CN109815974A - 一种细胞病理玻片分类方法、系统、设备、存储介质 - Google Patents
一种细胞病理玻片分类方法、系统、设备、存储介质 Download PDFInfo
- Publication number
- CN109815974A CN109815974A CN201811501870.1A CN201811501870A CN109815974A CN 109815974 A CN109815974 A CN 109815974A CN 201811501870 A CN201811501870 A CN 201811501870A CN 109815974 A CN109815974 A CN 109815974A
- Authority
- CN
- China
- Prior art keywords
- cytopathology
- picture
- slide
- abnormal
- classification
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000007170 pathology Effects 0.000 title claims abstract description 28
- 230000002159 abnormal effect Effects 0.000 claims description 58
- 238000007635 classification algorithm Methods 0.000 claims description 35
- 238000010801 machine learning Methods 0.000 claims description 23
- 238000010586 diagram Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000002380 cytological effect Effects 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 6
- 210000004027 cell Anatomy 0.000 description 83
- 238000004458 analytical method Methods 0.000 description 11
- 206010008342 Cervix carcinoma Diseases 0.000 description 10
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 description 10
- 201000010881 cervical cancer Diseases 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 6
- 238000012216 screening Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000004195 computer-aided diagnosis Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 206010006187 Breast cancer Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000003855 cell nucleus Anatomy 0.000 description 1
- 210000003679 cervix uteri Anatomy 0.000 description 1
- 238000002573 colposcopy Methods 0.000 description 1
- 230000000120 cytopathologic effect Effects 0.000 description 1
- 210000000805 cytoplasm Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011496 digital image analysis Methods 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000013115 immunohistochemical detection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种细胞病理玻片分类方法、系统、设备、存储介质，通过将细胞病理玻片转换成数字细胞病理图片，再根据数字细胞病理图片获取图块类型和细胞类型，进而获取数字细胞病理图片的图片类型，克服现有技术中存在人工处理、分析细胞病理玻片效率低且存在判断差异，而且计算机辅助诊断方法的准确度低下的技术问题，实现了对细胞病理玻片进行自动处理、分类，提高了对细胞病理玻片的处理效率和准确率。
Description
技术领域
本发明涉及图片处理领域，尤其是一种细胞病理玻片分类方法、系统、设备、存储介质。
背景技术
现有技术中，子宫颈癌是最常见的妇科恶性肿瘤之一，其发病率和死亡率仅次于乳腺癌。据统计，每年约有50万左右的宫颈癌新发病例，占所有癌症新发病例的5％，其中的80％以上的病例发生在发展中国家。我国每年约有新发病例13万,占世界宫颈癌新发病例总数的28％。子宫颈癌的发病是一个较长的过程，早期及时发现和治疗可以大大提高生存率，甚至可以完全治愈，因此早筛早治疗是防治子宫颈癌的关键。
2012年美国癌症学会(ACS)、美国阴道镜和宫颈病理学会(ASCCP)、美国临床病理学会(ASCP)等25家机构通过对证据的系统回顾，协作发布了宫颈癌筛查的联合指南，筛查指南推荐按照女性的年龄、既往筛查史、其他危险因素以及筛查所选择的检测项目，采取不同的监视策略和方法，其中以宫颈细胞学为主要筛查手段。
在广泛的应用于宫颈癌筛查的状态下，宫颈细胞细胞学检查的标本数量剧增，使传统病理医生看片诊断的任务将更加繁重。病理医师的任务就是从含有上万个细胞的涂片中筛选出异常细胞，超负荷的工作量严重地影响了病理诊断的质量。
随着病理图像数据处理技术的不断发展，计算机能对病理数据不断积累和深度学习，使计算机辅助诊断技术在病理学中得到进一步应用。目前，在细胞病理学诊断、组织病理学诊断以及免疫组化检测诊断等领域都有应用。其中，用于宫颈细胞学检测的计算机辅助诊断方法大多是基于图像特征提取、学习、分类的方法。这些方法通过图像分割，分开细胞形态、细胞核、细胞质及背景等，提取相关特征再进行特征选区，最后基于图像特征进行分类判别。但是由于细胞玻片中的细胞数量众多，细胞重叠，细胞形态不规则，染色差异等问题，导致切割计算不准确，算法特征设计和选择困难等问题，从而降低计算机辅助诊断的算法准确性而难以实现临床应用。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的是提供一种细胞病理玻片分类方法、系统、设备、存储介质，用于对细胞病理玻片进行分类，提高对细胞病理玻片的处理效率及泛化能力。
本发明所采用的技术方案是：
第一方面，本发明提供一种细胞病理玻片分类方法，包括以下步骤：
预处理步骤，将细胞病理玻片转换成数字细胞病理图片；
分割步骤，将所述数字细胞病理图片分割成多个图块；
图块分类步骤，根据第一机器学习分类算法对所述图块进行分类以获取图块类型，所述图块类型包括正常图块和异常图块；
细胞分类步骤，根据第二机器学习分类算法对所述异常图块的细胞进行分类以获取细胞类型，所述细胞类型包括正常细胞和异常细胞；
图片分类步骤，根据所述图块类型、所述细胞类型和第三机器学习分类算法对所述数字细胞病理图片进行分类以获取图片类型，所述图片类型包括正常图片和异常图片。
进一步地，所述细胞病理玻片分类方法还包括：
异常细胞分布图获取步骤，根据所述细胞类型和统计学习分类算法获取所述数字细胞病理图片的异常细胞分布图。
进一步地，所述细胞病理玻片分类方法还包括：
结果输出步骤，输出所述图片类型和/或所述异常细胞分布图。
进一步地，所述细胞分类步骤具体包括：
根据第二机器学习分类算法和逐层聚焦法对所述异常图块的细胞进行分类以获取所述细胞类型。
第二方面，本发明提供一种细胞病理玻片分类系统，包括：
预处理单元，用于将细胞病理玻片转换成数字细胞病理图片；
分割单元，用于将所述数字细胞病理图片分割成多个图块；
图块分类单元，用于根据第一机器学习分类算法对所述图块进行分类以获取图块类型，所述图块类型包括正常图块和异常图块；
细胞分类单元，用于根据第二机器学习分类算法对所述异常图块的细胞进行分类以获取细胞类型，所述细胞类型包括正常细胞和异常细胞；
图片分类单元，用于根据所述图块类型、所述细胞类型和第三机器学习分类算法对所述数字细胞病理图片进行分类以获取图片类型，所述图片类型包括正常图片和异常图片。
进一步地，所述细胞病理玻片分类系统还包括：
异常细胞分布图获取单元，用于根据所述细胞类型和统计学习分类算法获取所述数字细胞病理图片的异常细胞分布图。
进一步地，所述细胞病理玻片分类系统还包括：
结果输出单元，用于输出所述图片类型和/或所述异常细胞分布图。
进一步地，所述预处理单元采用数字扫描仪来实现。
第三方面，本发明提供一种细胞病理玻片分类设备，包括：
至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行所述的细胞病理玻片分类方法。
第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行所述的细胞病理玻片分类方法。
本发明的有益效果是：
本发明通过将细胞病理玻片转换成数字细胞病理图片，再根据数字细胞病理图片获取图块类型和细胞类型，进而获取数字细胞病理图片的图片类型，克服现有技术中存在人工处理、分析细胞病理玻片效率低且存在判断差异，而且计算机辅助诊断方法的准确度低下的技术问题，实现了对细胞病理玻片进行自动处理、分类，提高了对细胞病理玻片的处理效率、准确率及泛化能力。
另外，本发明还根据细胞类型和统计学习分类算法获取数字细胞病理图片的异常细胞分布图，可以辅助医生快速对细胞病理玻片进行定位分析，提高分析效率。
附图说明
图1是本发明中一种细胞病理玻片分类方法的一具体实施例流程图；
图2是本发明中一种细胞病理玻片分类系统的一具体实施例结构示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
实施例1
参考图1，图1是本发明中一种细胞病理玻片分类方法的一具体实施例流程图；一种细胞病理玻片分类方法包括以下步骤：
预处理步骤，将细胞病理玻片转换成数字细胞病理图片(WSI，whole slideimages)，把细胞病理学样本转换成数字图像信息。
分割步骤，对所述数字细胞病理图片整图进行分割成多个小型图块以用于后续分析处理，利用小图块进行分析处理使得对细胞病理玻片的分类准确度更高。
图块分类步骤，根据第一机器学习分类算法对所述图块进行图块级别的分类以获取图块类型，所述图块类型包括正常图块和异常图块；第一机器学习分类算法可以是Inception ResNet、Inception v1、Inception v2、Inception v3、Inception v4等卷积神经网络算法，利用其中的一种卷积神经网络算法对图块进行二分类，并记录和统计正常图块的信息，信息包括图块类型和图块数量。
细胞分类步骤，根据第二机器学习分类算法和逐层聚焦法对所述异常图块的细胞进行细胞级别目标检测和分类以获取细胞类型，所述细胞类型包括正常细胞和异常细胞；第二机器学习分类算法可以是R-CNN、Fast R-CNN、Faster R-CNN、Retinanet、YOLO V1、YOLO V2、YOLO V3等深度学习目标检测算法，利用其中的一种算法对异常图块中的异常细胞进行检测，对异常细胞进行定位；同时采用逐层聚焦方法，通过不同分辨率视野，实现精准的异常细胞检测，提高异常细胞目标检测及定位的效率，以便后续整合出整图级别的异常细胞分布图。
异常细胞分布图获取步骤，根据所述细胞类型和统计学习分类算法获取所述数字细胞病理图片的异常细胞分布图；统计学习分类算法可以是LightGBM、XGBoost、RandomForest等算法中的一种，通过前述步骤中检测定位出异常细胞的所在，再利用统计学习分类算法获得整图级别的异常细胞分布图。
图片分类步骤，根据所述图块类型、所述细胞类型和第三机器学习分类算法对所述数字细胞病理图片进行分类以获取图片类型，所述图片类型包括正常图片和异常图片；第三机器学习分类算法可以是CatBoost、XGBoost或Random Forest等分类算法中的一种。图片分类步骤结合上述统计的正常图块的信息、图块分类步骤以及细胞分类步骤整合提取整图级别的特征，所提取的特征用于在分类算法中进行图片分类，进而获取整图级别的数字细胞病理图片的图片类型。
结果输出步骤，输出整图级别的所述图片类型和/或所述异常细胞分布图。
一种细胞病理玻片分类方法，通过将细胞病理玻片转换成数字细胞病理图片，再根据数字细胞病理图片获取图块类型和细胞类型，进而获取数字细胞病理图片的图片类型，克服现有技术中存在人工处理、分析细胞病理玻片效率低且存在判断差异，而且计算机辅助诊断方法准确度低下的技术问题，实现了对细胞病理玻片进行自动处理、分类，提高了对细胞病理玻片的处理效率、准确率及泛化能力。另外，本发明还根据细胞类型和统计学习分类算法获取数字细胞病理图片的异常细胞分布图，可以辅助医生快速对细胞病理玻片进行定位分析，提高分析效率，实现了对细胞病理玻片进行自动处理、分类、输出结果的一体化流程。
实施例2
参考图2，图2是本发明中一种细胞病理玻片分类系统的一具体实施例结构示意图，一种细胞病理玻片分类系统，包括预处理单元和人工智能分类系统，其中：
预处理单元，用于将细胞病理玻片转换成数字细胞病理图片；预处理单元可以采用数字扫描仪来实现。
人工智能分类系统包括数字图像存储服务器和智能运算模块，因为数字细胞病理图片的像素高，文件存储占用空间大，因此在本系统中设置专属的数字图像存储服务器，主要用于数字图像存储(存储数字细胞病理图片)，同时可以支持计算密集型、容量密集型或吞吐量密集型工作负载。可以使用云端存储服务器，也可以通过线下组合存储硬盘的形式搭建。而智能运算模块主要包含高性能运算服务器和运行于高性能运算服务器上的基于深度学习技术的智能辅助分类系统，高性能运算服务器主要用于支持数字图像分析计算、特征算法计算、量化计算等智能辅助分类系统运行涉及到的所有计算。可以通过使用在线的运算(加速)服务器，例如亚马逊AWS、腾讯云、GPU加速云服务器等，也可以是通过线下组合高性能GPU的方式来实现。具体地，智能辅助分类系统包括：
分割单元，用于将所述数字细胞病理图片分割成多个图块；
图块分类单元，用于根据第一机器学习分类算法对所述图块进行分类以获取图块类型，所述图块类型包括正常图块和异常图块；
细胞分类单元，用于根据第二机器学习分类算法和逐层聚焦法对所述异常图块的细胞进行细胞级别目标检测和分类以获取细胞类型，所述细胞类型包括正常细胞和异常细胞；
异常细胞分布图获取单元，用于根据所述细胞类型和统计学习分类算法获取所述数字细胞病理图片的异常细胞分布图；
图片分类单元，用于根据所述图块类型、所述细胞类型和第三机器学习分类算法对所述数字细胞病理图片进行分类以获取图片类型，所述图片类型包括正常图片和异常图片。
进一步地，参考图2，细胞病理玻片分类系统还包括：
结果输出单元，用于输出所述图片类型和/或所述异常细胞分布图。结果输出单元包括显示屏用于显示图片类型结果和异常细胞分布图。
关于细胞病理玻片分类系统的具体工作过程描述参照实施例1中细胞病理玻片分类方法的具体描述，不再赘述。本实施例的细胞病理玻片分类系统利用计算机视觉中的目标检测技术，通过卷积神经网络算法，自动对数字细胞病理图片进行分析，检测细胞学样本中存在的异常细胞，并为医生标出可疑异常细胞的具体位置，辅助医生对细胞病理玻片进行分析，出具和打印分析结果报告，实现辅助分析的全流程一体化方案，涵盖辅助分析全流程，自动化、智能化大幅提升对细胞病理玻片的分析效率、准确率及泛化能力。
实施例3
一种细胞病理玻片分类设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行所述的细胞病理玻片分类方法。关于细胞病理玻片分类方法的具体描述参照实施例1的描述，不再赘述。
实施例4
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行所述的细胞病理玻片分类方法。关于细胞病理玻片分类方法的具体描述参照实施例1的描述，不再赘述。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种细胞病理玻片分类方法，其特征在于，包括以下步骤：
预处理步骤，将细胞病理玻片转换成数字细胞病理图片；
分割步骤，将所述数字细胞病理图片分割成多个图块；
图块分类步骤，根据第一机器学习分类算法对所述图块进行分类以获取图块类型，所述图块类型包括正常图块和异常图块；
细胞分类步骤，根据第二机器学习分类算法对所述异常图块的细胞进行分类以获取细胞类型，所述细胞类型包括正常细胞和异常细胞；
图片分类步骤，根据所述图块类型、所述细胞类型和第三机器学习分类算法对所述数字细胞病理图片进行分类以获取图片类型，所述图片类型包括正常图片和异常图片。
2.根据权利要求1所述的细胞病理玻片分类方法，其特征在于，所述细胞病理玻片分类方法还包括：
异常细胞分布图获取步骤，根据所述细胞类型和统计学习分类算法获取所述数字细胞病理图片的异常细胞分布图。
3.根据权利要求2所述的细胞病理玻片分类方法，其特征在于，所述细胞病理玻片分类方法还包括：
结果输出步骤，输出所述图片类型和/或所述异常细胞分布图。
4.根据权利要求1至3任一项所述的细胞病理玻片分类方法，其特征在于，所述细胞分类步骤具体包括：
根据第二机器学习分类算法和逐层聚焦法对所述异常图块的细胞进行分类以获取所述细胞类型。
5.一种细胞病理玻片分类系统，其特征在于，包括：
预处理单元，用于将细胞病理玻片转换成数字细胞病理图片；
分割单元，用于将所述数字细胞病理图片分割成多个图块；
图块分类单元，用于根据第一机器学习分类算法对所述图块进行分类以获取图块类型，所述图块类型包括正常图块和异常图块；
细胞分类单元，用于根据第二机器学习分类算法对所述异常图块的细胞进行分类以获取细胞类型，所述细胞类型包括正常细胞和异常细胞；
图片分类单元，用于根据所述图块类型、所述细胞类型和第三机器学习分类算法对所述数字细胞病理图片进行分类以获取图片类型，所述图片类型包括正常图片和异常图片。
6.根据权利要求5所述的细胞病理玻片分类系统，其特征在于，所述细胞病理玻片分类系统还包括：
异常细胞分布图获取单元，用于根据所述细胞类型和统计学习分类算法获取所述数字细胞病理图片的异常细胞分布图。
7.根据权利要求6所述的细胞病理玻片分类系统，其特征在于，所述细胞病理玻片分类系统还包括：
结果输出单元，用于输出所述图片类型和/或所述异常细胞分布图。
8.根据权利要求5至7任一项所述的细胞病理玻片分类系统，其特征在于，所述预处理单元采用数字扫描仪来实现。
9.一种细胞病理玻片分类设备，其特征在于，包括：
至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至4任一项所述的细胞病理玻片分类方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至4任一项所述的细胞病理玻片分类方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811501870.1A CN109815974A (zh) | 2018-12-10 | 2018-12-10 | 一种细胞病理玻片分类方法、系统、设备、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811501870.1A CN109815974A (zh) | 2018-12-10 | 2018-12-10 | 一种细胞病理玻片分类方法、系统、设备、存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109815974A true CN109815974A (zh) | 2019-05-28 |
Family
ID=66602060
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811501870.1A Pending CN109815974A (zh) | 2018-12-10 | 2018-12-10 | 一种细胞病理玻片分类方法、系统、设备、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109815974A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110674787A (zh) * | 2019-10-09 | 2020-01-10 | 山东浪潮人工智能研究院有限公司 | 一种基于Hog特征和lgb分类器的视频解压缩方法及系统 |
| CN110728666A (zh) * | 2019-10-08 | 2020-01-24 | 中山大学附属第三医院 | 基于数字病理玻片进行慢性鼻窦炎的分型方法及其系统 |
| CN111369523A (zh) * | 2020-03-02 | 2020-07-03 | 上海杏脉信息科技有限公司 | 显微图像中细胞堆叠的检测方法、系统、设备及介质 |
| 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 |
| CN113139485A (zh) * | 2021-04-29 | 2021-07-20 | 新乡医学院 | 一种基于深度学习的骨髓细胞分类识别方法、装置及系统 |
| WO2022126923A1 (zh) * | 2020-12-18 | 2022-06-23 | 平安科技（深圳）有限公司 | Asc-us诊断结果分流方法、装置、计算机设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1991006911A1 (en) * | 1989-10-23 | 1991-05-16 | Neuromedical Systems, Inc. | Automated cytological specimen classification system and method |
| WO1991015826A1 (en) * | 1990-03-30 | 1991-10-17 | Neuromedical Systems, Inc. | Automated cytological specimen classification system and method |
| US5740270A (en) * | 1988-04-08 | 1998-04-14 | Neuromedical Systems, Inc. | Automated cytological specimen classification system and method |
| US20120237107A1 (en) * | 2010-09-16 | 2012-09-20 | University Of Kansas | System and methods for digital evaluation of cellblock preparations |
| WO2014184522A2 (en) * | 2013-05-14 | 2014-11-20 | Pathxl Limited | Method and apparatus |
| CN105550651A (zh) * | 2015-12-14 | 2016-05-04 | 中国科学院深圳先进技术研究院 | 一种数字病理切片全景图像自动分析方法及系统 |
| WO2017145172A1 (en) * | 2016-02-23 | 2017-08-31 | Sigtuple Technologies Private Limited | System and method for extraction and analysis of samples under a microscope |
-
2018
- 2018-12-10 CN CN201811501870.1A patent/CN109815974A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5740270A (en) * | 1988-04-08 | 1998-04-14 | Neuromedical Systems, Inc. | Automated cytological specimen classification system and method |
| WO1991006911A1 (en) * | 1989-10-23 | 1991-05-16 | Neuromedical Systems, Inc. | Automated cytological specimen classification system and method |
| WO1991015826A1 (en) * | 1990-03-30 | 1991-10-17 | Neuromedical Systems, Inc. | Automated cytological specimen classification system and method |
| US20120237107A1 (en) * | 2010-09-16 | 2012-09-20 | University Of Kansas | System and methods for digital evaluation of cellblock preparations |
| WO2014184522A2 (en) * | 2013-05-14 | 2014-11-20 | Pathxl Limited | Method and apparatus |
| CN105550651A (zh) * | 2015-12-14 | 2016-05-04 | 中国科学院深圳先进技术研究院 | 一种数字病理切片全景图像自动分析方法及系统 |
| WO2017145172A1 (en) * | 2016-02-23 | 2017-08-31 | Sigtuple Technologies Private Limited | System and method for extraction and analysis of samples under a microscope |
Non-Patent Citations (2)
| Title |
|---|
| 孟婷等: "一种基于增强卷积神经网络的病理图像诊断算法", 《激光与光电子学进展》 * |
| 赵越等: "卷积神经网络的宫颈细胞图像分类", 《计算机辅助设计与图形学学报》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110728666A (zh) * | 2019-10-08 | 2020-01-24 | 中山大学附属第三医院 | 基于数字病理玻片进行慢性鼻窦炎的分型方法及其系统 |
| CN110674787A (zh) * | 2019-10-09 | 2020-01-10 | 山东浪潮人工智能研究院有限公司 | 一种基于Hog特征和lgb分类器的视频解压缩方法及系统 |
| CN111369523A (zh) * | 2020-03-02 | 2020-07-03 | 上海杏脉信息科技有限公司 | 显微图像中细胞堆叠的检测方法、系统、设备及介质 |
| CN111369523B (zh) * | 2020-03-02 | 2023-07-25 | 上海杏脉信息科技有限公司 | 显微图像中细胞堆叠的检测方法、系统、设备及介质 |
| 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 |
| WO2022126923A1 (zh) * | 2020-12-18 | 2022-06-23 | 平安科技（深圳）有限公司 | Asc-us诊断结果分流方法、装置、计算机设备及存储介质 |
| CN113139485A (zh) * | 2021-04-29 | 2021-07-20 | 新乡医学院 | 一种基于深度学习的骨髓细胞分类识别方法、装置及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109815974A (zh) | 一种细胞病理玻片分类方法、系统、设备、存储介质 | |
| CN110245657B (zh) | 病理图像相似性检测方法及检测装置 | |
| CN112508850B (zh) | 基于深度学习的甲状腺细胞病理切片恶性区域的检测方法 | |
| WO2019104780A1 (zh) | 激光雷达点云数据分类方法、装置、设备及存储介质 | |
| Chang et al. | Nuclear segmentation in H&E sections via multi-reference graph cut (MRGC) | |
| CN111488921A (zh) | 一种全景数字病理图像智能分析系统及方法 | |
| JP6197659B2 (ja) | 検出制御装置、プログラム及び検出システム | |
| CN111145176A (zh) | 一种基于深度神经网络的胃癌淋巴结染色病理图像自动识别方法和系统 | |
| CN110211108A (zh) | 一种新型的基于Feulgen染色方法的异常宫颈细胞自动识别方法 | |
| US11176412B2 (en) | Systems and methods for encoding image features of high-resolution digital images of biological specimens | |
| CN112132166A (zh) | 一种数字细胞病理图像智能分析方法、系统及装置 | |
| CN112036384B (zh) | 精子头部形态识别方法、装置及设备 | |
| CN112967255A (zh) | 一种基于深度学习的盾构管片缺陷类型识别及定位系统及其方法 | |
| CN110807754B (zh) | 基于深度语义分割的真菌显微图像分割检测方法及系统 | |
| CN113470041B (zh) | 免疫组化细胞图像细胞核分割与计数方法和系统 | |
| CN110599453A (zh) | 一种基于图像融合的面板缺陷检测方法、装置及设备终端 | |
| CN112990214A (zh) | 一种医学图像特征识别预测模型 | |
| CN113658174A (zh) | 基于深度学习和图像处理算法的微核组学图像检测方法 | |
| CN113393454A (zh) | 活检组织中病理目标实例分割方法和装置 | |
| CN113887524A (zh) | 基于语义分割的磁铁矿显微图像分割方法 | |
| CN117496512B (zh) | 宫颈tct切片的多类型细胞核标注及多任务处理方法 | |
| Kovalev et al. | Deep learning in big image data: Histology image classification for breast cancer diagnosis | |
| CN116797791A (zh) | 一种基于深度学习的线粒体分割与分类方法 | |
| CN111597939B (zh) | 一种基于深度学习的高铁线路鸟窝缺陷检测方法 | |
| CN110276260B (zh) | 一种基于深度摄像头的商品检测方法 |
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: 20190528 |