CN113486974A - 基于肾小球的病理图像识别与分类方法、系统及介质 - Google Patents
基于肾小球的病理图像识别与分类方法、系统及介质 Download PDFInfo
- Publication number
- CN113486974A CN113486974A CN202110832575.XA CN202110832575A CN113486974A CN 113486974 A CN113486974 A CN 113486974A CN 202110832575 A CN202110832575 A CN 202110832575A CN 113486974 A CN113486974 A CN 113486974A
- Authority
- CN
- China
- Prior art keywords
- glomeruli
- data set
- module
- classification
- glomerular
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000001575 pathological effect Effects 0.000 title claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 68
- 230000001434 glomerular Effects 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000012795 verification Methods 0.000 claims abstract description 10
- 230000007170 pathology Effects 0.000 claims abstract description 8
- 230000000007 visual effect Effects 0.000 claims abstract description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 230000009466 transformation Effects 0.000 claims description 8
- 201000008383 nephritis Diseases 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 description 13
- 238000012360 testing method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000001629 suppression Effects 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 208000000453 Skin Neoplasms Diseases 0.000 description 1
- 208000024770 Thyroid neoplasm Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 230000002197 limbic effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 201000000849 skin cancer Diseases 0.000 description 1
- 201000002510 thyroid cancer Diseases 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于肾小球的病理图像识别与分类方法，包括如下步骤：步骤1：进行病理学、数字图像处理方面和肾小球识别的相关工作；步骤2：选择硬化和未知的肾小球与其他肾小球一起制作数据集，通过更改loss的方式处理肾小球；步骤3：根据肾小球的类别分布和视觉特征对肾小球进行分类；步骤4：对肾小球进行检测，将肾小球的检测数据集划分为训练集和验证集；步骤5：根据肾小球的检测数据集，验证集根据准确率分为粗分类，正常、轻度和中度细分类，硬化、新月体分类。本发明提供的基于肾小球的病理图像识别与分类方法、系统解决了相似类别的肾小球难以被区分的问题。
Description
技术领域
本发明涉及肾小球病理图像的技术领域，具体地，涉及一种基于肾小球的病理图像识别与分类。
背景技术
近年来，各种计算机视觉的方法，尤其是基于深度学习的模式识别方法，已广泛应用于临床医学图像分析中，包括甲状腺癌筛查、皮肤癌诊断、眼底图像的异常筛查、基因突变的预测。通过计算机来辅助医师诊断病理图像，可以节省大量的诊断时间和人力物力，给疾病的治疗带来帮助。随着计算机设备和数字化影像设备的飞速发展，全视野数字切片迅速出现在医学领域中，弥补传统玻璃切片缺陷同时也带来了巨大工作量。数字切片的发展带来了计算机与生物医学、生物信息学的进一步结合。其中，肾小球的检测和分类是对肾脏切片的组织病理学上的判断的关键步骤。根据肾小球的健康状态，可以判断出各种肾炎的类别和程度。
针对上述中的相关技术，发明人认为存在相似类别的肾小球难以被区分的问题，因此，需要提出一种技术方案以改善上述技术问题。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于肾小球的病理图像识别与分类方法、系统。
根据本发明提供的一种基于肾小球的病理图像识别与分类方法，包括如下步骤：
步骤1：进行病理学、数字图像处理方面和肾小球识别的相关工作；
步骤2：选择硬化和未知的肾小球与其他肾小球一起制作数据集，通过更改loss的方式处理肾小球；
步骤3：根据肾小球的类别分布和视觉特征对肾小球进行分类；
步骤4：对肾小球进行检测，将肾小球的检测数据集划分为训练集和验证集；
步骤5：根据肾小球的检测数据集，验证集根据准确率分为粗分类，正常、轻度和中度细分类，硬化、新月体分类。
优选地，所述步骤1包括：
步骤1.1：根据对病理切片的观察，判断肾小球的病变类型，判断病人肾炎的类别与程度；
步骤1.2：使用两阶段的目标检测算法，获取高检测准确率和定位精度；
步骤1.3：使用Segmental HOG针对肾小球的外观特征进行识别分类。
优选地，所述步骤2包括：
步骤2.1：根据训练的需要，制作单一肾小球数据集、肾小球九宫格数据集、目标检测数据集和WSI数据集；
步骤2.2：采用位置变换、色彩变换与mixup三种数据增强的手段对数据集进行扩充。
优选地，所述步骤4包括：
步骤4.1：通过RGNet方法的检测窗生成对肾小球进行检测；
步骤4.2：通过NMS-Lite算法对检测完成的肾小球进行合并。
本发明还提供一种基于肾小球的病理图像识别与分类系统，包括如下模块：
模块M1：进行病理学、数字图像处理方面和肾小球识别的相关工作；
模块M2：选择硬化和未知的肾小球与其他肾小球一起制作数据集，通过更改loss的方式处理肾小球；
模块M3：根据肾小球的类别分布和视觉特征对肾小球进行分类；
模块M4：对肾小球进行检测，将肾小球的检测数据集划分为训练集和验证集；
模块M5：根据肾小球的检测数据集，验证集根据准确率分为粗分类，正常、轻度和中度细分类，硬化、新月体分类。
优选地，所述模块M1包括：
模块M1.1：根据对病理切片的观察，判断肾小球的病变类型，判断病人肾炎的类别与程度；
模块M1.2：使用两阶段的目标检测算法，获取高检测准确率和定位精度；
模块M1.3：使用Segmental HOG针对肾小球的外观特征进行识别分类。
优选地，所述模块M2包括：
模块M2.1：根据训练的需要，制作单一肾小球数据集、肾小球九宫格数据集、目标检测数据集和WSI数据集；
模块M2.2：采用位置变换、色彩变换与mixup三种数据增强的手段对数据集进行扩充。
优选地，所述模块M4包括：
模块M4.1：通过RGNet方法的检测窗生成对肾小球进行检测；
模块M4.2：通过NMS-Lite算法对检测完成的肾小球进行合并。
本发明还提供一种存储有计算机程序的计算机可读存储介质，所述计算机程序被处理器执行时实现权利要求1-4中任一项所述的方法的步骤。
与现有技术相比，本发明具有如下的有益效果：
1.提出了一个肾小球识别的方案，其中包括检测窗生成、肾小球检测、肾小球分类三个阶段；考虑到数据集中数据数量少、分布不均衡的特点，这三个阶段独立地进行设计、训练和测试，最终再进行合并；对于每个阶段的训练和测试，分别为之设计了相应的数据集，使得各个阶段都能更加高效地发挥出其应有的性能。
2.提出了名为RGNet的检测窗生成框架，快速地筛选可能出现肾小球的区域，并将这些区域提供给检测网络；在检测肾小球的阶段中，修改了Faster R-CNN的损失函数，使网络可以充分利用数据集中未标注类别的肾小球；在合并Faster R-CNN的检测结果的过程中，优化了传统的NMS算法，优化后的NMS-L算法对于合并肾小球检测结果速度更快、准确度更高；在肾小球分类的阶段，使用了先粗分类、后细分类的类似决策树的方法，先利用Faster R-CNN将肾小球粗分类为三大类，而后可以将重点放在特殊的类别和区分度小以致难以分类的类别上。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明的流程图；
图2为本发明肾小球识别与分类框架图；
图3为本发明肾小球的分类图；
图4为本发明肾小球九宫格数据集样例图；
图5为本发明目标检测数据集样例图；
图6为本发明采用的Faster-R-CNN的网络结构图；
图7为本发明提出的RGNet架构图；
图8为本发明合并检测窗时可能出现的问题图；
图9为本发明在验证集的一张WSI上的检测结果图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
参照图1和图2，一种基于肾小球的病理图像识别与分类方法，针对肾小球检测和分类这一特定问题，设计了一个完整的肾小球识别的方案。整个肾小球识别的框架分为三个阶段，使用了四个网络。由于各阶段的输入输出不同，对每个阶段使用分别制作的数据集进行训练和评估。而由于数据的分布不均衡，针对数据集的特点对每个网络使用不同的策略单独进行训练。其中，第一阶段的扫描窗生成中，设计了一种新的网络框架RGNet，用于初步判断肾小球可能出现的位置，减少之后的计算量；第二阶段的检测和粗分类中，针对肾小球数据的特殊性，改进了Faster R-CNN；在第二阶段和第三阶段之间，基于NMS算法设计了NMS-L算法，用于将第二阶段检测到的肾小球进行合并；最后在第三阶段的肾小球分类中，使用数据增强等技巧训练了两个神经网络，在一定程度上解决了相似类别的肾小球难以被区分的问题。这三个阶段为自上而下设计而成，首尾相承、互为补充。
参照图3，由于在整个算法中，分为检测窗生成、检测&粗分类、细分类等三个阶段，单一数据集无法满足不同阶段训练的需要。因此，制作了四个数据集。分别是单一肾小球数据集、肾小球九宫格数据集、目标检测数据集和WSI数据集。单一肾小球数据集，是为了完成肾小球分类任务。此数据集的格式处理较为简单，仅需从原始切片中，根据标注文件中的坐标信息和类别信息，提取出每一个肾小球并保存。从11张切片中，共提取出963个肾小球，分为七类。
参照图4，肾小球九宫格数据集与单一肾小球数据集较为类似。单一肾小球数据集中，单张图片仅包含肾小球区域，不包含肾小球的周围区域。制作此数据集时，使用PASCALVOC格式进行保存。采用与单一肾小球数据集中同样的提取目标区域的方法，不同之处在于此时提取的区域是肾小球的3*3倍大小，肾小球位于图片正中。而标注文件则从原始的标注文件中提取出肾小球的坐标和类别信息，并保存到新的标注文件中。需要注意的是，新的标注文件中保存的是肾小球在该图片中的相对坐标，而非在整张切片中的绝对坐标。同时，新的标注文件中仅包含图片中心的肾小球坐标，不包含周围区域可能存在的肾小球的坐标和类别信息。
参照图5，11张原始切片，制作出来的数据集图片数量分别为28、33、73、85、106、124、181、275、404、610、828,数据集需要划分为训练集与测试集，这个划分过程不能简单地根据切片来划分，否则会出现各类肾小球数量严重不平衡的问题。在切分数据集前，手动将单张切片划分为左右两个区域，左侧区域中裁取出的图片作为训练集，右侧区域裁取出的图片作为测试集，共2747张图片及其对应的标注文件。
参照图6，在肾小球分类的过程中，使用了数据集标注中的包围盒，将包围盒中的肾小球图像输入网络进行分类。然而在整张切片中，肾小球的位置并不知道，为此需要先将肾小球定位后才能进行分类。在此报告中，检测方法使用的是Faster R-CNN。实现了FasterR-CNN的网络结构及其训练和测试流程。
参照图7，为了方法提高检测窗生成的性能，提出了一种新的检测窗生成的方法，名为Region Grid Network。RGN的核心思想为将检测窗可能的位置限定为网格，然后不同于扫描窗遍历的方法将网格上的位置都使用一次，使用一个全卷积网络预测每个网格内出现肾小球的概率，并将这些网格组合成检测窗，供Faster R-CNN检测,
在各个检测窗中检测到的肾小球之间会存在重叠，因此在检测完成后还要进行一次合并。合并过程使用非极大值抑制算法即可完成，但针对肾小球检测任务的实际情况，在如下三个方面将其改进为NMS-Lite算法。
类间抑制。传统的NMS算法只对相同类别的窗口进行抑制，然而实际情况下同一个位置不会重叠地出现两个不同类别的肾小球。尽管重复的窗口不会对recall、mAP等评价指标产生影响，但是为了使合并后的结果更加清晰，NMS-L中对不同类别间的肾小球也进行抑制，防止同一位置检测出两种肾小球的情况出现。
分块抑制。传统的NMS算法在每个循环时会检查所有窗口与一个窗口间的重叠率，然而在对检测窗合并时，只有相邻检测窗间可能有重叠的窗口。因此在NMS-L中，窗口分批进行处理，每次只在相邻的2×2个检测窗中抑制窗口。这样虽然不会减少NMS的时间复杂度，但理论上可以将常数缩小。
边缘抑制。参照图8，由于一个肾小球可能在多个检测窗中被检测到，这其中有的检测窗中虽然能检测到这个肾小球，但检测到的不是完整的肾小球，从而窗口小于完整的肾小球。进而，完整的窗口与残缺的窗口之间的重叠率会低于阈值，在使用传统NMS算法合并检测窗时，残缺的窗口不会被剔除。为解决这个问题，在NMS-L算法中，将一个检测窗中的窗口裁剪到相邻检测窗中，尝试对相邻检测窗中的窗口进行抑制，从而避免重叠窗口的情况发生。
参照图9，本由于使用了较小的检测窗，检测的召回率比较高。然而，检测的结果出现了较多的假阳性，且大多出现在切片边缘的组织上，而又由于这些组织没有明确的圆形轮廓，上面的图像经常会被识别为硬化肾小球。这是由于训练Faster R-CNN的样本只包括了包含肾小球的区域，因此Faster R-CNN没有使用边缘区域的负样本进行训练。
本发明提供的基于肾小球的病理图像识别与分类方法、系统提出了一个肾小球识别的方案，其中包括检测窗生成、肾小球检测、肾小球分类三个阶段；考虑到数据集中数据数量少、分布不均衡的特点，这三个阶段独立地进行设计、训练和测试，最终再进行合并；对于每个阶段的训练和测试，分别为之设计了相应的数据集，使得各个阶段都能更加高效地发挥出其应有的性能。提出了名为RGNet的检测窗生成框架，快速地筛选可能出现肾小球的区域，并将这些区域提供给检测网络；在检测肾小球的阶段中，修改了Faster R-CNN的损失函数，使网络可以充分利用数据集中未标注类别的肾小球；在合并Faster R-CNN的检测结果的过程中，优化了传统的NMS算法，优化后的NMS-L算法对于合并肾小球检测结果速度更快、准确度更高；在肾小球分类的阶段，使用了先粗分类、后细分类的类似决策树的方法，先利用Faster R-CNN将肾小球粗分类为三大类，而后可以将重点放在特殊的类别和区分度小以致难以分类的类别上。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (9)
1.一种基于肾小球的病理图像识别与分类方法，其特征在于，包括如下步骤：
步骤1：进行病理学、数字图像处理方面和肾小球识别的相关工作；
步骤2：选择硬化和未知的肾小球与其他肾小球一起制作数据集，通过更改loss的方式处理肾小球；
步骤3：根据肾小球的类别分布和视觉特征对肾小球进行分类；
步骤4：对肾小球进行检测，将肾小球的检测数据集划分为训练集和验证集；
步骤5：根据肾小球的检测数据集，验证集根据准确率分为粗分类，正常、轻度和中度细分类，硬化、新月体分类。
2.根据权利要求1所述的一种基于肾小球的病理图像识别与分类方法，其特征在于，所述步骤1包括：
步骤1.1：根据对病理切片的观察，判断肾小球的病变类型，判断病人肾炎的类别与程度；
步骤1.2：使用两阶段的目标检测算法，获取高检测准确率和定位精度；
步骤1.3：使用Segmental HOG针对肾小球的外观特征进行识别分类。
3.根据权利要求1所述的一种基于肾小球的病理图像识别与分类方法，其特征在于，所述步骤2包括：
步骤2.1：根据训练的需要，制作单一肾小球数据集、肾小球九宫格数据集、目标检测数据集和WSI数据集；
步骤2.2：采用位置变换、色彩变换与mixup三种数据增强的手段对数据集进行扩充。
4.根据权利要求1所述的一种基于肾小球的病理图像识别与分类方法，其特征在于，所述步骤4包括：
步骤4.1：通过RGNet方法的检测窗生成对肾小球进行检测；
步骤4.2：通过NMS-Lite算法对检测完成的肾小球进行合并。
5.一种基于肾小球的病理图像识别与分类系统，其特征在于，包括如下模块：
模块M1：进行病理学、数字图像处理方面和肾小球识别的相关工作；
模块M2：选择硬化和未知的肾小球与其他肾小球一起制作数据集，通过更改loss的方式处理肾小球；
模块M3：根据肾小球的类别分布和视觉特征对肾小球进行分类；
模块M4：对肾小球进行检测，将肾小球的检测数据集划分为训练集和验证集；
模块M5：根据肾小球的检测数据集，验证集根据准确率分为粗分类，正常、轻度和中度细分类，硬化、新月体分类。
6.根据权利要求5所述的一种基于肾小球的病理图像识别与分类系统，其特征在于，所述模块M1包括：
模块M1.1：根据对病理切片的观察，判断肾小球的病变类型，判断病人肾炎的类别与程度；
模块M1.2：使用两阶段的目标检测算法，获取高检测准确率和定位精度；
模块M1.3：使用Segmental HOG针对肾小球的外观特征进行识别分类。
7.根据权利要求5所述的一种基于肾小球的病理图像识别与分类系统，其特征在于，所述模块M2包括：
模块M2.1：根据训练的需要，制作单一肾小球数据集、肾小球九宫格数据集、目标检测数据集和WSI数据集；
模块M2.2：采用位置变换、色彩变换与mixup三种数据增强的手段对数据集进行扩充。
8.根据权利要求5所述的一种基于肾小球的病理图像识别与分类系统，其特征在于，所述模块M4包括：
模块M4.1：通过RGNet方法的检测窗生成对肾小球进行检测；
模块M4.2：通过NMS-Lite算法对检测完成的肾小球进行合并。
9.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序被处理器执行时实现权利要求1-4中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110832575.XA CN113486974A (zh) | 2021-07-22 | 2021-07-22 | 基于肾小球的病理图像识别与分类方法、系统及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110832575.XA CN113486974A (zh) | 2021-07-22 | 2021-07-22 | 基于肾小球的病理图像识别与分类方法、系统及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113486974A true CN113486974A (zh) | 2021-10-08 |
Family
ID=77943346
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110832575.XA Pending CN113486974A (zh) | 2021-07-22 | 2021-07-22 | 基于肾小球的病理图像识别与分类方法、系统及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113486974A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114220485A (zh) * | 2021-11-05 | 2022-03-22 | 华南理工大学 | 一种膜性肾小球数据自主处理与智能分型方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
-
2021
- 2021-07-22 CN CN202110832575.XA patent/CN113486974A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| 孟子尧等: "基于深度学习的肾小球病理图像识别与分类", 《计算机辅助设计与图形学学报》, vol. 33, no. 6, pages 1 - 3 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114220485A (zh) * | 2021-11-05 | 2022-03-22 | 华南理工大学 | 一种膜性肾小球数据自主处理与智能分型方法 |
| CN114220485B (zh) * | 2021-11-05 | 2024-05-07 | 华南理工大学 | 一种膜性肾小球数据自主处理与智能分型方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110060237B (zh) | 一种故障检测方法、装置、设备及系统 | |
| CN111696094B (zh) | 免疫组化pd-l1膜染色病理切片图像处理方法、装置和设备 | |
| CN112508850B (zh) | 基于深度学习的甲状腺细胞病理切片恶性区域的检测方法 | |
| CN110866893B (zh) | 基于病理图像的tmb分类方法、系统及tmb分析装置 | |
| US9031294B2 (en) | Region segmented image data creating system and feature extracting system for histopathological images | |
| CN109447998B (zh) | 基于PCANet深度学习模型下的自动分割方法 | |
| CN112184657A (zh) | 一种肺结节自动检测方法、装置及计算机系统 | |
| CN110969204B (zh) | 基于磁共振图像与数字病理图像融合的样本分类系统 | |
| Xu et al. | Computerized classification of prostate cancer gleason scores from whole slide images | |
| US9852354B2 (en) | Method and apparatus for image scoring and analysis | |
| CN110378313A (zh) | 细胞团识别方法、装置及电子设备 | |
| CN105678788A (zh) | 一种基于hog和低秩分解的织物疵点检测方法 | |
| CN104680185B (zh) | 基于边界点重分类的高光谱图像分类方法 | |
| CN111369530A (zh) | 一种基于深度学习的ct图像肺结节快速筛查方法 | |
| CN113393454A (zh) | 活检组织中病理目标实例分割方法和装置 | |
| Hait et al. | The Bonferroni mean-type pre-aggregation operators construction and generalization: Application to edge detection | |
| CN112580748A (zh) | 一种对Ki67染色图像癌细胞计数的方法 | |
| CN115601330A (zh) | 一种基于多尺度空间反向注意力机制的结肠息肉分割方法 | |
| CN114037868B (zh) | 图像识别模型的生成方法及装置 | |
| CN113486974A (zh) | 基于肾小球的病理图像识别与分类方法、系统及介质 | |
| CN111401214A (zh) | 一种基于深度学习的多分辨率集成her2判读方法 | |
| US20230401707A1 (en) | System and method for automatically identifying mitosis in h&e stained breast cancer pathological images | |
| Prem et al. | Classification of exudates for diabetic retinopathy prediction using machine learning | |
| Chang et al. | Batch-invariant nuclear segmentation in whole mount histology sections | |
| CN112634279A (zh) | 一种基于注意力Unet模型的医学图像语义分割方法 |
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 |