CN111553369A - 前列腺癌穿刺病理图像的格里森自动分级方法和装置 - Google Patents
前列腺癌穿刺病理图像的格里森自动分级方法和装置 Download PDFInfo
- Publication number
- CN111553369A CN111553369A CN202010405761.0A CN202010405761A CN111553369A CN 111553369 A CN111553369 A CN 111553369A CN 202010405761 A CN202010405761 A CN 202010405761A CN 111553369 A CN111553369 A CN 111553369A
- Authority
- CN
- China
- Prior art keywords
- image
- distribution
- prostate cancer
- gleason
- homology
- 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
Images
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- 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
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Multimedia (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种前列腺癌穿刺病理图像的格里森自动分级方法,包括:在数字化的前列腺癌穿刺组织病理图像上手动标记格里森3级和4级组织区域;提取图像块,并对提取的图像块进行图像预处理后,提取图像块的H通道;计算同源性分布,包括细胞核的连通区域变化分布b0、细胞核构成的空洞变化分布b1以及两者的比率b,并采用七种统计描述方法表示计算得到的同源性分布,得到21维的统计特征集;构建k近邻分类器,采用10折交叉验证方法训练基于权重的k近邻模型;使用训练好的k近邻分类器自动预测格里森分级。本发明能够减少病理医生人工诊断的体力、精力和时间成本投入,同时量化分析诊断结果,极大降低了不同病理医生诊断的差异性。
Description
技术领域
本发明涉及图像处理技术领域,具体而言涉及一种前列腺癌穿刺病理图像的格里森自动分级方法和装置。
背景技术
前列腺癌是男性癌症死亡的第二大原因,分别占癌症发病率和死亡率的7.1%和3.8%。格里森分级系统是目前应用最广泛的前列腺癌诊断和风险分级标准,也是前列腺癌疾病侵袭性和长期预后的最强标志。更重要的是,它可以帮助临床医生对前列腺癌患者做出适当的治疗管理决策,帮助决定更积极的治疗还是积极的疾病监测。
在格里森分级系统中,临床病理医生观察病理图像中的前列腺癌组织区域中腺体结构的分化模式,将组织区域划分为1到5级(其中,5级最为严重)。通常来说,整张病理图像中组织成分最多的格里森模式和次多的模式被识别出来,并结合起来提供该病理图像的最终格里森得分。虽然这可以产生2分到10分的得分,但最新的ISUP系统中将不同格里森分数的前列腺癌分为5类:3+3、3+4、4+3、4+4和>4+4,用于对应最常见的格里森分数。可见,前列腺癌中最常见也最具挑战性的组织区域分类是3级和4级。然而,临床上对格里森3级和4级的判断区分是一项极其耗时的工作,而且存在非常高的病理医生个体差异性。因此,有必要开发用于区分格里森3级和4级的计算机图像分析方法,帮助临床医生对前列腺癌患者做出适当的治疗管理决策。
发明内容
本发明目的在于提供一种前列腺癌穿刺病理图像的格里森自动分级方法和装置,利用同源性分布的统计特征集对前列腺癌穿刺病理图像分析实现格里森自动分级,减少病理医生人工诊断的体力、精力和时间成本投入,同时量化分析诊断结果,极大降低了不同病理医生诊断的差异性。
为达成上述目的,结合图1,本发明提出一种前列腺癌穿刺病理图像的格里森自动分级方法,所述自动分级方法包括以下步骤:
S1,在一定量的数字化的前列腺癌穿刺组织Hematoxylin&Eosin病理图像上手动标记格里森3级和4级组织区域;
S2,针对标记出的格里森3级和4级组织区域提取图像块,并对提取的图像块进行图像预处理后,提取图像块的H通道;
S3,针对仅包含有H通道的每一图像块计算同源性分布,包括细胞核的连通区域变化分布b0、细胞核构成的空洞变化分布b1以及两者的比率b,并采用七种统计描述方法表示计算得到的同源性分布,得到21维的统计特征集;
S4,基于同源性分布的21维统计特征集构建k近邻分类器,采用10折交叉验证方法训练基于权重的k近邻模型;
S5,对于新采集的前列腺癌穿刺组织Hematoxylin&Eosin病理图像,提取图像块,对提取的图像块进行图像预处理后进行同源性分布计算和特征统计,再使用训练好的k近邻分类器进行测试,自动预测格里森分级。
作为其中的一种优选例,步骤S3中,所述针对仅包含有H通道的每一图像块计算同源性分布的过程包括:
对于每一图像块,以图像块中像素集的每一元素为阈值,计算该阈值下的细胞核的连通区域b0和细胞核构成的空洞变化分布值b1,得到对应的两个同源性分布。
作为其中的一种优选例,步骤S2中,采用自适应染色估计方法计算染色矩阵并应用到颜色反卷积方法中提取图像块的H通道。
本申请还提及一种前列腺癌穿刺病理图像的格里森自动分级装置,所述自动分级装置包括病理图像预处理模块、格里森自动分级模型和模型构建模块;
所述病理图像预处理模块用于针对标记出的格里森3级和4级组织区域提取图像块,并对提取的图像块进行图像预处理后,提取图像块的H通道;
所述格里森自动分级模型用于对导入的仅包含有H通道的图像块进行同源性分布计算和特征统计,以及自动预测格里森分级;
所述模型构建模块基于k近邻分类器构建格里森自动分级模型,包括:
样本数据生成单元,用于在一定量的数字化的前列腺癌穿刺组织Hematoxylin&Eosin病理图像上手动标记格里森3级和4级组织区域,针对标记出的格里森3级和4级组织区域提取图像块,并对提取的图像块进行图像预处理后,提取图像块的H通道;
模型构建单元,用于针对仅包含有H通道的每一图像块计算同源性分布,包括细胞核的连通区域变化分布b0、细胞核构成的空洞变化分布b1以及两者的比率b,并采用七种统计描述方法表示计算得到的同源性分布,得到21维的统计特征集,再基于同源性分布的21维统计特征集构建k近邻分类器;
模型优化单元,用于采用10折交叉验证方法训练基于权重的k近邻模型。
本申请还提及一种前列腺癌穿刺病理图像的格里森自动分级系统,所述自动分级系统包括相互连接的处理器和存储器;
所述存储器中存储有计算机执行程序,所述处理器执行所述存储器存储的计算机执行程序,以执行如权利要求1-3任意一项中所述的前列腺癌穿刺病理图像的格里森自动分级方法。
以上本发明的技术方案,与现有相比,其显著的有益效果在于:
(1)对前列腺癌穿刺病理图像分析实现格里森自动分级,减少病理医生人工诊断的体力、精力和时间成本投入。
(2)特征集可重复性高、鲁棒性强,同时量化分析诊断结果,极大降低了不同病理医生对同一病例切片诊断的差异性。
(3)临床中,腺体分化程度是前列腺癌病理诊断的重要依据,而特征集定量描述了腺体分化程度,使自动分级结果和临床病理诊断结果高度一致。
(4)提取的同源性分布的统计特征集很好地表示了腺体周围核的拓扑联系性,具有很强的可解释性。
应当理解,前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外,所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见,或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中,在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见,在每个图中,并非每个组成部分均被标记。现在,将通过例子并参考附图来描述本发明的各个方面的实施例,其中:
图1是本发明的前列腺癌穿刺病理图像的格里森自动分级方法的流程图。
图2是本发明的格里森自动分级模型的构建流程示意图。
图3是针对图像块的同源性分布计算统计描述的流程图。
图4是基于同源性分布的21个统计特征集的箱盒图。
图5是基于不同同源性分布统计特征集在前列腺癌格里森自动分级的定量结果对比示意图。
具体实施方式
为了更了解本发明的技术内容,特举具体实施例并配合所附图式说明如下。
具体实施例一
结合图1和图2,本发明提出一种前列腺癌穿刺病理图像的格里森自动分级方法,所述自动分级方法包括以下步骤:
S1,在一定量的数字化的前列腺癌穿刺组织Hematoxylin&Eosin(H&E)病理图像上手动标记格里森3级和4级组织区域。
S2,针对标记出的格里森3级和4级组织区域提H&E取图像块,并对提取的图像块进行图像预处理后,提取图像块的H通道。优选的,步骤S2中,采用自适应染色估计方法计算染色矩阵并应用到颜色反卷积方法中提取图像块的H通道。
S3,针对仅包含有H通道的每一图像块计算同源性分布,包括细胞核的连通区域变化分布b0、细胞核构成的空洞变化分布b1以及两者的比率b,并采用七种统计描述方法表示计算得到的同源性分布,得到21维的统计特征集。通过该方式使提取的同源性分布的统计特征集能够很好地表示腺体周围核的拓扑联系性,同时使最终的分级结果具有很强的可解释性。
结合图3,在一些例子中,所述针对仅包含有H通道的每一图像块计算统计描述同源性分布的过程包括:
对于每一图像块,以图像块中像素集的每一元素为阈值,计算该阈值下的细胞核的连通区域b0和细胞核构成的空洞变化分布值b1,得到对应的两个同源性分布。
图3中的21维特征集是对三个同源性分布进行的统计描述集;分类器模型采用K近邻分类器,分类器本身不需要优化,只是通过10折交叉验证进行了模型的选择。
S4,基于同源性分布的21维统计特征集构建k近邻分类器,采用10折交叉验证方法(即随机分成10份)训练基于权重的k近邻模型。
S5,对于新采集的前列腺癌穿刺组织Hematoxylin&Eosin病理图像,提取图像块,对提取的图像块进行图像预处理后进行同源性分布计算和特征统计,再使用训练好的k近邻分类器进行测试,自动预测格里森分级。
图4是21个统计特征集的箱盒图。横坐标数字分别表示21个特征,黑色和灰色分别代表格里森3级和4级,纵坐标是标准化之后的特征值,可以看出基于同源性分布的21维特征对于格里森3级和4级具有很好的区分性。
图5是基于不同同源性分布统计特征集在前列腺癌格里森自动分级的定量结果。其中,四个柱形图分别代表了细胞核的连通区域分布b0特征集、细胞核构成的空洞分布b1特征集、两分布比率b特征集和整个统计特征集对应的前列腺癌格里森自动分级的定量结果;横坐标中分别表示了不同的量化评估指标AUC、准确率、查全率、查准率、特异性和F1得分,可以看出本发明的格里森自动分级模型具有很好的定量评估性能。
具体实施例二
本申请还提及一种前列腺癌穿刺病理图像的格里森自动分级装置,所述自动分级装置包括病理图像预处理模块、格里森自动分级模型和模型构建模块。
所述病理图像预处理模块用于针对标记出的格里森3级和4级组织区域提取图像块,并对提取的图像块进行图像预处理后,提取图像块的H通道。
所述格里森自动分级模型用于对导入的仅包含有H通道的图像块进行同源性分布计算和特征统计,以及自动预测格里森分级。
所述模型构建模块基于k近邻分类器构建格里森自动分级模型,包括:
(1)样本数据生成单元,用于在一定量的数字化的前列腺癌穿刺组织Hematoxylin&Eosin病理图像上手动标记格里森3级和4级组织区域,针对标记出的格里森3级和4级组织区域提取图像块,并对提取的图像块进行图像预处理后,提取图像块的H通道。
(2)模型构建单元,用于针对仅包含有H通道的每一图像块计算同源性分布,包括细胞核的连通区域变化分布b0、细胞核构成的空洞变化分布b1以及两者的比率b,并采用七种统计描述方法表示计算得到的同源性分布,得到21维的统计特征集,再基于同源性分布的21维统计特征集构建k近邻分类器。
(3)模型优化单元,用于采用10折交叉验证方法训练基于权重的k近邻模型。
图2是本发明的格里森自动分级模型的构建流程示意图。首先病理医生手动勾画格里森3级4级感兴趣区域,随后系统从组织切片图像中提取图像块并进行H通道提取,继而计算图像块的同源性分布并采用统计描述方法表示,得到21维统计特征集,最后使用前述特征集训练基于权重的k近邻模型,得到最终的格里森自动分级模型。
具体实施例三
本申请还提及一种前列腺癌穿刺病理图像的格里森自动分级系统,所述自动分级系统包括相互连接的处理器和存储器。
所述存储器中存储有计算机执行程序,所述处理器执行所述存储器存储的计算机执行程序,以执行如前所述的前列腺癌穿刺病理图像的格里森自动分级方法。
在本公开中参照附图来描述本发明的各方面,附图中示出了许多说明的实施例。本公开的实施例不必定义在包括本发明的所有方面。应当理解,上面介绍的多种构思和实施例,以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施,这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外,本发明公开的一些方面可以单独使用,或者与本发明公开的其他方面的任何适当组合来使用。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (5)
1.一种前列腺癌穿刺病理图像的格里森自动分级方法,其特征在于,所述自动分级方法包括以下步骤:
S1,在一定量的数字化的前列腺癌穿刺组织Hematoxylin&Eosin病理图像上手动标记格里森3级和4级组织区域;
S2,针对标记出的格里森3级和4级组织区域提取图像块,并对提取的图像块进行图像预处理后,提取图像块的H通道;
S3,针对仅包含有H通道的每一图像块计算同源性分布,包括细胞核的连通区域变化分布b0、细胞核构成的空洞变化分布b1以及两者的比率b,并采用七种统计描述方法表示计算得到的同源性分布,得到21维的统计特征集;
S4,基于同源性分布的21维统计特征集构建k近邻分类器,采用10折交叉验证方法训练基于权重的k近邻模型;
S5,对于新采集的前列腺癌穿刺组织Hematoxylin&Eosin病理图像,提取图像块,对提取的图像块进行图像预处理后进行同源性分布计算和特征统计,再使用训练好的k近邻分类器进行测试,自动预测格里森分级。
2.根据权利要求1所述的前列腺癌穿刺病理图像的格里森自动分级方法,其特征在于,步骤S3中,所述针对仅包含有H通道的每一图像块计算同源性分布的过程包括:
对于每一图像块,以图像块中像素集的每一元素为阈值,计算该阈值下的细胞核的连通区域b0和细胞核构成的空洞变化分布值b1,得到对应的两个同源性分布。
3.根据权利要求1所述的前列腺癌穿刺病理图像的格里森自动分级方法,其特征在于,步骤S2中,采用自适应染色估计方法计算染色矩阵并应用到颜色反卷积方法中提取图像块的H通道。
4.一种根据权利要求1-3任意一项所述的前列腺癌穿刺病理图像的格里森自动分级装置,其特征在于,所述自动分级装置包括病理图像预处理模块、格里森自动分级模型和模型构建模块;
所述病理图像预处理模块用于针对标记出的格里森3级和4级组织区域提取图像块,并对提取的图像块进行图像预处理后,提取图像块的H通道;
所述格里森自动分级模型用于对导入的仅包含有H通道的图像块进行同源性分布计算和特征统计,以及自动预测格里森分级;
所述模型构建模块基于k近邻分类器构建格里森自动分级模型,包括:
样本数据生成单元,用于在一定量的数字化的前列腺癌穿刺组织Hematoxylin&Eosin病理图像上手动标记格里森3级和4级组织区域,针对标记出的格里森3级和4级组织区域提取图像块,并对提取的图像块进行图像预处理后,提取图像块的H通道;
模型构建单元,用于针对仅包含有H通道的每一图像块计算同源性分布,包括细胞核的连通区域变化分布b0、细胞核构成的空洞变化分布b1以及两者的比率b,并采用七种统计描述方法表示计算得到的同源性分布,得到21维的统计特征集,再基于同源性分布的21维统计特征集构建k近邻分类器;
模型优化单元,用于采用10折交叉验证方法训练基于权重的k近邻模型。
5.一种前列腺癌穿刺病理图像的格里森自动分级系统,其特征在于,所述自动分级系统包括相互连接的处理器和存储器;
所述存储器中存储有计算机执行程序,所述处理器执行所述存储器存储的计算机执行程序,以执行如权利要求1-3任意一项中所述的前列腺癌穿刺病理图像的格里森自动分级方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010405761.0A CN111553369B (zh) | 2020-05-14 | 2020-05-14 | 前列腺癌穿刺病理图像的格里森自动分级方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010405761.0A CN111553369B (zh) | 2020-05-14 | 2020-05-14 | 前列腺癌穿刺病理图像的格里森自动分级方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111553369A true CN111553369A (zh) | 2020-08-18 |
CN111553369B CN111553369B (zh) | 2023-04-18 |
Family
ID=72004717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010405761.0A Active CN111553369B (zh) | 2020-05-14 | 2020-05-14 | 前列腺癌穿刺病理图像的格里森自动分级方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111553369B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107683113A (zh) * | 2015-06-04 | 2018-02-09 | 皇家飞利浦有限公司 | 用于通过癌症分级绘图增强的精确诊断和治疗的系统和方法 |
CN108305249A (zh) * | 2018-01-24 | 2018-07-20 | 福建师范大学 | 基于深度学习的全尺度病理切片的快速诊断和评分方法 |
US20190080795A1 (en) * | 2017-09-14 | 2019-03-14 | Foram Mahendra Sanghavi | Digitized needle biopsies nuclei information based prostate cancer detection, grading, scoring, and reporting systems and methods |
-
2020
- 2020-05-14 CN CN202010405761.0A patent/CN111553369B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107683113A (zh) * | 2015-06-04 | 2018-02-09 | 皇家飞利浦有限公司 | 用于通过癌症分级绘图增强的精确诊断和治疗的系统和方法 |
US20190080795A1 (en) * | 2017-09-14 | 2019-03-14 | Foram Mahendra Sanghavi | Digitized needle biopsies nuclei information based prostate cancer detection, grading, scoring, and reporting systems and methods |
CN108305249A (zh) * | 2018-01-24 | 2018-07-20 | 福建师范大学 | 基于深度学习的全尺度病理切片的快速诊断和评分方法 |
Non-Patent Citations (2)
Title |
---|
WENYUAN LI ET AL.: "Path R-CNN for Prostate Cancer Diagnosis and Gleason Grading of Histological Images", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
龚磊等: "基于多特征描述的乳腺癌肿瘤病理自动分级", 《计算机应用》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111553369B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Arunkumar et al. | Fully automatic model‐based segmentation and classification approach for MRI brain tumor using artificial neural networks | |
CN111242174B (zh) | 一种基于影像组学的肝癌图像特征提取与病理分类方法 | |
CN108464840B (zh) | 一种乳腺肿块自动检测方法及系统 | |
CN111462042B (zh) | 癌症预后分析方法及系统 | |
CN108109140A (zh) | 基于深度学习的低级别脑胶质瘤柠檬酸脱氢酶无损预测方法及系统 | |
CN110993106A (zh) | 一种结合病理图像和临床信息的肝癌术后复发风险预测方法 | |
CN110969204B (zh) | 基于磁共振图像与数字病理图像融合的样本分类系统 | |
CN104424386A (zh) | 基于多参数磁共振影像的前列腺癌计算机辅助识别系统 | |
DE102008060789A1 (de) | System und Verfahren zur nicht überwachten Detektion und Gleason-Abstufung für ein Prostatakrebspräparat (Whole-Mount) unter Verwendung von NIR Fluoreszenz | |
WO2010035163A1 (en) | Method for increasing the robustness of computer-aided diagnosis to image processing uncertainties | |
CN110705403A (zh) | 细胞分类方法、装置、介质及电子设备 | |
Niazi et al. | Visually meaningful histopathological features for automatic grading of prostate cancer | |
CN112183557A (zh) | 基于胃癌组织病理图像纹理特征的msi预测模型构建方法 | |
Ikromjanov et al. | Whole slide image analysis and detection of prostate cancer using vision transformers | |
Yonekura et al. | Improving the generalization of disease stage classification with deep CNN for glioma histopathological images | |
CN111738997A (zh) | 一种基于深度学习的计算新冠肺炎病变区域占比的方法 | |
CN112330645A (zh) | 基于注意力机制的胶质瘤分级方法以及装置 | |
CN112907581A (zh) | 一种基于深度学习的mri多类脊髓肿瘤分割方法 | |
CN104835155A (zh) | 基于分形的早期乳腺癌钙化点计算机辅助检测方法 | |
Elayaraja et al. | An efficient approach for detection and classification of cancer regions in cervical images using optimization based CNN classification approach | |
CN112508860B (zh) | 一种免疫组化图像核阳性的人工智能判读方法及系统 | |
CN106980753B (zh) | 一种用于神经疾病的基于体素分析的数据驱动机器学习方法 | |
CN113796877A (zh) | 脑卒中预测值获取方法、装置及存储介质 | |
CN113420793A (zh) | 一种基于改进的卷积神经网络ResNeSt50的胃印戒细胞癌分类方法 | |
CN116403211B (zh) | 一种基于单细胞病理图像细胞核的分割和聚类方法及系统 |
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 |