CN113674252A - 一种基于图神经网络的组织细胞病理图像诊断系统 - Google Patents
一种基于图神经网络的组织细胞病理图像诊断系统 Download PDFInfo
- Publication number
- CN113674252A CN113674252A CN202110979952.2A CN202110979952A CN113674252A CN 113674252 A CN113674252 A CN 113674252A CN 202110979952 A CN202110979952 A CN 202110979952A CN 113674252 A CN113674252 A CN 113674252A
- Authority
- CN
- China
- Prior art keywords
- graph
- module
- neural network
- classification
- convolution
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 31
- 238000003745 diagnosis Methods 0.000 title claims abstract description 15
- 230000001575 pathological effect Effects 0.000 claims abstract description 36
- 230000007246 mechanism Effects 0.000 claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 230000004913 activation Effects 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 11
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- 230000001537 neural effect Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 206010028980 Neoplasm Diseases 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 238000010191 image analysis Methods 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 27
- 230000006870 function Effects 0.000 description 10
- 230000007170 pathology Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 210000004027 cell Anatomy 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 5
- 210000001519 tissue Anatomy 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000010261 cell growth Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 210000001685 thyroid gland Anatomy 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000003855 cell nucleus Anatomy 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000002346 layers by function Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (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
本发明涉及医学图像分析技术领域的一种基于图神经网络的组织细胞病理图像诊断系统，所述系统为神经网络算法模型，包括预处理模块、图卷积模块、读出机制、分类模块和Softmax分类器，预处理模块接受svs格式的病理图片，经过预处理后得到图神经网络能识别的Graph数据；图卷积模块由若干层图卷积模块按顺序串联构成，图卷积模块为分类图神经网络，图卷积模块对Graph数据进行特征抽取和预测，图卷积模块的输出端设有连接分类模块的读出机制，分类模块为MLP模块，分类模块连接Softmax分类器。本发明具有提高了肿瘤图像诊断的效率、降低主观因素导致的误差和提升了预测效果等优点。
Description
技术领域
本发明涉及医学图像分析技术领域的一种基于图神经网络的组织细胞病理图像诊断系统。
背景技术
组织细胞学病理检查是肿瘤诊断的金标准，病理图像是通过显微镜对病理组织细胞切片成像，病理医生对整个病理片子下分类诊断结论。随着人工智能辅助诊断技术的发展，产生了基于深度学习对病理片子识别分类的辅助诊断系统，对病理片子图像的特征提取是诊断技术非常重要的前提，只有提取到了有效可靠特征后，后面的分类器才能实现准确分类，增强版的基于深度学习的传统病理识别方法一般采用分割图片的简单融合(如所有patch均值融合等)或多实例学习，虽然取得了部分良好结果，但在思路上对整个病理图像从微观到宏观的建模的考虑很不充分，因此其模型预测效果和病理医生的期望往往相差甚远。
既要从微观上对局部的细胞核形态建模，又要从宏观上对区域的细胞长势建模，还要从全局上对整个病理图像进行建模，这就是我们要提出的技术要点，从而引出下面本文的解决方案。
发明内容
有鉴于此，本发明的目的在于提供一种基于图神经网络的组织细胞病理图像诊断系统，既要从微观上对局部的细胞核形态建模，又要从宏观上对区域的细胞长势建模，还要从全局上对整个病理图像进行建模，充分发挥深度神经网络的优势，不断地优化模型，使模型的准确率不断上升以适应实际应用。
为达到上述目的，本发明提供如下技术方案：
一种基于图神经网络的组织细胞病理图像诊断系统，其特征在于：所述系统为神经网络算法模型，包括预处理模块、图卷积模块、读出机制、分类模块和Softmax分类器，预处理模块接受svs格式的病理图片，经过预处理后得到图神经网络能识别的Graph数据；图卷积模块由若干层图卷积模块按顺序串联构成，图卷积模块为分类图神经网络，图卷积模块对Graph数据进行特征抽取和预测，图卷积模块的输出端设有连接分类模块的读出机制，分类模块为MLP模块，分类模块连接Softmax分类器；对上述技术方案做进一步的说明：所述的预处理模块包括病理图片分割和用卷积神经基础网络抽取patch特征，预处理模块创建面向图神经网络模型的病理片Graph数据图；对上述技术方案做进一步的说明：所述图卷积模块由图卷积层、非线性激活函数层和图池化层组成1个图卷积模块，Graph图像输入图卷积层，图卷积层采用图注意力卷积，图注意力卷积设有多头注意力机制；非线性激活函数层采用ReLU、Leaky ReLU或PReLU为非线性激活函数；图池化层采用EdgePool作为图池化分类；对上述技术方案做进一步的说明：所述图卷积模块采用1到3层图卷积模块按顺序串联构成；对上述技术方案做进一步的说明：所述读出机制对应多层图卷积模块，读出机制1用于获取中心节点旁边的1跳领域节点的聚合特征，读出机制2用于获取2跳邻域节点的聚合特征，读出机制3用于获取3跳邻域节点的聚合特征，然后融合感受野区特征值；对上述技术方案做进一步的说明：所述MLP模块由3个全连接层组成，每个全连接层后跟ReLU非线性激活函数。
本发明的有益效果在于：
针对组织细胞学病理检查肿瘤诊断问题，本发明提出了基于卷积神经网络的组织细胞病理图像诊断系统，通过病理片子图像分类识别进行算法上的建模，分类的图神经网络架构，经过训练得到适用于肿瘤的自动诊断系统，该技术提高了肿瘤图像诊断的效率，降低主观因素导致的误差，本专利的分类的图神经网络架构算法提升了预测效果，在甲状腺病理片专用数据集上预测准确率达到98.13％。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作详细描述，其中：
图1为基于图神经网络的组织细胞病理图像诊断系统的结构图；
图2为病理片分类预测流程图；
图3为病理分割图；
图4为病理网格-邻接矩阵图；
图5为采用3个图卷积的感受野范围示意图；
图6为多头注意力机制图卷积示意图；
图7为图池化EdgePool节点数降维原理图。
具体实施方式
以下结合附图和特定实例对本发明的内容做进一步的说明：图1为采用“卷积神经网络+图神经网络”对病理片子图像分类的图神经网络结构图，包括预处理模块、图卷积模块、读出机制、分类模块和Softmax分类器。
预处理模块
首先分割病理巨图成一系列patch小图块，再用卷积神经网络提取patch的特征，然后根据patch特征值和patch空间邻接矩阵构建1张Graph，最后训练病理图分类的图神经网络模型，流程如下图2所示。
具体步骤：
1.病理片子扫描
显微镜扫描细胞组织病理片，生成一副巨大图片，一般扫描出来为svs格式，可用ASAP等工具软件打开浏览；
2.病理片子切割
将病理片巨图，按照固定的图片尺寸大小(如512x512、1024x1024、2048x2048...)切割成N行×M列的，可通过OpenSlide库接口来对svs格式病理图分割；病理分割图见图3；
3.用卷积神经基础网络抽取patch特征
可使用公开的ResNet、DenseNet等卷积神经基础网络对每张图片来提取特征，例如采用ResNet50(把最后1层全连接层后的层全部去掉)输出的特征向量值F∈R2048；
4.对病理片子样本集进行预处理
每张病理片得到1张Graph，这是为了喂给后续图神经网络模型而创建的Graph数据，这里的Graph为无向图，其数据结构格式由节点、无相边、邻接矩阵组成，每个patch当作1个节点，patch的卷积特征值作为该节点的特征值，每个patch的相邻关系组成Graph的邻接矩阵，如图4所示；
5.用训练集&验证集(病理片的Graph)训练分类图神经网络pgGNN
训练pgGNN(本文设计的,见后面),得到最优的模型A；
6.把模型A作为标准模型来预测其他病理片子
一、神经网络模型
在算法上，我们采用“卷积神经网络+图神经网络”来对病理片子图像分类识别进行算法上的建模，分类的图神经网络架构命名为“pgGNN”，如附图1：
pgGNN架构分为预处理模块、图卷积模块、读出机制、MLP模块、Softmax分类器。图卷积模块由3个组成，每个图卷积模块由图注意力卷积层、非线性激活函数、图池化层组成。
病理医生在诊断时，注意力集中到可疑病灶小块，往往还需参考其旁边区域(不同的邻接区域影响是不一样的)，那么图注意力卷积就能较好地建模此类关系。图注意力卷积对于相邻节点给予不同的关注度，能区别化对待每个patch的邻居节点(相邻patch)关系影响，重点关注有关联的邻居patch，而轻视掉不相关不重要的patch部分。为了更进一步提升注意力层的表达能力，引入多头注意力机制，每个head捕获不同方面的信息。
图池化用于重新聚类划分族形成新的节点，比如说对于正常的组织细胞patch相邻节点归并在一起为同一族，可疑的相邻节点也归并为同一族，对每个族重新计算其特征后形成一个节点，经过图池化后节点数逐渐下降，这有利于导出最后的整图分类结论。
读出机制用于导出其前面的图卷积模块后的特征。读出机制1用于获取中心节点旁边的1跳领域节点，读出机制2用于获取2跳邻域节点，读出机制3用于获取3跳邻域节点，然后融合(特征相加或相并)1跳/2跳/3跳的感受野区特征值。通过多层图卷积模块的多个读出机制，既能对较小范围内的可疑核细胞等提取微观特征，又能在较大区域感受野范围内对细胞长势等提取区域宏观特征，然后融合低层的细胞形态信息和高层的细胞生长信息而得到一个总特征。针对不同类型的病理片和样本数量，根据实际情况可以选择采用2层或3层图卷积模块；
图5为采用3个图卷积的感受野范围示意图，图中：
节点的1跳领域范围；
节点的2跳领域范围；
节点的3跳领域范围。
(线条穿过的整个patch图块都算在内)
pgGNN神经网络的输入/输出/各功能层的实现细节如下：
1.抽取特征
可采用卷积神经网络的基础网络来对分割的patch图块抽取其特征，例如ResNet、DenseNet、SE-Resnet等，抽取特征表达能力越强越有利于后面的图分类。
2.创建Graph数据结构
参见前面的描述。
3.图注意力卷积
采用多头注意力机制图卷积如图6所示：
假设中心节点为vi,我们设邻居节点vj到vi的权重系数为:eij＝a(Whi，Whj)。
是该层节点特征变换的权重参数。a(·)是计算两个节点相关度的函数,我们将其限制在一阶邻居内。定义成一种带参的神经网络层,W为要学习的权重参数。
eij＝Leaky ReLU(aT[Whi||Whj])
其邻接点的注意力权重参数
激活函数设计为LeakyReLU。
分配权重，使用softmax来归一化为：
注意力机制加权求和，节点vi新的特征向量为：
加入多头注意力机制,也即对上式调用K组相互独立的注意力机制,将输出结果拼接在一起:
其中||表示拼接操作，
是第k组注意力机制计算出的权重系数,W(k)是对应的学习参数。
4.非线性激活函数
本专利采用ReLU作为非线性激活函数；
5.图池化
采用边收缩的图池化EdgePool，该方法迭代式地对每条边上的节点进行两两归并形成一个新的节点,同时保留合并前两个节点的连接关系到新节点上。EdgePool对每条边设计了一个分数,依据该分数进行非重复式的挑选与合并。对每条边,计算原始分数r:
rij＝WT[hi||hj]+b
每个节点选择哪条边,需要从其局部邻居出发进行考虑,对原始分数沿邻居节点进行归一化:
Sij＝softmaxj(rij)
得到上述分数之后,接下来对所有的sij进行排序,依次选择该分数最高的且未被选中的两个节点进行收缩操作,细节如图3所示。
合并之后的节点特征,可以使用求和的方式表示:
hij＝s(hi+hj),s＝max(sij,sji)
其中hij表示vi与vj节点合并后的新节点的特征向量。
6.读出机制
用来把所有的节点的特征聚合成一个代表整个图的向量表征，这里readout机制采用[max||mean]，即把每一层所有节点的特征取均值和最大值后拼接成1个特征向量。
7.MLP模块
3个读出机制的特征融合为1个整图的特征向量，它作为MLP(多层感知机)的输入特征，MLP模块用来学习特征分类参数权重。这里MLP由3个全连接层组成，每个全连接层后跟ReLU非线性激活函数。
8.Softmax分类器
pgGNN网络的整图分类是一个多分类问题，采用softmax作为分类器，公式如下：
它计算属于每个类别的概率值。
二、测试结果：
我们采用专用数据集(甲状腺病理片)，对甲状腺病理片子是否为乳头状癌症的预测，2分类(阴性/阳性)。总共1245张(每张片子都有阴性/阳性标签)，其中阳性片1019张，阴性片226。按照7:3(训练集:验证/测试集)比例来随机划分样本数，训练pgGNN模型，在甲状腺病理片上实验比较下来采用2层图卷积模块效果更好，得到如下结果：
※上面两种算法采用完全一样的数据，训练集和验证/测试集划分方式也一样。
三、结论：
通过上面测试结果的比较，基于patch特征融合算法的预测精度仅为94.12％，本提议的pgGNN算法达到了98.13％，预测效果有不少提升。最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种基于图神经网络的组织细胞病理图像诊断系统，其特征在于：所述系统为神经网络算法模型，包括预处理模块、图卷积模块、读出机制、分类模块和Softmax分类器，预处理模块接受svs格式的病理图片，经过预处理后得到图神经网络能识别的Graph数据；图卷积模块由若干层图卷积模块按顺序串联构成，图卷积模块为分类图神经网络，图卷积模块对Graph数据进行特征抽取和预测，图卷积模块的输出端设有连接分类模块的读出机制，分类模块为MLP模块，分类模块连接Softmax分类器。
2.根据权利要求1所述一种基于图神经网络的组织细胞病理图像诊断系统，其特征在于：所述的预处理模块包括病理图片分割和用卷积神经基础网络抽取patch特征，预处理模块创建面向图神经网络模型的病理片Graph数据图。
3.根据权利要求1所述一种基于图神经网络的组织细胞病理图像诊断系统，其特征在于：所述图卷积模块由图卷积层、非线性激活函数层和图池化层组成1个图卷积模块，Graph图像输入图卷积层，图卷积层采用图注意力卷积，图注意力卷积设有多头注意力机制；非线性激活函数层采用ReLU、Leaky ReLU或PReLU为非线性激活函数；图池化层采用EdgePool作为图池化分类。
4.根据权利要求1所述一种基于图神经网络的组织细胞病理图像诊断系统，其特征在于：所述图卷积模块采用1到3层图卷积模块按顺序串联构成。
5.根据权利要求1所述一种基于图神经网络的组织细胞病理图像诊断系统，其特征在于：所述读出机制对应多层图卷积模块，读出机制1用于获取中心节点旁边的1跳领域节点的聚合特征，读出机制2用于获取2跳邻域节点的聚合特征，读出机制3用于获取3跳邻域节点的聚合特征，然后融合感受野区特征值。
6.根据权利要求1所述一种基于图神经网络的组织细胞病理图像诊断系统，其特征在于：所述MLP模块由3个全连接层组成，每个全连接层后跟ReLU非线性激活函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110979952.2A CN113674252B (zh) | 2021-08-25 | 2021-08-25 | 一种基于图神经网络的组织细胞病理图像诊断系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110979952.2A CN113674252B (zh) | 2021-08-25 | 2021-08-25 | 一种基于图神经网络的组织细胞病理图像诊断系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113674252A true CN113674252A (zh) | 2021-11-19 |
| CN113674252B CN113674252B (zh) | 2024-07-12 |
Family
ID=78546026
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110979952.2A Active CN113674252B (zh) | 2021-08-25 | 2021-08-25 | 一种基于图神经网络的组织细胞病理图像诊断系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113674252B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114565919A (zh) * | 2022-01-19 | 2022-05-31 | 深圳先进技术研究院 | 基于数字病理图像的肿瘤微环境空间关系建模系统与方法 |
| CN114913169A (zh) * | 2022-06-10 | 2022-08-16 | 浙江大学 | 一种新生儿坏死性小肠结肠炎筛查系统 |
| CN114997366A (zh) * | 2022-05-19 | 2022-09-02 | 上海交通大学 | 基于图神经网络的蛋白质结构模型质量评估方法 |
| CN115019342A (zh) * | 2022-06-02 | 2022-09-06 | 重庆理工大学 | 一种基于类关系推理的濒危动物目标检测方法 |
| CN116152574A (zh) * | 2023-04-17 | 2023-05-23 | 厦门大学 | 一种基于多阶段信息抽取和记忆的病理图像分类方法 |
| WO2023137627A1 (zh) * | 2022-01-19 | 2023-07-27 | 深圳先进技术研究院 | 基于数字病理图像的肿瘤微环境空间关系建模系统与方法 |
| CN116646072A (zh) * | 2023-05-18 | 2023-08-25 | 肇庆医学高等专科学校 | 一种前列腺诊断神经网络模型的训练方法及装置 |
| CN116741347A (zh) * | 2023-05-12 | 2023-09-12 | 中山大学附属第一医院 | 一种病理图像patches提取与深度学习建模方法 |
| CN117036811A (zh) * | 2023-08-14 | 2023-11-10 | 桂林电子科技大学 | 基于双分支融合网络的病理图像智能分类系统及方法 |
| CN118115787A (zh) * | 2024-02-23 | 2024-05-31 | 齐鲁工业大学(山东省科学院) | 一种基于图神经网络的全切片病理图像分类方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103679136A (zh) * | 2013-10-24 | 2014-03-26 | 北方工业大学 | 基于局部宏观特征和微观特征结合的手背静脉身份识别方法 |
| CN106127255A (zh) * | 2016-06-29 | 2016-11-16 | 深圳先进技术研究院 | 一种癌症数字病理细胞图像的分类方法及系统 |
| CN107463965A (zh) * | 2017-08-16 | 2017-12-12 | 湖州易有科技有限公司 | 基于深度学习的面料属性图片采集和识别方法及识别系统 |
| CN108109152A (zh) * | 2018-01-03 | 2018-06-01 | 深圳北航新兴产业技术研究院 | 医学图像分类和分割方法和装置 |
| US20190065817A1 (en) * | 2017-08-29 | 2019-02-28 | Konica Minolta Laboratory U.S.A., Inc. | Method and system for detection and classification of cells using convolutional neural networks |
| CN110188725A (zh) * | 2019-06-05 | 2019-08-30 | 中国科学院长春光学精密机械与物理研究所 | 高分辨率遥感图像的场景识别系统及模型生成方法 |
| CN111986148A (zh) * | 2020-07-15 | 2020-11-24 | 万达信息股份有限公司 | 一种前列腺数字病理图像的快速Gleason评分系统 |
| CN113160177A (zh) * | 2021-04-23 | 2021-07-23 | 杭州电子科技大学 | 一种基于超像素和图卷积网络的平面分割方法 |
-
2021
- 2021-08-25 CN CN202110979952.2A patent/CN113674252B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103679136A (zh) * | 2013-10-24 | 2014-03-26 | 北方工业大学 | 基于局部宏观特征和微观特征结合的手背静脉身份识别方法 |
| CN106127255A (zh) * | 2016-06-29 | 2016-11-16 | 深圳先进技术研究院 | 一种癌症数字病理细胞图像的分类方法及系统 |
| CN107463965A (zh) * | 2017-08-16 | 2017-12-12 | 湖州易有科技有限公司 | 基于深度学习的面料属性图片采集和识别方法及识别系统 |
| US20190065817A1 (en) * | 2017-08-29 | 2019-02-28 | Konica Minolta Laboratory U.S.A., Inc. | Method and system for detection and classification of cells using convolutional neural networks |
| CN108109152A (zh) * | 2018-01-03 | 2018-06-01 | 深圳北航新兴产业技术研究院 | 医学图像分类和分割方法和装置 |
| CN110188725A (zh) * | 2019-06-05 | 2019-08-30 | 中国科学院长春光学精密机械与物理研究所 | 高分辨率遥感图像的场景识别系统及模型生成方法 |
| CN111986148A (zh) * | 2020-07-15 | 2020-11-24 | 万达信息股份有限公司 | 一种前列腺数字病理图像的快速Gleason评分系统 |
| CN113160177A (zh) * | 2021-04-23 | 2021-07-23 | 杭州电子科技大学 | 一种基于超像素和图卷积网络的平面分割方法 |
Non-Patent Citations (3)
| Title |
|---|
| 刘忠雨等: "深入浅出图神经网络：GNN原理解析", vol. 1, 30 April 2020, 机械工业出版社, pages: 168 - 169 * |
| 林琰超;: "基于病理图像的DCNN鼻咽癌诊断模型和算法", 电脑知识与技术, no. 14, 15 May 2018 (2018-05-15) * |
| 陈琳琳等: "基于卷积神经网络的多尺度注意力图像分类模型", 南京理工大学学报, vol. 44, no. 6, 30 December 2020 (2020-12-30), pages 669 - 674 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114565919A (zh) * | 2022-01-19 | 2022-05-31 | 深圳先进技术研究院 | 基于数字病理图像的肿瘤微环境空间关系建模系统与方法 |
| WO2023137627A1 (zh) * | 2022-01-19 | 2023-07-27 | 深圳先进技术研究院 | 基于数字病理图像的肿瘤微环境空间关系建模系统与方法 |
| CN114565919B (zh) * | 2022-01-19 | 2024-06-07 | 深圳先进技术研究院 | 基于数字病理图像的肿瘤微环境空间关系建模系统与方法 |
| CN114997366A (zh) * | 2022-05-19 | 2022-09-02 | 上海交通大学 | 基于图神经网络的蛋白质结构模型质量评估方法 |
| CN115019342A (zh) * | 2022-06-02 | 2022-09-06 | 重庆理工大学 | 一种基于类关系推理的濒危动物目标检测方法 |
| CN115019342B (zh) * | 2022-06-02 | 2024-09-13 | 重庆理工大学 | 一种基于类关系推理的濒危动物目标检测方法 |
| CN114913169A (zh) * | 2022-06-10 | 2022-08-16 | 浙江大学 | 一种新生儿坏死性小肠结肠炎筛查系统 |
| CN114913169B (zh) * | 2022-06-10 | 2023-03-24 | 浙江大学 | 一种新生儿坏死性小肠结肠炎筛查系统 |
| CN116152574A (zh) * | 2023-04-17 | 2023-05-23 | 厦门大学 | 一种基于多阶段信息抽取和记忆的病理图像分类方法 |
| CN116152574B (zh) * | 2023-04-17 | 2023-06-30 | 厦门大学 | 一种基于多阶段信息抽取和记忆的病理图像分类方法 |
| CN116741347B (zh) * | 2023-05-12 | 2024-06-04 | 中山大学附属第一医院 | 一种病理图像patches提取与深度学习建模方法 |
| CN116741347A (zh) * | 2023-05-12 | 2023-09-12 | 中山大学附属第一医院 | 一种病理图像patches提取与深度学习建模方法 |
| CN116646072A (zh) * | 2023-05-18 | 2023-08-25 | 肇庆医学高等专科学校 | 一种前列腺诊断神经网络模型的训练方法及装置 |
| CN117036811A (zh) * | 2023-08-14 | 2023-11-10 | 桂林电子科技大学 | 基于双分支融合网络的病理图像智能分类系统及方法 |
| CN118115787A (zh) * | 2024-02-23 | 2024-05-31 | 齐鲁工业大学(山东省科学院) | 一种基于图神经网络的全切片病理图像分类方法 |
| CN118115787B (zh) * | 2024-02-23 | 2024-08-16 | 齐鲁工业大学(山东省科学院) | 一种基于图神经网络的全切片病理图像分类方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113674252B (zh) | 2024-07-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113674252B (zh) | 一种基于图神经网络的组织细胞病理图像诊断系统 | |
| CN110717526B (zh) | 一种基于图卷积网络的无监督迁移学习方法 | |
| CN112418117B (zh) | 一种基于无人机图像的小目标检测方法 | |
| CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
| CN109493346B (zh) | 一种基于多损失的胃癌病理切片图像分割方法和装置 | |
| CN108830326B (zh) | 一种mri图像的自动分割方法及装置 | |
| CN111985536A (zh) | 一种基于弱监督学习的胃镜病理图像分类方法 | |
| CN109063649B (zh) | 基于孪生行人对齐残差网络的行人重识别方法 | |
| CN111652038A (zh) | 基于卷积神经网络的遥感的海冰图像分类方法 | |
| CN105931226A (zh) | 基于深度学习的自适应椭圆拟合细胞自动检测分割方法 | |
| CN111639587B (zh) | 基于多尺度谱空卷积神经网络的高光谱图像分类方法 | |
| CN113408605A (zh) | 基于小样本学习的高光谱图像半监督分类方法 | |
| CN116206375B (zh) | 基于双层孪生网络和可持续学习的人脸伪造检测方法 | |
| CN111582345A (zh) | 一种小样本下复杂环境的目标识别方法 | |
| CN114170511A (zh) | 基于Cascade RCNN的路面裂缝病害识别方法 | |
| CN113537173A (zh) | 一种基于面部补丁映射的人脸图像真伪识别方法 | |
| CN115620084A (zh) | 一种基于无人机智能巡检诊断光伏组件故障的方法 | |
| Zhu et al. | Towards automatic wild animal detection in low quality camera-trap images using two-channeled perceiving residual pyramid networks | |
| CN113724842A (zh) | 一种基于注意力机制的宫颈组织病理辅助诊断方法 | |
| CN112329771A (zh) | 一种基于深度学习的建筑材料样本识别方法 | |
| CN115775226A (zh) | 基于Transformer的医学图像分类方法 | |
| CN115311689A (zh) | 牛脸身份识别特征提取模型构建方法及牛脸身份识别方法 | |
| CN112949634B (zh) | 一种铁路接触网鸟窝检测方法 | |
| Ghosh et al. | Automated COVID-19 CT Image Classification using Multi-head Channel Attention in Deep CNN | |
| CN115830302B (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |