CN113269747A - 一种基于深度学习的病理图片肝癌扩散检测方法及系统 - Google Patents

一种基于深度学习的病理图片肝癌扩散检测方法及系统 Download PDF

Info

Publication number
CN113269747A
CN113269747A CN202110564391.XA CN202110564391A CN113269747A CN 113269747 A CN113269747 A CN 113269747A CN 202110564391 A CN202110564391 A CN 202110564391A CN 113269747 A CN113269747 A CN 113269747A
Authority
CN
China
Prior art keywords
blood vessel
detection
image
deep learning
liver cancer
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.)
Granted
Application number
CN202110564391.XA
Other languages
English (en)
Other versions
CN113269747B (zh
Inventor
杜维波
程锦霖
吴炜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
First Affiliated Hospital of Zhejiang University School of Medicine
Original Assignee
First Affiliated Hospital of Zhejiang University School of Medicine
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by First Affiliated Hospital of Zhejiang University School of Medicine filed Critical First Affiliated Hospital of Zhejiang University School of Medicine
Priority to CN202110564391.XA priority Critical patent/CN113269747B/zh
Publication of CN113269747A publication Critical patent/CN113269747A/zh
Application granted granted Critical
Publication of CN113269747B publication Critical patent/CN113269747B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Abstract

本发明公开了一种基于深度学习的病理图片肝癌扩散检测方法及系统，属于病理诊断技术领域，该方法利用深度学习建立的检测模型实现肝癌扩散检测，包括以下步骤：将数字病理切片图像的血管进行标注；在标注区域的不同倍率下进行滑动切割，所述滑动切割用于将标注区域划分成若干个小区域；将不同倍率下的切割图像输入到由深度学习建立的检测模型中检测血管是否为肝癌扩散血管，所述检测模型通过对图像进行特征提取，检测出血管内是否包含癌细胞像素点；将检测的血管结果在原始数字病理切片图像上进行图像化展示。通过深度学习技术可以直接端到端检测出癌症扩散的血管区域，大大减轻了医生的工作量，并且提高了检测的准确度。

Description

一种基于深度学习的病理图片肝癌扩散检测方法及系统
技术领域
本发明属于病理诊断技术领域，具体涉及一种基于深度学习的病理图片肝癌扩散检测方法及系统。
背景技术
数字病理全切片，是利用数字扫描仪对传统的病理切片进行扫描，采集的数字图像具备高分辨率，在通过计算机将碎片化的图像进行拼接，进行可视化，解决了传统玻璃切片易褪色、易丢失、易损坏、检索困难的问题。病理切片广泛应用于各类疾病的诊断，如乳腺癌，肝癌，胃癌等的诊断。
近年来随着人工智能和大数据等技术的快速发展，深度学习技术已经广泛应用于病理图像，现有的深度学习技术只能对于癌症区域进行检测，由于病理切片癌症区域与正常区域特征的不同还是很明显的，所以可以轻易检测，但是对于癌症在血管中的扩散变无法精确的确定区域，如果人工查看癌症是否扩散到血管中，增加了医生的工作量，也容易出现检测误差。
发明内容
本发明的目的在于提供一种基于深度学习的病理图片肝癌扩散检测方法投入使用，以解决上述背景技术中提出的问题。
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病理图片肝癌扩散检测方法，该方法利用深度学习建立的检测模型实现肝癌扩散检测，包括以下步骤：
将数字病理切片图像的血管进行标注；
在标注区域的不同倍率下进行滑动切割，所述滑动切割用于将标注区域划分成若干个小区域；
将不同倍率下的切割图像输入到由深度学习建立的检测模型中检测血管是否为肝癌扩散血管，所述检测模型通过对图像进行特征提取，检测出血管内是否包含癌细胞像素点；
将检测的血管结果在原始数字病理切片图像上进行图像化展示。
优选的，所述滑动切割的切割方法包括：
在最高倍率下统计血管标注区域的直径大小，以此为不同倍率下最终的图像切割大小；
沿着横向方向进行滑动切割，切割获得的图像是以标注区域直径大小相同的矩形图像，水平滑动的距离是标注区域直径大小的三分之一；
沿着纵向方向进行滑动切割，切割获得的图像是以标注区域直径大小相同的矩形图像，纵向滑动的距离是标注区域直径大小的三分之一。
优选的，所述深度学习建立检测模型的方法包括：
在不同图像细粒度上级联图像的特征；
将图像特征传递到预测层，首先进行下采样，模型的depth不断加深，weight和height不断缩小，然后进行上采样，并在上采样的过程中与下采样weight和height相同的时候进行级联，将低层的特征和高层的特征进行融合，提高模型的分类和位置准确度；
对图像进行预测，输出检测框的位置(Xleft，Ytop，Width，Height)和分类类别，即检测出血管的位置坐标，并判断其为正常血管还是带有肝癌扩散的血管区域。
优选的，所述模型的损失函数包括两个部分，检测框置信度，检测框的位置损失，以及分类损失，其中置信度为Lconf，代表检测框是否为血管的概率，计算公式为：
Figure BDA0003080357370000031
位置框的损失函数为Lloc,表示其位置与实际标签的位置差，其计算公式为：
Lloc＝-log(IOU)
其中
Figure BDA0003080357370000032
A表示为预测的x,y,w,h计算得到的面积，B由ground true计算得到的目标的面积；
而Lclass为检测框的分类损失：
Figure BDA0003080357370000033
所以整体的损失函数L为：
L＝Lconf+Lloc+λLclass
λ为权衡系数，取0.8。
优选的，所述检测结果通过非极大值抑制筛选出最终的检测区域。
一种基于深度学习的病理图片肝癌扩散检测系统，包括：
标注单元，用于对数字病理切片图像上的血管进行标注，使其形成标注区域；
图像切割单元，用于对标注区域的不同倍率下的图像进行滑动切割，使所述标注区域划分成若干个小区；
检测单元，用于对图像进行特征提取，检测出血管内是否包含癌细胞像素点；
展示单元，用于将检测的血管结果在原始数字病理切片图像上进行图像化展示。
本发明的技术效果和优点：通过机器深度学习建立检测模型，而且检测模型的输入的图像是通过对原始数字病理切片图像进行不同倍率下的滑动切割所得，根据倍率不同检测到的扩散肝癌的像素点的坐标也更加精确，可准确的检测出肝癌扩散的血管的区域，从而可以直接端到端检测出癌症扩散的血管区域，大大减轻了医生的工作量，并且提高了检测的准确度。
附图说明
图1为本发明的肝癌扩散检测方法流程图；
图2为本发明的滑动切割的切割方法流程图；
图3为本发明的原始数字病历切片的图像示意图。
图4为本发明的滑动切割的图像示意图。
图5为本发明的检测结果展示示意图。
图6为本发明的肝癌扩散检测系统组成示意图。
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。
本发明提供了如图1所示的一种基于深度学习的病理图片肝癌扩散检测方法，该方法利用深度学习建立的检测模型实现肝癌扩散检测，包括以下步骤：
S1、将数字病理切片图像的血管进行标注，标注是为了方便识别出图像中的血管，血管分为两类，一类为正常血管，另一类为带有肝癌细胞扩散的血管，如图3所示，原始的数字病理切片图像中的深色的弯曲线条便是血管。
S2、在标注区域的不同倍率下进行滑动切割，所述滑动切割用于将标注区域划分成若干个小区域，如图2所示，所述滑动切割的切割方法包括：
S201、在最高倍率下统计血管标注区域的直径大小，以此为不同倍率下最终的图像切割大小，根据倍率的不同，血管显示出来的区域面积也不同，放大倍率越高，则血管的边缘便更加容易缺定，因此多倍率可以使肝癌扩散的血管区域检测更加的精确；
S202、沿着横向方向进行滑动切割，切割获得的图像是以标注区域直径大小相同的矩形图像，水平滑动的距离是标注区域直径大小的三分之一，通过每次移动三分之一的距离，使第二次切割的图像包括第一切割图像的三分之二的内容，使每个切割图像之间存在联系性，如图4所示，切割图像中的画面依次连续的移动，组合在一起可以展示完整的被切割图像，不易出现断点；
S203、沿着纵向方向进行滑动切割，切割获得的图像是以标注区域直径大小相同的矩形图像，纵向滑动的距离是标注区域直径大小的三分之一，通过横向滑动切割和纵向滑动切割相互配合，可避免存在血管的区域遗漏。
S3、将不同倍率下的切割图像输入到由深度学习建立的检测模型中检测血管是否为肝癌扩散血管，所述检测模型通过对图像进行特征提取，检测出血管内是否包含癌细胞像素点；所述深度学习建立检测模型的方法包括：
在不同图像细粒度上级联图像的特征；
将图像特征传递到预测层，首先进行下采样，模型的depth不断加深，weight和height不断缩小，然后进行上采样，并在上采样的过程中与下采样weight和height相同的时候进行级联，将低层的特征和高层的特征进行融合，提高模型的分类和位置准确度；
对图像进行预测，输出检测框的位置(Xleft，Ytop，Width，Height)和分类类别，即检测出血管的位置坐标，并判断其为正常血管还是带有肝癌扩散的血管区域。所述检测结果通过非极大值抑制筛选出最终的检测区域，检测出来的区域转换到原始的病理切割图像上，由于是在不同倍率下滑动切割出来的图像，即一个目标区域会有多个不同的表示，检测结果会有重复，使用非极大值抑制筛选出最终的检测区域，将最终的结果展示在原始的病理切片图像上，供医生查看，非最大抑制是边缘细化技术，将当前像素的边缘强度与正梯度方向和负梯度方向上的像素的边缘强度进行比较，如果当前像素的边缘强度与具有相同方向的掩模中的其他像素相比是最大的，该值将被保留。否则，该值将被抑制。
所述模型的损失函数包括两个部分，检测框置信度，检测框的位置损失，以及分类损失，其中置信度为Lconf，代表检测框是否为血管的概率，计算公式为：
Figure BDA0003080357370000071
位置框的损失函数为Lloc,表示其位置与实际标签的位置差，其计算公式为：
Lloc＝-log(IOU)
其中
Figure BDA0003080357370000072
A表示为预测的x,y,w,h计算得到的面积，B由ground true计算得到的目标的面积；
而Lclass为检测框的分类损失：
Figure BDA0003080357370000073
所以整体的损失函数L为：
L＝Lconf+Lloc+λLclass
λ为权衡系数，取0.8。
S4、将检测的血管结果在原始数字病理切片图像上进行图像化展示，展示结果如图5所示，可看到血管被矩形框标记，而框中带有密集点的为癌细胞扩散的血管，可方便医生查看。
如图6所示，一种基于深度学习的病理图片肝癌扩散检测系统，包括：
标注单元，用于对数字病理切片图像上的血管进行标注，使其形成标注区域；
图像切割单元，用于对标注区域的不同倍率下的图像进行滑动切割，使所述标注区域划分成若干个小区；
检测单元，用于对图像进行特征提取，检测出血管内是否包含癌细胞像素点；
展示单元，用于将检测的血管结果在原始数字病理切片图像上进行图像化展示。
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 (6)

1.一种基于深度学习的病理图片肝癌扩散检测方法，该方法利用深度学习建立的检测模型实现肝癌扩散检测，其特征在于：包括以下步骤：
将数字病理切片图像的血管进行标注；
在标注区域的不同倍率下进行滑动切割，所述滑动切割用于将标注区域划分成若干个小区域；
将不同倍率下的切割图像输入到由深度学习建立的检测模型中检测血管是否为肝癌扩散血管，所述检测模型通过对图像进行特征提取，检测出血管内是否包含癌细胞像素点；
将检测的血管结果在原始数字病理切片图像上进行图像化展示。
2.根据权利要求1所述的一种基于深度学习的病理图片肝癌扩散检测方法，其特征在于：所述滑动切割的切割方法包括：
在最高倍率下统计血管标注区域的直径大小，以此为不同倍率下最终的图像切割大小；
沿着横向方向进行滑动切割，切割获得的图像是以标注区域直径大小相同的矩形图像，水平滑动的距离是标注区域直径大小的三分之一；
沿着纵向方向进行滑动切割，切割获得的图像是以标注区域直径大小相同的矩形图像，纵向滑动的距离是标注区域直径大小的三分之一。
3.根据权利要求1所述的一种基于深度学习的病理图片肝癌扩散检测方法，其特征在于：所述深度学习建立检测模型的方法包括：
在不同图像细粒度上级联图像的特征；
将图像特征传递到预测层，首先进行下采样，模型的depth不断加深，weight和height不断缩小，然后进行上采样，并在上采样的过程中与下采样weight和height相同的时候进行级联，将低层的特征和高层的特征进行融合，提高模型的分类和位置准确度；
对图像进行预测，输出检测框的位置(Xleft，Ytop，Width，Height)和分类类别，即检测出血管的位置坐标，并判断其为正常血管还是带有肝癌扩散的血管区域。
4.根据权利要求3所述的一种基于深度学习的病理图片肝癌扩散检测方法，其特征在于：所述模型的损失函数包括两个部分，检测框置信度，检测框的位置损失，以及分类损失，其中置信度为Lconf，代表检测框是否为血管的概率，计算公式为：
Figure FDA0003080357360000021
位置框的损失函数为Lloc,表示其位置与实际标签的位置差，其计算公式为：
Lloc＝-log(IOU)
其中
Figure FDA0003080357360000022
A表示为预测的x,y,w,h计算得到的面积，B由ground true计算得到的目标的面积；
而Lclass为检测框的分类损失：
Figure FDA0003080357360000023
所以整体的损失函数L为：
L＝Lconf+Lloc+λLclass
λ为权衡系数，取0.8。
5.根据权利要求3所述的一种基于深度学习的病理图片肝癌扩散检测方法，其特征在于：所述检测结果通过非极大值抑制筛选出最终的检测区域。
6.一种基于深度学习的病理图片肝癌扩散检测系统，其特征在于：包括：
标注单元，用于对数字病理切片图像上的血管进行标注，使其形成标注区域；
图像切割单元，用于对标注区域的不同倍率下的图像进行滑动切割，使所述标注区域划分成若干个小区；
检测单元，用于对图像进行特征提取，检测出血管内是否包含癌细胞像素点；
展示单元，用于将检测的血管结果在原始数字病理切片图像上进行图像化展示。
CN202110564391.XA 2021-05-24 2021-05-24 一种基于深度学习的病理图片肝癌扩散检测方法及系统 Active CN113269747B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110564391.XA CN113269747B (zh) 2021-05-24 2021-05-24 一种基于深度学习的病理图片肝癌扩散检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110564391.XA CN113269747B (zh) 2021-05-24 2021-05-24 一种基于深度学习的病理图片肝癌扩散检测方法及系统

Publications (2)

Publication Number Publication Date
CN113269747A true CN113269747A (zh) 2021-08-17
CN113269747B CN113269747B (zh) 2023-06-13

Family

ID=77232360

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110564391.XA Active CN113269747B (zh) 2021-05-24 2021-05-24 一种基于深度学习的病理图片肝癌扩散检测方法及系统

Country Status (1)

Country Link
CN (1) CN113269747B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114638292A (zh) * 2022-03-10 2022-06-17 中国医学科学院北京协和医院 一种基于多尺度分析的人工智能病理辅助诊断系统

Citations (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107407626A (zh) * 2014-09-26 2017-11-28 加利福尼亚大学董事会 评估癌症的疾病状况的方法
WO2018120942A1 (zh) * 2016-12-31 2018-07-05 西安百利信息科技有限公司 一种多模型融合自动检测医学图像中病变的系统及方法
CN108305253A (zh) * 2018-03-08 2018-07-20 麦克奥迪（厦门）医疗诊断系统有限公司 一种基于多倍率深度学习的病理全切片诊断方法
CN109377469A (zh) * 2018-11-07 2019-02-22 永州市诺方舟电子科技有限公司 一种热成像融合可见光图像的处理方法、系统及存储介质
US20190130575A1 (en) * 2017-10-30 2019-05-02 Beijing Curacloud Technology Co., Ltd. Systems and methods for image segmentation using a scalable and compact convolutional neural network
CN109726739A (zh) * 2018-12-04 2019-05-07 深圳大学 一种目标检测方法和系统
CN109800824A (zh) * 2019-02-25 2019-05-24 中国矿业大学(北京) 一种基于计算机视觉与机器学习的管道缺陷识别方法
US20190287242A1 (en) * 2018-03-16 2019-09-19 Infervision Computed tomography pulmonary nodule detection method based on deep learning
KR20190119261A (ko) * 2018-04-12 2019-10-22 가천대학교 산학협력단 멀티 스케일 이미지와 멀티 스케일 확장된 컨볼루션 기반의 완전 컨볼루션 뉴럴 네트워크를 이용한 시맨틱 이미지 세그먼테이션 장치 및 그 방법
CN110415230A (zh) * 2019-07-25 2019-11-05 东北大学 一种基于深度学习的ct切片图像语义分割系统及方法
CN110599448A (zh) * 2019-07-31 2019-12-20 浙江工业大学 基于MaskScoring R-CNN网络的迁移学习肺部病变组织检测系统
CN111047594A (zh) * 2019-11-06 2020-04-21 安徽医科大学 肿瘤mri弱监督学习分析建模方法及其模型
US20200167930A1 (en) * 2017-06-16 2020-05-28 Ucl Business Ltd A System and Computer-Implemented Method for Segmenting an Image
US20200211189A1 (en) * 2018-12-31 2020-07-02 Tempus Labs, Inc. Artificial intelligence segmentation of tissue images
CN111489327A (zh) * 2020-03-06 2020-08-04 浙江工业大学 一种基于Mask R-CNN算法的癌细胞图像检测与分割方法
CN111652886A (zh) * 2020-05-06 2020-09-11 哈尔滨工业大学 一种基于改进U-net网络的肝肿瘤分割方法
CN111798416A (zh) * 2019-06-20 2020-10-20 太原理工大学 基于病理图像与深度学习的肾小球智能检测方法及系统
CN111899259A (zh) * 2020-08-27 2020-11-06 海南大学 一种基于卷积神经网络的前列腺癌组织微阵列分级方法
CN112102256A (zh) * 2020-08-22 2020-12-18 复旦大学 面向窄带内镜图像的早期食管鳞癌的癌灶检测及诊断系统
CN112132917A (zh) * 2020-08-27 2020-12-25 盐城工学院 一种直肠癌淋巴结转移的智能诊断方法
US20210019560A1 (en) * 2019-07-18 2021-01-21 Beijing Sensetime Technology Development Co., Ltd. Image processing method and device, and storage medium
CN112435246A (zh) * 2020-11-30 2021-03-02 武汉楚精灵医疗科技有限公司 窄带成像放大胃镜下胃癌的人工智能诊断方法
US20210073982A1 (en) * 2018-07-21 2021-03-11 Beijing Sensetime Technology Development Co., Ltd. Medical image processing method and apparatus, electronic device, and storage medium
KR20210051722A (ko) * 2019-10-31 2021-05-10 재단법인대구경북과학기술원 객체 검출 모델의 학습 방법 및 객체 검출 모델이 실행되는 객체 검출 장치

Patent Citations (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107407626A (zh) * 2014-09-26 2017-11-28 加利福尼亚大学董事会 评估癌症的疾病状况的方法
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
WO2018120942A1 (zh) * 2016-12-31 2018-07-05 西安百利信息科技有限公司 一种多模型融合自动检测医学图像中病变的系统及方法
US20200167930A1 (en) * 2017-06-16 2020-05-28 Ucl Business Ltd A System and Computer-Implemented Method for Segmenting an Image
US20190130575A1 (en) * 2017-10-30 2019-05-02 Beijing Curacloud Technology Co., Ltd. Systems and methods for image segmentation using a scalable and compact convolutional neural network
CN108305253A (zh) * 2018-03-08 2018-07-20 麦克奥迪（厦门）医疗诊断系统有限公司 一种基于多倍率深度学习的病理全切片诊断方法
US20190287242A1 (en) * 2018-03-16 2019-09-19 Infervision Computed tomography pulmonary nodule detection method based on deep learning
KR20190119261A (ko) * 2018-04-12 2019-10-22 가천대학교 산학협력단 멀티 스케일 이미지와 멀티 스케일 확장된 컨볼루션 기반의 완전 컨볼루션 뉴럴 네트워크를 이용한 시맨틱 이미지 세그먼테이션 장치 및 그 방법
US20210073982A1 (en) * 2018-07-21 2021-03-11 Beijing Sensetime Technology Development Co., Ltd. Medical image processing method and apparatus, electronic device, and storage medium
CN109377469A (zh) * 2018-11-07 2019-02-22 永州市诺方舟电子科技有限公司 一种热成像融合可见光图像的处理方法、系统及存储介质
CN109726739A (zh) * 2018-12-04 2019-05-07 深圳大学 一种目标检测方法和系统
US20200211189A1 (en) * 2018-12-31 2020-07-02 Tempus Labs, Inc. Artificial intelligence segmentation of tissue images
CN109800824A (zh) * 2019-02-25 2019-05-24 中国矿业大学(北京) 一种基于计算机视觉与机器学习的管道缺陷识别方法
CN111798416A (zh) * 2019-06-20 2020-10-20 太原理工大学 基于病理图像与深度学习的肾小球智能检测方法及系统
US20210019560A1 (en) * 2019-07-18 2021-01-21 Beijing Sensetime Technology Development Co., Ltd. Image processing method and device, and storage medium
CN110415230A (zh) * 2019-07-25 2019-11-05 东北大学 一种基于深度学习的ct切片图像语义分割系统及方法
CN110599448A (zh) * 2019-07-31 2019-12-20 浙江工业大学 基于MaskScoring R-CNN网络的迁移学习肺部病变组织检测系统
KR20210051722A (ko) * 2019-10-31 2021-05-10 재단법인대구경북과학기술원 객체 검출 모델의 학습 방법 및 객체 검출 모델이 실행되는 객체 검출 장치
CN111047594A (zh) * 2019-11-06 2020-04-21 安徽医科大学 肿瘤mri弱监督学习分析建模方法及其模型
CN111489327A (zh) * 2020-03-06 2020-08-04 浙江工业大学 一种基于Mask R-CNN算法的癌细胞图像检测与分割方法
CN111652886A (zh) * 2020-05-06 2020-09-11 哈尔滨工业大学 一种基于改进U-net网络的肝肿瘤分割方法
CN112102256A (zh) * 2020-08-22 2020-12-18 复旦大学 面向窄带内镜图像的早期食管鳞癌的癌灶检测及诊断系统
CN112132917A (zh) * 2020-08-27 2020-12-25 盐城工学院 一种直肠癌淋巴结转移的智能诊断方法
CN111899259A (zh) * 2020-08-27 2020-11-06 海南大学 一种基于卷积神经网络的前列腺癌组织微阵列分级方法
CN112435246A (zh) * 2020-11-30 2021-03-02 武汉楚精灵医疗科技有限公司 窄带成像放大胃镜下胃癌的人工智能诊断方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
（意）吉安卡洛•扎克尼 等 著；连晓峰等译: "《TensorFlow深度学习 第2版》", 31 March 2020, 北京：机械工业出版社, pages: 281 - 283 *
DU JIAO 等: "Medical image fusion by combining parallel features on multi-scale local extrema scheme", 《KNOWLEDGE-BASED SYSTEMS》, pages 4 - 12 *
QUAN ZHANG 等: "Exploring Multi-scale Deep Feature Fusion for Object Detection", 《PRCV 2018: PATTERN RECOGNITION AND COMPUTER VISION》, pages 40 *
咸鱼一条HU等: ""肿瘤是如何通过血液转移的"", 《HTTPS://ZHUANLAN.ZHIHU.COM/P/362076266》 *
咸鱼一条HU等: ""肿瘤是如何通过血液转移的"", 《HTTPS://ZHUANLAN.ZHIHU.COM/P/362076266》, 15 April 2021 (2021-04-15), pages 1 - 5 *
陈云霁: "《智能计算系统》", 28 February 2020, 北京：机械工业出版社, pages: 31 - 33 *
高继森 等: "基于改进Ｔｅｔｒｏｌｅｔ变换的图像融合算法研究", 《计算机科学》, vol. 42, no. 05, pages 320 - 323 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114638292A (zh) * 2022-03-10 2022-06-17 中国医学科学院北京协和医院 一种基于多尺度分析的人工智能病理辅助诊断系统

Also Published As

Publication number Publication date
CN113269747B (zh) 2023-06-13

Similar Documents

Publication Publication Date Title
US11887311B2 (en) Method and apparatus for segmenting a medical image, and storage medium
CN110428432B (zh) 结肠腺体图像自动分割的深度神经网络算法
TWI777092B (zh) 一種圖像處理方法、電子設備及存儲介質
CN111325739B (zh) 肺部病灶检测的方法及装置，和图像检测模型的训练方法
CN111445478B (zh) 一种用于cta图像的颅内动脉瘤区域自动检测系统和检测方法
CN108961229A (zh) 基于深度学习的心血管oct影像易损失斑块检测方法及系统
CN112132166B (zh) 一种数字细胞病理图像智能分析方法、系统及装置
US20170076448A1 (en) Identification of inflammation in tissue images
CN110974306B (zh) 一种超声内镜下识别和定位胰腺神经内分泌肿瘤的系统
CN111667459B (zh) 一种基于3d可变卷积和时序特征融合的医学征象检测方法、系统、终端及存储介质
CN112465746A (zh) 一种射线底片中小缺陷检测方法
CN113313680B (zh) 一种结直肠癌病理图像预后辅助预测方法及系统
CN111709929A (zh) 一种肺部癌变区域分割与分类检测系统
CN113902945A (zh) 一种多模态乳腺磁共振图像分类方法及系统
Lermé et al. Reducing graphs in graph cut segmentation
CN115170518A (zh) 基于深度学习和机器视觉的细胞检测方法及系统
CN113269747B (zh) 一种基于深度学习的病理图片肝癌扩散检测方法及系统
CN114972202A (zh) 一种基于轻量级的神经网络的Ki67病理细胞快速检测计数方法
CN113160175B (zh) 一种基于级联网络的肿瘤淋巴管浸润检测方法
Salih et al. Adaptive local exposure based region determination for non-uniform illumination and low contrast images
CN113724267A (zh) 一种乳腺超声图像肿瘤分割方法及装置
CN111325263A (zh) 图像处理方法、装置、智能显微镜、可读存储介质和设备
Lu et al. Prediction of breast cancer metastasis by deep learning pathology
CN115239655A (zh) 一种甲状腺超声影像肿瘤分割分类方法及装置
Lee et al. A mathematical analysis of the ABCD criteria for diagnosing malignant melanoma

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