CN111986148B - 一种前列腺数字病理图像的快速Gleason评分系统 - Google Patents

一种前列腺数字病理图像的快速Gleason评分系统 Download PDF

Info

Publication number
CN111986148B
CN111986148B CN202010679683.3A CN202010679683A CN111986148B CN 111986148 B CN111986148 B CN 111986148B CN 202010679683 A CN202010679683 A CN 202010679683A CN 111986148 B CN111986148 B CN 111986148B
Authority
CN
China
Prior art keywords
patch
prostate
data
digital pathology
semantic segmentation
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
CN202010679683.3A
Other languages
English (en)
Other versions
CN111986148A (zh
Inventor
张敬谊
丁偕
王瑜
刘全祥
杨佐鹏
刘鸣
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.)
Shanghai Fugao Computer Technology Co ltd
WONDERS INFORMATION CO Ltd
Original Assignee
Shanghai Fugao Computer Technology Co ltd
WONDERS INFORMATION CO Ltd
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 Shanghai Fugao Computer Technology Co ltd, WONDERS INFORMATION CO Ltd filed Critical Shanghai Fugao Computer Technology Co ltd
Priority to CN202010679683.3A priority Critical patent/CN111986148B/zh
Publication of CN111986148A publication Critical patent/CN111986148A/zh
Application granted granted Critical
Publication of CN111986148B publication Critical patent/CN111986148B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • 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
    • 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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • 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
    • G06T2207/30081—Prostate

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种前列腺数字病理图像的快速Gleason评分系统，其特征在于，包括：数据预处理单元，用于对前列腺数字病理图像进行数据预处理；加载预训练权重的语义分割网络，用于根据数据预处理单元输出的patch切片输出五通道概率图；Gleason评分单元，对五通道概率图进行后处理后利用ISUP分级规则计算得到前列腺数字病理图像的Gleason评分。本发明使用深度神经网络的技术结合前列腺数字病理图像的特点，快速、自动分析预测Gleason评分，减少主观判断的错误，提供更准确的Gleason评分参考。

Description

一种前列腺数字病理图像的快速Gleason评分系统
技术领域
本发明涉及前列腺癌和医学影像技术领域，特别涉及一种前列腺数字病理图像的快速Gleason评分系统。
背景技术
前列腺癌是男性致死率第二高的恶性肿瘤，前列腺癌虽然常见，但往往不具侵蚀性，因此医生很难确定癌症是否对患者构成足够大的风险，以至于必须进行治疗，例如通过手术切除前列腺或放疗。Gleason分级是帮助我们对前列腺癌患者进行风险评估的重要方法，其使用显微镜观察载玻片，并根据样本与正常前列腺之间的相似程度对癌细胞进行分级。
虽然前列腺癌Gleason分级的临床意义已经得到广泛认可，但操作过程非常复杂，并且具有主观性。此外，接受过专业培训的病理学家还远远不足，无法满足全球的前列腺癌病理诊断需求，在发展中国家尤为突出。目前提出的指导原则也建议病理学家在最终诊断报告中写明不同Gleason分级下的肿瘤预后良好概率，这不仅加大了病理学家的工作量，还为其带来另一个主观挑战。目前深度学习的快速发展，通过利用基于深度学习模型来改进前列腺癌的诊断是一种有效的解决方法。
发明内容
本发明要解决的技术问题是：传统Gleason评分方法主观性大、操作过程复杂、任务繁重，无法满足前列腺癌病理诊断需求。
为了解决上述技术问题，本发明的技术方案是提供了一种前列腺数字病理图像的快速Gleason评分系统，其特征在于，包括：
数据预处理单元，用于对前列腺数字病理图像进行数据预处理，从前列腺数字病理图像上切出与组织区域相对应的若干patch切片，并将patch切片染色标准化到模板染色空间；在对语义分割网络进行训练时，数据预处理单元还用于对染色标准化的patch切片数据进行数据增强；
加载预训练权重的语义分割网络，用于根据数据预处理单元输出的patch切片输出五通道概率图，每个通道对应一个类别的概率图，类别为Gleason评分1至5分所对应的5个类别，其中，语义分割网络的训练过程包括以下步骤：
步骤1、将用于训练的样本前列腺数字病理图像输入数据预处理单元后，获得由数据增强后的patch切片数据组成的patch集合，patch集合中的patch切片数据按照包含像素的类别打标签，并且patch集合只保留像素为单一分类的patch切片数据，分类的类别为Gleason评分1至5分所对应的5个类别；
步骤2、利用步骤1得到的patch集合中的patch切片图像转换为小尺寸图像训练深度神经网络作为主干网络加全连接层的patch级分类模型；
步骤3、利用patch集合中的patch切片数据的像素级生成的掩码图作为标签、patch集合作为输入训练语义分割网络，语义分割网络结构的下采样部分为已训练的patch级分类模型的主干网络部分、上采样部分为具有跳跃链接的反卷积结构，将步骤2得到的训练后的patch级分类模型的主干网络部分的权重加载到语义分割网络的下采样部分中作为预训练权重，语义分割网络其他结构的参数均使用凯明初始化；
Gleason评分单元，对五通道概率图进行后处理后利用ISUP分级规则计算得到前列腺数字病理图像的Gleason评分。
优选地，所述数据预处理单元采用数据平衡、随机旋转、翻转的方式对染色标准化的patch切片数据进行数据增强。
优选地，所述数据预处理单元包括：
组织区域提取模块，使用大津法对前列腺数字病理图像做自动组织提取，生成组织区域的二值图掩码缩略图；
patch切片提取模块，依据组织区域提取模块生成的二值图掩码缩略图提供的组织区域位置，从前列腺数字病理图像上切出若干patch切片；
染色标准化模块，用于将patch切片提取模块提取的若干patch切片标准化到模板染色空间，其中，模板染色空间采用以下步骤生成：
选取多张相同医院染色的数字病理图像，将所有数字病理图像转换至LAB染色后统计所有LAB染色图像的均值方差，以均值方差作为特征向量进行K-means聚类，选择最大类的聚类中心作为所述模板染色空间。
优选地，步骤3中，训练语义分割网络时分步训练，先固定预训练权重训练上采样部分，之后再训练整个语义分割网络。
优选地，所述Gleason评分单元包括：
后处理模块，用于将所述语义分割网络输出的所述五通道概率图转化为五分类掩码图，五分类掩码图中每个像素点的分类是五通道概率图中概率值最大的通道对应的分类；
掩码图精细化模块，将使用大津法对前列腺数字病理图像进行处理后获得组织区域和后处理模块输出的五分类掩码图取交集获得精细化后的掩码图；
Gleason评分计算模块，计算掩码图精细化模块输出的精细化后的掩码图每一类Gleason评分的组织占总组织区域的占比，占比最大的评分为主要评分分级，次之为次要评分分级，若精细化后的掩码图中包含大于两类Gleason评分的组织，除记录主要评分和次要评分外，还记录最高评分分级，随后结合主要评分分级、次要评分分级、最高评分分级和相应的面积占比，依据ISUP分级规则计算前列腺数字病理图像的Gleason评分。
本发明使用深度神经网络的技术结合前列腺数字病理图像的特点，快速、自动分析预测Gleason评分，减少主观判断的错误，提供更准确的Gleason评分参考。
附图说明
图1为本发明的总体流程图；
图2为本发明的图像数据预处理步骤的流程图；
图3为本发明的Gleason评分语义分割模型的训练流程图；
图4为本发明的概率图分析步骤的流程图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明提供的一种前列腺数字病理图像的快速Gleason评分系统包括数据预处理单元、加载预训练权重的语义分割网络以及Gleason评分单元。
由数据预处理单元对前列腺数字病理图像进行数据预处理操作，通过格式转换和色彩空间转换，实现图像的标准化和归一化。然后将经过数据预处理单元处理之后的图像数据输入经过加载预训练权重的语义分割网络，获得五通道概率图。最后由Gleason评分单元对五通道概率图进行后处理，并利用ISUP分级规则计算得到整张前列腺数字病理图像的Gleason评分。
如图2所示，数据预处理单元的实现方法包括以下步骤：
步骤101：使用大津法对前列腺数字病理图像做自动组织提取，生成组织区域的二值图掩码缩略图。
步骤102：依据二值图掩码缩略图提供的组织区域位置，从前列腺数字病理图像上切出若干patch切片。
步骤103：在步骤102得到的patch切片图像上使用Reinhard算法将染色标准化到模板染色空间。为了保证模板染色空间统计足够多、足够平均的各种组织的染色，选取了总计3000多张相同医院染色的数字病理图像作为模板染色空间的数据来源。将上述3000多张数字病理图像转换至LAB染色，并统计所有数字病理图像的均值方差。由于3000多张数字病理图像不一定都满足染色标准，可能有染色不标准的或者组织构成特殊的图像，所以本发明中不是直接对LAB空间的均值方差做平均得到模板染色空间，而是以均值方差作为特征向量对所有数据做K-means聚类，通过聚类算法得到的最大类可以尽量地克服染色特殊的状况。选择最大类的聚类中心作为模板染色空间。
在对语义分割网络进行训练时，对于样本前列腺数字病理图像除了采用上述步骤101至步骤103的处理过程外，由于数字病理图像的样本数据量规模较小，因此为了提高模型的鲁棒性和泛化能力，还包括：
步骤104：对经过步骤103处理后的patch切片图像数据利用数据平衡、随机旋转、翻转的方式进行数据增强。
在对语义分割网络进行训练时，由于不同Gleason评分的组织特征差异不够明显，因此需要高维语义特征用来区分。若直接使用语义分割网络模型很难收敛，因此在对语义分割网络进行训练时，本发明先在小尺寸patch切片图像上训练patch级分类模型，patch级分类模型将包括但不限于Resnet在内的深度神经网络作为主干网络加全连接层，将训练后的patch级分类模型的主干网络作为语义分割网络的下采样部分的预训练权重，结合像素级标签训练语义分割网络。
具体而言，本发明中对语义分割网络的训练包括以下步骤：
步骤201：生成patch分类数据集
利用上述步骤101至步骤104对作为样本的前列腺数字病理图像进行预处理，切片为大小为224×224的patch切片图像，所有patch切片图像构成patch分类数据集。patch分类数据集中将patch切片图像按照包含像素的类别打标签，并且patch分类数据集中只保留patch切片图像中像素为单一分类的patch。分类的类别为与Gleason评分1至5分相对应的5个类别。
步骤202：训练patch级分类模型
patch级分类模型使用包括但不限于Resnet作为主干网络加全连接层，用步骤201获得的patch分类数据集对patch级分类模型进行训练。训练过程中保证每个patch的数据绝对平衡，对patch做随机的旋转、翻转。
步骤203：训练语义分割网络
利用上述步骤101至步骤104对作为样本的前列腺数字病理图像进行预处理，切片为大小为1024×1024的patch切片图像作为输入，并且将像素级标签生成的掩码图作为标签对语义分割网络进行训练。语义分割网络的下采样部分为patch级分类模型的主干网络部分，上采样部分为中间有跳跃链接存在的反卷积结构。将步骤202得到的训练后的patch级分类模型的主干网络部分的权重加载到语义分割网络的下采样部分中作为预训练权重，网络其他结构的参数均使用凯明初始化。
在训练语义分割网络时分步训练，先固定预训练权重训练上采样部分，之后再训练整个网络。
完成语义分割网络的训练后，利用实时输入的前列腺数字病理图像生成五通道概率图时，采用上述步骤101至步骤103对作为实时输入的前列腺数字病理图像进行预处理，切片为大小为1024×1024的patch切片图像作为训练好的语义分割网络的输入，输入语义分割网络和Softmax激活层，最终输出一个五通道概率图，每个通道对应一个类别的概率图。
Gleason评分单元对五通道概率图进行后处理生成掩码图，随后和组织区域的掩码图取交集，精细化分割结果，计算各个类别占组织区域的面积的百分比，按照ISUP分级规则计算整张数字病理图像的Gleason评分，其中，ISUP分级是国际泌尿病理学会制定的用于前列腺Gleason评分分级的评分标准。具体而言，包括以下几个步骤：
步骤301：概率图后处理
将五通道概率图转化为五分类掩码图，五分类掩码图中的每个像素点的分类是五通道概率图中概率值最大的通道对应的分类，经过开闭运算等后处理的方式去噪点填充空洞生成五分类掩码图。
步骤302：掩码图精细化
通过大津法分割出实时输入的前列腺数字病理图像中的组织部分，将获得组织区域和五分类掩码图取交集，得到精细化的掩码图。
步骤303：计算各Gleason评分组织的面积占比
计算精细化的掩码图每一类Gleason评分的组织占总组织区域的占比，占比最大的评分为主要评分分级，次之为次要评分分级。如果掩码图中包含大于2种Gleason评分的组织，除了主要评分和次要评分还要记录最高评分分级。
步骤304：结合上述步骤得到的主要评分分级、次要评分分级、最高评分分级和相应的面积占比，依据ISUP分级规则计算实时输入的前列腺数字病理图像的Gleason评分。

Claims (4)

1.一种前列腺数字病理图像的快速Gleason评分系统，其特征在于，包括：
数据预处理单元，用于对前列腺数字病理图像进行数据预处理，从前列腺数字病理图像上切出与组织区域相对应的若干patch切片，并将patch切片染色标准化到模板染色空间；在对语义分割网络进行训练时，数据预处理单元还用于对染色标准化的patch切片数据进行数据增强；
加载预训练权重的语义分割网络，用于根据数据预处理单元输出的patch切片输出五通道概率图，每个通道对应一个类别的概率图，类别为Gleason评分1至5分所对应的5个类别，其中，语义分割网络的训练过程包括以下步骤：
步骤1、将用于训练的样本前列腺数字病理图像输入数据预处理单元后，获得由数据增强后的patch切片数据组成的patch集合，patch集合中的patch切片数据按照包含像素的类别打标签，并且patch集合只保留像素为单一分类的patch切片数据，分类的类别为Gleason评分1至5分所对应的5个类别；
步骤2、利用步骤1得到的patch集合中的patch切片图像转换为小尺寸图像训练深度神经网络作为主干网络加全连接层的patch级分类模型；
步骤3、利用patch集合中的patch切片数据的像素级生成的掩码图作为标签、patch集合作为输入训练语义分割网络，语义分割网络结构的下采样部分为已训练的patch级分类模型的主干网络部分、上采样部分为具有跳跃链接的反卷积结构，将步骤2得到的训练后的patch级分类模型的主干网络部分的权重加载到语义分割网络的下采样部分中作为预训练权重，语义分割网络其他结构的参数均使用凯明初始化；
Gleason评分单元，对五通道概率图进行后处理后利用ISUP分级规则计算得到前列腺数字病理图像的Gleason评分，包括：
后处理模块，用于将所述语义分割网络输出的所述五通道概率图转化为五分类掩码图，五分类掩码图中每个像素点的分类是五通道概率图中概率值最大的通道对应的分类；
掩码图精细化模块，将使用大津法对前列腺数字病理图像进行处理后获得组织区域和后处理模块输出的五分类掩码图取交集获得精细化后的掩码图；
Gleason评分计算模块，计算掩码图精细化模块输出的精细化后的掩码图每一类Gleason评分的组织占总组织区域的占比，占比最大的评分为主要评分分级，次之为次要评分分级，若精细化后的掩码图中包含大于两类Gleason评分的组织，除记录主要评分和次要评分外，还记录最高评分分级，随后结合主要评分分级、次要评分分级、最高评分分级和相应的面积占比，依据ISUP分级规则计算前列腺数字病理图像的Gleason评分。
2.如权利要求1所述的一种前列腺数字病理图像的快速Gleason评分系统，其特征在于，所述数据预处理单元采用数据平衡、随机旋转、翻转的方式对染色标准化的patch切片数据进行数据增强。
3.如权利要求1所述的一种前列腺数字病理图像的快速Gleason评分系统，其特征在于，所述数据预处理单元包括：
组织区域提取模块，使用大津法对前列腺数字病理图像做自动组织提取，生成组织区域的二值图掩码缩略图；
patch切片提取模块，依据组织区域提取模块生成的二值图掩码缩略图提供的组织区域位置，从前列腺数字病理图像上切出若干patch切片；
染色标准化模块，用于将patch切片提取模块提取的若干patch切片标准化到模板染色空间，其中，模板染色空间采用以下步骤生成：
选取多张相同医院染色的数字病理图像，将所有数字病理图像转换至LAB染色后统计所有LAB染色图像的均值方差，以均值方差作为特征向量进行K-means聚类，选择最大类的聚类中心作为所述模板染色空间。
4.如权利要求1所述的一种前列腺数字病理图像的快速Gleason评分系统，其特征在于，步骤3中，训练语义分割网络时分步训练，先固定预训练权重训练上采样部分，之后再训练整个语义分割网络。
CN202010679683.3A 2020-07-15 2020-07-15 一种前列腺数字病理图像的快速Gleason评分系统 Active CN111986148B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010679683.3A CN111986148B (zh) 2020-07-15 2020-07-15 一种前列腺数字病理图像的快速Gleason评分系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010679683.3A CN111986148B (zh) 2020-07-15 2020-07-15 一种前列腺数字病理图像的快速Gleason评分系统

Publications (2)

Publication Number Publication Date
CN111986148A CN111986148A (zh) 2020-11-24
CN111986148B true CN111986148B (zh) 2024-03-08

Family

ID=73437697

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010679683.3A Active CN111986148B (zh) 2020-07-15 2020-07-15 一种前列腺数字病理图像的快速Gleason评分系统

Country Status (1)

Country Link
CN (1) CN111986148B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112908484A (zh) * 2021-01-18 2021-06-04 吾征智能技术(北京)有限公司 一种跨模态融合分析疾病的系统、设备、存储介质
CN113674252B (zh) * 2021-08-25 2024-07-12 上海鹏冠生物医药科技有限公司 一种基于图神经网络的组织细胞病理图像诊断系统
CN115274093B (zh) * 2022-07-26 2023-06-23 华东师范大学 生成包含自动标注文件的基准病理数据集的方法及系统
CN116631617B (zh) * 2023-05-04 2023-12-15 北京透彻未来科技有限公司 前列腺Gleason评分系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102308212A (zh) * 2008-12-04 2012-01-04 加利福尼亚大学董事会 用于确定前列腺癌诊断和预后的材料和方法
CN107330263A (zh) * 2017-06-26 2017-11-07 成都知识视觉科技有限公司 一种计算机辅助乳腺浸润性导管癌组织学分级的方法
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
CN108364288A (zh) * 2018-03-01 2018-08-03 北京航空航天大学 用于乳腺癌病理图像的分割方法和装置
CN110111344A (zh) * 2019-05-13 2019-08-09 广州锟元方青医疗科技有限公司 病理切片图像分级方法、装置、计算机设备和存储介质
CN111028206A (zh) * 2019-11-21 2020-04-17 万达信息股份有限公司 一种基于深度学习前列腺癌自动检测和分类系统
CN111368669A (zh) * 2020-02-26 2020-07-03 福建师范大学 一种基于深度学习和特征增强的非线性光学图像识别方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7761240B2 (en) * 2004-08-11 2010-07-20 Aureon Laboratories, Inc. Systems and methods for automated diagnosis and grading of tissue images
WO2013049153A2 (en) * 2011-09-27 2013-04-04 Board Of Regents, University Of Texas System Systems and methods for automated screening and prognosis of cancer from whole-slide biopsy images
US8879819B2 (en) * 2012-12-19 2014-11-04 Definiens Ag Gleason grading by segmenting and combining co-registered images of differently stained tissue slices
US20160307305A1 (en) * 2013-10-23 2016-10-20 Rutgers, The State University Of New Jersey Color standardization for digitized histological images
EP3432784B1 (en) * 2016-03-24 2020-09-23 The Regents of The University of California Deep-learning-based cancer classification using a hierarchical classification framework
DK3586305T3 (da) * 2017-02-22 2021-11-08 Us Health Detektion af prostatakræft ved multiparametrisk mr-scanning med brug af tilfældig skov

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102308212A (zh) * 2008-12-04 2012-01-04 加利福尼亚大学董事会 用于确定前列腺癌诊断和预后的材料和方法
CN107330263A (zh) * 2017-06-26 2017-11-07 成都知识视觉科技有限公司 一种计算机辅助乳腺浸润性导管癌组织学分级的方法
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
CN108364288A (zh) * 2018-03-01 2018-08-03 北京航空航天大学 用于乳腺癌病理图像的分割方法和装置
CN110111344A (zh) * 2019-05-13 2019-08-09 广州锟元方青医疗科技有限公司 病理切片图像分级方法、装置、计算机设备和存储介质
CN111028206A (zh) * 2019-11-21 2020-04-17 万达信息股份有限公司 一种基于深度学习前列腺癌自动检测和分类系统
CN111368669A (zh) * 2020-02-26 2020-07-03 福建师范大学 一种基于深度学习和特征增强的非线性光学图像识别方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
A Multi-scale U-Net for Semantic Segmentation of Histological Images from Radical Prostatectomies;Li J等;《AMIA Annu Symp Proc》;1140-1148 *
Gleason Grading of Histology Prostate Images through Semantic Segmentation via Residual U-Net;Amartya Kalapahar等;《https://arxiv.org/abs/2005.11368》;1-5 *
一种基于树搜索的层次多标签乳腺疾病分类诊断方法;金程笑等;《智能计算机与应用》;第10卷(第2期);34-39 *
前列腺癌影像组学研究进展;吕香凝等;《中国医学影像技术》;第35卷(第12期);1900-1903 *
前列腺磁共振图像分割的反卷积神经网络方法;詹曙等;《中国图象图形学报》;第22卷(第4期);516-522 *
基于深度学习的前列腺癌症辅助检测和诊断;王植炜;《中国博士学位论文全文数据库（医学卫生科技辑）》(第3期);E067-28 *

Also Published As

Publication number Publication date
CN111986148A (zh) 2020-11-24

Similar Documents

Publication Publication Date Title
CN111986148B (zh) 一种前列腺数字病理图像的快速Gleason评分系统
US11842556B2 (en) Image analysis method, apparatus, program, and learned deep learning algorithm
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
CN112101451B (zh) 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法
US10019656B2 (en) Diagnostic system and method for biological tissue analysis
Li et al. A multi-scale u-net for semantic segmentation of histological images from radical prostatectomies
CN111028206A (zh) 一种基于深度学习前列腺癌自动检测和分类系统
Pan et al. Mitosis detection techniques in H&E stained breast cancer pathological images: A comprehensive review
Salvi et al. A hybrid deep learning approach for gland segmentation in prostate histopathological images
CN112085113B (zh) 一种重症肿瘤影像识别系统及方法
CN112263217B (zh) 一种基于改进卷积神经网络的非黑素瘤皮肤癌病理图像病变区域检测方法
CN114693933A (zh) 基于生成对抗网络和多尺度特征融合的医学影像分割装置
CN112767355A (zh) 一种甲状腺结节Tirads分级自动识别模型构建方法及装置
Yonekura et al. Improving the generalization of disease stage classification with deep CNN for glioma histopathological images
CN111899259A (zh) 一种基于卷积神经网络的前列腺癌组织微阵列分级方法
Elayaraja et al. An efficient approach for detection and classification of cancer regions in cervical images using optimization based CNN classification approach
CN115471512A (zh) 一种基于自监督对比学习的医学影像分割方法
CN115206495A (zh) 基于CoAtNet深度学习的肾癌病理图像分析方法、系统及智能显微装置
CN113539476A (zh) 基于人工智能的胃内窥活检拉曼图像辅助诊断方法和系统
Saito et al. Dawn of the digital diagnosis assisting system, can it open a new age for pathology?
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
CN116778250A (zh) 基于迁移学习和cbam的冠脉病变分类方法
Saumiya et al. Unified automated deep learning framework for segmentation and classification of liver tumors
Kalaivani et al. A Deep Ensemble Model for Automated Multiclass Classification Using Dermoscopy Images

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