CN114037702B - 一种切片级宫颈癌筛查与分类的方法及装置 - Google Patents
一种切片级宫颈癌筛查与分类的方法及装置 Download PDFInfo
- Publication number
- CN114037702B CN114037702B CN202210018907.5A CN202210018907A CN114037702B CN 114037702 B CN114037702 B CN 114037702B CN 202210018907 A CN202210018907 A CN 202210018907A CN 114037702 B CN114037702 B CN 114037702B
- Authority
- CN
- China
- Prior art keywords
- slice
- image
- classification
- image block
- fcos
- 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
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
-
- 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
-
- 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
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
Abstract
本发明提出了一种切片级宫颈癌筛查与分类的方法及装置,涉及疾病诊断技术领域,包括:获取宫颈细胞切片的切片图像,并将所述切片图像划分成若干预设大小的图像块;对于每个图像块,利用含有FPN的一阶段目标检测网络FCOS提取图像块的特征;其中,FCOS为使用带有细胞级别标注的宫颈细胞数据集训练获得;根据各个图像块的特征确定整张切片图像的特征;将所述切片图像的特征输入预设的分类网络,以获得所述切片图像的分类结果。本申请的方法的在敏感性、特异性、准确率等评价指标上均优于现有的基于规则的方法。
Description
技术领域
本申请涉及疾病诊断技术领域,尤其涉及一种切片级宫颈癌筛查与分类的方法及装置。
背景技术
目前医院中宫颈癌的早期筛查方式主要是细胞学专家人工筛查。人工筛查存在以下问题:1、速度慢。在进行宫颈癌筛查工作时,细胞学家通常需要从一张包含几十万甚至更多数量的细胞组织切片中观察是否存在异常细胞以及异常细胞病变的程度,这往往需要耗费10-15分钟的时间才能判断患者是否得病以及患者病灶病变的程度。2、存在经验偏差。对于一个切片的诊断结果,性格保守的专家和性格激进的专家的诊断结果可能存在不同,会出现病灶分级的差异。3、人工筛查中,由于人的精力有限,可能会因为疲劳等其他外界因素导致漏检的可能。
除去人工筛查的方法,现有的研究也有采用传统的数字图像处理的方式如SVM、随机森林等尝试实现宫颈癌筛查,但由于其性能差,无法应用于临床。最近的相关研究通过提取切片中固定数量的细胞目标的类别及其相应类别的置信度作为分类的依据,经过其人工定义的规则进行切片的分类。这种方式存在以下问题:1、泛化性差。由于其规则为人工定义,无法根据数据集的差异调整规则,因此在应用至其他数据集时很难取得理想的效果。2、假阳性较高。利用该方法提出的规则进行切片分类时,为保证对于患病切片的召回率,该方法会出现大量的健康切片被误分类为患病的情况,这会大大影响医生的工作效率。
发明内容
本申请所要解决的技术问题在于,针对现有技术的上述不足,提出一种切片级宫颈癌筛查与分类的方法及装置。
该切片级宫颈癌筛查与分类的方法包括:
获取宫颈细胞切片的切片图像,并将所述切片图像划分成若干预设大小的图像块;
对于每个图像块,利用含有FPN的一阶段目标检测网络FCOS提取图像块的特征;其中,FCOS为使用带有细胞级别标注的宫颈细胞数据集训练获得;
根据各个图像块的特征确定整张切片图像的特征;
将所述切片图像的特征输入预设的分类网络,以获得所述切片图像的分类结果。
在一些技术方案中,所述对于每个图像块,利用含有FPN的一阶段目标检测网络FCOS提取图像块的特征,包括:
选择FCOS分类分支输出的特征图作为每个图像块的特征;
通过将FPN输出的不同尺度的特征图在上采样至同一尺度后做pixel-wise的求和以获得多尺度信息,使特征对于不同细胞尺度都能提供充足的语义信息。
在一些技术方案中,所述根据各个图像块的特征确定整张切片图像的特征,包括:
通过计算其每个图像块的特征图对应位置像素值的均值,以获得最终关于整张切片图像的特征。
在一些技术方案中,所述分类网络包括ResNet-34、线性分类层。
另一方面,本申请还提出了一种切片级宫颈癌筛查与分类的装置,包括:
获取模块,用于获取宫颈细胞切片的切片图像,并将所述切片图像划分成若干预设大小的图像块;
提取模块,用于对于每个图像块,利用含有FPN的一阶段目标检测网络FCOS提取图像块的特征;其中,FCOS为使用带有细胞级别标注的宫颈细胞数据集训练获得;
特征确定模块,用于根据各个图像块的特征确定整张切片图像的特征;
分类模块,用于将所述切片图像的特征输入预设的分类网络,以获得所述切片图像的分类结果。
在一些技术方案中,所述提取模块包括:
选择子模块,用于选择FCOS分类分支输出的特征图作为每个图像块的特征;
求和子模块,用于通过将FPN输出的不同尺度的特征图在上采样至同一尺度后做pixel-wise的求和以获得多尺度信息,使特征对于不同细胞尺度都能提供充足的语义信息。
在一些技术方案中,所述特征确定模块具体为:通过计算其每个图像块的特征图对应位置像素值的均值,以获得最终关于整张切片图像的特征。
在一些技术方案中,所述分类网络包括ResNet-34、线性分类层。
另一方面,本申请还提出了一种电子设备,包括:
处理器;
用于存储处理器的可执行指令的存储器;
其中,所述处理器被配置为执行上述部分提出的切片级宫颈癌筛查与分类的方法。
另一方面,本申请还提出了一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时,实现上述部分所提出的切片级宫颈癌筛查与分类的方法。
本申请的技术方案可用于宫颈癌切片的初筛,辅助医生诊断。本申请利用深度学习模型实现切片特征的提取及判断工作,首先对每个图像块提取特征,然后再对一张切片所有图像块提取完成后将其整合为关于一张完整切片的深层特征。本申请的技术效果包括:第一、筛查过程完全由神经网络完成,输入切片后即可直接得到最终的分类结果,这不仅可以辅助医生诊断,且对于宫颈癌切片的初筛工作完全可以胜任。第二、相比于先前的细胞学专家判断一张切片需要10-15分钟,本申请的方法可以将时间压缩至2-3分钟(这其中包括对图像块的特征提取、融合以及后续的分类)。第三、本申请的方法的在敏感性、特异性、准确率等评价指标上均优于现有的基于规则的方法。
附图说明
图1是本申请实施例中一种切片级宫颈癌筛查与分类的方法的流程图。
图2是本申请实施例中一种切片级宫颈癌筛查与分类的方法的另一流程图。
图3是本申请实施例中一种切片级宫颈癌筛查与分类的装置的示意框图。
图4是本申请实施例中提取切片图像特征过程的示意图。
具体实施方式
以下是本申请的具体实施例并结合附图,对本申请的技术方案作进一步的描述,但本申请并不限于这些实施例。在下面的描述中,提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本申请的实施例。因此,本领域技术人员应该清楚,可以对这里描述的实施例进行各种改变和修改而不脱离本申请的范围和精神。另外,为了清楚和简洁,省略了对已知功能和构造的描述。
需要说明的是,在不冲突的情况下,本申请中的实施方式及实施方式中的特征可以相互组合。
参考图1,本申请实施例提出了一种切片级宫颈癌筛查与分类的方法,包括步骤S101至步骤S104,用于对宫颈细胞切片的切片图像进行筛查与分类。下面对该方案进行具体说明。
步骤S101,获取宫颈细胞切片的切片图像,并将所述切片图像划分成若干预设大小的图像块。
具体地,一张完整宫颈细胞切片的切片图像包含几十亿像素,现有的计算资源无法实现直接处理一张完整切片并对其提取特征。此处,将每张切片图像划分为若干预设大小的图像块,例如,每个图像块的大小可以设定为4096×2816。然后,对每个图像块提取特征,再对一张切片所有图像块提取完成后将其整合为关于一张完整切片图像的深层特征。
步骤S102,对于每个图像块,利用含有FPN的一阶段目标检测网络FCOS提取图像块的特征;其中,FCOS为使用带有细胞级别标注的宫颈细胞数据集训练获得。
具体地,特征图金字塔网络FPN(Feature Pyramid Networks)是2017年提出的一种网络,FPN主要解决的是物体检测中的多尺度问题,通过简单的网络连接改变,在基本不增加原有模型计算量的情况下,大幅度提升了小物体检测的性能。一阶段目标检测网络FCOS是一种基于像素级预测、类似于语义分割、解决目标检测问题的网络。FCOS的特点是不依赖预先定义的锚框或者提议区域,避免了关于锚框的复杂运算,例如训练过程中计算重叠度,而且节省了训练过程中的内存占用。FCOS避免了和锚框有关且对最终检测结果非常敏感的所有超参数。本申请实施例中,FCOS为使用带有细胞级别标注的宫颈细胞数据集训练获得。此步骤中,关于特征图金字塔网络FPN和一阶段目标检测网络FCOS不作过多说明,可参见现有技术。此步骤用于对于一张切片图像的每个图像块进行深层特征提取。
步骤S103,根据各个图像块的特征确定整张切片图像的特征。
步骤S102用于对于一张切片图像的每个图像块进行深层特征提取,步骤S103用于对一张切片所有图像块提取完成后将其整合为关于一张完整切片图像的深层特征。
步骤S104,将所述切片图像的特征输入预设的分类网络,以获得所述切片图像的分类结果。
此处,分类网络用于根据步骤S103中获得的切片图像的特征对切片图像进行分类筛查。在一些实施方式中,所述分类网络包括ResNet-34、线性分类层。
在本申请实施例中,需要说明的是,对于切片特征提取网络FCOS和后续的切片分类网络(ResNet34、线性分类层),都可以使用其他通用的目标检测网络以及分类网络分别进行替换。
参考图2,本实施例提出了一种切片级宫颈癌筛查与分类的方法,包括步骤S201至步骤S205,用于对宫颈细胞切片的切片图像进行筛查与分类。下面对该方案进行具体说明。
步骤S201,获取宫颈细胞切片的切片图像,并将所述切片图像划分成若干预设大小的图像块。
步骤S202,选择FCOS分类分支输出的特征图作为每个图像块的特征。
步骤S203,通过将FPN输出的不同尺度的特征图在上采样至同一尺度后做pixel-wise的求和以获得多尺度信息,使特征对于不同细胞尺度都能提供充足的语义信息。
步骤S204,通过计算其每个图像块的特征图对应位置像素值的均值,以获得最终关于整张切片图像的特征。
参考图4,步骤S202中,选择FCOS分类分支输出的特征图作为每个图像块的特征。步骤S203中,通过将FPN输出的不同尺度的特征图在上采样至同一尺度后做pixel-wise的求和以获得多尺度信息,使特征对于不同细胞尺度都能提供充足的语义信息。其中FCOS为使用带有细胞级别标注的宫颈细胞数据集训练获得。需要说明的是,一张图片是由一个个像素组成的,像素是图像的基本单位,pixel-wise为像素级别;image-wise为图像级别;patch-wise介于像素级别和图像级别的区域,也就是块,每个patch都是由多个pixel组成的。
步骤S204中用于将一张切片所有图像块提取完特征后将其整合为关于一张完整切片图像的深层特征。通过计算其每个图像块的特征图对应位置像素值的均值,以获得最终关于整张切片图像的特征。
步骤S205,将所述切片图像的特征输入预设的分类网络,以获得所述切片图像的分类结果。
需要说明的是,本实施例提出了一种全新的结构通过提取深层特征用于实现切片分类任务。
本申请利用深度学习模型实现切片特征的提取及判断工作,首先对每个图像块提取特征,然后再对一张切片所有图像块提取完成后将其整合为关于一张完整切片的深层特征。本申请的技术效果包括:第一、筛查过程完全由神经网络完成,输入切片后即可直接得到最终的分类结果,这不仅可以辅助医生诊断,且对于宫颈癌切片的初筛工作完全可以胜任。第二、相比于先前的细胞学专家判断一张切片需要10-15分钟,本申请的方法可以将时间压缩至2-3分钟(这其中包括对图像块的特征提取、融合以及后续的分类)。第三、本申请的方法的在敏感性、特异性、准确率等评价指标上均优于现有的基于规则的方法。
参考图3,本申请实施例还提出了一种切片级宫颈癌筛查与分类的装置,包括:获取模块301、提取模块302、特征确定模块303、分类模块304。下面结合附图对这些模块进行具体说明。
获取模块301,用于获取宫颈细胞切片的切片图像,并将所述切片图像划分成若干预设大小的图像块;
提取模块302,用于对于每个图像块,利用含有FPN的一阶段目标检测网络FCOS提取图像块的特征;其中,FCOS为使用带有细胞级别标注的宫颈细胞数据集训练获得;
特征确定模块303,用于根据各个图像块的特征确定整张切片图像的特征;
分类模块304,用于将所述切片图像的特征输入预设的分类网络,以获得所述切片图像的分类结果。
在一些实施方式中,所述提取模块302包括:
选择子模块302a,用于选择FCOS分类分支输出的特征图作为每个图像块的特征;
求和子模块302b,用于通过将FPN输出的不同尺度的特征图在上采样至同一尺度后做pixel-wise的求和以获得多尺度信息,使特征对于不同细胞尺度都能提供充足的语义信息。
在一些实施方式中,所述特征确定模块303具体为:通过计算其每个图像块的特征图对应位置像素值的均值,以获得最终关于整张切片图像的特征。
在一些实施方式中,所述分类网络包括ResNet-34、线性分类层。
本申请利用深度学习模型实现切片特征的提取及判断工作,首先对每个图像块提取特征,然后再对一张切片所有图像块提取完成后将其整合为关于一张完整切片的深层特征。本申请的技术效果包括:第一、筛查过程完全由神经网络完成,输入切片后即可直接得到最终的分类结果,这不仅可以辅助医生诊断,且对于宫颈癌切片的初筛工作完全可以胜任。第二、相比于先前的细胞学专家判断一张切片需要10-15分钟,本申请的方法可以将时间压缩至2-3分钟(这其中包括对图像块的特征提取、融合以及后续的分类)。第三、本申请的方法的在敏感性、特异性、准确率等评价指标上均优于现有的基于规则的方法。
需要说明的是,本实施例所提出的切片级宫颈癌筛查与分类的装置与前一部分所提出的切片级宫颈癌筛查与分类的方法对应,相关的内容可参见前一部分的说明,这里不再赘述。
本申请实施例还提供了一种电子设备,包括:处理器、用于存储处理器的可执行指令的存储器;其中,所述处理器被配置为执行上述部分所提出的切片级宫颈癌筛查与分类的方法。
本申请实施例还提供了一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时,实现上述部分所提出的的切片级宫颈癌筛查与分类的方法。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、工作、器件、组件和/或它们的组合。
本文中所描述的具体实施例仅仅是对本申请精神作举例说明。本申请所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本申请的精神或者超越所附权利要求书所定义的范围。
Claims (6)
1.一种切片级宫颈癌筛查与分类的方法,其特征在于,包括:
获取宫颈细胞切片的切片图像,并将所述切片图像划分成若干预设大小的图像块;
对于每个图像块,利用含有FPN的一阶段目标检测网络FCOS提取图像块的特征;其中,FCOS为使用带有细胞级别标注的宫颈细胞数据集训练获得;
根据各个图像块的特征确定整张切片图像的特征;
将所述切片图像的特征输入预设的分类网络,以获得所述切片图像的分类结果;
所述对于每个图像块,利用含有FPN的一阶段目标检测网络FCOS提取图像块的特征,包括:
选择FCOS分类分支输出的特征图作为每个图像块的特征;
通过将FPN输出的不同尺度的特征图在上采样至同一尺度后做pixel-wise的求和以获得多尺度信息,使特征对于不同细胞尺度都能提供充足的语义信息;
所述根据各个图像块的特征确定整张切片图像的特征,包括:
通过计算其每个图像块的特征图对应位置像素值的均值,以获得最终关于整张切片图像的特征。
2.根据权利要求1所述的切片级宫颈癌筛查与分类的方法,其特征在于,所述分类网络包括ResNet-34、线性分类层。
3.一种切片级宫颈癌筛查与分类的装置,其特征在于,包括:
获取模块,用于获取宫颈细胞切片的切片图像,并将所述切片图像划分成若干预设大小的图像块;
提取模块,用于对于每个图像块,利用含有FPN的一阶段目标检测网络FCOS提取图像块的特征;其中,FCOS为使用带有细胞级别标注的宫颈细胞数据集训练获得;
特征确定模块,用于根据各个图像块的特征确定整张切片图像的特征;
分类模块,用于将所述切片图像的特征输入预设的分类网络,以获得所述切片图像的分类结果;
所述提取模块包括:
选择子模块,用于选择FCOS分类分支输出的特征图作为每个图像块的特征;
求和子模块,用于通过将FPN输出的不同尺度的特征图在上采样至同一尺度后做pixel-wise的求和以获得多尺度信息,使特征对于不同细胞尺度都能提供充足的语义信息;
所述特征确定模块具体为:通过计算其每个图像块的特征图对应位置像素值的均值,以获得最终关于整张切片图像的特征。
4.根据权利要求3所述的切片级宫颈癌筛查与分类的装置,其特征在于,所述分类网络包括ResNet-34、线性分类层。
5.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器的可执行指令的存储器;
其中,所述处理器被配置为执行如权利要求1至2任一项所述的切片级宫颈癌筛查与分类的方法。
6.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时,实现如权利要求1至2任一项所述的切片级宫颈癌筛查与分类的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210018907.5A CN114037702B (zh) | 2022-01-10 | 2022-01-10 | 一种切片级宫颈癌筛查与分类的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210018907.5A CN114037702B (zh) | 2022-01-10 | 2022-01-10 | 一种切片级宫颈癌筛查与分类的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114037702A CN114037702A (zh) | 2022-02-11 |
CN114037702B true CN114037702B (zh) | 2022-05-17 |
Family
ID=80141428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210018907.5A Active CN114037702B (zh) | 2022-01-10 | 2022-01-10 | 一种切片级宫颈癌筛查与分类的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114037702B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110310253A (zh) * | 2019-05-09 | 2019-10-08 | 杭州迪英加科技有限公司 | 数字切片分类方法和装置 |
CN112560774A (zh) * | 2020-12-25 | 2021-03-26 | 广州文远知行科技有限公司 | 一种障碍物位置检测方法、装置、设备和存储介质 |
CN113053497A (zh) * | 2021-03-08 | 2021-06-29 | 北京邮电大学 | 一种优化组织学病理图像智能分析性能的后处理方法 |
CN113378796A (zh) * | 2021-07-14 | 2021-09-10 | 合肥工业大学 | 一种基于上下文建模的宫颈细胞全切片分类方法 |
CN113516113A (zh) * | 2020-12-28 | 2021-10-19 | 腾讯科技(深圳)有限公司 | 一种图像内容识别方法、装置、设备及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020076644A2 (en) * | 2018-10-04 | 2020-04-16 | Duke University | Methods for automated detection of cervical pre-cancers with a low-cost, point-of-care, pocket colposcope |
CN111881920B (zh) * | 2020-07-16 | 2024-04-09 | 深圳力维智联技术有限公司 | 一种大分辨率图像的网络适配方法及神经网络训练装置 |
CN112215128B (zh) * | 2020-10-09 | 2024-04-05 | 武汉理工大学 | 融合fcos的r-cnn城市道路环境识别方法及装置 |
CN112581430A (zh) * | 2020-12-03 | 2021-03-30 | 厦门大学 | 一种基于深度学习的航空发动机无损检测方法、装置、设备及存储介质 |
-
2022
- 2022-01-10 CN CN202210018907.5A patent/CN114037702B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110310253A (zh) * | 2019-05-09 | 2019-10-08 | 杭州迪英加科技有限公司 | 数字切片分类方法和装置 |
CN112560774A (zh) * | 2020-12-25 | 2021-03-26 | 广州文远知行科技有限公司 | 一种障碍物位置检测方法、装置、设备和存储介质 |
CN113516113A (zh) * | 2020-12-28 | 2021-10-19 | 腾讯科技(深圳)有限公司 | 一种图像内容识别方法、装置、设备及存储介质 |
CN113053497A (zh) * | 2021-03-08 | 2021-06-29 | 北京邮电大学 | 一种优化组织学病理图像智能分析性能的后处理方法 |
CN113378796A (zh) * | 2021-07-14 | 2021-09-10 | 合肥工业大学 | 一种基于上下文建模的宫颈细胞全切片分类方法 |
Non-Patent Citations (2)
Title |
---|
深度学习在组织病理学中的应用综述;金旭等;《中国图象图形学报》;20201031;第25卷(第10期);第1982-1993页 * |
金旭等.深度学习在组织病理学中的应用综述.《中国图象图形学报》.2020,第25卷(第10期), * |
Also Published As
Publication number | Publication date |
---|---|
CN114037702A (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
William et al. | A review of image analysis and machine learning techniques for automated cervical cancer screening from pap-smear images | |
CN112163634B (zh) | 实例分割模型样本筛选方法、装置、计算机设备及介质 | |
Wan et al. | Automated grading of breast cancer histopathology using cascaded ensemble with combination of multi-level image features | |
CN110399929B (zh) | 眼底图像分类方法、装置以及计算机可读存储介质 | |
CN110033456B (zh) | 一种医疗影像的处理方法、装置、设备和系统 | |
Oskal et al. | A U-net based approach to epidermal tissue segmentation in whole slide histopathological images | |
CN109241967B (zh) | 基于深度神经网络的甲状腺超声图像自动识别系统、计算机设备、存储介质 | |
Liu et al. | A framework of wound segmentation based on deep convolutional networks | |
CN110211087B (zh) | 可分享的半自动糖尿病眼底病变标注方法 | |
CN110009600A (zh) | 一种医学图像区域过滤方法、装置及存储介质 | |
CN109389129A (zh) | 一种图像处理方法、电子设备及存储介质 | |
US11967181B2 (en) | Method and device for retinal image recognition, electronic equipment, and storage medium | |
CN111291825A (zh) | 病灶分类模型训练方法、装置、计算机设备和存储介质 | |
CN110705403A (zh) | 细胞分类方法、装置、介质及电子设备 | |
CN109146891B (zh) | 一种应用于mri的海马体分割方法、装置及电子设备 | |
CN111325266B (zh) | 乳腺钼靶图像中微钙化簇的检测方法、装置和电子设备 | |
CN112132166A (zh) | 一种数字细胞病理图像智能分析方法、系统及装置 | |
Jia et al. | Detection of cervical cancer cells in complex situation based on improved YOLOv3 network | |
CN112132827A (zh) | 病理图像的处理方法、装置、电子设备及可读存储介质 | |
CN112233061A (zh) | 一种基于深度学习的皮肤基底细胞癌和鲍温病识别方法 | |
CN115953393B (zh) | 基于多任务学习的颅内动脉瘤检测系统、设备及存储介质 | |
CN113643269A (zh) | 基于无监督学习的乳腺癌分子分型方法、装置及系统 | |
CN110827291A (zh) | 一种用于自动化脑mri定量分析的方法和装置 | |
CN114037702B (zh) | 一种切片级宫颈癌筛查与分类的方法及装置 | |
CN111862034A (zh) | 图像检测方法、装置、电子设备及介质 |
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 |