CN112419452B - 一种胃癌pd-l1数字病理切片图像快速合并系统及方法 - Google Patents
一种胃癌pd-l1数字病理切片图像快速合并系统及方法 Download PDFInfo
- Publication number
- CN112419452B CN112419452B CN202011546997.2A CN202011546997A CN112419452B CN 112419452 B CN112419452 B CN 112419452B CN 202011546997 A CN202011546997 A CN 202011546997A CN 112419452 B CN112419452 B CN 112419452B
- Authority
- CN
- China
- Prior art keywords
- image
- gastric cancer
- cancer cell
- digital pathological
- pathological section
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
-
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
- G06T2207/10056—Microscopic image
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/30092—Stomach; Gastric
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种胃癌PD‑L1数字病理切片图像快速合并系统,包括依次连接的数字化扫描设备和数字病理切片图像快速合并装置;所述数字病理切片图像快速合并装置包括依次连接的胃癌数字病理切片数据库、图像处理单元、配准单元、标注单元和图像合并单元;本发明装置能够实现胃癌PD‑L1数字病理切片图像快速合并,降低医生工作量,提高效率。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种胃癌PD-L1数字病理切片图像快速合并系统及方法。
背景技术
癌症作为全世界人类的最大致死原因,其增长速度日益加快,严重危害人类的生命健康,也是世界医学难题。美国癌症协会的年度统计数据报告显示,2015年,美国新增癌症病例约166万人,死亡60万人;世界卫生组织的统计数据显示,2014年全球新增癌症病例约1410万人,死亡人数达到820万人。世界卫生组织预计,由于全球人口的增长和人口老龄化,以及生活方式、饮食结构和环境变化等因素,到2025年,世界每年新增癌症病例数将达到1930万人,每年死亡病例将超过1000万。
迄今为止,医生和科研人员只能使用常规的仪器和检查方式来检查癌症,如X射线检查、CT检查、磁共振MRI检查。检测效率低下,需要人工进行肉眼识别,耗时长,肉眼判断易出错,主观判断准确率低。
发明内容
有鉴于此,本发明的目的在于提供一种胃癌PD-L1数字病理切片图像快速合并系统及方法,实现胃癌PD-L1数字病理切片图像快速合并,获得最终HE染色图像和PD-L1检测图像的合并图像,有效提高图像合并效率。
为实现上述目的,本发明采用如下技术方案:
一种胃癌PD-L1数字病理切片图像快速合并系统,包括依次连接的数字化扫描设备和数字病理切片图像快速合并装置;所述数字病理切片图像快速合并装置包括依次连接的胃癌数字病理切片数据库、图像处理单元、配准单元、标注单元和图像合并单元;
所述图像处理单元用于对获得的胃癌数字病理切片进行图像预处理,获取胃癌细胞组织区域的HE染色图像和PD-L1检测图像;
所述配准单元用于基于深度学习网络对HE染色图像和PD-L1检测图像进行配准;
所述标注单元用于将预处理后的HE染色图像进行胃癌区域标注,标注过程中区分胃癌细胞的分化程度;
所述图像合并单元用于对PD-L1图像准确分析与HE图像胃癌细胞检测分割,并将胃癌细胞分割结果进行区域扩充后与PD-L1表达阳性区域对照整合,得到合并后的数字病理切片图像。
一种胃癌PD-L1数字病理切片图像快速合并方法,包括以下步骤:
步骤S1:通过数字化扫描设备,获取胃癌全数字病理切片图像;
步骤S2:对获得的胃癌数字病理切片进行图像预处理,获取胃癌细胞组织区域的HE染色图像和PD-L1检测图像;
步骤S3:基于深度学习网络对HE染色图像和PD-L1检测图像进行配准;
步骤S4:将预处理后的HE染色图像进行胃癌区域标注,标注过程中区分胃癌细胞的分化程度;
步骤S5:对PD-L1图像准确分析与HE图像胃癌细胞检测分割,并将胃癌细胞分割结果进行区域扩充后与PD-L1表达阳性区域对照整合,得到合并后的数字病理切片图像。
进一步的,所述图像预处理包括灰度化,几何变换,图像增强,消除图像中的无关信息,增强有关信息的可检测性。
进一步的,所述步骤S3具体为:
步骤S31:以预处理后的胃癌细胞组织区域的HE染色图像和PD-L1检测图像为模板,提取数字图像的特征信息并组成特征空间;
步骤S32:以多张组织区域图的互信息度量作为目标函数,从旋转角度、尺度变换、是否翻转三个维度搜索最优变换矩阵,使得胃癌细胞组织区域和变换后的图像互信息度量最大,得到粗配准结果;
步骤S33:将粗配准图像特征空间的特征点相互对应,根据对应的特征点确定一种空间变换,同时通过优化相似性度量,收敛至最优解;
步骤S34根据得到的最优解,采用数字图像处理的方法对PD-L1表达阳性区域进行准确分析,排除胃癌细胞分布存在的大量散点区域和胞浆阳性区域,得到疑似阳性胃癌细胞区域,完成配准。
进一步的,所述步骤S4具体为:将预处理后的HE染色图像分割成2048*2048的小patch进行标注,标注过程中区分胃癌细胞的分化程度,包括低分化、中分化、高分化,标注胃癌细胞区域要求严格按照统一标准。
进一步的,所述步骤S5具体为:
步骤S51:基于快速区域卷积神经网络训练HE染色图像标注样本,对疑似阳性胃癌细胞区域进行准确分类;
步骤S52:基于HE染色图像的胃癌细胞分割算法,对阳性胃癌细胞进行精确分割,获得胃癌细胞区域的mask图像;
步骤S53:根据得到的胃癌细胞区域的mask图像,使用数字图像处理的方法进行区域扩充;
步骤S54:将扩充后的胃癌细胞区域的mask图像与PD-L1表达阳性区域对照整合,获得最终HE染色图像和PD-L1检测图像的合并图像。
进一步的,所述快速区域卷积神经网络具体为:采用conv+relu+pooling层提取feature maps,获得的feature maps被用于网络后层的RPN层和RoI Pooling层;RPN层用于生成region proposals,其作用是负责识别出分割后的feature map的前景和背景区域,以及获取前景区域的大致坐标;RoI Pooling层负责收集上层输出的proposals,并将其固定成固定长度的输出用于后续全连接层的分类;Classification部分利用从上层获取的proposals,通过full connection和Softmax计算每个proposals的类别,分别输出位置偏移量和概率向量,用于网络回归计算更加精确的目标分类检测框。
进一步的,所述步骤S52具体为:
基于HE染色图像的胃癌细胞分割算法,结合半监督学习策略,利用有限的标签数据+无标签数据混合进行深度神经网络训练;
使用所有数据逐层重构预训练,对网络的每一层进行auto-encoder-decoder操作,得到参数后再利用有标签数据进行fine-tune;
对有标签数据训练,提出将ResNet网络和U-Net网络相结合,并将其改进,对目标特征进行提取,将浅层信息和深层信息拼接融合,在损失函数中加入边界先验信息用于反向传播,以此进行模型参数的更新迭代,增强局部图像的特征提取效果,实现对阳性胃癌细胞进行精确分割,获得胃癌细胞区域的mask图像。
进一步的,所述步骤S53具体为:对胃癌细胞区域的mask图像在20倍镜图像下,使用数字图像处理的方法进行0.55mm的区域扩充。
本发明与现有技术相比具有以下有益效果:
本发明实现胃癌PD-L1数字病理切片图像快速合并,获得最终HE染色图像和PD-L1检测图像的合并图像,有效提高图像合并效率。
附图说明
图1是本发明方法流程示意图;
图2是本发明一实施例中图像配准示意图;
图3是本发明一实施例中半监督学习的深度卷积神经网络结构图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
本发明提供一种胃癌PD-L1数字病理切片图像快速合并系统,包括依次连接的数字化扫描设备和数字病理切片图像快速合并装置;所述数字病理切片图像快速合并装置包括依次连接的胃癌数字病理切片数据库、图像处理单元、配准单元、标注单元和图像合并单元;
图像处理单元用于对获得的胃癌数字病理切片进行图像预处理,获取胃癌细胞组织区域的HE染色图像和PD-L1检测图像;
配准单元用于基于深度学习网络对HE染色图像和PD-L1检测图像进行配准;
标注单元用于将预处理后的HE染色图像进行胃癌区域标注,标注过程中区分胃癌细胞的分化程度;
图像合并单元用于对PD-L1图像准确分析与HE图像胃癌细胞检测分割,并将胃癌细胞分割结果进行区域扩充后与PD-L1表达阳性区域对照整合,得到合并后的数字病理切片图像。
参考图1,本实施例中,还提供一种胃癌PD-L1数字病理切片图像快速合并方法,包括以下步骤:
步骤S1:通过医院病理科的专业胃癌病理切片数字化扫描设备,得到胃癌全数字病理切片图像。在获得不同年龄、性别、胃癌分期的病人病理切片后,构建胃癌数字病理切片数据库。
步骤S2:对获得的胃癌数字病理切片进行图像预处理,对图像有选择地进行灰度化,几何变换,图像增强,消除图像中的无关信息,增强有关信息的可检测性,获取胃癌细胞组织区域的HE染色图像和PD-L1检测图像;
步骤S3:基于深度学习网络对HE染色图像和PD-L1检测图像进行配准;
步骤S4:将预处理后的HE染色图像进行胃癌区域标注,标注过程中区分胃癌细胞的分化程度;
步骤S5:对PD-L1图像准确分析与HE图像胃癌细胞检测分割,并将胃癌细胞分割结果进行区域扩充后与PD-L1表达阳性区域对照整合,得到合并后的数字病理切片图像。
在本实施例中,所述步骤S3具体为:
步骤S31:以预处理后的胃癌细胞组织区域的HE染色图像和PD-L1检测图像为模板,提取数字图像的特征信息并组成特征空间;
步骤S32:以多张组织区域图的互信息度量作为目标函数,从旋转角度、尺度变换、是否翻转三个维度搜索最优变换矩阵,使得胃癌细胞组织区域和变换后的图像互信息度量最大,得到粗配准结果;
步骤S33:将粗配准图像特征空间的特征点相互对应,根据对应的特征点确定一种空间变换,同时通过优化相似性度量,收敛至最优解;
步骤S34根据得到的最优解,采用数字图像处理的方法对PD-L1表达阳性区域进行准确分析,排除胃癌细胞分布存在的大量散点区域和胞浆阳性区域,得到疑似阳性胃癌细胞区域,完成配准。
在本实施例中,所述步骤S4具体为:将预处理后的HE染色图像分割成2048*2048的小patch进行标注,标注过程中区分胃癌细胞的分化程度,包括低分化、中分化、高分化,标注胃癌细胞区域要求严格按照统一标准。
在本实施例中,所述步骤S5具体为:
步骤S51:基于快速区域卷积神经网络训练HE染色图像标注样本,对疑似阳性胃癌细胞区域进行准确分类;
具体为:采用conv+relu+pooling层提取feature maps,获得的feature maps被用于网络后层的RPN层和RoI Pooling层;RPN层用于生成region proposals,其作用是负责识别出分割后的feature map的前景和背景区域,以及获取前景区域的大致坐标;RoIPooling层负责收集上层输出的proposals,并将其固定成固定长度的输出用于后续全连接层的分类;Classification部分利用从上层获取的proposals,通过full connection和Softmax计算每个proposals的类别,分别输出位置偏移量和概率向量,用于网络回归计算更加精确的目标分类检测框。
优选的,算法网络阈值将采用动态判定设定大概率为疑似阳性胃癌细胞。
步骤S52:基于HE染色图像的胃癌细胞分割算法,对阳性胃癌细胞进行精确分割,获得胃癌细胞区域的mask图像;
基于HE染色图像的胃癌细胞分割算法,结合半监督学习策略,利用有限的标签数据+无标签数据混合进行深度神经网络训练;
使用所有数据逐层重构预训练,对网络的每一层进行auto-encoder-decoder操作,得到参数后再利用有标签数据进行fine-tune;
对有标签数据训练,提出将ResNet网络和U-Net网络相结合,并将其改进,对目标特征进行提取,将浅层信息和深层信息拼接融合,在损失函数中加入边界先验信息用于反向传播,以此进行模型参数的更新迭代,增强局部图像的特征提取效果,实现对阳性胃癌细胞进行精确分割,获得胃癌细胞区域的mask图像。
步骤S53:根据得到的胃癌细胞区域的mask图像,在20倍镜图像下,使用数字图像处理的方法进行0.55mm的区域扩充;
步骤S54:将扩充后的胃癌细胞区域的mask图像与PD-L1表达阳性区域对照整合,获得最终HE染色图像和PD-L1检测图像的合并图像。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (7)
1.一种胃癌PD-L1数字病理切片图像快速合并方法,其特征在于,包括以下步骤:
步骤S1:通过数字化扫描设备,获取胃癌全数字病理切片图像;
步骤S2:对获得的胃癌全数字病理切片图像进行图像预处理,获取胃癌细胞组织区域的HE染色图像和PD-L1检测图像;
步骤S3:基于深度学习网络对HE染色图像和PD-L1检测图像进行配准;
步骤S4:将预处理后的HE染色图像进行胃癌区域标注,标注过程中区分胃癌细胞的分化程度;
步骤S5:对PD-L1检测图像分析与HE染色图像胃癌细胞检测分割,并将胃癌细胞检测分割结果进行区域扩充后与PD-L1表达阳性区域对照整合,得到合并后的数字病理切片图像;
所述步骤S3具体为:
步骤S31:以预处理后的胃癌细胞组织区域的HE染色图像和PD-L1检测图像为模板,提取数字图像的特征信息并组成特征空间;
步骤S32:以多张组织区域图的互信息度量作为目标函数,从旋转角度、尺度变换、是否翻转三个维度搜索最优变换矩阵,使得胃癌细胞组织区域和变换后的图像互信息度量最大,得到粗配准结果;
步骤S33:将粗配准图像特征空间的特征点相互对应,根据对应的特征点确定一种空间变换,同时通过优化相似性度量,收敛至最优解;
步骤S34: 根据得到的最优解,采用数字图像处理的方法对PD-L1表达阳性区域进行分析,排除胃癌细胞分布存在的大量散点区域和胞浆阳性区域,得到疑似阳性胃癌细胞区域,完成配准;
所述步骤S5具体为:
步骤S51:基于快速区域卷积神经网络训练HE染色图像标注样本,对疑似阳性胃癌细胞区域进行分类;
步骤S52:基于HE染色图像的胃癌细胞分割算法,对阳性胃癌细胞进行精确分割,获得胃癌细胞区域的mask图像;
步骤S53:根据得到的胃癌细胞区域的mask图像,使用数字图像处理的方法进行区域扩充;
步骤S54:将扩充后的胃癌细胞区域的mask图像与PD-L1表达阳性区域对照整合,获得最终HE染色图像和PD-L1检测图像的合并图像。
2.根据权利要求1所述的一种胃癌PD-L1数字病理切片图像快速合并方法,其特征在于,所述图像预处理包括灰度化,几何变换,图像增强。
3.根据权利要求1所述的一种胃癌PD-L1数字病理切片图像快速合并方法,其特征在于,所述步骤S4具体为:将预处理后的HE染色图像分割成2048*2048的小patch进行标注,标注过程中区分胃癌细胞的分化程度,包括低分化、中分化、高分化,标注胃癌细胞区域要求严格按照统一标准。
4.根据权利要求1所述的一种胃癌PD-L1数字病理切片图像快速合并方法,其特征在于,所述快速区域卷积神经网络具体为:采用conv+relu+pooling层提取feature maps,获得的feature maps被用于网络后层的RPN层和RoI Pooling层;RPN层用于生成regionproposals,其作用是负责识别出分割后的feature map的前景和背景区域,以及获取前景区域的大致坐标;RoI Pooling层负责收集上层输出的proposals,并将其固定成固定长度的输出用于后续全连接层的分类;Classification部分利用从上层获取的proposals,通过full connection和Softmax计算每个proposals的类别,分别输出位置偏移量和概率向量,用于网络回归计算目标分类检测框。
5.根据权利要求1所述的一种胃癌PD-L1数字病理切片图像快速合并方法,其特征在于,所述步骤S52具体为:
基于HE染色图像的胃癌细胞分割算法,结合半监督学习策略,利用有限的标签数据+无标签数据混合进行深度神经网络训练;
使用所有数据逐层重构预训练,对网络的每一层进行auto-encoder-decoder操作,得到参数后再利用有标签数据进行fine-tune;
对有标签数据训练,提出将ResNet网络和U-Net网络相结合,并将其改进,对目标特征进行提取,将浅层信息和深层信息拼接融合,在损失函数中加入边界先验信息用于反向传播,以此进行模型参数的更新迭代,获得胃癌细胞区域的mask图像。
6.根据权利要求1所述的一种胃癌PD-L1数字病理切片图像快速合并方法,其特征在于,所述步骤S53具体为:对胃癌细胞区域的mask图像在20倍镜图像下,使用数字图像处理的方法进行0.55mm的区域扩充。
7.一种实现权利要求1-6任一所述的一种胃癌PD-L1数字病理切片图像快速合并方法的系统,其特征在于,包括依次连接的数字化扫描设备和数字病理切片图像快速合并装置;所述数字病理切片图像快速合并装置包括依次连接的胃癌数字病理切片数据库、图像处理单元、配准单元、标注单元和图像合并单元;
所述图像处理单元用于对获得的胃癌数字病理切片进行图像预处理,获取胃癌细胞组织区域的HE染色图像和PD-L1检测图像;
所述配准单元用于基于深度学习网络对HE染色图像和PD-L1检测图像进行配准;
所述标注单元用于将预处理后的HE染色图像进行胃癌区域标注,标注过程中区分胃癌细胞的分化程度;
所述图像合并单元用于对PD-L1检测图像准确分析与HE染色图像胃癌细胞检测分割,并将胃癌细胞分割结果进行区域扩充后与PD-L1表达阳性区域对照整合,得到合并后的数字病理切片图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011546997.2A CN112419452B (zh) | 2020-12-24 | 2020-12-24 | 一种胃癌pd-l1数字病理切片图像快速合并系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011546997.2A CN112419452B (zh) | 2020-12-24 | 2020-12-24 | 一种胃癌pd-l1数字病理切片图像快速合并系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112419452A CN112419452A (zh) | 2021-02-26 |
CN112419452B true CN112419452B (zh) | 2022-08-23 |
Family
ID=74782774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011546997.2A Active CN112419452B (zh) | 2020-12-24 | 2020-12-24 | 一种胃癌pd-l1数字病理切片图像快速合并系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112419452B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112686898B (zh) * | 2021-03-15 | 2021-08-13 | 四川大学 | 一种基于自监督学习的放疗靶区自动分割方法 |
CN113034462B (zh) * | 2021-03-22 | 2022-09-23 | 福州大学 | 基于图卷积的胃癌病理切片图像的处理方法及系统 |
CN113516210B (zh) * | 2021-09-14 | 2021-12-17 | 之江实验室 | 一种基于pet/ct的肺腺癌鳞癌诊断模型训练方法及装置 |
CN115345829A (zh) * | 2022-07-12 | 2022-11-15 | 江苏诺鬲生物科技有限公司 | 一种基于人工智能算法的抗酸分支杆菌标识方法和装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738649A (zh) * | 2019-10-14 | 2020-01-31 | 青岛大学 | 一种用于胃癌增强CT图像自动识别的Faster RCNN网络的训练方法 |
CN111417958A (zh) * | 2017-12-07 | 2020-07-14 | 文塔纳医疗系统公司 | 用于生物图像中的联合细胞和区域分类的深度学习系统和方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014066788A (ja) * | 2012-09-25 | 2014-04-17 | Sony Corp | 画面表示装置及び画面表示システム |
-
2020
- 2020-12-24 CN CN202011546997.2A patent/CN112419452B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111417958A (zh) * | 2017-12-07 | 2020-07-14 | 文塔纳医疗系统公司 | 用于生物图像中的联合细胞和区域分类的深度学习系统和方法 |
CN110738649A (zh) * | 2019-10-14 | 2020-01-31 | 青岛大学 | 一种用于胃癌增强CT图像自动识别的Faster RCNN网络的训练方法 |
Non-Patent Citations (3)
Title |
---|
Dual U-Net for the Segmentation of Overlapping Glioma Nuclei;Li, XL (Li, Xieli) 等;《IEEE ACCESS》;20190802;全文 * |
基于FasterR-CNN的教室监控人数识别系统的开发与研究;王子威等;《电脑知识与技术》;20200615(第17期);全文 * |
基于深度学习的糖尿病视网膜病变图像分析方法的研究;王晓权;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20200315;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112419452A (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112419452B (zh) | 一种胃癌pd-l1数字病理切片图像快速合并系统及方法 | |
CN110245657B (zh) | 病理图像相似性检测方法及检测装置 | |
US10019656B2 (en) | Diagnostic system and method for biological tissue analysis | |
CN106570505B (zh) | 对组织病理图像进行分析的方法和系统 | |
Wan et al. | Robust nuclei segmentation in histopathology using ASPPU-Net and boundary refinement | |
CN109191472A (zh) | 基于改进U-Net网络的胸腺细胞图像分割方法 | |
CN108364288A (zh) | 用于乳腺癌病理图像的分割方法和装置 | |
CN110543912B (zh) | 自动获取胎儿关键切面超声视频中心动周期视频的方法 | |
CN108537751B (zh) | 一种基于径向基神经网络的甲状腺超声图像自动分割方法 | |
Nofallah et al. | Machine learning techniques for mitoses classification | |
CN115546605A (zh) | 一种基于图像标注和分割模型的训练方法及装置 | |
CN112990214A (zh) | 一种医学图像特征识别预测模型 | |
CN114972254A (zh) | 一种基于卷积神经网络的宫颈细胞图像分割方法 | |
Cao et al. | An automatic breast cancer grading method in histopathological images based on pixel-, object-, and semantic-level features | |
Zhang et al. | Automatic detection of invasive ductal carcinoma based on the fusion of multi-scale residual convolutional neural network and SVM | |
CN117036288A (zh) | 一种面向全切片病理图像的肿瘤亚型诊断方法 | |
CN114235539A (zh) | 基于深度学习的pd-l1病理切片自动判读方法及系统 | |
CN110826629A (zh) | 一种基于细粒度分类的耳镜图像辅助诊断方法 | |
CN113012129A (zh) | 一种脑切片图像的区域定位及标记神经细胞计数系统及装置 | |
CN112861881A (zh) | 一种基于改进MobileNet模型的蜂窝肺识别方法 | |
Alzubaidi et al. | Multi-class breast cancer classification by a novel two-branch deep convolutional neural network architecture | |
CN114612738B (zh) | 细胞电镜图像分割模型的训练方法和细胞器互作分析方法 | |
Cetindag et al. | Transfer Learning Methods for Using Textural Features in Histopathological Image Classification | |
Yancey | Deep Feature Fusion for Mitosis Counting | |
CN114821046B (zh) | 基于细胞图像进行细胞检测和细胞核分割的方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |