CN113222012A - 一种肺部数字病理图像自动定量分析方法及系统 - Google Patents
一种肺部数字病理图像自动定量分析方法及系统 Download PDFInfo
- Publication number
- CN113222012A CN113222012A CN202110509447.1A CN202110509447A CN113222012A CN 113222012 A CN113222012 A CN 113222012A CN 202110509447 A CN202110509447 A CN 202110509447A CN 113222012 A CN113222012 A CN 113222012A
- Authority
- CN
- China
- Prior art keywords
- feature
- lung
- fusion
- basic
- network
- 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 72
- 210000004072 lung Anatomy 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004445 quantitative analysis Methods 0.000 title claims description 30
- 230000004927 fusion Effects 0.000 claims abstract description 44
- 238000000605 extraction Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 5
- 230000007170 pathology Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims 1
- 230000011218 segmentation Effects 0.000 abstract description 56
- 238000004422 calculation algorithm Methods 0.000 description 20
- 238000012549 training Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提出一种肺部数字病理图像自动定量分析方法及系统，包括将肺部数字病理图像输入基础特征提取网络，生成基础特征图，该基础特征图经过多尺度膨胀卷积网络处理，得到第一融合特征；将该第一融合特征输入至边缘信息增强网络，得到边缘增强特征图，并将该边缘增强特征图分别与多张基础特征提取网络生成该基础特征图过程中的中间特征相融合，得到多张第二融合特征；根据该第二融合特征的语义信息，得到该肺部数字病理图像中每一像素对应的类别。本发明通过引入多尺度网络结构将不同尺度的特征图融合在一起，以及引入边缘信息增强网络结构与不同尺度特征图进行像素融合，使得特征信息更加丰富，提升了分割精度。
Description
技术领域
本发明涉及图像处理技术领域，特别涉及多尺度边缘信息增强方法、基于卷积神经网络的语义分割方法以及两种方法的结合。
背景技术
目前，国内外诸多著名学者都致力于肺部数字病理图像自动定量分析方法的研究，其中图像分割算法是其中的核心算法，分割效果的好坏直接影响到病理图像定量分析的精度。目前图像分割算法主要有以下两种：基于传统机器学习的分割算法和基于深度学习的分割算法。
基于传统机器学习的分割算法主要有基于阈值、基于边缘检测、基于区域和基于能量的分割。该类方法直观简单，不需要大量的训练数据。但是由于图像的复杂性，基于传统机器学习的分割算法很难适应不同类型的图片，分割效果较差。
随着深度学习的发展，在分割任务中出现了很多优秀的网络结构。根据分割任务的不同可以将分割分为三个研究方向：语义分割，实例分割和全景分割。这三种方法之间相互关联，相辅相成。语义分割是像素级别的分割，对图像中的每个像素都划分出对应的类别，即实现像素级别的分类。类的具体对象，即为实例，实例分割不但要进行像素级别的分类，还需在具体的类别基础上区别开不同的实例。全景分割是语义分割和实例分割的泛化。与语义分割不同，全景分割需要区分单个目标实例，这对完全卷积网络提出了挑战。与实例分割不同的是，在全景分割中目标必须是非重叠的，这对独立于操作每个目标的基于区域的方法提出了挑战。
虽然图像分割算法众多，但是不同算法之间仍然存在较大的差别，每种算法各有利弊。即使基于深度学习的分割算法已经取得了较好的结果，但是由于不同领域之间图像的差别也会对基于深度学习的分割算法的结果产生不同的影响。病理图片不同于自然图片和影像图片，病理图片背景相对复杂，不同成分之间没有明确的分割界限，通过引入多尺度边缘信息增强网络结构来融合病理图片的浅层外观信息和深层语义信息，既可以更加精确的对每一个像素值准确分类，又可以精修分割目标的边缘信息。因此通过多尺度边缘信息增强方法可以对病理图片进行有效分割，在病理图片的定量分析领域具有广泛的应用前景。
发明内容
针对现有技术的不足，本发明提出一种肺部数字病理图像自动定量分析方法，其中包括：
步骤1、将肺部数字病理图像输入基础特征提取网络，生成基础特征图，该基础特征图经过多尺度膨胀卷积网络处理，得到第一融合特征；
步骤2、将该第一融合特征输入至边缘信息增强网络，得到边缘增强特征图，并将该边缘增强特征图分别与多张基础特征提取网络生成该基础特征图过程中的中间特征相融合，得到多张第二融合特征；
步骤3、根据该第二融合特征的语义信息，得到该肺部数字病理图像中每一像素对应的类别。
所述的肺部数字病理图像自动定量分析方法，其特征在于
该步骤1包括：对肺部数字病理图片进行裁剪并下采样后输入该基础特征提取网络；
该步骤3包括：对该第二融合特征进行上采样，得到和该肺部数字病理图像尺寸相同的语义特征图，将该语义特征图中每一像素具有的类别作为该肺部数字病理图像中对应像素的类别。
所述的肺部数字病理图像自动定量分析方法，其中基础特征提取网络的结构采用ResNet-101。
所述的肺部数字病理图像自动定量分析方法，其中步骤1包括：将基础特征图分别输入到1×1的卷积层，三种不同膨胀系数的3×3的卷积层和池化层中来提取对应的特征图，最后通过融合层将这五种不同尺度的特征图融合在一起，得到该第一融合特征。
所述的肺部数字病理图像自动定量分析方法，其中裁减的尺寸为1024×1024，下采样的尺寸为512×512；基础特征提取网络的结构采用深度为101层，宽度为2048个通道的ResNet-101网络结构；从基础特征提取网络的卷积层输出选取32×32×512和64×64×256这两个尺度的特征图作为该中间特征。
本发明还提出了一种肺部数字病理图像自动定量分析系统，其中包括：
模块1，用于将肺部数字病理图像输入基础特征提取网络，生成基础特征图，该基础特征图经过多尺度膨胀卷积网络处理，得到第一融合特征；
模块2，用于将该第一融合特征输入至边缘信息增强网络，得到边缘增强特征图，并将该边缘增强特征图分别与多张基础特征提取网络生成该基础特征图过程中的中间特征相融合，得到多张第二融合特征；
模块3，用于根据该第二融合特征的语义信息，得到该肺部数字病理图像中每一像素对应的类别。
所述的肺部数字病理图像自动定量分析系统，其特征在于
该模块1包括：对肺部数字病理图片进行裁剪并下采样后输入该基础特征提取网络；
该模块3包括：对该第二融合特征进行上采样，得到和该肺部数字病理图像尺寸相同的语义特征图，将该语义特征图中每一像素具有的类别作为该肺部数字病理图像中对应像素的类别。
所述的肺部数字病理图像自动定量分析系统，其中基础特征提取网络的结构采用ResNet-101。
所述的肺部数字病理图像自动定量分析系统，其中模块1包括：将基础特征图分别输入到1×1的卷积层，三种不同膨胀系数的3×3的卷积层和池化层中来提取对应的特征图，最后通过融合层将这五种不同尺度的特征图融合在一起，得到该第一融合特征。
所述的肺部数字病理图像自动定量分析系统，其中裁减的尺寸为1024×1024，下采样的尺寸为512×512；基础特征提取网络的结构采用深度为101层，宽度为2048个通道的ResNet-101网络结构；从基础特征提取网络的卷积层输出选取32×32×512和64×64×256这两个尺度的特征图作为该中间特征。
由以上方案可知，本发明的优点在于：
本发明通过引入多尺度网络结构将不同尺度的特征图融合在一起，使得特征信息更加丰富，提升了分割精度。通过引入边缘信息增强网络结构与不同尺度特征图进行像素融合，有效抑制背景信息，提升目标相应值，将前景和背景有效分隔开，提升分割精度。
附图说明
图1是本发明提供优选实施例方法的流程图；
图2是ResNet-101网络中残差块的结构图；
图3是多尺度膨胀卷积网络结构图；
图4是本发明实施例中待分割的6个类别对应的病理图像示意图。
具体实施方式
本发明包括：步骤S1将病理图像进行裁剪和缩放；步骤S2将裁剪缩放的图片传到基础网络中提取基础特征图；步骤S3使用多尺度膨胀卷积网络结构对基础特征图进行处理，提取更加丰富的语义特征信息；步骤S4对步骤S3产生的特征图进一步处理，提取边缘特征图。将基础网络结构不同尺度的特征图分别与边缘特征图进行融合来有效抑制背景信息，提升目标信息；步骤S5通过解码器输出分割结果，计算出每个类别的占比，完成各个类别的定量分析。本发明在基于深度学习语义分割算法的基础上结合了多尺度信息和边缘信息增强算法。利用特征图的多尺度信息来提取深层次的语义信息和外观信息，提升了算法分割精度；同时借助边缘信息增强算法抑制背景特征信息，提高目标响应，有效提升了病理图像自动定量分析的精度。
具体来说本发明方法包括以下步骤：
S1、首先输入原始图片，并对原始病理图片进行裁剪和缩放，为了能够得到较大的感受野，将图片裁剪范围设为1024×1024。同时为了能够使裁剪之后的图片放到网络里面进行训练，我们将裁剪之后的图片缩放到512×512大小，这样我们既可以降低训练的硬件需求又可以保留病理图像充分的特征信息；
S2、将预处理之后的图片传到基础网络结构里面提取基础特征图。由于语义分割对于基础特征的要求较高，因此采用较深和较宽的ResNet-101网络结构来提取病理图片丰富的语义信息；
S3、基础特征图经过多尺度膨胀卷积网络结构，来提取不同尺度的特征信息。多尺度膨胀卷积网络结构由不同膨胀系数的卷积层组成，可以融合不同感受野的特征信息，提升分割精度。
S4、通过边缘信息增强网络结构来对S3中的多尺度信息进行进一步的特征提取，然后将得到的边缘特征信息和对应尺度的特征图进行融合得到边缘信息增强特征图。
S5、最后通过解码器网络结构输出最终的分割结果，然后通过分割结果对病理图像的不同成分进行自动化定量分析。
所述步骤S1中对原始病理图片裁剪，为了能够得到较大的感受野获取更多的上下文信息图片裁剪的尺寸设为1024×1024。虽然裁剪之后的病理图片可以得到更多的感受野和上下文信息，但是由于图片太大对电脑硬件设备要求很高，普通硬件设备无法高效的对当前网络结构进行训练与测试。于是将图片缩放至512×512，这样既能够减少硬件资源占用提升训练和测试速度，又不会损失太多的图像信息。
所述步骤S2对预处理之后的图片进行特征提取用于后续的分割。基础特征的好坏直接影响到语义分割的精度，为了能够获取到足够丰富的语义信息，我们选用了ResNet-101作为基础网络结构，该网络结构在网络深度和网络宽度都可以满足语义分割对于基础特征的要求。
所述步骤S3使用不同膨胀系数的卷积层来融合不同尺度的特征信息提升分割精度。
述步骤S4边缘信息增强网络结构来增强分割边缘信息，然后将不同尺度的特征图分别和对应尺度的边缘特征信息进行融合来抑制无用的背景信息，提高目标的信息响应值，从而提升分割精度。
所述步骤S5使用解码器网络结构将特征图通过线性插值法上采样到原图大小得到病理图片的分割结果，最后通过分割结果来计算得到各个类别的定量分析结果。
为让本发明的上述特征和效果能阐述的更明确易懂，下文特举实施例，并配合说明书附图作详细说明如下。
本发明解决上述技术问题的技术方案是：
本发明的方法流程如图1所示。
具体步骤：
步骤S1：由于原始病理图像比较大，无法整张传到网络里面进行训练。首先我们对病理图片进行裁剪，为了能够得到更大的感受野和更加丰富的上下文信息，将裁减的尺寸设为1024×1024大小。同时为了能够将裁剪之后的病理图片放到网络里面进行高效训练，将裁剪之后的病理图片缩减为512×512，这样既可以在一定程度上保留病理图片的信息，又可以在网络中进行高效的训练。
步骤S2：然后我们将裁剪缩放之后的图片传到基础网络结构中提取基础特征信息。由于语义分割需要丰富的语义信息才能够取得较高的分割精度，因此需要一个合适的网络宽度和深度来提取特征。我们选取的是ResNet-101作为基础网络结构。该网络结构的深度为101层，宽度为2048个通道，在网络深度和网络宽度都可以满足语义分割对于基础特征的要求。同时为了解决网络太深造成梯度消失问题，该网络引入了残差块的网络结构，ResNet-101网络结构就是由不同数量的残差块组合而成。残差块的结构如图2所示，X表示输入的特征图，经过两个网络层之后得到特征图F(X)，最后残差结构将F(X)和X相加得到残差块的输出结果，这样就可以有效的保留上一层的信息，防止信息的流失。
步骤S3：将S2中的特征图传到多尺度膨胀卷积网络结构中，来提取多尺度的特征，通过融合不同尺度的特征图片来提升分割精度。网络结构如图3所示，将S2中的特征图分别输入到1×1的卷积，三种不同膨胀系数的3×3的卷积和池化层中来提取对应的特征图，最后通过融合层将这五种不同尺度的特征图融合在一起，在网络结构中引入多尺度信息，提升分割精度。
步骤S4：将S3得到的结果传输到边缘信息增强网络结构中得到信息增强之后的特征图T(X)，然后将T(X)分别与尺度为32×32×512和64×64×256的特征图进行特征融合得到两种不同尺度的特征信息。利用多尺度丰富的语义信息，获得准确的像素分类结果，实现对前景和背景的分割指导。
基础网络结构是ResNet-101，此网络结构会有很多卷积层，每一个卷积层都会输出的特征图，并且特征图会随着网络的深度逐渐变小，上述选取了32×32×512和64×64×256这两个尺度的特征图作为我们的融合特征，可以直接通过Resnet-101卷积层输出得到。
此网络结构类似于残差网络结构，既保留了前面32和64特征信息，又可以引进多尺度膨胀卷积特征信息，这样就可以让我们的特征图信息更加丰富，更有利于我们的分割。
语义分割本质上可以理解为是分类算法，对每一个像素来进行分类。分类效果的好坏最主要的因素就是丰富的特征信息。因此我们将不同尺度的特征信息融合进来，来得到对每一个像素点的更加准确的分类结果。这样所有的像素点整合在一起就是我们最后的分割结果。
步骤S5：通过解码网络结构进行上采样双线性插值得到2X和4X的特征，然后与基础网络结构中对应大小的低级特征融合在一起，最后再双线性插值得到与原始图片相同大小的分割预测。通过我们分割的结果对每一个类别的像素数量进行统计，最后得到每一个类别像素数量和占比，从而实现病例图片的自动定量分析。
为了评估算法的性能，本发明采用了像素准确率，分类准确率，平均交并比和加权交并比这四个评价指标来全方位评价我们算法的性能。
本实将数据集划分为9:1的比例来训练和测试本发明的分割算法。图4对应的是我们需要分割的6个类别图片。下表1为本发明的实验结果表格。
表1
以下为与上述方法实施例对应的系统实施例，本实施方式可与上述实施方式互相配合实施。上述实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在上述实施方式中。
本发明还提出了一种肺部数字病理图像自动定量分析系统，其中包括：
模块1，用于将肺部数字病理图像输入基础特征提取网络，生成基础特征图，该基础特征图经过多尺度膨胀卷积网络处理，得到第一融合特征；
模块2，用于将该第一融合特征输入至边缘信息增强网络，得到边缘增强特征图，并将该边缘增强特征图分别与多张基础特征提取网络生成该基础特征图过程中的中间特征相融合，得到多张第二融合特征；
模块3，用于根据该第二融合特征的语义信息，得到该肺部数字病理图像中每一像素对应的类别。
所述的肺部数字病理图像自动定量分析系统，其特征在于
该模块1包括：对肺部数字病理图片进行裁剪并下采样后输入该基础特征提取网络；
该模块3包括：对该第二融合特征进行上采样，得到和该肺部数字病理图像尺寸相同的语义特征图，将该语义特征图中每一像素具有的类别作为该肺部数字病理图像中对应像素的类别。
所述的肺部数字病理图像自动定量分析系统，其中基础特征提取网络的结构采用ResNet-101。
所述的肺部数字病理图像自动定量分析系统，其中模块1包括：将基础特征图分别输入到1×1的卷积层，三种不同膨胀系数的3×3的卷积层和池化层中来提取对应的特征图，最后通过融合层将这五种不同尺度的特征图融合在一起，得到该第一融合特征。
所述的肺部数字病理图像自动定量分析系统，其中裁减的尺寸为1024×1024，下采样的尺寸为512×512；基础特征提取网络的结构采用深度为101层，宽度为2048个通道的ResNet-101网络结构；从基础特征提取网络的卷积层输出选取32×32×512和64×64×256这两个尺度的特征图作为该中间特征。
Claims (10)
1.一种肺部数字病理图像自动定量分析方法，其特征在于，包括：
步骤1、将肺部数字病理图像输入基础特征提取网络，生成基础特征图，该基础特征图经过多尺度膨胀卷积网络处理，得到第一融合特征；
步骤2、将该第一融合特征输入至边缘信息增强网络，得到边缘增强特征图，并将该边缘增强特征图分别与多张基础特征提取网络生成该基础特征图过程中的中间特征相融合，得到多张第二融合特征；
步骤3、根据该第二融合特征的语义信息，得到该肺部数字病理图像中每一像素对应的类别。
2.如权利要求1所述的肺部数字病理图像自动定量分析方法，其特征在于
该步骤1包括：对肺部数字病理图片进行裁剪并下采样后输入该基础特征提取网络；
该步骤3包括：对该第二融合特征进行上采样，得到和该肺部数字病理图像尺寸相同的语义特征图，将该语义特征图中每一像素具有的类别作为该肺部数字病理图像中对应像素的类别。
3.如权利要求1所述的肺部数字病理图像自动定量分析方法，其特征在于，基础特征提取网络的结构采用ResNet-101。
4.如权利要求1所述的肺部数字病理图像自动定量分析方法，其特征在于，步骤1包括：将基础特征图分别输入到1×1的卷积层，三种不同膨胀系数的3×3的卷积层和池化层中来提取对应的特征图，最后通过融合层将这五种不同尺度的特征图融合在一起，得到该第一融合特征。
5.如权利要求2所述的肺部数字病理图像自动定量分析方法，其特征在于，裁减的尺寸为1024×1024，下采样的尺寸为512×512；基础特征提取网络的结构采用深度为101层，宽度为2048个通道的ResNet-101网络结构；从基础特征提取网络的卷积层输出选取32×32×512和64×64×256这两个尺度的特征图作为该中间特征。
6.一种肺部数字病理图像自动定量分析系统，其特征在于，包括：
模块1，用于将肺部数字病理图像输入基础特征提取网络，生成基础特征图，该基础特征图经过多尺度膨胀卷积网络处理，得到第一融合特征；
模块2，用于将该第一融合特征输入至边缘信息增强网络，得到边缘增强特征图，并将该边缘增强特征图分别与多张基础特征提取网络生成该基础特征图过程中的中间特征相融合，得到多张第二融合特征；
模块3，用于根据该第二融合特征的语义信息，得到该肺部数字病理图像中每一像素对应的类别。
7.如权利要求1所述的肺部数字病理图像自动定量分析系统，其特征在于
该模块1包括：对肺部数字病理图片进行裁剪并下采样后输入该基础特征提取网络；
该模块3包括：对该第二融合特征进行上采样，得到和该肺部数字病理图像尺寸相同的语义特征图，将该语义特征图中每一像素具有的类别作为该肺部数字病理图像中对应像素的类别。
8.如权利要求1所述的肺部数字病理图像自动定量分析系统，其特征在于，基础特征提取网络的结构采用ResNet-101。
9.如权利要求1所述的肺部数字病理图像自动定量分析系统，其特征在于，模块1包括：将基础特征图分别输入到1×1的卷积层，三种不同膨胀系数的3×3的卷积层和池化层中来提取对应的特征图，最后通过融合层将这五种不同尺度的特征图融合在一起，得到该第一融合特征。
10.如权利要求2所述的肺部数字病理图像自动定量分析系统，其特征在于，裁减的尺寸为1024×1024，下采样的尺寸为512×512；基础特征提取网络的结构采用深度为101层，宽度为2048个通道的ResNet-101网络结构；从基础特征提取网络的卷积层输出选取32×32×512和64×64×256这两个尺度的特征图作为该中间特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110509447.1A CN113222012A (zh) | 2021-05-11 | 2021-05-11 | 一种肺部数字病理图像自动定量分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110509447.1A CN113222012A (zh) | 2021-05-11 | 2021-05-11 | 一种肺部数字病理图像自动定量分析方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113222012A true CN113222012A (zh) | 2021-08-06 |
Family
ID=77094461
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110509447.1A Pending CN113222012A (zh) | 2021-05-11 | 2021-05-11 | 一种肺部数字病理图像自动定量分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113222012A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114549394A (zh) * | 2021-11-22 | 2022-05-27 | 北京知见生命科技有限公司 | 一种基于深度学习的肿瘤病灶区域语义分割方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110310289A (zh) * | 2019-06-17 | 2019-10-08 | 北京交通大学 | 基于深度学习的肺部组织图像分割方法 |
| CN111091524A (zh) * | 2018-10-08 | 2020-05-01 | 天津工业大学 | 基于深度卷积神经网络的前列腺经直肠超声图像分割方法 |
| CN111462126A (zh) * | 2020-04-08 | 2020-07-28 | 武汉大学 | 一种基于边缘增强的语义图像分割方法及系统 |
| WO2020215985A1 (zh) * | 2019-04-22 | 2020-10-29 | 腾讯科技（深圳）有限公司 | 医学影像分割方法、装置、电子设备和存储介质 |
| AU2020103713A4 (en) * | 2020-11-27 | 2021-02-18 | Devi, V.Ajantha | Digital imaging methods and system for processing agar plate images for automated diagnostics |
| CN112465830A (zh) * | 2020-11-11 | 2021-03-09 | 上海健康医学院 | 一种磨玻璃样肺结节自动分割方法及计算机设备 |
| CN112651981A (zh) * | 2020-12-23 | 2021-04-13 | 浙江工业大学 | 一种显著边缘特征提取模块引导网络的肠道疾病分割方法 |
-
2021
- 2021-05-11 CN CN202110509447.1A patent/CN113222012A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111091524A (zh) * | 2018-10-08 | 2020-05-01 | 天津工业大学 | 基于深度卷积神经网络的前列腺经直肠超声图像分割方法 |
| WO2020215985A1 (zh) * | 2019-04-22 | 2020-10-29 | 腾讯科技（深圳）有限公司 | 医学影像分割方法、装置、电子设备和存储介质 |
| CN110310289A (zh) * | 2019-06-17 | 2019-10-08 | 北京交通大学 | 基于深度学习的肺部组织图像分割方法 |
| CN111462126A (zh) * | 2020-04-08 | 2020-07-28 | 武汉大学 | 一种基于边缘增强的语义图像分割方法及系统 |
| CN112465830A (zh) * | 2020-11-11 | 2021-03-09 | 上海健康医学院 | 一种磨玻璃样肺结节自动分割方法及计算机设备 |
| AU2020103713A4 (en) * | 2020-11-27 | 2021-02-18 | Devi, V.Ajantha | Digital imaging methods and system for processing agar plate images for automated diagnostics |
| CN112651981A (zh) * | 2020-12-23 | 2021-04-13 | 浙江工业大学 | 一种显著边缘特征提取模块引导网络的肠道疾病分割方法 |
Non-Patent Citations (2)
| Title |
|---|
| MOHAMMAD HESAM HESAMIAN等: "Atrous Convolution for Binary Semantic Segmentation of Lung Nodule", ICASSP 2019-2019 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING (ICASSP), 17 April 2019 (2019-04-17), pages 1015 - 1019 * |
| 谭瑶: "基于注意力机制和多尺度网络的腹部器官与病变分割", 中国优秀硕士学位论文全文数据库 (医药卫生科技辑), no. 2021, 15 May 2021 (2021-05-15), pages 060 - 363 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114549394A (zh) * | 2021-11-22 | 2022-05-27 | 北京知见生命科技有限公司 | 一种基于深度学习的肿瘤病灶区域语义分割方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109508681B (zh) | 生成人体关键点检测模型的方法和装置 | |
| CN111709420B (zh) | 文本检测方法、电子设备及计算机可读介质 | |
| CN111311563A (zh) | 一种基于多域特征融合的图像篡改检测方法 | |
| CN113033570B (zh) | 一种改进空洞卷积和多层次特征信息融合的图像语义分割方法 | |
| CN110020658B (zh) | 一种基于多任务深度学习的显著目标检测方法 | |
| CN111914654B (zh) | 一种文本版面分析方法、装置、设备和介质 | |
| CN111382647B (zh) | 一种图片处理方法、装置、设备及存储介质 | |
| CN114117614A (zh) | 一种建筑物立面纹理自动生成方法和系统 | |
| CN111160356A (zh) | 一种图像分割分类方法和装置 | |
| CN110852199A (zh) | 一种基于双帧编码解码模型的前景提取方法 | |
| CN116343043B (zh) | 一种具有多尺度特征融合功能的遥感影像变化检测方法 | |
| CN114693929A (zh) | 一种rgb-d双模态特征融合的语义分割方法 | |
| CN111160378A (zh) | 基于单张图像的多任务增强的深度估计系统 | |
| CN112365478A (zh) | 一种基于语义分割的电机换向器表面缺陷检测模型 | |
| CN112990213B (zh) | 一种基于深度学习的数字万用表字符识别系统和方法 | |
| CN114266952A (zh) | 基于深监督的实时语义分割方法 | |
| CN111767919A (zh) | 一种多层双向特征提取与融合的目标检测方法 | |
| CN111881914A (zh) | 一种基于自学习阈值的车牌字符分割方法及系统 | |
| CN116645513A (zh) | 水印提取方法、模型训练方法、装置、电子设备及介质 | |
| CN115205641A (zh) | 一种多先验驱动的显著性目标检测算法 | |
| CN113222012A (zh) | 一种肺部数字病理图像自动定量分析方法及系统 | |
| CN112488115B (zh) | 一种基于two-stream架构的语义分割方法 | |
| Ikeda et al. | RGB-D salient object detection using saliency and edge reverse attention | |
| CN111539922B (zh) | 基于多任务网络的单目深度估计与表面法向量估计方法 | |
| CN114943204A (zh) | 一种基于生成对抗网络的中文字体合成的方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240108 Address after: Room 401121, No. 210, West Section of Jinkai Avenue, Yubei District, Chongqing, 3rd Floor, No. 3-11-01803 Applicant after: Chongqing Zhijian Life Technology Co.,Ltd. Address before: 3 / F, Ziguang building, No. 1-10, Zhongguancun East Road, Haidian District, Beijing 100083 Applicant before: Beijing Zhijian Life Technology Co.,Ltd. Applicant before: Chongqing Zhijian Life Technology Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: No. 313 Jinyue Road, Jinfeng Town, Jiulongpo District, Chongqing, 401329 Applicant after: Chongqing Zhijian Life Technology Co.,Ltd. Address before: Room 401121, No. 210, West Section of Jinkai Avenue, Yubei District, Chongqing, 3rd Floor, No. 3-11-01803 Applicant before: Chongqing Zhijian Life Technology Co.,Ltd. |