CN112116559A - 一种基于深度学习的数字病理图像智能分析方法 - Google Patents
一种基于深度学习的数字病理图像智能分析方法 Download PDFInfo
- Publication number
- CN112116559A CN112116559A CN202010824348.8A CN202010824348A CN112116559A CN 112116559 A CN112116559 A CN 112116559A CN 202010824348 A CN202010824348 A CN 202010824348A CN 112116559 A CN112116559 A CN 112116559A
- Authority
- CN
- China
- Prior art keywords
- pathological
- digital
- images
- intelligent analysis
- image
- 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
- 230000001575 pathological effect Effects 0.000 title claims abstract description 76
- 238000004458 analytical method Methods 0.000 title claims abstract description 66
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000003745 diagnosis Methods 0.000 claims abstract description 22
- 230000003902 lesion Effects 0.000 claims abstract description 8
- 238000002372 labelling Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000007170 pathology Effects 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 12
- 206010028980 Neoplasm Diseases 0.000 claims description 9
- 238000000034 method Methods 0.000 claims description 9
- 201000011510 cancer Diseases 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 claims description 4
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 201000010099 disease Diseases 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000004195 computer-aided diagnosis Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000003855 cell nucleus Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004940 nucleus Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 206010039083 rhinitis Diseases 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 210000004881 tumor cell Anatomy 0.000 description 1
- 238000011179 visual inspection 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06T2207/30—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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Radiology & Medical Imaging (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的数字病理图像智能分析方法，包括以下步骤：S1：收集各个科室病理图像，并对图像进行分类处理；S2：将图像扫描并上传到计算机，存储在病理图像的数据库，由相关科室的专家对病理图像种病变的区域进行标注并提取，从而获取病变图像的数据库；S3：对数据库内的图像进行预处理，获得算法训练数据库；S4：对算法训练数据库中的病理图像进行分析和学习，获得自动诊断模型和数字病理图像检索模型，从而形成智能分析系统；S5：获取临床数字病理切片数据，对其进行图像扫描并上传到计算机；S6：通过智能分析系统对临床的病理数据进行分析。本发明，可获得准确的分析系统，从而减小结果的误差，提高分析的准确性。
Description
技术领域
本发明涉及病理图像智能分析技术领域，具体是一种基于深度学习的数字病理图像智能分析方法。
背景技术
目前肿瘤病理诊断和后期统计分析是基于病理医生工作经验和知识积累完成分析,其评判结果容易受主观性影响，癌症的亚型分类较多，部分亚型之间也有类似的特征，而且大量病理数据人工分析不仅耗时，并且过度疲劳也很容易影响分析结论。根据国际上最新临床研究成果表明，人工对H&E肿瘤细胞核的统计分析很容易产生误差，细胞核百分比统计过错评估高达45％，而且分析结果因病理医生不同有很大的差异性，对于同一肿瘤，操作者间差异性10％-95％动态变化范围，很容易造成假阴性诊断结果。分析结果不准确将直接影响患者的治疗方案，这给患者带来极大生命危险。病理检查是目前临床癌症诊断的金标准。病理医生的癌症诊断主要依赖于通过显微镜捕获的组织样本图像的视觉检查。然而对于病理医生来说，需要结合自己长期积累的临床分析经验来判断例如鼻炎癌病理切片中是否有癌变，该方法不仅费时，而且对医生的专业知识要求极高。
近年来，随着人工智能技术的快速发展，计算机辅助诊断(ComputerAidedDiagnosis，CAD)在医学领域取得了很大成功。CAD在病理图像的诊断中的主要方法包括传统的机器学习和近年较为流行的深度学习。传统的机器学习需要手动提取图像特征，然后通过分类器进行分类。该方法的分析效果主要依赖于前期手动特征提取的效果。相比于传统方法，深度学习无需手动特征提取，能够自动挖掘病理图像深层特征，直接进行端到端优化。虽然CAD技术在病理图像领域已经取得了不少成功，然而，在实际算法的搭建中，仍然是以单一尺度的特征进行分析，而忽略了不同尺度的特征。
总之，目前病理图像分析存在的主要问题是：病理医生的诊断需要耗费较长的时间，而且对医生专业能力要求很高；传统的机器学习方法对病理图像进行分析，主要依赖于提取特征的效果，这对研究人员的专业知识要求较高。
现有虽然有些分析方法可以在一定程度上提高效率，但其分析结果存在较大，不能提高很好的判断。
发明内容
本发明的目的在于提供一种基于深度学习的数字病理图像智能分析方法，以解决现有技术中的问题。
为实现上述目的，本发明提供如下技术方案：一种基于深度学习的数字病理图像智能分析方法，包括以下步骤：
S1：收集各个科室病理图像，并对图像进行分类处理；
S2：将图像扫描并上传到计算机，存储在病理图像的数据库，由相关科室的专家对病理图像种病变的区域进行标注并提取，从而获取病变图像的数据库；
S3：对数据库内的图像进行预处理，获得算法训练数据库；
S4：对算法训练数据库中的病理图像进行分析和学习，获得自动诊断模型和数字病理图像检索模型，从而形成智能分析系统；
S5：获取临床数字病理切片数据，对其进行图像扫描并上传到计算机；
S6：通过智能分析系统对临床的病理数据进行分析，并将结果传输给医生，辅助医生判断；
S7：医生可根据临床实际的结果，可修订算法训练数据库，并更新自动诊断模型和数字病理图像检索模型，从而形成实时智能分析系统。
优选的，所述步骤S1中对于图像的分类处理是按照科室的种类以及疾病的类别进行分类。
优选的，所述步骤S2中识别数字病理图像数据库中的数字病理图像数据，剔除无法进行辨别的数字病理图像数据，并对删除后剩余的数字病理图像数据合理统一处理。
优选的，所述对数字病理图像数据合理统一处理是将能够辨认的数据进行缩放、逐样本减均值和特征数据标准化处理。
优选的，所述统一处理后的数字病理图像数据通过数据增强算法进行处理，得到算法训练用数据集。
优选的，所述将算法训练用数据集中的数字病理图像和与数字病理图像对应的标注信息进行样本采集，将采集的样本按比例划分为训练集、验证集以及测试集三个训练用数据子集。
优选的，所述步骤S6中智能分析系统的是利用训练阶段生成的算法模型参数，算法模型可以直接处理同类型问题的全新的数据，并自动给出分析结果，即可以输入全新的癌症病理学图片，人工智能分析系统对诊断病理学图像进行诊断以及标记，并给出癌变组织区域的分割结果。
优选的，步骤S7中医生是根据临床中患者实际的病况与人工智能分析系统分析的结果相对比，如果出现较大偏差，则对算法训练数据库进行修订，从而得到新的自动诊断模型和数字病理图像检索模型，形成更加准确的智能分析系统。
与现有技术相比，本发明的有益效果是：
1、通过对算法训练数据库中的病理图像进行分析和学习，获得自动诊断模型和数字病理图像检索模型，从而形成智能分析系统；从而可对临床数字病理进行分析判断，提高分析效率；
2、医生可根据临床实际的结果，可修订算法训练数据库，并更新自动诊断模型和数字病理图像检索模型，从而形成实时智能分析系统；从而可获得准确的分析系统，从而减小结果的误差，提高分析的准确性。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明的结构示意图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
请参阅图1，本发明实施例中，一种基于深度学习的数字病理图像智能分析方法，包括以下步骤：
S1：收集各个科室病理图像，并对图像进行分类处理；
S2：将图像扫描并上传到计算机，存储在病理图像的数据库，由相关科室的专家对病理图像种病变的区域进行标注并提取，从而获取病变图像的数据库；
S3：对数据库内的图像进行预处理，获得算法训练数据库；
S4：对算法训练数据库中的病理图像进行分析和学习，获得自动诊断模型和数字病理图像检索模型，从而形成智能分析系统；
S5：获取临床数字病理切片数据，对其进行图像扫描并上传到计算机；
S6：通过智能分析系统对临床的病理数据进行分析，并将结果传输给医生，辅助医生判断；
S7：医生可根据临床实际的结果，可修订算法训练数据库，并更新自动诊断模型和数字病理图像检索模型，从而形成实时智能分析系统。
优选的，所述步骤S1中对于图像的分类处理是按照科室的种类以及疾病的类别进行分类。
优选的，所述步骤S2中识别数字病理图像数据库中的数字病理图像数据，剔除无法进行辨别的数字病理图像数据，并对删除后剩余的数字病理图像数据合理统一处理。
优选的，所述对数字病理图像数据合理统一处理是将能够辨认的数据进行缩放、逐样本减均值和特征数据标准化处理。
优选的，所述统一处理后的数字病理图像数据通过数据增强算法进行处理，得到算法训练用数据集。
优选的，所述将算法训练用数据集中的数字病理图像和与数字病理图像对应的标注信息进行样本采集，将采集的样本按比例划分为训练集、验证集以及测试集三个训练用数据子集。
优选的，所述步骤S6中智能分析系统的是利用训练阶段生成的算法模型参数，算法模型可以直接处理同类型问题的全新的数据，并自动给出分析结果，即可以输入全新的癌症病理学图片，人工智能分析系统对诊断病理学图像进行诊断以及标记，并给出癌变组织区域的分割结果。
优选的，步骤S7中医生是根据临床中患者实际的病况与人工智能分析系统分析的结果相对比，如果出现较大偏差，则对算法训练数据库进行修订，从而得到新的自动诊断模型和数字病理图像检索模型，形成更加准确的智能分析系统。
本发明的工作原理是：通过对算法训练数据库中的病理图像进行分析和学习，获得自动诊断模型和数字病理图像检索模型，从而形成智能分析系统；从而可对临床数字病理进行分析判断，提高分析效率；医生可根据临床实际的结果，可修订算法训练数据库，并更新自动诊断模型和数字病理图像检索模型，从而形成实时智能分析系统；从而可获得准确的分析系统，从而减小结果的误差，提高分析的准确性。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于深度学习的数字病理图像智能分析方法，其特征在于：包括以下步骤：
S1：收集各个科室病理图像，并对图像进行分类处理；
S2：将图像扫描并上传到计算机，存储在病理图像的数据库，由相关科室的专家对病理图像种病变的区域进行标注并提取，从而获取病变图像的数据库；
S3：对数据库内的图像进行预处理，获得算法训练数据库；
S4：对算法训练数据库中的病理图像进行分析和学习，获得自动诊断模型和数字病理图像检索模型，从而形成智能分析系统；
S5：获取临床数字病理切片数据，对其进行图像扫描并上传到计算机；
S6：通过智能分析系统对临床的病理数据进行分析，并将结果传输给医生，辅助医生判断；
S7：医生可根据临床实际的结果，可修订算法训练数据库，并更新自动诊断模型和数字病理图像检索模型，从而形成实时智能分析系统。
2.根据权利要求1所述的一种基于深度学习的数字病理图像智能分析方法，其特征在于：所述步骤S1中对于图像的分类处理是按照科室的种类以及疾病的类别进行分类。
3.根据权利要求1所述的一种基于深度学习的数字病理图像智能分析方法，其特征在于：所述步骤S2中识别数字病理图像数据库中的数字病理图像数据，剔除无法进行辨别的数字病理图像数据，并对删除后剩余的数字病理图像数据合理统一处理。
4.根据权利要求3所述的一种基于深度学习的数字病理图像智能分析方法，其特征在于：所述对数字病理图像数据合理统一处理是将能够辨认的数据进行缩放、逐样本减均值和特征数据标准化处理。
5.根据权利要求3所述的一种基于深度学习的数字病理图像智能分析方法，其特征在于：所述统一处理后的数字病理图像数据通过数据增强算法进行处理，得到算法训练用数据集。
6.根据权利要求1所述的一种基于深度学习的数字病理图像智能分析方法，其特征在于：所述将算法训练用数据集中的数字病理图像和与数字病理图像对应的标注信息进行样本采集，将采集的样本按比例划分为训练集、验证集以及测试集三个训练用数据子集。
7.根据权利要求1所述的一种基于深度学习的数字病理图像智能分析方法，其特征在于：所述步骤S6中智能分析系统的是利用训练阶段生成的算法模型参数，算法模型可以直接处理同类型问题的全新的数据，并自动给出分析结果，即可以输入全新的癌症病理学图片，人工智能分析系统对诊断病理学图像进行诊断以及标记，并给出癌变组织区域的分割结果。
8.根据权利要求1所述的一种基于深度学习的数字病理图像智能分析方法，其特征在于：步骤S7中医生是根据临床中患者实际的病况与人工智能分析系统分析的结果相对比，如果出现较大偏差，则对算法训练数据库进行修订，从而得到新的自动诊断模型和数字病理图像检索模型，形成更加准确的智能分析系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010824348.8A CN112116559A (zh) | 2020-08-17 | 2020-08-17 | 一种基于深度学习的数字病理图像智能分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010824348.8A CN112116559A (zh) | 2020-08-17 | 2020-08-17 | 一种基于深度学习的数字病理图像智能分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112116559A true CN112116559A (zh) | 2020-12-22 |
Family
ID=73804932
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010824348.8A Pending CN112116559A (zh) | 2020-08-17 | 2020-08-17 | 一种基于深度学习的数字病理图像智能分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112116559A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113936776A (zh) * | 2021-10-19 | 2022-01-14 | 赛维森(广州)医疗科技服务有限公司 | 分布式的多病种人工智能病理分析系统 |
| CN116152185A (zh) * | 2023-01-30 | 2023-05-23 | 北京透彻未来科技有限公司 | 一种基于深度学习的胃癌病理诊断系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050234570A1 (en) * | 2003-11-28 | 2005-10-20 | Karla Horsch | Method, system, and medium for prevalence-based computerized analysis of medical images and information |
| CN105975793A (zh) * | 2016-05-23 | 2016-09-28 | 麦克奥迪（厦门）医疗诊断系统有限公司 | 一种基于数字病理图像的癌症辅助诊断方法 |
| CN109961847A (zh) * | 2019-03-20 | 2019-07-02 | 武汉千屏影像技术有限责任公司 | 一种图片、文字和语音结合的病理智能诊断系统 |
| CN110265142A (zh) * | 2019-06-11 | 2019-09-20 | 透彻影像(北京)科技有限公司 | 一种用于病变区域复原图的辅助诊断系统和方法 |
| CN111488921A (zh) * | 2020-03-30 | 2020-08-04 | 中国科学院深圳先进技术研究院 | 一种全景数字病理图像智能分析系统及方法 |
-
2020
- 2020-08-17 CN CN202010824348.8A patent/CN112116559A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050234570A1 (en) * | 2003-11-28 | 2005-10-20 | Karla Horsch | Method, system, and medium for prevalence-based computerized analysis of medical images and information |
| CN105975793A (zh) * | 2016-05-23 | 2016-09-28 | 麦克奥迪（厦门）医疗诊断系统有限公司 | 一种基于数字病理图像的癌症辅助诊断方法 |
| CN109961847A (zh) * | 2019-03-20 | 2019-07-02 | 武汉千屏影像技术有限责任公司 | 一种图片、文字和语音结合的病理智能诊断系统 |
| CN110265142A (zh) * | 2019-06-11 | 2019-09-20 | 透彻影像(北京)科技有限公司 | 一种用于病变区域复原图的辅助诊断系统和方法 |
| CN111488921A (zh) * | 2020-03-30 | 2020-08-04 | 中国科学院深圳先进技术研究院 | 一种全景数字病理图像智能分析系统及方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113936776A (zh) * | 2021-10-19 | 2022-01-14 | 赛维森(广州)医疗科技服务有限公司 | 分布式的多病种人工智能病理分析系统 |
| CN116152185A (zh) * | 2023-01-30 | 2023-05-23 | 北京透彻未来科技有限公司 | 一种基于深度学习的胃癌病理诊断系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108464840B (zh) | 一种乳腺肿块自动检测方法及系统 | |
| WO2022063199A1 (zh) | 一种肺结节自动检测方法、装置及计算机系统 | |
| CN110680326B (zh) | 基于深度卷积神经网络的尘肺病鉴别及分级判定方法 | |
| CN110060774B (zh) | 一种基于生成式对抗网络的甲状腺结节识别方法 | |
| CN111476754B (zh) | 一种骨髓细胞影像人工智能辅助分级诊断系统及方法 | |
| CN107330263A (zh) | 一种计算机辅助乳腺浸润性导管癌组织学分级的方法 | |
| CN112101451A (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 | |
| 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 | |
| CN112950614B (zh) | 一种基于多尺度空洞卷积的乳腺癌病理图片分类方法 | |
| CN112435743A (zh) | 一种基于机器学习的膀胱癌病理组学智能诊断方法及其预后模型 | |
| CN113469987A (zh) | 基于深度学习的牙科x射线图像病变区域定位系统 | |
| CN112419396B (zh) | 一种甲状腺超声视频自动分析方法与系统 | |
| CN115115841B (zh) | 一种阴影斑点图像处理分析方法及系统 | |
| CN112116559A (zh) | 一种基于深度学习的数字病理图像智能分析方法 | |
| CN114822823B (zh) | 基于云计算和人工智能的融合多维度医疗数据的肿瘤精细分类系统 | |
| CN112907581A (zh) | 一种基于深度学习的mri多类脊髓肿瘤分割方法 | |
| CN104835155A (zh) | 基于分形的早期乳腺癌钙化点计算机辅助检测方法 | |
| CN117994238A (zh) | 一种基于大数据的胸外科影像分析方法 | |
| CN113706518A (zh) | 一种基于人工智能的股骨头坏死分期分析方法及系统 | |
| CN112690815A (zh) | 基于肺部图像报告辅助诊断病变等级的系统和方法 | |
| CN113255718B (zh) | 一种基于深度学习级联网络方法的宫颈细胞辅助诊断方法 | |
| CN118154975B (zh) | 基于大数据的肿瘤病理诊断图像分类方法 | |
| CN116612117B (zh) | 一种基于形态学的女性生殖道病原体识别系统 | |
| CN117576127B (zh) | 一种基于病理图像的肝癌区域自动勾画方法 | |
| CN116958128B (zh) | 基于深度学习的医学图像自动定位方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201222 |
|
| RJ01 | Rejection of invention patent application after publication |