CN111899214B - 一种病理切片扫描分析装置及病理切片扫描方法 - Google Patents

一种病理切片扫描分析装置及病理切片扫描方法 Download PDF

Info

Publication number
CN111899214B
CN111899214B CN202010537192.5A CN202010537192A CN111899214B CN 111899214 B CN111899214 B CN 111899214B CN 202010537192 A CN202010537192 A CN 202010537192A CN 111899214 B CN111899214 B CN 111899214B
Authority
CN
China
Prior art keywords
analysis
module
pathological
phenotype
digital
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
Application number
CN202010537192.5A
Other languages
English (en)
Other versions
CN111899214A (zh
Inventor
李辰
高泽宇
吴佳伦
时江波
娄沛良
洪邦洋
帕戈姆·普塔皮拉特
和凯
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202010537192.5A priority Critical patent/CN111899214B/zh
Publication of CN111899214A publication Critical patent/CN111899214A/zh
Application granted granted Critical
Publication of CN111899214B publication Critical patent/CN111899214B/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
    • 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
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • 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
    • 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
    • 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
    • G06T2207/30—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)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种病理切片扫描分析装置及病理切片扫描方法，利用切片扫描模块进行扫描获取数字切片图像，并将获取的数字切片图像传输至分析处理模块，然后通过分析处理模块对选定病理区进行特征提取，同时根据分析任务表型对应的表型特征结果与提取的特征对比，输出提取的特征所对应的表型特征结果所对应的量化分析指标报告，采用分析处理模块对数字切片图像进行预筛，节约计算时间和资源成本，可以加速分析的过程，采用分析处理模块能够实现数字切片图像的多样化处理，不同于其他报告生成的模型直接利用图像编码和文本预测模型完成报告生成，而是利用表型分析结果进行结合生成更加专业合理的分析报告，提高准确率，降低误诊率的目的。

Description

一种病理切片扫描分析装置及病理切片扫描方法
技术领域
本发明属于病理切片领域，具体涉及一种病理切片扫描分析装置及病理切片扫描方法。
背景技术
目前在病理切片分析过程，逐渐由人工分析转变为病理图像智能筛选装置筛选分析，但是目前病理图像智能筛选装置对切片进行筛选分析过程中，其基于已经训练单一数据类型进行筛选，分析对比数据库主要通过人工添加，筛选病理图像不统一，病理筛选装置仅仅作为筛选过程中某些阶段的辅助系统存在，由于数字切片图像的尺寸巨大，导致计算速度慢，计算资源浪费较多。病理图像智能筛选装置依赖于人工智能模型，人工智能模型是基于已知图像数据进行训练的，在临床应用的时候由于各个地区切片图像制作的流程以及设备差异，人工智能模型并不适用于所有切片图像，需要人工更新已知图像数据，无法实现数据之间的有效及时更新，无法及时对新病理特征进行筛选，准确率较低。
发明内容
本发明的目的在于提供一种病理切片扫描分析装置及病理切片扫描方法，以克服现有技术的不足。
为达到上述目的，本发明采用如下技术方案：
一种病理切片扫描分析装置，其特征在于，包括切片扫描模块、分析处理模块、反馈模块、显示模块、存储模块以及传输模块；
切片扫描模块用于扫描获取数字切片图像，并将获取的数字切片图像传输至分析处理模块；
分析处理模块用于数字切片图像切片处理分析，具体包括对数字切片图像进行预筛选得到选定分析病理区，然后根据分析任务表型对选定病理区进行特征提取，同时根据分析任务表型对应的表型特征结果与提取的特征对比，输出提取的特征所对应的表型特征结果所对应的量化分析指标报告；
显示模块用于显示分析处理模块数字切片图像切片处理分析的切片分析过程图像及量化分析指标报告；反馈模块与分析处理模块连接，用于分析处理结果信息反馈输入至分析处理模块，分析处理模块根据分析处理结果信息进行自修正数据更新；存储模块用于表型特征结果与量化分析指标报告数据存储，传输模块用于存储模块内存储信息与外部数据库进行数据交互。
进一步的，分析处理模块包括切片预筛模块、表型分析模块和分析生成模块；切片预筛模块用于对数字切片图像进行预筛选切片得到选定分析病理区；表型分析模块用于对选定的分析病理区根据不同的病理分析任务进行不同类型的表型提取；分析生成模块用于根据表型分析模块所提取出的表型特征和结果进行分析报告的生成。
进一步的，表型提取包括病理区分类、病理区分级和病理区内目标检测。
进一步的，具体表型分析模块包括分类模型、分级模型、计数模型、语义分割模型和目标检测模型；分类模型用于不同组织的分类以及不同病理亚型的识别；
分级模型用于病理等级识别；
计数模型用于统计病理细胞个数，免疫细胞个数以及血细胞个数；
语义分割模型用于识别组织、细胞边界和形状；
目标检测模型用于定位特定的组织或细胞位置。
一种病理切片扫描方法，包括以下步骤：
步骤1)、将病理切片放入切片扫描模块中进行多种尺度的数字成像扫描得到数字切片图像，将扫描后的数字切片图像发送至分析处理模块中；
步骤2)、对数字切片图像进行预筛选得到选定分析病理区，然后根据分析任务表型对选定病理区进行特征提取，同时根据分析任务表型对应的表型特征结果与提取的特征对比，输出提取的特征所对应的表型特征结果所对应的量化分析指标报告；
步骤3)、根据量化分析指标报告所对应的病理部位获取不同的分析报告模板以及文本生成模型，进行数据填充后得到病理切片扫描分析报告。
进一步的，将数字切图像分割成多个子块，然后利用训练好的卷积神经网络模型提取每个子块的特征及其异常可能性；再将每个子块的特征根据该子块的异常可能性的排序，依次输入到序列神经网络模型中，得到该切片的异常可能性；设定特征异常阈值，根据切片的异常可能性过滤掉可能性低于特征异常阈值的切片，同时根据子块的异常可能性过滤掉可能性低于特征异常阈值的子块。
进一步的，将多个子块输入到表型分析模块中，根据不同的部位所导致的不同病理特征分析任务从存储模块中获取不同的模型，进行不同种类的表型分析。
与现有技术相比，本发明具有以下有益的技术效果：
本发明一种病理切片扫描分析装置，利用切片扫描模块进行扫描获取数字切片图像，并将获取的数字切片图像传输至分析处理模块，然后通过分析处理模块对选定病理区进行特征提取，同时根据分析任务表型对应的表型特征结果与提取的特征对比，输出提取的特征所对应的表型特征结果所对应的量化分析指标报告，采用分析处理模块对数字切片图像进行预筛，节约计算时间和资源成本，可以加速分析的过程，采用分析处理模块能够实现数字切片图像的多样化处理，不同于其他报告生成的模型直接利用图像编码和文本预测模型完成报告生成，而是利用表型分析结果进行结合生成更加专业合理的分析报告，提高准确率，降低误诊率的目的，同时通过将分析处理结果信息反馈输入至分析处理模块，根据分析处理结果信息进行自修正数据更新，能够快速准确实现数据库的有效更新，不需要人为导入，准确率高。
进一步的，采用切片预筛模块对数字切片图像进行预筛选切片得到选定分析病理区，利用表型分析模块对选定的分析病理区根据不同的病理分析任务进行不同类型的表型提取，然后根据表型分析模块所提取出的表型特征和结果进行分析报告的生成，提高了检测效率和准确率。
本发明一种病理切片扫描方法，对数字切片图像进行预筛选得到选定分析病理区，然后根据分析任务表型对选定病理区进行特征提取，同时根据分析任务表型对应的表型特征结果与提取的特征对比，输出提取的特征所对应的表型特征结果所对应的量化分析指标报告，根据量化分析指标报告所对应的病理部位获取不同的分析报告模板以及文本生成模型，进行数据填充后得到病理切片扫描分析报告，也可以显示中间的过程结果，呈现装置给出最终结果的原因，增强分析处理过程的可解释性。
进一步的，采用分析处理模块根据评估和修正结果进行自适应学习调整，能够及时对分析处理模块进行数据库更新，从而达到提高准确率，降低误诊率。
附图说明
图1为本发明实施例中模块结构示意图。
图2为本发明实施例中表型分析模块数据处理流程图。
图3为本发明实施例中分析生成模块数据处理流程图。
具体实施方式
下面结合附图对本发明做进一步详细描述：
如图1所示，本发明一种病理切片扫描分析装置，包括切片扫描模块、分析处理模块、反馈模块、显示模块、存储模块以及传输模块；
切片扫描模块的输出和分析处理模块输入端连接，用于扫描获取数字切片图像，并将获取的数字切片图像传输至分析处理模块；
分析处理模块的输出端与显示模块输入端相连接，用于数字切片图像切片处理分析，具体包括对数字切片图像进行预筛选得到选定分析病理区，然后根据分析任务表型对选定病理区进行特征提取，同时根据分析任务表型对应的表型特征结果与提取的特征对比，输出提取的特征所对应的表型特征结果所对应的量化分析指标报告；
显示模块用于显示分析处理模块数字切片图像切片处理分析的切片分析过程图像及量化分析指标报告，将分析处理的各阶段结果进行呈现，不仅可以提供最终的量化指标和分析报告，也可以显示中间的过程结果，呈现装置给出最终结果的原因，增强分析处理过程的可解释性；
反馈模块用于分析处理结果信息反馈输入至分析处理模块；处理人员根据分析处理模块数字切片图像切片处理分析的切片分析过程图像及量化分析指标报告对分析处理阶段各结果进行评估和修正，并根据评估和修正结果对分析处理模块进行优化修正，分析处理模块根据评估和修正结果进行自适应学习调整，能够及时对分析处理模块进行数据库更新，从而达到提高准确率，降低误诊率的目的。
如图2所示，其中分析处理模块包括切片预筛模块、表型分析模块和分析生成模块；切片预筛模块用于对数字切片图像进行预筛选切片得到选定分析病理区，过滤掉与分析无关的数字切片图像区域，即过滤掉无明显病理特征区域，缩小数字切片图像的待分析区域大小，提高分析效率；表型分析模块用于对选定的分析病理区根据不同的病理分析任务进行不同类型的表型提取；分析生成模块用于根据表型分析模块所提取出的表型特征和结果进行分析报告的生成。表型分析模块包括分类模型、分级模型、计数模型、语义分割模型和目标检测模型；分类模型用于不同组织的分类以及不同病理亚型的识别；分级模型用于病理等级识别；计数模型用于统计病理细胞个数，免疫细胞个数以及血细胞个数；语义分割模型用于识别组织、细胞边界和形状；目标检测模型用于定位特定的组织或细胞位置。
表型提取包括病理区分类、病理区分级和病理区内目标检测。
如图2、图3所示，一种病理切片扫描方法，包括以下步骤：
步骤一，将病理切片放入切片扫描模块中进行多种尺度的数字成像扫描得到数字切片图像，将扫描后的数字切片图像发送至分析处理模块中；
步骤二，对数字切片图像进行预筛选得到选定分析病理区，然后根据分析任务表型对选定病理区进行特征提取，同时根据分析任务表型对应的表型特征结果与提取的特征对比，输出提取的特征所对应的表型特征结果所对应的量化分析指标报告；
具体为：数字切片图像首先进入预筛模块，将数字切片图像分割成多个子块；利用训练好的卷积神经网络模型提取每个子块的特征及其异常可能性；再将每个子块的特征根据该子块的异常可能性的排序，依次输入到序列神经网络模型中，得到该切片的异常可能性，同时支持同一切片不同尺度的多张扫描图像融合处理；设定特征异常阈值，根据切片的异常可能性过滤掉可能性低于特征异常阈值的切片，同时根据子块的异常可能性过滤掉可能性低于特征异常阈值的子块。
步骤三，将多个子块输入到表型分析模块中，根据不同的部位所导致的不同病理特征分析任务从存储模块中获取不同的模型，进行不同种类的表型分析；
步骤四，将步骤三中所有的分析结果，输入到分析生成模块中，分析生成模块根据不同的病理部位从存储模块中获取不同的分析报告模板以及文本生成模型进行分析结果填充，得到分析报告；如图3所示，通过显示模块中查看最终的分析报告，同时也可以查看每个分析处理子模块的分析结果，如果分析结果需要修正，则对需要修正的分析报告进行调整和修正，操作的记录都会通过反馈模块反馈到分析处理模块的各子模块中，分析处理模块定期、定量会进行模型的调整，以使得模型更加适配于使用的环境，提升准确率，降低误诊率。
统计信息，如各类细胞数量占比，各类组织面积占比以及病理与正常区域大小比例，作为详细的量化指标生成分析报告模板中；部分图像信息，类别信息作为最终的分析依据填入分析报告模板中，而存在于图像中的表型分析结果则与预先构建好的语义模型相匹配，输入到文本生成网络模型将其转换为可读的文字作为分析报告的一部分。
通过存储模块对训练好的各阶段基础模型进行存储与更新。存储模块通过传输模块连接共享存储服务器，在可选择可控下实现病理分析数据的共享。即，各单位完成的病理数据分析以及产生新病理特征结构，进行数据库建立和相应报告生成，通过共享存储服务器实现数据的共享，建立不同区域之间的数据共享联系，提高病理检测数据库的数据完整度以及更新速度。具体的：在共享存储服务器上传训练好的各阶段基础模型，同时会根据各装置使用单位或机构的意愿选择是否上传微调后的模型，上传后的模型在得到上传的单元或机构的允许后可供其指定的单位和机构进行下载，以达到大带小，老带新，专业互补等目的，提升整个病理分析水平的提高和效率的提升。
分析处理模块中的预筛模块，一方面可以过滤掉部分正常组织切片，另方面可以过滤掉不清晰、含有杂质以及良好器官组织的非有效分析区域。只针对有效切片中的有效分析区域进行后续的分析，而不是整个切片全部分析，极大的降低装置的资源消耗，提升装置的分析处理效率。
分析处理模块中的表型分析和分析生成模块可以完成病变区域量化分析，并给出最终的详细图文信息加量化信息表格的病理报告，不单单是简单的对病变细胞的描述，而是通过图像分析表型在病变语义模型(知识图谱)上的映射，完成图像表型到语义实体的投影，进而利用基于长短时记忆网络的语言生成模型完成报告生成，所生成的报告可以涵盖细胞属性信息，组织排列分布信息等，并以专业的医学词汇进行表述。极大的提升病理医生的工作效率，提升分析报告的专业性，同时量化的指标信息更能提升医生对分析结果的认可度。
反馈模块在使用的过程中可以逐渐提升人工智能模型的适应性，逐步提升模型的准确性和普适性，而不是简单的同一模型，是对于不同地区地域，不同切片制作工艺的“千院千面”装置。
存储模块在使用过程中，支持装置的本地模型上传和共享存储服务器模型下载功能，极大的弥补了不同医院或机构之间技术水平参差不齐，专科领域不一致导致的装置模型更新水平有差异的情况。

Claims (1)

1.一种基于病理切片扫描分析装置的病理切片扫描方法，其特征在于，所述病理切片扫描分析装置包括切片扫描模块、分析处理模块、反馈模块、显示模块、存储模块以及传输模块；
切片扫描模块用于扫描获取数字切片图像，并将获取的数字切片图像传输至分析处理模块；
分析处理模块用于数字切片图像切片处理分析，具体包括对数字切片图像进行预筛选得到选定分析病理区，然后根据分析任务表型对选定病理区进行特征提取，同时根据分析任务表型对应的表型特征结果与提取的特征对比，输出提取的特征所对应的表型特征结果所对应的量化分析指标报告；
显示模块用于显示分析处理模块数字切片图像切片处理分析的切片分析过程图像及量化分析指标报告；反馈模块与分析处理模块连接，用于分析处理结果信息反馈输入至分析处理模块，分析处理模块根据分析处理结果信息进行自修正数据更新；存储模块用于表型特征结果与量化分析指标报告数据存储，传输模块用于存储模块内存储信息与外部数据库进行数据交互；
分析处理模块包括切片预筛模块、表型分析模块和分析生成模块；切片预筛模块用于对数字切片图像进行预筛选切片得到选定分析病理区；表型分析模块用于对选定的分析病理区根据不同的病理分析任务进行不同类型的表型提取；分析生成模块用于根据表型分析模块所提取出的表型特征和结果进行分析报告的生成；
表型提取包括病理区分类、病理区分级和病理区内目标检测；
体表型分析模块包括分类模型、分级模型、计数模型、语义分割模型和目标检测模型；分类模型用于不同组织的分类以及不同病理亚型的识别；
分级模型用于病理等级识别；
计数模型用于统计病理细胞个数，免疫细胞个数以及血细胞个数；
语义分割模型用于识别组织、细胞边界和形状；
目标检测模型用于定位特定的组织或细胞位置；
包括以下步骤：
步骤1)、将病理切片放入切片扫描模块中进行多种尺度的数字成像扫描得到数字切片图像，将扫描后的数字切片图像发送至分析处理模块中；
步骤2)、对数字切片图像进行预筛选得到选定分析病理区，然后根据分析任务表型对选定病理区进行特征提取，同时根据分析任务表型对应的表型特征结果与提取的特征对比，输出提取的特征所对应的表型特征结果所对应的量化分析指标报告；
步骤3)、根据量化分析指标报告所对应的病理部位获取不同的分析报告模板以及文本生成模型，进行数据填充后得到病理切片扫描分析报告；
具体的，将数字切图像分割成多个子块，然后利用训练好的卷积神经网络模型提取每个子块的特征及其异常可能性；再将每个子块的特征根据该子块的异常可能性的排序，依次输入到序列神经网络模型中，得到该切片的异常可能性；设定特征异常阈值，根据切片的异常可能性过滤掉可能性低于特征异常阈值的切片，同时根据子块的异常可能性过滤掉可能性低于特征异常阈值的子块；将多个子块输入到表型分析模块中，根据不同的部位所导致的不同病理特征分析任务从存储模块中获取不同的模型，进行不同种类的表型分析。
CN202010537192.5A 2020-06-12 2020-06-12 一种病理切片扫描分析装置及病理切片扫描方法 Active CN111899214B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010537192.5A CN111899214B (zh) 2020-06-12 2020-06-12 一种病理切片扫描分析装置及病理切片扫描方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010537192.5A CN111899214B (zh) 2020-06-12 2020-06-12 一种病理切片扫描分析装置及病理切片扫描方法

Publications (2)

Publication Number Publication Date
CN111899214A CN111899214A (zh) 2020-11-06
CN111899214B true CN111899214B (zh) 2022-12-09

Family

ID=73207715

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010537192.5A Active CN111899214B (zh) 2020-06-12 2020-06-12 一种病理切片扫描分析装置及病理切片扫描方法

Country Status (1)

Country Link
CN (1) CN111899214B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115063360A (zh) * 2022-06-09 2022-09-16 成都华西精准医学产业技术研究院有限公司 基于虚拟染色的智能判读方法和系统
CN118172774B (zh) * 2024-05-13 2024-08-06 青岛山大齐鲁医院（山东大学齐鲁医院（青岛）） 一种自动识别感兴趣区域的低倍率图像分析方法及装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109979546A (zh) * 2019-04-04 2019-07-05 成都大学 基于人工智能数字病理的网络模型分析平台及构建方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105653858A (zh) * 2015-12-31 2016-06-08 中国科学院自动化研究所 一种基于影像组学的病变组织辅助预后系统和方法
CN106780475B (zh) * 2016-12-27 2019-10-01 北京市计算中心 一种基于病理组织切片图像组织区域的图像处理装置
CN108109152A (zh) * 2018-01-03 2018-06-01 深圳北航新兴产业技术研究院 医学图像分类和分割方法和装置
CN112868020A (zh) * 2018-08-02 2021-05-28 艾美迪斯人工智能有限公司 用于医学成像报告的改进的分析和生成的系统和方法
CN109903839A (zh) * 2019-02-22 2019-06-18 武汉凯德维斯生物技术有限公司 一种基于云平台的医疗影像阅片系统
CN110335256A (zh) * 2019-06-18 2019-10-15 广州智睿医疗科技有限公司 一种病理辅助诊断方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109979546A (zh) * 2019-04-04 2019-07-05 成都大学 基于人工智能数字病理的网络模型分析平台及构建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Brain tumor detection from MR images: Image processing, slicing and PCA based reconstruction;Rupsa Bhattacharjee，and etc;《2012 Third International Conference on Emerging Applications of Information Technology》;20130110;第97-101页 *
人工智能卷积神经网络在全视野数字切片图像分析中的应用进展;赵蒙蒙等;《中国胸心血管外科临床杂志》;20191130;第26卷(第11期);第1063-1068页 *

Also Published As

Publication number Publication date
CN111899214A (zh) 2020-11-06

Similar Documents

Publication Publication Date Title
CN107767376B (zh) 基于深度学习的x线片骨龄预测方法及系统
CN109815945B (zh) 一种基于图像识别的呼吸道检查结果判读系统和方法
CN111899214B (zh) 一种病理切片扫描分析装置及病理切片扫描方法
CN110796661B (zh) 基于卷积神经网络的真菌显微图像分割检测方法及系统
CN113139977B (zh) 一种基于YOLO和U-Net的口腔曲断影像智齿分割方法
CN109636791A (zh) 一种基于深度学习的柑橘黄龙病检测方法、装置及系统
CN115099297A (zh) 一种基于改进型YOLO v5模型的大豆植株表型数据统计方法
CN107516004A (zh) 医学影像图片的识别处理方法及装置
CN109002831A (zh) 一种基于卷积神经网络的乳腺密度分类方法、系统及装置
CN116129096A (zh) 一种马铃薯根系长度的数字化测量系统及其测量方法
CN114240874A (zh) 基于深度卷积神经网络和特征融合的骨龄评定方法、设备及计算机可读存储介质
CN116503548A (zh) 牙齿和牙槽骨图像分割重构方法及系统
CN116071373A (zh) 一种基于融合PCA的U-net模型舌体自动分割方法
CN110766665A (zh) 基于强监督算法和深度学习网络的舌象数据分析方法
CN113205052A (zh) 基于残差深度网络的孢子芽孢识别方法、系统及介质
CN112446421A (zh) 一种基于机器视觉的蚕茧计数与识别方法
Yu et al. Application of improved UNet and EnglightenGAN for segmentation and reconstruction of in situ roots
CN118396946A (zh) 基于深度学习的x射线图像分析方法
CN109903840B (zh) 一种模型整合方法及设备
CN112581459A (zh) 一种农作物分类系统和方法
CN111046901A (zh) 一种骨龄图像数字化处理后自动识别方法
CN106073823A (zh) 一种智能化医用超声图像处理设备、系统及方法
CN111403004A (zh) 一种人工智能ana检测图文报告系统
CN116543154A (zh) 一种基于多层次语义特征的医学影像分割方法
CN109979588A (zh) 图像扫描病理切片系统

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