CN109544529A - 面向深度学习模型训练和学习的病理图像数据增强方法 - Google Patents
面向深度学习模型训练和学习的病理图像数据增强方法 Download PDFInfo
- Publication number
- CN109544529A CN109544529A CN201811373454.8A CN201811373454A CN109544529A CN 109544529 A CN109544529 A CN 109544529A CN 201811373454 A CN201811373454 A CN 201811373454A CN 109544529 A CN109544529 A CN 109544529A
- Authority
- CN
- China
- Prior art keywords
- image
- data
- pathological image
- deep learning
- color
- 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
- 230000001575 pathological effect Effects 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 title claims abstract description 36
- 238000013136 deep learning model Methods 0.000 title claims abstract description 13
- 230000008859 change Effects 0.000 claims abstract description 31
- 238000004043 dyeing Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000013135 deep learning Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000000926 separation method Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 abstract description 4
- WZUVPPKBWHMQCE-UHFFFAOYSA-N Haematoxylin Chemical compound C12=CC(O)=C(O)C=C2CC2(O)C1C1=CC=C(O)C(O)=C1OC2 WZUVPPKBWHMQCE-UHFFFAOYSA-N 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 208000006990 cholangiocarcinoma Diseases 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 239000000975 dye Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000017074 necrotic cell death Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 108010077544 Chromatin Proteins 0.000 description 1
- HMFHBZSHGGEWLO-SOOFDHNKSA-N D-ribofuranose Chemical compound OC[C@H]1OC(O)[C@H](O)[C@@H]1O HMFHBZSHGGEWLO-SOOFDHNKSA-N 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- PYMYPHUHKUWMLA-LMVFSUKVSA-N Ribose Natural products OC[C@@H](O)[C@@H](O)[C@@H](O)C=O PYMYPHUHKUWMLA-LMVFSUKVSA-N 0.000 description 1
- 241000218636 Thuja Species 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- HMFHBZSHGGEWLO-UHFFFAOYSA-N alpha-D-Furanose-Ribose Natural products OCC1OC(O)C(O)C1O HMFHBZSHGGEWLO-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000003483 chromatin Anatomy 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 210000000805 cytoplasm Anatomy 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- YQGOJNYOYNNSMM-UHFFFAOYSA-N eosin Chemical compound [Na+].OC(=O)C1=CC=CC=C1C1=C2C=C(Br)C(=O)C(Br)=C2OC2=C(Br)C(O)=C(Br)C=C21 YQGOJNYOYNNSMM-UHFFFAOYSA-N 0.000 description 1
- 210000003979 eosinophil Anatomy 0.000 description 1
- 210000000981 epithelium Anatomy 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 210000005229 liver cell Anatomy 0.000 description 1
- 230000001926 lymphatic effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000004940 nucleus Anatomy 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 210000004881 tumor cell Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—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
- G06F18/21—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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (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)
- Image Processing (AREA)
Abstract
本发明是面向深度学习模型训练和学习的病理图像数据增强方法，包括基于颜色变化对已有的病理图像进行数据扩充；对已有的病理图像进行单一图像变化处理；对已有的病理图像进行两种或两种以上的图像变化处理；对已有的病理图像进行HE染色分离；得到扩充数据，形成训练集；将训练集送入深度学习网络中进行训练，并与原始的数据集训练数据进行对比，能有效提升网络模型的性能。能够解决深度学习数据集不平衡以及数据量不足的难题，使得模型能够提供获得更好的预测能力辅助医生诊断，进一步提高医生的诊断精确度并提高工作效率。
Description
技术领域
本发明是涉及图像处理技术领域，具体的说是面向深度学习模型训练和学习的病理图像数据增强方法。
背景技术
大数据时代下的每一张图像数据都来之不易，丰富而多样的数据越来越成为一种无形的财富。与此同时，各类深度学习算法在此基础上不断地得到井喷式的发展，尽管如此，高质量数据的获取仍是一个难题。
病理图像数据是具有高度复杂性以及高度异质性的一种医学图像数据，相比自然图像如Pascal VOC、COCO、ImageNet等公共数据集和影像数据而言，病理图像数据的获取往往更具难度。主要原因在于病理切片的制片流程复杂，耗时长，数字化过程精度要求高，时间长，这就给定量的计算机辅助病理诊断提出了一个巨大的难题，且往往很难从现实角度得到解决。
病理切片图像的像素内容往往具有很大的差异性，通常来说我们会在进行计算机辅助量化分析前使用染色标准化来平衡这种差异性。虽然这种方法能在保持组织结构完整的情况下较好的均衡不同染色的差异，但仍不足够去应对复杂而多样的来源数据，例如由组织结构形成的差异。其次，尽管单张病理图像数据往往拥有数十亿像素，但是其中的组织对象的分布往往极不均衡。例如，大部分胆管癌病理切片中常常有大量的上皮区域，但也不乏一部分胆管癌切片中坏死、淋巴浸润占据着绝大部分的情况，这就导致了在构建数据集的过程中存在着巨大的不均衡性。当获得图像是含有大量上皮的那一种，那么滑动窗进行取块，并构建的训练集中上皮区域会占据极大的比重，反之其他如肝细胞、坏死则占据主要部分。其次，虽然病理图像有着很大的大尺寸，但也因此对差异具有很强的包容度，因此对数据扩充有着较强的适应能力。
发明内容
本发明针对现有技术中的不足，提供面向深度学习模型训练和学习的病理图像数据增强方法。
为实现上述目的，本发明采用以下技术方案：
面向深度学习模型训练和学习的病理图像数据增强方法，其特征在于：包括对已有数据进行扩充，构建训练集，并将扩充完毕后的训练数据集送入深度学习网络中进行训练，具体步骤如下：
步骤1，获得病理图像，确定病理图像类型，确定病理图像的来源数据；
步骤2，基于颜色变化对已有的病理图像进行数据扩充；
步骤3，对已有的病理图像进行单一图像变化处理，得到扩充数据；
步骤4，对已有的病理图像进行两种或两种以上的图像变化处理，得到扩充数据；
步骤5，对已有的病理图像进行HE染色分离，得到扩充数据；
步骤6，将步骤2、3、4、5中得到的扩充数据组合形成训练集，将训练集送入深度学习网络中进行训练，并于原始的数据集训练数据进行对比。
在预测端加入对陌生数据的数据扩充，提高模型的预测能力，对陌生数据的数据扩充方法与步骤2、3、4、5相同。
步骤3和步骤4中的图像变化处理方式包括但不限于仿射、尺度变化、镜像、对比度调节、旋转、高斯滤波和弹性变化。
所述的步骤2中基于颜色对已有病理图像进行数据扩充的具体步骤如下：
步骤2.1，将图像从RGB颜色空间转换至LAB颜色空间；
步骤2.2，计算目标图像的一阶统计量。一阶统计量包含均值和方差，其中均值反映的是图像整体基于LAB色彩空间的亮度值和颜色核心分布区域，方差则是反映图像色彩的差异度，主要表现为颜色的分布范围的广度；
步骤2.3，对源图像的均值和方差通过下式进行变化，
其中，sourcemean,表示源图像中的像素的均值和方差，targetmean,表示转换的目标图像中的像素的均值和方差，Normed_pixels表示经过处理后的图像的对应像素的值；
步骤2.4，在完成对目标图像中每一个像素的转换后，将图像从LAB颜色空间转换回RGB空间。
所述的步骤5中对已有的病理图像进行HE染色分离的方法具体步骤如下：
步骤5.1，通过下式将病理图像进行染色分离，得到到病理图像中关于基质和细胞核的信息，
式中HEi,j表示HE分离图像中(i,j)位置的颜色密度值，RGBi,j为原始RGB三通道图像中(i,j)位置的颜色密度值，2x3矩阵伪逆矩阵；
步骤5.2，采用所述的步骤2中的颜色变化步骤将分离出的图片进行标准化处理。
本发明面向深度学习模型训练和学习的病理图像数据增强方法的有益效果是：对基于病理图像数据的计算机辅助诊断模型的构建、学习与训练提供数据层面上的帮助，从而最终辅助医生诊断，进一步提高医生的诊断精确度并提高工作效率。充分的利用全扫描数据包含的细胞、组织信息构建训练集。能够解决深度学习数据集不平衡以及数据量不足的难题。
附图说明
图1为本发明基于颜色变化对已有的病理图像进行数据扩充的原理图。
图2为本发明对已有的病理图像进行单一图像变化处理的原理图。
图3为本发明对已有的病理图像进行两种或两种以上的图像变化处理的原理图。
图4为本发明对已有的病理图像进行HE染色分离的原理图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
面向深度学习模型训练和学习的病理图像数据增强方法，其特征在于：包括对已有数据进行扩充，构建训练集，并将扩充完毕后的训练数据集送入深度学习网络中进行训练，具体步骤如下：
步骤1，获得病理图像，确定病理图像类型，确定病理图像的来源数据；
步骤2，基于颜色变化对已有的病理图像进行数据扩充；
步骤3，对已有的病理图像进行单一图像变化处理，得到扩充数据；
步骤4，对已有的病理图像进行两种或两种以上的图像变化处理，得到扩充数据；
步骤5，对已有的病理图像进行HE染色分离，得到扩充数据；
步骤6，将步骤2、3、4、5中得到的扩充数据组合形成训练集，将训练集送入深度学习网络中进行训练，并于原始的数据集训练数据进行对比；
步骤7，在预测端加入对陌生数据的数据扩充，提高模型的预测能力，对陌生数据的数据扩充方法与步骤2、3、4、5相同。
本实施例中，步骤1中获得的病理图像应对应其来自的实验室名称以及扫描仪型号，有助于在接触陌生数据时快速找到对应标准，提高对陌生数据的识别准确率。
本实施例中，步骤2中基于颜色对已有病理图像进行数据扩充的具体步骤如下：
步骤2.1，将图像从RGB颜色空间转换至LAB颜色空间；
步骤2.2，计算目标图像的一阶统计量。一阶统计量包含均值和方差，其中均值反映的是图像整体基于LAB色彩空间的亮度值和颜色核心分布区域，方差则是反映图像色彩的差异度，主要表现为颜色的分布范围的广度；
步骤2.3，对源图像的均值和方差通过下式进行变化，
其中，sourcemean,表示源图像中的像素的均值和方差，targetmean,表示转换的目标图像中的像素的均值和方差，Normed_pixels表示经过处理后的图像的对应像素的值；
步骤2.4，在完成对目标图像中每一个像素的转换后，将图像从LAB颜色空间转换回RGB空间。
在步骤2中，如图1所示，常识中病理图像中可能存在很多种颜色分布，将这些颜色分布设置为目标图像，步骤2用于以多个目标图像颜色为标准，实现对源病理图像的数据进行多个颜色变化的数据扩充。
本实施例中，步骤3中，如图2所示，图像变化处理方式包括但不限于仿射、尺度变化、镜像、对比度调节、旋转、高斯滤波和弹性变化。
由于病理图像中对象分布得更加自由，因此对于镜像、翻转等线性变化也具有很高的包容度。由于肿瘤细胞的异质性程度较高，细胞核边界通常不会呈现出正常细胞核一般规则的圆形。因此除了旋转之外，非线性的放射变换同样是一种高效的数据扩充手段。其中，对于仿射等一系列的变换构成的弹性变化均能很好的适应病理图像中的组织多样性，并从多样性的角度上给出一系列基于组织形态的数据扩充方法。同时部分扫描仪在病理图像的扫描过程中需要手动对焦，对焦不准产生的局部模糊块也是降低模型预测性能，因此，在已经构建好的数据集上加入一部分服从高斯分布的噪声，由于电子系统中的最常见的热噪声、散粒噪声等噪声均服从正态分布，因此使得深度模型强大的学习能力涵盖这部分数据，并产生应对决策。此外，病理图像数据在不同的扫描仪以及不同的光照环境下也会产生不同的结果。因此，对图像进行非线性色调编辑的伽马校正也可以作为一种提高网络泛化能力的数据扩充方式。
本实施例中，步骤4中，如图3所示，已有的病理图像进行仿射、尺度变化、镜像、对比度调节、旋转、高斯滤波和弹性变化椎间盘每个两种或两种以上的图像变化处理。
在采用多种图像变化处理的组合扩充方法，理论上产生的变化数量远大于单一的图像变化处理的扩充方法，但是前提是组合扩充的结果不会产生网络过拟合的情况。
本实施例中，步骤5中对已有的病理图像进行HE染色分离的方法具体步骤如下：
步骤5.1，通过下式将病理图像进行染色分离，得到病理图像中关于基质和细胞核的信息，
式中HEi,j表示HE分离图像中(i,j)位置的颜色密度值，RGBi,j为原始RGB三通道图像中(i,j)位置的颜色密度值，2x3矩阵伪逆矩阵；
步骤5.2，采用所述的步骤2中的颜色变化步骤将分离出的图片进行标准化处理。
如图4所示，病理图像的制片过程中会使用苏木精-伊红进行染色，以标注不同的对象，苏木精通常对碱性物质及其敏感，嗜碱性的核糖苷酸以及核内染色质通常对其的亲和力较强，最终表现出深染的蓝紫色。细胞质和细胞外的外部基质通常属于嗜酸性组织，对伊红染料的亲和力较强，最终表现出红色或是淡粉色。由于不同的扫描仪器或者不同的操作者操作的过程不同，会导致最终源图像的颜色不同。
通过上述步骤可以将源图片分离成苏木精染色分离图像以及伊红染色分离图像，通过步骤2中的步骤，将标准化的图像作为目标图像，对分离开的分离图像进行颜色修改，最终对修改好的图像进行合成，减少由染料和染色步骤差异对图像成像产生的影响。
同时，除了使用步骤2中所提到的对一阶统计量的改变来变换图像的颜色分布，其中一阶统计量包括均值和方差，还可以使用颜色的二阶统计量对图像的颜色分布进行调整，其中二阶统计量包括色彩密度和颜色直方图。相对步骤2的方法，使用加权和变换对颜色的二阶统计量进行归一化方法在牺牲了一定计算性能的前提下，能使得变换后的图像的色彩分布更加靠近目标图像。
本实施例中，步骤6中，将扩充完毕后构建的数据集送入深度学习网络中进行训练，其最终的网络性能对比使用不经过增强的原始数据集相比，将在获得一定程度上的提升，对比提升性能效果。
本实施例中，步骤7中，在预测端加入数据扩充，提高模型预测能力。预测端增强是为了拟合网络在预测过程中遇到的“陌生”数据，避免预测数据与训练数据集相差过大而对网络性能产生较大的影响。此时的具体过程为，我们将预测的数据朝着我们训练集数据的分布方向进行增强(1：n)，然后对n张图像用已训练网络进行预测，最后得到n个预测结果，采用多数投票机制，如果超过半数的预测结果为阳性则判定该样本为阳性，反之同理。主要思路是这部分模型还未涵盖到的数据分布，在经过扩充后可以主动适应而不是推翻当前的模型，从而增强模型的预测能力。
需要注意的是，发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。
Claims (5)
1.面向深度学习模型训练和学习的病理图像数据增强方法，其特征在于：包括对已有数据进行扩充，构建训练集，并将扩充完毕后的训练数据集送入深度学习网络中进行训练，具体步骤如下：
步骤1，获得病理图像，确定病理图像类型，确定病理图像的来源数据；
步骤2，基于颜色变化对已有的病理图像进行数据扩充；
步骤3，对已有的病理图像进行单一图像变化处理，得到扩充数据；
步骤4，对已有的病理图像进行两种或两种以上的图像变化处理，得到扩充数据；
步骤5，对已有的病理图像进行HE染色分离，得到扩充数据；
步骤6，将步骤2、3、4、5中得到的扩充数据组合形成训练集，将训练集送入深度学习网络中进行训练，并于原始的数据集训练数据进行对比。
2.如权利要求1所述的面向深度学习模型训练和学习的病理图像数据增强方法，其特征在于：在预测端加入对陌生数据的数据扩充，提高模型的预测能力，对陌生数据的数据扩充方法与步骤2、3、4、5相同。
3.如权利要求1或2中所述的面向深度学习模型训练和学习的病理图像数据增强方法，其特征在于：步骤3和步骤4中的图像变化处理方式包括但不限于仿射、尺度变化、镜像、对比度调节、旋转、高斯滤波和弹性变化。
4.如权利要求1所述的面向深度学习模型训练和学习的病理图像数据增强方法，其特征在于：所述的步骤2中基于颜色对已有病理图像进行数据扩充的具体步骤如下：
步骤2.1，将图像从RGB颜色空间转换至LAB颜色空间；
步骤2.2，计算目标图像的一阶统计量。一阶统计量包含均值和方差，其中均值反映的是图像整体基于LAB色彩空间的亮度值和颜色核心分布区域，方差则是反映图像色彩的差异度，主要表现为颜色的分布范围的广度；
步骤2.3，对源图像的均值和方差通过下式进行变化，
其中，sourcemean，表示源图像中的像素的均值和方差，targetmean，表示转换的目标图像中的像素的均值和方差，Normed_pixels表示经过处理后的图像的对应像素的值；
步骤2.4，在完成对目标图像中每一个像素的转换后，将图像从LAB颜色空间转换回RGB空间。
5.如权利要求1所述的面向深度学习模型训练和学习的病理图像数据增强方法，其特征在于：所述的步骤5中对已有的病理图像进行HE染色分离的方法具体步骤如下：
步骤5.1，通过下式将病理图像进行染色分离，得到到病理图像中关于基质和细胞核的信息，
式中HEi,j表示HE分离图像中(i,j)位置的颜色密度值，RGBi,j为原始RGB三通道图像中(i,j)位置的颜色密度值，2x3矩阵伪逆矩阵；
步骤5.2，采用所述的步骤2中的颜色变化步骤将分离出的图片进行标准化处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811373454.8A CN109544529A (zh) | 2018-11-19 | 2018-11-19 | 面向深度学习模型训练和学习的病理图像数据增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811373454.8A CN109544529A (zh) | 2018-11-19 | 2018-11-19 | 面向深度学习模型训练和学习的病理图像数据增强方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109544529A true CN109544529A (zh) | 2019-03-29 |
Family
ID=65848147
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811373454.8A Pending CN109544529A (zh) | 2018-11-19 | 2018-11-19 | 面向深度学习模型训练和学习的病理图像数据增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109544529A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110795623A (zh) * | 2019-10-10 | 2020-02-14 | 深圳供电局有限公司 | 一种图像增强训练方法及其系统、计算机可读存储介质 |
| CN111062862A (zh) * | 2019-12-19 | 2020-04-24 | 北京澎思科技有限公司 | 基于颜色的数据增强方法和系统及计算机设备和存储介质 |
| CN111539883A (zh) * | 2020-04-20 | 2020-08-14 | 福建帝视信息科技有限公司 | 基于强可逆对抗网络的数字病理图像h&e染色复原方法 |
| CN111833330A (zh) * | 2020-07-14 | 2020-10-27 | 中国医学科学院生物医学工程研究所 | 基于影像与机器嗅觉融合的肺癌智能检测方法及系统 |
| CN113065646A (zh) * | 2021-05-14 | 2021-07-02 | 杭州迪英加科技有限公司 | 一种能够实现ki67病理图像神经网络模型泛化性能的方法 |
| CN114387264A (zh) * | 2022-01-18 | 2022-04-22 | 桂林电子科技大学 | 一种he染色病理图像数据扩充与增强的方法 |
| CN117058014A (zh) * | 2023-07-14 | 2023-11-14 | 北京透彻未来科技有限公司 | 一种基于lab色彩空间匹配的染色归一化系统及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107705336A (zh) * | 2017-04-15 | 2018-02-16 | 北京航空航天大学 | 一种病理图像染色成分调节方法 |
| CN108229569A (zh) * | 2018-01-10 | 2018-06-29 | 麦克奥迪（厦门）医疗诊断系统有限公司 | 基于染色成分调节的数字病理图像数据集样本扩充方法 |
| CN108492343A (zh) * | 2018-03-28 | 2018-09-04 | 东北大学 | 一种扩充目标识别的训练数据的图像合成方法 |
-
2018
- 2018-11-19 CN CN201811373454.8A patent/CN109544529A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107705336A (zh) * | 2017-04-15 | 2018-02-16 | 北京航空航天大学 | 一种病理图像染色成分调节方法 |
| CN108229569A (zh) * | 2018-01-10 | 2018-06-29 | 麦克奥迪（厦门）医疗诊断系统有限公司 | 基于染色成分调节的数字病理图像数据集样本扩充方法 |
| CN108492343A (zh) * | 2018-03-28 | 2018-09-04 | 东北大学 | 一种扩充目标识别的训练数据的图像合成方法 |
Non-Patent Citations (2)
| Title |
|---|
| JOCELYN BARKER等: "Automated classification of brain tumor type in whole-slide digital pathology images using local representative tiles", 《HTTPS://WWW.SCIENCEDIRECT.COM/SCIENCE/ARTICLE/PII/S1361841515001838》 * |
| SIN_GEEK: "颜色迁移之二——Reinhard经典算法", 《HTTPS://BLOG.CSDN.NET/SIN_GEEK/ARTICLE/DETAILS/22443537》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110795623A (zh) * | 2019-10-10 | 2020-02-14 | 深圳供电局有限公司 | 一种图像增强训练方法及其系统、计算机可读存储介质 |
| CN110795623B (zh) * | 2019-10-10 | 2022-10-14 | 深圳供电局有限公司 | 一种图像增强训练方法及其系统、计算机可读存储介质 |
| CN111062862A (zh) * | 2019-12-19 | 2020-04-24 | 北京澎思科技有限公司 | 基于颜色的数据增强方法和系统及计算机设备和存储介质 |
| CN111539883A (zh) * | 2020-04-20 | 2020-08-14 | 福建帝视信息科技有限公司 | 基于强可逆对抗网络的数字病理图像h&e染色复原方法 |
| CN111539883B (zh) * | 2020-04-20 | 2023-04-14 | 福建帝视信息科技有限公司 | 基于强可逆对抗网络的数字病理图像h&e染色复原方法 |
| CN111833330A (zh) * | 2020-07-14 | 2020-10-27 | 中国医学科学院生物医学工程研究所 | 基于影像与机器嗅觉融合的肺癌智能检测方法及系统 |
| CN113065646A (zh) * | 2021-05-14 | 2021-07-02 | 杭州迪英加科技有限公司 | 一种能够实现ki67病理图像神经网络模型泛化性能的方法 |
| CN114387264A (zh) * | 2022-01-18 | 2022-04-22 | 桂林电子科技大学 | 一种he染色病理图像数据扩充与增强的方法 |
| CN117058014A (zh) * | 2023-07-14 | 2023-11-14 | 北京透彻未来科技有限公司 | 一种基于lab色彩空间匹配的染色归一化系统及方法 |
| CN117058014B (zh) * | 2023-07-14 | 2024-03-29 | 北京透彻未来科技有限公司 | 一种基于lab色彩空间匹配的染色归一化系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109544529A (zh) | 面向深度学习模型训练和学习的病理图像数据增强方法 | |
| Li et al. | Example-based image colorization using locality consistent sparse representation | |
| CN104992447B (zh) | 一种污水运动微生物的图像自动检测方法 | |
| CN108288506A (zh) | 一种基于人工智能技术的癌症病理辅助诊断方法 | |
| CN110633651B (zh) | 一种基于图像拼接的异常细胞自动识别方法 | |
| WO2018049084A1 (en) | Methods and systems for human imperceptible computerized color transfer | |
| CN110533583B (zh) | 一种基于宫颈液基细胞的自适应图像增广系统 | |
| Sun et al. | SRPN: similarity-based region proposal networks for nuclei and cells detection in histology images | |
| CN109102498B (zh) | 一种宫颈涂片图像中簇型细胞核分割的方法 | |
| CN111583201B (zh) | 一种用于构建超分辨率病理显微镜的迁移学习方法 | |
| Lecca et al. | SuPeR: Milano Retinex implementation exploiting a regular image grid | |
| Xia et al. | A weakly supervised method with colorization for nuclei segmentation using point annotations | |
| CN112949378A (zh) | 一种基于深度学习网络的细菌显微图像分割方法 | |
| Tan et al. | Image-dehazing method based on the fusion coding of contours and colors | |
| CN113538422B (zh) | 一种基于染色强度矩阵的病理图像自动分类方法 | |
| CN113077405A (zh) | 二分割分块的颜色传递及其质量评价体系 | |
| CN118247224A (zh) | 一种基于深度学习的乳腺癌病理图像分析方法 | |
| CN116152741A (zh) | 一种基于深度学习算法的矿下人员检测方法 | |
| CN114693600A (zh) | 一种对组织病理图像进行细胞核分割的半监督学习方法 | |
| CN117496276B (zh) | 肺癌细胞形态学分析、识别方法及计算机可读存储介质 | |
| Liu et al. | PLDMLT: Multi-Task Learning of Diabetic Retinopathy Using the Pixel-Level Labeled Fundus Images. | |
| CN116071318B (zh) | 一种图像筛选方法及系统 | |
| Chen et al. | Leukocyte Segmentation Method Based on Adaptive Retinex Correction and U‐Net | |
| CN118196790B (zh) | 一种低倍镜下染色体分裂相图像筛选方法、系统、设备及存储介质 | |
| Magoulianitis et al. | HUNIS: High-Performance Unsupervised Nuclei Instance Segmentation |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 210044 No. 219 Ningliu Road, Jiangbei New District, Nanjing City, Jiangsu Province Applicant after: Nanjing University of Information Science and Technology Address before: 211500 Yuting Square, 59 Wangqiao Road, Liuhe District, Nanjing City, Jiangsu Province Applicant before: Nanjing University of Information Science and Technology |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190329 |