CN111814893A - 基于深度学习的肺部全扫描图像egfr突变预测方法和系统 - Google Patents
基于深度学习的肺部全扫描图像egfr突变预测方法和系统 Download PDFInfo
- Publication number
- CN111814893A CN111814893A CN202010692811.8A CN202010692811A CN111814893A CN 111814893 A CN111814893 A CN 111814893A CN 202010692811 A CN202010692811 A CN 202010692811A CN 111814893 A CN111814893 A CN 111814893A
- Authority
- CN
- China
- Prior art keywords
- image
- full
- probability
- image block
- scan
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/032—Recognition of patterns in medical or anatomical images of protuberances, polyps nodules, etc.
Abstract
本发明提出了基于深度学习的肺部全扫描图像EGFR突变预测方法和系统,所述方法包括:通过数据病理扫描仪获取全扫描病理图像;将所述全扫描病理图像输入值癌区分析模型,通过所述癌区分析模型获取所述全扫描病理图像对应的像素级的癌变区域;在所述癌变区域内筛选出含有癌症的图像块,并根据所述全扫描病理图像的EGFR突变情况,将所述图像块全部设置为阳性或者阴性;将所述全部设置为阳性或者阴性的图像块输入值分类模型中,以有监督的方式进行二分类模型训练,通过二分类模型训练过程将所述图像块分类为EGFR突变阳性或者阴性。
Description
技术领域
本发明提出了基于深度学习的肺部全扫描图像EGFR突变预测方法和系统,属于计算机处理技术领域。
背景技术
根据2018年全球癌症统计,肺癌是全球发病率和死亡率最高的恶性肿瘤。约85-90%的肺癌为非小细胞肺癌(NSCLC)。靶向治疗是治疗NSCLC的有效方法。通过PCR或新一代测序(NGS)了解基因(如EGFR)的突变情况是很有必要的,由于受样本和实验室条件的限制,并不是所有的患者都能进行检测,导致失去了靶向治疗的机会。
与肿瘤检测不同的是,在EGFR突变预测方面,人们只知道非常有限的信息,是典型的弱监督学习问题。
在最近的一项研究中,作者提出利用深度学习来学习EGFR突变状态。他们建立了一个针对腺癌(ADC)的图像块级EGFR突变预测模型,在包含冷冻、福尔马林固定石蜡包埋组织和活检的测试集上,图像块级预测模型曲线下面积(AUC)为0.754。
现有技术的缺点:
1.该方法没有利用肺部病理切片的临床诊断信息,尤其是病理分型信息;
2.没有提出有效的应用方式,在临床使用的过程中存在一定的困难。
发明内容
本发明提供了一种基于深度学习的肺部全扫描图像EGFR突变预测方法和系统能够利用图像的组织形态学与病理分型信息,对图像是否为EGFR突变进行分析和预测,用以解决现有预测方法中只知道EGFR突变区域是癌变区域,但是不知道其具体位置的问题,同时提出双阈值策略,解决了系统在临床中的应用问题;所采取的的技术方案如下:
基于深度学习的肺部全扫描图像EGFR突变预测方法,所述方法包括:
通过数据病理扫描仪获取全扫描病理图像;
将所述全扫描病理图像输入值癌区分析模型,通过所述癌区分析模型获取所述全扫描病理图像对应的像素级的癌变区域;
在所述癌变区域内筛选出含有癌症的图像块,并根据所述全扫描病理图像的EGFR突变情况,将所述图像块全部设置为阳性或者阴性;
将所述全部设置为阳性或者阴性的图像块输入值分类模型中,以有监督的方式进行二分类模型训练,通过二分类模型训练过程将所述图像块分类为EGFR突变阳性或者阴性。
进一步地,所述二分类模型训练的过程中,设定不同的概率阈值,通过双阈值方法将所述图像块分类为EGFR突变阳性或者阴性。
进一步地,所述双阈值方法的过程包括:
设置两组概率阈值T1和T2,其中,T1和T2之间的关系满足:T1>T2;
利用所述两组概率阈值结合判断准则,对所述图像块所属的全扫描病理图像对应的病例进行诊断预测。
进一步地,所述判断准则为:
在二分类模型训练过程,当所述图像块对应输出的概率大于概率阈值T1时,将所述图像块所属的全扫描病理图像对应的病例作为阳性样本进行处理;
当所述图像块对应输出的概率小于概率阈值T2时,将所述图像块所属的全扫描病理图像对应的病例作为阴性样本进行处理;
当所述图像块对应输出的概率在概率阈值T1和T2之间时,通过PCR/NGS对所述图像块所属的全扫描病理图像对应的病例进行进一步诊断。
进一步地,所述二分类模型训练过程中采用的分类模型为ResNet-50模型。
基于深度学习的肺部全扫描图像EGFR突变预测系统,所述系统包括:
数据病理扫描仪,用于获取全扫描病理图像;
区域获取模块,用于将所述全扫描病理图像输入值癌区分析模型,通过所述癌区分析模型获取所述全扫描病理图像对应的像素级的癌变区域;
筛选模块,用于在所述癌变区域内筛选出含有癌症的图像块,并根据所述全扫描病理图像的EGFR突变情况,将所述图像块全部设置为阳性或者阴性;
训练模块,用于将所述全部设置为阳性或者阴性的图像块输入值分类模型中,以有监督的方式进行二分类模型训练,通过二分类模型训练过程将所述图像块分类为EGFR突变阳性或者阴性。
进一步地,所述训练模块包括:
阈值设置模块,用于针对二分类模型训练过程,设置两组概率阈值T1和T2;其中,T1和T2之间的关系满足:T1>T2;
阈值判断模块,用于将所述图像块对应输出的概率分别与概率阈值T1和T2进行比较,根据所述图像块对应输出的概率与概率阈值T1和T2的比较结果,确定所述图像块所属的全扫描病理图像对应的病例的样本性质。
进一步地,所述阈值判断模块包括:
判断模块一,用于在述图像块对应输出的概率大于概率阈值T1时,将所述图像块所属的全扫描病理图像对应的病例作为阳性样本进行处理;
判断模块二,用于在所述图像块对应输出的概率小于概率阈值T2时,将所述图像块所属的全扫描病理图像对应的病例作为阴性样本进行处理;
判断模块三,用于在所述图像块对应输出的概率在概率阈值T1和T2之间时,通过PCR/NGS对所述图像块所属的全扫描病理图像对应的病例进行进一步诊断。
进一步地,所述训练模块在二分类模型训练过程中,采用ResNet-50模型作为分类模块。
本发明有益效果:
本发明提出的基于深度学习的肺部全扫描图像EGFR突变预测方法和系统,不仅能够有效快速的识别突变区域,还能够有效快速精准的确定突变区域的位置,同时,利用双阈值方法能够极大程度上提高分类准确率。并且,根据不同的病理分型,确定不同的阈值,进一步提高预测准确率。
附图说明
图1为本发明所述方法的流程图;
图2为本发明所述方法的原理图;
图3为本发明所述双阈值的原理示意图;
图4为本发明所述系统的结构示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明提供了一种基于深度学习的肺部全扫描图像EGFR突变预测方法和系统能够利用图像的组织形态学与病理分型信息,对图像是否为EGFR突变进行分析和预测,用以解决现有预测方法中只知道EGFR突变区域是癌变区域,但是不知道其具体位置的问题,同时提出双阈值策略,解决了系统在临床中的应用问题。
本发明实施例提出一种基于深度学习的肺部全扫描图像EGFR突变预测方法,如图1所示,所述方法包括:
S1、通过数据病理扫描仪获取全扫描病理图像;
S2、将所述全扫描病理图像输入值癌区分析模型,通过所述癌区分析模型获取所述全扫描病理图像对应的像素级的癌变区域;
S3、在所述癌变区域内筛选出含有癌症的图像块,并根据所述全扫描病理图像的EGFR突变情况,将所述图像块全部设置为阳性或者阴性;
S4、将所述全部设置为阳性或者阴性的图像块输入值分类模型中,以有监督的方式进行二分类模型训练,通过二分类模型训练过程将所述图像块分类为EGFR突变阳性或者阴性。其中,所述二分类模型训练过程中采用的分类模型为ResNet-50模型。
上述技术方案的工作原理为:与癌症检测模型在训练阶段所有癌变区域的像素级标注都是已知的(监督学习)不同,EGFR突变预测揭示的是弱监督的情况,即监督信息只有玻片级标签(阳性或阴性)。对于病理学家来说,阳性病例是WSI,有些区域是EGFR突变,但不知道具体位置,唯一知道的只是EGFR突变区域是癌区。
如图2所示,首先将通过数字病理扫描仪获得的全扫描病理图像输入到癌区分析模型,其中所述爱去分析模型可以采用在先申请的中国专利“理图像的识别系统和方法,CN201710934902.6”中的识别系统,得到像素级的癌变区域。然后,挑选出所有含有癌症的图像块,并根据全扫描图像的EGFR突变情况,将它们全部置为阳性或者阴性。图像块被输入到分类模型(比如ResNet-50)中,以有监督的方式进行二分类模型训练,即模型将所有图像块分类为EGFR突变阳性或者阴性。
上述技术方案的效果为:能够有效确定突变区域的位置,同时,利用双阈值方法能够极大程度上提高分类准确率。同时,根据不同的病理分型,确定不同的阈值,进一步提高预测准确率。
本发明的一个实施例,所述二分类模型训练的过程中,设定不同的概率阈值,通过双阈值方法将所述图像块分类为EGFR突变阳性或者阴性。
其中,所述双阈值方法的过程包括:
步骤一、设置两组概率阈值T1和T2,其中,T1和T2之间的关系满足:T1>T2;
步骤二、利用所述两组概率阈值结合判断准则,对所述图像块所属的全扫描病理图像对应的病例进行诊断预测。
同时,所述判断准则为:
在二分类模型训练过程,当所述图像块对应输出的概率大于概率阈值T1时,将所述图像块所属的全扫描病理图像对应的病例作为阳性样本进行处理;
当所述图像块对应输出的概率小于概率阈值T2时,将所述图像块所属的全扫描病理图像对应的病例作为阴性样本进行处理;
当所述图像块对应输出的概率在概率阈值T1和T2之间时,通过PCR/NGS对所述图像块所属的全扫描病理图像对应的病例进行进一步诊断。
上述技术方案的工作原理为:针对不同类型的肺癌(ADC和SCC)和5种ADC亚型(鳞片状、乳头状、微乳头状、尖锐状和实体型),分别设定不同的概率阈值,保证模型在不同的分型下分类准确率达到最优。利用双阈值方法来控制误诊率和过度诊断率。定义了两组概率阈值T1和T2(T1>T2),对于概率大于T1/小于T2的病例,将其作为阳性/阴性样本处理。对于概率大于T1/小于T2的病例,将其作为阳性/阴性样本处理。对于概率在T1和T2之间的病例,可以通过PCR/NGS进一步诊断。具体如图3所示。
上述技术方案的效果为:通过选择合适的T1和T2,可以保证概率大于T1以及概率小于T2的病例预测足够准确,从而在准确的前提下,保证一定的筛选率,真正做到临床可用。
基于深度学习的肺部全扫描图像EGFR突变预测系统,如图4所示,所述系统包括:
数据病理扫描仪,用于获取全扫描病理图像;
区域获取模块,用于将所述全扫描病理图像输入值癌区分析模型,通过所述癌区分析模型获取所述全扫描病理图像对应的像素级的癌变区域;
筛选模块,用于在所述癌变区域内筛选出含有癌症的图像块,并根据所述全扫描病理图像的EGFR突变情况,将所述图像块全部设置为阳性或者阴性;
训练模块,用于将所述全部设置为阳性或者阴性的图像块输入值分类模型中,以有监督的方式进行二分类模型训练,通过二分类模型训练过程将所述图像块分类为EGFR突变阳性或者阴性。其中,所述训练模块在二分类模型训练过程中,采用ResNet-50模型作为分类模块。
上述技术方案的工作原理为:与癌症检测模型在训练阶段所有癌变区域的像素级标注都是已知的(监督学习)不同,EGFR突变预测揭示的是弱监督的情况,即监督信息只有玻片级标签(阳性或阴性)。对于病理学家来说,阳性病例是WSI,有些区域是EGFR突变,但不知道具体位置,唯一知道的只是EGFR突变区域是癌区。
首先将通过数字病理扫描仪获得的全扫描病理图像输入到癌区分析模型,其中所述爱去分析模型可以采用在先申请的中国专利“理图像的识别系统和方法,CN201710934902.6”中的识别系统,得到像素级的癌变区域。然后,挑选出所有含有癌症的图像块,并根据全扫描图像的EGFR突变情况,将它们全部置为阳性或者阴性。图像块被输入到分类模型(比如ResNet-50)中,以有监督的方式进行二分类模型训练,即模型将所有图像块分类为EGFR突变阳性或者阴性。
上述技术方案的效果为:能够有效确定突变区域的位置,同时,利用双阈值方法能够极大程度上提高分类准确率。同时,根据不同的病理分型,确定不同的阈值,进一步提高预测准确率。
本发明的一个实施例,所述训练模块包括:
阈值设置模块,用于针对二分类模型训练过程,设置两组概率阈值T1和T2;其中,T1和T2之间的关系满足:T1>T2;
阈值判断模块,用于将所述图像块对应输出的概率分别与概率阈值T1和T2进行比较,根据所述图像块对应输出的概率与概率阈值T1和T2的比较结果,确定所述图像块所属的全扫描病理图像对应的病例的样本性质。
其中,所述阈值判断模块包括:
判断模块一,用于在述图像块对应输出的概率大于概率阈值T1时,将所述图像块所属的全扫描病理图像对应的病例作为阳性样本进行处理;
判断模块二,用于在所述图像块对应输出的概率小于概率阈值T2时,将所述图像块所属的全扫描病理图像对应的病例作为阴性样本进行处理;
判断模块三,用于在所述图像块对应输出的概率在概率阈值T1和T2之间时,通过PCR/NGS对所述图像块所属的全扫描病理图像对应的病例进行进一步诊断。
上述技术方案的工作原理为:针对不同类型的肺癌(ADC和SCC)和5种ADC亚型(鳞片状、乳头状、微乳头状、尖锐状和实体型),分别设定不同的概率阈值,保证模型在不同的分型下分类准确率达到最优。利用双阈值方法来控制误诊率和过度诊断率。定义了两组概率阈值T1和T2(T1>T2),对于概率大于T1/小于T2的病例,将其作为阳性/阴性样本处理。对于概率大于T1/小于T2的病例,将其作为阳性/阴性样本处理。对于概率在T1和T2之间的病例,可以通过PCR/NGS进一步诊断。具体如图3所示。
上述技术方案的效果为:通过选择合适的T1和T2,可以保证概率大于T1以及概率小于T2的病例预测足够准确,从而在准确的前提下,保证一定的筛选率,真正做到临床可用。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.基于深度学习的肺部全扫描图像EGFR突变预测方法,其特征在于,所述方法包括:
通过数据病理扫描仪获取全扫描病理图像;
将所述全扫描病理图像输入值癌区分析模型,通过所述癌区分析模型获取所述全扫描病理图像对应的像素级的癌变区域;
在所述癌变区域内筛选出含有癌症的图像块,并根据所述全扫描病理图像的EGFR突变情况,将所述图像块全部设置为阳性或者阴性;
将所述全部设置为阳性或者阴性的图像块输入值分类模型中,以有监督的方式进行二分类模型训练,通过二分类模型训练过程将所述图像块分类为EGFR突变阳性或者阴性。
2.根据权利要求1所述方法,其特征在于,所述二分类模型训练的过程中,设定不同的概率阈值,通过双阈值方法将所述图像块分类为EGFR突变阳性或者阴性。
3.根据权利要求2所述方法,其特征在于,所述双阈值方法的过程包括:
设置两组概率阈值T1和T2,其中,T1和T2之间的关系满足:T1>T2;
利用所述两组概率阈值结合判断准则,对所述图像块所属的全扫描病理图像对应的病例进行诊断预测。
4.根据权利要求3所述方法,其特征在于,所述判断准则为:
在二分类模型训练过程,当所述图像块对应输出的概率大于概率阈值T1时,将所述图像块所属的全扫描病理图像对应的病例作为阳性样本进行处理;
当所述图像块对应输出的概率小于概率阈值T2时,将所述图像块所属的全扫描病理图像对应的病例作为阴性样本进行处理;
当所述图像块对应输出的概率在概率阈值T1和T2之间时,通过PCR/NGS对所述图像块所属的全扫描病理图像对应的病例进行进一步诊断。
5.根据权利要求1所述方法,其特征在于,所述二分类模型训练过程中采用的分类模型为ResNet-50模型。
6.基于深度学习的肺部全扫描图像EGFR突变预测系统,其特征在于,所述系统包括:
数据病理扫描仪,用于获取全扫描病理图像;
区域获取模块,用于将所述全扫描病理图像输入值癌区分析模型,通过所述癌区分析模型获取所述全扫描病理图像对应的像素级的癌变区域;
筛选模块,用于在所述癌变区域内筛选出含有癌症的图像块,并根据所述全扫描病理图像的EGFR突变情况,将所述图像块全部设置为阳性或者阴性;
训练模块,用于将所述全部设置为阳性或者阴性的图像块输入值分类模型中,以有监督的方式进行二分类模型训练,通过二分类模型训练过程将所述图像块分类为EGFR突变阳性或者阴性。
7.根据权利要求6所述系统,其特征在于,所述训练模块包括:
阈值设置模块,用于针对二分类模型训练过程,设置两组概率阈值T1和T2;其中,T1和T2之间的关系满足:T1>T2;
阈值判断模块,用于将所述图像块对应输出的概率分别与概率阈值T1和T2进行比较,根据所述图像块对应输出的概率与概率阈值T1和T2的比较结果,确定所述图像块所属的全扫描病理图像对应的病例的样本性质。
8.根据权利要求7所述系统,其特征在于,所述阈值判断模块包括:
判断模块一,用于在述图像块对应输出的概率大于概率阈值T1时,将所述图像块所属的全扫描病理图像对应的病例作为阳性样本进行处理;
判断模块二,用于在所述图像块对应输出的概率小于概率阈值T2时,将所述图像块所属的全扫描病理图像对应的病例作为阴性样本进行处理;
判断模块三,用于在所述图像块对应输出的概率在概率阈值T1和T2之间时,通过PCR/NGS对所述图像块所属的全扫描病理图像对应的病例进行进一步诊断。
9.根据权利要求6所述系统,其特征在于,所述训练模块在二分类模型训练过程中,采用ResNet-50模型作为分类模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010692811.8A CN111814893A (zh) | 2020-07-17 | 2020-07-17 | 基于深度学习的肺部全扫描图像egfr突变预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010692811.8A CN111814893A (zh) | 2020-07-17 | 2020-07-17 | 基于深度学习的肺部全扫描图像egfr突变预测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111814893A true CN111814893A (zh) | 2020-10-23 |
Family
ID=72864953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010692811.8A Pending CN111814893A (zh) | 2020-07-17 | 2020-07-17 | 基于深度学习的肺部全扫描图像egfr突变预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111814893A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113017674A (zh) * | 2021-03-11 | 2021-06-25 | 中日友好医院(中日友好临床医学研究所) | 基于胸部ct图像的egfr基因突变检测方法和系统 |
TWI805290B (zh) * | 2022-03-28 | 2023-06-11 | 臺北醫學大學 | 用於預測肺腺癌是否具有表皮生長因子受體突變的方法 |
CN116309368A (zh) * | 2023-02-21 | 2023-06-23 | 北京透彻未来科技有限公司 | 一种基于深度迁移学习的肺癌病理诊断系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751178A (zh) * | 2015-03-31 | 2015-07-01 | 上海理工大学 | 基于形状模板匹配结合分类器的肺结节检测装置及方法 |
CN106326931A (zh) * | 2016-08-25 | 2017-01-11 | 南京信息工程大学 | 基于深度学习的乳腺钼靶图像自动分类方法 |
CN107274402A (zh) * | 2017-06-27 | 2017-10-20 | 北京深睿博联科技有限责任公司 | 一种基于胸部ct影像的肺结节自动检测方法及系统 |
CN107665491A (zh) * | 2017-10-10 | 2018-02-06 | 清华大学 | 病理图像的识别方法及系统 |
CN107958271A (zh) * | 2017-12-06 | 2018-04-24 | 电子科技大学 | 基于膨胀卷积的多尺度特征的皮肤病变深度学习识别系统 |
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 |
CN108305253A (zh) * | 2018-03-08 | 2018-07-20 | 麦克奥迪(厦门)医疗诊断系统有限公司 | 一种基于多倍率深度学习的病理全切片诊断方法 |
CN108334909A (zh) * | 2018-03-09 | 2018-07-27 | 南京天数信息科技有限公司 | 基于ResNet的宫颈癌TCT数字切片数据分析方法 |
CN111079862A (zh) * | 2019-12-31 | 2020-04-28 | 西安电子科技大学 | 基于深度学习的甲状腺乳头状癌病理图像分类方法 |
-
2020
- 2020-07-17 CN CN202010692811.8A patent/CN111814893A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751178A (zh) * | 2015-03-31 | 2015-07-01 | 上海理工大学 | 基于形状模板匹配结合分类器的肺结节检测装置及方法 |
CN106326931A (zh) * | 2016-08-25 | 2017-01-11 | 南京信息工程大学 | 基于深度学习的乳腺钼靶图像自动分类方法 |
CN107274402A (zh) * | 2017-06-27 | 2017-10-20 | 北京深睿博联科技有限责任公司 | 一种基于胸部ct影像的肺结节自动检测方法及系统 |
CN107665491A (zh) * | 2017-10-10 | 2018-02-06 | 清华大学 | 病理图像的识别方法及系统 |
CN107958271A (zh) * | 2017-12-06 | 2018-04-24 | 电子科技大学 | 基于膨胀卷积的多尺度特征的皮肤病变深度学习识别系统 |
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 |
CN108305253A (zh) * | 2018-03-08 | 2018-07-20 | 麦克奥迪(厦门)医疗诊断系统有限公司 | 一种基于多倍率深度学习的病理全切片诊断方法 |
CN108334909A (zh) * | 2018-03-09 | 2018-07-27 | 南京天数信息科技有限公司 | 基于ResNet的宫颈癌TCT数字切片数据分析方法 |
CN111079862A (zh) * | 2019-12-31 | 2020-04-28 | 西安电子科技大学 | 基于深度学习的甲状腺乳头状癌病理图像分类方法 |
Non-Patent Citations (4)
Title |
---|
SHUO WANG 等: ""Predicting EGFR Mutation Status in Lung Adenocarcinoma on CT Image Using Deep Learning"", 《EUROPEAN RESPIRATORY JOURNAL》 * |
张满: "孤立性肺结节良恶性预测模型的建立", 《中国博士学位论文全文数据库 医药卫生科技辑》 * |
李宝明 等: "基于深度级联网络的乳腺淋巴结全景图像的癌转移区域自动识别", 《中国生物医药工程学报》 * |
霍冠英 等: "《侧扫描声呐图像目标分割》", 30 April 2017, 哈尔滨工程大学出版社 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113017674A (zh) * | 2021-03-11 | 2021-06-25 | 中日友好医院(中日友好临床医学研究所) | 基于胸部ct图像的egfr基因突变检测方法和系统 |
TWI805290B (zh) * | 2022-03-28 | 2023-06-11 | 臺北醫學大學 | 用於預測肺腺癌是否具有表皮生長因子受體突變的方法 |
CN116309368A (zh) * | 2023-02-21 | 2023-06-23 | 北京透彻未来科技有限公司 | 一种基于深度迁移学习的肺癌病理诊断系统 |
CN116309368B (zh) * | 2023-02-21 | 2023-11-14 | 北京透彻未来科技有限公司 | 一种基于深度迁移学习的肺癌病理诊断系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113454733B (zh) | 用于预后组织模式识别的多实例学习器 | |
CN108564026B (zh) | 用于甲状腺肿瘤细胞学涂片图像分类的网络构建方法及系统 | |
WO2021062904A1 (zh) | 基于病理图像的tmb分类方法、系统及tmb分析装置 | |
CN111814893A (zh) | 基于深度学习的肺部全扫描图像egfr突变预测方法和系统 | |
CN108564123B (zh) | 一种甲状腺肿瘤细胞学涂片图像分类方法及其装置 | |
CN116189179A (zh) | 循环肿瘤细胞扫描分析设备 | |
EP3053138A1 (en) | Systems and methods for adaptive histopathology image unmixing | |
Xu et al. | Using transfer learning on whole slide images to predict tumor mutational burden in bladder cancer patients | |
WO2023124562A1 (zh) | 基于机器学习的细胞分割和分型方法、装置、设备及介质 | |
US20230306598A1 (en) | Systems and methods for mesothelioma feature detection and enhanced prognosis or response to treatment | |
Ke et al. | Identifying patch-level MSI from histological images of colorectal cancer by a knowledge distillation model | |
WO2023014789A1 (en) | System and method for pathology image analysis using a trained neural network and active learning framework | |
Su et al. | Interpretable tumor differentiation grade and microsatellite instability recognition in gastric cancer using deep learning | |
CN114743672A (zh) | 一种nsclc淋巴结转移风险的智能预测方法及系统 | |
Harder et al. | Large‐scale tracking and classification for automatic analysis of cell migration and proliferation, and experimental optimization of high‐throughput screens of neuroblastoma cells | |
Qu et al. | Rethinking multiple instance learning for whole slide image classification: A good instance classifier is all you need | |
US20230282362A1 (en) | Systems and methods for determining breast cancer prognosis and associated features | |
CN115831365A (zh) | 基于筛选器和病理图像的乳腺癌分子亚型预测模型的构建方法、装置、预测方法 | |
Arslan et al. | Evaluation of a predictive method for the H&E-based molecular profiling of breast cancer with deep learning | |
CN112101409A (zh) | 基于病理图像的肿瘤突变负荷(tmb)分类方法与系统 | |
Cai et al. | Image analysis and pattern extraction of proteins classes from one-dimensional gels electrophoresis | |
CN117152509B (zh) | 基于级联深度学习的胃部病理诊断与分型系统 | |
Hu et al. | Flexible and Highly-Efficient Feature Perception for Molecular Traits Prediction via Self-interactive Deep Learning | |
Zhu et al. | Diagnosis and survival prediction of colorectal cancer using deep learning from the histopathological HE images | |
CN116030017B (zh) | 基于多模态卷积神经网络的病理预后分析方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201023 |
|
RJ01 | Rejection of invention patent application after publication |