CN110335278A - 一种量化肿瘤微环境的胶质方向特征的方法 - Google Patents
一种量化肿瘤微环境的胶质方向特征的方法 Download PDFInfo
- Publication number
- CN110335278A CN110335278A CN201910405811.2A CN201910405811A CN110335278A CN 110335278 A CN110335278 A CN 110335278A CN 201910405811 A CN201910405811 A CN 201910405811A CN 110335278 A CN110335278 A CN 110335278A
- Authority
- CN
- China
- Prior art keywords
- image
- gtelatinous fibre
- gtelatinous
- region
- tumor
- 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
Links
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 24
- 239000000084 colloidal system Substances 0.000 title claims abstract description 13
- 238000013139 quantization Methods 0.000 title claims description 8
- 239000000835 fiber Substances 0.000 claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims abstract description 29
- 238000005259 measurement Methods 0.000 claims abstract description 7
- 238000010276 construction Methods 0.000 claims abstract description 3
- 238000001914 filtration Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims 1
- 238000012512 characterization method Methods 0.000 abstract description 3
- 238000005520 cutting process Methods 0.000 abstract description 3
- 201000011510 cancer Diseases 0.000 description 14
- 238000004393 prognosis Methods 0.000 description 13
- 238000001514 detection method Methods 0.000 description 11
- 230000007170 pathology Effects 0.000 description 10
- 210000000981 epithelium Anatomy 0.000 description 6
- 230000000877 morphologic effect Effects 0.000 description 6
- 208000003445 Mouth Neoplasms Diseases 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 5
- 210000004027 cell Anatomy 0.000 description 5
- 208000000102 Squamous Cell Carcinoma of Head and Neck Diseases 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 201000002740 oral squamous cell carcinoma Diseases 0.000 description 4
- 208000035269 cancer or benign tumor Diseases 0.000 description 3
- 230000004069 differentiation Effects 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000012333 histopathological diagnosis Methods 0.000 description 2
- 210000001165 lymph node Anatomy 0.000 description 2
- 230000000771 oncological effect Effects 0.000 description 2
- 238000000399 optical microscopy Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 238000011287 therapeutic dose Methods 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 206010006187 Breast cancer Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- 206010057444 Oropharyngeal neoplasm Diseases 0.000 description 1
- 208000000453 Skin Neoplasms Diseases 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 210000000805 cytoplasm Anatomy 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000002950 fibroblast Anatomy 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 201000003911 head and neck carcinoma Diseases 0.000 description 1
- 230000003118 histopathologic effect Effects 0.000 description 1
- 238000007489 histopathology method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000002751 lymph Anatomy 0.000 description 1
- 210000004698 lymphocyte Anatomy 0.000 description 1
- 238000013425 morphometry Methods 0.000 description 1
- 201000006958 oropharynx cancer Diseases 0.000 description 1
- 238000010837 poor prognosis Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 201000000849 skin cancer Diseases 0.000 description 1
- 238000002626 targeted therapy Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000004614 tumor growth Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明具体涉及一种量化肿瘤微环境的胶质方向特征的方法,包括步骤:利用组织病理学图像与肿瘤区域的二值图像进行肿瘤区域和基质区域的分割操作,得到组织病理学图像的基质区域;应用基于分水岭的细胞核分割方法,从组织病理学图像中自动分割出每个细胞核区域;剔除基质区域中的细胞核区域;计算胶质纤维的方向信息;利用二维网格将数字全幅组织学切片图像划分成不重叠的图像块;在每个图像块内,利用胶质纤维的方向信息计算胶质纤维方向异质性特征,方向特异性特征利用信息熵来计算;利用每个图像块内的方向异质性特征构建概率密度函数,利用统计学度量去表征当前概率密度函数,将这些度量作为刻画肿瘤微环境中胶质纤维的特征。
Description
技术领域
本发明属于医药技术领域,具体涉及一种量化肿瘤微环境的胶质方向特征的方法。
背景技术
口腔鳞状细胞癌症是头颈部癌中患病率较高的癌症,发病率约占全身恶性肿瘤发病率的5%。虽然其患病病人总数相比其它癌症来说不高,但是患病病人的增长率却是其它癌症数倍之多,是不容忽视一种恶性肿瘤。在亚洲地区,口腔鳞状细胞癌的病患多集中在东南亚地区以及我国东南部沿海城市,这类癌症具有进展快、浸润广、预后差的特点。目前仍然缺乏一种有效的、经济的预后方法或模型去帮助医生对病人病情进行分级,提高预后。
当前针对口腔癌症预测病患预后的方法仍然是通过结合肿瘤分期、淋巴结分期、组织病理学分期及其它参数等传统的方法。许多研究人员尝试利用基因组学及蛋白组学数据构建预测模型,但是目前尚未有准确的基于分子水平测试的复发风险预测模型。在同为确诊为癌症的前提下,如果能够成功的区分复发高风险及低风险的口腔癌症病患,将有利于后续的治疗疗程安排,针对低风险病患,减轻治疗剂量,减轻病患痛苦及经济压力,针对高风险病患,使用增强治疗方案,避免病患复发,达到“精准医学”的目的。
随着近期的高速高分辨率全幅玻璃组织切片扫描成像技术的发展,病理学专家可以利用计算机对全幅高分辨率组织病理学切片进行癌症的检测及诊断。相对于传统的通过光学显微镜进行组织病理学切片检测,数字组织病理学切片检测能够极大的减轻肿瘤病理学专家的工作量。但是,人工组织病理学切片检测及分析仍然存在工作量大、检测周期长、受主观因素影响较大、缺少有效的定量分析技术等缺点。应用数字组织病理学切片进行自动定量分析,比传统的人工分析更加客观全面,获得的信息量更多。
更为重要的是,在组织病理学分析中,由于人工检测的主观性,肿瘤病理学专家很难仅仅利用肉眼观察去捕获与病患预后高度相关联的组织形态学特征,这些临床预后包括:病人是否对治疗疗程有良性反应,病人在进行手术后是否会在一定时间内复发等。目前为止,在大多数癌症中,病理学专家往往会结合肿瘤分期或淋巴结分期等其他常用的关键医学变量信息来进行大概的预测,准确的预后预测模型目前仍然是研究的难点及热点。如果能够找到有预后意义的组织病理学特征,将能有效的对癌症的进行治疗安排,将能有的放矢的指导治疗药物及治疗强度,为临床判断病患的预后和对相应肿瘤靶向治疗提供重要的依据。据此,以传统组织病理学诊断规则及病理学专家的需求为依据,以口腔鳞状细胞癌为研究对象,从高分辨率的数字组织病理学图像中去对肿瘤微环境的形态进行特征建模、特征提取及筛选,进而能够为组织病理学诊断、后续病情预测提供客观、定量依据和新思路,能够为构建计算机辅助组织病理学预后预测系统提供理论基础。这对推动数字组织病理学以及对进一步理解肿瘤的组织病理变化过程具有重要的意义。
大部分的癌症是由原属于上皮组织区域的细胞病变而造成的(如口腔癌症、皮肤癌及口咽癌症),因此这些病变细胞的形态学特征是肿瘤病理专家在病理学检测中的重要观测目标。由于癌症病变细胞,大多数来自于上皮组织区域,因此在传统的数字病理学图像分析中,往往仅对位于上皮组织区域的癌症细胞形态进行分析。而最新的一系列文献表明,支持肿瘤区域发展的肿瘤微环境或基质区域的组织形态对癌症的预后也有较为重要的作用。肿瘤微环境具体是指支持肿瘤生长的肿瘤周边的血管、免疫细胞、纤维母细胞、淋巴细胞及细胞间质等(在不影响理解的情况下,为了表达简练,下文中将会用基质区域来代表肿瘤微环境)。在组织病理学中,基质区域中细胞形态特征与上皮组织区域的细胞形态特征联系非常紧密。在良性肿瘤中,基质与上皮组织的区分往往非常分明,或称高分化,如图1(a),相反,在恶性肿瘤中,基质与上皮组织往往非常难区分,或称低分化,如图1(b)。因此,基质区域内的淋巴细胞的形态分布及基质本身的形态学特征也往往与诊断结果及病患预后有显著的相关联性。同时,最新的研究表明,在乳腺癌病患及口腔鳞状上皮细胞癌症中,基质区域中的胶质纤维的形态结构(如颜色、排列方向等)与病患的预后有高度相关性。
然而,在现有的文献中,针对于口腔癌症的数字组织病理学图像中进行胶质纤维形态学定量特征分析的工作仍为空白。因此,本文利用H&E染色的口腔癌症数字组织病理学图像,在提取与肿瘤区域相同的组织形态特征的同时,研究及构建肿瘤基质区域中胶质纤维的形态组学新特征。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种量化肿瘤微环境的胶质方向特征的方法。本发明要解决的技术问题通过以下技术方案实现:
一种量化肿瘤微环境的胶质方向特征的方法,包括如下步骤:
步骤一:利用组织病理学图像与肿瘤区域的二值图像进行肿瘤区域和基质区域的分割操作,得到组织病理学图像的基质区域;
步骤二:应用基于分水岭的细胞核分割方法,从组织病理学图像中自动分割出每个细胞核区域;
步骤三:剔除基质区域中的细胞核区域;
步骤四:计算胶质纤维的方向信息;
步骤五:利用二维网格将数字全幅组织学切片图像划分成不重叠的图像块;
步骤六:在每个图像块内,利用胶质纤维的方向信息计算胶质纤维方向异质性特征,方向特异性特征利用信息熵来计算;
步骤七:利用每个图像块内的方向异质性特征构建概率密度函数,利用统计学度量去表征当前概率密度函数,将这些度量作为刻画肿瘤微环境中胶质纤维的特征。
进一步地,上述步骤二中分水岭主要依据拓扑理论进行分割,把图像中任意一点(x,y)的像素灰度值f(x,y)映射为地形图中的海拔高度,根据像素灰度值的不同大小会形成山峰和山谷,然后找出图像中的极小值点,从极小值点开始将地形图浸入水中,随着水慢慢增多,积水盆地慢慢向外扩张,在两个积水盆地汇合处构建水坝,形成分水岭。
进一步地,上述步骤四中计算胶质纤维的方向信息的具体方法是:在基质区域进行高斯滤波操作,得到滤波器响应的图像,在图像中根据局部极值分布分为多个梯度强度不同的区域,将代表高梯度强度的区域保留下来,该区域代表肿瘤基质中的胶质纤维,用于计算胶质纤维的方向信息。
与现有技术相比,本发明的有益效果:
本发明提出了一种量化肿瘤微环境的胶质方向特征的方法,该方法首次提出对组织病理学图像的基质区域中胶质纤维形态学特征进行量化。相对于传统通过光学显微镜进行组织病理学切片检测,数字组织病理学切片检测能够极大的减轻肿瘤病理学专家的工作量。且能够克服人工组织病理学切片检测及分析中存在的工作量大、检测周期长、受主观因素影响较大、缺少有效的定量分析技术等缺点。对基质区域的胶质纤维形态学特征的量化有助于帮助我们获取与病患预后相关的有效的新特征,将有利于病患后续的治疗疗程安排,针对低风险病患,减轻治疗剂量,减轻病患痛苦及经济压力,针对高风险病患,使用增强治疗方案,避免病患复发,达到“精准医学”的目的。
附图说明
图1(a)是本实施例原始的H&E染色图像基质区域。
图1(b)是本实施例基本图像特征图。
图1(c)是本实施例基本图像特征图的二值化结果。
图1(d)是本实施例基于(c)的方向信息计算。
图2是本实施例按照二维网格划分的图像及方向特异性特征图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。
一种量化肿瘤微环境的胶质方向特征的方法,包括如下步骤:
步骤一:利用组织病理学图像与肿瘤区域的二值图像进行肿瘤区域和基质区域的分割操作,得到组织病理学图像的基质区域。
步骤二:应用基于分水岭的细胞核分割方法,从组织病理学图像中自动分割出每个细胞核区域。分水岭主要依据拓扑理论进行分割,把图像中任意一点(x,y)的像素灰度值f(x,y)映射为地形图中的海拔高度,根据像素灰度值的不同大小会形成山峰和山谷,然后找出图像中的极小值点,从极小值点开始将地形图浸入水中,随着水慢慢增多,积水盆地慢慢向外扩张,在两个积水盆地汇合处构建水坝,形成分水岭。
步骤三:剔除基质区域中的细胞核区域,因为在提取基质胶质纤维的过程中,基质中的细胞核会对胶质纤维的方向特征造成影响。
步骤四:计算胶质纤维的方向信息。在基质区域进行高斯滤波操作,得到滤波器响应的图像,在图像中根据局部极值分布分为多个梯度强度不同的区域,将代表高梯度强度的区域保留下来,该区域代表肿瘤基质中的胶质纤维,用于计算胶质纤维的方向信息。计算每个区域的质心作为该区域的中心(x,y),x表示中心水平坐标,y表示中心垂直坐标;接着计算与区域具有相同标准二阶中心矩的椭圆的长轴与水平方向的夹角,该夹角作为胶质纤维的方向特征。
图1(a)是本实施例原始的H&E染色图像基质区域。本实施例在图像中根据局部极值分布将区域分为平坦型、斜坡型、暗点型、明点型、暗线型、明线型、鞍型等,参照图1(b)所示,亮白色区域代表梯度强度高的区域。接着将代表高梯度强度的明线型区域保留下来,这些区域将代表肿瘤基质中的胶质纤维。计算胶质纤维的方向信息参照图1(c)、(d)所示。
步骤五:利用二维网格将数字全幅组织学切片图像划分成不重叠的图像块。
步骤六:在每个图像块内,计算图像块内包含的所有胶质纤维的信息熵,信息熵的计算公式如下:
其中,p(xi)代表随机事件xi的概率。
该信息熵值度量了图像块内胶质纤维的混乱程度,即为图像块内胶质纤维的方向异质性特征。若图像块内方向趋向一致,则信息熵值较小,异质性低;若图像块内方向混乱,则信息熵值较大,异质性高。图2是按照二维网格划分的图像及方向特异性特征图,过表达(特征值高,方向特异性高)的图像块区域放大图,欠表达 (特征值低,方向特异性低)的图像块区域放大图。图2显示了具体的方向异质性特征的例子,其中每个图像块内的方向向量使用不用量化级别的颜色来表示。
步骤七:对每个图像块内的若干方向异质性特征,计算其均值(mean)、中位数(median)、标准差(standard deviation)、偏态系数(skewness)、峰态系数(kurtosis)、极差(range)、累加密度(integrated_density),再加上上述过程中计算得到的信息熵(entropy),这些数据(8个)用来表征该图像块。每个组织病理学图像包含许多图像块(设为N),每个图像块的数据按照上述特征堆叠在一起就表示了这个图像(表征图像的向量大小为N*8),为了更加科学地描述该图像,对上述8个特征分别计算其概率密度函数,再利用统计学度量(均值、中位数、标准差等)对该概率密度分布进行描述,最后将这些度量作为刻画肿瘤微环境中胶质纤维的特征。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (3)
1.一种量化肿瘤微环境的胶质方向特征的方法,其特征在于:包括如下步骤:
步骤一:利用组织病理学图像与肿瘤区域的二值图像进行肿瘤区域和基质区域的分割操作,得到组织病理学图像的基质区域;
步骤二:应用基于分水岭的细胞核分割方法,从组织病理学图像中自动分割出每个细胞核区域;
步骤三:剔除基质区域中的细胞核区域;
步骤四:计算胶质纤维的方向信息;
步骤五:利用二维网格将数字全幅组织学切片图像划分成不重叠的图像块;
步骤六:在每个图像块内,利用胶质纤维的方向信息计算胶质纤维方向异质性特征,方向特异性特征利用信息熵来计算;
步骤七:利用每个图像块内的方向异质性特征构建概率密度函数,利用统计学度量去表征当前概率密度函数,将这些度量作为刻画肿瘤微环境中胶质纤维的特征。
2.根据权利要求1所述的量化肿瘤微环境的胶质方向特征的方法,其特征在于:所述步骤二中分水岭主要依据拓扑理论进行分割,把图像中任意一点(x,y)的像素灰度值f(x,y)映射为地形图中的海拔高度,根据像素灰度值的不同大小会形成山峰和山谷,然后找出图像中的极小值点,从极小值点开始将地形图浸入水中,随着水慢慢增多,积水盆地慢慢向外扩张,在两个积水盆地汇合处构建水坝,形成分水岭。
3.根据权利要求1所述的量化肿瘤微环境的胶质方向特征的方法,其特征在于:所述步骤四中计算胶质纤维的方向信息的具体方法是:在基质区域进行高斯滤波操作,得到滤波器响应的图像,在图像中根据局部极值分布分为多个梯度强度不同的区域,将代表高梯度强度的区域保留下来,该区域代表肿瘤基质中的胶质纤维,用于计算胶质纤维的方向信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910405811.2A CN110335278B (zh) | 2019-05-16 | 2019-05-16 | 一种量化肿瘤微环境的胶质方向特征的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910405811.2A CN110335278B (zh) | 2019-05-16 | 2019-05-16 | 一种量化肿瘤微环境的胶质方向特征的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110335278A true CN110335278A (zh) | 2019-10-15 |
CN110335278B CN110335278B (zh) | 2023-02-28 |
Family
ID=68139663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910405811.2A Expired - Fee Related CN110335278B (zh) | 2019-05-16 | 2019-05-16 | 一种量化肿瘤微环境的胶质方向特征的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110335278B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112330561A (zh) * | 2020-11-05 | 2021-02-05 | 湖南科技大学 | 基于交互式前景提取与信息熵分水岭的医学图像分割方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1351655A (zh) * | 1999-03-10 | 2002-05-29 | 马格福斯应用有限公司 | 培养来自人体组织的癌细胞的方法和制备组织样品的装置 |
RU2200470C2 (ru) * | 2001-01-15 | 2003-03-20 | Рязанский государственный медицинский университет им. акад. И.П. Павлова | Ультразвуковой способ диагностики асперматогенеза у пациентов, перенесших острый паротитный орхит |
WO2006122251A2 (en) * | 2005-05-10 | 2006-11-16 | Bioimagene, Inc. | Method and system for automated digital image analysis of prostrate neoplasms using morphologic patterns |
CN103208121A (zh) * | 2013-04-12 | 2013-07-17 | 南京师范大学 | 基于硬边界约束与两阶段合并的遥感图像分割方法 |
CN105009174A (zh) * | 2013-01-08 | 2015-10-28 | 新加坡科技研究局 | 用于评估组织纤维化的方法及系统 |
CN105096315A (zh) * | 2015-06-19 | 2015-11-25 | 西安电子科技大学 | 基于Gamma分布的异质超像素SAR图像分割方法 |
CN105678280A (zh) * | 2016-02-04 | 2016-06-15 | 中国农业科学院农业资源与农业区划研究所 | 基于纹理特征的地膜覆盖农田遥感监测方法 |
CN105869137A (zh) * | 2015-01-22 | 2016-08-17 | 山东师范大学 | 一种基于多尺度技术的肿瘤纹理特征的提取方法 |
US20190065891A1 (en) * | 2017-08-28 | 2019-02-28 | Boe Technology Group Co., Ltd. | Image detection method, system and non-volatile computer readable medium |
-
2019
- 2019-05-16 CN CN201910405811.2A patent/CN110335278B/zh not_active Expired - Fee Related
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1351655A (zh) * | 1999-03-10 | 2002-05-29 | 马格福斯应用有限公司 | 培养来自人体组织的癌细胞的方法和制备组织样品的装置 |
RU2200470C2 (ru) * | 2001-01-15 | 2003-03-20 | Рязанский государственный медицинский университет им. акад. И.П. Павлова | Ультразвуковой способ диагностики асперматогенеза у пациентов, перенесших острый паротитный орхит |
WO2006122251A2 (en) * | 2005-05-10 | 2006-11-16 | Bioimagene, Inc. | Method and system for automated digital image analysis of prostrate neoplasms using morphologic patterns |
CN105009174A (zh) * | 2013-01-08 | 2015-10-28 | 新加坡科技研究局 | 用于评估组织纤维化的方法及系统 |
CN103208121A (zh) * | 2013-04-12 | 2013-07-17 | 南京师范大学 | 基于硬边界约束与两阶段合并的遥感图像分割方法 |
CN105869137A (zh) * | 2015-01-22 | 2016-08-17 | 山东师范大学 | 一种基于多尺度技术的肿瘤纹理特征的提取方法 |
CN105096315A (zh) * | 2015-06-19 | 2015-11-25 | 西安电子科技大学 | 基于Gamma分布的异质超像素SAR图像分割方法 |
CN105678280A (zh) * | 2016-02-04 | 2016-06-15 | 中国农业科学院农业资源与农业区划研究所 | 基于纹理特征的地膜覆盖农田遥感监测方法 |
US20190065891A1 (en) * | 2017-08-28 | 2019-02-28 | Boe Technology Group Co., Ltd. | Image detection method, system and non-volatile computer readable medium |
Non-Patent Citations (6)
Title |
---|
TRUDY ANNCAMERON: "Directional heterogeneity in distance profiles in hedonic property value models", 《JOURNAL OF ENVIRONMENTAL ECONOMICS AND MANAGEMENT》 * |
余海燕: "基于证据链推理的鲁棒性分类及对心脏病诊断决策支持", 《中国博士学位论文全文数据库医药卫生科技辑》 * |
张丹: "基于数字组织病理图像的口腔癌症新特征及其预后研究", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 * |
李慧: "乳腺肿瘤基质磁共振动态增强模式分析及在分子分型中的应用", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 * |
阮红燕等: "基于遥感影像的城市形态特征及演化规律定量分析方法研究", 《中国科技信息》 * |
陈麒玉: "基于多点地质统计学的三维地质体随机建模方法研究", 《中国博士学位论文全文数据库基础科学辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112330561A (zh) * | 2020-11-05 | 2021-02-05 | 湖南科技大学 | 基于交互式前景提取与信息熵分水岭的医学图像分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110335278B (zh) | 2023-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu et al. | GasHisSDB: A new gastric histopathology image dataset for computer aided diagnosis of gastric cancer | |
Song et al. | A deep learning based framework for accurate segmentation of cervical cytoplasm and nuclei | |
Gurcan et al. | Image analysis for neuroblastoma classification: segmentation of cell nuclei | |
Lu et al. | Automated analysis and diagnosis of skin melanoma on whole slide histopathological images | |
Tosun et al. | Object-oriented texture analysis for the unsupervised segmentation of biopsy images for cancer detection | |
CN107368670A (zh) | 基于大数据深度学习的胃癌病理诊断支持系统和方法 | |
US20050266395A1 (en) | Method and system for morphology based mitosis identification and classification of digital images | |
US20150071541A1 (en) | Automated method for measuring, classifying, and matching the dynamics and information passing of single objects within one or more images | |
CN108897984A (zh) | 基于ct影像组学特征与肺癌基因表达间相关性分析方法 | |
CN109363699A (zh) | 一种乳腺影像病灶识别的方法及装置 | |
CN108648182A (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 | |
Nofallah et al. | Machine learning techniques for mitoses classification | |
Xu et al. | Using transfer learning on whole slide images to predict tumor mutational burden in bladder cancer patients | |
Nielsen et al. | Automatic segmentation of cell nuclei in Feulgen‐stained histological sections of prostate cancer and quantitative evaluation of segmentation results | |
Naghdy et al. | Cervical cancer classification using Gabor filters | |
Shareef | Breast cancer detection based on watershed transformation | |
WO2022247573A1 (zh) | 模型训练方法、图像处理方法、装置、设备及存储介质 | |
Deshmukh et al. | Segmentation of microscopic images: A survey | |
CN115100474B (zh) | 基于拓扑特征分析的甲状腺穿刺图像分类方法 | |
CN113011257A (zh) | 一种乳腺癌免疫组化人工智能判读方法 | |
Zhang et al. | [Retracted] An Image Recognition Framework for Oral Cancer Cells | |
CN110335278A (zh) | 一种量化肿瘤微环境的胶质方向特征的方法 | |
CN110246126A (zh) | 一种从肺部ct图像中提取末端支气管树的方法 | |
Khoshdeli et al. | Deep learning models delineates multiple nuclear phenotypes in h&e stained histology sections | |
Dika et al. | Advantages of manual and automatic computer-aided compared to traditional histopathological diagnosis of melanoma: a pilot study |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20230228 |