CN112991360A - 一种宫颈癌前病理组织学分割优化方法 - Google Patents
一种宫颈癌前病理组织学分割优化方法 Download PDFInfo
- Publication number
- CN112991360A CN112991360A CN202110226699.3A CN202110226699A CN112991360A CN 112991360 A CN112991360 A CN 112991360A CN 202110226699 A CN202110226699 A CN 202110226699A CN 112991360 A CN112991360 A CN 112991360A
- Authority
- CN
- China
- Prior art keywords
- function
- cervical
- optimized
- distribution consistency
- model
- 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
- G06T7/10—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
- G06T7/0002—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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种宫颈癌前病理组织学分割优化方法。所述方法包括:选择宫颈分布一致性损失函数的优化权重函数类型;选择宫颈分布一致性损失函数的优化权重函数参数;确定宫颈分布一致性损失函数表达形式;计算宫颈分布一致性损失函数的值并优化模型;迭代优化预测模型的性能;通过更新后的预测模型预测病变位置和类别。本发明的方案适用于大多数从其他领域迁移的图像分割神经网络结构,可应对各种实际采集到的复杂宫颈活检组织样本,明显提升现有的图像分割方法在宫颈癌前组织图像分割任务上的性能,大幅度节约人工成本。
Description
技术领域
本发明涉及图像分割技术领域,具体为一种能优化宫颈癌前病理组织学图像分割性能的方法。
背景技术
活检病理组织学筛查是宫颈癌前病变等级诊断的重要途径。宫颈病理组织学判断需要专家于显微镜下以高倍数的目镜观察组织图像。为了观察清楚组织细节且不遗漏微小病灶,专家往往需要不断放缩倍率并缓慢移动排查每一块区域,这个过程在耗费大量时间的同时,也在增加观察者的视觉疲劳度并降低注意力集中程度。现阶段的具有扎实专业筛查背景的人工数量有限,而现有人工筛查速度无法满足就医患者数量的高负荷需求。因此,以计算机软硬件装置迅速锁定关键区域并提供参考建议,将在降低医生诊断门槛提高可用人工数量的同时,提升单一样本判断速度,从而大幅度削减人工成本。
此外,宫颈癌前病变大多分为正常、CIN1、CIN2、CIN3四个阶段,其彼此之间呈现递进关系,严重程度决定着诊疗手段的选择,也暗含着是否有炎症、感染、癌变、预后效果等多重信息。然而,目前的研究局限于简单样本的自动化切割与识别,而从其他领域迁移学习得到的模型算法缺乏对宫颈特异性的深入挖掘,进而导致性能不佳。因此,为了切实辅助医生减轻人工压力,针对实际应用中面临的宫颈癌前活检样本,现有的方法与装置性能亟待提升。
发明内容
本发明提供了一种宫颈癌前病理组织学分割优化方法,其特征在于,所述方法包括:
步骤1:选择宫颈分布一致性损失函数的优化权重函数类型;
步骤2:选择宫颈分布一致性损失函数的优化权重函数参数;
步骤3:确定宫颈分布一致性损失函数表达形式;
步骤4:计算宫颈分布一致性损失函数的值并优化模型;
步骤5:迭代优化预测模型的性能;
步骤6,通过更新后的预测模型预测病变位置和类别。
在步骤1中,优化权重函数类型可以为:上凸函数、下凸函数或一维线性函数;优化权重函数设定为以预测偏差δ为自变量的函数,权重函数表达为F(δ)。
对于优化权重函数类型的选择,具体为:对相邻类别的误判容忍度低,则选择上凸函数;对相邻类别的误判容忍度高,则选择下凸函数;如无特殊需求,则选择一维线性单调递增函数。
在步骤2中,设定宫颈分布一致性损失函数的优化权重函数的曲率、极值,其中,将优化权重函数的极小值设置为1,极大值设置为5。
优化权重函数的具体形式分别为:
上凸函数:F(δ)=4ln(βδ+1)/ln(4β+1)+1,其中β为曲率控制超参数;
下凸函数:F(δ)=4(eαδ-1)/(e4α-1)+1,其中α为曲率控制超参数;
一维线性函数:F(δ)=δ+1;
其中δ为预测偏差,即预测类别与真实类别的偏差值。
在步骤3中,确定与优化权重函数正相关的宫颈分布一致性损失函数形式,具体形式为:L=F(δ)*L0或L=F(δ)*(1+L0),其中L0为待优化模型的损失函数值。
根据预测偏差δ,计算宫颈分布一致性损失L的值,结合待优化的深度学习模型的的前馈数据,计算反向传播梯度值,更新待优化网络结构中的非线性函数的权重和偏置值。
在步骤5中,多次重复步骤4,迭代更新待优化模型的权重参数和偏置值,直至模型参数收敛地相对稳定,最终得到优化的预测模型。
本发明针对通用算法迁移至宫颈病理分割任务效果不佳的现象,针对宫颈病变发展特异性,提出计算机定位优化策略,大幅度提升宫颈癌前病变定位性能,进而在实际应用中起到辅助医生节约诊断时间的作用。此外,本发明所提出的方法步骤不受到卷积神经网络结构限制,发明所提出的优化策略和使用方法,可直接应用于通用的分割神经网络流程,通过“即插即用”的便捷模式整合到现有技术和装置中即可生效。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明宫颈癌前病理组织分割优化主要步骤;
图2为本发明为宫颈分布一致性预测模型优化方法流程;
图3为宫颈分布一致性病变预测方法。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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,本发明宫颈癌前病理组织分割优化主要步骤的流程示意图,具体包括:
步骤1:选择宫颈分布一致性函数的优化权重函数类型。
通过大量样本统计分析发现,宫颈病理活检样本的诊断等级具有逐步恶化的递进特性,由此将宫颈癌前所属类别(背景、正常组织、CIN1、CIN2、CIN3)按需编码为[0,1,2,3,4]等特征表达形式,即可计算预测类别与真实类别的数值偏差δ,本方法中称之为预测偏差。优化权重函数设定为以预测偏差δ为自变量的函数,权重函数可表达为F(δ)。F(δ)可设定为单调递增函数的多种形式,包含但不限于上凸函数形式、下凸函数形式、一维线性函数形式等。在实际应用过程中,如对相邻类别的误判容忍度低,则选择上凸函数;如对相邻类别的误判容忍度高,则选择下凸函数;如无特殊需求,则选择一维线性单调递增函数。
步骤2:设定宫颈分布一致性函数的优化权重函数参数。
设定宫颈分布一致性优化权重函数的两个超参数。其一,设置步骤1中所述优化权重函数F(δ)的极小值和极大值:为了不改变原模型损失函数对模型的约束性能,极小值建议设置为1;根据步骤1 中用于计算预测偏差的编码特征形式拟定最大预测偏差所对应的最大惩罚权重。例如,设置[0,1,2,3,4]编码形式下最小预测偏差(正确预测时δ=0)对应的F(δ)极小值为1,最大预测偏差(δ=4)对应的F(δ)极大值为5。其二,设置步骤1中所述优化权重函数F(δ) 的曲率超参数(取值范围为[0,+∞]):当步骤1中选择上凸函数时,设置的曲率超参数越大对于相邻类别的误判容忍度越低;当步骤1中选择下凸函数时,设置的曲率超参数越大对于相邻类别的误判容忍度越高;默认设置曲率超参数为1即可达到良好效果。此步骤设置两个参数后,优化权重函数F(δ)的表达形式随之固定。
为简要说明函数形式,以极小值为1、极大值为5的单调递增函数为例,并以按序编码所计算的预测偏差δ为自变量。
(1)一维线性函数形式举例:F(δ)=δ+1。
(2)以指数函数为代表的下凸函数形式举例:
F(δ)=4(eαδ-1)/(e4α-1)+1,其中α为曲率控制超参数。
(3)以对数函数为代表的上凸函数形式举例:
F(δ)=4ln(βδ+1)/ln(4β+1)+1,其中β为曲率控制超参数。
步骤3:确定宫颈分布一致性损失函数最终形式。
宫颈分布一致性损失偏差函数L的表达形式由原模型损失函数L0和优化权重函数F(δ)两部分构成:其中L0为待优化的深度学习模型训练过程中计算出的损失值。L的表达形式为优化权重函数F(δ) 对原损失函数L0的正相关加权。例如,L=F(δ)*L0或L=F(δ)*(1+L0)。
步骤4:计算宫颈分布一致性损失函数的值并更新模型梯度。
根据预测偏差δ,计算步骤3中的宫颈分布一致性损失L的值。结合方法或装置中待优化的深度学习模型的的前馈数据,计算反向传播梯度值,更新待优化网络结构中的非线性函数的权重和偏置值。
步骤5:迭代优化预测模型的性能。
多次重复步骤4,迭代更新网络结构的参数,具体为迭代更新待优化模型的权重参数和偏置值,直至模型参数收敛地相对稳定。
步骤6:通过更新后的预测模型预测病变位置和类别。
为了便于进一步理解本发明,图2示出了宫颈分布一致性预测模型优化方法流程。首先判别裁剪后的小尺度图像是否包含宫颈组织,对于包含宫颈组织的图像进而判别是否包含前景占比超过阈值的关键性区域,对于符合条件的图像的每个像素分别计算权重函数预测偏差,对于预测类别正确的像素保留其原有损失函数设计(如交叉熵等),对于预测类别错误的像素加权其惩罚权重并按照发明所述步骤计算宫颈分布一致性损失偏差,两种损失计算均做归一化处理。综合图像中所有像素的优化单元偏差计算结果,结合原模型的梯度值迭代更新其权重参数和偏置值,进而得到更优的模型。
如图3所示,为宫颈分布一致性病变预测方法。通用的技术方法或装置以专家标注的信息为训练标签,由于宫颈病理图像与标注信息分辨率过高,远超过现有计算机的运算负荷能力,因此现阶段通常以裁剪成较小尺寸图像的策略解决。以较小尺寸图像及其标注为训练的基础数据,构建全卷积分割网络并训练模型。现阶段可使用的全卷积分割网络包括但不限于UNET、FCN、SegNet、DeepLab等。宫颈分布一致性优化单元可灵活适配此类全卷积分割网络,根据编码计算每个像素的网络预测与实际标注的偏差,进而计算损失误差。通过模型预测和损失误差回传的反复迭代,将得到性能优越的小尺寸预测结果。将小尺寸预测结果热图按照裁剪时的位置标记拼接,并进行形态学操作等后处理,最终得到与原图尺寸一致的病变定位与辅助判别系统。
本发明的优化宫颈癌前病理组织学分割性能的方法及装置,可产生以下有益效果:
(1)可应对各种实际采集到的复杂宫颈活检组织样本,不再需要专家提前勾选感兴趣的区域再提取图像特征,也不要求样本具有特殊的形状或含有基底等特定标志性结构,所适用范围更贴近实际工作需求。
(2)适用于大多数从其他领域迁移的图像分割神经网络结构,即使网络结构在未来发展中不断改进也可使用该发明中的优化策略。该发明所提方法和装置可方便快捷地嵌入到现有方法架构和装置中。 (3)使用该发明可在不影响目前技术的实施速度的基础上,明显提升现有的图像分割方法在宫颈癌前组织图像分割任务上的性能,更大幅度节约人工成本。
Claims (8)
1.一种宫颈癌前病理组织学分割优化方法,其特征在于,所述方法包括以下步骤:
步骤1:选择宫颈分布一致性损失函数的优化权重函数类型;
步骤2:选择宫颈分布一致性损失函数的优化权重函数参数;
步骤3:确定宫颈分布一致性损失函数表达形式;
步骤4:计算宫颈分布一致性损失函数的值并优化模型;
步骤5:迭代优化预测模型的性能;
步骤6,通过更新后的预测模型预测病变位置和类别。
2.如权利要求1所述的宫颈癌前病理组织学分割优化方法,其特征在于,在步骤1中,优化权重函数类型可以为:上凸函数、下凸函数或一维线性函数;优化权重函数设定为以预测偏差δ为自变量的函数,权重函数表达为F(δ)。
3.如权利要求2所述的宫颈癌前病理组织学分割优化方法,其特征在于,对于优化权重函数类型的选择,具体为:对相邻类别的误判容忍度低,则选择上凸函数;对相邻类别的误判容忍度高,则选择下凸函数;如无特殊需求,则选择一维线性单调递增函数。
4.如权利要求1所述的宫颈癌前病理组织学分割优化方法,其特征在于,在步骤2中,设定宫颈分布一致性损失函数的优化权重函数的曲率、极值,其中,将优化权重函数的极小值设置为1,极大值设置为5。
5.如权利要求1-4所述的宫颈癌前病理组织学分割优化方法,其特征在于,优化权重函数的具体形式分别为:
上凸函数:F(δ)=4ln(βδ+1)/ln(4β+1)+1,其中β为曲率控制超参数;
下凸函数:F(δ)=4(eαδ-1)/(e4α-1)+1,其中α为曲率控制超参数;
一维线性函数:F(δ)=δ+1;
其中δ为预测偏差,即预测类别与真实类别的偏差值。
6.如权利要求1所述的宫颈癌前病理组织学分割优化方法,其特征在于,在步骤3中,确定与优化权重函数正相关的宫颈分布一致性损失函数形式,具体形式为:L=F(δ)*L0或L=F(δ)*(1+L0),其中L0为待优化模型的损失函数值。
7.如权利要求6所述的宫颈癌前病理组织学分割优化方法,其特征在于,在步骤4中,根据预测偏差δ,计算宫颈分布一致性损失L的值,结合待优化的深度学习模型的的前馈数据,计算反向传播梯度值,更新待优化网络结构中的非线性函数的权重和偏置值。
8.如权利要求1所述的宫颈癌前病理组织学分割优化方法,其特征在于,在步骤5中,多次重复步骤4,迭代更新待优化模型的权重参数和偏置值,直至模型参数收敛地相对稳定,最终得到优化的预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110226699.3A CN112991360A (zh) | 2021-03-01 | 2021-03-01 | 一种宫颈癌前病理组织学分割优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110226699.3A CN112991360A (zh) | 2021-03-01 | 2021-03-01 | 一种宫颈癌前病理组织学分割优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112991360A true CN112991360A (zh) | 2021-06-18 |
Family
ID=76351852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110226699.3A Pending CN112991360A (zh) | 2021-03-01 | 2021-03-01 | 一种宫颈癌前病理组织学分割优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112991360A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113256628A (zh) * | 2021-07-05 | 2021-08-13 | 深圳科亚医疗科技有限公司 | 用于宫颈图像的分析管理的装置和方法、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108364032A (zh) * | 2018-03-27 | 2018-08-03 | 哈尔滨理工大学 | 一种基于卷积神经网络的宫颈癌细胞图片识别算法 |
CN109977955A (zh) * | 2019-04-03 | 2019-07-05 | 南昌航空大学 | 一种基于深度学习的宫颈癌前病变识别的方法 |
CN110232721A (zh) * | 2019-05-16 | 2019-09-13 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 一种危机器官自动勾画模型的训练方法及装置 |
US10426442B1 (en) * | 2019-06-14 | 2019-10-01 | Cycle Clarity, LLC | Adaptive image processing in assisted reproductive imaging modalities |
CN111258297A (zh) * | 2020-01-17 | 2020-06-09 | 北京大学 | 基于数据融合网络的设备健康指标构建及寿命预测方法 |
-
2021
- 2021-03-01 CN CN202110226699.3A patent/CN112991360A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108364032A (zh) * | 2018-03-27 | 2018-08-03 | 哈尔滨理工大学 | 一种基于卷积神经网络的宫颈癌细胞图片识别算法 |
CN109977955A (zh) * | 2019-04-03 | 2019-07-05 | 南昌航空大学 | 一种基于深度学习的宫颈癌前病变识别的方法 |
CN110232721A (zh) * | 2019-05-16 | 2019-09-13 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 一种危机器官自动勾画模型的训练方法及装置 |
US10426442B1 (en) * | 2019-06-14 | 2019-10-01 | Cycle Clarity, LLC | Adaptive image processing in assisted reproductive imaging modalities |
CN111258297A (zh) * | 2020-01-17 | 2020-06-09 | 北京大学 | 基于数据融合网络的设备健康指标构建及寿命预测方法 |
Non-Patent Citations (1)
Title |
---|
ZHU MENG 等: "Triple Up-Sampling Segmentation Network With Distribution Consistency Loss for Pathological Diagnosis of Cervical Precancerous Lesions", 《IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113256628A (zh) * | 2021-07-05 | 2021-08-13 | 深圳科亚医疗科技有限公司 | 用于宫颈图像的分析管理的装置和方法、设备及存储介质 |
CN113256628B (zh) * | 2021-07-05 | 2021-10-26 | 深圳科亚医疗科技有限公司 | 用于宫颈图像的分析管理的装置和方法、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108898160B (zh) | 基于cnn和影像组学特征融合的乳腺癌组织病理学分级方法 | |
KR102108050B1 (ko) | 증강 컨볼루션 네트워크를 통한 유방암 조직학 이미지 분류 방법 및 그 장치 | |
CN111402267B (zh) | 前列腺癌病理图像中上皮细胞核的分割方法、装置和终端 | |
CN111488921A (zh) | 一种全景数字病理图像智能分析系统及方法 | |
CN112183557A (zh) | 基于胃癌组织病理图像纹理特征的msi预测模型构建方法 | |
He et al. | Mammographic image segmentation and risk classification based on mammographic parenchymal patterns and geometric moments | |
CN113053497A (zh) | 一种优化组织学病理图像智能分析性能的后处理方法 | |
CN113222149A (zh) | 模型训练方法、装置、设备和存储介质 | |
Salvi et al. | Automatic discrimination of neoplastic epithelium and stromal response in breast carcinoma | |
CN116189856A (zh) | 一种面向舌象特征的轻量级多分类方法及其系统 | |
CN116012332A (zh) | 一种基于层次图的病理图像中原发肿瘤分期多示例学习方法、框架、设备及介质 | |
CN115205250A (zh) | 基于深度学习的病理图像病变分割方法及系统 | |
CN112991360A (zh) | 一种宫颈癌前病理组织学分割优化方法 | |
CN114419000B (zh) | 基于多尺度几何嵌入卷积神经网络的股骨头坏死指标预测系统 | |
CN113554668B (zh) | 一种皮肤镜图像黑色素瘤分割方法、装置及相关组件 | |
Gonzalez et al. | Solving the over segmentation problem in applications of Watershed Transform | |
CN105894010A (zh) | 一种基于粗糙集和改进fcm算法的睑板腺功能测定方法 | |
CN116563651A (zh) | 鼻咽癌预后特征确定方法、系统、装置及存储介质 | |
CN116051471A (zh) | 一种基于糖尿病视网膜病变的极小病灶自动分割方法 | |
Hassanien et al. | Enhanced rough sets rule reduction algorithm for classification digital mammography | |
Sankaran | An improved multipath residual CNN-based classification approach for periapical disease prediction and diagnosis in dental radiography | |
CN114897922B (zh) | 一种基于深度强化学习的组织病理图像分割方法 | |
Patil et al. | Hybrid Optimization Enabled Segmentation with Deep Learning For Histopathological Images of Uterine Tissue | |
Zhao et al. | Overlapping region reconstruction in nuclei image segmentation | |
CN116682109B (zh) | 一种病理显微图像的分析方法、装置、设备及存储介质 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210618 |