CN111696094B - 免疫组化pd-l1膜染色病理切片图像处理方法、装置和设备 - Google Patents
免疫组化pd-l1膜染色病理切片图像处理方法、装置和设备 Download PDFInfo
- Publication number
- CN111696094B CN111696094B CN202010535658.8A CN202010535658A CN111696094B CN 111696094 B CN111696094 B CN 111696094B CN 202010535658 A CN202010535658 A CN 202010535658A CN 111696094 B CN111696094 B CN 111696094B
- Authority
- CN
- China
- Prior art keywords
- image
- cell
- immunohistochemical
- membrane staining
- network
- 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
- 230000002055 immunohistochemical effect Effects 0.000 title claims abstract description 62
- 102000008096 B7-H1 Antigen Human genes 0.000 title claims abstract description 56
- 108010074708 B7-H1 Antigen Proteins 0.000 title claims abstract description 56
- 239000012528 membrane Substances 0.000 title claims abstract description 47
- 238000010186 staining Methods 0.000 title claims abstract description 44
- 230000001575 pathological effect Effects 0.000 title claims abstract description 31
- 238000003672 processing method Methods 0.000 title claims abstract description 25
- 210000004027 cell Anatomy 0.000 claims abstract description 97
- 210000004881 tumor cell Anatomy 0.000 claims abstract description 69
- 238000000034 method Methods 0.000 claims abstract description 33
- 230000011218 segmentation Effects 0.000 claims abstract description 31
- 239000011159 matrix material Substances 0.000 claims abstract description 21
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 17
- 230000000007 visual effect Effects 0.000 claims abstract description 13
- 238000003745 diagnosis Methods 0.000 claims abstract description 11
- 230000007704 transition Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 16
- 230000007762 localization of cell Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 12
- 230000007170 pathology Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 230000001413 cellular effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 23
- 238000007792 addition Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 8
- 210000001519 tissue Anatomy 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000010827 pathological analysis Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 210000000170 cell membrane Anatomy 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 210000003855 cell nucleus Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000002950 fibroblast Anatomy 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 230000001744 histochemical effect Effects 0.000 description 1
- 230000001900 immune effect Effects 0.000 description 1
- 210000000987 immune system Anatomy 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 239000003446 ligand Substances 0.000 description 1
- 210000004698 lymphocyte Anatomy 0.000 description 1
- 210000002540 macrophage Anatomy 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000001338 necrotic effect Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000004882 non-tumor cell Anatomy 0.000 description 1
- 210000004180 plasmocyte Anatomy 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (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)
Abstract
本发明涉及免疫组化PD‑L1膜染色病理切片图像处理方法、装置和设备。图像处理方法包括:获取待诊断免疫组化PD‑L1(SP263)膜染色病理切片的数字切片全场图;采用区域分割网络,对处于第一视野倍率下的数字切片全场图中的肿瘤细胞区域进行识别与分割,得到整个数字切片全场图的肿瘤细胞区域概率图;对每个数字切片全场图中的细胞进行识别与分割,以肿瘤细胞区域概率图作为权重矩阵对细胞定位网络进行区域约束,识别数字切片全场图上的细胞特征,对数字切片全场图上的各类细胞进行定位、分类;标示出数字切片全场图上的细胞位置、细胞类型及免疫组化PD‑L1(SP263)指标。本申请通过设计多层级特征协同诊断策略,利用区域特征约束细胞特征的方式,精准评估肿瘤比例分值。
Description
技术领域
本发明涉及病理图像处理领域,特别是涉及一种免疫组化PD-L1膜染色病理切片图像处理方法、装置、设备以及计算机可读存储介质。
背景技术
随着病理学诊断技术及分子生物医学近年来的发展,病理科展现出前所未有的发展势头。目前病理诊断作为肿瘤诊断的金标准,病理医生通过分析病理切片为最终诊断结果提供依据,从而使得病理诊断已成为肿瘤治疗过程中不可或缺的重要环节。免疫组化技术作为组织病理学或细胞病理学的关键技术,在目前肿瘤判读、诊断、治疗过程中作为关键技术之一,具有极大的影响力。
所谓的免疫组织化学技术或免疫细胞化学技术,是指应用免疫学及组织化学原理,对组织切片或细胞标本中的某些化学成分进行定性、定位或定量研究。免疫组化组织病理学技术分为免疫组化膜染色与浆细胞染色。PD-L1(Programmed Cell Death-Ligand 1,程序性死亡受体-配体1)是一种参与免疫系统抑制的蛋白,可影响人体抵抗癌症的能力,SP263是属于抗人源PD-L1单克隆抗体,目前,免疫组化PD-L1(SP263)膜染色切片分析需要经过专门培训的病理医生在显微镜下逐个寻找切片图像中的可疑性组织区域,以便根据自己累积的专业知识完成最终的病理诊断和估计。
然而对于免疫组化PD-L1(SP263)膜染色切片图像的分析,存在诸多挑战使得病理医生的工作变得艰难且耗时,即使受过用严格培训的有经验的病理医生也常常难以在切片图像中高效且准确地对于可疑性组织区域进行标识。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种免疫组化PD-L1(SP263)膜染色病理切片图像处理方法,用于通过设计多层级特征协同诊断策略,利用区域特征约束细胞特征的方式,精准识别病理切片图像中的可疑性组织区域,评估肿瘤比例分值。
根据本申请的一个方面,提供了免疫组化PD-L1(SP263)膜染色病理切片图像处理方法,包括:
获取待诊断免疫组化PD-L1(SP263)膜染色病理切片的数字切片全场图;
采用区域分割网络,对所述数字切片全场图中的肿瘤细胞区域进行识别与分割,得到整个数字切片全场图的肿瘤细胞区域概率图;
采用细胞定位网络,对所述数字切片全场图中的细胞进行识别与分割,以所述肿瘤细胞区域概率图作为权重矩阵对所述细胞定位网络进行区域约束,识别所述数字切片全场图上的细胞特征;
标示出所述数字切片全场图上的细胞位置、细胞类型及免疫组化PD-L1(SP263)指标。
进一步地,当所述数字切片全场图处于第一视野倍率下时,以第一步长依次截取若干个第一图像块,采用区域分割网络,对每个所述第一图像块中的肿瘤细胞区域进行识别与分割,记录所述第一图像块上的肿瘤细胞区域,将所有第一图像块上的肿瘤细胞区域拼接后得到整个数字切片全场图的肿瘤细胞区域概率图。
进一步地,当所述数字切片全场图处于第二视野倍率下时,以第二步长依次截取若干个第二图像块,采用细胞定位网络,对每个所述第二图像块中的细胞进行识别与分割,以所述肿瘤细胞区域概率图作为权重矩阵对所述细胞定位网络进行区域约束,识别所述第二图像块上的细胞特征,对所述第二图像块上的各类细胞进行定位、分类。
进一步地,所述区域分割网络包括编码器、特征关联器以及解码器,通过编码器提取所述第一图像块中的深度语义特征,通过特征关联器对所述深度语义特征在空间、通道维度进行相似关联,获得空间关联特征图和通道关联特征图,将所述空间关联特征图和通道关联特征图进行特征融合得到融合特征图,通过解码器对所述融合特征图进行解码及预测,得到所述肿瘤细胞区域。
进一步地,所述细胞定位网络包括输入层、编码层、中间过渡层以及输出层;
所述中间过渡层在解码过程中使用瓶颈卷积或群卷积,采用逐通道相加操作融合解码后的多尺度特征,得到融合后的结果F,其中Ti表示中间过渡层第i层的语义特征,表示逐像素相加;将所述融合后的结果F与所述编码层的第0层沿通道叠加,得到输出层。
进一步地,所述细胞定位网络还包括深监督层,位于中间过渡层和输出层之间,所述细胞定位网络在训练时,通过所述深监督层得到i-1个独立的深监督预测图,所述深监督预测图结合所述输出层进行损失计算得到反向传播梯度,从而更新所述细胞定位网络参数;其中,i为所述中间过渡层的深度。
进一步地,将处于第二视野倍率下的所述肿瘤细胞区域概率图,以第二步长依次截取若干个第三图像块,将第三图像块通过全局平均池化得到多个肿瘤细胞区域概率图Pi,多个肿瘤细胞区域概率图Pi作为权重矩阵对中间过渡层的对应层进行区域约束,以此来进行多层级特征特征协同诊断,对细胞定位网络进行区域约束,生成特征图C,获取特征图C的过程可以表示为:
其中Pi为肿瘤区域概率图,Ti表示中间过渡层第i层的语义特征,在所述特征图C上进行肿瘤细胞的定位、分类。
进一步地,在训练所述细胞定位网络时,批尺寸为4,初始学习率为0.001,最大步长为40000,权重衰减为0.0002,动量为0.9。
进一步地,使用动量优化器来优化所述区域分割网络,批尺寸为15,初始学习率为0.007,最大步长为30000,权重衰减为0.0002,动量为0.9,进行三折交叉验证;同时将训练集样本中的20%留出用作监控网络的性能。
与现有技术相比,采用本申请的有益效果如下:(1)精准分析:病理切片中细胞的上下文信息对于免疫组化PD-L1(SP263)膜染色切片瘤比例分值判读有着重要意义,对于相比较现有方法,本系统通过设计多层级特征协同诊断策略,利用区域特征约束细胞特征的方式,精准评估肿瘤比例分值。(2)可解释性更好:相比较现有的区域分割方法,本系统首先在免疫组化PD-L1(SP263)膜染色病理切片低倍野下,利用组内相关分析来强化语义特征的空间、通道维度的关联性,进而进行精确预测。(3)采用本发明提出的免疫组化PD-L1(SP263)膜染色切片图像处理方法及系统,病理医生只需要将免疫组化PD-L1(SP263)染色后的切片放置于高通量扫描仪,点击扫描后,系统自动经过数字化、智能修复、判读分析等过程,最终为医生提供出免疫组化PD-L1(SP263)膜染色切片的细胞位置、细胞类型、各类细胞的数量及相应的免疫组化PD-L1(SP263)指标。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1是图示根据本公开的实施例的免疫组化膜染色切片图像处理方法流程图;
图2是图示根据本公开的实施例的免疫组化膜染色切片图像处理方法流程图;
图3是图示根据本公开的实施例的图像肿瘤细胞区域识别结构示意图;
图4是图示根据本公开的实施例的图像细胞定位结构示意图;
图5是图示根据本公开的实施例的多层级特征系统诊断结构示意图;
图6是图示根据本公开的实施例的图像处理装置的框图;
图7是图示根据本公开的实施例的电子设备的硬件框图;以及
图8是图示根据本公开的实施例的计算机可读存储介质的示意图。
具体实施方式
下面,将参考附图详细描述本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
目前免疫组化PD-L1(SP263)膜染色切片分析采用的方法如下:
1)划分切片为四分区,对每一分区的肿瘤细胞进行判读、计数估计;
2)在每一分区内判读阳性肿瘤细胞及阴性肿瘤细胞,其中可见阳性肿瘤细胞的线性棕褐色细胞膜染色(部分或完整),阴性肿瘤细胞细胞膜无染色,仅细胞浆染色;
3)任何同为膜染的免疫相关细胞(尤其是巨噬细胞)与坏死细胞,非膜染的淋巴细胞与纤维细胞等都不参与评分计数;
4)通过肿瘤比例分值=分区内阳性肿瘤细胞数/总的肿瘤细胞数x100得到分区内肿瘤比例分值,平均四分区肿瘤比例分值后得到整张切片的肿瘤比例分值。
由于在切片分析过程中,肿瘤细胞与非肿瘤细胞之间存在一定的相似性,例如肿瘤阳性细胞与免疫相关细胞的细胞膜均被染为棕褐色,细胞级的细粒度特征相似难以区分,使得病理医生的细胞判读工作变得异常艰难。所以,临床判读是需要经过特定的培训之后才可以进行,即使是这样,由于病理医生需要在高倍野下对细胞进行精确计数,而局部视野内缺乏丰富的上下文信息导致假阳、假阴现象时有发生。随着卷积神经网络在图像识别、分类、分割方面取得了显著的成功,这启发了许多研究者将卷积神经网络应用到免疫组化病理切片辅助分析工作中。针对上述技术问题,本申请的构思是提出一种针对免疫组化PD-L1(SP263)膜染色切片的图像处理方法,将区域级识别与细胞级识别相结合,病理医生只需要将免疫组化PD-L1(SP263)染色后的切片放置于高通量扫描仪,点击扫描后,系统自动经过数字化、智能修复、判读分析等过程,最终为医生提供出免疫组化PD-L1(SP263)膜染色切片的细胞位置、细胞类型、各类细胞的数量及相应的免疫组化PD-L1(SP263)指标。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
一种免疫组化PD-L1(SP263)膜染色切片图像处理方法,通过免疫组化PD-L1(SP263)膜染色切片多层级特征协同诊断系统实现,该系统包括高通量扫描仪、处理器以及显示器,处理器与高通量扫描仪通讯连接,处理器与显示器连接。免疫组化PD-L1(SP263)膜染色病理切片置于高通量扫描仪下,高通量扫描仪将免疫组化PD-L1(SP263)膜染色病理切片扫描成数字切片全场图,发送给处理器进行处理,经过处理器处理的数字切片全场图输出显示在显示器端。
处理过程即免疫组化PD-L1(SP263)膜染色切片图像处理方法,如图1到2所示,包括以下步骤:
S10,获取待诊断免疫组化PD-L1(SP263)膜染色病理切片的数字切片全场图;
S20,采用区域分割网络,如图5所示,对所述数字切片全场图中的肿瘤细胞区域进行识别与分割,得到整个数字切片全场图的肿瘤细胞区域概率图;
进一步地,将处于第一视野倍率下的所述数字切片全场图,以第一步长依次截取若干个第一图像块,采用区域分割网络,对每个所述第一图像块中的肿瘤细胞区域进行识别与分割,记录所述第一图像块上的肿瘤细胞区域,将所有第一图像块上的肿瘤细胞区域拼接后得到整个数字切片全场图的肿瘤细胞区域概率图;
由于病理图像的数字切片全场图像素巨大,若直接输入至处理器中则会导致存储器内存溢出,因此需要自动的在数字切片全场图10x视野倍率下以第一步长截取若干个第一图像块。位于10x视野倍数下,扫描得到的数字切片全场图能够清楚的判别各类型组织的轮廓与类别,第一步长选取为256,而第一图像块大小则选择为512*512,步长小于图像尺寸的原因是为了防止组织区域被切割破裂导致上下文信息发生改变,从而影响预测精度,第一图像块的大小与用于区域识别的区域分割网络训练样本的大小相一致。
采用区域分割网络识别、分割出每个第一图像块中的肿瘤细胞区域,这里的肿瘤细胞区域上每个像素点代表概率值。区域分割网络包括编码器、特征关联器以及解码器,通过编码器提取所述第一图像块中的深度语义特征,通过特征关联器对所述深度语义特征在空间、通道维度进行相似关联,获得空间关联特征图和通道关联特征图,将所述空间关联特征图和通道关联特征图进行特征融合得到融合特征图,通过解码器对所述融合特征图进行解码及预测,得到所述肿瘤细胞区域分割结果。
具体来说,区域分割网络沿用目前主流的采用编码-解码结构的卷积神经分割网络,具体网络结构图如图3所示,首先通过不断的卷积、下采样、非线性激活等操作,获得各类组织区域的多尺度特征图,采用特征关联器对所述多尺度特征图的深度语义特征在空间、通道维度进行相似关联,获得空间关联特征图和通道关联特征图,对所获得的关联特征图进行解码后获得肿瘤细胞区域分割结果。为了快速训练模型达到预期效果,分割网络可采用迁移学习,具体是使用在自然图像上经过预训练的参差网络作为编码器的主干。
其中空间关联的方法主要包括,首先将输入的多尺度特征图进行维度变化,得到特征图,进而使用矩阵相乘法则,得到特征相似矩阵,相似矩阵与原输入矩阵相乘后进行赋权,得到空间关联特征图,最终使用矩阵相加法则,将空间关联特征与原输入特征图进行相加后得到空间关联特征图。
通道关联的方法与空间关联方法类似,不同的是,通道关联方法对输入的多尺度特征图逐通道使用全局平均池化,得到通道唯一值,然后使用全链接层等操作对通道矩阵进行非线性变化,最终得到通道矩阵进而使用矩阵乘法法则,逐通道为原输入特征图进行赋权,得到通道关联特征图,最终使用矩阵相加法则,将通道关联特征与原输入特征图进行相加后得到通道关联特征图。
为了防止区域分割网络的过渡拟合,保证模型的鲁棒性,通过使用随机旋转、随机错切等在线图像扩充方式对区域分割网络的训练数据集进行在线扩充,并以添加随机噪声的方式对图像进行在线增强,其中使用动量(momentum)优化器来优化区域分割网络,批尺寸(Batch size)为15,初始学习率为0.007,最大步长为30000,权重衰减(Weight Decay)为0.0002,动量系数为0.9,进行三折交叉验证;同时将数据集的训练集样本中的20%留出用作监控网络的性能。
在得到空间关联特征图和通道关联特征图后,将二者使用矩阵相加法则进行特征融合得到融合特征图,并使用解码器对融合特征图进行解码及预测操作,得到肿瘤细胞区域分割结果。
S30,采用细胞定位网络,如图5所示,对所述数字切片全场图中的细胞进行识别与分割,以所述肿瘤细胞区域概率图作为权重矩阵对所述细胞定位网络进行区域约束,识别所述数字切片全场图上的细胞特征,其中细胞定位网络结构图如图4所示。
进一步地,将处于第二视野倍率下的所述数字切片全场图,以第二步长依次截取若干个第二图像块,采用细胞定位网络,对每个所述第二图像块中的肿瘤细胞进行识别与分割,以所述肿瘤细胞区域概率图作为权重矩阵对所述细胞定位网络进行区域约束,识别所述第二图像块上的细胞特征,对所述第二图像块上的各类细胞进行定位、分类。
一般地,关键点定位算法凭借其标注成本低、敏感性低、特异性高,频繁被用于细胞定位、分类及计数任务中。细胞关键点定位算法多沿用经典的语义分割网络,如U-Net、FCN等,以预测细胞核上定义的关键点的位置。语义分割网络通常由编码器和解码器组成,为获取较好的解码特征,语义分割网络常采用逐级上采样的解码过程,增加了额外的计算量,导致自动化诊断实时性差,同时全局损失函数(如交叉熵)无法指导每个卷积核提取更多的细胞增益信息,这将导致关键点定位算法难以在细胞级任务上沿着正确的方向上进行训练。
通过结合前人研究的优点,结合诸多数学工具例如深监督等,对深度网络进行优化设计,本申请提出一种细胞定位网络,用于进行细胞定位,细胞定位网络结构图如图4所示,包括输入层、编码层、中间过渡层、深监督层及输出层。
输入层,将处于第一视野倍率10X下的所述数字切片全场图通过线性插值的方式进行放大,使得放大后所得数字切片全场图的大小或是mpp值与所述细胞定位网络训练样本(训练数据集)的大小或是mpp值一致,本申请中,当第二图像块的大小与所述细胞定位网络训练样本大小一致时,放大后所得数字切片全场图相当于处于第二视野倍率40X下,在放大后所得数字切片全场图上以第二步长截取第二图像块,具体地,第二步长为512,第二图像块尺寸为512*512,输入细胞定位网络输入层。同样地,将处于第一视野倍率10X下的所述肿瘤细胞区域概率图通过线性插值的方式进行放大,使得放大后所得数字切片全场图的mpp值与所述细胞定位网络训练样本(训练数据集)的mpp值一致,放大后所得肿瘤细胞区域概率图相当于处于第二视野倍率40X下,在放大后所得肿瘤细胞区域概率图上以第二步长截取第三图像块,并利用全局平均池结合邻域空间特征。具体地,第二步长为512,第三图像块尺寸为512*512。
编码层:在细胞定位网络中,编码器是一个典型的能够提取多尺度特征的卷积神经网络,被用来在提取输入图像的多尺度空间和语义特征后。通常可采用迁移学习的方式,在编码器部分选用合适的预训练模型例如ResNet、DenseNet、Inception等来加速模型的训练过程。预训练模型的选择需要通过大量的对比实验进行验证。
中间过渡层:中间过渡层被用来对多尺度空间和语义特征进行解码,并将解码后每一尺度的特征分辨率及纬度进行均衡化。为了尽可能的使网络轻量化,可在解码的过程中使用参数较小的卷积方式例如瓶颈卷积或者群卷积。这样在保证可以有效的利用到每一尺度的特征的同时,相比较自底向上的反卷积操作而言参数减少了近80%,并且避免参数冗余现象。采用逐通道相加操作融合解码后的多尺度中间过渡层,即公式(1)所示,融合后的结果F既包括了浅层丰富的空间信息又包括了深层丰富的语义信息。
其中Ti表示中间过渡层第i层的语义特征,本实施例中i取4,表示逐像素相加。
深监督层与输出层:为了保证编码后的特征能够最大程度被利用,可将融合后的结果F与空间信息最丰富的第0编码层沿通道叠加,进而采用进行3*3的卷积、上采样及softmax激活等操作得到最终网络的输出层。同时为了使得网路在反向传播的过程中浅层的每一个尺度的参数能够得到更快、更好的更新,从而能够提取更有用的语义及空间特征,采用了深监督这一数据工具,得到三个独立的深监督预测图。深监督预测图与输出层均进行损失计算并得到反向传播的梯度,进而快速更新每一尺度的参数。
在区域识别网络中,最终输出为一张概率图,图中肿瘤区域的像素值均高于其他区域。为了进一步的多级别特征协同诊断,需要将概率图嵌入至细胞级别的特征中,并进行最终的细胞级定位、分类及计数预测。进一步地,将第三图像块通过全局平均池化得到多个肿瘤细胞区域概率图Pi,多个肿瘤细胞区域概率图作为权重矩阵对中间过渡层的对应层进行区域约束,以此来进行多层级特征特征协同诊断,对细胞定位网络进行区域约束,生成特征图C,获取特征图C的过程可以表示为:
其中Pi为肿瘤区域概率图,Ti表示中间过渡层第i层的语义特征,在所述特征图C上进行肿瘤细胞的定位、分类。
S40,标示出所述数字切片全场图上的细胞位置、细胞类型及免疫组化PD-L1(SP263)指标。
对每个特征图C上的各类细胞进行定位、分类;最终确定整个数字切片全场图上的细胞位置、细胞类型及免疫组化PD-L1(SP263)指标。膜染色细胞可分为阳性肿瘤细胞、阳性正常细胞、阴性肿瘤细胞以及阴性正常细胞,标注出每个膜染色细胞的类别,统计每类细胞的数量,计算并标记相应的免疫组化PD-L1(SP263)指标。
最终根据所得的分类结果,处理器统计阳性肿瘤细胞、阳性正常细胞、阴性肿瘤细胞以及阴性正常细胞等每类细胞的数量,计算当前免疫组化PD-L1(SP263)膜染色切片的免疫组化PD-L1(SP263)指标及最终全片的免疫组化PD-L1(SP263)指标,最终将检测及分割结果显示在原感兴趣区域上,返回给显示器,显示器显示感兴趣区域上的肿瘤细胞检测、量化结果以及对应的免疫组化PD-L1(SP263)指标。
图6是图示根据本公开的实施例的图像处理装置的框图。如图6所示的根据本公开的实施例的图像处理装置60可以用于执行如图1和图2所示的根据本公开的实施例的图像处理方法。如图6所示,根据本公开的实施例的图像处理装置60包括图像获取单元601、区域分割单元602、细胞定位单元603和标示单元604。本领域的技术人员理解:这些单元模块可以单独由硬件、单独由软件或者由其组合以各种方式实现,并且本公开不限于它们的任何一个。
图像获取单元601用于获取待诊断免疫组化PD-L1膜染色病理切片的数字切片全场图。
区域分割单元602用于对所述数字切片全场图中的肿瘤细胞区域进行识别与分割,得到整个数字切片全场图的肿瘤细胞区域概率图。
细胞定位单元603对所述数字切片全场图中的细胞进行识别与分割,以所述肿瘤细胞区域概率图作为权重矩阵对所述细胞定位网络进行区域约束,识别所述数字切片全场图上的细胞特征。
标示单元604用于标示出所述数字切片全场图上的细胞位置、细胞类型及免疫组化PD-L1指标。
图7是图示根据本公开的实施例的电子设备的硬件框图。如图7所示,根据本公开实施例的电子设备70包括存储器701和处理器702。电子设备70中的各组件通过总线系统和/或其它形式的连接机构(未示出)互连。
所述存储器701用于存储计算机可读指令。具体地,存储器701可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。
所述处理器702可以是中央处理单元(CPU)、图形处理单元(GPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元,并且可以控制电子设备70中的其它组件以执行期望的功能。在本公开的一个实施例中,所述处理器702用于运行所述存储器701中存储的所述计算机可读指令,使得所述电子设备70执行参照图1和图2描述的图像处理方法。
此外,需要理解的是,图7所示的电子设备70的组件和结构只是示例性的,而非限制性的,根据需要,电子设备70也可以具有其他组件和结构。例如,图像采集装置和输出装置等(未示出)。图像采集装置可以用于采集用于图像处理的待处理图像,并且将所拍摄的图像存储在存储器701中以供其它组件使用。当然,也可以利用其他图像采集设备采集所述待处理图像,并且将采集的图像发送给电子设备70,电子设备70可以将接收到的图像存储到存储器701中。输出装置可以向外部(例如用户)输出各种信息,例如图像信息以及图像处理结果。输出装置可以包括显示器、扬声器、投影仪、网卡等中的一个或多个。
图8是图示根据本公开的实施例的计算机可读存储介质的示意图。如图8所示,根据本公开实施例的计算机可读存储介质800其上存储有计算机可读指令801。当所述计算机可读指令801由处理器运行时,执行参照图1和图2描述的图像处理方法。
需要指出的是,在本申请的系统和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (13)
1.免疫组化PD-L1膜染色病理切片图像处理方法,其特征在于,包括:
获取待诊断免疫组化PD-L1膜染色病理切片的数字切片全场图;
采用区域分割网络,对所述数字切片全场图中的肿瘤细胞区域进行识别与分割,得到整个数字切片全场图的肿瘤细胞区域概率图;
采用细胞定位网络,对所述数字切片全场图中的细胞进行识别与分割,以所述肿瘤细胞区域概率图作为权重矩阵对所述细胞定位网络进行区域约束,识别所述数字切片全场图上的细胞特征;
标示出所述数字切片全场图上的细胞信息。
2.根据权利要求1所述的免疫组化PD-L1膜染色病理切片图像处理方法,其特征在于,
当所述数字切片全场图处于第一视野倍率下时,以第一步长依次截取若干个第一图像块,采用区域分割网络,对每个所述第一图像块中的肿瘤细胞区域进行识别与分割,记录所述第一图像块上的肿瘤细胞区域,将所有第一图像块上的肿瘤细胞区域拼接后得到整个数字切片全场图的肿瘤细胞区域概率图。
3.根据权利要求1所述的免疫组化PD-L1膜染色病理切片图像处理方法,其特征在于,
当所述数字切片全场图处于第二视野倍率下时,以第二步长依次截取若干个第二图像块,采用细胞定位网络,对每个所述第二图像块中的细胞进行识别与分割,以所述肿瘤细胞区域概率图作为权重矩阵对所述细胞定位网络进行区域约束,识别所述第二图像块上的细胞特征,对所述第二图像块上的各类细胞进行定位、分类。
4.根据权利要求2所述的免疫组化PD-L1膜染色病理切片图像处理方法,其特征在于,
所述区域分割网络包括编码器、特征关联器以及解码器,通过编码器提取所述第一图像块中的深度语义特征,通过特征关联器对所述深度语义特征在空间、通道维度进行相似关联,获得空间关联特征图和通道关联特征图,将所述空间关联特征图和通道关联特征图进行特征融合得到融合特征图,通过解码器对所述融合特征图进行解码及预测,得到所述肿瘤细胞区域。
5.根据权利要求1所述的免疫组化PD-L1膜染色病理切片图像处理方法,其特征在于,
所述细胞定位网络包括输入层、编码层、中间过渡层以及输出层;
所述中间过渡层在解码过程中使用瓶颈卷积或群卷积,采用逐通道相加操作融合解码后的多尺度特征,得到融合后的结果F,其中Ti表示中间过渡层第i层的语义特征,表示逐像素相加;将所述融合后的结果F与所述编码层的第0层沿通道叠加,得到输出层。
6.根据权利要求5所述的免疫组化PD-L1膜染色病理切片图像处理方法,其特征在于,所述细胞定位网络还包括深监督层,位于中间过渡层和输出层之间,所述细胞定位网络在训练时,通过所述深监督层得到i-1个独立的深监督预测图,所述深监督预测图结合所述输出层进行损失计算得到反向传播梯度,从而更新所述细胞定位网络参数;其中,i为所述中间过渡层的深度。
8.根据权利要求1所述的免疫组化PD-L1膜染色病理切片图像处理方法,其特征在于,在训练所述细胞定位网络时,批尺寸为4,初始学习率为0.001,最大步长为40000,权重衰减为0.0002,动量为0.9。
9.根据权利要求1所述的免疫组化PD-L1膜染色病理切片图像处理方法,其特征在于,使用动量优化器来优化所述区域分割网络,批尺寸为15,初始学习率为0.007,最大步长为30000,权重衰减0.0002,动量为0.9,进行三折交叉验证;同时将训练集样本中的20%留出用作监控网络的性能。
10.根据权利要求1到9的任一项所述的免疫组化PD-L1膜染色病理切片图像处理方法,其中,所述细胞信息包括细胞位置、细胞类型及免疫组化PD-L1(SP263)指标。
11.一种免疫组化PD-L1膜染色病理切片图像处理装置,包括:
图像获取单元,用于获取待诊断免疫组化PD-L1膜染色病理切片的数字切片全场图;
区域分割单元,用于采用区域分割网络对所述数字切片全场图中的肿瘤细胞区域进行识别与分割,得到整个数字切片全场图的肿瘤细胞区域概率图;
细胞定位单元,用于采用细胞定位网络对所述数字切片全场图中的细胞进行识别与分割,以所述肿瘤细胞区域概率图作为权重矩阵对所述细胞定位网络进行区域约束,识别所述数字切片全场图上的细胞特征;
标示单元,用于标示出所述数字切片全场图上的细胞信息。
12.一种图像处理设备,包括:
存储器,用于存储计算机可读指令;以及
处理器,用于运行所述计算机可读指令,执行如权利要求1到10的任一项所述的免疫组化PD-L1膜染色病理切片图像处理方法。
13.一种计算机可读存储介质,用于存储计算机可读指令,当所述计算机可读指令由计算机执行时,使得所述计算机执行如权利要求1到10的任一项所述的免疫组化PD-L1膜染色病理切片图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010535658.8A CN111696094B (zh) | 2020-06-12 | 2020-06-12 | 免疫组化pd-l1膜染色病理切片图像处理方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010535658.8A CN111696094B (zh) | 2020-06-12 | 2020-06-12 | 免疫组化pd-l1膜染色病理切片图像处理方法、装置和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111696094A CN111696094A (zh) | 2020-09-22 |
CN111696094B true CN111696094B (zh) | 2021-06-08 |
Family
ID=72480602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010535658.8A Active CN111696094B (zh) | 2020-06-12 | 2020-06-12 | 免疫组化pd-l1膜染色病理切片图像处理方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111696094B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112669288B (zh) * | 2020-12-30 | 2023-02-24 | 中国科学院自动化研究所 | 基于数字病理图像的细胞靶点表达预测方法、系统及装置 |
CN112750106B (zh) * | 2020-12-31 | 2022-11-04 | 山东大学 | 一种基于非完备标记的深度学习的核染色细胞计数方法、计算机设备、存储介质 |
CN112991263B (zh) * | 2021-02-06 | 2022-07-22 | 杭州迪英加科技有限公司 | 用于提升pd-l1免疫组化病理切片tps计算准确度的方法及设备 |
CN113313705B (zh) * | 2021-06-22 | 2023-05-12 | 上海杏脉信息科技有限公司 | 一种病理图像处理系统、方法及介质 |
CN113256662B (zh) * | 2021-06-28 | 2021-11-05 | 杭州迪英加科技有限公司 | 病理切片图像分割方法、装置、计算机设备和存储介质 |
CN113592783B (zh) * | 2021-07-08 | 2024-01-19 | 北京大学第三医院(北京大学第三临床医学院) | 角膜共聚焦图像中细胞基础指标的精准量化方法及装置 |
CN114235539A (zh) * | 2021-12-22 | 2022-03-25 | 宁波舜宇仪器有限公司 | 基于深度学习的pd-l1病理切片自动判读方法及系统 |
CN114529554B (zh) * | 2021-12-28 | 2024-07-26 | 福州大学 | 一种胃癌her2数字病理切片智能辅助判读方法 |
CN114581908B (zh) * | 2022-02-21 | 2024-03-19 | 广州锟元方青医疗科技有限公司 | 一种pd-l1免疫组化评分方法、系统、装置与存储介质 |
CN114693692A (zh) * | 2022-03-30 | 2022-07-01 | 上海交通大学医学院附属第九人民医院 | 一种病理图像分割分级方法、装置、设备和介质 |
CN114943723B (zh) * | 2022-06-08 | 2024-05-28 | 北京大学口腔医学院 | 一种对不规则细胞进行分割计数的方法及相关设备 |
CN115100646B (zh) * | 2022-06-27 | 2023-01-31 | 武汉兰丁智能医学股份有限公司 | 细胞图像高清晰快速拼接识别标记方法 |
CN115345829A (zh) * | 2022-07-12 | 2022-11-15 | 江苏诺鬲生物科技有限公司 | 一种基于人工智能算法的抗酸分支杆菌标识方法和装置 |
CN115393351B (zh) * | 2022-10-27 | 2023-01-24 | 北京大学第三医院(北京大学第三临床医学院) | 一种基于朗格汉斯细胞判断角膜免疫状态的方法及装置 |
CN116309595B (zh) * | 2023-05-23 | 2023-08-01 | 杭州华得森生物技术有限公司 | Ctc智能全自动检测一体机及其方法 |
CN116664550B (zh) * | 2023-07-10 | 2024-04-12 | 广州医科大学附属第一医院(广州呼吸中心) | 肺癌组织免疫组化pd-l1病理切片的智能识别方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110321996A (zh) * | 2018-03-28 | 2019-10-11 | 华为技术有限公司 | 一种基于卷积神经网络的图像处理的方法和装置 |
CN110807788A (zh) * | 2019-10-21 | 2020-02-18 | 腾讯科技(深圳)有限公司 | 医学图像处理方法、装置、电子设备及计算机存储介质 |
CN111080660A (zh) * | 2019-11-14 | 2020-04-28 | 中国科学院深圳先进技术研究院 | 一种图像分割方法、装置、终端设备及存储介质 |
CN111127472A (zh) * | 2019-10-30 | 2020-05-08 | 武汉大学 | 一种基于权重学习的多尺度图像分割方法 |
US10664310B2 (en) * | 2017-12-19 | 2020-05-26 | Canon Kabushiki Kaisha | Memory access optimisation using per-layer computational mapping and memory allocation for CNN application |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9412024B2 (en) * | 2013-09-13 | 2016-08-09 | Interra Systems, Inc. | Visual descriptors based video quality assessment using outlier model |
-
2020
- 2020-06-12 CN CN202010535658.8A patent/CN111696094B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10664310B2 (en) * | 2017-12-19 | 2020-05-26 | Canon Kabushiki Kaisha | Memory access optimisation using per-layer computational mapping and memory allocation for CNN application |
CN110321996A (zh) * | 2018-03-28 | 2019-10-11 | 华为技术有限公司 | 一种基于卷积神经网络的图像处理的方法和装置 |
CN110807788A (zh) * | 2019-10-21 | 2020-02-18 | 腾讯科技(深圳)有限公司 | 医学图像处理方法、装置、电子设备及计算机存储介质 |
CN111127472A (zh) * | 2019-10-30 | 2020-05-08 | 武汉大学 | 一种基于权重学习的多尺度图像分割方法 |
CN111080660A (zh) * | 2019-11-14 | 2020-04-28 | 中国科学院深圳先进技术研究院 | 一种图像分割方法、装置、终端设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation;Liang-Chieh Chen 等;《ECCV2018》;20181231;第1-18页 * |
RC-NET: A General Framework for Incorporating Knowledge into Word Representations;Chang Xu 等;《CIKM’14》;20141107;第1-10页 * |
S3Net: Trained on a Small Sample Segmentation Network for Biomedical Image Analysis;Mengdi Yan 等;《2019 IEEE International Conference on Bioinformatics and Biomedicine》;20191231;第1404-1408页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111696094A (zh) | 2020-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111696094B (zh) | 免疫组化pd-l1膜染色病理切片图像处理方法、装置和设备 | |
US11200424B2 (en) | Space-time memory network for locating target object in video content | |
CN112001385B (zh) | 一种目标跨域检测与理解方法、系统、设备及存储介质 | |
CN108846835B (zh) | 基于深度可分离卷积网络的图像变化检测方法 | |
CN108647732B (zh) | 一种基于深度神经网络的病理图像分类方法及装置 | |
US12008750B2 (en) | Generating annotation data of tissue images | |
CN110969632B (zh) | 一种深度学习模型的训练方法、图像处理方法及装置 | |
CN112132827A (zh) | 病理图像的处理方法、装置、电子设备及可读存储介质 | |
CN113393454A (zh) | 活检组织中病理目标实例分割方法和装置 | |
CN114445356A (zh) | 基于多分辨率的全视野病理切片图像肿瘤快速定位方法 | |
CN115035334B (zh) | 多尺度融合双时相遥感图像的多分类变化检测方法及系统 | |
CN113837255B (zh) | 预测以细胞为基质的抗体核型类别的方法、设备和介质 | |
CN113269734B (zh) | 一种基于元学习特征融合策略的肿瘤图像检测方法及装置 | |
CN113177554B (zh) | 甲状腺结节识别与分割方法、系统、存储介质及设备 | |
CN113963271A (zh) | 用于从遥感图像中识别不透水面的模型及训练模型的方法 | |
CN114972202A (zh) | 一种基于轻量级的神经网络的Ki67病理细胞快速检测计数方法 | |
CN114897764A (zh) | 基于标准化通道注意力的肺结节假阳性排除方法及装置 | |
CN117274355A (zh) | 一种基于加速引导区域卷积神经网络和并行多尺度统一网络的排水管道流量智能测量方法 | |
CN115456957B (zh) | 一种全尺度特征聚合的遥感影像变化检测的方法 | |
CN111554384A (zh) | 基于先验感知和多任务学习的腺癌病理图像分析方法 | |
CN116071645A (zh) | 高分辨率遥感影像建筑物变化检测方法、装置及电子设备 | |
CN112837326B (zh) | 遗留物检测方法、装置及设备 | |
CN114419460A (zh) | 水体区域提取方法及装置 | |
CN113920311A (zh) | 一种基于边缘辅助信息的遥感图像分割方法及系统 | |
CN117557557B (zh) | 一种基于细胞核分割模型的甲状腺病理切片细胞检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |