CN114027794B - 基于DenseNet网络的病理图像的乳腺癌区域检测方法及系统 - Google Patents

基于DenseNet网络的病理图像的乳腺癌区域检测方法及系统 Download PDF

Info

Publication number
CN114027794B
CN114027794B CN202111323843.1A CN202111323843A CN114027794B CN 114027794 B CN114027794 B CN 114027794B CN 202111323843 A CN202111323843 A CN 202111323843A CN 114027794 B CN114027794 B CN 114027794B
Authority
CN
China
Prior art keywords
breast cancer
full
pathological image
pathological
lymph node
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.)
Active
Application number
CN202111323843.1A
Other languages
English (en)
Other versions
CN114027794A (zh
Inventor
王昌
张文超
闫岑
张业宏
申杰奋
秦鑫
赵俊强
于毅
吴阳
王辰
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.)
Xinxiang Medical University
Original Assignee
Xinxiang Medical University
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 Xinxiang Medical University filed Critical Xinxiang Medical University
Priority to CN202111323843.1A priority Critical patent/CN114027794B/zh
Publication of CN114027794A publication Critical patent/CN114027794A/zh
Application granted granted Critical
Publication of CN114027794B publication Critical patent/CN114027794B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/43—Detecting, measuring or recording for evaluating the reproductive systems
    • A61B5/4306—Detecting, measuring or recording for evaluating the reproductive systems for evaluating the female reproductive systems, e.g. gynaecological evaluations
    • A61B5/4312—Breast evaluation or disorder diagnosis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • 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
    • G06N3/08—Learning methods
    • 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)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Mathematical Physics (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Fuzzy Systems (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Gynecology & Obstetrics (AREA)
  • Reproductive Health (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明涉及一种基于DenseNet网络的全视野乳腺癌前哨淋巴结病理图像的乳腺癌区域检测方法及系统，步骤包括：1)获取全视野乳腺癌前哨淋巴结病理图像，人工标注乳腺癌的转移区域；2)利用全视野乳腺癌前哨淋巴结病理图像和标注结果，自动生成训练集和验证集，利用DenseNet网络模型进行训练；3)对单张全视野乳腺癌病理图像进行预测，获得乳腺癌概率热图；4)计算所有训练集的全视野乳腺癌病理图像乳腺癌概率热图，进行二值化和抑制孤立噪声，计算乳腺癌特征向量，利用线性分类器进行训练；5)对于测试集全视野病理图像计算乳腺癌概率热图，进行二值化和抑制孤立噪声，计算乳腺癌特征向量，预测乳腺癌区域的发生概率，实现乳腺癌区域的自动检测。

Description

基于DenseNet网络的病理图像的乳腺癌区域检测方法及系统
技术领域
本发明属于病理图像处理技术领域，具体涉及一种基于DenseNet网络的全视野乳腺癌前哨淋巴结病理图像的乳腺癌区域检测方法及系统，采用该方法能够对全视野乳腺癌前哨淋巴结病理图像自动分析，实现乳腺癌区域的自动检测。
背景技术
乳腺癌是女性在所有恶性肿瘤当中发病率最高的一种，在国内约占全部恶性肿瘤的17％左右，严重危害着女性的健康，甚至危及生命。乳腺癌病因尚未完全清楚，且发病率很高，但如果能早期发现，治愈的可能性非常高。乳腺癌的早期发现、早期确诊，是提高疗效的关键。在乳腺癌的诊疗过程中，有乳腺超声，乳腺钼靶，核磁共振，体格检查、患者症状汇总、病理检查和基因等医学手段用于诊断。通过B超检查发现肿块向周围组织浸润形成强回声带，正常乳房结构破坏以及肿块上方局部皮肤凹陷或增厚等，经乳腺钼靶和磁共振对于微小病灶、多中心、多病灶进行仔细查看，此时基本都能对乳腺癌做出有效的甄别。其中，病理检查是乳腺癌诊断的金标准，前哨淋巴结是乳腺癌淋巴转移的第一站，乳腺癌前哨淋巴结活检技术是乳腺外科领域里程碑式的进展。
当前，对于乳腺癌的治疗中，通常将乳腺区段切除术作为治疗乳腺良性肿块的常用方式，其具有操作方便、切除彻底等特点而在临床中得到广泛的应用。但也存在在手术切口愈合时间长，术后疼痛比较长等缺点，而且，乳腺区段的病灶切除术需做前哨淋巴结活检术，其操作是在腋下做一小切口并准确地将前哨淋巴结切除、活检，若病理为阴性则手术结束，若为阳性则需清扫腋窝淋巴结。基于病理切片的前哨淋巴结乳腺癌检测是临床病理工作的重要部分，其检测结果直接影响放疗、化疗和可能需要手术切除额外淋巴结等情况的治疗决策。病理图像是超大千兆像素图像，图像大小为106x106，这对病理科医生来说是一个十分耗时且具挑战性的工作。因此，设计一种基于DenseNet网络的全视野乳腺癌前哨淋巴结病理图像的乳腺癌区域检测方法和系统具有重要的临床应用价值。
发明内容
针对上述现有技术存在的缺陷或不足，本发明提供一种基于DenseNet网络的全视野乳腺癌前哨淋巴结病理图像的乳腺癌区域检测方法。
为了实现上述任务。本发明通过如下技术解决方案予以实现：
一种基于DenseNet网络的全视野乳腺癌前哨淋巴结病理图像的乳腺癌区域检测方法，其特征在于，按如下步骤实施：
步骤1：获取由病理专家人工标注的带有乳腺癌的转移区域的全视野乳腺癌前哨淋巴结病理图像；
步骤2：利用全视野乳腺癌前哨淋巴结病理图像和专家标注结果，自动生成乳腺癌前哨淋巴结病理图像块的训练集和验证集，以及训练DenseNet网络模型参数；具体为：
1)利用全视野病理图像金字塔结构，对病理图像进行最低分辨率抽样，获得低分辨率病理图像和标注结果；
2)对低分辨率病理图像进行预处理，利用二值法和形态学算子生成包含正常病理组织的感兴趣区域和乳腺癌的标注区域；
3)在正常病理组织和乳腺癌区域内利用随机生成策略，随机生成坐标点，并将坐标点映射到全视野乳腺癌前哨淋巴结病理图像上，生成病理图像块；
4)对所有标注病理图像，按照上述步骤2)～步骤3)的内容进行操作，自动生成的正常病理图像块和乳腺癌病理图像块，并划分训练集和验证集；
5)构建DenseNet网络模型，利用乳腺癌病理图像块的训练集和验证集进行网络模型训练，保存最佳网络权重系数；
步骤3：对单张全视野乳腺癌前哨淋巴结病理图像进行预测，获得乳腺癌概率热图；具体为：
1)对于单张全视野乳腺癌前哨淋巴结病理图像，进行病理图像最低分辨率抽样，获得最低分辨率病理图像；
2)对抽样后的病理图像进行预处理，利用二值法和形态学算子获取含有病理组织的感兴趣区域；
3)对于感兴趣区域按照顺序生成策略，获取最低分辨率下感兴趣区域内部所有的坐标点；将生成的坐标点映射到全视野乳腺癌前哨淋巴结病理图像上，生成测试病理图像块；
4)对生成的测试病理图像块进行预测，获取图像块的乳腺癌区域预测概率，并在最低分辨率下合成全视野乳腺癌前哨淋巴结病理图像的乳腺癌概率热图；
步骤4：计算训练集中所有的全视野乳腺癌前哨淋巴结病理图像的乳腺癌概率热图，进行二值化和抑制孤立噪声，计算乳腺癌特征向量，根据特征向量和专家标签构建全视野乳腺癌前哨淋巴结病理图像的数据集，并利用线性分类器训练该数据集；具体为：
1)对于训练集中所有的全视野乳腺癌前哨淋巴结病理图像，重复步骤3的内容，预测所有训练集全视野乳腺癌前哨淋巴结病理图像的乳腺癌概率热图；
2)对乳腺癌概率热图进行二值化，抑制孤立噪声，计算乳腺癌特征向量，与专家标签构建全视野乳腺癌前哨淋巴结病理图像数据集，其中，专家标签中，1表示乳腺癌，0表示正常；
3)利用线性分类器训练全视野乳腺癌前哨淋巴结病理图像数据集，保存线性分类器的模型参数。
步骤5：对测试集全视野乳腺癌前哨淋巴结病理图像预测乳腺癌概率热图，进行二值化和抑制孤立噪声，计算乳腺癌特征向量，并利用线性分类器和模型参数进行预测，得到全视野乳腺癌前哨淋巴结病理图像的乳腺癌区域发生概率，实现乳腺癌区域的自动检测；具体为：
1)对于测试集全视野乳腺癌前哨淋巴结病理图像，进行最低分辨率抽样，利用二值法和形态学算子获取含有病理组织的感兴趣区域，通过顺序生成策略生成病理图像块；
2)利用DenseNet网络模型和网络权重系数进行预测，合成最低分辨率下全视野乳腺癌前哨淋巴结病理图像的概率热图；
3)对于全视野乳腺癌前哨淋巴结病理图像的概率热图，进行二值化，抑制孤立噪声，计算乳腺癌特征向量；
4)利用线性分类器和模型参数预测乳腺癌区域发生概率，实现乳腺癌区域的自动检测。
根据本发明，步骤1的具体方法是，全视野乳腺癌前哨淋巴结病理图像由新乡医学院第一附属医院病理科提供，病理图像类型为TIFF，SVS，5名病理科主任医生利用医学图像标注软件ASAP在该全视野乳腺癌前哨淋巴结病理图像进行标注，超过半数以上专家认同为乳腺癌，则人工标注乳腺癌转移区域，并将标注保存为xml文件。
作为一种优选方案，步骤2中的步骤1)的具体方法是：利用openslide包中的slide.level_downsamples函数获取下采样因子n，计算最低分辨率(2n)，并对全视野乳腺癌前哨淋巴结病理图像和标注区域进行最低分辨率抽样，得到在最低分辨率下的病理图像和标注图像；
步骤2中的步骤2)的具体方法是：对最低分辨率下病理图像进行预处理，利用OSTU大津法计算最佳阈值进行图像二值化，并依次进行形态学闭运算和开运算的操作，得到病理组织区域，将病理组织与乳腺癌的标注区域相减得到含有正常病理组织的感兴趣区域；
步骤2中的步骤3)的具体方法是：在最低分辨率下正常病理组织和乳腺癌区域内，利用随机生成的策略，生成坐标点(x，y)，该坐标点(x，y)包括乳腺癌正样本坐标和正常病理组织负样本坐标；将随机生成的坐标点(x，y)映射到最高分辨率的病理图像(x'＝x×2n，y'＝y×2n)上，并利用(x'，y')生成256×256的病理图像块；
步骤2中的步骤4)的具体方法是：对正常的病理图像块和乳腺癌病理图像块，按照8：2的比例划分为训练集和验证集；
步骤2中的步骤5)的具体方法是：构建DenseNet网络模型，DenseNet由DenseBlock和Transition Block组成，设置训练参数，利用乳腺癌病理图像块训练集和验证集训练DenseNet网络模型，保存网络权重系数densenet121_weights_tf.h5。
作为一种优选方案，步骤3中的步骤1)的具体方法是：对单张全视野病理切片，利用openslide中的slide.level_downsamples函数获取下采样因子n，计算最低分辨率(2n)，并对全视野乳腺癌前哨淋巴结病理图像进行最低分辨率抽样，获得抽样后的病理图像。
步骤3中的步骤2)的具体方法是：对抽样后的病理图像，OSTU大津法计算最佳阈值进行图像二值化，利用形态学算子的闭运算和开运算，获取正常的病理组织区域。
步骤3中的步骤3)的具体方法是：对抽样后的病理组织区域，采用顺序生成的策略，生成所有的坐标点(x，y)，将生成的坐标点(x，y)映射到最高分辨率的病理图像(x'＝x×2n，y'＝y×2n)上，并利用(x'，y')生成256×256的病理图像块；
步骤3中的步骤4)的具体方法是：预测所有的病理图像块乳腺癌概率，并在最低分辨率下合成全视野乳腺癌前哨淋巴结病理图像的乳腺癌概率热图。
作为一种优选方案，步骤4中的步骤2)具体方法如下：对乳腺癌概率热图进行二值化(阈值选择0.9)，并利用非极大值抑制(NMS)算法抑制孤立的噪声点。计算乳腺癌的特征向量，该特征值包括肿瘤区域的平均面积，最大肿瘤区域的长轴，区域像素数与边界像素数的比值，肿瘤区域与组织区域的比率，并于专家人工标准结果(1表示乳腺癌，0表示正常)构建全视野乳腺癌前哨淋巴结病理图像数据集。
步骤4中的步骤3)具体方法如下：利用SVM分类器，选择高斯核作为核函数，gamma＝0.2，C＝0.8，训练并保存SVM的参数。
作为一种优选方案，步骤5中的步骤2)具体方法如下：对测试图像块利用DenseNet网络模型和网络权重系数进行预测，获得在最低分辨率下的乳腺癌概率热图。
步骤5中的步骤3)具体方法如下：对概率热图进行二值化(阈值选择0.9)，并利用非极大值抑制(NMS)算法抑制孤立噪声，计算乳腺癌的特征向量，该特征值包括肿瘤区域的平均面积，最大肿瘤区域的长轴，区域像素数与边界像素数的比值，肿瘤区域与组织区域的比率。
步骤5中的步骤4)具体方法如下：利用训练好的SVM模型和模型参数预测乳腺癌区域发生概率，实现乳腺癌区域的自动检测。
实现上述基于DenseNet网络的全视野乳腺癌前哨淋巴结病理图像的乳腺癌区域检测方法的系统，其特征在于，具体包括如下依次连接的模块：
全视野前哨淋巴结病理图像模块：
用于获取全视野乳腺癌前哨淋巴结病理图像，该模块中的全视野乳腺癌前哨淋巴结病理图像类型为TIFF，SVS，由5名病理科主任医生利用医学图像标注软件ASAP在该全视野乳腺癌前哨淋巴结病理图像进行标注乳腺癌的转移区域；
构建和训练DenseNet网络模型参数模块：
用于对全视野乳腺癌前哨淋巴结病理图像和标注结果，自动生成乳腺癌前哨淋巴结病理图像块的训练集和验证集，利用DenseNet网络模型进行训练，并保存网络权重系数；
单张全视野病理图像乳腺癌概率热图生成模块：
用于对单张全视野乳腺癌前哨淋巴结病理图像进行预测，获得乳腺癌概率热图；
乳腺癌概率热图训练模块：
用于计算所有作为训练集的全视野数字化切片乳腺癌概率热图，进行二值化和抑制孤立噪声，计算乳腺癌特征向量，生成全视野病理图像乳腺癌数据集，并利用线性分类器训练数据集；
乳腺癌区域检测模块：
对于测试集全视野病理图像生成乳腺癌概率热图，进行二值化和抑制孤立噪声，计算乳腺癌特征向量，并利用线性分类器和模型参数预测乳腺癌区域的发生概率，实现乳腺癌区域的自动检测。
本发明的的基于DenseNet网络的全视野乳腺癌前哨淋巴结病理图像的乳腺癌区域检测方法和系统，充分利用临床医院的全视野乳腺癌前哨淋巴结病理图像，通过多名病理专家联合标注，获取专家标注的乳腺癌转移区域，生成乳腺癌前哨淋巴结病理图像块的训练集和验证集，利用DenseNet网络模型学习乳腺癌病理图像块的特征，预测病理图像块的乳腺癌概率，计算全视野乳腺癌前哨淋巴结病理图像的乳腺癌概率热图，对乳腺癌概率热图二值化，抑制孤立噪声，获取乳腺癌区域的发生概率，实现乳腺癌区域的自动检测。可提高病理医生对乳腺癌手术方案的选择具有重要的指导意义。
附图说明
图1是本发明的基于DenseNet网络的全视野乳腺癌前哨淋巴结病理图像的乳腺癌区域检测方法的流程图。
图2是本发明的基于全视野乳腺癌前哨淋巴结病理图像的乳腺癌区域检测方法的原理框图；
图3是多分辨率的全视野乳腺癌前哨淋巴结病理图像；
图4是实施例中步骤2.2中的最低分辨率病理切片图像预处理结果，其中图4(a)为最低分辨率病理图像(RGB)，图4(b)为RGB转换为HSV类型的结果，图4(c)为二值化，图4(d)对二值化进行闭运算的形态学操作，图4(e)为进行开运算的形态学操作，图4(f)为包含病理组织的区域；
图5是实施例中步骤2.3生成的包含正常病理和乳腺癌病理图像块，其中，图5(a)是正常病理图像块，图5(b)是乳腺癌病理图像块；
图6是实施例中步骤2.5中所使用的DenseNet网络模型。
图7是实施例中步骤3对单张全视野乳腺癌病切片预测，获得的腺癌概率热图，其中，图7(a)是单张全视野乳腺癌前哨淋巴结病理图像，图7(b)是乳腺癌概率热图，
图8是实施例中步骤5是乳腺癌区域的检测结果。
以下结合附图和实施例对本发明作进一步的详细说明。
具体实施方式
本实施例给出一种基于DenseNet网络的全视野乳腺癌前哨淋巴结病理图像的乳腺癌区域检测方法，通过DenseNet网络模型学习乳腺癌病理图像块的特征，生成全视野乳腺癌概率热图，计算乳腺癌特征向量，利用SVM预测乳腺癌区域的发生概率，实现乳腺癌区域的自动检测。
本实施例的硬件环境为：Intel至强E5-2678v3双处理器，内存32.0GB，显卡RTX2080Ti 2块，软件环境Ubuntu 16.04，Python 3.5，Tensorflow，OpenSlide,SciKit,NumPy。
本实施例给出一种基于DenseNet网络的全视野乳腺癌前哨淋巴结病理图像的乳腺癌区域检测方法，其流程图如图1所示，按如下步骤实施：
步骤1：获取全视野乳腺癌前哨淋巴结病理图像，依靠病理专家人工标注获取乳腺癌的转移区域；
具体方法是，全视野乳腺癌前哨淋巴结病理图像由新乡医学院第一附属医院病理科提供，病理图像类型为TIFF,SVS，选择5名病理科主任医生利用医学图像标注软件ASAP在该全视野乳腺癌前哨淋巴结病理图像进行标注，如超过3名专家认同乳腺癌，则人工标注乳腺癌区域，并将标注保存为xml文件。训练集数据库包括80张乳腺癌病理图像、40张正常病理图像和10张测试病理图像。
步骤2：利用在该全视野乳腺癌前哨淋巴结病理图像和标注结果，自动生成在该全视野乳腺癌前哨淋巴结病理图像块的训练集和验证集，利用DenseNet网络模型进行训练，并保存网络权重系数；具体步骤为：
步骤2.1)：利用全视野病理图像金字塔结构，对病理图像进行最低分辨率抽样，获得最低分辨率的病理图像和标注结果；
具体方法是，利用openslide中的slide.level_downsamples函数获取下采样因子n，并对全视野病理图像和标注图像按2n的抽样率进行抽样，得到最低分辨率病理图像和标注图像。
步骤2.2)：对低分辨率病理图像进行预处理，利用二值法和形态学算子生成包含正常病理组织的感兴趣区域和乳腺癌的标注区域；
具体方法是对低分辨率病理图像进行预处理，利用OSTU大津法计算最佳阈值，进行图像二值化，并依次进行形态学闭运算和开运算的操作，得到病理组织(如图4所示)，将病理组织与乳腺癌标注区域相减得到正常病理组织的感兴趣区域。
步骤2.3)：在正常病理组织和乳腺癌区域内按照随机生成策略下，随机生成坐标点，并将坐标点映射到全视野乳腺癌前哨淋巴结病理图像上，并生成病理图像块；
具体方法是，最低分辨率正常病理组织和乳腺癌区域内，采用随机生成的策略，每张病理图像生成4000个坐标点(x，y)(其中，乳腺癌正样本坐标2000个，正常病理组织负样本坐标2000个)。将随机生成的坐标点(x，y)映射到最高分辨率的病理图像(x'＝x×2n，y'＝y×2n)上，并利用(x'，y')生成256×256的病理图像块。每张乳腺癌病理图像包括2000个正常病理图像块和2000个乳腺癌病理图像块，每张正常病理图像包括2000个正常病理图像块。生成的正常病理和乳腺癌病理图像块如图5所示。
步骤2.4)：对所有已标注病理图像按照步骤2.1-2.3的内容进行操作，自动生成的正常病理图像块和乳腺癌病理图像块，划分训练集和验证集；
具体方法是将所有已标记的病理图像按照步骤2.1-2.3的内容进行操作，自动生成正常的病理图像块(2000×80+2000×40＝240000)和乳腺癌病理图像块(2000×80＝160000)。自动生成的病理图像块按照8：2的比例划分为训练集(192000个正常病理图像块和128000个乳腺癌病理图像块)和验证集(48000个正常病理图像块和32000个乳腺癌病理图像块)。
步骤2.5)：构建DenseNet网络模型，对乳腺癌图像块的数据集进行训练，保存网络权重系数。
具体方法是，构建DenseNet网络模型(如图6所示)，DenseNet由3个Dense Block和2个Transition Block组成，该网络模型输入256x256病理图像块，后续依次经过卷积层→Dense Block→Transition Block→Dense Block→Transition Block→Dense Block→Classification Block→softmax，得到最终的预测结果。
网络模型训练参数为：growth_rate＝16，dense_layer＝3，batch_size＝100，class_mode＝categorical，num_epochs＝30，learning_rate＝0.001；利用随机梯度优化器SGD优化loss值。利用DenseNet网络模型训练乳腺癌病理图像块生成的训练集和验证集，并保存网络权重系数densenet121_weights_tf.h5。
步骤3：对单张全视野数字化切片进行预测，获得乳腺癌概率热图，具体步骤如下：
步骤3.1)：对于单张全视野乳腺癌前哨淋巴结病理图像，利用病理切片金字塔数据结构，对病理图像进行最低分辨率抽样，获得最低分辨率病理图像；
具体方法是，对于单张全视野乳腺癌前哨淋巴结病理图像，利用openslide中的slide.level_downsamples函数获取下采样因子n，并对全视野乳腺癌前哨淋巴结病理图像按2n的抽样率进行抽样，得到最低分辨率病理图像。
步骤3.2)：对抽样后的病理图像进行预处理，利用二值法和形态学算子获取含有病理组织的感兴趣区域；
具体方法如下：对最低分辨率病理图像进行预处理，利用OSTU大津法计算最佳阈值进行图像二值化，并依次进行形态学闭运算和开运算的操作，得到病理组织区域。
步骤3.3)：对于感兴趣区域按照顺序生成策略，获取最低分辨率下感兴趣区域内部所有的坐标点；将生成的坐标点映射到全视野乳腺癌病理切片上，并生成测试病理图像块。
具体方法如下：在最低分辨率病理组织区域，利用numpy包中的np.where函数顺序生成感兴趣区域内的所有坐标点(x，y)，并将其映射到最高分辨率病理图像(x'＝x×2n，y'＝y×2n)上，利用(x'，y')生成256×256的病理图像块。
步骤3.4)：对单张全视野乳腺癌前哨淋巴结病理图像块进行预测，获取该图像块的乳腺癌预测概率，并在低分辨率下合成全视野病理图像的乳腺癌预测概率热图。
具体方法如下：对于256×256的病理图像块，利用DenseNet模型和densenet121_weights_tf.h5网络权重系数进行预测，返回预测概率和坐标(x'，y')，将坐标(x'，y')映射到最低分辨率(2n)下的坐标(x，y)，最后在最低分辨率下合成全视野乳腺癌前哨淋巴结病理图像的乳腺癌预测概率热图，如图7所示。
步骤4：计算所有作为训练集的全视野乳腺癌前哨淋巴结病理图像的乳腺癌概率热图，进行二值化和抑制孤立噪声，计算乳腺癌特征向量，根据特征向量和专家标签构建全视野乳腺癌前哨淋巴结病理图像的数据集，并利用线性分类器训练，具体步骤如下：
步骤4.1)：重复步骤3的内容，预测所有作为训练集的全视野乳腺癌前哨淋巴结病理图像的乳腺癌概率热图。
具体方法如下：重复步骤3.1)-3.4)的内容，预测所有训练集全视野乳腺癌前哨淋巴结病理图像(80张乳腺癌病理图像和40张正常病理图像)，获得在最低分辨率(2n)下的乳腺癌概率热图。
步骤4.2)：对乳腺癌概率热图进行二值化，计算特征向量，与专家标签构成全视野乳腺癌前哨淋巴结病理图像的乳腺癌数据集。
具体方法如下：对最低分辨率(2n)下乳腺癌概率热图二值化(阈值选择0.9)，并利用非极大值抑制(NMS)算法抑制孤立噪声，利用skimage包中的regionprops函数计算乳腺癌的特征向量，特征值包括肿瘤区域的平均面积，最大肿瘤区域的长轴，区域像素数与边界像素数的比值，肿瘤区域与组织区域的比率，并于专家人工标注结果(1表示乳腺癌，0表示正常)构成全视野乳腺癌前哨淋巴结病理图像数据集。
步骤4.3)：利用线性分类器对全视野乳腺癌前哨淋巴结病理图像数据集进行分类，保存线性分类器的模型参数。
具体方法如下：利用SVM分类器对全视野乳腺癌前哨淋巴结病理图像数据集进行分类，参数选择如下：高斯核作为核函数，gamma＝0.2，C＝0.8，训练并保存SVM的参数。
步骤5：对于测试集全视野乳腺癌前哨淋巴结病理图像，生成预测乳腺癌概率热图，进行二值化和抑制孤立噪声，计算乳腺癌特征向量，并利用线性分类器和模型参数进行预测，得到全视野乳腺癌前哨淋巴结病理图像的乳腺癌区域发生概率，实现乳腺癌区域的自动检测；具体步骤如下：
步骤5.1)：对于测试集全视野乳腺癌前哨淋巴结病理图像，进行最低分辨率抽样，利用二值法和形态学算子获取含有病理组织的感兴趣区域，通过顺序生成策略生成病理图像块。
具体方法如下：按照步骤3.1-3.3的具体方法，进行最低分辨率抽样，利用OSTU大津法计算最佳阈值进行图像二值化，并依次进行形态学闭运算和开运算的操作，获取最低分辨率病理组织区域，通过顺序生成策略生成256×256病理图像块。
步骤5.2)：利用DenseNet网络模型和网络权重系数进行预测，合成最低分辨率下全视野乳腺癌前哨淋巴结病理图像的概率热图。
具体方法如下：对于顺序生成的256×256测试图像块，利用DenseNet模型和densenet121_weights_tf.h5网络权重系数进行预测，获得在最低分辨率(2n)下的乳腺癌概率热图。
步骤5.3)：对于全视野病理图像的概率热图，进行二值化，抑制孤立噪声，计算乳腺癌特征向量。
具体方法如下：在最低分辨率(2n)对全视野乳腺癌概率热图二值化(阈值选择0.9)，并利用非极大值抑制(NMS)算法抑制孤立噪声，计算乳腺癌的特征向量，该特征值包括肿瘤区域的平均面积，最大肿瘤区域的长轴，区域像素数与边界像素数的比值，肿瘤区域与组织区域的比率。
步骤5.4)：并利用线性分类器和模型参数预测乳腺癌区域发生概率，实现乳腺癌区域的自动检测。
具体方法如下：利用训练好的SVM模型参数预测测试病理图像的乳腺癌特征向量的概率，输出乳腺癌区域发生概率，实现乳腺癌区域的自动检测。
实现上述基于DenseNet网络的全视野乳腺癌前哨淋巴结病理图像的乳腺癌区域检测方法的系统，包括如下依次连接的模块：
全视野前哨淋巴结病理图像模块：
用于获取全视野乳腺癌前哨淋巴结病理图像，该模块中的全视野乳腺癌前哨淋巴结病理图像类型为TIFF，SVS，由5名病理科主任医生利用医学图像标注软件ASAP在该全视野乳腺癌前哨淋巴结病理图像进行标注乳腺癌的转移区域；
构建和训练DenseNet网络模型参数模块：
用于对全视野乳腺癌前哨淋巴结病理图像和标注结果，自动生成乳腺癌前哨淋巴结病理图像块的训练集和验证集，利用DenseNet网络模型进行训练，并保存网络权重系数；
单张全视野病理图像乳腺癌概率热图生成模块：
用于对单张全视野乳腺癌前哨淋巴结病理图像进行预测，获得乳腺癌概率热图；
乳腺癌概率热图训练模块：
用于计算所有作为训练集的全视野数字化切片乳腺癌概率热图，进行二值化和抑制孤立噪声，计算乳腺癌特征向量，生成全视野病理图像乳腺癌数据集，并利用线性分类器训练数据集；
乳腺癌概率热图预测模块：
对于测试集全视野病理图像生成乳腺癌概率热图，进行二值化和抑制孤立噪声，计算乳腺癌特征向量，并利用线性分类器和模型参数进行预测，输出乳腺癌区域发生概率，实现乳腺癌区域的自动检测。
为了验证本实施例所述的基于全视野乳腺癌前哨淋巴结病理图像的乳腺癌区域检测方法和系统的可行性及有效性，申请人对全视野乳腺癌前哨淋巴转移病理图像进行分析，利用本实施例给出的基于DenseNet网络的全视野乳腺癌前哨淋巴结病理图像的乳腺癌区域检测方法和系统，最终实现乳腺癌区域发生概率的自动检测，对乳腺癌区域区域分割精度：AUC值(ROC曲线所覆盖的区域面积)＝0.9693。
需要说明的是，以上的实施例是发明人给出的较优的例子，本发明不限于上述实施例。

Claims (8)

1.一种基于DenseNet网络的全视野乳腺癌前哨淋巴结病理图像的乳腺癌区域检测方法，其特征在于，按如下步骤实施：
步骤1：获取由病理专家人工标注的带有乳腺癌的转移区域的全视野乳腺癌前哨淋巴结病理图像；
步骤2：利用全视野乳腺癌前哨淋巴结病理图像和专家标注结果，自动生成乳腺癌前哨淋巴结病理图像块的训练集和验证集，训练DenseNet网络模型参数；具体为：
1)利用全视野病理图像金字塔结构，对病理图像进行最低分辨率抽样，获得最低分辨率病理图像和标注结果；
2)对最低分辨率病理图像进行预处理，利用二值法和形态学算子生成包含正常病理组织的感兴趣区域和乳腺癌的标注区域；
3)在正常病理组织和乳腺癌区域内利用随机生成策略，随机生成坐标点，并将坐标点映射到全视野乳腺癌前哨淋巴结病理图像上，生成病理图像块；
4)对所有标注病理图像，按照上述步骤2)～步骤3)的内容进行操作，自动生成的正常病理图像块和乳腺癌病理图像块，并划分训练集和验证集；
5)构建DenseNet网络模型，利用乳腺癌病理图像块的训练集和验证集训练网络模型参数，保存网络权重系数；
步骤3：对单张全视野乳腺癌前哨淋巴结病理图像进行预测，获得乳腺癌概率热图；具体为：
1)对于单张全视野乳腺癌前哨淋巴结病理图像，进行病理图像最低分辨率抽样，获得最低分辨率病理图像；
2)对抽样后的病理图像进行预处理，利用二值法和形态学算子获取含有病理组织的感兴趣区域；
3)对于感兴趣区域按照顺序生成策略，获取最低分辨率下感兴趣区域内部所有的坐标点；将生成的坐标点映射到全视野乳腺癌前哨淋巴结病理图像上，生成测试病理图像块；
4)对生成的测试病理图像块进行预测，获取图像块的乳腺癌区域预测概率，并在最低分辨率下合成全视野乳腺癌前哨淋巴结病理图像的乳腺癌概率热图；
步骤4：计算训练集中所有的全视野乳腺癌前哨淋巴结病理图像的乳腺癌概率热图，进行二值化和抑制孤立噪声，计算乳腺癌特征向量，根据特征向量和专家标签构全视野乳腺癌前哨淋巴结病理图像的数据集，并利用线性分类器训练该数据集；具体为：
1)对于训练集中所有的全视野乳腺癌前哨淋巴结病理图像，重复步骤3的内容，预测所有训练集全视野乳腺癌前哨淋巴结病理图像的乳腺癌概率热图；
2)对乳腺癌概率热图进行二值化并抑制孤立噪声，计算乳腺癌特征向量，与专家标签构建全视野乳腺癌前哨淋巴结病理图像数据集，其中，专家标签中，1表示乳腺癌，0表示正常；
3)利用线性分类器训练全视野乳腺癌前哨淋巴结病理图像数据集，保存线性分类器的模型参数；
步骤5：对测试集全视野乳腺癌前哨淋巴结病理图像，生成预测乳腺癌概率热图，进行二值化和抑制孤立噪声，计算乳腺癌特征向量，并利用线性分类器和模型参数进行预测，得到全视野乳腺癌前哨淋巴结病理图像的乳腺癌区域发生概率，实现乳腺癌区域的自动检测；具体为：
1)对于测试集全视野乳腺癌前哨淋巴结病理图像，进行最低分辨率抽样，利用二值法和形态学算子获取含有病理组织的感兴趣区域，通过顺序生成策略生成病理图像块；
2)利用DenseNet模型和网络权重系数进行预测，并合成最低分辨率下全视野乳腺癌前哨淋巴结病理图像的概率热图；
3)对于全视野乳腺癌前哨淋巴结病理图像的概率热图，进行二值化，抑制孤立噪声，计算乳腺癌特征向量；
4)利用线性分类器和模型参数预测乳腺癌区域发生概率，实现乳腺癌区域的自动检测。
2.如权利要求1所述方法，其特征在于：步骤1的具体方法是，全视野乳腺癌前哨淋巴结病理图像由新乡医学院第一附属医院病理科提供，病理图像类型为TIFF或SVS，5名病理科主任医生利用医学图像标注软件ASAP在该全视野乳腺癌前哨淋巴结病理图像进行标注，超过半数以上专家认同为乳腺癌，则人工标注乳腺癌转移区域，并将标注保存为xml文件。
3.如权利要求1所述的方法，其特征在于：
步骤2中的步骤1)的具体方法是：利用openslide包中的slide.level_downsamples函数获取下采样因子n，计算最低分辨率(2n)，并对全视野乳腺癌前哨淋巴结病理图像和标注区域进行最低分辨率抽样，得到在最低分辨率下的病理图像和标注图像；
步骤2中的步骤2)的具体方法是：对最低分辨率下病理图像进行预处理，利用OSTU大津法计算最佳阈值进行图像二值化，并依次进行形态学闭运算和开运算的操作，得到病理组织区域，将病理组织与乳腺癌的标注区域相减得到含有正常病理组织的感兴趣区域；
步骤2中的步骤3)的具体方法是：在最低分辨率下正常病理组织和乳腺癌标注区域内，利用随机生成的策略，生成坐标点(x，y)，该坐标点(x，y)包括乳腺癌正样本坐标和正常病理组织负样本坐标；将随机生成的坐标点(x，y)映射到最高分辨率的病理图像(x'＝x×2n，y'＝y×2n)上，并利用(x'，y')生成256×256的病理图像块；
步骤2中的步骤4)的具体方法是：对正常的病理图像块和乳腺癌病理图像块，按照8:2的比例划分为训练集和验证集；
步骤2中的步骤5)的具体方法是：构建DenseNet网络模型，DenseNet由Dense Block和Transition Block组成，并设置训练参数，利用乳腺癌病理图像块训练集和验证集训练DenseNet网络模型，保存网络权重系数densenet121_weights_tf.h5。
4.如权利要求1所述的方法，其特征在于：
步骤3中的步骤1)的具体方法是：对单张全视野病理切片，利用openslide中的slide.level_downsamples函数获取下采样因子n，计算最低分辨率(2n)，并对全视野乳腺癌前哨淋巴结病理图像进行最低分辨率抽样，获得抽样后的病理图像；
步骤3中的步骤2)的具体方法是：对抽样后的病理图像，OSTU大津法计算最佳阈值进行图像二值化，利用形态学算子的闭运算和开运算，获取正常的病理组织区域；
步骤3中的步骤3)的具体方法是：对抽样后的病理组织区域，采用顺序生成的策略，生成所有的坐标点(x，y)，将生成的坐标点(x，y)映射到最高分辨率的病理图像(x'＝x×2n，y'＝y×2n)上，并利用(x'，y')生成256×256的病理图像块；
步骤3中的步骤4)的具体方法是：预测所有的病理图像块乳腺癌概率，并在最低分辨率下合成全视野乳腺癌前哨淋巴结病理图像的乳腺癌概率热图。
5.如权利要求1所述的方法，其特征在于，步骤4中的步骤2)的具体方法是：对所有全视野乳腺癌切片的概率热图，进行二值化，并利用非极大值抑制算法抑制孤立噪声，计算乳腺癌特征向量，与专家标签构建基于全视野的病理图像乳腺癌数据集其中，专家标签中，1表示乳腺癌，0表示正常。
6.如权利要求1所述的方法，其特征在于：步骤4中的步骤3)所述的线性分类器采用SVM分类器。
7.如权利要求1所述的方法，其特征在于：
步骤5中的步骤2)的具体方法是：利用DenseNet模型和网络权重系数对顺序生成的病理图像块进行预测，并合成最低分辨率下全视野病理图像的概率热图；
步骤5中的步骤3)的具体方法是：对于全视野病理切片的乳腺癌概率热图，进行二值化，利用非极大值抑制算法抑制孤立噪声，并计算乳腺癌特征向量；
步骤5中的步骤4)的具体方法是：对乳腺癌特征向量利用SVM分类器和模型参数预测乳腺癌区域发生概率，实现乳腺癌区域的自动检测。
8.一种基于DenseNet网络的全视野乳腺癌前哨淋巴结病理图像的乳腺癌区域检测系统，其特征在于，具体包括如下依次连接的模块：
全视野前哨淋巴结病理图像模块：
用于获取全视野乳腺癌前哨淋巴结病理图像，该模块中的全视野乳腺癌前哨淋巴结病理图像类型为TIFF或SVS，由5名病理科主任医生利用医学图像标注软件ASAP在该全视野乳腺癌前哨淋巴结病理图像进行标注乳腺癌的转移区域；
构建和训练DenseNet网络模型参数模块：
用于对全视野乳腺癌前哨淋巴结病理图像和标注结果，自动生成乳腺癌前哨淋巴结病理图像块的训练集和验证集，利用DenseNet网络模型进行训练，并保存网络权重系数；
单张全视野病理图像乳腺癌概率热图生成模块：
用于对单张全视野乳腺癌前哨淋巴结病理图像进行预测，获得乳腺癌概率热图；
乳腺癌概率热图训练模块：
用于计算所有作为训练集的全视野数字化切片乳腺癌概率热图，进行二值化和抑制孤立噪声，计算乳腺癌特征向量，生成全视野病理图像乳腺癌数据集，并利用线性分类器训练数据集；
乳腺癌区域检测模块：
对于测试集全视野病理图像生成乳腺癌概率热图，进行二值化和抑制孤立噪声，计算乳腺癌特征向量，并利用线性分类器和模型参数预测乳腺癌区域的发生概率，实现乳腺癌区域的自动检测。
CN202111323843.1A 2021-11-09 2021-11-09 基于DenseNet网络的病理图像的乳腺癌区域检测方法及系统 Active CN114027794B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111323843.1A CN114027794B (zh) 2021-11-09 2021-11-09 基于DenseNet网络的病理图像的乳腺癌区域检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111323843.1A CN114027794B (zh) 2021-11-09 2021-11-09 基于DenseNet网络的病理图像的乳腺癌区域检测方法及系统

Publications (2)

Publication Number Publication Date
CN114027794A CN114027794A (zh) 2022-02-11
CN114027794B true CN114027794B (zh) 2023-06-30

Family

ID=80143733

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111323843.1A Active CN114027794B (zh) 2021-11-09 2021-11-09 基于DenseNet网络的病理图像的乳腺癌区域检测方法及系统

Country Status (1)

Country Link
CN (1) CN114027794B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117036343B (zh) * 2023-10-07 2024-01-16 北京大学人民医院 用于识别腋窝淋巴结转移癌的ffoct图像分析方法和装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111354002A (zh) * 2020-02-07 2020-06-30 天津大学 一种基于深度神经网络的肾脏及肾脏肿瘤分割方法
CN111772631A (zh) * 2020-07-06 2020-10-16 天津大学 基于集成经验模态分解的早期乳腺癌特征提取方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020014477A1 (en) * 2018-07-11 2020-01-16 The University Of North Carolina At Chapel Hill Methods, systems, and computer readable media for image analysis with deep learning to predict breast cancer classes
CN110210528A (zh) * 2019-05-15 2019-09-06 太原理工大学 基于DenseNet-II神经网络模型的乳腺X射线图像的良恶性分类方法
EP4078510A1 (en) * 2019-12-20 2022-10-26 Genentech, Inc. Automated tumor identification and segmentation with medical images
CN113555115A (zh) * 2021-06-25 2021-10-26 中山大学孙逸仙纪念医院 基于影像组学构建乳腺癌患者淋巴结转移预测模型的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111354002A (zh) * 2020-02-07 2020-06-30 天津大学 一种基于深度神经网络的肾脏及肾脏肿瘤分割方法
CN111772631A (zh) * 2020-07-06 2020-10-16 天津大学 基于集成经验模态分解的早期乳腺癌特征提取方法

Also Published As

Publication number Publication date
CN114027794A (zh) 2022-02-11

Similar Documents

Publication Publication Date Title
CN110310281B (zh) 一种基于Mask-RCNN深度学习的虚拟医疗中肺结节检测与分割方法
Ismail et al. Breast cancer detection based on deep learning technique
US6125194A (en) Method and system for re-screening nodules in radiological images using multi-resolution processing, neural network, and image processing
US7646902B2 (en) Computerized detection of breast cancer on digital tomosynthesis mammograms
EP0757544B1 (en) Computerized detection of masses and parenchymal distortions
US7903861B2 (en) Method for classifying breast tissue density using computed image features
Kumar et al. Robust and automated lung nodule diagnosis from CT images based on fuzzy systems
CN111476793B (zh) 动态增强磁共振成像处理方法、系统、存储介质、终端
CN101103924A (zh) 基于乳腺x线摄片的乳腺癌计算机辅助诊断方法及其系统
CN111696126B (zh) 一种基于多视角的多任务肝脏肿瘤图像分割方法
EP4118617A1 (en) Automated detection of tumors based on image processing
CN116703901B (zh) 肺部医学ct影像分割及分类装置及设备
CN111784701A (zh) 结合边界特征增强和多尺度信息的超声图像分割方法及系统
CN114027794B (zh) 基于DenseNet网络的病理图像的乳腺癌区域检测方法及系统
CN112638262B (zh) 相似度确定装置、方法及程序
Ruchai et al. Classification of breast abnormalities using a deep convolutional neural network and transfer learning
Sarada et al. Deep learning based breast image classification study for cancer detection
JP2023508358A (ja) ２次元及び３次元画像データを分析するためのシステム及び方法
Guo et al. Thyroid nodule ultrasonic imaging segmentation based on a deep learning model and data augmentation
Anas et al. Advancing Breast Cancer Detection: Enhancing YOLOv5 Network for Accurate Classification in Mammogram Images
JP2024507290A (ja) 弱教師あり深層学習人工知能を利用した乳房超音波診断の方法及びシステム｛Ｍｅｔｈｏｄ ａｎｄ ｓｙｓｔｅｍ ｆｏｒ ｂｒｅａｓｔ ｕｌｔｒａｓｏｎｉｃ ｉｍａｇｅ ｄｉａｇｎｏｓｉｓ ｕｓｉｎｇ ｗｅａｋｌｙ－ｓｕｐｅｒｖｉｓｅｄ ｄｅｅｐ ｌｅａｒｎｉｎｇ ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ｝
Chen et al. Predictions for Central Lymph Node Metastasis of Papillary Thyroid Carcinoma via CNN-Based Fusion Modeling of Ultrasound Images.
Subramaniam et al. Breast cancer diagnosis systems: A review
Priyanka et al. Optimizing Breast Cancer Detection: Machine Learning for Pectoral Muscle Segmentation in Mammograms
Nandula et al. Lung Cancer Detection by Harnessing the Power of Deep Learning with Convolutional Neural Networks

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