CN112446881A - 一种病理图像分割的系统及方法 - Google Patents
一种病理图像分割的系统及方法 Download PDFInfo
- Publication number
- CN112446881A CN112446881A CN202110133271.4A CN202110133271A CN112446881A CN 112446881 A CN112446881 A CN 112446881A CN 202110133271 A CN202110133271 A CN 202110133271A CN 112446881 A CN112446881 A CN 112446881A
- Authority
- CN
- China
- Prior art keywords
- segmentation
- patch
- training
- image
- data set
- 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
- 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
-
- 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
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种病理图像分割的系统及方法。包括:将训练集和测试集中的病理图像均切分成若干个补丁图像形成训练数据集和测试数据集;将训练数据集输入卷积神经网络训练,并对训练阶段的若干个补丁图像进行增强处理;通过交叉熵损失函数和增强处理后的训练数据集训练模型结构;模型结构对测试数据集预测,得到对应的预测类别,并根据补丁图像在病理图像中的坐标和预测类别拼成颜色类别图;将颜色类别图转换为二值分割图,根据二值分割图组合得到分割结果。该病理图像分割的系统改善了现有技术中从病理图像中分割肿瘤区域需要使用精确标注导致成本较高的问题。
Description
技术领域
本发明涉及计算机多媒体技术领域,尤其是涉及一种病理图像分割的系统及方法。
背景技术
组织病理学图像分析是癌症识别和诊断的金标准。数字组织病理学图像分析可以帮助病理学家诊断肿瘤和癌症类型,减轻病理学家的工作量。 数字组织病理学图像分析有两种基本类型的任务:图像分类和图像分割。 在分类任务中,该算法将整个WSI(WholeSlide Image)组织病理学图像作为输入,并输出输入图像的标签。可能的标签是预先定义的,它们可以是某些类型的癌症或正常癌症。在分割中,该算法将组织病理学图像的一部分作为输入,并对输入图像中具有特定特征的区域进行分割。在这两个任务中,都给出了一组带有真实标签和标注的训练数据。
自动分析数字组织病理学图像存在3个主要挑战:临床特征表示的复杂性,训练图像的数量不足以及单个组织病理学图像的尺寸极大。尽管如此,现有的分割方法主要是基于有监督学习,即先由人工收集大量的目标类别的有标注的训练数据,再用这些训练数据为目标类别构建分割模型,而收集大量目标类别的标签的是很困难的,而且人工标注成本昂贵,因此,使用有监督学习进行病理图像分割陷入了瓶颈。
发明内容
本发明的目的在于提供一种病理图像分割的系统及方法,该系统能够解决现有技术中从病理图像中分割肿瘤区域需要使用精确标注导致成本较高的问题。
为了实现上述目的,本发明提供如下技术方案:
一种病理图像分割的方法,所述方法具体包括:
S101,将训练集和测试集中的病理图像均切分成若干个补丁图像形成训练数据集和测试数据集;
S102,将所述训练数据集输入卷积神经网络训练,并对训练阶段的若干个所述补丁图像进行增强处理;
S103,通过交叉熵损失函数和增强处理后的所述训练数据集训练模型结构;
S104,所述模型结构对测试数据集预测,得到对应的预测类别,并根据所述补丁图像在病理图像中的坐标和预测类别拼成颜色类别图;
S105,将所述颜色类别图转换为二值分割图,根据所述二值分割图组合得到分割结果。
在上述技术方案的基础上,本发明还可以做如下改进:
进一步地,将病理图像切分成若干个补丁图像具体包括:通过滑窗的方式在所述病理图像左上角无重叠切分,保留组织部分占所述补丁图像面积的比例超过二分之一的补丁图像,并记录保留的所述补丁图像在0级病理图像上的坐标。
进一步地,所述增强处理具体包括:对训练阶段的若干个所述补丁图像通过随机裁剪缩放、随机灰度化、颜色抖动和随机水平翻转进行增强处理。
进一步地,所述模型结构对所述补丁图像预测具体包括:将若干个补丁图像缩放到指定尺寸并裁剪所述补丁图像的4个角以及中间得到指定大小的补丁图像,通过所述模型结构对指定大小的补丁图像进行预测。
一种病理图像分割的系统,包括:
TCGA,其包括病理图像,将病理图像切分成若干个补丁图像;
卷积神经网络,其接收若干个所述补丁图像,并对训练阶段的若干个所述补丁图像进行增强处理;
模型结构,通过交叉熵损失函数和增强处理后的若干个所述补丁图像训练模型结构;所述模型结构对所述补丁图像预测得到所述补丁图像对应的预测类别,并根据所述补丁图像在病理图像中的坐标和预测类别拼成颜色类别图;
将所述颜色类别图转换为二值图得到分割结果。
进一步地,所述卷积神经网络通过滑窗的方式在所述病理图像左上角无重叠切分,保留组织部分占所述补丁图像面积的比例超过二分之一的补丁图像,并记录保留的所述补丁图像在0级病理图像上的坐标。
进一步地,所述卷积神经网络对训练阶段的若干个所述补丁图像通过随机裁剪缩放、随机灰度化、颜色抖动和随机水平翻转进行增强处理。
进一步地,所述卷积神经网络将若干个补丁图像缩放到指定尺寸并裁剪所述补丁图像的4个角以及中间得到指定大小的补丁图像,通过所述模型结构对指定大小的补丁图像进行预测。
进一步地,所述模型结构包括第一模型、第二模型和第三模型,所述第一模型结构、第二模型和所述第三模型分别对测试数据集预测得到对应的预测类别,并根据所述补丁图像在病理图像中的坐标和预测类别拼成颜色类别图。
进一步地,所述二值分割图的数量为3张,根据所述二值分割图得到分割结果,所述分割结果的数量为3个。
本发明具有如下优点:
本发明中的病理图像分割的系统及方法,提出一种基于无监督patch聚类的方式进行病理图像WSI分割,使得在病理图像分割模型的训练过程中大幅减少精确标注的使用。本发明提出一种多模型融合的方式,使得多模型生成的结果能够相互融合,起到提高分割准确性的作用;解决了现有技术中从病理图像中分割肿瘤区域需要使用精确标注导致成本较高的问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中方法的流程示意图;
图2为本发明实施例中系统的示意图。
附图标记说明:
训练集10,测试集20,卷积神经网络30,模型结构40,颜色类别图50,二值分割图60,分割结果70。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明提供了一种病理图像分割的系统,包括:
一种病理图像分割的方法,所述方法具体包括:
S101,病理图像切分;
本步骤中,将训练集10和测试集20中的病理图像均切分成若干个补丁图像形成训练数据集和测试数据集;补丁图像为patch;病理图像是高宽达几万~十几万像素的WSI,以金字塔形式进行存储的,分成多个级别,不同的病理图像包含的级别可能有所不同,一般最多有9个级别,第0级是最高分辨率的图,级别增加1级病理图像缩小为原来的二分之一,由于病理图像非常大,在现有条件下无法直接送入卷积神经网络30进行训练,所以需要将病理图像WSI切分成patch进行训练及预测。
具体切分方法如下,首先,确定需要切分的patch大小,本研究取256*256,然后是级别,本研究取级别2,实验表明级别2效果最优,最后,在WSI左上角以滑窗的方式无重叠的切分,保留组织部分占整个patch面积的比例超过二分之一的patch,并记录patch的在级别0上坐标,为后续拼成颜色类别图50做准备。每张WSI被切分成几千到上万个patch。
S102,病理图像增强;
本步骤中,将所述训练数据集输入卷积神经网络30训练,并对训练阶段的若干个所述补丁图像进行增强处理;
本研究对于病理分割图像,为了更好地提升模型的泛化能力,需要将病理图像进行增强预处理,在本发明中训练阶段和测试阶段进行不同的增强处理方式,具体操作如下,在训练阶段,需要对补丁图像进行随机裁剪缩放、随机进行灰度化、颜色抖动、随机水平翻转等操作,用于对训练数据集中训练数据的扩充,其中颜色抖动可以一定程度减少由于染色不均带来的影响;
在测试阶段,首先,需将补丁图像缩放到指定尺寸,然后进行TenCrop操作,该操作是裁剪一张图片的4个角以及中间得到指定大小的图片,本发明中,裁剪尺寸为224*224,并且进行水平翻转或竖直翻转共得到10张图片,模型结构40对10张图片进行预测,然后将预测概率求平均,得到这张图片的预测概率,达到提高预测准确性的目的。
S103,训练模型结构;
本步骤中,通过交叉熵损失函数和增强处理后的所述训练数据集训练模型结构40;
使用相同的损失函数训练三个Self-Label模型,三个Self-Label模型分别为第一模型、第二模型和第三模型,并将第一模型、第二模型和第三模型的测试结果进行融合,这样做的前提是基于第一模型、第二模型和第三模型分别会对同一张图片从不同的角度进行聚类,本发明中使用的聚类个数为15,对于一张肿瘤patch,第一模型、第二模型和第三模型可能会将该图片预测成不同的类别,但是肿瘤patch所在的类别基本都是有肿瘤的,所以将该类别在该模型中就可以代表肿瘤类,其余代表正常类。
基于这样的假设,本发明应用交叉熵损失函数训练不同的Self-Label模型,其具体步骤如下,首先通过交叉熵损失函数训练Self-Label模型,本发明中采用backbone为resnet50的Self-Label模型,head为10,并利用无监督的训练方法进行训练,通过Adam算法进行模型结构40的优化, 得到训练后的第一的参数,其中是第一模型的参数,同理,得到第一模型的参数和第二模型的参数。
S104,生成颜色类别图;
本步骤中,所述模型结构40对测试数据集预测,得到对应的预测类别,并根据所述补丁图像在病理图像中的坐标和预测类别拼成颜色类别图50;
在训练好的三个Self-Label模型(,为参数集合)后,本发明将对模型结构40预测结果进行后处理,其具体做法如下,首先,三个Self-Label模型分别对一张WSI的patch进行预测,得到每个patch的类别,为0-14,由每种颜色代表一种类别,按照patch的坐标拼成一张颜色类别图50。
可视化图如图2所示:其中,上面的两个为病理图像WSI缩略图,绿色部分是病理医生标注的肿瘤部分,下面为生成的颜色类别图50,可以很清楚的看到模型结构40将紫色代表的类别归为肿瘤。然后由病理医生确定肿瘤patch所在的类别,将生成的颜色类别图50转换成二值分割图60,白色部分代表肿瘤,其余黑色部分代表正常区域,这样得到了三个二值分割图60分割结果70。
S105,得到分割结果;
本步骤中,将所述颜色类别图50转换为二值分割图60,根据所述二值分割图60组合得到分割结果70;在得到上述训练后的第一模型、第二模型和第三模型后,本发明利用第一模型、第二模型和第三模型对测试数据集分别生成不同的肿瘤分割结果70、和。
不同的模型对patch有不同的聚类方式,实现训练多个模型并使其在相同的位置都进行预测,对预测结果进行投票融合,提升分割准确性。其中,训练数据集是无标签的,而验证数据集是由专家标注分割结果70的数据,即将肿瘤区域勾画出来。
具体来说,由于常规有监督病理图像分割方法需要大量有标注数据,而标注尺寸长宽达几十万像素的病理图像对病理医生也是一项考验,不仅费时费力,而且成本很高,而基于无监督patch聚类的方法可以很好地解决这一问题,由于训练的三个Self-Label模型都对图像进行预测,起到集成学习的作用。
基于这一假设,该方法的各个步骤可以总结为:第一,利用交叉熵损失函数、无标签训练数据集来训练3个Self-Label模型。第二,将patch预测结果根据patch在WSI中的坐标和预测类别拼成一张颜色类别图50。第三,将利用前一步的颜色类别图50转换成二值分割图60,白色为肿瘤区域。第四,将三个不同的分割结果70进行融合,融合方式为三个二值分割图60的进行投票。
本发明的创新之处在于将无监督聚类方法应用在病理图像分割以及结果融合的方式得到分割最终的结果,通过不同的模型都对病理图像进行预测,对预测结果进行投票融合,提高分割效果,从实验的结果来看,本发明所提出的基于无监督patch聚类和多分割模型分割结果70融合方法具有分割精度高、适用范围广等优点,具有较强的实际应用前景。
进一步地,将病理图像切分成若干个补丁图像具体包括:通过滑窗的方式在所述病理图像左上角无重叠切分,保留组织部分占所述补丁图像面积的比例超过二分之一的补丁图像,并记录保留的所述补丁图像在0级病理图像上的坐标。
进一步地,所述增强处理具体包括:对训练阶段的若干个所述补丁图像通过随机裁剪缩放、随机灰度化、颜色抖动和随机水平翻转进行增强处理。
进一步地,所述模型结构40对所述补丁图像预测具体包括:将若干个补丁图像缩放到指定尺寸并裁剪所述补丁图像的4个角以及中间得到指定大小的补丁图像,通过所述模型结构40对指定大小的补丁图像进行预测。
通过在肺癌病理公开数据集TCGA上的实验,本发明所提出的基于无监督patch聚类以及多模型融合的病理图像分割方法表现出了有效性。具体来说,TCGA是美国国家癌症研究所和美国国家人类基因组研究所于2006年联合启动的项目,收录了各种人类癌症的临床数据,是癌症研究者很重要的数据来源。 我们使用了TCGA-LUAD和TCGA-LUSC,分别包含腺癌和鳞癌的共600张WSI,腺癌和鳞癌都视为肿瘤,分为按照8:1:1分成训练集10、验证集和测试集20,将肺癌病理图像WSI切成256*256的patch,最终评价标准为60张测试图片的平均DICE系数。对于DRIVE数据集,本发明所提出的方法在分割任务上取得了0.81的DICE系数成绩,效果优异。
如图2所示,一种病理图像分割的系统,包括:
训练集10,将训练集10中的病理图像均切分成若干个补丁图像形成训练数据集;
测试集20,将测试集20中的病理图像均切分成若干个补丁图像形成测试数据集;
卷积神经网络30,其接收所述训练数据集和所述测试数据集,并对训练阶段的若干个所述补丁图像进行增强处理;
模型结构40,通过交叉熵损失函数和增强处理后的所述训练数据集训练模型结构40;所述模型结构40对测试数据集预测,得到对应的预测类别,并根据所述补丁图像在病理图像中的坐标和预测类别拼成颜色类别图50;将所述颜色类别图50转换为二值分割图60,根据所述二值分割图60组合得到分割结果70。
进一步地,所述卷积神经网络30通过滑窗的方式在所述病理图像左上角无重叠切分,保留组织部分占所述补丁图像面积的比例超过二分之一的补丁图像,并记录保留的所述补丁图像在0级病理图像上的坐标。
进一步地,所述卷积神经网络30对训练阶段的若干个所述补丁图像通过随机裁剪缩放、随机灰度化、颜色抖动和随机水平翻转进行增强处理。
进一步地,所述卷积神经网络30将若干个补丁图像缩放到指定尺寸并裁剪所述补丁图像的4个角以及中间得到指定大小的补丁图像,通过所述模型结构40对指定大小的补丁图像进行预测。
进一步地,所述模型结构40包括第一模型、第二模型和第三模型,所述第一模型结构40、第二模型和所述第三模型分别对测试数据集预测得到对应的预测类别,并根据所述补丁图像在病理图像中的坐标和预测类别拼成颜色类别图50。
进一步地,所述颜色类别图50的数量为3张,所述二值分割图60的数量为3张,根据所述二值分割图60得到分割结果70,所述分割结果70的数量为3个。
该病理图像分割的系统使用过程如下:
使用时,操作人员将训练集10和测试集20中的病理图像均切分成若干个补丁图像形成训练数据集和测试数据集;将训练数据集输入卷积神经网络30训练,并对训练阶段的若干个补丁图像进行增强处理;通过交叉熵损失函数和增强处理后的训练数据集训练模型结构40;模型结构40对测试数据集预测,得到对应的预测类别,并根据补丁图像在病理图像中的坐标和预测类别拼成颜色类别图50;将颜色类别图50转换为二值分割图60,根据二值分割图60组合得到分割结果70。
在本发明的描述中,需要理解的是,术语"中心"、"纵向"、"横向"、"长度"、"宽度"、"厚度"、"上"、"下"、"前"、"后"、"左"、"右"、"竖直"、"水平"、"顶"、"底"、"内"、"外"、"顺时针"、"逆时针"等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语"第一"、"第二"仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有"第一"、"第二"的特征可以明示或者隐含地包括或者更多个所述特征。在本发明的描述中,"多个"的含义是两个或两个以上,除非另有明确具体的限定。此外,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种病理图像分割的方法,其特征在于,所述方法具体包括:
S101,将训练集和测试集中的病理图像均切分成若干个补丁图像形成训练数据集和测试数据集;
S102,将所述训练数据集输入卷积神经网络训练,并对训练阶段的若干个所述补丁图像进行增强处理;
S103,通过交叉熵损失函数和增强处理后的所述训练数据集训练模型结构;
S104,所述模型结构对测试数据集预测,得到对应的预测类别,并根据所述补丁图像在病理图像中的坐标和预测类别拼成颜色类别图;
S105,将所述颜色类别图转换为二值分割图,根据所述二值分割图组合得到分割结果。
2.根据权利要求1所述病理图像分割的方法,其特征在于,将病理图像切分成若干个补丁图像具体包括:通过滑窗的方式在所述病理图像左上角无重叠切分,保留组织部分占所述补丁图像面积的比例超过二分之一的补丁图像,并记录保留的所述补丁图像在0级病理图像上的坐标。
3.根据权利要求1所述病理图像分割的方法,其特征在于,所述增强处理具体包括:对训练阶段的若干个所述补丁图像通过随机裁剪缩放、随机灰度化、颜色抖动和随机水平翻转进行增强处理。
4.根据权利要求1所述病理图像分割的方法,其特征在于,所述模型结构对所述补丁图像预测具体包括:将若干个补丁图像缩放到指定尺寸并裁剪所述补丁图像的4个角以及中间得到指定大小的补丁图像,通过所述模型结构对指定大小的补丁图像进行预测。
5.一种病理图像分割的系统,其特征在于,包括:
训练集,将训练集中的病理图像均切分成若干个补丁图像形成训练数据集;
测试集,将测试集中的病理图像均切分成若干个补丁图像形成测试数据集;
卷积神经网络,其接收所述训练数据集和所述测试数据集,并对训练阶段的若干个所述补丁图像进行增强处理;
模型结构,通过交叉熵损失函数和增强处理后的所述训练数据集训练模型结构;所述模型结构对测试数据集预测,得到对应的预测类别,并根据所述补丁图像在病理图像中的坐标和预测类别拼成颜色类别图;将所述颜色类别图转换为二值分割图,根据所述二值分割图组合得到分割结果。
6.根据权利要求5所述病理图像分割的系统,其特征在于,所述卷积神经网络通过滑窗的方式在所述病理图像左上角无重叠切分,保留组织部分占所述补丁图像面积的比例超过二分之一的补丁图像,并记录保留的所述补丁图像在0级病理图像上的坐标。
7.根据权利要求5所述病理图像分割的系统,其特征在于,所述卷积神经网络对训练阶段的若干个所述补丁图像通过随机裁剪缩放、随机灰度化、颜色抖动和随机水平翻转进行增强处理。
8.根据权利要求5所述病理图像分割的系统,其特征在于,所述卷积神经网络将若干个补丁图像缩放到指定尺寸并裁剪所述补丁图像的4个角以及中间得到指定大小的补丁图像,通过所述模型结构对指定大小的补丁图像进行预测。
9.根据权利要求5所述病理图像分割的系统,其特征在于,所述模型结构包括第一模型、第二模型和第三模型,所述第一模型结构、第二模型和所述第三模型分别对测试数据集预测得到对应的预测类别,并根据所述补丁图像在病理图像中的坐标和预测类别拼成颜色类别图。
10.根据权利要求9所述病理图像分割的系统,其特征在于,所述颜色类别图的数量为3张,所述二值分割图的数量为3张,根据所述二值分割图得到分割结果,所述分割结果的数量为3个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110133271.4A CN112446881A (zh) | 2021-02-01 | 2021-02-01 | 一种病理图像分割的系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110133271.4A CN112446881A (zh) | 2021-02-01 | 2021-02-01 | 一种病理图像分割的系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112446881A true CN112446881A (zh) | 2021-03-05 |
Family
ID=74739717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110133271.4A Pending CN112446881A (zh) | 2021-02-01 | 2021-02-01 | 一种病理图像分割的系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112446881A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673610A (zh) * | 2021-08-25 | 2021-11-19 | 上海鹏冠生物医药科技有限公司 | 一种用于组织细胞病理图像诊断系统的图像预处理方法 |
CN114973244A (zh) * | 2022-06-12 | 2022-08-30 | 桂林电子科技大学 | 一种乳腺癌h&e染色病理图像有丝分裂自动识别系统和方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622749A (zh) * | 2012-02-22 | 2012-08-01 | 中国科学院自动化研究所 | 三维磁共振图像脑子结构自动分割的方法 |
CN106296699A (zh) * | 2016-08-16 | 2017-01-04 | 电子科技大学 | 基于深度神经网络和多模态mri图像的脑肿瘤分割方法 |
CN108305241A (zh) * | 2017-09-06 | 2018-07-20 | 南京理工大学 | 基于深度投票模型的sd-oct图像ga病变分割方法 |
CN108399430A (zh) * | 2018-02-28 | 2018-08-14 | 电子科技大学 | 一种基于超像素和随机森林的sar图像舰船目标检测方法 |
CN111563903A (zh) * | 2020-04-26 | 2020-08-21 | 北京航空航天大学 | 一种基于深度学习的mri全脑组织分割方法 |
CN111986150A (zh) * | 2020-07-17 | 2020-11-24 | 万达信息股份有限公司 | 一种数字病理图像的交互式标注精细化方法 |
-
2021
- 2021-02-01 CN CN202110133271.4A patent/CN112446881A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622749A (zh) * | 2012-02-22 | 2012-08-01 | 中国科学院自动化研究所 | 三维磁共振图像脑子结构自动分割的方法 |
CN106296699A (zh) * | 2016-08-16 | 2017-01-04 | 电子科技大学 | 基于深度神经网络和多模态mri图像的脑肿瘤分割方法 |
CN108305241A (zh) * | 2017-09-06 | 2018-07-20 | 南京理工大学 | 基于深度投票模型的sd-oct图像ga病变分割方法 |
CN108399430A (zh) * | 2018-02-28 | 2018-08-14 | 电子科技大学 | 一种基于超像素和随机森林的sar图像舰船目标检测方法 |
CN111563903A (zh) * | 2020-04-26 | 2020-08-21 | 北京航空航天大学 | 一种基于深度学习的mri全脑组织分割方法 |
CN111986150A (zh) * | 2020-07-17 | 2020-11-24 | 万达信息股份有限公司 | 一种数字病理图像的交互式标注精细化方法 |
Non-Patent Citations (1)
Title |
---|
刘云鹏等: "应用图像块和全卷积神经网络的肩关节MRI自动分割", 《中国图象图形学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673610A (zh) * | 2021-08-25 | 2021-11-19 | 上海鹏冠生物医药科技有限公司 | 一种用于组织细胞病理图像诊断系统的图像预处理方法 |
CN114973244A (zh) * | 2022-06-12 | 2022-08-30 | 桂林电子科技大学 | 一种乳腺癌h&e染色病理图像有丝分裂自动识别系统和方法 |
US20230401707A1 (en) * | 2022-06-12 | 2023-12-14 | Guilin University Of Electronic Technology | System and method for automatically identifying mitosis in h&e stained breast cancer pathological images |
US12002206B2 (en) * | 2022-06-12 | 2024-06-04 | Guilin University Of Electronic Technology | System and method for automatically identifying mitosis in H and E stained breast cancer pathological images |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | A comprehensive review of computer-aided whole-slide image analysis: from datasets to feature extraction, segmentation, classification and detection approaches | |
Silva-Rodríguez et al. | Going deeper through the Gleason scoring scale: An automatic end-to-end system for histology prostate grading and cribriform pattern detection | |
WO2022077917A1 (zh) | 实例分割模型样本筛选方法、装置、计算机设备及介质 | |
CN110659692B (zh) | 基于强化学习和深度神经网络的病理图像自动标注方法 | |
CN111985536B (zh) | 一种基于弱监督学习的胃镜病理图像分类方法 | |
US9430829B2 (en) | Automatic detection of mitosis using handcrafted and convolutional neural network features | |
JP7026826B2 (ja) | 画像処理方法、電子機器および記憶媒体 | |
US10121245B2 (en) | Identification of inflammation in tissue images | |
CN111882560B (zh) | 一种基于加权全卷积神经网络的肺实质ct图像分割方法 | |
US20090252429A1 (en) | System and method for displaying results of an image processing system that has multiple results to allow selection for subsequent image processing | |
EP3848472A2 (en) | Methods and systems for automated counting and classifying microorganisms | |
Xu et al. | Computerized classification of prostate cancer gleason scores from whole slide images | |
Pan et al. | Cell detection in pathology and microscopy images with multi-scale fully convolutional neural networks | |
CN110598030A (zh) | 一种基于局部cnn框架的甲骨拓片分类方法 | |
CN112446881A (zh) | 一种病理图像分割的系统及方法 | |
CN113256634B (zh) | 基于深度学习的宫颈癌tct切片排阴方法和系统 | |
CN110766670A (zh) | 一种基于深度卷积神经网络的乳腺钼靶图像肿瘤定位算法 | |
CN115909006B (zh) | 基于卷积Transformer的乳腺组织图像分类方法及系统 | |
WO2021057148A1 (zh) | 基于神经网络的脑组织分层方法、装置、计算机设备 | |
CN113313680B (zh) | 一种结直肠癌病理图像预后辅助预测方法及系统 | |
CN111444844A (zh) | 一种基于变分自编码器的液基细胞人工智能检测方法 | |
CN111815609B (zh) | 基于情境感知及多模型融合的病理图像分类方法及系统 | |
CN113160185A (zh) | 一种利用生成边界位置指导宫颈细胞分割的方法 | |
CN114841947A (zh) | 肺腺癌h&e染色病理图像肿瘤区域多尺度特征提取与预后分析方法、装置 | |
US20210398282A1 (en) | Digital tissue segmentation using image entropy |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210305 |