CN109785310A - 一种基于乳腺淋巴结全景图像计算的自动分期系统 - Google Patents

一种基于乳腺淋巴结全景图像计算的自动分期系统 Download PDF

Info

Publication number
CN109785310A
CN109785310A CN201910027983.0A CN201910027983A CN109785310A CN 109785310 A CN109785310 A CN 109785310A CN 201910027983 A CN201910027983 A CN 201910027983A CN 109785310 A CN109785310 A CN 109785310A
Authority
CN
China
Prior art keywords
cancer
lymph node
metastasis
region
training
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
CN201910027983.0A
Other languages
English (en)
Other versions
CN109785310B (zh
Inventor
徐军
徐海俊
蔡程飞
马伟
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.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
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 Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN201910027983.0A priority Critical patent/CN109785310B/zh
Publication of CN109785310A publication Critical patent/CN109785310A/zh
Application granted granted Critical
Publication of CN109785310B publication Critical patent/CN109785310B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02ATECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种基于乳腺淋巴结全景图像计算的自动分期系统,属于医学图像信息处理技术领域。根据标注的淋巴结癌转移区域,建立深度卷积网络所需两种正负样本,通过训练深度卷积网络,得出分类正负样本所需要的模型,再将图像组织区域内的每个块送入模型得出其所在位置发生癌转移的概率,建立起概率热值图;然后按淋巴结癌转移的分割区域提取病理组学特征,训练随机森林分类器,构建淋巴结转移状态的自动分类模型,综合同一患者多张淋巴结癌转移的状态构建分期系统。可有效解决依靠病理专家凭经验检判断乳腺癌分期时耗时、费力、误差较高等问题。

Description

一种基于乳腺淋巴结全景图像计算的自动分期系统
技术领域
本发明涉及一种基于乳腺淋巴结全景图像计算的自动分期系统,属于医学图像信息处理技术领域。
背景技术
乳腺癌是全世界女性发病率最高的恶性肿瘤,其死亡率为6%左右,仅次于死亡率最高的肺癌。据中美两国最新的癌症统计报告,与其他的恶性肿瘤相比,乳腺癌预后较好,如果能够做到早发现、早诊断、早治疗,治愈率可达96%以上。转移是癌症诊治中最为重要的预后因子,其中淋巴结癌转移是肿瘤最常见的转移方式,是指癌细胞从原发病灶冲破了肿瘤癌巢的限制,穿过淋巴管壁而扩散到淋巴结,并且以淋巴结为中心生长出肿瘤的现象。如果在前哨淋巴结中出现了癌细胞就表示肿瘤已经扩散到乳腺以外,这种现象称为癌转移。淋巴结癌转移的状态(出现或者消失)是乳腺癌患者非常重要的预后因子。淋巴结呈阳性数量越多,癌症的恶性程度就越高,患者的预后也就越差。淋巴结中癌转移的程度可以通过淋巴结转移类型来判断。淋巴结转移类型分为三种:孤立癌细胞簇(ITCs)、微转移和宏转移。
医生通常采用分期系统对患者的癌症恶性程度给定一个癌症等级的分期值。目前国际上公认的能够全面反映恶性肿瘤进展、判断预后的独立指标是由美国癌症联合会(AJCC)提出的 TNM 分期系统。淋巴结转移的组织学评估(N期)是乳腺癌分期系统最重要的预后因素之一,通过判断乳腺癌患者癌转移程度,可以对患者癌症扩散程度进行分类从而帮助患者选择合理的治疗方案并获得预后信息。在该系统中,N反映了肿瘤原发灶附近的淋巴结癌转移的状态,即如果没有检测到任何一个淋巴结发生转移,则N的设定值为0,反之,N就综合发生了癌转移的淋巴结数量,以及相应的淋巴结中癌转移程度的高低赋予一个大于0的整数值。根据pN分期系统判断该患者癌转移扩散到淋巴结的程度。pN分期主要由pN0、pN0(i+)、pN1mi、pN1、pN2五期组成,从低到高分别对应着转移的严重程度:
1、pN0:没有任何癌转移出现;
2、pN0(i+):只有孤立癌细胞簇;
3、pN1mi:发现微转移,但是没有宏转移;
4、pN1:发现1-3个淋巴结转移,至少一个是宏转移;
5、pN2:发现4-9个淋巴结转移,至少有一个是宏转移;
目前在临床中,乳腺癌淋巴结转移的检测过程是由病理医生根据他们的经验,通过肉眼在显微镜下逐一分析约10亿像素的组织病理切片中是否存在转移区域及其对应的转移类型。病理医生进行疾病诊断依靠的主要工具就是显微镜,显微镜的缺点是缺少标准化、容易诊断错误、需要人工识别切片目镜视野中数百万的细胞。人工分析除了具有繁琐、耗时、费力的缺点外,还具有较强的主观性,容易受医生的经验和环境因素的影响,不同的病理医生在人工分析上可能具有较大的差异性。另外,经过淋巴结清扫的乳腺癌患者通常都包含20张以上的淋巴结切片,因此病理医生在这个方面的工作量和强度可想而知。
随着计算机视觉、机器学习等人工智能技术,特别是深度学习的快速发展,以及数字化全切片扫描仪技术的快速发展,通过对切片快速数字化得到高质量的全扫描组织病理图像,不仅便于保存,而且使得运用人工智能技术分析数字化的切片成为了可能。一个高效准确的针对乳腺癌患者癌转移的自动分期系统,可以减少漏诊和误诊并降低过度治疗和治疗不当的发生概率,最终辅助医生制定最优的临床治疗方案,这对于临床医生和患者均具有重要的意义。
发明内容
本发明要解决的技术问题是针对传统依靠病理专家凭经验检判断乳腺癌分期耗时、费力、误差大等问题,提出一种基于乳腺淋巴结全景图像计算的自动分期系统,利用深度学习方法区分乳腺癌全景扫描病理图像中正常区域和肿瘤区域在病理组织结构、类型的复杂性和形态方面的差异性,应对待检测和分割的目标众多和存在背景复杂、噪声大、染色不均匀性、成像质量不高等不利于准确判断乳腺癌分期的难题,实现对乳腺淋巴结全景图像的自动精准分期。
为解决上述技术问题,本发明提供一种基于乳腺淋巴结全景图像计算的自动分期方法,首先进行高效准确的淋巴结癌转移区域分割,对全景数字病理图片进行预处理,分割分淋巴结癌转移区域,提取有组织区域,去除白色背景区域,根据标注的淋巴结癌转移区域,建立深度卷积网络所需两种正负样本,通过训练深度卷积网络,得出分类正负样本所需要的模型,再将图像组织区域内的每个块送入模型得出其所在位置发生癌转移的概率,建立起概率热值图;然后按淋巴结癌转移的分割区域提取病理组学特征,训练随机森林分类器,构建淋巴结转移状态的自动分类模型,综合同一患者多张淋巴结癌转移的状态构建分期系统。
所述基于乳腺淋巴结全景图像计算的自动分期方法的具体步骤如下:
(1)高效准确的淋巴结癌转移区域分割
(1.1)全景扫描病理图像的预处理:首先提取目标区域,利用Otsu阈值法将全景扫描病理图像在低倍分辨率下排除白色背景区域,以减少计算时间,避免在大量白色背景区域做过多的计算,然后将低倍镜下有组织的区域对应在全扫描40镜倍下的目标区域提取出来;
(1.2)获取训练样本:由拥有专业病理知识的临床医生在大幅切片图像中标记癌转移区域,然后程序提对正常区域和转移区域进行取块,得到大小相同,边长都为256个像素的图像模块,并且通过旋转、镜像以及颜色反卷积等数据增强;如果这些小块位于转移(阳性)部分,则标记为正样本1;如果位于正常(阴性)部分,则标记为负样本0;
(1.3)训练和构建深度模型:采用深度卷积网络(DCNN)模型,将步骤(1.2)中得到的训练集作为DCNN的输入,经过迭代,测试测试集的损失及分类准确率,调整神经网络的权值,最后获得一个准确率较高、损失值较小的权值系数,得到一个存储网络权值系数的深度模型;
(1.4)进行后处理:以滑动窗的形式将每个块送入步骤(1.3)的深度卷积网络模型中,得出每个块所在位置发生癌转移的概率,然后建立一个概率热值图,即根据块所在位置得出组织区域是否是癌转移概率热值图;
(2)根据分割的癌转移区域构建分期系统
(2.1)根据淋巴结癌转移的分割区域提取基于形状、致密度、矩、粒度等与人类阐释相一致的病理组学特征,即从概率热值图提取特征向量;
(2.2)根据骤(2.1)中提取的所有乳腺淋巴结训练和测试集的病理组学特征,训练随机森林分类器,构建淋巴结转移状态的自动分类模型;
(2.3)综合每一个患者所有淋巴结转移状态,训练决策树分类器,构建淋巴结转移分期系统。
本发明将深度学习领域的方法应用到医疗领域,利用深度学习方法区分一张乳腺癌全景扫描病理图像中正常区域和肿瘤区域,进行计算机辅助医疗,可以有效判断复杂的病理组织结构、类型和形态的差异性,解决待检测和分割的目标众多和存在背景复杂、噪声大、染色不均匀性及成像质量等问题,以及传统依靠病理专家凭经验检判断乳腺癌分期时耗时、费力、误差较高等问题,帮助病理医生提高诊断效率和准确率,防止由于医生的误诊和过度的治疗对病人造成的伤害,提高人们的生活质量。同时,有助于经验少的病理医生的工作、改善医疗资源分配不均等现象。
附图说明
图1是本发明基于乳腺淋巴结计算的自动分析系统流程图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步详尽描述,实施例中未注明的技术或产品,均为现有技术或可以通过购买获得的常规产品。
实施例1:如图1所示,本基于乳腺淋巴结全景图像计算的自动分期方法是:首先进行高效准确的淋巴结癌转移区域分割,对全景数字病理图片进行预处理,提取有组织区域,去除白色背景区域;然后提取训练集,根据淋巴结癌转移分割区域提取形态学特征,确定淋巴结的状态,建立深度卷积网络所需两种正负样本;再训练深度卷积网络,得出分类正负样本所需要的模型,并将每个块送入模型得出其所在位置发生癌转移的概率,建立起概率热值图;然后根据淋巴结癌转移的分割区域提取病理组学特征,训练随机森林分类器,构建淋巴结转移状态的自动分类模型,综合同一患者多张淋巴结癌转移的状态构建分期系统。
本基于乳腺淋巴结全景图像计算的自动分期方法的具体步骤如下:
(1)高效准确的淋巴结癌转移区域分割
(1.1)全景扫描病理图像的预处理:首先提取目标区域,利用Otsu阈值法将全景扫描病理图像在低倍分辨率下排除背景区域,以减少计算时间,避免在大量白色背景区域做过多的计算,然后将低倍镜下有组织的区域对应在全扫描40镜倍下的目标区域提取出来;
(1.2)获取训练样本:由拥有专业病理知识的临床医生在大幅切片图像中标记癌转移区域,然后程序提对正常区域和转移区域进行取块,得到大小相同,边长都为256个像素的图像模块,并且通过旋转、镜像以及颜色反卷积等数据增强;如果这些小块位于转移(阳性)部分,则标记为正样本1;如果位于正常(阴性)部分,则标记为负样本0;
(1.3)训练和构建深度模型:采用深度卷积网络(DCNN)模型,将步骤(1.2)中得到的训练集作为DCNN的输入,经过迭代,测试测试集的损失及分类准确率,调整神经网络的权值,最后获得一个准确率较高、损失值较小的权值系数,得到一个存储网络权值系数的深度模型;
(1.4)进行后处理:以滑动窗的形式将每个块送入步骤(1.3)的深度卷积网络模型中,得出每个块所在位置发生癌转移的概率,然后建立一个概率热值图,即根据块所在位置得出组织区域是否是癌转移概率热值图;
(2)根据分割的癌转移区域构建分期系统
(2.1)根据淋巴结癌转移的分割区域提取基于形状、致密度、矩、粒度等与人类阐释相一致的病理组学特征,即从概率热值图提取特征向量;
(2.2)根据骤(2.1)中提取的所有乳腺淋巴结训练和测试集的病理组学特征,训练随机森林分类器,构建淋巴结转移状态的自动分类模型;
(2.3)综合每一个患者所有淋巴结转移状态,训练决策树分类器,构建淋巴结转移分期系统。
上面结合附图对本发明的技术内容作了说明,但本发明的保护范围并不限于所述内容,在本领域的普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下对本发明的技术内容做出各种变化,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于乳腺淋巴结全景图像计算的自动分期系统,其特征在于:首先进行高效准确的淋巴结癌转移区域分割,对全景数字病理图片进行预处理,分割分淋巴结癌转移区域,提取有组织区域,去除白色背景区域,根据标注的淋巴结癌转移区域,建立深度卷积网络所需两种正负样本,通过训练深度卷积网络,得出分类正负样本所需要的模型,再将图像组织区域内的每个块送入模型得出其所在位置发生癌转移的概率,建立起概率热值图;然后按淋巴结癌转移的分割区域提取病理组学特征,训练随机森林分类器,构建淋巴结转移状态的自动分类模型,综合同一患者多张淋巴结癌转移的状态构建分期系统。
2.根据权利要求1所述的基于乳腺淋巴结全景图像计算的自动分期系统,其特征在于:所述方法的具体步骤如下:
(1)高效准确的淋巴结癌转移区域分割
(1.1)全景扫描病理图像的预处理:首先提取目标区域,利用Otsu阈值法将全景扫描病理图像在低倍分辨率下排除白色背景区域,然后将低倍镜下有组织的区域对应在全扫描40镜倍下的目标区域提取出来;
(1.2)获取训练样本:由拥有专业病理知识的临床医生在大幅切片图像中标记癌转移区域,然后程序提对正常区域和转移区域进行取块,得到大小相同,边长都为256个像素的图像模块,并且通过旋转、镜像以及颜色反卷积等数据增强;如果这些小块位于转移部分,则标记为正样本1;如果位于正常部分,则标记为负样本0;
(1.3)训练和构建深度模型:采用深度卷积网络(DCNN)模型,将步骤(1.2)中得到的训练集作为DCNN的输入,经过迭代,测试测试集的损失及分类准确率,调整神经网络的权值,最后获得一个准确率较高、损失值较小的权值系数,得到一个存储网络权值系数的深度模型;
(1.4)进行后处理:以滑动窗的形式将每个块送入步骤(1.3)的深度卷积网络模型中,得出每个块所在位置发生癌转移的概率,然后建立一个概率热值图,即根据块所在位置得出组织区域是否是癌转移概率热值图;
(2)根据分割的癌转移区域构建分期系统
(2.1)根据淋巴结癌转移的分割区域提取基于形状、致密度、矩、粒度等与人类阐释相一致的病理组学特征,即从概率热值图提取特征向量;
(2.2)根据骤(2.1)中提取的所有乳腺淋巴结训练和测试集的病理组学特征,训练随机森林分类器,构建淋巴结转移状态的自动分类模型;
(2.3)综合每一个患者所有淋巴结转移状态,训练决策树分类器,构建淋巴结转移分期系统。
CN201910027983.0A 2019-01-11 2019-01-11 一种基于乳腺淋巴结全景图像计算的自动分期系统 Active CN109785310B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910027983.0A CN109785310B (zh) 2019-01-11 2019-01-11 一种基于乳腺淋巴结全景图像计算的自动分期系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910027983.0A CN109785310B (zh) 2019-01-11 2019-01-11 一种基于乳腺淋巴结全景图像计算的自动分期系统

Publications (2)

Publication Number Publication Date
CN109785310A true CN109785310A (zh) 2019-05-21
CN109785310B CN109785310B (zh) 2023-06-06

Family

ID=66500291

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910027983.0A Active CN109785310B (zh) 2019-01-11 2019-01-11 一种基于乳腺淋巴结全景图像计算的自动分期系统

Country Status (1)

Country Link
CN (1) CN109785310B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111260632A (zh) * 2020-01-16 2020-06-09 清华大学 基于深度神经网络的图像分析方法及装置
CN111340128A (zh) * 2020-03-05 2020-06-26 上海市肺科医院(上海市职业病防治院) 一种肺癌转移性淋巴结病理图像识别系统及方法
CN111445996A (zh) * 2020-03-31 2020-07-24 杭州依图医疗技术有限公司 医疗信息的处理方法、处理系统及存储介质
CN112102343A (zh) * 2020-08-12 2020-12-18 海南大学 基于超声图像的ptc诊断系统
CN112562847A (zh) * 2019-09-26 2021-03-26 北京赛迈特锐医疗科技有限公司 在mpMRI图像上自动检出前列腺癌转移的系统及方法
CN112651935A (zh) * 2020-12-23 2021-04-13 苏州普瑞斯仁信息科技有限公司 一种肿瘤淋巴结自动分期系统
CN114587397A (zh) * 2020-12-07 2022-06-07 四川大学 一种基于神经网络的计算机辅助术前肺癌患者n2期淋巴结预测系统
CN116188474A (zh) * 2023-05-05 2023-05-30 四川省肿瘤医院 基于图像语义分割的三级淋巴结构识别方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050282146A1 (en) * 2003-11-26 2005-12-22 Michael Kattan Methods to predict additional nodal metastases in breast cancer patients
CN107358611A (zh) * 2017-06-28 2017-11-17 南京信息工程大学 一种全景扫描病理图像转移区域的自动分割方法
CN108717554A (zh) * 2018-05-22 2018-10-30 复旦大学附属肿瘤医院 一种甲状腺肿瘤病理组织切片图像分类方法及其装置
CN109009110A (zh) * 2018-06-26 2018-12-18 东北大学 基于mri影像的腋窝淋巴结转移预测系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050282146A1 (en) * 2003-11-26 2005-12-22 Michael Kattan Methods to predict additional nodal metastases in breast cancer patients
CN107358611A (zh) * 2017-06-28 2017-11-17 南京信息工程大学 一种全景扫描病理图像转移区域的自动分割方法
CN108717554A (zh) * 2018-05-22 2018-10-30 复旦大学附属肿瘤医院 一种甲状腺肿瘤病理组织切片图像分类方法及其装置
CN109009110A (zh) * 2018-06-26 2018-12-18 东北大学 基于mri影像的腋窝淋巴结转移预测系统

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112562847A (zh) * 2019-09-26 2021-03-26 北京赛迈特锐医疗科技有限公司 在mpMRI图像上自动检出前列腺癌转移的系统及方法
CN112562847B (zh) * 2019-09-26 2024-04-26 北京赛迈特锐医疗科技有限公司 在mpMRI图像上自动检出前列腺癌转移的系统及方法
CN111260632A (zh) * 2020-01-16 2020-06-09 清华大学 基于深度神经网络的图像分析方法及装置
CN111340128A (zh) * 2020-03-05 2020-06-26 上海市肺科医院(上海市职业病防治院) 一种肺癌转移性淋巴结病理图像识别系统及方法
CN111445996A (zh) * 2020-03-31 2020-07-24 杭州依图医疗技术有限公司 医疗信息的处理方法、处理系统及存储介质
CN112102343A (zh) * 2020-08-12 2020-12-18 海南大学 基于超声图像的ptc诊断系统
CN112102343B (zh) * 2020-08-12 2024-03-29 海南大学 基于超声图像的ptc诊断系统
CN114587397A (zh) * 2020-12-07 2022-06-07 四川大学 一种基于神经网络的计算机辅助术前肺癌患者n2期淋巴结预测系统
CN114587397B (zh) * 2020-12-07 2023-12-26 四川大学 一种基于神经网络的计算机辅助术前肺癌患者n2期淋巴结预测系统
CN112651935A (zh) * 2020-12-23 2021-04-13 苏州普瑞斯仁信息科技有限公司 一种肿瘤淋巴结自动分期系统
CN116188474A (zh) * 2023-05-05 2023-05-30 四川省肿瘤医院 基于图像语义分割的三级淋巴结构识别方法和系统
CN116188474B (zh) * 2023-05-05 2023-07-07 四川省肿瘤医院 基于图像语义分割的三级淋巴结构识别方法和系统

Also Published As

Publication number Publication date
CN109785310B (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
CN109785310A (zh) 一种基于乳腺淋巴结全景图像计算的自动分期系统
Wang et al. Using deep convolutional neural networks for multi-classification of thyroid tumor by histopathology: a large-scale pilot study
CN111986150B (zh) 一种数字病理图像的交互式标注精细化方法
Dundar et al. Computerized classification of intraductal breast lesions using histopathological images
CN109903284B (zh) 一种her2免疫组化图像自动判别方法及系统
Mi et al. Deep learning-based multi-class classification of breast digital pathology images
Anand et al. Deep learning to estimate human epidermal growth factor receptor 2 status from hematoxylin and eosin-stained breast tissue images
CN108717554A (zh) 一种甲状腺肿瘤病理组织切片图像分类方法及其装置
CN107330263A (zh) 一种计算机辅助乳腺浸润性导管癌组织学分级的方法
CN108648182B (zh) 一种基于分子亚型的乳腺癌核磁共振图像肿瘤区域分割方法
Bai et al. Automatic segmentation of cervical region in colposcopic images using K-means
CN110738637B (zh) 一种乳腺癌病理切片的自动分类系统
CN112215799A (zh) 一种磨玻璃肺结节自动分类方法及系统
CN112071418B (zh) 基于增强ct影像组学的胃癌腹膜转移的预测系统及方法
Anari et al. Computer-aided detection of proliferative cells and mitosis index in immunohistichemically images of meningioma
Nawn et al. Multifractal alterations in oral sub-epithelial connective tissue during progression of pre-cancer and cancer
Domínguez Hernández et al. Development of an expert system as a diagnostic support of cervical cancer in atypical glandular cells, based on fuzzy logics and image interpretation
CN101799926A (zh) Ki-67免疫组化病理图像自动定量分析系统
Fogarasi et al. Glandular object based tumor morphometry in H&E biopsy samples for prostate cancer prognosis
CN109003659A (zh) 胃幽门螺旋杆菌感染病理诊断支持系统和方法
CN113539476A (zh) 基于人工智能的胃内窥活检拉曼图像辅助诊断方法和系统
CN111986802A (zh) 一种肺腺癌病理分化等级的辅助判定系统及方法
CN114529554B (zh) 一种胃癌her2数字病理切片智能辅助判读方法
CN113838020B (zh) 一种基于钼靶影像的病变区域量化方法
CN113469939B (zh) 一种基于特性曲线的her-2免疫组化自动判读系统

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