CN111401214B - 一种基于深度学习的多分辨率集成her2判读方法 - Google Patents
一种基于深度学习的多分辨率集成her2判读方法 Download PDFInfo
- Publication number
- CN111401214B CN111401214B CN202010168694.5A CN202010168694A CN111401214B CN 111401214 B CN111401214 B CN 111401214B CN 202010168694 A CN202010168694 A CN 202010168694A CN 111401214 B CN111401214 B CN 111401214B
- Authority
- CN
- China
- Prior art keywords
- classification
- class
- wsi
- gan
- normal
- 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.)
- Active
Links
- 101001012157 Homo sapiens Receptor tyrosine-protein kinase erbB-2 Proteins 0.000 title claims abstract description 23
- 102100030086 Receptor tyrosine-protein kinase erbB-2 Human genes 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000013135 deep learning Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 9
- 230000010354 integration Effects 0.000 claims abstract description 7
- 230000001575 pathological effect Effects 0.000 claims abstract description 7
- 230000007246 mechanism Effects 0.000 claims abstract description 5
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000013256 Gubra-Amylin NASH model Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 239000013642 negative control Substances 0.000 claims description 3
- 239000013641 positive control Substances 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 238000004043 dyeing Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010186 staining Methods 0.000 description 2
- 206010006187 Breast cancer Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- 101100314454 Caenorhabditis elegans tra-1 gene Proteins 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013136 deep learning model Methods 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
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002055 immunohistochemical effect Effects 0.000 description 1
- 238000007901 in situ hybridization Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011309 routine diagnosis Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 229960000575 trastuzumab Drugs 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
-
- 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
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/30068—Mammography; Breast
-
- 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
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开一种一种基于深度学习的多分辨率集成HER2判读方法,包括以下步骤:步骤s1:输入一张全数字化HER2病理切片图像WSI,提取1x倍率下的有效组织区域;步骤s2:分别无重叠裁剪成尺寸大小为256*256和128*128的patch;步骤s3:利用类别是Normal的patch来训练两个所输入patch的尺寸大小分别为256*256和128*128的三分类GAN网络;步骤s4:得到在10x倍率下和5x倍率下确定类别为Normal的每个patch的对应分类类别,即0/1+、2+或者3+步骤s5:采用同异性投票机制作为集成规则对两个三分类GAN网络的输出结果进行投票;步骤s6:对投票结果进行计数,完成WSI类别的最终确定。本发明有效的避免由于染色差异等其他因素对最终正确判读WSI类别带来的影响,提升判读分类的精度。
Description
技术领域
本发明涉及计算机图像识别技术,尤其涉及一种基于深度学习的多分辨率集成HER2判读方法。
背景技术
在乳腺癌的日常诊断中,病理医师通常会进行HER2免疫组化切片的判读。即在显微镜下,对HER2切片进行分析,判读,并做出诊断报告,即根据病理指南对HER2进行分级,0/1+(阴性),2+(可疑,不确定),3+(阳性)。对于阳性患者,可建议接受曲妥珠单抗等药物进行治疗;对于可疑,不确定的患者,一般通过荧光原位杂交等技术进行进一步的确认。随着数字病理的发展,病理切片可以通过数字扫描仪,扫描成数字化切片。病理医师,可以通过特定的阅片软件,在计算机上进行HER2切片的分析和判读。但是不管是采用显微镜镜下阅片的方式,还是在计算机上进行数字切片的分析,HER2的判读都存在耗时,主观性强,病理医师不同时刻判读结果有差异,病理医师之间结论有差异等问题。这种差异,将直接影响患者的后续治疗。因此,一种客观的,可重复性,高准确率的辅助诊断系统亟待开发。
目前存在的相似的实现方法,存在对于不同时期,切片染色存在较大差异,切片中存在的异常染色噪音,空白区域,无效组织等常见的影响自动化分析结论的因素。这些问题,将很大程度上影响HER2的最终分级。
发明内容
本发明旨在提供一种基于深度学习、实现HER2切片中不同区域自动分割并最终辅助病理医师判定HER2分级的方法。
为达到上述目的,本发明是采用以下技术方案实现的:
一种基于深度学习的多分辨率集成HER2判读方法,包括以下步骤:
步骤s1:输入一张全数字化HER2病理切片图像WSI,提取1x倍率下的有效组织区域;
步骤s2:将所提取的1x倍率下的有效组织区域,映射到10x倍率和5x倍率下,分别提取对应倍率下的组织图像,并将10x倍率下和5x倍率下的组织图像分别无重叠裁剪成尺寸大小为256*256和128*128的patch;
步骤s3:由专业病理医师对完成剪裁的patch进行分类标注,分类分别为0/1+、2+、3+和Abnormal,再利用尺寸大小分别为256*256和128*128的patch来训练二分类GAN网络,区分出patch所表示类别是Normal或者是Abnormal,然后利用类别是Normal的patch来训练两个所输入patch的尺寸大小分别为256*256和128*128的三分类GAN网络;
步骤s4:将完成剪裁的patch输入完成训练的二分类GAN网络,输出patch的Normal类别和Abnormal类别,将Normal类别的输出与两个三分类GAN网络的其中一个的输出结果进行逻辑与操作,得到在10x倍率下和5x倍率下确定类别为Normal的每个patch的对应分类类别,即0/1+、2+或者3+;
步骤s5:采用同异性投票机制作为集成规则对两个三分类GAN网络的输出结果进行投票,得出投票结果;
步骤s6:对投票结果进行计数,完成WSI类别的最终确定。
优选的,在步骤s1中,提取1x倍率下的有效组织区域即为分割得到切片中的有效组织区域、阳性对照以及阴性对照。
优选的,所述步骤s5包括以下步骤:
步骤s501:排除非正常结果Abnormal;
步骤s502:根据同异性对剩余的结果进行投票,得出投票结果。
进一步的,在步骤s501中,如果两个三分类GAN模型中任一输出结果为Abnormal,那么投票结果为Abnormal。
进一步的,在步骤s502中,如果两个三分类GAN模型的两个输出结果相同,那么投票结果即为输出结果。
进一步的,在步骤s502中,如果两个三分类GAN模型的输出结果不同,那么投票结果为2+。
优选的,在步骤s6中,按照下列关系式进行WSI类别的最终确定:
Normal_patches=Counts_1+Counts_2+Counts_3
其中,Counts_1、Counts_2及Counts_3分别表示0/1+、2+、3+、abnormal四个类别在一个WSI中总计的数目;Normal_patches为正常patch的总数目。Ratio_Negative、Ratio_Equivocal及Ratio_Positive分别为阴性,不确定及阳性的比率。
进一步的,若Ratio_Positive≥10%,WSI对应的类别为3+;若Ratio_Equivocal≥10%,WSI对应的类别为2+;其它情形下WSI对应的类别为0/1+。
优选的,所述二分类GAN网络与两个三分类GAN网络生成器共用一个生成器Generator。
优选的,所述二分类GAN网络中所包含的判别器为Discriminator0,两个三分类GAN网络的判别器分别为Discriminator1和Discriminator2。
本发明具有以下有益效果:
1、在本发明中,对于有效组织区域切分完成的Patch,输入一个二分类GAN网络中,Discriminator0与另外的两个三分类GAN网络中的一个(如Discriminator1)的输出结果进行逻辑与操作,判断该Patch是否是真正有效的分类组织区域,而不是将整个有效组织区域输入进三分类网络,可以避免无效的patch影响最终结论,同时还能进一步提升模型的鲁棒性和泛化能力;
2、在本发明中,利用WSI扫描成像时,可以读取不同倍率。对同一图像区域,获取两种倍率,进行深度学习模型的训练,根据两个模型的分类差异,按照集成规则,若一个模型识别为2+,我们将类别归为2+,WSI最终判读为2+,然后再进行进一步的分析,这样可以非常有效的避免由于染色差异等其他因素对最终正确判读WSI类别带来的影响,提升分类的精度。
附图说明
图1为分类为3+和2+的patch;
图2为分类为1+和0+的patch;
图3为分类为Abnormal的patch;
图4为逻辑与操作表格;
图5为集成规则结果表格;
图6为错误分类表格;
图7为本发明流程示意图;
图8为生成器网络结构示意图;
图9为判别器网络结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图,对本发明进行进一步详细说明。
一种基于深度学习的多分辨率集成HER2判读方法,包括以下步骤:
步骤s1:
输入一张全数字化HER2病理切片图像WSI,提取1x倍率下的有效组织区域,即分割切片中的有效组织区域,阳性对照,阴性对照。
步骤s2:
将所提取的1x倍率下的有效组织区域,映射到10x倍率和5x倍率下,分别提取对应倍率下的组织图像,并将10x倍率下和5x倍率下的组织图像分别无重叠裁剪成尺寸大小为256*256和128*128的patch。
步骤s3:
如图1、2和3,由专业病理医师对完成剪裁的patch进行分类标注,分类分别为0/1+、2+、3+和Abnormal,再利用尺寸大小分别为256*256和128*128的patch来训练二分类GAN网络,区分出patch所表示类别是Normal或者是Abnormal,然后利用类别是Normal的patch来训练两个所输入patch的尺寸大小分别为256*256和128*128的三分类GAN网络。
其中,如图8和9,所述二分类GAN网络与两个三分类GAN网络生成器共用一个生成器Generator。
所述二分类GAN网络中所包含的判别器为Discriminator0,两个三分类GAN网络的判别器分别为Discriminator1和Discriminator2。
步骤s4:
将完成剪裁的patch输入完成训练的二分类GAN网络,输出patch的Normal类别和Abnormal类别,将Normal类别的输出与两个三分类GAN网络的其中一个的输出结果进行逻辑与操作,得到在10x倍率下和5x倍率下确定类别为Normal的每个patch的对应分类类别,即0/1+、2+或者3+。
逻辑与操作的结果如图4所示。
步骤s5:
采用同异性投票机制作为集成规则对两个三分类GAN网络的输出结果进行投票,得出投票结果。
在步骤s5中,包括以下两个步骤:
步骤s501:排除非正常结果Abnormal,也即是如果两个三分类GAN模型中任一输出结果为Abnormal,那么投票结果为Abnormal;步骤s502:根据同异性对剩余的结果进行投票,得出投票结果。
如图5,在步骤s502中,如果两个三分类GAN模型的两个输出结果相同,那么投票结果即为输出结果;在步骤s502中,如果两个三分类GAN模型的输出结果不同,那么投票结果为2+。
在病理医师日常的诊断中,类别2+,是在切片的类别划分到阴性或者阳性存在较大疑虑,才将类别归为2+,并在后续进行诸如FISH等分析,最终确定切片的类别(阴性或阳性)。
介于此,结合该因素设计的这种在两个模型对同一图像分析类别存在差异时,将类别归为2+,而不是投票机制中的任何一类。这种集成规则,在两个模型输出相同时,是对结果没有任何增强或者减缩的影响。关键就在于输出类别不一致时,归为不确定的2+。最大限度将误判的风险降到最低,这也与病理医师日常诊断的流程和目标一致。
经过试验测试,类别之间的误判主要出现在如图6所示的情况。这在一定程度上可以提升模型的抗干扰(如制片,染色,保存等过程中造成的图像污染,异常等因素带来的影响)能力。
步骤s6:
对投票结果进行计数,完成WSI类别的最终确定。
在步骤s6中,按照下列关系式进行WSI类别的最终确定:
Normal_patches=Counts_1+Counts_2+Counts_3
其中,Counts_1、Counts_2及Counts_3分别表示0/1+、2+、3+、abnormal四个类别在一个WSI中总计的数目;Normal_patches为正常patch的总数目。Ratio_Negative、Ratio_Equivocal及Ratio_Positive分别为阴性,不确定及阳性的比率。
若Ratio_Positive≥10%,WSI对应的类别为3+;若Ratio_Equivocal≥10%,WSI对应的类别为2+;其它情形下WSI对应的类别为0/1+。
本发明的具体实施整体流程如图7所示。
当然,本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (6)
1.一种基于深度学习的多分辨率集成HER2判读方法,其特征在于,包括以下步骤:
步骤s1:输入一张全数字化HER2病理切片图像WSI,提取1x倍率下的有效组织区域;
步骤s2:将所提取的1x倍率下的有效组织区域,映射到10x倍率和5x倍率下,分别提取对应倍率下的组织图像,并将10x倍率下和5x倍率下的组织图像分别无重叠裁剪成尺寸大小为256*256和128*128的patch;
步骤s3:由专业病理医师对完成剪裁的patch进行分类标注,分类分别为0/1+、2+、3+和Abnormal,再利用尺寸大小分别为256*256和128*128的patch来训练二分类GAN网络,区分出patch所表示类别是Normal或者是Abnormal,然后利用类别是Normal的patch来训练两个所输入patch的尺寸大小分别为256*256和128*128的三分类GAN网络;
步骤s4:将完成剪裁的patch输入完成训练的二分类GAN网络,输出patch的Normal类别和Abnormal类别,将Normal类别的输出与两个三分类GAN网络的其中一个的输出结果进行逻辑与操作,得到在10x倍率下和5x倍率下确定类别为Normal的每个patch的对应分类类别,即0/1+、2+或者3+;
步骤s5:采用同异性投票机制作为集成规则对两个三分类GAN网络的输出结果进行投票,得出投票结果;具体的,
如果两个三分类GAN模型的两个输出结果相同,那么投票结果即为输出结果;如果两个三分类GAN模型的输出结果不同,那么投票结果为2+;
步骤s6:对投票结果进行计数,完成WSI类别的最终确定。
2.根据权利要求1所述的基于深度学习的多分辨率集成HER2判读方法,其特征在于:在步骤s1中,提取1x倍率下的有效组织区域即为分割得到切片中的有效组织区域、阳性对照以及阴性对照。
3.根据权利要求1所述的基于深度学习的多分辨率集成HER2判读方法,其特征在于:在步骤s6中,按照下列关系式进行WSI类别的最终确定:
Normal_patches=Counts_1+Counts_2+Counts_3
其中,Counts_1、Counts_2及Counts_3分别表示0/1+、2+、3+三个类别在一个WSI中总计的数目;Normal_patches为正常patch的总数目;Ratio_Negative、Ratio_Equivocal及Ratio_Positive分别为阴性,不确定及阳性的比率。
4.根据权利要求3所述的基于深度学习的多分辨率集成HER2判读方法,其特征在于:若Ratio_Positive≥10%,WSI对应的类别为3+;若Ratio_Equivocal≥10%,WSI对应的类别为2+;其它情形下WSI对应的类别为0/1+。
5.根据权利要求1所述的基于深度学习的多分辨率集成HER2判读方法,其特征在于:所述二分类GAN网络与两个三分类GAN网络生成器共用一个生成器Generator。
6.根据权利要求1所述的基于深度学习的多分辨率集成HER2判读方法,其特征在于:所述二分类GAN网络中所包含的判别器为Discriminator0,两个三分类GAN网络的判别器分别为Discriminator1和Discriminator2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010168694.5A CN111401214B (zh) | 2020-03-12 | 2020-03-12 | 一种基于深度学习的多分辨率集成her2判读方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010168694.5A CN111401214B (zh) | 2020-03-12 | 2020-03-12 | 一种基于深度学习的多分辨率集成her2判读方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111401214A CN111401214A (zh) | 2020-07-10 |
CN111401214B true CN111401214B (zh) | 2023-04-18 |
Family
ID=71432356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010168694.5A Active CN111401214B (zh) | 2020-03-12 | 2020-03-12 | 一种基于深度学习的多分辨率集成her2判读方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111401214B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560968B (zh) * | 2020-12-21 | 2022-08-19 | 齐鲁工业大学 | 一种基于卷积和残差网络的her2图像分类方法及系统 |
CN113469939B (zh) * | 2021-05-26 | 2022-05-03 | 透彻影像(北京)科技有限公司 | 一种基于特性曲线的her-2免疫组化自动判读系统 |
CN114171197B (zh) * | 2021-11-12 | 2022-10-04 | 东莞市人民医院 | 一种乳腺癌her2状态的预测方法及相关设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600584A (zh) * | 2016-12-07 | 2017-04-26 | 电子科技大学 | 一种基于Tsallis熵选择的疑似肺结节检测方法 |
CN107206043A (zh) * | 2014-11-05 | 2017-09-26 | 维拉赛特股份有限公司 | 使用机器学习和高维转录数据在经支气管活检上诊断特发性肺纤维化的系统和方法 |
CN110348331A (zh) * | 2019-06-24 | 2019-10-18 | 深圳和而泰家居在线网络科技有限公司 | 人脸识别方法及电子设备 |
CN110781666A (zh) * | 2018-07-12 | 2020-02-11 | 国际商业机器公司 | 基于生成式对抗网络的自然语言处理文本建模 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018204764A1 (en) * | 2017-05-05 | 2018-11-08 | Camp4 Therapeutics Corporation | Identification and targeted modulation of gene signaling networks |
US11030744B2 (en) * | 2018-06-26 | 2021-06-08 | Astrazeneca Computational Pathology Gmbh | Deep learning method for tumor cell scoring on cancer biopsies |
-
2020
- 2020-03-12 CN CN202010168694.5A patent/CN111401214B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107206043A (zh) * | 2014-11-05 | 2017-09-26 | 维拉赛特股份有限公司 | 使用机器学习和高维转录数据在经支气管活检上诊断特发性肺纤维化的系统和方法 |
CN106600584A (zh) * | 2016-12-07 | 2017-04-26 | 电子科技大学 | 一种基于Tsallis熵选择的疑似肺结节检测方法 |
CN110781666A (zh) * | 2018-07-12 | 2020-02-11 | 国际商业机器公司 | 基于生成式对抗网络的自然语言处理文本建模 |
CN110348331A (zh) * | 2019-06-24 | 2019-10-18 | 深圳和而泰家居在线网络科技有限公司 | 人脸识别方法及电子设备 |
Non-Patent Citations (2)
Title |
---|
Artificial intelligence in digital pathology-new tools for diagnosis and precision oncology;Kaustav Bera等;《nature reviews clinical oncology》;20190809;703-715 * |
目标检测算法在乳腺病理图像分析中的应用;何剑;《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑》;20170716;E072-362 * |
Also Published As
Publication number | Publication date |
---|---|
CN111401214A (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Veta et al. | Predicting breast tumor proliferation from whole-slide images: the TUPAC16 challenge | |
CN111401214B (zh) | 一种基于深度学习的多分辨率集成her2判读方法 | |
CN109886179B (zh) | 基于Mask-RCNN的子宫颈细胞涂片的图像分割方法和系统 | |
CN111986150B (zh) | 一种数字病理图像的交互式标注精细化方法 | |
Dundar et al. | Computerized classification of intraductal breast lesions using histopathological images | |
CN112101451B (zh) | 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法 | |
Mi et al. | Deep learning-based multi-class classification of breast digital pathology images | |
Deshpande et al. | A review of microscopic analysis of blood cells for disease detection with AI perspective | |
Pan et al. | Mitosis detection techniques in H&E stained breast cancer pathological images: A comprehensive review | |
Yoshida et al. | Automated histological classification of whole slide images of colorectal biopsy specimens | |
CN106780475A (zh) | 一种基于病理组织切片图像组织区域的图像处理方法及装置 | |
Tang et al. | Segnet-based gland segmentation from colon cancer histology images | |
WO2022110396A1 (zh) | 数字病理切片目标区域的识别方法、系统、设备及介质 | |
Zewdie et al. | Classification of breast cancer types, sub-types and grade from histopathological images using deep learning technique | |
CN113052228A (zh) | 一种基于SE-Inception的肝癌病理切片分类方法 | |
CN117094980A (zh) | 基于深度学习的超声乳腺结节图像可解释性方法 | |
Pellegrino et al. | Automated RBC morphology counting and grading using image processing and support vector machine | |
Abbasi-Sureshjani et al. | Molecular subtype prediction for breast cancer using H&E specialized backbone | |
CN116884597A (zh) | 基于自监督预训练和多示例学习的病理图像乳腺癌分子分型方法及系统 | |
CN115205588A (zh) | 基于人工智能的膀胱癌肌层浸润病理辅助诊断方法及装置 | |
Bittencourt et al. | Accuracy of computer-aided image analysis in the diagnosis of odontogenic cysts: A systematic review | |
Albuquerque et al. | Quality control in digital pathology: Automatic fragment detection and counting | |
Karabulut et al. | Deep learning as a new tool in the diagnosis of mycosis fungoides | |
CN106960218B (zh) | 基于代价敏感学习贝叶斯的乳腺癌数据计算机分类系统 | |
Saito et al. | Dawn of the digital diagnosis assisting system, can it open a new age for pathology? |
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 |