CN110334565A - 一种显微镜病理照片的宫颈癌病变细胞分类系统 - Google Patents
一种显微镜病理照片的宫颈癌病变细胞分类系统 Download PDFInfo
- Publication number
- CN110334565A CN110334565A CN201910217394.9A CN201910217394A CN110334565A CN 110334565 A CN110334565 A CN 110334565A CN 201910217394 A CN201910217394 A CN 201910217394A CN 110334565 A CN110334565 A CN 110334565A
- Authority
- CN
- China
- Prior art keywords
- cell
- network
- training
- classification
- network model
- 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
- 230000001575 pathological effect Effects 0.000 title claims abstract description 18
- 230000003902 lesion Effects 0.000 title claims abstract description 17
- 230000001613 neoplastic effect Effects 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000001514 detection method Methods 0.000 claims abstract description 30
- 238000001228 spectrum Methods 0.000 claims description 19
- 208000019065 cervical carcinoma Diseases 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000000034 method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 241000894006 Bacteria Species 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 208000002352 blister Diseases 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 208000015181 infectious disease Diseases 0.000 claims description 3
- 206010017533 Fungal infection Diseases 0.000 claims description 2
- 208000031888 Mycoses Diseases 0.000 claims description 2
- 238000012952 Resampling Methods 0.000 claims description 2
- 230000008676 import Effects 0.000 claims description 2
- 238000003475 lamination Methods 0.000 claims description 2
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 210000004027 cell Anatomy 0.000 description 51
- 238000005516 engineering process Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 208000014829 head and neck neoplasm Diseases 0.000 description 2
- 208000026037 malignant tumor of neck Diseases 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000233866 Fungi Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 210000000805 cytoplasm Anatomy 0.000 description 1
- 230000001419 dependent effect Effects 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
- 238000004043 dyeing Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 231100000225 lethality Toxicity 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
- G06V20/695—Preprocessing, e.g. image segmentation
-
- 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
Abstract
本发明涉及一种显微镜病理照片的宫颈癌病变细胞分类系统，包括：检测网络模型和分类网络模型，所述检测网络模型利用不完全分类的细胞标注数据进行训练，训练完成后用于对显微镜照片中的细胞进行检测；所述分类网络模型根据不完全的细胞分类标注数据进行训练，训练完成后用于对检测到的细胞进行分类，并对细胞的具体类别进行预测。本发明使得利用不完全标注的样本训练得到病变细胞检测/分类模型成为可能。
Description
技术领域
本发明涉及宫颈癌病变细胞分类技术领域，特别是涉及一种显微镜病理照片的宫颈癌病变细胞分类系统。
背景技术
宫颈癌在女性癌症死亡中致死率居于第四位。因此，宫颈癌的筛查对宫颈癌的治疗非常重要。子宫颈抹片检查是一种体检技术，广泛用于预防宫颈癌和发现具有潜在癌症的细胞。然而，诊断过程在很大程度上依赖于医生的经验，一方面非常耗时，另一方面，非常容易出现人为误判。由于计算机技术的最新发展，计算机辅助细胞检测技术能在细胞学筛查中起到重要作用的技术，其不但能够准确筛查、降低劳动强度及工作量，还可以消除由人工检测的心理适应性和疲劳等引起的误诊和漏诊。
目前，用于宫颈癌筛查的计算机辅助细胞检测技术大多数基于图像特征的方法。这些方法首先通过图像分割将细胞核、细胞质与背景分开，然后提取感兴趣区域的特征并执行特征选择，最后基于图像特征进行分类判别。尽管近期研究在细胞分割算法方面取得了进展，但由于显微图像中细胞的不规则，重叠以及染色不均等问题，准确的分割仍然是一个挑战。此外，各种算法的性能还受到特征设计和选择的限制，各种表现欠佳。
发明内容
本发明所要解决的技术问题是提供一种显微镜病理照片的宫颈癌病变细胞分类系统，使得利用不完全标注的样本训练得到病变细胞检测模型成为可能。
本发明解决其技术问题所采用的技术方案是：提供一种显微镜病理照片的宫颈癌病变细胞分类系统，包括：检测网络模型和分类网络模型，所述检测网络模型利用不完全分类的细胞标注数据进行训练，训练完成后用于对显微镜照片中的细胞进行检测；所述分类网络模型根据不完全的细胞分类标注数据进行训练，训练完成后用于对检测到的细胞进行分类，并对细胞的具体类别进行预测。
所述检测网络模型包括特征提取网络，区域候选网络和区域判定网络，所述特征提取网络用于将输入的显微镜病理照片图像转化为特征图谱；所述区域候选网络用于在得到的特征图谱中对检测目标可能出现的区域进行初步预测；所述区域判定网络根据区域候选网络和特征提取网络的输出，对区域候选网络预测得到的候选区域进行处理，产生目标检测的最终结果。
所述特征提取网络包括13个卷积层、5个池化层和3个全连接层，具体结构为依次设置的第一卷积层、第二卷积层、第一池化层、第三卷积层、第四卷积层、第二池化层、第五卷积层、第六卷积层、第七卷积层、第三池化层、第八卷积层、第九卷积层、第十卷积层、第四池化层、第十一卷积层、第十二卷积层、第十三卷积层、第五池化层和三个全连接层。
所述区域候选网络对于身处的特征图谱采用滑动窗口的方式遍历，对于每个特征点对应有K个锚点，对每个锚点有两部分输出，一个是窗口的分类，即分类层输出，表示一个位置上锚点属于前景和背景的概率，另一个是对应窗口的位置，即窗口位置回归，对应四个坐标值，标识二维图像空间中的窗口位置；在训练过程中舍弃IOU小于设置阈值或者超出边界的锚点。
所述区域判定网络首先将获得的候选框和原始图像导入，利用先前已经获得的特征图谱，使用共享的特征减少重复提取特征，接着结合候选框的位置，计算多任务损失，其中，包含两个同级输出，一个是最终的分类结果，另一个是输出包围框的位置，对候选框进行微调，通过利用Softmax Loss和Smooth L1 Loss对分类概率和窗口回归进行统一训练，得到最终的训练模型结果。
所述分类网络模型的不完全的细胞分类标注数据包含宫颈癌异常细胞、高级别宫颈癌异常细胞、细菌感染，真菌感染以及疱疹细胞；所述分类网络模型所用到的训练数据是依照不完全的细胞分类标注所给出的边界框从显微镜照片中截取得到的图像块与从显微镜照片中截取得到的正常细胞图像块一起构成的。
所述分类网络模型采用的密集连接的深度学习网络结构，其中，最后的分类层包含五个部分：归一化层，用于负责归一化操作，relu激活函数；池化层，将输出映射到1*1*k维度的输出；flatten层，用于将1*1*k维度的输出转换为1*k维度；全连接层，用于输出，并通过一个softmax函数预测每个类别的概率。
所述分类网络模型训练时通过聚焦损失函数解决样本不均衡问题，所述聚焦损失函数为Loss＝∑-αt(1-pt)γlog(pt)，其中，pt为模型对t类别的预测概率，αt和γ分别对应类别的权重参数和聚焦参数。
所述分类网络模型训练时通过对异常细胞图像块进行重采样解决样本不均衡问题。有益效果
由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明首先通过检测网络模型，检测得到显微镜照片中的所有细胞，之后采用分类网络模型对检测到的细胞进行细分类，从而实现对宫颈癌病变细胞的检测。本发明通过基于两阶段网络的病变细胞检测使得利用不完全标注的样本训练得到病变细胞检测模型成为可能。
附图说明
图1是本发明的流程图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种显微镜病理照片的宫颈癌病变细胞分类系统，检测网络模型和分类网络模型，所述检测网络模型利用不完全分类的细胞标注数据进行训练，训练完成后用于对显微镜照片中的细胞进行检测；所述分类网络模型根据不完全的细胞分类标注数据进行训练，训练完成后用于对检测到的细胞进行分类，并对细胞的具体类别进行预测。如图1所示，采用上述系统时具体包括以下步骤：
(1)利用不完全分类的细胞标注数据训练检测网络模型，使用训练得到的检测网络模型对显微镜照片中的细胞进行检测；
本实施方式中使用的检测网络模型，在用于模型训练的显微镜照片中，所有细胞的边界框都以未分类的形式得到了标记。检测网络模型的主要结构由特征提取网络，区域候选网络(RPN，Region Proposal Network)和区域判定网络三部分构成。
其中，特征提取网络的作用是将输入图像转化为特征图谱。特征提取通常采用在ImageNet数据集下预训练得到的深度网络，其包含13个卷积层、5个池化层和3个全连接层，一般指定输入大小是224*224*3的图像，具体的网络结构包括依次设置的卷积1，包含64个3*3*3的卷积核，卷积2包含64个3*3*64的卷积核，然后池化1，包含2*2的池化操作，得到112*112*64的特征图谱，然后卷积3，包含128个3*3*64的卷积核，卷积4，包含包含128个3*3*128的卷积核，再是池化2得到56*56*128的特征图谱，同理在卷积5、卷积6、卷积7和池化3之后可以得到28*28*256的特征图谱，卷积8、卷积9、卷积10和池化4之后可以得到14*14*512的特征图谱，卷积11、卷积12、卷积13和池化5之后可以得到7*7*512的特征图谱，然后再有三个全连接层，最后得到提取出来的特征图谱。
区域候选网络根据特征提取网络得到的特征图谱，在特征图谱中对检测目标可能出现的区域进行初步预测。具体如下：首先，区域候选网络是级联在特征图谱之后的。对于生成的特征图谱，采用滑窗的方式遍历，对于每个特征点，对应有K个锚点(anchor)，分别具有不同的尺度和大小。例如常见的anchor分配可以是(8,16,32)(1*1，2*1，1*2)的组合方式，这种组合方式的结果就会有9种不同的anchor示例。对每个点的anchor，会有两部分输出，一个是窗口的分类，即分类层(cls_score)输出，表示每一个位置上anchor属于前景和背景的概率。还有一组输出是对应窗口的位置(reg_coordinate)，即窗口位置回归，对应四个坐标值，标识二维图像空间中的窗口位置。训练过程中会舍弃很多IOU过小或者超出边界的anchor点，进行筛选之后得到300个候选窗口。其中在生成候选框的过程中，会有非极大值抑制，使得生成的候选框之间尽量分散。
区域判定网络根据区域候选网络和特征提取网络的输出，对区域候选网络预测得到的候选区域进行进一步的处理，产生目标检测的最终结果。具体为：对候选区域的分类检测工作，首先将获得的候选框和原始图像导入网络，利用先前已经获得的特征图谱，使用共享的特征有效减少重复提取特征，接着结合候选框的位置，计算多任务损失，其中包含两个同级输出，一个是最终的分类结果，一个是输出包围框的位置，对候选框进行微调，最后通过利用Softmax Loss和Smooth L1 Loss对分类概率和窗口回归进行统一训练，得出最终的训练模型结果。
由于医生在临床标注过程中难以将所有类型的病变细胞进行完全标注，直接采用不完全标注的数据训练检测网络对各类病变细胞进行检测存在诸多问题。为了避免遗漏病变细胞的情况发生，本实施方式在检测网络模型训练阶段采用的显微镜照片仅对细胞进行了不分类完全标注，模型的检测目标不再是各类异常细胞，而是显微镜照片中的所有细胞。
(2)根据不完全的细胞分类标注数据训练分类网络模型，使用训练得到的分类网络模型对检测到的细胞进行分类，对细胞的具体类别进行预测。
本步骤中，分类网络模型采用了密集连接作为深度学习网络结构的主干结构。不完全的细胞分类标注数据包含宫颈癌异常细胞，高级别宫颈癌异常细胞，细菌感染，真菌感染，以及疱疹细胞五类。构建的分类网络模型所用到的部分训练数据是依照不完全的细胞分类标注所给出的边界框，从显微镜照片中截取得到的。这些根据标注边界框截取得到的图像块与从显微镜照片中截取得到的正常细胞图像块一起构成了训练分类模型的完整数据集。考虑到正常细胞与异常细胞在数量上的显著差异，分类模型的训练采用了聚焦损失函数(Focal Loss)来解决样本不均衡所导致的问题。
本实施方式中的分类网络模型的主要结构是dense block，其最大的特点是每一个后续的层的输入来自于全部所有前面的输出。在参数传递和特征传递上更加高效。以densenet161的某一个dense block为例，包含36个1*1和3*3的卷积操作，意味着最后一个子结构的输入是前面35个的输出结果。简单说，如果有L层，就会有L(L-1)/2个连接。对于整个网络的结构，则是多个dense block的级联。例如densenet161的网络结构具体表现为一个卷积加一个池化，之后接第一个dense block1，再接一个transition layer1，之后是第二个dense block2，再接transition layer2，再接第三个dense block3，再接transitionlayer3，最后再接一个dense block4和最终的分类层。同时使用随机失活降低过拟合程度。
其中，最后的分类层包含五个部分：归一化(batch normalization)层，负责归一化，relu激活函数；池化层，将输出映射到1*1*k维度的输出，之后一个压平层将1*1*k转为1*k维度，最后全连接层，输出1*classes_num。最后一个softmax函数预测每个类别的概率。
本实施方式中的聚焦损失函数表示为：Loss＝∑-αt(1-pt)γlog(pt)，其中，pt为模型对t类别的预测概率，αt和γ分别对应类别的权重参数和聚焦参数。通过调整αt，可以改变t类样本在聚焦损失函数中的权重，从而在一定程度上降低因为样本不平衡对网络训练造成的负面影响。γ的引入增大了难分类样本在损失函数中的权值，其有助于训练过程尽快收敛。为了解决样本不均衡对训练造成的负面影响，本实施方式在训练分类模型的过程中还可以对数量较少的异常细胞图片块进行重采样操作。
不难发现，本发明首先通过检测网络模型，检测得到显微镜照片中的所有细胞，之后采用基于分类网络模型对检测到的细胞进行细分类，从而实现对宫颈癌病变细胞的检测。本发明通过两阶段的病变细胞检测使得利用不完全标注的样本训练得到病变细胞检测模型成为可能。
Claims (9)
1.一种显微镜病理照片的宫颈癌病变细胞分类系统，其特征在于，包括：检测网络模型和分类网络模型，所述检测网络模型利用不完全分类的细胞标注数据进行训练，训练完成后用于对显微镜照片中的细胞进行检测；所述分类网络模型根据不完全的细胞分类标注数据进行训练，训练完成后用于对检测到的细胞进行分类，并对细胞的具体类别进行预测。
2.根据权利要求1所述的显微镜病理照片的宫颈癌病变细胞分类系统，其特征在于，所述检测网络模型包括特征提取网络，区域候选网络和区域判定网络，所述特征提取网络用于将输入的显微镜病理照片图像转化为特征图谱；所述区域候选网络用于在得到的特征图谱中对检测目标可能出现的区域进行初步预测；所述区域判定网络根据区域候选网络和特征提取网络的输出，对区域候选网络预测得到的候选区域进行处理，产生目标检测的最终结果。
3.根据权利要求2所述的显微镜病理照片的宫颈癌病变细胞分类系统，其特征在于，所述特征提取网络包括13个卷积层、5个池化层和3个全连接层，具体结构为依次设置的第一卷积层、第二卷积层、第一池化层、第三卷积层、第四卷积层、第二池化层、第五卷积层、第六卷积层、第七卷积层、第三池化层、第八卷积层、第九卷积层、第十卷积层、第四池化层、第十一卷积层、第十二卷积层、第十三卷积层、第五池化层和三个全连接层。
4.根据权利要求2所述的显微镜病理照片的宫颈癌病变细胞分类系统，其特征在于，所述区域候选网络对于身处的特征图谱采用滑动窗口的方式遍历，对于每个特征点对应有K个锚点，对每个锚点有两部分输出，一个是窗口的分类，即分类层输出，表示一个位置上锚点属于前景和背景的概率，另一个是对应窗口的位置，即窗口位置回归，对应四个坐标值，标识二维图像空间中的窗口位置；在训练过程中舍弃IOU小于设置阈值或者超出边界的锚点。
5.根据权利要求2所述的显微镜病理照片的宫颈癌病变细胞分类系统，其特征在于，所述区域判定网络首先将获得的候选框和原始图像导入，利用先前已经获得的特征图谱，使用共享的特征减少重复提取特征，接着结合候选框的位置，计算多任务损失，其中，包含两个同级输出，一个是最终的分类结果，另一个是输出包围框的位置，对候选框进行微调，通过利用Softmax Loss和Smooth L1 Loss对分类概率和窗口回归进行统一训练，得到最终的训练模型结果。
6.根据权利要求1所述的显微镜病理照片的宫颈癌病变细胞分类系统，其特征在于，所述分类网络模型的不完全的细胞分类标注数据包含宫颈癌异常细胞、高级别宫颈癌异常细胞、细菌感染，真菌感染以及疱疹细胞；所述分类网络模型所用到的训练数据是依照不完全的细胞分类标注所给出的边界框从显微镜照片中截取得到的图像块与从显微镜照片中截取得到的正常细胞图像块一起构成的。
7.根据权利要求1所述的显微镜病理照片的宫颈癌病变细胞分类系统，其特征在于，所述分类网络模型采用的密集连接的深度学习网络结构，其中，最后的分类层包含五个部分：归一化层，用于负责归一化操作，relu激活函数；池化层，将输出映射到1*1*k维度的输出；flatten层，用于将1*1*k维度的输出转换为1*k维度；全连接层，用于输出，并通过一个softmax函数预测每个类别的概率。
8.根据权利要求1所述的显微镜病理照片的宫颈癌病变细胞分类系统，其特征在于，所述分类网络模型训练时通过聚焦损失函数解决样本不均衡问题，所述聚焦损失函数为Loss＝∑-αt(1-pt)γlog(pt)，其中，pt为模型对t类别的预测概率，αt和γ分别对应类别的权重参数和聚焦参数。
9.根据权利要求1所述的显微镜病理照片的宫颈癌病变细胞分类系统，其特征在于，所述分类网络模型训练时通过对异常细胞图像块进行重采样解决样本不均衡问题。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910217394.9A CN110334565A (zh) | 2019-03-21 | 2019-03-21 | 一种显微镜病理照片的宫颈癌病变细胞分类系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910217394.9A CN110334565A (zh) | 2019-03-21 | 2019-03-21 | 一种显微镜病理照片的宫颈癌病变细胞分类系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110334565A true CN110334565A (zh) | 2019-10-15 |
Family
ID=68139496
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910217394.9A Pending CN110334565A (zh) | 2019-03-21 | 2019-03-21 | 一种显微镜病理照片的宫颈癌病变细胞分类系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110334565A (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110826612A (zh) * | 2019-10-31 | 2020-02-21 | 上海法路源医疗器械有限公司 | 深度学习的训练识别方法 |
| CN110853021A (zh) * | 2019-11-13 | 2020-02-28 | 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 |
| CN111160135A (zh) * | 2019-12-12 | 2020-05-15 | 太原理工大学 | 基于改进的Faster R-cnn的尿红细胞病变识别与统计方法和系统 |
| CN111310611A (zh) * | 2020-01-22 | 2020-06-19 | 上海交通大学 | 细胞视野图的检测方法及存储介质 |
| CN111369501A (zh) * | 2020-02-24 | 2020-07-03 | 武汉大学 | 一种基于视觉特征识别口腔鳞状细胞癌的深度学习方法 |
| CN111414880A (zh) * | 2020-03-26 | 2020-07-14 | 电子科技大学 | 一种基于改进RetinaNet的显微图像中有型成分目标检测方法 |
| CN111461165A (zh) * | 2020-02-26 | 2020-07-28 | 上海商汤智能科技有限公司 | 图像识别方法、识别模型的训练方法及相关装置、设备 |
| CN111489833A (zh) * | 2019-12-19 | 2020-08-04 | 上海杏脉信息科技有限公司 | 一种肺部细胞病理快速现场评估系统、方法及计算机可读存储介质 |
| CN111666895A (zh) * | 2020-06-08 | 2020-09-15 | 上海市同济医院 | 基于深度学习的神经干细胞分化方向预测系统及方法 |
| CN111861916A (zh) * | 2020-07-09 | 2020-10-30 | 中南大学湘雅二医院 | 病理图片的处理方法 |
| CN112581438A (zh) * | 2020-12-10 | 2021-03-30 | 腾讯科技（深圳）有限公司 | 切片图像识别方法、装置和存储介质及电子设备 |
| CN113111879A (zh) * | 2021-04-30 | 2021-07-13 | 上海睿钰生物科技有限公司 | 一种细胞检测的方法和系统 |
| CN113159156A (zh) * | 2021-04-15 | 2021-07-23 | 南通大学 | 一种用于宫颈癌数据分类的粗糙图卷积方法 |
| CN113255718A (zh) * | 2021-04-01 | 2021-08-13 | 透彻影像科技(南京)有限公司 | 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 |
| CN113763315A (zh) * | 2021-05-18 | 2021-12-07 | 腾讯医疗健康(深圳)有限公司 | 玻片图像的信息获取方法、装置、设备及介质 |
| CN114863994A (zh) * | 2022-07-06 | 2022-08-05 | 新格元(南京)生物科技有限公司 | 污染评估方法、装置、电子设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108510482A (zh) * | 2018-03-22 | 2018-09-07 | 姚书忠 | 基于阴道镜图像的宫颈癌检测方法、装置、设备及介质 |
| WO2018157381A1 (zh) * | 2017-03-03 | 2018-09-07 | 深圳大学 | 病理切片图像智能分类方法及装置 |
| CN108615236A (zh) * | 2018-05-08 | 2018-10-02 | 上海商汤智能科技有限公司 | 一种图像处理方法及电子设备 |
| CN109360198A (zh) * | 2018-10-08 | 2019-02-19 | 北京羽医甘蓝信息技术有限公司 | 基于深度学习的骨髓细胞分类方法及分类装置 |
-
2019
- 2019-03-21 CN CN201910217394.9A patent/CN110334565A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018157381A1 (zh) * | 2017-03-03 | 2018-09-07 | 深圳大学 | 病理切片图像智能分类方法及装置 |
| CN108510482A (zh) * | 2018-03-22 | 2018-09-07 | 姚书忠 | 基于阴道镜图像的宫颈癌检测方法、装置、设备及介质 |
| CN108615236A (zh) * | 2018-05-08 | 2018-10-02 | 上海商汤智能科技有限公司 | 一种图像处理方法及电子设备 |
| CN109360198A (zh) * | 2018-10-08 | 2019-02-19 | 北京羽医甘蓝信息技术有限公司 | 基于深度学习的骨髓细胞分类方法及分类装置 |
Non-Patent Citations (1)
| Title |
|---|
| 廖欣等: "基于深度卷积神经网络的宫颈细胞病理智能辅助诊断方法", 《液晶与显示》 * |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110826612A (zh) * | 2019-10-31 | 2020-02-21 | 上海法路源医疗器械有限公司 | 深度学习的训练识别方法 |
| CN110853021A (zh) * | 2019-11-13 | 2020-02-28 | 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 |
| CN111160135A (zh) * | 2019-12-12 | 2020-05-15 | 太原理工大学 | 基于改进的Faster R-cnn的尿红细胞病变识别与统计方法和系统 |
| CN111489833A (zh) * | 2019-12-19 | 2020-08-04 | 上海杏脉信息科技有限公司 | 一种肺部细胞病理快速现场评估系统、方法及计算机可读存储介质 |
| CN111310611A (zh) * | 2020-01-22 | 2020-06-19 | 上海交通大学 | 细胞视野图的检测方法及存储介质 |
| CN111310611B (zh) * | 2020-01-22 | 2023-06-06 | 上海交通大学 | 细胞视野图的检测方法及存储介质 |
| CN111369501A (zh) * | 2020-02-24 | 2020-07-03 | 武汉大学 | 一种基于视觉特征识别口腔鳞状细胞癌的深度学习方法 |
| CN111461165A (zh) * | 2020-02-26 | 2020-07-28 | 上海商汤智能科技有限公司 | 图像识别方法、识别模型的训练方法及相关装置、设备 |
| CN111414880B (zh) * | 2020-03-26 | 2022-10-14 | 电子科技大学 | 一种基于改进RetinaNet的显微图像中有型成分目标检测方法 |
| CN111414880A (zh) * | 2020-03-26 | 2020-07-14 | 电子科技大学 | 一种基于改进RetinaNet的显微图像中有型成分目标检测方法 |
| CN111666895A (zh) * | 2020-06-08 | 2020-09-15 | 上海市同济医院 | 基于深度学习的神经干细胞分化方向预测系统及方法 |
| CN111861916A (zh) * | 2020-07-09 | 2020-10-30 | 中南大学湘雅二医院 | 病理图片的处理方法 |
| CN112581438A (zh) * | 2020-12-10 | 2021-03-30 | 腾讯科技（深圳）有限公司 | 切片图像识别方法、装置和存储介质及电子设备 |
| CN113255718A (zh) * | 2021-04-01 | 2021-08-13 | 透彻影像科技(南京)有限公司 | 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 |
| CN113255718B (zh) * | 2021-04-01 | 2022-07-01 | 透彻影像科技(南京)有限公司 | 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 |
| CN113159156A (zh) * | 2021-04-15 | 2021-07-23 | 南通大学 | 一种用于宫颈癌数据分类的粗糙图卷积方法 |
| CN113159156B (zh) * | 2021-04-15 | 2023-04-18 | 南通大学 | 一种用于宫颈癌数据分类的粗糙图卷积方法 |
| CN113111879A (zh) * | 2021-04-30 | 2021-07-13 | 上海睿钰生物科技有限公司 | 一种细胞检测的方法和系统 |
| CN113763315A (zh) * | 2021-05-18 | 2021-12-07 | 腾讯医疗健康(深圳)有限公司 | 玻片图像的信息获取方法、装置、设备及介质 |
| CN114863994A (zh) * | 2022-07-06 | 2022-08-05 | 新格元(南京)生物科技有限公司 | 污染评估方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110334565A (zh) | 一种显微镜病理照片的宫颈癌病变细胞分类系统 | |
| Jia et al. | Detection of cervical cancer cells based on strong feature CNN-SVM network | |
| Yue et al. | Automatic detection of feather defects using Lie group and fuzzy Fisher criterion for shuttlecock production | |
| CN108305249B (zh) | 基于深度学习的全尺度病理切片的快速诊断和评分方法 | |
| CN109635835A (zh) | 一种基于深度学习与迁移学习的乳腺病变区域检测方法 | |
| CN109034045A (zh) | 一种基于卷积神经网络的白细胞自动识别方法 | |
| CN110457982A (zh) | 一种基于特征迁移学习的作物病害图像识别方法 | |
| CN106462746A (zh) | 分析数字全息显微术数据以用于血液学应用 | |
| CN105809121A (zh) | 多特征协同的交通标志检测与识别方法 | |
| Pan et al. | Mitosis detection techniques in H&E stained breast cancer pathological images: A comprehensive review | |
| CN110969191B (zh) | 基于相似性保持度量学习方法的青光眼患病概率预测方法 | |
| CN109635846A (zh) | 一种多类医学图像判断方法和系统 | |
| CN110853011B (zh) | 用于肺结节检测的卷积神经网络模型的构建方法 | |
| CN109886161A (zh) | 一种基于可能性聚类和卷积神经网络的道路交通标识识别方法 | |
| CN112052772A (zh) | 一种人脸遮挡检测算法 | |
| CN106778489A (zh) | 人脸3d特征身份信息库的建立方法及设备 | |
| CN109493333A (zh) | 基于卷积神经网络的超声甲状腺结节钙化点提取算法 | |
| Ju et al. | Classification of jujube defects in small data sets based on transfer learning | |
| Kumar et al. | An instance segmentation approach for wheat yellow rust disease recognition | |
| Ma et al. | A novel two-stage deep method for mitosis detection in breast cancer histology images | |
| Zhang et al. | Abnormal region detection in cervical smear images based on fully convolutional network | |
| CN111639697A (zh) | 基于非重复采样与原型网络的高光谱图像分类方法 | |
| Yang et al. | Retinal vessel segmentation based on an improved deep forest | |
| Li et al. | An automatic plant leaf stoma detection method based on YOLOv5 | |
| CN112215285B (zh) | 一种基于跨媒体特征的眼底图像自动标注方法 |
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: 20191015 |