CN110390678A - 一种结直肠癌ihc染色图像的组织类型分割方法 - Google Patents
一种结直肠癌ihc染色图像的组织类型分割方法 Download PDFInfo
- Publication number
- CN110390678A CN110390678A CN201910515926.7A CN201910515926A CN110390678A CN 110390678 A CN110390678 A CN 110390678A CN 201910515926 A CN201910515926 A CN 201910515926A CN 110390678 A CN110390678 A CN 110390678A
- Authority
- CN
- China
- Prior art keywords
- ihc
- region
- colorectal cancer
- segmentation
- test group
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/30028—Colon; Small intestine
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种结直肠癌IHC染色图像的组织类型分割方法,包括下述步骤:获取IHC染色图,画取ROI并提取图像块,对图像块进行特征提取,训练分类器,通过计算测试组的分割图与测试组的ROI区域同类型组织的重叠程度,评估算法实现结直肠癌癌变区域不同类型组织分割的性能。本发明可以通过提取IHC染色中H染色部分图像的手工特征,训练出相应的分类器,然后通过分类器识别IHC染色H染色部分图像上的每个图像块,从而得到不同类别组织的分割图,这样有利于进一步地研究结直肠癌的发病程度与癌变区域不同类型组织的手工特征之间的关系,从而可以辅助临床医生对癌变患者进行诊断。
Description
技术领域
本发明属于图像处理的技术领域,具体涉及一种结直肠癌IHC染色图像的组织类型分割方法。
背景技术
结直肠癌是一种复杂的疾病,人体在发生癌变的时候一般会导致癌变区域的其它组织发生一定的异变,如果能够分离IHC染色图中癌变区域的不同类型的组织,那么就可以研究患者在病变的时候癌变区域不同组织的变化情况与癌变程度之间的关系,所以提出一种基于手工特征对结直肠癌免疫组织化学染色数字病理图像组织类型分割的方法就显得十分重要了。
IHC染色根据组织或细胞的不同成分对染剂的亲和力不同,从而使得染色后得到的染色图中各组织的对比度更为明显,便于采用计算机进行图像处理操作。病理组学通过研究癌变区域的IHC染色图,提取了可以区分癌变区域不同类型组织的手工特征,从而可以划分癌变区域的不同组织。因此我们选择基于手工特征的方法来分割癌变区域不同类型的组织,从而辅助医生对结直肠癌患者进行诊断,从而采取合适的治疗方式。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足,提供一种结直肠癌IHC染色图像的组织类型分割方法,利用病理组学和机器学习的分类算法挖掘IHC染色图中不同类型组织和提取到的手工特征之间的关系,从而实现癌变区域IHC染色图中不同类型组织的分割。
为了达到上述目的,本发明采用以下技术方案:
本发明一种结直肠癌IHC染色图像的组织类型分割方法,包括下述步骤:
S1、收集癌症患者的癌变区域组织切片,并对组织切片进行IHC染色,得到癌变区域的IHC染色图;
S2、将IHC染色图分为训练组和测试组,所述训练组用于训练分类器,所述测试组用于测试分类器的分类性能;
S3、在训练组和测试组IHC染色图中,画出设定数量的与淋巴、肌肉、脂肪、肿瘤上皮、肿瘤间质、粘膜下层、黏液区域、坏死区域、正常腺体、背景区域对应的ROI;
S4、在淋巴、肌肉、脂肪、肿瘤上皮、肿瘤间质、粘膜下层、黏液区域、坏死区域、正常腺体、背景区域对应的ROI区域中分割出设定数量设定大小的图像块;
S5、将从ROI中分割出来的图像块乘以颜色反卷积矩阵,从而提取IHC染色图中H染色部分的图像;
S6、对训练组和测试组IHC染色中H染色部分的图像不同类型组织的图像块进行手工特征提取;
S7、将从训练组得到的癌变区域各个组织类型的手工特征数据作为训练分类器的输入数据,训练出组合决策树分类器;
S8、对测试组IHC染色图进行滑动窗口操作,利用步骤S7得到的分类器对每个滑动窗口区域进行分类,最后得到癌变区域不同组织类型的分割图;
S9、通过计算测试组的分割图与测试组的ROI区域同类型组织的重叠程度,所述重叠程度的评判标准为,测试组的分割图与测试组的ROI区域同类型组织的重叠面积占ROI区域面积的比率,利用重叠程度评估出结直肠癌癌变区域不同类型组织分割的性能。
作为优选的技术方案,所述步骤S4中,图像块的大小设定为150像素*150像素。
作为优选的技术方案,所述步骤S4中,对于不偏移初始位置得不到设定样本数量的ROI区域,通过向左和向右偏移提取图像块的初始位置以得到更多的训练样本。
作为优选的技术方案,步骤S5具体为:
将从ROI中分割出来的图像块乘以颜色反卷积矩阵,提取IHC染色图中H染色部分的图像块,颜色反卷积矩阵的参数为[0.65 0.70 0.29;0.27 0.57 0.78;0.71 0.420.56],其中H染色部分对应的向量为[0.65 0.70 0.29]。
作为优选的技术方案,,步骤S6中,手工提取的特征包括:
1)低阶直方图特征:均值、方差、偏斜度、峰度、5阶中心矩。
2)高阶直方图特征:2阶中心矩、3阶中心矩、4阶中心矩、5阶中心矩、6阶中心矩、7阶中心矩、8阶中心矩、9阶中心矩、10阶中心矩、11阶中心矩。
3)局部二值模式(LBP)特征
4)灰度共生矩阵(GLCM)特征:计算了0°、45°、90°、135°的GLCM,并分别从其中提取了对比度、相关度、能量、同质性4个特征。
5)Gabor小波特征:计算了2、4、6、8、10和12px/cycle六个波长的0°、30°、60°、90°、120°、150°六个方向的小波特征,并求取每个波长的六个方向的小波特征的平均值。
6)感知特征:粗糙度、对比度、方向度、线性程度。
作为优选的技术方案,步骤S7中,训练出组合决策树分类器,具体如下:通过网格搜索和交叉验证的方法训练出较优的组合决策树,其中组合决策树各个参数的搜索范围为:决策树数量分别为[2,3,4,5,6,7,8,9,10];决策树的深度分别为[3,4,5,6];最大分支节点数分别为[15,20,25];交叉验证使用十折交叉验证法。
作为优选的技术方案,所述步骤S8中,滑动窗口的大小为150像素*150像素,步长为150像素。
作为优选的技术方案,步骤S8中,对测试组IHC染色图进行滑动窗口操作,利用步骤S7得到的分类器对每个滑动窗口区域进行分类,最后得到癌变区域不同组织类型的分割图,具体为:
通过滑动窗口操作,每次在IHC染色图中划取150像素*150像素大小的图像块,滑动窗口的步长为150像素,然后用组合决策树分类器对每个图像块进行分类,并对这个图像块对应的区域填充与此类对应的颜色,最终得到癌变区域组织类型分割图。
作为优选的技术方案,步骤S9中,通过计算测试组的分割图与测试组的ROI区域同类型组织的重叠程度,评估出结直肠癌癌变区域不同类型组织分割的性能,具体为:
分别计算各个组织类型ROI的面积大小和分割图中与ROI对应的区域中分类正确的区域的面积,并以后者和前者的比例作为每个组织类型分类效果的评判标准,然后把全部比例值的平均值作为整个分类器分类效果的评判标准。
本发明与现有技术相比,具有如下优点和有益效果:
癌变区域IHC染色图蕴藏了十分丰富的疾病信息,对IHC染色图进行手工特征分析,提取出有效的特征信息对临床诊断有着重大的意义。本发明通过提取IHC染色图的手工特征,训练出组合决策树分类器,然后通过分类器识别IHC染色图上的每一个图像块,从而得到癌变区域组织类型的分割图,这样有利于进一步地研究癌变程度与癌变区域不同类型组织的手工特征之间的关系,从而可以辅助临床医生对癌变患者进行诊断,并选择合适的治疗方法,比如:手术,化疗或免疫治疗。
附图说明
图1是本发明结直肠癌IHC染色图像的组织类型分割方法的流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例
本发明实施例中所用的样本来自广东省人民医院,本实验通过了广东省人民医院伦理委员会,且已获得患者知情同意。
如图1所示,本实施例一种结直肠癌IHC染色图像的组织类型分割方法,包括下述步骤:
S1、将收集到的结直肠癌患者的癌变组织切片进行IHC染色,得到癌变区域的IHC染色图;
S2、将IHC染色图分为训练组和测试组。
S3、在训练组和测试组IHC染色图中画出一定数量的与淋巴、肌肉、脂肪、肿瘤上皮、肿瘤间质、粘膜下层、黏液区域、坏死区域、正常腺体、背景区域对应的ROI。
S4、在淋巴、肌肉、脂肪、肿瘤上皮、肿瘤间质、粘膜下层、黏液区域、坏死区域、正常腺体、背景区域对应的ROI中分割出一定数量的150像素*150像素(37.5微米*37.5微米)的图像块。
S5、将从ROI中分割出来的图像块乘以颜色反卷积矩阵,提取IHC染色图中H染色部分的图像块,颜色反卷积矩阵的参数为[0.65 0.70 0.29;0.27 0.57 0.78;0.71 0.420.56],其中H染色部分对应的向量为[0.65 0.70 0.29]。
S6、对于每个H染色部分图像块,提取相关的手工特征:
1)低阶直方图特征:均值、方差、偏斜度、峰度、5阶中心矩。
2)高阶直方图特征::2阶中心矩、3阶中心矩、4阶中心矩、5阶中心矩、6阶中心矩、7阶中心矩、8阶中心矩、9阶中心矩、10阶中心矩、11阶中心矩。
3)LBP特征。
4)GLCM特征:计算了0°、45°、90°、135°的GLCM(灰度共生矩阵),并分别从其中提取了对比度、相关度、能量、同质性4个特征。
5)Gabor小波特征:计算了2、4、6、8、10和12px/cycle六个波长的0°、30°、60°、90°、120°、150°六个方向的小波特征,并求取每个波长的六个方向的小波特征的平均值。
6)感知特征:粗糙度、对比度、方向度、线性程度和粗糙度。
S7、用来研究IHC染色图病理组学特征与肿瘤区域的淋巴、肌肉、脂肪、肿瘤上皮、肿瘤间质、粘膜下皮、黏液区域、坏死区域、正常腺体、背景区域之间的关系的分类器为组合决策树。
S8在得到组合决策树分类器后,将其应用到测试组IHC染色图中进行组织分割:通过滑动窗口操作,每次在IHC染色图中划取150像素*150像素(37.5微米*37.5微米)大小的图像块,滑动窗口的步长为150像素,然后用组合决策树分类器对每个图像块进行分类,并对这个图像块对应的区域填充与此类对应的颜色,最终得到癌变区域组织类型分割图。
S9、在得到癌变区域组织类型分割图之后,
分别计算各个组织类型ROI的面积大小(单位:像素*像素),和分割图中与ROI对应的区域中分类正确的区域的面积,并以后者和前者的比例作为每个组织类型分类效果的评判标准,然后把全部比例值的平均值作为整个分类器分类效果的评判标准。
本发明可以通过提取结直肠癌IHC染色图H染色部分的图像的手工特征,训练出相应的分类器,然后通过分类器识别IHC染色图上的每个图像块,从而得到癌变区域不同类型组织的分割图,这样有利于进一步地研究结直肠癌的发病程度与病灶区域不同类型组织的手工特征之间的关系,从而可以辅助临床医生对癌症患者进行诊断,并选择合适的治疗方法,比如:手术,化疗或免疫治疗。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (9)
1.一种结直肠癌IHC染色图像的组织类型分割方法,其特征在于,包括下述步骤:
S1、收集癌症患者的癌变区域组织切片,并对组织切片进行IHC染色,得到癌变区域的IHC染色图;
S2、将IHC染色图分为训练组和测试组,所述训练组用于训练分类器,所述测试组用于测试分类器的分类性能;
S3、在训练组和测试组IHC染色图中,画出设定数量的与淋巴、肌肉、脂肪、肿瘤上皮、肿瘤间质、粘膜下层、黏液区域、坏死区域、正常腺体、背景区域对应的ROI;
S4、在淋巴、肌肉、脂肪、肿瘤上皮、肿瘤间质、粘膜下层、黏液区域、坏死区域、正常腺体、背景区域对应的ROI区域中分割出设定数量设定大小的图像块;
S5、将从ROI中分割出来的图像块乘以颜色反卷积矩阵,从而提取IHC染色图中H染色部分的图像;
S6、对训练组和测试组IHC染色中H染色部分的图像不同类型组织的图像块进行手工特征提取;
S7、将从训练组得到的癌变区域各个组织类型的手工特征数据作为训练分类器的输入数据,训练出组合决策树分类器;
S8、对测试组IHC染色图进行滑动窗口操作,利用步骤S7得到的分类器对每个滑动窗口区域进行分类,最后得到癌变区域不同组织类型的分割图;
S9、通过计算测试组的分割图与测试组的ROI区域同类型组织的重叠程度,所述重叠程度的评判标准为,测试组的分割图与测试组的ROI区域同类型组织的重叠面积占ROI区域面积的比率,利用重叠程度评估出结直肠癌癌变区域不同类型组织分割的性能。
2.根据权利要求1所述结直肠癌IHC染色图像的组织类型分割方法,其特征在于,所述步骤S4中,图像块的大小设定为150像素*150像素。
3.根据权利要求1所述结直肠癌IHC染色图像的组织类型分割方法,其特征在于,所述步骤S4中,对于不偏移初始位置得不到设定样本数量的ROI区域,通过向左和向右偏移提取图像块的初始位置以得到更多的训练样本。
4.根据权利要求1所述结直肠癌IHC染色图像的组织类型分割方法,其特征在于,步骤S5具体为:
将从ROI中分割出来的图像块乘以颜色反卷积矩阵,提取IHC染色图中H染色部分的图像块,颜色反卷积矩阵的参数为[0.65 0.70 0.29;0.27 0.57 0.78;0.71 0.42 0.56],其中H染色部分对应的向量为[0.65 0.70 0.29]。
5.根据权利要求1所述结直肠癌IHC染色图像的组织类型分割方法,其特征在于,步骤S6中,手工提取的特征包括:
1)低阶直方图特征:均值、方差、偏斜度、峰度、5阶中心矩。
2)高阶直方图特征:2阶中心矩、3阶中心矩、4阶中心矩、5阶中心矩、6阶中心矩、7阶中心矩、8阶中心矩、9阶中心矩、10阶中心矩、11阶中心矩。
3)局部二值模式(LBP)特征
4)灰度共生矩阵(GLCM)特征:计算了0°、45°、90°、135°的GLCM,并分别从其中提取了对比度、相关度、能量、同质性4个特征。
5)Gabor小波特征:计算了2、4、6、8、10和12px/cycle六个波长的0°、30°、60°、90°、120°、150°六个方向的小波特征,并求取每个波长的六个方向的小波特征的平均值。
6)感知特征:粗糙度、对比度、方向度、线性程度。
6.根据权利要求1所述结直肠癌IHC染色图像的组织类型分割方法,其特征在于,步骤S7中,训练出组合决策树分类器,具体如下:通过网格搜索和交叉验证的方法训练出较优的组合决策树,其中组合决策树各个参数的搜索范围为:决策树数量分别为[2,3,4,5,6,7,8,9,10];决策树的深度分别为[3,4,5,6];最大分支节点数分别为[15,20,25];交叉验证使用十折交叉验证法。
7.根据权利要求1所述结直肠癌IHC染色图像的组织类型分割方法,其特征在于,所述步骤S8中,滑动窗口的大小为150像素*150像素,步长为150像素。
8.根据权利要求1所述结直肠癌IHC染色图像的组织类型分割方法,其特征在于,步骤S8中,对测试组IHC染色图进行滑动窗口操作,利用步骤S7得到的分类器对每个滑动窗口区域进行分类,最后得到癌变区域不同组织类型的分割图,具体为:
通过滑动窗口操作,每次在IHC染色图中划取150像素*150像素大小的图像块,滑动窗口的步长为150像素,然后用组合决策树分类器对每个图像块进行分类,并对这个图像块对应的区域填充与此类对应的颜色,最终得到癌变区域组织类型分割图。
9.根据权利要求1所述结直肠癌IHC染色图像的组织类型分割方法,其特征在于,步骤S9中,通过计算测试组的分割图与测试组的ROI区域同类型组织的重叠程度,评估出结直肠癌癌变区域不同类型组织分割的性能,具体为:
分别计算各个组织类型ROI的面积大小和分割图中与ROI对应的区域中分类正确的区域的面积,并以后者和前者的比例作为每个组织类型分类效果的评判标准,然后把全部比例值的平均值作为整个分类器分类效果的评判标准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910515926.7A CN110390678B (zh) | 2019-06-14 | 2019-06-14 | 一种结直肠癌ihc染色图像的组织类型分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910515926.7A CN110390678B (zh) | 2019-06-14 | 2019-06-14 | 一种结直肠癌ihc染色图像的组织类型分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110390678A true CN110390678A (zh) | 2019-10-29 |
CN110390678B CN110390678B (zh) | 2021-05-11 |
Family
ID=68285454
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910515926.7A Active CN110390678B (zh) | 2019-06-14 | 2019-06-14 | 一种结直肠癌ihc染色图像的组织类型分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110390678B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112233123A (zh) * | 2020-09-21 | 2021-01-15 | 广州金域医学检验中心有限公司 | 病理图片中肿瘤间质分类方法、装置、计算机设备及存储介质 |
CN113361580A (zh) * | 2021-05-31 | 2021-09-07 | 中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所) | 一种结直肠癌错配修复功能的预测方法及装置 |
CN113689950A (zh) * | 2021-07-14 | 2021-11-23 | 广东省人民医院 | 肝癌ihc染色图的血管分布模式的识别方法、系统和存储介质 |
CN114066874A (zh) * | 2021-11-25 | 2022-02-18 | 福建师范大学 | 基于颜色反卷积与自注意力模型的组织病理学图像分类方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933711A (zh) * | 2015-06-10 | 2015-09-23 | 南通大学 | 一种肿瘤病理图像自动快速分割方法 |
CN108074243A (zh) * | 2018-02-05 | 2018-05-25 | 志诺维思(北京)基因科技有限公司 | 一种细胞定位方法以及细胞分割方法 |
CN109061131A (zh) * | 2018-06-29 | 2018-12-21 | 志诺维思(北京)基因科技有限公司 | 染色图片处理方法及装置 |
CN109856386A (zh) * | 2019-01-31 | 2019-06-07 | 上海拉德钫斯生物科技有限公司 | 一种免疫组化图像处理方法 |
-
2019
- 2019-06-14 CN CN201910515926.7A patent/CN110390678B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933711A (zh) * | 2015-06-10 | 2015-09-23 | 南通大学 | 一种肿瘤病理图像自动快速分割方法 |
CN108074243A (zh) * | 2018-02-05 | 2018-05-25 | 志诺维思(北京)基因科技有限公司 | 一种细胞定位方法以及细胞分割方法 |
CN109061131A (zh) * | 2018-06-29 | 2018-12-21 | 志诺维思(北京)基因科技有限公司 | 染色图片处理方法及装置 |
CN109856386A (zh) * | 2019-01-31 | 2019-06-07 | 上海拉德钫斯生物科技有限公司 | 一种免疫组化图像处理方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112233123A (zh) * | 2020-09-21 | 2021-01-15 | 广州金域医学检验中心有限公司 | 病理图片中肿瘤间质分类方法、装置、计算机设备及存储介质 |
CN112233123B (zh) * | 2020-09-21 | 2024-05-14 | 广州金域医学检验中心有限公司 | 病理图片中肿瘤间质分类方法、装置、计算机设备及存储介质 |
CN113361580A (zh) * | 2021-05-31 | 2021-09-07 | 中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所) | 一种结直肠癌错配修复功能的预测方法及装置 |
CN113689950A (zh) * | 2021-07-14 | 2021-11-23 | 广东省人民医院 | 肝癌ihc染色图的血管分布模式的识别方法、系统和存储介质 |
CN113689950B (zh) * | 2021-07-14 | 2022-07-05 | 广东省人民医院 | 肝癌ihc染色图的血管分布模式的识别方法、系统和存储介质 |
CN114066874A (zh) * | 2021-11-25 | 2022-02-18 | 福建师范大学 | 基于颜色反卷积与自注意力模型的组织病理学图像分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110390678B (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110390678A (zh) | 一种结直肠癌ihc染色图像的组织类型分割方法 | |
CN106056595B (zh) | 基于深度卷积神经网络自动识别甲状腺结节良恶性的辅助诊断系统 | |
Akram et al. | Automated detection of exudates and macula for grading of diabetic macular edema | |
Tian et al. | Multi-path convolutional neural network in fundus segmentation of blood vessels | |
CN109146848A (zh) | 一种融合多模态乳腺图像的计算机辅助参考系统及方法 | |
Pugazhenthi et al. | Skin disease detection and classification | |
Sreng et al. | Automatic exudate extraction for early detection of Diabetic Retinopathy | |
Islam et al. | Skin disease recognition using texture analysis | |
CN114398979A (zh) | 一种基于特征解耦的超声图像甲状腺结节分类方法 | |
Kia et al. | Computer-aided diagnosis (CAD) of the skin disease based on an intelligent classification of sonogram using neural network | |
Wang et al. | Accurate disease detection quantification of iris based retinal images using random implication image classifier technique | |
Aslam et al. | Liver-tumor detection using CNN ResUNet | |
Liu et al. | Weakly-supervised localization and classification of biomarkers in OCT images with integrated reconstruction and attention | |
Hussain et al. | Retracted: An Iris based Lungs Pre-diagnostic System | |
Kaur et al. | An enhanced and automatic skin cancer detection using K-mean and PSO technique | |
Manikandan et al. | Glaucoma Detection in Retinal Images using Automatic Thresholding and Marker-Controlled Watershed Transformation | |
CN111292285A (zh) | 一种基于朴素贝叶斯与支持向量机的糖网病自动筛查方法 | |
Saumiya et al. | Unified automated deep learning framework for segmentation and classification of liver tumors | |
Sameen et al. | Skin cancer disease detection using image processing techniques | |
CN112017132A (zh) | 基于最大曲率法和多尺度Hessian矩阵的静脉图像增强方法 | |
Khan et al. | Automated non-invasive diagnosis of melanoma skin cancer using dermo-scopic images | |
Punithavathi et al. | Detection of breast lesion using improved GLCM feature based extraction in mammogram images | |
Guarracino et al. | Segmenting dermoscopic images | |
Krishna et al. | A brain tumor identification using fully convolution neural networks in the deep learning | |
Razali et al. | Color-assisted Multi-input Convolutional Neural Network for Cancer Classification on Mammogram Images |
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 |