等分类方法对宫颈癌组织病理学图像进行分类,但是上述分类方法均未将空间结构关系考虑在内。因此,亟需一种基于共轭蝶形条件随机场的宫颈癌组织病理图像诊断方法。
发明内容
(一)要解决的技术问题
为了解决现有技术的上述问题,本发明提供一种基于共轭蝶形条件随机场的宫颈癌组织病理图像诊断方法,可以较为精确的给出患者的病理状态,提高诊断准确率。
(二)技术方案
为了达到上述目的,本发明采用的主要技术方案包括:
一种基于共轭蝶形条件随机场的宫颈癌组织病理图像诊断方法,包括以下步骤:
步骤S1、获取待处理的组织病理学图像;
步骤S2、对所述每一张待处理的图像进行预处理;
步骤S3、对所述每一张预处理后的图像进行图像分割,获得每一张图像的细胞核二值图,根据图像分割结果定位细胞核,得到每一张图像的细胞核坐标,并将每一张细胞核二值图分割成固定大小的图像块;
步骤S4、对所述每一张细胞核二值图进行特征提取,得到每一张图像的全局特征,对所述每一张细胞核二值图的每个图像块进行特征提取,得到每一张图像的局部特征;
步骤S5、将所述每一张图像的全局特征和局部特征输入到预先设计的条件随机场模型中,根据细胞核坐标定位包含细胞核的图像块,得到全图细胞核特征,并使用预先训练的条件随机场分类器进行处理,输出分类结果;
所述预先设计的条件随机场模型为共轭蝶形对称布局的由对称两侧像素点参数计算对称中心像素点的条件概率的模型。
作为本发明基于共轭蝶形条件随机场的宫颈癌组织病理图像诊断方法的一种改进,在所述步骤S1之前还包括:
S01、选择相同数量的高、中、低分化组织病理学图像子集作为训练集;
S02、对所述训练集中的每一张图像进行所述步骤S1至S4处理;
S03、向条件随机场分类器中输入高分化组织病理学图像子集中每一张图像的全局特征和局部特征,得到高分化分类器模型;
向条件随机场分类器中输入中分化组织病理学图像子集中每一张图像的全局特征和局部特征,得到中分化分类器模型;
向条件随机场分类器中输入低分化组织病理学图像子集中每一张图像的全局特征和局部特征,得到低分化分类器模型。
作为本发明基于共轭蝶形条件随机场的宫颈癌组织病理图像诊断方法的一种改进,步骤S2中,所述预处理包括图像去噪和增强图像对比度。
作为本发明基于共轭蝶形条件随机场的宫颈癌组织病理图像诊断方法的一种改进,先使用中值滤波器对图像去噪,再使用直方图均衡化来增强图像对比度。
作为本发明基于共轭蝶形条件随机场的宫颈癌组织病理图像诊断方法的一种改进,步骤S3中,对所述每一张预处理后的图像进行图像分割,获得每一张图像的细胞核二值图,具体为:
采用基于K-means聚类的图像分割方法,设置聚类数K为4,把组织病理学图像聚为细胞核、细胞质、细胞间质、图像标注四类,再结合适当的形态学操作生成细胞核二值图。
作为本发明基于共轭蝶形条件随机场的宫颈癌组织病理图像诊断方法的一种改进,特征提取后,使用主成分分析法对每一张图像进行降维。
作为本发明基于共轭蝶形条件随机场的宫颈癌组织病理图像诊断方法的一种改进,步骤S4中,每一张图像的全局特征包括全图纹理特征和全图平均DAISY特征;所述全图纹理特征为全图灰度直方图特征。
作为本发明基于共轭蝶形条件随机场的宫颈癌组织病理图像诊断方法的一种改进,步骤S4中,每一张图像的局部特征,具体为提取每个图像块平均DAISY特征描述符。
作为本发明基于共轭蝶形条件随机场的宫颈癌组织病理图像诊断方法的一种改进,使用预先训练的条件随机场分类器进行处理,具体为:
计算每一张图像与3个模型的相似率,选择相似率最高的模型类别作为最终分类和诊断结果;
相似率的计算公式如下:相似率=全图细胞核平均DAISY特征相似度*全图灰度直方图相似度*全图平均DAISY特征相似度,其中,相似度的计算采用corr2函数。
(三)有益效果
本发明的有益效果是:
通过将条件随机场模型设计为共轭蝶形对称布局,该模型可以覆盖目标区域两侧(左右或上下)的大部分区域,以获取其中图像的有用信息与数据;主要考虑目标区域两侧的图像或数据,可以适当降低区域中噪声干扰带来的影响;可以根据特定图像和实际需求设计条件概率的计算方法,且横向共轭蝶形对称布局与纵向共轭蝶形对称布局互相补充,形成共轭关系,可以全面地描述空间信息,系统的诊断结果更为高效可靠。
借助于将条件随机场分类器应用于组织病理图像的自动分析,形成了一套组织病理学图像的自动诊断系统,可以适当减缓病理学家资源分配不均、不够充分的问题,也可以指导医学生与经验不充足的医生进行合理诊断;并且本发明还可以较为精确地给出患者的病理状态,包括高分化、中分化、低分化等3个类别,提高诊断准确率。
附图说明
本发明借助于以下附图进行描述:
图1为本发明实施例中组织病理学图像分析流程图;
图2为本发明实施例中组织病理学图像分块示意图;
图3为本发明实施例中条件随机场模型示意图;
图4为本发明实施例中组织病理学图像诊断方法的流程示意图,其中A是全图细胞核平均DAISY特征,B是全图灰度直方图特征,C是全图平均DAISY特征。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
本发明提供了一种基于共轭蝶形条件随机场的宫颈癌组织病理图像诊断方法,如图1所示,具体包括以下步骤:
步骤S1、获取待处理的组织病理学图像。
步骤S2、对每一张待处理的图像进行预处理。
步骤S3、对每一张预处理后的图像进行图像分割,获得每一张图像的细胞核二值图,根据图像分割结果定位细胞核,得到每一张图像的细胞核坐标,并将每一张细胞核二值图分割成固定大小的图像块。
步骤S4、对每一张细胞核二值图进行特征提取,得到每一张图像的全局特征,对每一张细胞核二值图的每个图像块进行特征提取,得到每一张图像的局部特征。
步骤S5、将每一张图像的全局特征和局部特征输入到预先设计的条件随机场模型中,根据细胞核坐标定位包含细胞核的图像块,得到全图细胞核特征,并使用预先训练的条件随机场分类器进行处理,输出分类结果。
在步骤S1中,待处理的组织病理学图像的格式包括*.bmp,*.BMP,*.dip,*DIP,*.jpg,*.JPG,*.jpeg,*JPEG,*.jpe,*.JPE,*.jfif,*JFIF,*.gif,*.GIF,*.tif,*.TIF,*.tiff,*.TIFF,*.png,*.PNG。
在步骤S2中,对待处理的图像进行预处理,具体为:先使用中值滤波器对待处理图像进行去噪,再使用直方图均衡化来增强待处理图像对比度。可以想见,使用均值滤波器对待处理图像进行去噪,也可以实现类似的效果。
在步骤S3中,采用基于K-means聚类的图像分割方法,设置聚类数K为4,把组织病理学图像聚为细胞核、细胞质、细胞间质、图像标注四类;再结合适当的形态学操作生成细胞核二值图。当然,上述图像分割方法仅仅是优选,可以想见,采用分水岭方法进行图像分割,也可以实现同样的效果。进一步地,将每一张细胞核二值图分割成100×100像素的图像块,如图2(图像的比例尺为50μm)所示。
在步骤S4中,对每一张细胞核二值图进行特征提取,包括全图纹理特征和全图平均DAISY特征,其中,全图纹理特征采用全图灰度直方图特征。对每一张细胞核二值图的每个图像块进行特征提取,具体为提取每个图像块平均DAISY特征描述符。DAISY是面向稠密特征提取地可快速计算地局部图像特征描述子,利用高斯卷积来进行梯度方向直方图的分块汇聚,这样利用高斯卷积的可快速计算性就可以快速稠密的进行特征描述子的提取。
当然,提取DAISY特征、全图灰度直方图特征仅仅是优选,可以想见,使用二元鲁棒不变可扩展关键点(BRISK)代替DAISY特征,使用颜色矩特征代替全图灰度直方图特征,也可以实现类似的效果。进一步优选地,特征提取后,使用主成分分析法(PCA)进行降维,相应的,所述步骤S5包括:将每一张图像的全局特征和降维后的局部特征输入到预先设计的条件随机场模型中;把多指标转化为少数几个综合指标(即主成分),其中每个主成分都能够反映原始变量的大部分信息,且所含信息互不重复,使问题简单化,同时得到的结果更加科学有效的数据信息。
在步骤S5中,预先设计的条件随机场模型为共轭蝶形对称布局的由对称两侧像素点参数计算对称中心像素点的条件概率的模型。如图3所示,将条件随机场模型设计为共轭蝶形对称布局,形似“蝴蝶”,由两侧(左右或上下)对称分布的图像块的参数计算位于对称中心的图像块的条件概率(在这里,将图像块与像素点进行互相类比,把网格化的图像块看作一个像素点,便于应用所设计的条件随机场模型),以横向蝶形布局为例,根据细胞核坐标定位包含细胞核的图像块,将这些包含细胞核的图像块作为对称中心像素点,由0.5倍的左侧图像块平均DAISY特征向量与0.5倍的右侧图像块平均DAISY特征向量的和得到作为对称中心的包含细胞核的图像块的平均DAISY特征向量,再计算所有包含细胞核的图像块的平均DAISY特征向量,得到达张图像的全图细胞核平均DAISY特征。
采用共轭蝶形对称布局的条件随机场模型,具有以下功能和优势:(1)、该模型可以覆盖目标区域左右(或上下)两侧的大部分区域,以获取其中图像的有用信息与数据,例如目标区域左右(或上下)两侧细胞核的分布情况以及其相对应的特征数据或特征向量;(2)、该布局采用了共轭蝶形对称设计,主要考虑目标区域左右(或上下)两侧的图像或数据,可以适当降低区域中噪声干扰带来的影响,不会因为某一小块的干扰改变结果,并且构造简单,便于使用代码实现;(3)、该布局可以根据特定图像和实际需求设计条件概率的计算方法,比如对于组织边缘的组织病理学图像,可以设置左右(或上下)白色区域不同的比重,而对于组织内部的病理学图像,则一般设置为左右(或上下)区域相同比重。横向共轭蝶形对称布局与纵向共轭蝶形对称布局互相补充,形成共轭关系,可以全面地描述空间信息。
蝶形条件随机场模型可用以下公式表示:
其中,c表示类别标签,x为输入图像,Z(θ,x)是对分布进行归一化的分区函数,θ={θψ,θφ,θλ}是模型参数,i是对应于图像块中的索引,n为全图图像块的数目。可见,ψi(ci,x;θψ,)代表全图细胞核平均DAISY特征,φ(c,x;θφ)代表全图灰度直方图特征,代表全图平均DAISY特征,从数学层面解释了本发明条件随机场包含上述特征信息。
进一步优选地,如图4所示,在上述步骤S1之前还包括以下步骤:
S01、选择相同数量的高、中、低分化组织病理学图像子集作为训练集。
S02、对所述训练集中的每一张图像进行所述步骤S1至S4处理;
S03、向条件随机场分类器中输入高分化组织病理学图像子集中每一张图像的全局特征和局部特征,得到高分化分类器模型。
向条件随机场分类器中输入中分化组织病理学图像子集中每一张图像的全局特征和局部特征,得到中分化分类器模型。
向条件随机场分类器中输入低分化组织病理学图像子集中每一张图像的全局特征和局部特征,得到低分化分类器模型。
由此,在步骤S5中,使用预先训练的条件随机场分类器进行处理,具体为:
计算每一张组织病理学图像与上述3个模型的相似率,选择相似率最高的模型类别作为最终分类和诊断结果,相似率的计算公式如下:相似率=全图细胞核平均DAISY特征相似度×全图灰度直方图相似度×全图平均DAISY特征相似度,其中,相似度的计算采用corr2函数。
与现有技术相比,本发明将条件随机场分类器应用于组织病理图像的自动分析,形成了一套组织病理学图像的自动诊断系统。本发明可以适当减缓病理学家资源分配不均、不够充分的问题,也可以指导医学生与经验不充足的医生进行合理诊断;并且本发明还可以较为精确地给出患者的病理状态,包括高分化、中分化、低分化等3个类别,提高诊断准确率。
需要理解的是,以上对本发明的具体实施例进行的描述只是为了说明本发明的技术路线和特点,其目的在于让本领域内的技术人员能够了解本发明的内容并据以实施,但本发明并不限于上述特定实施方式。凡是在本发明权利要求的范围内做出的各种变化或修饰,都应涵盖在本发明的保护范围内。
Claims (9)
1.一种基于共轭蝶形条件随机场的宫颈癌组织病理图像诊断方法,其特征在于,包括以下步骤:
步骤S1、获取待处理的组织病理学图像;
步骤S2、对所述每一张待处理的图像进行预处理;
步骤S3、对所述每一张预处理后的图像进行图像分割,获得每一张图像的细胞核二值图,根据图像分割结果定位细胞核,得到每一张图像的细胞核坐标,并将每一张细胞核二值图分割成固定大小的图像块;
步骤S4、对所述每一张细胞核二值图进行特征提取,得到每一张图像的全局特征,对所述每一张细胞核二值图的每个图像块进行特征提取,得到每一张图像的局部特征;
步骤S5、将所述每一张图像的全局特征和局部特征输入到预先设计的条件随机场模型中,根据细胞核坐标定位包含细胞核的图像块,得到全图细胞核特征,并使用预先训练的条件随机场分类器进行处理,输出分类结果;
所述预先设计的条件随机场模型为共轭蝶形对称布局的由对称两侧像素点参数计算对称中心像素点的条件概率的模型。
2.根据权利要求1所述的基于共轭蝶形条件随机场的宫颈癌组织病理图像诊断方法,其特征在于,在所述步骤S1之前还包括:
S01、选择相同数量的高、中、低分化组织病理学图像子集作为训练集;
S02、对所述训练集中的每一张图像进行所述步骤S1至S4处理;
S03、向条件随机场分类器中输入高分化组织病理学图像子集中每一张图像的全局特征和局部特征,得到高分化分类器模型;
向条件随机场分类器中输入中分化组织病理学图像子集中每一张图像的全局特征和局部特征,得到中分化分类器模型;
向条件随机场分类器中输入低分化组织病理学图像子集中每一张图像的全局特征和局部特征,得到低分化分类器模型。
3.根据权利要求1所述的基于共轭蝶形条件随机场的宫颈癌组织病理图像诊断方法,其特征在于,
步骤S2中,所述预处理包括图像去噪和增强图像对比度。
4.根据权利要求3所述的基于共轭蝶形条件随机场的宫颈癌组织病理图像诊断方法,其特征在于,
先使用中值滤波器对图像去噪,再使用直方图均衡化来增强图像对比度。
5.根据权利要求1所述的基于共轭蝶形条件随机场的宫颈癌组织病理图像诊断方法,其特征在于,步骤S3中,对所述每一张预处理后的图像进行图像分割,获得每一张图像的细胞核二值图,具体为:
采用基于K-means聚类的图像分割方法,设置聚类数K为4,把组织病理学图像聚为细胞核、细胞质、细胞间质、图像标注四类,再结合适当的形态学操作生成细胞核二值图。
6.根据权利要求1所述的基于共轭蝶形条件随机场的宫颈癌组织病理图像诊断方法,其特征在于,步骤S4还包括:
使用主成分分析法对每一张图像的局部特征进行降维;
相应的,所述步骤S5包括:将所述每一张图像的全局特征和降维后的局部特征输入到预先设计的条件随机场模型中。
7.根据权利要求2所述的基于共轭蝶形条件随机场的宫颈癌组织病理图像诊断方法,其特征在于,
步骤S4中,每一张图像的全局特征包括全图纹理特征和全图平均DAISY特征;所述全图纹理特征为全图灰度直方图特征。
8.根据权利要求7所述的基于共轭蝶形条件随机场的宫颈癌组织病理图像诊断方法,其特征在于,
步骤S4中,每一张图像的局部特征,具体为提取每个图像块平均DAISY特征描述符。
9.根据权利要求8所述的基于共轭蝶形条件随机场的宫颈癌组织病理图像诊断方法,其特征在于,使用预先训练的条件随机场分类器进行处理,具体为:
计算每一张图像与3个模型的相似率,选择相似率最高的模型类别作为最终分类和诊断结果;
相似率的计算公式如下:相似率=全图细胞核平均DAISY特征相似度*全图灰度直方图相似度*全图平均DAISY特征相似度,其中,相似度的计算采用corr2函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811422275.9A CN109543758A (zh) | 2018-11-26 | 2018-11-26 | 基于共轭蝶形条件随机场的宫颈癌组织病理图像诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811422275.9A CN109543758A (zh) | 2018-11-26 | 2018-11-26 | 基于共轭蝶形条件随机场的宫颈癌组织病理图像诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109543758A true CN109543758A (zh) | 2019-03-29 |
Family
ID=65850649
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811422275.9A Pending CN109543758A (zh) | 2018-11-26 | 2018-11-26 | 基于共轭蝶形条件随机场的宫颈癌组织病理图像诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109543758A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110264454A (zh) * | 2019-06-19 | 2019-09-20 | 四川智动木牛智能科技有限公司 | 基于多隐藏层条件随机场的宫颈癌组织病理图像诊断方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292887A (zh) * | 2017-06-20 | 2017-10-24 | 电子科技大学 | 一种基于深度学习自适应权重的视网膜血管分割方法 |
CN108364288A (zh) * | 2018-03-01 | 2018-08-03 | 北京航空航天大学 | 用于乳腺癌病理图像的分割方法和装置 |
US20180253591A1 (en) * | 2017-03-03 | 2018-09-06 | Case Western Reserve University | Predicting cancer progression using cell run length features |
-
2018
- 2018-11-26 CN CN201811422275.9A patent/CN109543758A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180253591A1 (en) * | 2017-03-03 | 2018-09-06 | Case Western Reserve University | Predicting cancer progression using cell run length features |
CN107292887A (zh) * | 2017-06-20 | 2017-10-24 | 电子科技大学 | 一种基于深度学习自适应权重的视网膜血管分割方法 |
CN108364288A (zh) * | 2018-03-01 | 2018-08-03 | 北京航空航天大学 | 用于乳腺癌病理图像的分割方法和装置 |
Non-Patent Citations (3)
Title |
---|
JOHN LAFFERTY 等: "Conditional Random Fields: Probabilistic Models for Segmenting and Labeling Sequence Data", 《ICML 2001》 * |
YIMING LIU 等: "Automatic Segmentation of Cervical Nuclei Based on Deep Learning and a Conditional Random Field", 《IEEE》 * |
阳维 等: "基于图像块分类器和条件随机场的显微图像分割", 《计算机应用》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110264454A (zh) * | 2019-06-19 | 2019-09-20 | 四川智动木牛智能科技有限公司 | 基于多隐藏层条件随机场的宫颈癌组织病理图像诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106570505B (zh) | 对组织病理图像进行分析的方法和系统 | |
CN106340021B (zh) | 血管提取方法 | |
Bai et al. | Liver tumor segmentation based on multi-scale candidate generation and fractal residual network | |
Plissiti et al. | Overlapping cell nuclei segmentation using a spatially adaptive active physical model | |
US8139831B2 (en) | System and method for unsupervised detection and gleason grading of prostate cancer whole mounts using NIR fluorscence | |
Beevi et al. | A multi-classifier system for automatic mitosis detection in breast histopathology images using deep belief networks | |
CN109034045A (zh) | 一种基于卷积神经网络的白细胞自动识别方法 | |
CN108364288A (zh) | 用于乳腺癌病理图像的分割方法和装置 | |
CN110276745B (zh) | 一种基于生成对抗网络的病理图像检测算法 | |
CN110310281A (zh) | 一种基于Mask-RCNN深度学习的虚拟医疗中肺结节检测与分割方法 | |
Wen et al. | A novel statistical cerebrovascular segmentation algorithm with particle swarm optimization | |
CN109299679A (zh) | 基于狭长型条件随机场的宫颈癌组织病理图像诊断方法 | |
CN105678235B (zh) | 基于典型区域多维度特征的三维人脸表情识别方法 | |
CN109389129A (zh) | 一种图像处理方法、电子设备及存储介质 | |
Balamurugan et al. | Brain tumor segmentation and classification using hybrid deep CNN with LuNetClassifier | |
CN109671072A (zh) | 基于点式阵列条件随机场的宫颈癌组织病理图像诊断方法 | |
CN104376147A (zh) | 基于图像的风险分数-来自数字组织病理学的存活率和结果的预后预估 | |
CN112163599B (zh) | 一种基于多尺度多层次融合的图像分类方法 | |
CN108231190A (zh) | 处理图像的方法和神经网络系统、设备、介质、程序 | |
Aswathy et al. | An SVM approach towards breast cancer classification from H&E-stained histopathology images based on integrated features | |
CN109410196A (zh) | 基于泊松环形条件随机场的宫颈癌组织病理图像诊断方法 | |
He et al. | A review: The detection of cancer cells in histopathology based on machine vision | |
CN110264454A (zh) | 基于多隐藏层条件随机场的宫颈癌组织病理图像诊断方法 | |
Yonekura et al. | Improving the generalization of disease stage classification with deep CNN for glioma histopathological images | |
Kurmi et al. | Microscopic images classification for cancer diagnosis |
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 |
Application publication date: 20190329 |
|
RJ01 | Rejection of invention patent application after publication |