CN109614869B - 一种基于多尺度压缩奖惩网络的病理图像分类方法 - Google Patents
一种基于多尺度压缩奖惩网络的病理图像分类方法 Download PDFInfo
- Publication number
- CN109614869B CN109614869B CN201811335521.7A CN201811335521A CN109614869B CN 109614869 B CN109614869 B CN 109614869B CN 201811335521 A CN201811335521 A CN 201811335521A CN 109614869 B CN109614869 B CN 109614869B
- Authority
- CN
- China
- Prior art keywords
- network
- layer
- reward
- dense
- image
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多尺度压缩奖惩网络的病理图像分类方法,该方法包括以下步骤:提取病理图像中有效的细胞组织区域;将提取的组织区域分割成固定大小的图像块,根据图像块中病变区域的面积大小将其分成患病与健康两类,并赋予两类图像块相应的标签作为训练样本;构建并训练多尺度压缩奖惩网络模型,实现对病理图像的分类。本方法以加入了压缩奖惩模块的稠密网络作为子网络,并使用多个子网络学习病理图像不同尺度的特征,不仅解决了单一网络只能学习一种尺度特征的问题,而且增强了网络的信息传递能力,提高了网络对病理图像的分类性能。
Description
技术领域
本发明涉及信号与信息处理技术领域,尤其涉及一种基于多尺度压缩奖惩网络的病理图像分类方法。
背景技术
如今,病理图像分析已成为医学图像领域的一大研究热点。病理图像分析需要医生投入大量的时间,而且要求其有丰富的临床诊断经验。然而病理图像的数量日益增长,而诊断经验丰富的医生的数量有限,因此单独依靠医生无法有效对病理图像进行诊断。
深度卷积网络可以自动提取病理图像中细胞组织的复杂形态特征,实现对细胞是否发生病变的准确识别。因此为了缓解医生在病理图像诊断上的压力,越来越多的深度网络算法被提出。文献[1]中作者将假阳性样本重新加入到训练集中训练GoogleNet网络,使网络主要针对分类错误的样本进行学习,以提高识别准确率。文献[2]中Liu等采用卷积神经网络对病理图像块中细胞的非线性特征进行提取,并对细胞患病的概率进行估计;文献[3]用卷积神经网络分析脑胶质瘤病理切片图像特征,以实现对肿瘤等级的判断;文献[4]中作者提出采用一个最大池化卷积神经网络来提取有丝分裂病理图像中细胞的抽象特征。
发明人在实现本发明的过程中,发现现有技术中至少存在以下缺点和不足:
卷积神经网络是由卷积层与池化层等堆叠起来的,前一层的输出只作为后一层的输入,因此后一层学到的特征只依赖于前一层的输出,当网络过深时容易产生梯度消失现象。此外,卷积神经网络中的卷积核尺寸都是固定的,只能学到固定局部区域的细胞特征,故在对病理图像进行特征提取时无法针对细胞的不同区域范围学习细胞的纹理特征,可能影响分类准确率。
发明内容
本发明提供了一种基于多尺度压缩奖惩网络的病理图像分类方法,本发明以加入压缩奖惩模块的稠密网络作为子网络,并使用多个有不同尺寸的卷积核的子网络对图像样本进行多尺度特征的学习,实现对病理图像中细胞患病与否的识别,增强了网络的学习能力,可有效提高分类性能,详见下文描述:
一种基于多尺度压缩奖惩网络的病理图像分类方法,所述病理图像分类方法包括以下步骤:
提取病理图像中有效的细胞组织区域;
将提取的组织区域分割成固定大小的图像块,根据图像块中病变区域面积大小分成患病与健康两类,并赋予两类图像块相应标签作为训练样本;
构建并训练多尺度压缩奖惩网络模型,实现对病理图像的分类。
进一步地,所述构建并训练多尺度压缩奖惩网络模型具体为:
以去掉全局池化层与线性分类层的稠密网络为基础,在网络的每个转化层后加入一个压缩奖惩模块,并以加入压缩奖惩模块的稠密网络作为子网络;
使用多个子网络并联对同一个训练样本进行特征学习,每个子网络用于提取一个尺度下的细胞特征;其中每个子网络中的第一个卷积层的卷积核尺寸各不相同;
对每个子网络的最后一个稠密块的输出特征进行拼接,并作为一个独立稠密块的输入,该独立稠密块的结构与稠密网络中的稠密块结构相同;
独立稠密块后接一个全局池化层与一个线性分类层,输出样本患病概率。
其中,所述稠密网络包括:一个输入层、一个卷积层、多个稠密块,多个转化层、一个全局平均池化层和一个线性分类层;
每个稠密块中有多个卷积层,每个卷积层前设有一个瓶颈层来控制拼接特征的数量;瓶颈层包含三个操作:批量归一化、Relu激活、1×1卷积;
每个稠密块后连接一个转化层用于对稠密块学到的特征进行降维,转化层的操作包括:批量归一化、Relu激活和平均池化。
进一步地,所述压缩奖惩模块具体为:
对于输入特征的每一个通道,使用全局平均池化操作将通道的空间信息压缩为一个通道描述符;
将特征的所有通道描述符与一个全连接层进行加权求和,经过一个Relu激活函数得到激活值;
得到的激活值与第二个全连接层进行加权求和,经过Sigmoid激活函数再次得到激活值;
调整激活值的维度,并与输入特征相乘作为新的特征。
本发明利用多尺度压缩奖惩网络自动学习病理图像的抽象特征并进行分类,具有如下的有益效果:
1、稠密网络的结构使得浅层特征也可以传递到深层,改变了传统卷积神经网络中某一层的输入特征只依赖于其上一层的输出的局限性,可以有效的进行信息传递;
2、压缩奖惩模块可以强调重要特征的作用,弱化无用信息的影响,从而增强网络对病理图像中细胞特征的学习能力,减少过拟合现象;
3、网络可以对不同尺度的细胞进行特征学习,有助于网络提取更加准确的抽象特征,提升网络对病理图像中细胞的分类准确率;本发明可以用在医学诊断和病理分析等领域。
附图说明
图1为结构示意图:
其中,(a)为压缩奖惩稠密网络的结构示意图;(b)为稠密块的结构示意图;(c)为多尺度压缩奖惩网络的结构示意图。
图2为压缩奖惩模块的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明实施方式作进一步地详细描述。
实施例1
为了实现对病理图像的准确分类,本发明实施例提出了一种基于多尺度压缩奖惩网络的病理图像分类方法,该方法的网络结构示意图如图1所示,详见下文描述:
101:提取病理图像中有效的细胞组织区域;
其中,该步骤101具体为:
1)将RGB空间的病理图像转化成灰度图像;
2)采用自适应Otsu阈值算法对灰度图像产生一个阈值;
3)以此阈值为界限将灰度图像转化为二值图,此时有效区域的像素值为1,无效背景区域的像素值全为0,因此需对像素值为1的区域进行取块处理。
102:将提取的有效的组织区域分割成固定大小的图像块,根据图像块中病变区域面积分成患病与健康两类,并赋予两类图像块对应标签作为训练样本;
其中,该步骤102具体为:
1)从组织区域的起始坐标开始,以s个像素为步长,从上到下、从左到右滑动截取尺寸为N×N的图像块;
实际应用中,N,s根据需要设定,本发明实施例对此不做限制;
2)将病变区域面积大于20%的图像块定义为患病样本,否则为健康样本;分类完成之后,随机采样相同数量的患病与健康样本构成训练样本X;
3)对训练样本X进行归一化处理;
即,将图像块样本的R、G、B三个通道分别归一化为零均值,单位方差,归一化后的训练样本X作为网络的输入。
4)为训练样本X赋予标签:患病图像块的标签为1,健康图像块的标签为0。
上述处理过程为本领域技术人员所公知,本发明实施例对此不做赘述。
103:构建并训练多尺度压缩奖惩网络模型,实现对病理图像的分类。
其中,该步骤具体为:
1)以去掉全局池化层与线性分类层的稠密网络[5]为基础网络。参见图1(a),该基础网络包含一个输入层、一个卷积层、p个稠密块和p-1个转化层。卷积层设置在输入层之后,其后连接稠密块;除最后一个稠密块外,每个稠密块后均有一个转化层对稠密块学到的特征进行降维,其中,转化层的操作为:批量归一化、Relu激活[6]和2×2平均池化。
每个稠密块中又包含多个卷积层,每个卷积层中的卷积核数量为k;每个卷积层前设有一个瓶颈层控制拼接特征的数量,参见图1(b)。瓶颈层的操作为:批量归一化、Relu激活和1×1卷积,卷积核数量为4k。
2)在基础网络的每个转化层后,加入一个压缩奖惩(Squeeze-and-Excitation)模块[7]后作为一个子网络。压缩奖惩模块的示意图如图2所示。该模块中包含两个单元,分别为压缩模块与奖惩单元。压缩单元主要使用全局平均池化操作将输入特征的每个通道压缩为一个通道描述符;奖惩单元包含两个全连接层,首先将一个全连接层与通道描述符进行加权求和,并经过Relu函数得到激活值;然后得到的激活值与第二个全连接层加权求和,并经过Sigmoid函数[8]得到0~1之间的激活值。
为了减少网络参数,设置一个全连接层参数下降率r;最后调整得到的激活值的维度,并与原始输入特征乘积作为调整后的特征。
实际应用中,p,k,r根据需要设定,本发明实施例对此不做限制;
3)采用多个子网络对训练样本进行特征提取,其中每个子网络中的第一个卷积层的卷积核尺寸各不相同,可以分别学习不同尺度下的细胞特征;
4)对每个子网络的最后一个稠密块的输出特征进行拼接,并作为一个独立稠密块的输入,该独立稠密块的结构与稠密网络中的稠密块结构相同;
5)独立稠密块后设有一个全局池化层与一个线性分类层,形成多尺度压缩奖惩网络,参见图1(c)。输出层采用Softmax函数输出两个值,标签为1的样本的网络目标输出值为(1,0),标签为0的样本的网络目标输出值为(0,1)。
6)网络训练时采取批量梯度下降法,通过最小化多尺度压缩奖惩网络的代价函数式(1)训练该网络:
7)网络训练完成之后,图像块经过网络计算可得到其对应的输出值。因为网络输出两个值,分别为样本患病的概率与样本健康的概率,且两个概率之和为1。因此在分类时以样本患病的概率为分类依据。在阈值t下,将患病概率值高于阈值的图像块分类为患病样本,患病概率低于阈值的分类为健康样本。
综上所述,本发明实施例使用多尺度压缩奖惩网络对病理图像中细胞组织的多尺度抽象特征进行学习,可有效提高分类性能,以实现准确的分类,据此可以用在医学诊断和病理分析等领域。
实施例2
下面结合具体的附图1,2以及计算公式对实施例1中的方案进行详细介绍,详见下文描述:
201:预处理;
选择270张乳腺癌前哨淋巴结的图像作为训练图像,其中有110张患病图像和160张健康图像,且每张病理图像有10级放大倍率;因最高放大倍率(0级)的病理图像尺寸很大,所以为了计算简单,本发明实施例先在6级放大倍率的图像上提取有效的细胞组织区域,然后把细胞组织区域的坐标映射到0级放大倍率的图像上进行滑动截取图像块处理。
202:在6级放大倍率的图像中提取有效的细胞组织区域;
其中,该步骤202具体包括:
1)将RGB空间的病理图像转化成灰度图像;
2)采用自适应Otsu阈值算法对灰度图像产生一个阈值;
3)以此阈值为界限将灰度图像转化为二值图。
203:将提取的组织区域分割成固定大小的图像块,根据图像块中病变区域的面积大小将图像块分成患病与健康两类,并赋予两类图像块对应标签作为训练样本;
其中,该步骤203具体包括:
1)将提取的组织区域的起始坐标映射到0级放大倍率的图像上,映射倍率为26。从起始坐标开始,以128个像素为步长,从上到下,从左到右滑动截取尺寸为256×256的图像块。为了保证图像块中的信息量,去掉平均像素大于0.8×255的图像块;
2)将病变区域面积大于20%的图像块定义为患病样本,否则为健康样本;
3)在分类后的图像块中,随机采样相同数量的患病与健康图像块作为训练样本X;本实验中随机采样两类图像块各2.97×105个,故训练样本的数量为5.94×105;
4)对训练样本进行归一化,将图像块的R、G、B三个通道分别归一化为零均值,单位方差。
5)赋予患病样本的标签为1,赋予健康样本的标签为0;
204:构建并训练多尺度压缩奖惩网络模型,实现对病理图像的分类;
其中,该步骤204具体为:
1)以去掉全局池化层与线性分类层的稠密网络为基础网络。参见图1,该基础网络包含一个输入层、一个卷积层、三个稠密块和两个转化层;网络的输入尺寸为80×80×3,3为训练样本的颜色通道;三个稠密块中的卷积层个数分别为3,6,4,每个卷积层的卷积核个数为20。每个卷积层前设有一个瓶颈层控制特征通道的数量,其操作为:批量标准化、Relu函数和1×1卷积,卷积核个数为80;在每个稠密块后跟一个转化层对其学到的特征进行降维,其操作为:批量归一化、Relu函数和平均池化。
2)在基础网络的每个转化层后,加入一个压缩奖惩模块后作为子网络。压缩奖惩模块中有两个全连接层,参数下降率r为16;
3)采用3个由加入压缩奖惩模块的稠密网络构成的子网络对训练样本进行特征提取,每个子网络中的第一个卷积层采用尺寸分别为11×11、9×9和7×7的卷积核。
4)对每个子网络的最后一个稠密块的输出特征进行拼接,并作为一个独立稠密块的输入。独立稠密块中有4个卷积层,每层有20个卷积核,其结构与稠密网络中的稠密块结构相同。
5)独立稠密块后接一个全局池化层与一个线性分类层,输出层采用Softmax函数输出两个预测值;
6)网络训练时,标签为1的样本的网络目标输出值为(1,0),标签为0的样本的网络目标输出值为(0,1);网络学习率为5×10-4,每个批量的样本数量为32。采用批量梯度下降法,通过最小化多尺度压缩奖惩网络的代价函数式(2)训练网络:
7)在0~1之间,以特定的步长产生多个阈值,并在每个阈值下将患病概率高于阈值的图像块分为患病类,患病概率低于阈值的图像块分为健康类。分类之后计算每个阈值下的错误接受率(False Acceptance Rate,FAR)与错误拒绝率(False Rejection Rate,FRR),其计算公式如式(3)、(4)所示:
其中,FP(False Positive)表示健康图像块中被分为患病类的数量;TN(TrueNegative)表示健康图像块中被分类正确的数量。
其中,FN(False Negative)表示患病图像块中被分为健康类的数量;TP(TruePositive)表示患病图像块中被分类正确的数量。因为FAR与FRR和阈值有关,为了公平起见,本发明实施例选择与阈值无关的等错误率(Equal Error Rate,EER)作为衡量模型性能的指标。随着阈值的增大,FRR增大,FAR减小,当FAR与FRR相等时,两值之和最小。因此选择FAR与FRR的共同值,即EER作为分类的错误率,此时等错误率对应的阈值即为t。
综上所述,本发明实施例使用多尺度压缩奖惩网络对病理图像中细胞组织的多尺度抽象特征进行学习,可有效提高分类性能,据此可以用在医学诊断和病理分析等领域。
实施例3
下面通过实验数据对实施例1和2中的方案进行可行性验证,详见下文描述:
取129张乳腺癌前哨淋巴结病理切片图像用于测试,包含49张患病切片图像和80张健康切片图像。对所有图像作以下处理:
1)提取病理切片图像中有效的细胞组织区域,并在组织区域上以128个像素为步长,从上到下、从左到右滑动截取尺寸为256×256的图像块。为了获取有信息的样本,去掉平均像素值大于0.8×255的图像块;
2)将得到的图像块缩放为80×80像素并送入训练好的多尺度压缩奖惩网络中计算其患病的概率值;
3)在0~1之间,以特定的步长产生多个阈值,并在每个阈值下将患病概率高于阈值的图像块分为患病类,患病概率低于阈值的图像块分为健康类。分类之后计算每个阈值下的错误接收率FAR与错误拒绝率FRR。取FAR与FRR相等时的共同值,即EER作为分类的错误率。
测试结果为:EER=0.0673,即准确率为P=1-EER=0.9327。
为了证明本方法的优越性,将实验结果与IMSLN(Identifying Metastases inSentinel Lymph Nodes)[9]与IMBC(Identifying Metastatic Breast Cancer)[1]算法的准确率进行了对比,对比结果如表1所示。
表1不同算法的图像块级诊断准确率(%)
结果证明,多尺度压缩奖惩网络可以有效的提取病理图像特征,实现较准确的分类。因此,可以用作病理图像分析与病理诊断领域。
参考文献
[1]Wang D,Khosla A,Gargeya R,et al.Deep learning for identifyingmetastatic breast cancer[J].arXiv,2016:1606.05718.
[2]Liu Y,Gadepalli K,Norouzi M,et al.Detecting cancer metastases ongigapixel pathology images[J].arXiv:1703.02442,2017.
[3]Yonekura A,Kawanaka H,Aronow B J,et al.Improving thegeneralization of disease stage classification with deep CNN for gliomahistopathological images[C].IEEE International Conference on Bioinformaticsand Biomedicine(BIBM),2017:1222–1226.
[4]Lin H J,Chen H,Dou Q,et al.ScanNet:a fast and dense scanningframework for metastastic breast cancer detection from whole-slide image[C].2018IEEE Winter Conference on Applications of Computer Vision (WACV),2018:539-546.
[5]Huang G,Liu Z,Maaten L V D,et al.Densely connected convolutionalnetworks[C].IEEE Conference on Computer Vision and Pattern Recognition,2017:2261-2269.
[6]Nair V,Hinton G E.Rectified linear units improve restrictedboltzmann machines[C].International Conference on International Conference onMachine Learning.2010:807-814.
[7]Hu J,Shen L,Albanie S,et al.Squeeze-and-excitation networks[J].arXiv,2017:1709.01507.
[8]Han J,Moraga C.The influence of the sigmoid function parameters onthe speed of backpropagation learning[C].International Workshop on ArtificialNeural Networks:From Natural To Artificial Neural Computation,1995:195-201.
[9]Chen R,Jing Y,Jackson H.Identifying metastases in sentinel lymphnodes with deep convolutional neural networks[J].arXiv,2016:1608.01658.
本领域技术人员可以理解附图只是一个优选实施例的示意图,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。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于多尺度压缩奖惩网络的病理图像分类方法,其特征在于,所述病理图像分类方法包括以下步骤:
提取病理图像中有效的细胞组织区域;
将提取的组织区域分割成固定大小的图像块,根据图像块中病变区域面积大小分成患病与健康两类,并赋予两类图像块相应标签作为训练样本;
构建并训练多尺度压缩奖惩网络模型,实现对病理图像的分类;
其中,所述构建并训练多尺度压缩奖惩网络模型具体为:
以去掉全局池化层与线性分类层的稠密网络为基础,在网络的每个转化层后加入一个压缩奖惩模块,并以加入压缩奖惩模块的稠密网络作为子网络;
使用多个子网络并联对同一个训练样本进行特征学习,每个子网络用于提取一个尺度下的细胞特征;其中每个子网络中的第一个卷积层的卷积核尺寸各不相同;
对每个子网络的最后一个稠密块的输出特征进行拼接,并作为一个独立稠密块的输入,该独立稠密块的结构与稠密网络中的稠密块结构相同;
独立稠密块后接一个全局池化层与一个线性分类层,输出样本患病概率。
2.根据权利要求1所述的一种基于多尺度压缩奖惩网络的病理图像分类方法,其特征在于,所述稠密网络包括:一个输入层、一个卷积层、多个稠密块,多个转化层、一个全局平均池化层和一个线性分类层;
每个稠密块中有多个卷积层,每个卷积层前设有一个瓶颈层来控制拼接特征的数量;瓶颈层包含三个操作:批量归一化、Relu激活、1×1卷积;
每个稠密块后连接一个转化层用于对稠密块学到的特征进行降维,转化层的操作包括:批量归一化、Relu激活和平均池化。
3.根据权利要求1所述的一种基于多尺度压缩奖惩网络的病理图像分类方法,其特征在于,所述压缩奖惩模块具体为:
对于输入特征的每一个通道,使用全局平均池化操作将通道的空间信息压缩为一个通道描述符;
将特征的所有通道描述符与一个全连接层进行加权求和,经过一个Relu激活函数得到激活值;
得到的激活值与第二个全连接层进行加权求和,经过Sigmoid激活函数再次得到激活值;
调整激活值的维度,并与输入特征相乘作为新的特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811335521.7A CN109614869B (zh) | 2018-11-10 | 2018-11-10 | 一种基于多尺度压缩奖惩网络的病理图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811335521.7A CN109614869B (zh) | 2018-11-10 | 2018-11-10 | 一种基于多尺度压缩奖惩网络的病理图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109614869A CN109614869A (zh) | 2019-04-12 |
CN109614869B true CN109614869B (zh) | 2023-02-28 |
Family
ID=66004150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811335521.7A Active CN109614869B (zh) | 2018-11-10 | 2018-11-10 | 一种基于多尺度压缩奖惩网络的病理图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109614869B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110288613B (zh) * | 2019-06-12 | 2022-09-02 | 中国科学院重庆绿色智能技术研究院 | 一种超高像素的组织病理图像分割方法 |
CN110659692B (zh) * | 2019-09-26 | 2023-04-18 | 重庆大学 | 基于强化学习和深度神经网络的病理图像自动标注方法 |
CN110853021B (zh) * | 2019-11-13 | 2020-11-24 | 江苏迪赛特医疗科技有限公司 | 一种病理鳞状上皮细胞的检测分类模型的构建 |
CN111079748A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车滚轴承甩油故障检测方法 |
CN111462052A (zh) * | 2020-03-16 | 2020-07-28 | 清华大学 | 基于图神经网络的医疗影像分析方法及系统 |
CN111832577A (zh) * | 2020-07-19 | 2020-10-27 | 武汉悟空游人工智能应用软件有限公司 | 一种基于稠密连接的感数预测方法 |
CN114429638B (zh) * | 2022-04-06 | 2022-07-08 | 四川省大数据中心 | 一种施工图审查管理系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107784319A (zh) * | 2017-09-26 | 2018-03-09 | 天津大学 | 一种基于增强卷积神经网络的病理图像分类方法 |
WO2018052587A1 (en) * | 2016-09-14 | 2018-03-22 | Konica Minolta Laboratory U.S.A., Inc. | Method and system for cell image segmentation using multi-stage convolutional neural networks |
WO2018052586A1 (en) * | 2016-09-14 | 2018-03-22 | Konica Minolta Laboratory U.S.A., Inc. | Method and system for multi-scale cell image segmentation using multiple parallel convolutional neural networks |
CN107871136A (zh) * | 2017-03-22 | 2018-04-03 | 中山大学 | 基于稀疏性随机池化的卷积神经网络的图像识别方法 |
CN107909102A (zh) * | 2017-11-10 | 2018-04-13 | 天津大学 | 一种组织病理图像的分类方法 |
CN108427912A (zh) * | 2018-02-05 | 2018-08-21 | 西安电子科技大学 | 基于稠密目标特征学习的光学遥感图像目标检测方法 |
CN108710826A (zh) * | 2018-04-13 | 2018-10-26 | 燕山大学 | 一种交通标志深度学习模式识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015109331A1 (en) * | 2014-01-17 | 2015-07-23 | The Johns Hopkins University | Automated anatomical labeling by multi-contrast diffeomorphic probability fusion |
US10366491B2 (en) * | 2017-03-08 | 2019-07-30 | Siemens Healthcare Gmbh | Deep image-to-image recurrent network with shape basis for automatic vertebra labeling in large-scale 3D CT volumes |
-
2018
- 2018-11-10 CN CN201811335521.7A patent/CN109614869B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018052587A1 (en) * | 2016-09-14 | 2018-03-22 | Konica Minolta Laboratory U.S.A., Inc. | Method and system for cell image segmentation using multi-stage convolutional neural networks |
WO2018052586A1 (en) * | 2016-09-14 | 2018-03-22 | Konica Minolta Laboratory U.S.A., Inc. | Method and system for multi-scale cell image segmentation using multiple parallel convolutional neural networks |
CN107871136A (zh) * | 2017-03-22 | 2018-04-03 | 中山大学 | 基于稀疏性随机池化的卷积神经网络的图像识别方法 |
CN107784319A (zh) * | 2017-09-26 | 2018-03-09 | 天津大学 | 一种基于增强卷积神经网络的病理图像分类方法 |
CN107909102A (zh) * | 2017-11-10 | 2018-04-13 | 天津大学 | 一种组织病理图像的分类方法 |
CN108427912A (zh) * | 2018-02-05 | 2018-08-21 | 西安电子科技大学 | 基于稠密目标特征学习的光学遥感图像目标检测方法 |
CN108710826A (zh) * | 2018-04-13 | 2018-10-26 | 燕山大学 | 一种交通标志深度学习模式识别方法 |
Non-Patent Citations (2)
Title |
---|
Improving the Generalization of Disease Stage Classification with Deep CNN for Glioma Histopathological Images;Asami Yonekura et al;《IEEE》;20171218;第1222-1226页 * |
基于专家乘积系统的组织病理图像分类算法;郭琳琳,李岳楠;《激光与光电子学进展》;20180210;第1-7页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109614869A (zh) | 2019-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109614869B (zh) | 一种基于多尺度压缩奖惩网络的病理图像分类方法 | |
CN108446730B (zh) | 一种基于深度学习的ct肺结节检测装置 | |
CN107506761B (zh) | 基于显著性学习卷积神经网络的脑部图像分割方法及系统 | |
Sridar et al. | Decision fusion-based fetal ultrasound image plane classification using convolutional neural networks | |
CN109543526B (zh) | 基于深度差异性特征的真假面瘫识别系统 | |
Nanni et al. | Local binary patterns variants as texture descriptors for medical image analysis | |
CN111126240B (zh) | 一种三通道特征融合人脸识别方法 | |
CN111583320B (zh) | 融合深度卷积网络和影像组学特征的乳腺癌超声图分型方法、系统及存储介质 | |
CN112001895B (zh) | 一种甲状腺钙化检测装置 | |
CN111968124B (zh) | 基于半监督语义分割的肩部肌骨超声结构分割方法 | |
CN112001894B (zh) | 一种甲状腺边界平滑度检测装置 | |
Kim et al. | Breast mass classification using eLFA algorithm based on CRNN deep learning model | |
CN114580558A (zh) | 一种子宫内膜癌细胞检测方法、系统、设备及存储介质 | |
Al Mamun et al. | Bleeding recognition technique in wireless capsule endoscopy images using fuzzy logic and principal component analysis | |
Hosny et al. | Refined color texture classification using CNN and local binary pattern | |
Alagu et al. | Acute Lymphoblastic Leukemia diagnosis in microscopic blood smear images using Texture features and SVM classifier | |
Wei et al. | Multi-feature fusion for ultrasound breast image classification of benign and malignant | |
CN110428405A (zh) | 一种检测生物组织图像中肿块的方法、相应设备及介质 | |
CN113255718B (zh) | 一种基于深度学习级联网络方法的宫颈细胞辅助诊断方法 | |
Zhou et al. | Bleeding detection in wireless capsule endoscopy images based on binary feature vector | |
CN114820524A (zh) | 一种mri图像中阿尔茨海默症的3d特征识别方法 | |
CN112001896A (zh) | 一种甲状腺边界不规则度检测装置 | |
Abdel-Latif et al. | Achieving information security by multi-modal iris-retina biometric approach using improved mask R-CNN | |
Hariharan et al. | Color, textures and shape descriptor based cervical cancer classification system of pap smear images | |
Asadi et al. | Acute leukemia (ALL and AML) classification using learning vector quantization (LVQ. 1) with blood cell imagery extraction |
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 |