CN109712693A - 一种智能病理诊断方法及系统 - Google Patents
一种智能病理诊断方法及系统 Download PDFInfo
- Publication number
- CN109712693A CN109712693A CN201811536782.5A CN201811536782A CN109712693A CN 109712693 A CN109712693 A CN 109712693A CN 201811536782 A CN201811536782 A CN 201811536782A CN 109712693 A CN109712693 A CN 109712693A
- Authority
- CN
- China
- Prior art keywords
- cell
- num
- sample
- sample image
- overlapping
- 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
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种智能病理诊断方法及系统。按下述步骤进行:a.将待检样本制片、染色,之后采集样本图像;b.将样本图像上传至智能细胞识别辅助诊断系统筛除正常样本图像,剩余问题样本图像,智能细胞识别辅助诊断系统对问题样本图像进行初步诊断,得初诊结果;c.智能细胞识别辅助诊断系统将初诊结果传输到远程专家会诊平台,远程专家会诊平台在专家库中挑选专家做远程读片会诊,最后汇总得出最终诊断结果。本发明能够消除病理诊断障碍,提高病理诊断的质量和降低病理诊断成本。
Description
技术领域
本发明涉及医疗信息领域,特别是一种智能病理诊断方法及系统。
背景技术
统计数据显示,我国当前宫颈细胞检查适龄妇女约4亿人,分布于医疗机构诊疗市场、体检市场和国家两癌普查市场,按平均每人次检查费160元计(国家收费标准各省市收费区间150~180元),每年规模约640亿。而目前由于我国病理医生缺乏,基层医院几乎没有病理科,所以实际市场消费不到30%,远远不能满足市场需求和国家期望的妇女健康保障标准,加上组织病理是细胞病理的5~8倍,整个市场容量在3000亿以上。
目前,我国的病理检查存在很多问题,比如:首先,不同医院病理医生由于水平差异,难免会导致误判或结果不准确;其次,由于都是人工阅片,工作量及大,会诊结果慢,有时也会延误病人的治疗;再次,基层医院由于缺乏病理医生和病理技术人员,基本无法开展病理检查。现在市场上的病理检查都是单一功能的机器,如自动制片机、自动染色机,全部都没有实现全自动化、流水线化。因此,市场迫切需要智能病理诊断系统,以解决病理医生缺乏,基层医院无法开展病理诊断及病理诊断误差较大的现实问题。
发明内容
本发明的目的在于,提供一种智能病理诊断方法及系统。本发明能够消除病理诊断障碍,提高病理诊断的质量和降低病理诊断成本。
本发明的技术方案:一种智能病理诊断方法,按下述步骤进行:
a.将待检样本制片、染色,之后采集样本图像;
b.将样本图像上传至智能细胞识别辅助诊断系统筛除正常样本图像,剩余问题样本图像,智能细胞识别辅助诊断系统对问题样本图像进行初步诊断,得初诊结果;
c.智能细胞识别辅助诊断系统将初诊结果传输到远程专家会诊平台,远程专家会诊平台在专家库中挑选专家做远程读片会诊,最后汇总得出最终诊断结果。
前述的智能病理诊断方法所述的步骤a具体按下述步骤进行:医疗单位通过对患者的细胞样本及组织切片样本进行采样得待检样本,然后将待检样本送入制片染色装置进行制片染色,再通过标本信息采集无线上传系统对制片染色后的待检样本进行拍摄采集得样本图像。
前述的智能病理诊断方法所述的步骤b中,所述的初步诊断具体按下述步骤进行:使用图像预处理算法、K-means聚类算法、重叠分离算法对问题样本图像进行处理,处理后再通过卷积神经网络算法对问题样本图像进行分类、对细胞病变进行识别,得初诊结果。
前述的智能病理诊断方法的初步诊断中,智能细胞识别辅助诊断系统无法识别的问题样本图像传输到远程专家会诊平台,由远程专家进行会诊。
前述的智能病理诊断方法所述的图像预处理算法包括二值化、均衡化和降噪处理。
前述的智能病理诊断方法所述的K-means聚类算法按下述步骤进行:
①任选K个初始聚类中心其中上角标表示聚类过程中的迭代运算次数;由于分割的目的是将样本图像分割为细胞核、细胞质及背景三个部分,因此K=3,样本图像的初始聚类中心按如下方式确定:即根据给定的聚类数等间隔地生成3个聚类中心,X为细胞图像中各像素点的灰度值集合;
②计算类间距离其中k=1,2,3;令在第n次迭代时,将数据点xj归入第i个类别,即将数据点xj赋给均值离它最近的类,以最小距离原则将全部样本分配到K个聚类中;
③对所有的数据点xj归类完毕后,更新聚类中式中为所包含的样本数;
④若对所有的i都有则算法收敛结束;否则转入步骤②继续迭代。
前述的智能病理诊断方法所述的重叠分离算法包括细胞重叠类型判断和重叠细胞分离;
所述的细胞重叠类型判断采用下述方法进行:首先根据极限腐蚀方法得到重叠细胞的个数num,再根据凹区提取方法得到凹区的个数UNM:
若NUM=2num-2,则判定细胞是串联重叠细胞;
若NUM=num,则判定细胞是内部无空洞的并联细胞;
若NUM=num+s,则判定细胞是内部有空洞的并联细胞;
所述的重叠细胞分离包括串联重叠细胞的分离和并联重叠细胞的分离;
串联重叠细胞的分离方法如下:只有两个凹区,而凹点位于凹区轮廓之上,因此两个凹区轮廓像素间欧式距离最短的点即为凹点,连接这两个凹点即可以实现两个串联重叠细胞的分离,假设(x1,i,y1,j),)为第一个凹区轮廓上的某点,(x2,i,y2,j)为第二个凹区轮廓上的某点,则最短欧式距离的计算公式为:
则(x1,y1)及(x2,y2)即为对应的凹点坐标,做凹点间的连线就可以分离出重叠细胞;
并联重叠细胞的分离方法如下:对于一般的重叠程度不高、内部无空洞的并联细胞,如果细胞个数为num,凹区的个数为NUM,则NUM=num;对于一些重叠程度很高的并联细胞,重叠细胞个数一般为num=1,而凹区个数NUM≠num;对于内部有空洞的并联细胞,其二值图像的连通区域个数t1,与其反图像的连通区域个数t2不一致,num≠1,NUM≠num;由此判别并联重叠细胞。
前述的智能病理诊断方法所述的通过卷积神经网络算法对问题样本图像进行分类、对细胞病变进行识别,按下述方法进行:采用遗传算法对样本图像中的细胞特征按形态特征、色度特征、光密度特征和纹理特征4类进行提取,得特征子集;提取到特征子集后,采用两级集成BP神经网络对细胞进行分类识别。
前述的智能病理诊断方法所用系统,包括:
制片染色装置,用于对待检样本进行自动制片染色;
标本信息采集无线上传系统,用于样本图像的采集与上传;
肿瘤云服务平台,包括用于对样本图像初步诊断的智能细胞识别辅助诊断系统、用于对问题样本图像或智能细胞识别辅助诊断系统无法识别的样本图像进行专家会诊得到最终诊断结果的远程专家会诊平台、用于存储诊断过程中相关数据的肿瘤数据库。
前述的智能病理诊断方法所用系统中,所述的肿瘤云服务平台还包括用于实现诊断信息共享的诊断信息分享平台;诊断信息分享平台将最终诊断结果分享至医疗单位、医生和患者人群。
有益效果
与现有技术相比,本发明的病理诊断方法解决了大多数基层医院因缺乏病理医生,不能开展病理诊断的问题;解决了大医院病理科高负荷运作影响病理诊断质量的问题;解决了因个体水平差异,导致诊断结果不一致,影响病理诊断质量的问题;解决了疑难病例会诊的繁杂性、滞后性、高成本问题。本发明能够实现病理诊断全流程自动化、智能化、流水线化和为肿瘤相关人群提供精准服务本发明具有广阔的市场应用前景。
综上所述,本发明能够消除病理诊断障碍,提高病理诊断的质量和降低病理诊断成本。
附图说明
图1是本发明的运行流程图;
图2是本发明系统的架构图;
图3是遗传算法特征提取流程图;
图4是BP神经网络结构图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明,但并不作为对本发明限制的依据。
实施例1。一种智能病理诊断方法,流程如图1所示,按下述步骤进行:
a.将待检样本制片、染色,之后采集样本图像;
b.将样本图像上传至智能细胞识别辅助诊断系统筛除正常样本图像(筛除方法可使用卷积神经网络算法),剩余问题样本图像,智能细胞识别辅助诊断系统对问题样本图像进行初步诊断,得初诊结果;
c.智能细胞识别辅助诊断系统将初诊结果传输到远程专家会诊平台(专家诊断服务器),远程专家会诊平台在专家库中挑选专家(一般为3名专家)做远程读片会诊,最后汇总得出最终诊断结果。
前述的步骤a具体按下述步骤进行:医疗单位通过对患者的细胞样本及组织切片样本进行采样得待检样本,然后将待检样本送入制片染色装置,进行制片染色,再通过标本信息采集无线上传系统对制片染色后的待检样本进行拍摄采集得样本图像。
前述的步骤b中,所述的初步诊断具体按下述步骤进行:使用图像预处理算法、K-means聚类算法、重叠分离算法对问题样本图像进行处理,处理后再通过卷积神经网络算法对问题样本图像进行分类、对细胞病变进行识别,得初诊结果。
前述的初步诊断中,智能细胞识别辅助诊断系统无法识别的问题样本图像传输到远程专家会诊平台,由远程专家进行会诊,会诊后经同步到web服务器(诊断信息分享平台)。
前述的图像预处理算法包括二值化、均衡化和降噪处理。
前述的K-means聚类算法将细胞样片进行分割,分成K类区域,这个算法的基础是误差平方和准则,选择误差平方和准则函数为目标函数,通过迭代优化目标函数来获得数据集模糊分类,在数学上可以表示为对目标函数求极值的问题。
已知样本集合X={x1,x2,...,xn},类别数K预先确定,则
其中,σ为各类的误差平方和,K是聚类的类别数,mi为第i类的聚类中心。若Ni是第i个聚类Ki中的样本数目,则m,是这些样本的均值,可表示为
使σ最小的聚类是误差平方和准则下的最优结果;
K-means聚类算法按下述步骤进行:
①任选K个初始聚类中心其中上角标表示聚类过程中的迭代运算次数;由于分割的目的是将样本图像分割为细胞核、细胞质及背景三个部分,因此K=3,样本图像的初始聚类中心按如下方式确定:即根据给定的聚类数等间隔地生成3个聚类中心,X为细胞图像中各像素点的灰度值集合;
②计算类间距离其中k=1,2,3;令在第n次迭代时,将数据点xj归入第i个类别,即将数据点xj赋给均值离它最近的类,以最小距离原则将全部样本分配到K个聚类中;
③对所有的数据点xj归类完毕后,更新聚类中式中为所包含的样本数;
④若对所有的i都有则算法收敛结束;否则转入步骤②继续迭代。
K-means聚类算法能够动态聚类,是一种无监督的聚类算法,该算法中,每次把全部样本都调整完毕后才重新计算各类的聚类中心,因此属于成批样本修正法,也称为批处理法。
细胞重叠主要分为细胞串联及细胞并联两种情况,对于串联细胞,如果重叠细胞的个数为n,则凹区的个数为2n-2;而对于内部无空洞的并联细胞,如果重叠细胞的个数为n,则凹区的个数亦为n;对于内部有空洞的并联细胞,在提取凹区时,除了得到相应的凹区外会同时得到内部空洞区域,如果重叠细胞的个数为n,内部空洞区域数目为s,则相当于凹区的个数为n+s。
前述的重叠分离算法包括细胞重叠类型判断和重叠细胞分离;
所述的细胞重叠类型判断采用下述方法进行:首先根据极限腐蚀方法得到重叠细胞的个数num,再根据凹区提取方法得到凹区的个数UNM:
若NUM=2num-2,则判定细胞是串联重叠细胞;
若NUM=num,则判定细胞是内部无空洞的并联细胞;
若NUM=num+s,则判定细胞是内部有空洞的并联细胞;
所述的重叠细胞分离包括串联重叠细胞的分离和并联重叠细胞的分离;
串联重叠细胞的分离方法如下:只有两个凹区,而凹点位于凹区轮廓之上,因此两个凹区轮廓像素间欧式距离最短的点即为凹点,连接这两个凹点即可以实现两个串联重叠细胞的分离,假设(x1,i,y1,j),)为第一个凹区轮廓上的某点,(x2,i,y2,j)为第二个凹区轮廓上的某点,则最短欧式距离的计算公式为:
则(x1,y1)及(x2,y2)即为对应的凹点坐标,做凹点间的连线就可以分离出重叠细胞;
并联重叠细胞的分离方法如下:对于一般的重叠程度不高、内部无空洞的并联细胞,如果细胞个数为num,凹区的个数为NUM,则NUM=num;对于一些重叠程度很高的并联细胞,重叠细胞个数一般为num=1,而凹区个数NUM≠num;对于内部有空洞的并联细胞,其二值图像的连通区域个数t1,与其反图像的连通区域个数t2不一致,一般num≠1,NUM≠num;可以根据这些条件来判别并联重叠细胞。
样本图像中的细胞图像的详细分类需要大量的、有迭代性的参数来描述细胞的特征,细胞一般由细胞质与细胞核组成,细胞图像的特征包括细胞体,细胞核,细胞质的特征,可以利用细胞体,细胞核及细胞质的特征参数来度量细胞的癌变情况。
具体地,前述的通过卷积神经网络算法对问题样本图像进行分类、对细胞病变进行识别,按下述方法进行:采用遗传算法对样本图像中的细胞特征按形态特征、色度特征、光密度特征和纹理特征4类进行提取,得特征子集;提取到特征子集后,采用两级集成BP神经网络对细胞进行分类识别。
所述的遗传算法基本过程是:首先对原始特征进行编码,每个编码对应问题的一个解,称为染色体或个体;通过随机方法产生一组初始个体构成初始种群,并评价每一个个体的适应值(fitnessvatue),适应值就是解的满意程度,可以由外部显示适应度函数计算,也可由系统本身产生,接下来按照自然界的选择机制,依据适应度函数从当前群体中选择出优良个体使它们有机会作为父代来进行繁殖,该操作借用达尔文的适者生存的进化原则,即个体的适应度高,其被选择的机会就越多。在接下去的繁殖过程中,遗传算法提供了交叉算子交换随机挑选的两个编码的某些位(称为基因),然后用变异算子对一个编码中随机挑选的某一位进行反转。这样,通过选择,交叉和变异就产生了下一代编码组。重复这一过程,直到满足终止条件。进化过程最后一代中的最优解就是用遗传算法求解最优化问题得到的最终结果。图3为采用遗传算法进行特征提取的主要流程图。
所述的两级集成BP神经网络对细胞进行分类识别具体如下(参见图4):BP算法是一种最有效的多层神经网络,其主要特点是信号前向传递,而误差后向传播,通过不断调节网络权重值,使得网络的最终输出与期望输出尽可能接近,以达到训练的目的。两级神经网络集成中,输入层神经元的数目均为35,分别输入经过遗传算法进行特征选择后选出的特征参数;两级集成中输出向量的维数不同,对于第一级神经网络集成,个体网络的输出层神经元数目为1,该输出神经元可输出0,1两个变量,其中0代表非癌变细胞(即正常细胞),1代表癌变细胞(即低度鳞状上皮内病变细胞,高度鳞状上皮内病变细胞及癌细胞)。第一级集成的结论生成方法采用“完全投票法”即仅当所有的个体神经网络都判定输入样本为非癌变细胞时,集成的输出为非癌变细胞,即输出变量为0;只要有一个网络判定输入样本为癌变细胞,则集成的输出为癌变细胞,即输出变量为1。而第二级神经网络集成中,个体神经网络的输出层神经元数目为2,每个神经元可输出0、1两个变量,其中00代表正常细胞,01代表低度鳞状上皮内病变细胞,10代表高度鳞状上皮内病变细胞,11代表癌细胞。第二级集成的结论生成方法采用“相对多数投票法”,即集成的判决结果与数目最多的同结论神经网络的输出结果相同。在对两级神经网络进行级联时,采用如下的方式:如果第一级集成判别输入样本不是癌变细胞,则该样本不需要进入第二级神经网络集成进行分类识别;如果第一级神经网络集成判别输入样本为癌变细胞,则该样本将被送入第二级神经网络集成进行分类识别。使用这样的两级神经网络集成,能在原有的一级集成的基础上,降低将癌变细胞识别为非癌变细胞的可能性。
前述的智能病理诊断方法所用系统,构成如图2所示,包括:
制片染色装置,用于对待检样本进行自动制片染色;具体地,医疗单位通过对患者的细胞样本及组织切片样本进行采样得待检样本,然后将待检样本送入制片染色装置,进行制片染色;所述的制片染色装置包括全自动细胞分离染色一体机及全自动组织染色一体机;可采用型号为C-LCT的设备。
标本信息采集无线上传系统,用于样本图像(细胞影像数据)的采集与上传;具体地,标本信息采集无线上传系统对制片染色后的待检样本进行拍摄采集得样本图像,采集后将样本图像上传至肿瘤云服务平台的智能细胞识别辅助诊断系统;
肿瘤云服务平台,用于对肿瘤相关人群提供个性化、定制化精准服务;其包括用于对样本图像初步诊断的智能细胞识别辅助诊断系统、用于对问题样本图像或智能细胞识别辅助诊断系统无法识别的样本图像进行专家会诊得到最终诊断结果的远程专家会诊平台、用于存储诊断过程中相关数据的肿瘤数据库。具体地,所述的肿瘤数据库采用HDFS分布式文件系统及NOSQL数据库进行数据存储(参见图1);所述的智能细胞识别辅助诊断系统(参见图1),调用肿瘤数据库里面的数据,然后在分布式批量处理hadoop平台及分布式内存处理spark平台上对样本图像进行筛除,并对筛除后得到的问题样本图像进行初步诊断。
前述的肿瘤云服务平台还包括用于实现诊断信息共享的诊断信息分享平台;诊断信息分享平台将最终诊断结果分享至医疗单位、医生和患者人群。诊断过程中的相关数据(即是指最终诊断结果)实时同步在肿瘤云服务平台,随着时间的推移,肿瘤云服务平台会积聚大量的肿瘤相关者,专家、肿瘤患者、癌前病变者、肿瘤关注者等等,针对不同人群的需求,通过肿瘤云服务平台提供各种精准服务(如肿瘤咨询、肿瘤预防及治疗、肿瘤养生、营养及保健、肿瘤慈善、社群活动等)。
具体地,诊断信息分享平台将最终诊断结果分享至医疗单位、医生和患者人群,是通过分享至用户客户端和医院客户端实现的;用户客户端,还用于为用户建立私有健康数据库,将用户的患病信息,诊疗记录,健康数据等存储在该私有健康数据库,使用户能够实时了解自己的健康状况,也为医生对病人的诊断提供参考依据;医院客户端,用于接收来自用户的健康数据,给用户提供健康指导,且用于辅助医生进行疾病诊断的决策;同时用于随时监测慢性病患者的身体状况,以判断患者是否依从医嘱及时用药或饮食上的调养是否符合疾病恢复的要求。
Claims (10)
1.一种智能病理诊断方法,其特征在于,按下述步骤进行:
a.将待检样本制片、染色,之后采集样本图像;
b.将样本图像上传至智能细胞识别辅助诊断系统筛除正常样本图像,剩余问题样本图像,智能细胞识别辅助诊断系统对问题样本图像进行初步诊断,得初诊结果;
c.智能细胞识别辅助诊断系统将初诊结果传输到远程专家会诊平台,远程专家会诊平台在专家库中挑选专家做远程读片会诊,最后汇总得出最终诊断结果。
2.根据权利要求1所述的智能病理诊断方法,其特征在于:所述的步骤a具体按下述步骤进行:医疗单位通过对患者的细胞样本及组织切片样本进行采样得待检样本,然后将待检样本送入制片染色装置进行制片染色,再通过标本信息采集无线上传系统对制片染色后的待检样本进行拍摄采集得样本图像。
3.根据权利要求1所述的智能病理诊断方法,其特征在于:步骤b中,所述的初步诊断具体按下述步骤进行:使用图像预处理算法、K-means聚类算法、重叠分离算法对问题样本图像进行处理,处理后再通过卷积神经网络算法对问题样本图像进行分类、对细胞病变进行识别,得初诊结果。
4.根据权利要求3所述的智能病理诊断方法,其特征在于:初步诊断中,智能细胞识别辅助诊断系统无法识别的问题样本图像传输到远程专家会诊平台,由远程专家进行会诊。
5.根据权利要求3所述的智能病理诊断方法,其特征在于:所述的图像预处理算法包括二值化、均衡化和降噪处理。
6.根据权利要求3所述的智能病理诊断方法,其特征在于:所述的K-means聚类算法按下述步骤进行:
①任选K个初始聚类中心其中上角标表示聚类过程中的迭代运算次数;由于分割的目的是将样本图像分割为细胞核、细胞质及背景三个部分,因此K=3,样本图像的初始聚类中心按如下方式确定:即根据给定的聚类数等间隔地生成3个聚类中心,X为细胞图像中各像素点的灰度值集合;
②计算类间距离其中k=1,2,3;令在第n次迭代时,将数据点xj归入第i个类别,即将数据点xj赋给均值离它最近的类,以最小距离原则将全部样本分配到K个聚类中;
③对所有的数据点xj归类完毕后,更新聚类中式中为所包含的样本数;
④若对所有的i都有则算法收敛结束;否则转入步骤②继续迭代。
7.根据权利要求3所述的智能病理诊断方法,其特征在于:所述的重叠分离算法包括细胞重叠类型判断和重叠细胞分离;
所述的细胞重叠类型判断采用下述方法进行:首先根据极限腐蚀方法得到重叠细胞的个数num,再根据凹区提取方法得到凹区的个数UNM:
若NUM=2num-2,则判定细胞是串联重叠细胞;
若NUM=num,则判定细胞是内部无空洞的并联细胞;
若NUM=num+s,则判定细胞是内部有空洞的并联细胞;
所述的重叠细胞分离包括串联重叠细胞的分离和并联重叠细胞的分离;
串联重叠细胞的分离方法如下:只有两个凹区,而凹点位于凹区轮廓之上,因此两个凹区轮廓像素间欧式距离最短的点即为凹点,连接这两个凹点即可以实现两个串联重叠细胞的分离,假设(x1,i,y1,j),)为第一个凹区轮廓上的某点,(x2,i,y2,j)为第二个凹区轮廓上的某点,则最短欧式距离的计算公式为:
则(x1,y1)及(x2,y2)即为对应的凹点坐标,做凹点间的连线就可以分离出重叠细胞;
并联重叠细胞的分离方法如下:对于一般的重叠程度不高、内部无空洞的并联细胞,如果细胞个数为num,凹区的个数为NUM,则NUM=num;对于一些重叠程度很高的并联细胞,重叠细胞个数一般为num=1,而凹区个数NUM≠num;对于内部有空洞的并联细胞,其二值图像的连通区域个数t1,与其反图像的连通区域个数t2不一致,num≠1,NUM≠num;由此判别并联重叠细胞。
8.根据权利要求3所述的智能病理诊断方法,其特征在于:所述的通过卷积神经网络算法对问题样本图像进行分类、对细胞病变进行识别,按下述方法进行:采用遗传算法对样本图像中的细胞特征按形态特征、色度特征、光密度特征和纹理特征4类进行提取,得特征子集;提取到特征子集后,采用两级集成BP神经网络对细胞进行分类识别。
9.一种如权利要求1-8任一项所述的智能病理诊断方法所用系统,其特征在于,包括:
制片染色装置,用于对待检样本进行自动制片染色;
标本信息采集无线上传系统,用于样本图像的采集与上传;
肿瘤云服务平台,包括用于对样本图像初步诊断的智能细胞识别辅助诊断系统、用于对问题样本图像或智能细胞识别辅助诊断系统无法识别的样本图像进行专家会诊得到最终诊断结果的远程专家会诊平台、用于存储诊断过程中相关数据的肿瘤数据库。
10.根据权利要9所述的智能病理诊断方法所用系统,其特征在于,所述的肿瘤云服务平台还包括用于实现诊断信息共享的诊断信息分享平台;诊断信息分享平台将最终诊断结果分享至医疗单位、医生和患者人群。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811536782.5A CN109712693A (zh) | 2018-12-14 | 2018-12-14 | 一种智能病理诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811536782.5A CN109712693A (zh) | 2018-12-14 | 2018-12-14 | 一种智能病理诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109712693A true CN109712693A (zh) | 2019-05-03 |
Family
ID=66256585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811536782.5A Pending CN109712693A (zh) | 2018-12-14 | 2018-12-14 | 一种智能病理诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109712693A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110132844A (zh) * | 2019-05-13 | 2019-08-16 | 贵州大学 | 一种细胞图像数据采集系统及方法、信息数据处理终端 |
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 |
CN111583226A (zh) * | 2020-05-08 | 2020-08-25 | 上海杏脉信息科技有限公司 | 细胞病理感染评估方法、电子装置及存储介质 |
CN111833296A (zh) * | 2020-05-25 | 2020-10-27 | 中国人民解放军陆军军医大学第二附属医院 | 一种骨髓细胞形态学自动检测审核系统及审核方法 |
WO2021031279A1 (zh) * | 2019-08-20 | 2021-02-25 | 东北大学 | 一种基于深度学习的X-Ray胸片肺炎智能诊断系统与方法 |
CN113506623A (zh) * | 2021-07-15 | 2021-10-15 | 湖南莱博赛医用机器人有限公司 | 一种宫颈癌人工智能检测系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105138816A (zh) * | 2015-07-23 | 2015-12-09 | 杭州电子科技大学 | 基于云计算的乳腺钼靶计算机辅助检测及远程诊断系统 |
CN106214120A (zh) * | 2016-08-19 | 2016-12-14 | 靳晓亮 | 一种青光眼的早期筛查方法 |
CN106778037A (zh) * | 2017-01-12 | 2017-05-31 | 武汉兰丁医学高科技有限公司 | 一种基于细胞图像云服务器诊断的分析方法 |
CN107609503A (zh) * | 2017-09-05 | 2018-01-19 | 刘宇红 | 智能癌变细胞识别系统及方法、云平台、服务器、计算机 |
CN108776823A (zh) * | 2018-07-06 | 2018-11-09 | 武汉兰丁医学高科技有限公司 | 基于细胞图像识别的宫颈癌病灶分析方法 |
-
2018
- 2018-12-14 CN CN201811536782.5A patent/CN109712693A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105138816A (zh) * | 2015-07-23 | 2015-12-09 | 杭州电子科技大学 | 基于云计算的乳腺钼靶计算机辅助检测及远程诊断系统 |
CN106214120A (zh) * | 2016-08-19 | 2016-12-14 | 靳晓亮 | 一种青光眼的早期筛查方法 |
CN106778037A (zh) * | 2017-01-12 | 2017-05-31 | 武汉兰丁医学高科技有限公司 | 一种基于细胞图像云服务器诊断的分析方法 |
CN107609503A (zh) * | 2017-09-05 | 2018-01-19 | 刘宇红 | 智能癌变细胞识别系统及方法、云平台、服务器、计算机 |
CN108776823A (zh) * | 2018-07-06 | 2018-11-09 | 武汉兰丁医学高科技有限公司 | 基于细胞图像识别的宫颈癌病灶分析方法 |
Non-Patent Citations (4)
Title |
---|
冶亚平等: "基于计算机信息的远程诊疗技术在组织病理学诊断中的应用研究", 《中国医学前沿杂志(电子版)》 * |
周进凡 等: "基于深度学习的胸部X光影像分析系统", 《电子技术应用》 * |
范金坪: "宫颈细胞图像分割和识别方法研究", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 * |
赛迪网: ""中国智造"宫颈癌诊断"AI机器人"亮相武汉", 《HTTP://WWW.CCIDNET.COM/2017/0414/10262203.SHTML》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110132844A (zh) * | 2019-05-13 | 2019-08-16 | 贵州大学 | 一种细胞图像数据采集系统及方法、信息数据处理终端 |
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 |
WO2021031279A1 (zh) * | 2019-08-20 | 2021-02-25 | 东北大学 | 一种基于深度学习的X-Ray胸片肺炎智能诊断系统与方法 |
CN111583226A (zh) * | 2020-05-08 | 2020-08-25 | 上海杏脉信息科技有限公司 | 细胞病理感染评估方法、电子装置及存储介质 |
CN111583226B (zh) * | 2020-05-08 | 2023-06-30 | 上海杏脉信息科技有限公司 | 细胞病理感染评估方法、电子装置及存储介质 |
CN111833296A (zh) * | 2020-05-25 | 2020-10-27 | 中国人民解放军陆军军医大学第二附属医院 | 一种骨髓细胞形态学自动检测审核系统及审核方法 |
CN111833296B (zh) * | 2020-05-25 | 2023-03-10 | 中国人民解放军陆军军医大学第二附属医院 | 一种骨髓细胞形态学自动检测审核系统及审核方法 |
CN113506623A (zh) * | 2021-07-15 | 2021-10-15 | 湖南莱博赛医用机器人有限公司 | 一种宫颈癌人工智能检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109712693A (zh) | 一种智能病理诊断方法及系统 | |
Baldeon-Calisto et al. | AdaResU-Net: Multiobjective adaptive convolutional neural network for medical image segmentation | |
Nahid et al. | Histopathological breast cancer image classification by deep neural network techniques guided by local clustering | |
WO2020151536A1 (zh) | 一种脑部图像分割方法、装置、网络设备和存储介质 | |
CN112101451B (zh) | 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法 | |
CN109670510A (zh) | 一种基于深度学习的胃镜活检病理数据筛查系统和方法 | |
CN114730463A (zh) | 用于组织图像分类的多实例学习器 | |
US8831327B2 (en) | Systems and methods for tissue classification using attributes of a biomarker enhanced tissue network (BETN) | |
Klibisz et al. | Fast, simple calcium imaging segmentation with fully convolutional networks | |
Lu et al. | A method for optimal detection of lung cancer based on deep learning optimized by marine predators algorithm | |
Pal et al. | Enhanced bag of features using alexnet and improved biogeography-based optimization for histopathological image analysis | |
CN111444829B (zh) | 面向液基细胞学检查的融合推理与学习的决策分类方法 | |
Rodrigues et al. | Optimizing a deep residual neural network with genetic algorithm for acute lymphoblastic leukemia classification | |
CN112508953B (zh) | 基于深度神经网络的脑膜瘤快速分割定性方法 | |
Vij et al. | A novel deep transfer learning based computerized diagnostic Systems for Multi-class imbalanced diabetic retinopathy severity classification | |
Zeiser et al. | Breast cancer intelligent analysis of histopathological data: A systematic review | |
Sahu et al. | Recent advancements in machine learning and deep learning-based breast cancer detection using mammograms | |
CN114093507B (zh) | 边缘计算网络中基于对比学习的皮肤病智能分类方法 | |
Oliveira et al. | A multi-objective approach for calibration and detection of cervical cells nuclei | |
CN113421250A (zh) | 一种基于无病变影像训练的眼底疾病智能诊断方法 | |
CN115985503B (zh) | 基于集成学习的癌症预测系统 | |
Gautam | Recent advancements of deep learning in detecting breast cancer: a survey | |
Su et al. | Whole slide cervical image classification based on convolutional neural network and random forest | |
Arthi et al. | Decentralized federated learning and deep learning leveraging xai-based approach to classify colorectal cancer | |
Theissen et al. | Learning cellular phenotypes through supervision |
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: 20190503 |