CN111798428A - 一种皮肤病理图像多种组织自动分割方法 - Google Patents

一种皮肤病理图像多种组织自动分割方法 Download PDF

Info

Publication number
CN111798428A
CN111798428A CN202010631701.0A CN202010631701A CN111798428A CN 111798428 A CN111798428 A CN 111798428A CN 202010631701 A CN202010631701 A CN 202010631701A CN 111798428 A CN111798428 A CN 111798428A
Authority
CN
China
Prior art keywords
image
skin
segmented
skin pathology
tissue
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
Application number
CN202010631701.0A
Other languages
English (en)
Other versions
CN111798428B (zh
Inventor
徐军
王俊洁
赵增瑞
徐聪聪
姜祎群
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202010631701.0A priority Critical patent/CN111798428B/zh
Publication of CN111798428A publication Critical patent/CN111798428A/zh
Application granted granted Critical
Publication of CN111798428B publication Critical patent/CN111798428B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/30088—Skin; Dermal
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种皮肤病理图像多种组织自动分割方法，获取皮肤病理样本图像并对其进行组织标记；在组织标记后的样本图像中提取各组织图像块，提取的图像块作为初始分割模型数据集；构建并训练初始分割模型；在组织标记后的样本图像中提取表皮边界图像块，提取的图像块作为表皮边界优化数据集；构建并训练表皮边界优化模型；获取待分割皮肤病理图像并对待分割皮肤病理图像进行预处理；初始分割模型数据集对预处理后的待分割皮肤病理图像进行初始分割；表皮边界优化模型对初始分割后的图像进行表皮边界优化。可以快速和准确的对皮肤病理图像进行多种组织的分割。

Description

一种皮肤病理图像多种组织自动分割方法
技术领域
本发明属于皮肤病理图像处理技术领域，具体涉及一种皮肤病理图像多种组织自动分割方法。
背景技术
在临床中对于难以诊断的皮肤病，尤其对于疑似肿瘤的患者，医生一般会对其进行显微组织的评估，然后根据各组织中相关特征进行诊断。由于通过人体皮肤表象很难发现敏感特征，医生一般会对患者进行皮肤病理切片的制作，即HE图像的扫描，有时甚至会搭配多种免疫组化进行辅助诊断。
目前，病理医生手动区分皮肤病理切片组织仍是临床中诊断的主要手段，主要是通过显微镜来观察患者的皮肤病理切片。在常规的诊断流程中，观察显微镜是很重要的一步，医生通过观察显微镜才能找到能够确诊相关皮肤病的敏感性特征。
我国人口总量巨大，病理医生缺乏，观察显微镜寻找特征比较费时费力，对于他们来说工作量繁琐，而且在这一环节中花费太多时间就相当于给病人的确诊耽误了更多的时间。因此需要一种全自动的手段将皮肤病理图像中的组织进行快速的区分，帮助医生更快的寻找到确诊相关皮肤病的敏感特征。
目前计算机计算能力的快速发展和深度学习算法的大规模应用使得这种期望成为可能。医生可以借助计算机来辅助诊断，从而可以减少病理医生的工作量，使他们可以专注于更复杂的工作中。因此可以利用计算机开发深度学习算法对皮肤病理图像中各个组织进行精确的分割，从而帮助医生找到确诊相关皮肤病的敏感特征来进行后续的判别诊断以制定相应的治疗方案。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足，提供一种皮肤病理图像多种组织自动分割方法，可以快速和准确的对皮肤病理图像进行多种组织的分割。
为实现上述技术目的，本发明采取的技术方案为：
一种皮肤病理图像多种组织自动分割方法，包括：
(1)获取皮肤病理样本图像并对其进行组织标记；
(2)在组织标记后的样本图像中提取各组织图像块，提取的图像块作为初始分割模型数据集；
(3)构建并训练初始分割模型；
(4)在组织标记后的样本图像中提取表皮边界图像块，提取的图像块作为表皮边界优化数据集；
(5)构建并训练表皮边界优化模型；
(6)获取待分割皮肤病理图像并对待分割皮肤病理图像进行预处理；
(7)初始分割模型数据集对预处理后的待分割皮肤病理图像进行初始分割；
(8)表皮边界优化模型对初始分割后的图像进行表皮边界优化。
为优化上述技术方案，采取的具体措施还包括：
上述的步骤(1)所述获取皮肤病理样本图像并对其进行组织标记，为：获取皮肤病理样本图像并标记皮肤病理样本图像中的表皮、真皮、脂肪、汗腺和毛囊。
上述的步骤(2)所述在组织标记后的样本图像中提取各组织图像块，其提取的组织图像块尺寸为144×144。
上述的步骤(3)所述初始分割模型为快速密集深度卷积网络(Fast and DenseVGG，FD-VGG)模型。
所述FD-VGG模型，其输入图像尺寸为128×128×3，输入图像逐个经过由3×3无padding卷积、批规范化和激活函数ReLU组成的卷积模块、最大池化，最后经过平均池化再通过两个所述卷积模块得到最终的输出分类。
上述的步骤(4)所述表皮边界图像块尺寸为256×256。
上述的步骤(5)所述表皮边界优化模型为语义分割网络Segnet模型。
上述的步骤(6)所述对待分割皮肤病理图像进行预处理为去除待分割皮肤病理图像中的白色背景，去除待分割皮肤病理图像中的白色背景的流程为：
(a)全扫描待分割皮肤病理图像；
(b)将步骤(a)扫描结果从RGB(红绿蓝)空间转换到HSV空间；
(c)提取步骤(b)得到的HSV(色调，饱和度，明度)空间图像中的H通道；
(d)通过OTSU(大津阈值)算法获取待分割皮肤病理图像组织区域的初始轮廓；
(e)通过闭运算和开运算的形态学处理进一步优化组织区域轮廓，从而将白色背景去除。
本发明具有以下有益效果：
通过构建训练数据集，设计深度学习模型，最终辅助医生进行病理图像多种组织分割诊断，进一步提高时效性；
提出的模型可以接受不同大小的输入图像，因此可以对数据进行快速的测试；
提出的模型可以对图像进行准确的测试，而且拼接过程中不会产生边缘效应。
附图说明
图1为本发明流程图；
附图1中，(a)为原始图像；(b)为医生标记的各组织；(c)为6种组织成分及颜色编码；(d)为6种组织成分展示；(e)为本发明设计的FD-VGG；(f)为医生标记的表皮边界；(g)为边界优化网络Segnet；(h)为Segnet网络的语义分割输出；
(i)为待分割的皮肤病理图像；(j)为取ROI(感兴趣区域)送入FD-VGG的初始分割结果；(k)为经过边界优化网络Segnet将表皮边界进行优化的结果。
图2为白色背景去除流程示意图；
附图2中，(a)为全扫描待分割皮肤病理图像；(b)为将步骤(a)扫描结果从RGB空间转换到HSV空间；(c)为提取步骤(b)得到的HSV空间图像中的H通道；(d)为通过OTSU算法获取待分割皮肤病理图像组织区域的初始轮廓；(e)为通过闭运算和开运算的形态学处理进一步优化组织区域轮廓；(f)为将白色背景去除效果。
图3为FD-VGG结构示意图；
图4为Segnet结构示意图；
图5为FD-VGG在验证集全扫描图像上的测试结果；
附图5中，(a)为医生标记图；(b)为测试结果；(c)-(h)分别为表皮、真皮、脂肪、汗腺、背景、毛囊测试结果的热度图。
图6为Segnet边界优化网络的结果；
附图6中，(a)FD-VGG分割的表皮区域；(b)为(a)局部放大的图像；(c)为(a)通过边界优化模型Segnet之后的结果；(d)为(c)的局部放大图。
具体实施方式
以下结合附图对本发明的实施例作进一步详细描述。
参见图1，本发明的一种皮肤病理图像多种组织自动分割方法，包括：
(1)获取皮肤病理样本图像并对其进行组织标记；
实施例中，皮肤病理专家对14张皮肤病理样本图像进行组织标记；
所述获取皮肤病理样本图像并对其进行组织标记，为：获取皮肤病理样本图像并标记皮肤病理样本图像中的表皮、真皮、脂肪、汗腺和毛囊。
(2)在组织标记后的样本图像中提取各组织图像块，提取的图像块作为初始分割模型数据集；
实施例中，在每张组织标记后的皮肤病理样本图像中提取各个组织的144×144图像块作为初始分割模型数据集；
(3)构建并训练初始分割模型；
实施例中，从初始分割模型数据集的14张皮肤病理样本图像中随机选取12张作为训练集，剩余的2张作为验证集，对初始分割模型进行训练及验证。
参见图3，所述初始分割模型为FD-VGG模型。
所述FD-VGG模型，其输入图像尺寸为128×128×3，输入图像逐个经过由3×3无padding卷积、批规范化和ReLU组成的卷积模块、最大池化，最后经过平均池化再通过两个所述卷积模块得到最终的输出分类。
在每个卷积模块中，逐渐增加特征图谱的个数，从64逐渐增加到512，最后经过平均池化后再增加到1024，最后输出6个分类。
FD-VGG在验证集全扫描图像上的测试结果参见图5。
(4)在组织标记后的样本图像中提取表皮边界图像块，提取的图像块作为表皮边界优化数据集；
实施例中，提取14张组织标记后的皮肤病理样本图像中表皮边界的256×256像素大小的图像块作为表皮边界优化数据集。
(5)构建并训练表皮边界优化模型；
实施例中，将表皮边界优化数据集按照7:3的比例分为训练集和验证集，对表皮边界优化模型进行训练及验证。
参见图4，所述表皮边界优化模型为语义分割网络Segnet模型，包括Encode(编码)和Decode(解码)两部分。其中Encode是由4层下采样组成，Encode和Decode之间呈现出一种对称的关系。Decode则是4层上采样从而使得特征图还原到图像原始尺寸，最后网络通过归一化函数Softmax输出不同分类的最大值，得到最终的分割图。
(6)获取待分割皮肤病理图像并对待分割皮肤病理图像进行预处理；
参见图2，实施例中，所述对待分割皮肤病理图像进行预处理为去除待分割皮肤病理图像中的白色背景，去除待分割皮肤病理图像中的白色背景的流程为：
(a)全扫描待分割皮肤病理图像；
(b)将步骤(a)扫描结果从RGB空间转换到HSV空间；
(c)提取步骤(b)得到的HSV空间图像中的H通道；
(d)通过OTSU算法获取待分割皮肤病理图像组织区域的初始轮廓；
(e)通过闭运算和开运算的形态学处理进一步优化组织区域轮廓，从而将白色背景去除。
(7)提取待分割皮肤病理图像中大图像块送入FD-VGG得到初始分割结果；
(8)提取初始分割结果中表皮边界的图像块输入Segnet中得到表皮边界优化后的结果。
Segnet边界优化后的结果参见图6，附图6中，(a)为FD-VGG分割的表皮区域；(b)为(a)局部放大的图像，可以看到表皮的边界分割的不是很理想；(c)为(a)通过边界优化模型Segnet之后的结果；(d)为(c)的局部放大图，可以看到表皮的边界优化的很好。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (7)

1.一种皮肤病理图像多种组织自动分割方法，其特征在于，包括：
(1)获取皮肤病理样本图像并对其进行组织标记；
(2)在组织标记后的样本图像中提取各组织图像块，提取的图像块作为初始分割模型数据集；
(3)构建并训练初始分割模型；
(4)在组织标记后的样本图像中提取表皮边界图像块，提取的图像块作为表皮边界优化数据集；
(5)构建并训练表皮边界优化模型；
(6)获取待分割皮肤病理图像并对待分割皮肤病理图像进行预处理；
(7)初始分割模型数据集对预处理后的待分割皮肤病理图像进行初始分割；
(8)表皮边界优化模型对初始分割后的图像进行表皮边界优化。
2.根据权利要求1所述的一种皮肤病理图像多种组织自动分割方法，其特征在于，步骤(1)所述获取皮肤病理样本图像并对其进行组织标记，为：获取皮肤病理样本图像并标记皮肤病理样本图像中的表皮、真皮、脂肪、汗腺和毛囊。
3.根据权利要求1所述的一种皮肤病理图像多种组织自动分割方法，其特征在于，步骤(2)所述在组织标记后的样本图像中提取各组织图像块，其提取的组织图像块尺寸为144×144。
4.根据权利要求1所述的一种皮肤病理图像多种组织自动分割方法，其特征在于，步骤(3)所述初始分割模型为FD-VGG模型。
所述FD-VGG模型，其输入图像尺寸为128×128×3，输入图像逐个经过由3×3无padding卷积、批规范化和激活函数ReLU组成的卷积模块、最大池化，最后经过平均池化再通过两个所述卷积模块得到最终的输出分类。
5.根据权利要求1所述的一种皮肤病理图像多种组织自动分割方法，其特征在于，步骤(4)所述表皮边界图像块尺寸为256×256。
6.根据权利要求1所述的一种皮肤病理图像多种组织自动分割方法，其特征在于，步骤(5)所述表皮边界优化模型为语义分割网络Segnet模型。
7.根据权利要求1所述的一种皮肤病理图像多种组织自动分割方法，其特征在于，步骤(6)所述对待分割皮肤病理图像进行预处理为去除待分割皮肤病理图像中的白色背景，去除待分割皮肤病理图像中的白色背景的流程为：
(a)全扫描待分割皮肤病理图像；
(b)将步骤(a)扫描结果从RGB空间转换到HSV空间；
(c)提取步骤(b)得到的HSV空间图像中的H通道；
(d)通过OTSU算法获取待分割皮肤病理图像组织区域的初始轮廓；
(e)通过闭运算和开运算的形态学处理进一步优化组织区域轮廓，从而将白色背景去除。
CN202010631701.0A 2020-07-03 2020-07-03 一种皮肤病理图像多种组织自动分割方法 Active CN111798428B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010631701.0A CN111798428B (zh) 2020-07-03 2020-07-03 一种皮肤病理图像多种组织自动分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010631701.0A CN111798428B (zh) 2020-07-03 2020-07-03 一种皮肤病理图像多种组织自动分割方法

Publications (2)

Publication Number Publication Date
CN111798428A true CN111798428A (zh) 2020-10-20
CN111798428B CN111798428B (zh) 2023-05-30

Family

ID=72810224

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010631701.0A Active CN111798428B (zh) 2020-07-03 2020-07-03 一种皮肤病理图像多种组织自动分割方法

Country Status (1)

Country Link
CN (1) CN111798428B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106780498A (zh) * 2016-11-30 2017-05-31 南京信息工程大学 基于逐像素点深度卷积网络上皮和基质组织自动分割方法
CN107665492A (zh) * 2017-06-29 2018-02-06 南京信息工程大学 基于深度网络的结直肠全景数字病理图像组织分割方法
CN107767378A (zh) * 2017-11-13 2018-03-06 浙江中医药大学 基于深度神经网络的gbm多模态磁共振图像分割方法
CN108629768A (zh) * 2018-04-29 2018-10-09 山东省计算中心（国家超级计算济南中心） 一种食管病理图像中上皮组织的分割方法
CN109363640A (zh) * 2018-12-04 2019-02-22 北京贝叶科技有限公司 基于皮肤病理图像的识别方法及系统
CN109472789A (zh) * 2018-11-20 2019-03-15 北京贝叶科技有限公司 一种用于皮肤病理图像处理的神经网络训练方法及装置
CN109902716A (zh) * 2019-01-22 2019-06-18 厦门美图之家科技有限公司 一种对齐分类模型的训练方法和图像分类方法
US20190205758A1 (en) * 2016-12-30 2019-07-04 Konica Minolta Laboratory U.S.A., Inc. Gland segmentation with deeply-supervised multi-level deconvolution networks
CN110136096A (zh) * 2019-04-02 2019-08-16 成都真实维度科技有限公司 一种基于断层扫描图数据集进行病变区域分割的方法
CN110222772A (zh) * 2019-06-10 2019-09-10 浙江大学 一种基于块级别主动学习的医疗图像标注推荐方法
CN110909756A (zh) * 2018-09-18 2020-03-24 苏宁 用于医学图像识别的卷积神经网络模型训练方法和装置
CN110930369A (zh) * 2019-11-01 2020-03-27 中山大学 一种基于群等变神经网络和条件概率场的病理切片识别方法
CN111091527A (zh) * 2018-10-24 2020-05-01 华中科技大学 一种病理组织切片图像中病变区域自动检测方法及系统
CN111325751A (zh) * 2020-03-18 2020-06-23 重庆理工大学 基于注意力卷积神经网络的ct图像分割系统

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106780498A (zh) * 2016-11-30 2017-05-31 南京信息工程大学 基于逐像素点深度卷积网络上皮和基质组织自动分割方法
US20190205758A1 (en) * 2016-12-30 2019-07-04 Konica Minolta Laboratory U.S.A., Inc. Gland segmentation with deeply-supervised multi-level deconvolution networks
CN107665492A (zh) * 2017-06-29 2018-02-06 南京信息工程大学 基于深度网络的结直肠全景数字病理图像组织分割方法
CN107767378A (zh) * 2017-11-13 2018-03-06 浙江中医药大学 基于深度神经网络的gbm多模态磁共振图像分割方法
CN108629768A (zh) * 2018-04-29 2018-10-09 山东省计算中心（国家超级计算济南中心） 一种食管病理图像中上皮组织的分割方法
CN110909756A (zh) * 2018-09-18 2020-03-24 苏宁 用于医学图像识别的卷积神经网络模型训练方法和装置
CN111091527A (zh) * 2018-10-24 2020-05-01 华中科技大学 一种病理组织切片图像中病变区域自动检测方法及系统
CN109472789A (zh) * 2018-11-20 2019-03-15 北京贝叶科技有限公司 一种用于皮肤病理图像处理的神经网络训练方法及装置
CN109363640A (zh) * 2018-12-04 2019-02-22 北京贝叶科技有限公司 基于皮肤病理图像的识别方法及系统
CN109902716A (zh) * 2019-01-22 2019-06-18 厦门美图之家科技有限公司 一种对齐分类模型的训练方法和图像分类方法
CN110136096A (zh) * 2019-04-02 2019-08-16 成都真实维度科技有限公司 一种基于断层扫描图数据集进行病变区域分割的方法
CN110222772A (zh) * 2019-06-10 2019-09-10 浙江大学 一种基于块级别主动学习的医疗图像标注推荐方法
CN110930369A (zh) * 2019-11-01 2020-03-27 中山大学 一种基于群等变神经网络和条件概率场的病理切片识别方法
CN111325751A (zh) * 2020-03-18 2020-06-23 重庆理工大学 基于注意力卷积神经网络的ct图像分割系统

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
KAY R. J. OSKAL等: "A U‑net based approach to epidermal tissue segmentation in whole slide histopathological images", 《SN APPLIED SCIENCES》 *
VIJAY BADRINARAYANAN等: "SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 *
刘茂奇: "基于人体切片的图像分割技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
李伟等: "基于改进CNN 的宫颈细胞自动分类算法", 《计算机系统应用》 *
林松: "基于深度学习的内窥镜图像微小出血病灶检测技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
蔡程飞等: "基于深度卷积网络的结直肠全扫描病理图像的多种组织分割", 《中国生物医学工程学报》 *
赵增瑞: "基于深度神经网络的蕈样肉芽肿病理图像分析", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 *

Also Published As

Publication number Publication date
CN111798428B (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
Dundar et al. Computerized classification of intraductal breast lesions using histopathological images
CN111986150B (zh) 一种数字病理图像的交互式标注精细化方法
Bai et al. Automatic segmentation of cervical region in colposcopic images using K-means
CN110189293A (zh) 细胞图像处理方法、装置、存储介质及计算机设备
CN115063592B (zh) 一种基于多尺度的全扫描病理特征融合提取方法及系统
CN112102332A (zh) 基于局部分类神经网络的癌症wsi的分割方法
CN115205250A (zh) 基于深度学习的病理图像病变分割方法及系统
CN112907581A (zh) 一种基于深度学习的mri多类脊髓肿瘤分割方法
CN114972254A (zh) 一种基于卷积神经网络的宫颈细胞图像分割方法
CN114708229A (zh) 一种病理切片数字图像的全层次分析系统
CN110390678B (zh) 一种结直肠癌ihc染色图像的组织类型分割方法
CN117036288A (zh) 一种面向全切片病理图像的肿瘤亚型诊断方法
CN112233085A (zh) 一种基于像素预测增强的宫颈细胞图像分割方法
Sobrevilla et al. Fuzzy-based analysis of microscopic color cervical pap smear images: nuclei detection
CN111798428B (zh) 一种皮肤病理图像多种组织自动分割方法
CN116310535A (zh) 一种多尺度多区域的甲状腺结节预测方法
CN114529554A (zh) 一种胃癌her2数字病理切片智能辅助判读方法
CN114332037A (zh) 一种自动分割胰腺癌病理切片中多类组织的方法及装置
CN114764855A (zh) 基于深度学习的膀胱镜下肿瘤智能分割方法、装置及设备
CN117576127B (zh) 一种基于病理图像的肝癌区域自动勾画方法
CN113313685B (zh) 一种基于深度学习的肾小管萎缩区域识别方法与系统
CN115036011B (zh) 基于数字病理图像进行实体肿瘤预后评估的系统
KR102566095B1 (ko) 조직병리영상의 공동 분류 및 분할을 위한 딥러닝 장치 및 그 방법
Quinones et al. Impact of Patch Extraction Variables on Histopathological Imagery Classification Using Convolution Neural Networks
Li et al. Composition statistics of gynecological microscopic images based on texture analysis and medical intelligence system

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