CN109979546A - 基于人工智能数字病理的网络模型分析平台及构建方法 - Google Patents
基于人工智能数字病理的网络模型分析平台及构建方法 Download PDFInfo
- Publication number
- CN109979546A CN109979546A CN201910272483.3A CN201910272483A CN109979546A CN 109979546 A CN109979546 A CN 109979546A CN 201910272483 A CN201910272483 A CN 201910272483A CN 109979546 A CN109979546 A CN 109979546A
- Authority
- CN
- China
- Prior art keywords
- network model
- module
- pathological image
- artificial intelligence
- labeling module
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 37
- 230000007170 pathology Effects 0.000 title claims abstract description 35
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 26
- 238000010276 construction Methods 0.000 title claims abstract description 12
- 230000001575 pathological effect Effects 0.000 claims abstract description 72
- 238000002372 labelling Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 21
- 210000004027 cell Anatomy 0.000 claims description 21
- 238000012795 verification Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 206010028980 Neoplasm Diseases 0.000 claims description 8
- 201000011510 cancer Diseases 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 210000004698 lymphocyte Anatomy 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 210000001519 tissue Anatomy 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 238000012800 visualization Methods 0.000 abstract description 4
- 239000012188 paraffin wax Substances 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 239000003814 drug Substances 0.000 description 16
- 238000011160 research Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000010171 animal model Methods 0.000 description 6
- 229940079593 drug Drugs 0.000 description 6
- 230000008685 targeting Effects 0.000 description 6
- 238000012827 research and development Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 238000010827 pathological analysis Methods 0.000 description 4
- 238000003908 quality control method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000003759 clinical diagnosis Methods 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- 238000010186 staining Methods 0.000 description 3
- 206010003694 Atrophy Diseases 0.000 description 2
- 206010028851 Necrosis Diseases 0.000 description 2
- 230000037444 atrophy Effects 0.000 description 2
- 230000000740 bleeding effect Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 230000017074 necrotic cell death Effects 0.000 description 2
- 239000002547 new drug Substances 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000003245 working effect Effects 0.000 description 2
- 208000004434 Calcinosis Diseases 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 208000032843 Hemorrhage Diseases 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 208000034158 bleeding Diseases 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003255 drug test Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003118 histopathologic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 150000002894 organic compounds Chemical class 0.000 description 1
- 230000003285 pharmacodynamic effect Effects 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Toxicology (AREA)
- Pharmacology & Pharmacy (AREA)
- Medicinal Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种基于人工智能数字病理的网络模型分析平台及构建方法,主要解决现有技术中存在的现有门石蜡切片技术或冰冻切片技术制作病理切片,效率低,主观性强,且准确率较低的问题。该一种基于人工智能数字病理的网络模型分析平台包括中心管理服务器系统、用于病理切片输入的扫描设备、编辑标注模块、训练模块、预标注模块;扫描设备的输出端与编辑标注模块的输入端电连,编辑标注模块的输出端与训练模块的输入端电连;训练模块对标注后数字病理图像网络模型进行训练形成网络模型;用于根据网络模型对未标注的数字病理图像进行标注的预标注模块与网络模型电连。通过上述方案,本发明达到快速可视化分析病理切片的目的。
Description
技术领域
本发明涉及医疗诊断技术领域,具体地说,是涉及基于人工智能数字病理的网络模型分析平台及构建方法。
背景技术
近年来,随着现代医疗危机、环境危机、疑难杂症相继来袭,人们迫切地希望能不断研究出治疗疾病的新药以解燃眉之急。在传统新药研究与开发的模式中,新化合物的设计及合成或者现有有机化合物必须首先在实验室内经过体内外动物模型进行初筛后才可能进行进一步药效学试验与进一步药理学试验,最终进行临床试验。因此在现代医药研发中,动物实验被广泛应用与投入。但由于药物研发非常艰难且成本昂贵,需要数量巨大的临床试验支撑,而目前对于实验动物病理反应及药物测试结果的观察效率低下导致大量的实验动物模型得不到充分的利用,因此大大增加了研发成本。对此,我们提出了将数字病理应用于实验动物病理结果的观察方法,进而提高病理诊断和病理测试的效率与准确性。
生产靶向药的药厂在靶向药的临床前研究、临床研究和临床诊断中需要大量的准确量化分析结果,工作量十分繁重,提高了药物的研发成本和临床试验风险,同时降低了药物的市场竞争力。
现目前病理诊断仍是采用传统石蜡切片技术或冰冻切片技术制作病理切片,然后再经过人工在显微镜下直接阅片进而做出诊断结果;此方法效率低,主观性强,且准确率较低无法充分反映动物模型的细胞组织病理变化状况。
发明内容
本发明的目的在于提供基于人工智能数字病理的网络模型分析平台及构建方法,以解决现有门石蜡切片技术或冰冻切片技术制作病理切片,后经过人工在显微镜下直接阅片进而做出诊断结果方法效率低,主观性强,且准确率较低无法充分反映动物模型的细胞组织病理变化状况的问题。
为了解决上述问题,本发明提供如下技术方案:
一种基于人工智能数字病理的网络模型分析平台包括中心管理服务器系统、用于病理切片输入的扫描设备、编辑标注模块、训练模块、预标注模块;扫描设备的输出端与编辑标注模块的输入端电连,编辑标注模块的输出端与训练模块的输入端电连;训练模块对标注后数字病理图像网络模型进行训练形成网络模型;用于根据网络模型对未标注的数字病理图像进行标注的预标注模块与网络模型电连。
具体地,预标注模块对比输入端与网络模型的信号输出端电连,其信号端口和训练模块信号端口之间连接有校验模块。
具体地,基于人工智能数字病理的网络模型分析平台还包括中心管理服务器系统,其和扫描设备均处于一个广域网环境中并实现网络连接,所述广域网环境是基于INTERNET的网域环境,所述中心管理服务器系统包括管理服务器、认证服务器、数据库服务器、与所述服务器相匹配的软件。
具体地,基于人工智能数字病理的网络模型分析平台还包括用于给出预标注切片中各类细胞的数量及情况的分析模块;分析模块与预标注模块电连。
具体地,网络模型包括分类网络模型、目标检测网络模型和语义分割网络模型;分类网络模型用于病理图像的组织分类;目标检测网络模型用于HE或IHC图像的目标识别和定位;语义分割网络模型用于识别组织、细胞的边界和轮廓。
具体地,扫描设备为数字病理扫描仪,数字病理图像为WSI格式。
一种基于人工智能数字病理的网络模型分析的构建方法包括以下步骤:
(S1)使用扫描设备扫描病理切片,得到切片的数字病理图像;
(S2)将步骤(S1)得到的数字病理图像上传至编辑标注模块,标注人员在编辑标注模块上对切片的数字病理图像进行标注;
(S3)步骤(S2)编辑标注后的数字病理图像传送至训练模块对数字病理图像进行训练得到网络模型;
(S4)未标注切片的数字病理图像上传至预标注模块,预标注模块根据步骤(S4)的网络模型对未标注切片的数字病理图像进行标注。
具体地,基于人工智能数字病理的网络模型分析平台的构建方法还包括优化网络模型的校验方法,其具体过程如下:
(A1)预标注模块将进行预标注后的数字病理图像传送至校验模块,算法人员判断切片标注是否合格,是,则将预标注的数字病理图像传送至网络模型,否,则执行步骤(A2);
(A2)算法人员分析预标注不合格的原因,根据原因优化网络模型;重复步骤(A1)至预标注的数字病理图像均合格;
具体地,步骤(S3)中训练模块训练的具体过程如下:
(S321)对已标注的切片,提取已有标注信息的共同点,形成对比数据库;
(S322)将未标注数字病理图像先分割为若干块;
(S323)将这些图像的部分逐个与步骤(S321)对比数据库进行对比,识别,筛选其共同特征;与对比数据库中已有内容相符合的,对其进行命名存储至对比数据库;不符合的则不进行标注。
具体地,步骤(S323)中识别,筛选的具体过程为:对比切片图像中各种细胞占据切片的主要分布区域和各种细胞的比例和癌巢的大致轮廓;各种细胞包括癌细胞,淋巴细胞,组织增生。
与现有技术相比,本发明具有以下有益效果:
(1)本发明中管理人员使用扫描设备得到病理的数字病理图像,后将其上传至平台,标注人员对数字病理图像进行标记,质控人员对完成标记的数字病理图像进行质量控制,合格的就发送至训练模块,不合格的发送至编辑标注模块让标注人员对其进行修改或重新标注,保证原始数据的准确性;训练模块训练后存储至网络模型;该网络模型可供各类需要切片快速分析诊断的药厂,做快速的诊断,节约了大量人工工作;比如医院可通过该网络模型对病人的病理切片进行快速分析,大量的减少了医护人员的工作量,比如生产靶向药的药厂能够在靶向药的临床前研究、临床研究和临床诊断中都能得到准确的量化分析结果,降低药物的研发成本和增加药物实验的可信度,同时提升药物的市场竞争力;使用时,将未标注的切片上传至预标注模块,通过其与网络模型的对比,对切片进行预标注;快速准确有效的分析出切片中各类病变的细胞。
(2)本发明在预标注之后的切片,通过标注人员在校验模块中进行校验确定无误后,传送至训练模块网络模型训练后,再次进行训练学习,不断的优化丰富网络模型。
(3)本发明通过分析模块实现病理分析可视化,将研究感兴趣区域ROI(出血、钙化、坏死、萎缩、癌巢、特异性染色、非特异性染色等)感兴趣选出来,便于病理研究人员准确评价。
附图说明
图1为本发明平台的框架结构示意图。
图2为本发明流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明,本发明的实施方式包括但不限于下列实施例。
如图1所示,一种基于人工智能数字病理的网络模型分析平台包括中心管理服务器系统、用于病理切片输入的扫描设备、编辑标注模块、训练模块、预标注模块;扫描设备的输出端与编辑标注模块的输入端电连,编辑标注模块的输出端与训练模块的输入端电连;训练模块对标注后数字病理图像网络模型进行训练形成网络模型;用于根据网络模型对未标注的数字病理图像进行标注的预标注模块与网络模型电连。
管理人员使用扫描设备得到病理的数字病理图像,后将其上传至平台,标注人员对数字病理图像进行标记,质控人员对完成标记的数字病理图像进行质量控制,合格的就发送至训练模块心里,不合格的发送至编辑标注模块让标注人员对其进行修改或重新标注,保证原始数据的准确性;训练模块训练后存储至网络模型;该网络模型可供各类需要切片快速诊断的药厂,做快速的诊断,节约了大量人工工作;比如医院可通过该网络模型对病人的病理切片进行快速分析,大量的减少了医护人员的工作量,比如生产靶向药的药厂能够在靶向药的临床前研究、临床研究和临床诊断中都能得到准确的量化分析结果,降低药物的研发成本和增加药物实验的可信度,同时提升药物的市场竞争力;使用时,将未标注的切片上传至预标注模块,通过其与网络模型的对比,对切片进行预标注;快速准确有效的分析出切片中各类病变的细胞。
作为本发明较佳的实施例中,预标注模块对比输入端与网络模型的信号输出端电连,其信号端口和训练模块信号端口之间连接有校验模块;预标注模块还可有其他录入数据的方式;预标注之后的切片,通过标注人员在校验模块中进行校验确定无误后,传送至训练模块网络模型训练后,再次进行训练学习,不断的优化丰富网络模型。
作为本发明较佳的实施例中,基于人工智能数字病理的网络模型分析平台还包括中心管理服务器系统,其和扫描设备均处于一个广域网环境中并实现网络连接,所述广域网环境是基于INTERNET的网域环境,所述中心管理服务器系统包括管理服务器、认证服务器、数据库服务器、与所述服务器相匹配的软件。
作为本发明较佳的实施例中,基于人工智能数字病理的网络模型分析平台还包括用于给出预标注切片中各类细胞的数量及情况的分析模块;分析模块与预标注模块电连;通过分析模块实现病理分析可视化,将研究感兴趣区域ROI(出血、钙化、坏死、萎缩、癌巢、特异性染色、非特异性染色等)感兴趣选出来,便于病理研究人员准确评价。
将研究感兴趣区域ROI准确量化评价,如:数量、密度、面积、染色强度、比例,蛋白表达的强度和基因扩增的强度等。
具体地,网络模型包括分类网络模型、目标检测网络模型和语义分割网络模型;分类网络模型用于病理图像的组织分类;目标检测网络模型用于HE或IHC图像的目标识别和定位;语义分割网络模型用于识别组织、细胞的边界和轮廓。
作为本发明较佳的实施例中,扫描设备为数字病理扫描仪,数字病理图像为WSI格式;也可选用其他形式的设备,将病理切片转换成电子图片格式。
如图2所示,一种基于人工智能数字病理的网络模型分析的构建方法包括以下步骤:
(S1)使用扫描设备扫描病理切片,得到切片的数字病理图像;
(S2)将步骤(S1)得到的数字病理图像上传至编辑标注模块,标注人员在编辑标注模块上对切片的数字病理图像进行标注;
(S3)步骤(S2)编辑标注后的数字病理图像传送至训练模块对数字病理图像进行训练得到网络模型;
(S5)未标注切片的数字病理图像上传至预标注模块,网络模型预标注模块根据步骤(S4)的网络模型对未标注切片的数字病理图像进行标注。
作为本发明较佳的实施例中,基于人工智能数字病理的网络模型分析平台的构建方法还包括优化网络模型的校验方法,其具体过程如下:
(A1)预标注模块将进行预标注后的数字病理图像传送至校验模块,算法人员判断切片标注是否合格,是,则将预标注的数字病理图像传送至网络模型,否,则执行步骤(A2);
(A2)算法人员分析预标注不合格的原因,根据原因优化网络模型;重复步骤(A1)至预标注的数字病理图像均合格;不合格的原因为算法不对、人工标注的数字病理图片太少使网络模型的精度不够或标本不全;专业人员标注的数字病理切片,为标准的相当于一个对比的标准切片。
作为本发明较佳的实施例中,步骤(S3)中训练模块训练的具体过程如下:
(S321)对已标注的切片,提取已有标注信息的共同点,形成对比数据库;
(S322)将未标注数字病理图像先分割为若干块;
(S323)将这些图像的部分逐个与步骤(S321)对比数据库进行对比,识别,筛选其共同特征;与对比数据库中已有内容相符合的,对其进行命名存储至对比数据库;不符合的则不进行标注。
作为本发明较佳的实施例中,步骤(S323)中识别,筛选的具体过程为:对比切片图像中各种细胞占据切片的主要分布区域和各种细胞的比例和癌巢的大致轮廓;各种细胞包括癌细胞,淋巴细胞,组织增生。
通过本发明完成数字病理图像的快速上传、搜索、查询、浏览、删除、恢复等操作;提供在线标注工具,可在数字图像上新建标注或修改标注并随时保存,根据标签(Tags)对标注图形进行分类并统计,同时可对所有标注数据进行管理,可搜索查阅、编辑修改等。
根据标注数据和研究训练的需求,选择切割方法并定义Class类别,进行图像标注区域的可视化自定义切割预览。
按照上述实施例,便可很好地实现本发明。值得说明的是,基于上述结构设计的前提下,为解决同样的技术问题,即使在本发明上做出的一些无实质性的改动或润色,所采用的技术方案的实质仍然与本发明一样,故其也应当在本发明的保护范围内。
Claims (10)
1.一种基于人工智能数字病理的网络模型分析平台,其特征在于,包括用于病理切片输入的扫描设备、编辑标注模块、训练模块、预标注模块;扫描设备的输出端与编辑标注模块的输入端电连,编辑标注模块的输出端与训练模块的输入端电连;训练模块对标注后数字病理图像网络模型进行训练形成网络模型;用于根据网络模型对未标注的数字病理图像进行标注的预标注模块与网络模型电连。
2.根据权利要求1所述的基于人工智能数字病理的网络模型分析平台,其特征在于,预标注模块对比输入端与网络模型的信号输出端电连,其信号端口和训练模块信号端口之间连接有校验模块。
3.根据权利要求1所述的基于人工智能数字病理的网络模型分析平台,其特征在于,还包括中心管理服务器系统,其和扫描设备均处于一个广域网环境中并实现网络连接,所述广域网环境是基于INTERNET的网域环境,所述中心管理服务器系统包括管理服务器、认证服务器、数据库服务器、与所述服务器相匹配的软件。
4.根据权利要求1-3任一项所述的基于人工智能数字病理的网络模型分析平台,其特征在于,还包括用于给出预标注切片中各类细胞的数量及情况的分析模块;分析模块与预标注模块电连。
5.根据权利要求1-3任一项所述的基于人工智能数字病理的网络模型分析平台,其特征在于,网络模型包括分类网络模型、目标检测网络模型和语义分割网络模型;分类网络模型用于病理图像的组织分类;目标检测网络模型用于HE或IHC图像的目标识别和定位;语义分割网络模型用于识别组织、细胞的边界和轮廓。
6.根据权利要求4所述的基于人工智能数字病理的网络模型分析平台,其特征在于,扫描设备为数字病理扫描仪,数字病理图像为WSI格式。
7.一种基于人工智能数字病理的网络模型分析的构建方法,其特征在于,包括以下步骤:
(S1)使用扫描设备扫描病理切片,得到切片的数字病理图像;
(S2)将步骤(S1)得到的数字病理图像上传至编辑标注模块,标注人员在编辑标注模块上对切片的数字病理图像进行标注;
(S3)步骤(S2)编辑标注后的数字病理图像传送至训练模块对数字病理图像进行训练得到网络模型;
(S4)未标注切片的数字病理图像上传至预标注模块,预标注模块根据步骤(S3)的网络模型对未标注切片的数字病理图像进行标注。
8.根据权利要求6所述的基于人工智能数字病理的网络模型分析平台的构建方法,其特征在于,还包括优化网络模型的校验方法,其具体过程如下:
(A1)预标注模块将进行预标注后的数字病理图像传送至校验模块,算法人员判断切片标注是否合格,是,则将预标注的数字病理图像传送至网络模型,否,则执行步骤(A2);
(A2)算法人员分析预标注不合格的原因,根据原因优化网络模型;重复步骤(A1)至预标注的数字病理图像均合格。
9.根据权利要求7所述的基于人工智能数字病理的网络模型分析平台的构建方法,其特征在于,
步骤(S3)中训练模块训练的具体过程如下:
(S321)对已标注的切片,提取已有标注信息的共同点,形成对比数据库;
(S322)将未标注数字病理图像先分割为若干块;
(S323)将这些图像的部分逐个与步骤(S321)对比数据库进行对比,识别,筛选其共同特征;与对比数据库中已有内容相符合的,对其进行命名存储至对比数据库;不符合的则不进行标注。
10.根据权利要求8所述的基于人工智能数字病理的网络模型分析平台的构建方法,其特征在于,步骤(S323)中识别,筛选的具体过程为:对比切片图像中各种细胞占据切片的主要分布区域和各种细胞的比例和癌巢的大致轮廓;各种细胞包括癌细胞,淋巴细胞,组织增生。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910272483.3A CN109979546A (zh) | 2019-04-04 | 2019-04-04 | 基于人工智能数字病理的网络模型分析平台及构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910272483.3A CN109979546A (zh) | 2019-04-04 | 2019-04-04 | 基于人工智能数字病理的网络模型分析平台及构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109979546A true CN109979546A (zh) | 2019-07-05 |
Family
ID=67083139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910272483.3A Pending CN109979546A (zh) | 2019-04-04 | 2019-04-04 | 基于人工智能数字病理的网络模型分析平台及构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109979546A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110570931A (zh) * | 2019-04-01 | 2019-12-13 | 成都大学 | 医联体信息化平台 |
CN111681738A (zh) * | 2020-06-09 | 2020-09-18 | 平安科技(深圳)有限公司 | 基于病理切片扫描和分析一体化方法、装置、设备及介质 |
CN111860487A (zh) * | 2020-07-28 | 2020-10-30 | 天津恒达文博科技股份有限公司 | 基于深度神经网络的碑文标注检测识别系统 |
CN111899214A (zh) * | 2020-06-12 | 2020-11-06 | 西安交通大学 | 一种病理切片扫描分析装置及病理切片扫描方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110075897A1 (en) * | 2009-09-30 | 2011-03-31 | Genera Electric Company | Stain-based optimized compression of digital pathology slides |
US20140270431A1 (en) * | 2013-03-15 | 2014-09-18 | Sony Corporation | Characterizing pathology images with statistical analysis of local neural network responses |
CN105975793A (zh) * | 2016-05-23 | 2016-09-28 | 麦克奥迪(厦门)医疗诊断系统有限公司 | 一种基于数字病理图像的癌症辅助诊断方法 |
US20160321809A1 (en) * | 2013-10-01 | 2016-11-03 | Ventana Medical Systems, Inc. | Line-based image registration and cross-image annotation devices, systems and methods |
CN106991355A (zh) * | 2015-09-10 | 2017-07-28 | 天津中科智能识别产业技术研究院有限公司 | 基于拓扑保持的解析型字典学习模型的人脸识别方法 |
CN107704878A (zh) * | 2017-10-09 | 2018-02-16 | 南京大学 | 一种基于深度学习的高光谱数据库半自动化建立方法 |
CN108288506A (zh) * | 2018-01-23 | 2018-07-17 | 雨声智能科技(上海)有限公司 | 一种基于人工智能技术的癌症病理辅助诊断方法 |
CN108694718A (zh) * | 2018-05-28 | 2018-10-23 | 中山大学附属第六医院 | 直肠癌术前同期新辅助放化疗疗效评估系统和方法 |
CN108764329A (zh) * | 2018-05-24 | 2018-11-06 | 复旦大学附属华山医院北院 | 一种肺癌病理图像数据集的构建方法 |
CN108833409A (zh) * | 2018-06-15 | 2018-11-16 | 北京网思科平科技有限公司 | 基于深度学习和半监督学习的webshell检测方法及装置 |
CN108846828A (zh) * | 2018-05-04 | 2018-11-20 | 上海交通大学 | 一种基于深度学习的病理图像目标区域定位方法及系统 |
CN109165623A (zh) * | 2018-09-07 | 2019-01-08 | 北京麦飞科技有限公司 | 基于深度学习的水稻病斑检测方法及系统 |
CN109359697A (zh) * | 2018-10-30 | 2019-02-19 | 国网四川省电力公司广元供电公司 | 一种电力设备巡检中使用的图形图像识别方法及巡查系统 |
CN109377803A (zh) * | 2018-12-06 | 2019-02-22 | 成都大学 | 数字化显微互动平台 |
CN109493346A (zh) * | 2018-10-31 | 2019-03-19 | 浙江大学 | 一种基于多损失的胃癌病理切片图像分割方法和装置 |
-
2019
- 2019-04-04 CN CN201910272483.3A patent/CN109979546A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110075897A1 (en) * | 2009-09-30 | 2011-03-31 | Genera Electric Company | Stain-based optimized compression of digital pathology slides |
US20140270431A1 (en) * | 2013-03-15 | 2014-09-18 | Sony Corporation | Characterizing pathology images with statistical analysis of local neural network responses |
US20160321809A1 (en) * | 2013-10-01 | 2016-11-03 | Ventana Medical Systems, Inc. | Line-based image registration and cross-image annotation devices, systems and methods |
CN106991355A (zh) * | 2015-09-10 | 2017-07-28 | 天津中科智能识别产业技术研究院有限公司 | 基于拓扑保持的解析型字典学习模型的人脸识别方法 |
CN105975793A (zh) * | 2016-05-23 | 2016-09-28 | 麦克奥迪(厦门)医疗诊断系统有限公司 | 一种基于数字病理图像的癌症辅助诊断方法 |
CN107704878A (zh) * | 2017-10-09 | 2018-02-16 | 南京大学 | 一种基于深度学习的高光谱数据库半自动化建立方法 |
CN108288506A (zh) * | 2018-01-23 | 2018-07-17 | 雨声智能科技(上海)有限公司 | 一种基于人工智能技术的癌症病理辅助诊断方法 |
CN108846828A (zh) * | 2018-05-04 | 2018-11-20 | 上海交通大学 | 一种基于深度学习的病理图像目标区域定位方法及系统 |
CN108764329A (zh) * | 2018-05-24 | 2018-11-06 | 复旦大学附属华山医院北院 | 一种肺癌病理图像数据集的构建方法 |
CN108694718A (zh) * | 2018-05-28 | 2018-10-23 | 中山大学附属第六医院 | 直肠癌术前同期新辅助放化疗疗效评估系统和方法 |
CN108833409A (zh) * | 2018-06-15 | 2018-11-16 | 北京网思科平科技有限公司 | 基于深度学习和半监督学习的webshell检测方法及装置 |
CN109165623A (zh) * | 2018-09-07 | 2019-01-08 | 北京麦飞科技有限公司 | 基于深度学习的水稻病斑检测方法及系统 |
CN109359697A (zh) * | 2018-10-30 | 2019-02-19 | 国网四川省电力公司广元供电公司 | 一种电力设备巡检中使用的图形图像识别方法及巡查系统 |
CN109493346A (zh) * | 2018-10-31 | 2019-03-19 | 浙江大学 | 一种基于多损失的胃癌病理切片图像分割方法和装置 |
CN109377803A (zh) * | 2018-12-06 | 2019-02-22 | 成都大学 | 数字化显微互动平台 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110570931A (zh) * | 2019-04-01 | 2019-12-13 | 成都大学 | 医联体信息化平台 |
CN111681738A (zh) * | 2020-06-09 | 2020-09-18 | 平安科技(深圳)有限公司 | 基于病理切片扫描和分析一体化方法、装置、设备及介质 |
CN111681738B (zh) * | 2020-06-09 | 2024-05-07 | 平安科技(深圳)有限公司 | 基于病理切片扫描和分析一体化方法、装置、设备及介质 |
CN111899214A (zh) * | 2020-06-12 | 2020-11-06 | 西安交通大学 | 一种病理切片扫描分析装置及病理切片扫描方法 |
CN111899214B (zh) * | 2020-06-12 | 2022-12-09 | 西安交通大学 | 一种病理切片扫描分析装置及病理切片扫描方法 |
CN111860487A (zh) * | 2020-07-28 | 2020-10-30 | 天津恒达文博科技股份有限公司 | 基于深度神经网络的碑文标注检测识别系统 |
CN111860487B (zh) * | 2020-07-28 | 2022-08-19 | 天津恒达文博科技股份有限公司 | 基于深度神经网络的碑文标注检测识别系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109979546A (zh) | 基于人工智能数字病理的网络模型分析平台及构建方法 | |
Chakraborty et al. | Modified cuckoo search algorithm in microscopic image segmentation of hippocampus | |
JP6816196B2 (ja) | 包括的なマルチアッセイ組織分析のためのシステムおよび方法 | |
JP6184964B2 (ja) | 生物試料をスペクトル画像により分析する方法およびシステム。 | |
US20200117883A1 (en) | Lab color space silver and red in situ hybridization based techniques for detecting genes in tissue samples | |
Barros et al. | PathoSpotter-K: A computational tool for the automatic identification of glomerular lesions in histological images of kidneys | |
US7027627B2 (en) | Medical decision support system and method | |
WO2021163213A1 (en) | Federated learning system for training machine learning algorithms and maintaining patient privacy | |
CN109416313A (zh) | 图像地图集系统和方法 | |
CN112884724B (zh) | 一种用于肺癌组织病理分型的智能判断方法及系统 | |
CN110838094B (zh) | 病理切片染色风格转换方法和电子设备 | |
CN115909006B (zh) | 基于卷积Transformer的乳腺组织图像分类方法及系统 | |
EP4196889A1 (en) | Machine learning models for cell localization and classification learned using repel coding | |
CN109671062A (zh) | 超声图像检测方法、装置、电子设备及可读存储介质 | |
Tewary et al. | HER2 molecular marker scoring using transfer learning and decision level fusion | |
Li et al. | StereoCell enables highly accurate single-cell segmentation for spatial transcriptomics | |
CN115564750A (zh) | 术中冰冻切片图像识别方法及装置、设备、存储介质 | |
CN109979588A (zh) | 图像扫描病理切片系统 | |
Yazdi et al. | A multilayered urban tree dataset of point clouds, quantitative structure and graph models | |
WO2022035609A1 (en) | Active learning system for digital pathology | |
Totu et al. | An objective scoring framework for histology slide image mosaics applicable for the reliable benchmarking of image quality assessment algorithms | |
CN110598561A (zh) | 基于机器学习的细胞玻片分析方法、装置及存储介质 | |
CN111899214A (zh) | 一种病理切片扫描分析装置及病理切片扫描方法 | |
US20220375604A1 (en) | System and method for automation of surgical pathology processes using artificial intelligence | |
WO2023108412A1 (zh) | 目标蛋白快速识别及定量方法 |
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 |
Application publication date: 20190705 |
|
RJ01 | Rejection of invention patent application after publication |