CN114387264B - 一种he染色病理图像数据扩充与增强的方法 - Google Patents
一种he染色病理图像数据扩充与增强的方法 Download PDFInfo
- Publication number
- CN114387264B CN114387264B CN202210054661.7A CN202210054661A CN114387264B CN 114387264 B CN114387264 B CN 114387264B CN 202210054661 A CN202210054661 A CN 202210054661A CN 114387264 B CN114387264 B CN 114387264B
- Authority
- CN
- China
- Prior art keywords
- image
- segmentation mask
- cell segmentation
- pathological
- network
- 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
- 230000001575 pathological effect Effects 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000007490 hematoxylin and eosin (H&E) staining Methods 0.000 title claims description 7
- 230000011218 segmentation Effects 0.000 claims abstract description 79
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000012795 verification Methods 0.000 claims abstract description 17
- 238000013136 deep learning model Methods 0.000 claims abstract description 9
- 230000002708 enhancing effect Effects 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 230000015572 biosynthetic process Effects 0.000 claims description 23
- 238000003786 synthesis reaction Methods 0.000 claims description 23
- 230000002194 synthesizing effect Effects 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 13
- 230000007170 pathology Effects 0.000 claims description 12
- 238000013135 deep learning Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000000873 masking effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000013434 data augmentation Methods 0.000 claims description 2
- 230000003190 augmentative effect Effects 0.000 claims 4
- 238000003709 image segmentation Methods 0.000 abstract description 8
- 238000004043 dyeing Methods 0.000 abstract description 3
- 238000010827 pathological analysis Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research 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
- G06F18/21—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/30—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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明属于医学图像技术领域，具体涉及一种HE染色病理图像数据扩充与增强的方法；所述方法包括模型训练和模型推理两个阶段：在模型训练阶段，对病理图像数据集进行划分，得到训练集、验证集及测试集；构建基于生成对抗网络的深度学习模型；将上述训练集和验证集送入网络模型进行训练，获得网络模型参数；网络模型训练完成后，对源病理图像数据集以外的随机生成图像进行推理，获得合成的病理图像分割掩码和病理图像。本方法通过构建用于病理图像数据扩充的模型，合成更多符合该数据特征分布的病理图像及其对应的分割掩码，从而扩充原本有限数量的病理图像数据集，可有效帮助现有病理图像分割方法提升分割性能。
Description
技术领域
本发明属于图像处理技术领域，具体涉及一种HE染色病理图像数据扩充与增强的方法。
背景技术
病理诊断一直是癌症最终诊断的“金标准”，准确的病理图像分类和分级是医生做出最 终诊断的重要依据。传统病理诊断需要病理医生使用显微镜观察病理切片来完成。首先，病 理医生通过观察找到病理切片中的感兴趣区域(Region of interest,ROI)，然后根据自身经验 对癌症癌患者的病理组织切片做出病理诊断。这是一个十分枯燥且非常耗时的工作，更值得 注意的是，病理图像和显微图像具有复杂的自然属性，这对于病理医生人工分析任务是极大 地挑战，不同病理医生之间的评估诊断结果往往存在很大差异。此外，人工病理诊断结果可 再现性差、不可复制。因此，迫切需要能够自动实现病理图像分割与识别的方法。然而目前 病理图像数据集十分匮乏，现有的病理图像自动分割与识别算法在分割性能上仍有进一步提 升的空间。因此，对现有病理图像数据集进行数据扩充和数据增强，可以帮助提升现有病理 图像的自动识别与分割性能。此技术对于人工智能在医学上的研究具有十分重要的意义。
发明内容
本发明针对现有含标注病理图像分割数据集匮乏、数据量少的问题，提出一种HE染色病 理图像数据扩充与增强的方法。
本发明采取的技术方案为：
一种HE染色病理图像数据扩充与增强的方法，包括以下步骤：
S1：对HE染色组织学病理图像数据集进行数据预处理，分别获得对应和匹配的病理图像、 细胞分割掩码和细胞分割掩码几何中心图；将病理图像数据集划分为训练集、验证集与测试 集；
S2：构建基于生成对抗网络的深度学习模型，以实现对病理图像进行合成；
S3：将步骤S1中的训练集和验证集输入步骤S2中的深度学习模型中，分别训练并获得 关于细胞分割掩码几何中心图合成细胞分割掩码的网络模型A和关于细胞分割掩码合成病理 图像的的网络模型B；
S4：使用步骤S1中的测试集，输入步骤S3的网络模型中，进行图像合成效果比较，选 取图像合成效果最佳的网络模型；
S5：对源病理图像数据集进行图像变换操作，获得随机生成的细胞分割掩码几何中心图；
S6：通过在步骤S4中获得的网络模型，对步骤S5中随机生成的细胞分割掩码几何中心 图进行推理，依次得到合成的细胞分割掩码和合成的病理图像；
S7：将S6中获得的合成的细胞分割掩码和合成的病理图像进行整理，获得匹配的细胞分 割掩码和病理图像，以扩充源病理图像数据集以外的图像数据，实现数据增强。
进一步地，所述步骤S2包括：
S21：设计用于由输入图像合成目标图像的图像生成器G和鉴别图像是真实图像还是合成 图像的判别器D；其优化目标表示为：
其中LGAN(G,D)表示为:
S22：使用基于cGANs图像到图像转换的方法，构建使用图像标签生成具有高分辨率和具 有图像真实感的图像翻译模型框架。
优选地，所述步骤S22包括：
S221：利用两个子网络共同完成图像合成任务，两个子网络分别为全局生成器网络和局 部生成器网络；其中，全局生成网络以输入图像的原始分辨率作为初始图像进行学习；局部 生成器网络以输入图像4倍大小尺寸作为初始图像进行学习。
S222：将局部生成器下采样结构的结果与全局生成器完整网络的结果进行相加操作，并 将此结果作为局部生成器上采样网络的输入，进行剩余网络的学习；通过这种方式，可以为 本地生成器整合全局信息。
进一步地，所述步骤S3包括：
S31：将步骤S1中的训练集和验证集，作为S2中构建的基于生成对抗网络的深度学习 网络模型的训练和验证数据；
S32：将细胞分割掩码几何中心图和细胞分割掩码分别作为网络模型的输入图像和目标 输出图像，送入构建好的深度学习网络模型中，训练并获得关于细胞分割掩码几何中心图合 成细胞分割掩码的模型；
S33：将细胞分割掩码和病理图像分别作为网络模型的输入图像和目标输出图像，送入构 建好的深度学习网络模型中，训练并获得关于细胞分割掩码合成病理图像的模型；
S34：对上述S32、S33步骤中同一训练集和验证集，设置不同的训练超参数，训练多个 网络模型，并保存训练得到的网络模型参数。
进一步地，所述步骤S5包括：
S51：通过随机区域遮掩、随机翻转，随机角度旋转、随机仿射变换、随机合并图像处理 操作，获得源数据集以外的随机生成的细胞分割掩码几何中心图。
进一步地，所述步骤S6包括：
S61：选取步骤S5中随机生成的细胞分割掩码几何中心图，作为图像合成的输入图像；
S62：调用步骤S4中选取的合成图像效果最佳的网络模型，将细胞分割掩码几何中心图 输入由细胞分割掩码几何中心图合成细胞分割掩码的网络模型，得到合成的细胞分割掩码图；
S63：调用步骤S4中选取的合成图像效果最佳的网络模型，将合成的细胞分割掩码图输 入由细胞分割掩码合成病理图像的模型，得到合成的病理图像。
本发明具有如下有益效果：
(1)本发明提出了一种新的数据扩充与数据增强工作流程，即首先由源数据集获得病理 图像对应的病理图像分割掩码及其细胞几何中心点图；再依次利用细胞几何中心点图合成病 理图像分割掩码图，由病理图像分割掩码图合成病理图像。
(2)本发明提出一种基于深度注意力特征融合的生成对抗网络的深度学习模型，该模型 通过在生成器中加入注意力机制模块，可以更好地学习数据特征，有利于合成质量更高、效 果更好的高分辨率病理图像细胞分割掩码和病理图像。
(3)本方法可以实现仅利用源数据集，通过所提出的图像变换和深度学习模型预测推理， 获得源数据集以外的符合该数据集特征分布的更多病理图像及其分割掩码，可以有利于帮助 现有病理图像分割和识别方法进一步提升分割性能，获得更好的病理图像分割结果。
附图说明
图1为本发明的流程图；
图2为本发明的设计图。
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。
实施例1：
如图1和图2所示的一种HE染色病理图像数据扩充与增强的方法，包括以下步骤：
S1：对HE染色组织学病理图像数据集进行数据预处理，分别获得对应和匹配的病理图像、 细胞分割掩码和细胞分割掩码几何中心图；将病理图像数据集随机划分60％为训练集、20％ 为验证集、20％为测试集；
S2：构建基于生成对抗网络的深度学习模型，以实现对病理图像进行合成；
S3：将步骤S1中的训练集和验证集输入步骤S2中的深度学习模型中，分别训练并获 得关于细胞分割掩码几何中心图合成细胞分割掩码的网络模型A和关于细胞分割掩码合成病 理图像的的网络模型B；
S4：使用步骤S1中的测试集，输入步骤S3的网络模型中，进行图像合成效果比较，选 取图像合成效果最佳的网络模型；
S5：对源病理图像数据集进行图像变换操作，获得随机生成的细胞分割掩码几何中心图；
S6：通过在步骤S4中获得的网络模型，对步骤S5中随机生成的细胞分割掩码几何中心 图进行推理，依次得到合成的细胞分割掩码和合成的病理图像；
S7：将S6中获得的合成的细胞分割掩码和合成的病理图像进行整理，获得匹配的细胞分 割掩码和病理图像，以扩充源病理图像数据集以外的图像数据，实现数据增强。
其中，所述步骤S2包括：
S21：设计用于由输入图像合成目标图像的图像生成器G和鉴别图像是真实图像还是合成 图像的判别器D；其优化目标表示为：
其中LGAN(G,D)表示为:
S22：使用基于cGANs图像到图像转换的方法，构建使用图像标签生成具有高分辨率和具 有图像真实感的图像翻译模型框架。
其中，所述步骤S22包括：
S221：利用两个子网络共同完成图像合成任务，两个子网络分别为全局生成器网络和局 部生成器网络；其中，全局生成网络以输入图像的原始分辨率作为初始图像进行学习；局部 生成器网络以输入图像4倍大小尺寸(沿图像高度、宽度分别扩展2倍)作为初始图像进行学 习。
S222：将局部生成器下采样结构的结果与全局生成器完整网络的结果进行相加操作，并 将此结果作为局部生成器的上采样网络的输入，进行剩余网络的学习；通过这种方式，可以 为本地生成器整合全局信息。
其中，所述步骤S3包括：
S31：将步骤S1中的训练集和验证集，作为S2中构建的基于生成对抗网络的深度学习 网络模型的训练和验证数据；
S32：将细胞分割掩码几何中心图和细胞分割掩码分别作为网络模型的输入图像和目标 输出图像，送入构建好的深度学习网络模型中，训练并获得关于细胞分割掩码几何中心图合 成细胞分割掩码的模型；
S33：将细胞分割掩码和病理图像分别作为网络模型的输入图像和目标输出图像，送入构 建好的深度学习网络模型中，训练并获得关于细胞分割掩码合成病理图像的模型；
S34：对上述S32、S33步骤中同一训练集和验证集，设置不同的训练超参数，训练多个 网络模型，并保存训练得到的网络模型参数。
其中，所述步骤S5包括：
S51：通过随机区域遮掩、随机翻转，随机角度旋转、随机仿射变换、随机合并图像处理 操作，获得源数据集以外的随机生成的细胞分割掩码几何中心图。
其中，所述步骤S6包括：
S61：选取步骤S5中随机生成的细胞分割掩码几何中心图，作为图像合成的输入图像；
S62：调用步骤S4中选取的合成图像效果最佳的网络模型，将细胞分割掩码几何中心图 输入由细胞分割掩码几何中心图合成细胞分割掩码的网络模型，得到合成的细胞分割掩码图；
S63：调用步骤S4中选取的合成图像效果最佳的网络模型，将合成的细胞分割掩码图输 入由细胞分割掩码合成病理图像的模型，得到合成的病理图像。
虽然本发明已以较佳的实施例公开如上，但其并非用以限定本发明，任何熟悉此技术的 人，在不脱离本发明的精神和范围内，都可以做各种改动和修饰，因此本发明的保护范围应 该以权利要求书所界定的为准。
Claims (6)
1.一种HE染色病理图像数据扩充与增强的方法，其特征在于，包括以下步骤：
S1：对HE染色组织学病理图像数据集进行数据预处理，分别获得对应和匹配的病理图像、细胞分割掩码和细胞分割掩码几何中心图；将病理图像数据集划分为训练集、验证集与测试集；
S2：构建基于生成对抗网络的深度学习模型，以实现对病理图像进行合成；
S3：将步骤S1中的训练集和验证集输入步骤S2中的深度学习模型中，分别训练并获得关于细胞分割掩码几何中心图合成细胞分割掩码的网络模型A和关于细胞分割掩码合成病理图像的网络模型B；
S4：使用步骤S1中的测试集，输入步骤S3的网络模型中，进行图像合成效果比较，选取图像合成效果最佳的网络模型；
S5：对源病理图像数据集进行图像变换操作，获得随机生成的细胞分割掩码几何中心图；
S6：通过在步骤S4中获得的网络模型，对步骤S5中随机生成的细胞分割掩码几何中心图进行推理，依次得到合成的细胞分割掩码和合成的病理图像；
S7：将S6中获得的合成的细胞分割掩码和合成的病理图像进行整理，获得匹配的细胞分割掩码和病理图像，以扩充源病理图像数据集以外的图像数据，实现数据增强。
2.如权利要求1所述的一种HE染色病理图像数据扩充与增强的方法，其特征在于，所述步骤S2包括：
S21：设计用于由输入图像合成目标图像的图像生成器G和鉴别图像是真实图像还是合成图像的判别器D；其优化目标表示为：
其中LGAN(G,D)表示为:
S22：使用基于cGANs图像到图像转换的方法，构建使用图像标签生成具有高分辨率和具有图像真实感的图像翻译模型框架。
3.如权利要求2所述的一种HE染色病理图像数据扩充与增强的方法，其特征在于，所述步骤S22包括：
S221：利用两个子网络共同完成图像合成任务，两个子网络分别为全局生成器网络和局部生成器网络；其中，全局生成网络以输入图像的原始分辨率作为初始图像进行学习；局部生成器网络以输入图像4倍大小尺寸作为初始图像进行学习；
S222：将局部生成器下采样结构的结果与全局生成器完整网络的结果进行相加操作，并将此结果作为局部生成器上采样网络的输入，进行剩余网络的学习；通过这种方式，可以为本地生成器整合全局信息。
4.如权利要求1所述的一种HE染色病理图像数据扩充与增强的方法，其特征在于，所述步骤S3包括：
S31：将步骤S1中的训练集和验证集，作为S2中构建的基于生成对抗网络的深度学习网络模型的训练和验证数据；
S32：将细胞分割掩码几何中心图和细胞分割掩码分别作为网络模型的输入图像和目标输出图像，送入构建好的深度学习网络模型中，训练并获得关于细胞分割掩码几何中心图合成细胞分割掩码的模型；
S33：将细胞分割掩码和病理图像分别作为网络模型的输入图像和目标输出图像，送入构建好的深度学习网络模型中，训练并获得关于细胞分割掩码合成病理图像的模型；
S34：对上述S32、S33步骤中同一训练集和验证集，设置不同的训练超参数，训练多个网络模型，并保存训练得到的网络模型参数。
5.如权利要求1所述的一种HE染色病理图像数据扩充与增强的方法，其特征在于，所述步骤S5包括：
S51：通过随机区域遮掩、随机翻转，随机角度旋转、随机仿射变换、随机合并图像处理操作，获得源数据集以外的随机生成的细胞分割掩码几何中心图。
6.如权利要求1所述的一种HE染色病理图像数据扩充与增强的方法，其特征在于，所述步骤S6包括：
S61：选取步骤S5中随机生成的细胞分割掩码几何中心图，作为图像合成的输入图像；
S62：调用步骤S4中选取的合成图像效果最佳的网络模型，将细胞分割掩码几何中心图输入由细胞分割掩码几何中心图合成细胞分割掩码的网络模型，得到合成的细胞分割掩码图；
S63：调用步骤S4中选取的合成图像效果最佳的网络模型，将合成的细胞分割掩码图输入由细胞分割掩码合成病理图像的模型，得到合成的病理图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210054661.7A CN114387264B (zh) | 2022-01-18 | 2022-01-18 | 一种he染色病理图像数据扩充与增强的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210054661.7A CN114387264B (zh) | 2022-01-18 | 2022-01-18 | 一种he染色病理图像数据扩充与增强的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114387264A CN114387264A (zh) | 2022-04-22 |
| CN114387264B true CN114387264B (zh) | 2023-04-18 |
Family
ID=81203995
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210054661.7A Active CN114387264B (zh) | 2022-01-18 | 2022-01-18 | 一种he染色病理图像数据扩充与增强的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114387264B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114973244B (zh) * | 2022-06-12 | 2023-04-11 | 桂林电子科技大学 | 一种乳腺癌h&e染色病理图像有丝分裂自动识别系统和方法 |
| CN117095395B (zh) * | 2023-10-19 | 2024-02-09 | 北京智源人工智能研究院 | 用于心脏超声图像分割的模型训练方法、装置和分割方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10592779B2 (en) * | 2017-12-21 | 2020-03-17 | International Business Machines Corporation | Generative adversarial network medical image generation for training of a classifier |
| CN109544529A (zh) * | 2018-11-19 | 2019-03-29 | 南京信息工程大学 | 面向深度学习模型训练和学习的病理图像数据增强方法 |
| CN110659692B (zh) * | 2019-09-26 | 2023-04-18 | 重庆大学 | 基于强化学习和深度神经网络的病理图像自动标注方法 |
| US11308613B2 (en) * | 2020-06-09 | 2022-04-19 | Siemens Healthcare Gmbh | Synthesis of contrast enhanced medical images |
| CN112396621B (zh) * | 2020-11-19 | 2022-08-30 | 之江实验室 | 基于深度学习的高分辨率显微内窥镜图像细胞核分割方法 |
| CN112750106B (zh) * | 2020-12-31 | 2022-11-04 | 山东大学 | 一种基于非完备标记的深度学习的核染色细胞计数方法、计算机设备、存储介质 |
-
2022
- 2022-01-18 CN CN202210054661.7A patent/CN114387264B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN114387264A (zh) | 2022-04-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11836895B2 (en) | Deep-learning based structure reconstruction method and apparatus | |
| CN114387264B (zh) | 一种he染色病理图像数据扩充与增强的方法 | |
| CN112101451B (zh) | 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法 | |
| CN109493308A (zh) | 基于条件多判别生成对抗网络的医疗图像合成与分类方法 | |
| CN109637634B (zh) | 一种基于生成对抗网络的医学图像合成方法 | |
| Pan et al. | Mitosis detection techniques in H&E stained breast cancer pathological images: A comprehensive review | |
| Alom et al. | MitosisNet: end-to-end mitotic cell detection by multi-task learning | |
| CN111583210B (zh) | 基于卷积神经网络模型集成的乳腺癌图像自动识别方法 | |
| CN111161272B (zh) | 一种基于生成对抗网络的胚胎组织分割方法 | |
| CN111028923B (zh) | 数字病理图像染色归一化方法、电子装置及存储介质 | |
| Wang et al. | A generalizable and robust deep learning algorithm for mitosis detection in multicenter breast histopathological images | |
| CN112215807A (zh) | 基于深度学习的细胞图像自动分类方法及系统 | |
| CN111899259A (zh) | 一种基于卷积神经网络的前列腺癌组织微阵列分级方法 | |
| Kromp et al. | Deep Learning architectures for generalized immunofluorescence based nuclear image segmentation | |
| CN114445356A (zh) | 基于多分辨率的全视野病理切片图像肿瘤快速定位方法 | |
| CN113837179B (zh) | 一种处理图像的多判别gan网络构建方法、装置、系统和存储介质 | |
| Kitrungrotsakul et al. | Interactive deep refinement network for medical image segmentation | |
| CN117151162A (zh) | 基于自监督与专家门控的跨解剖区域器官增量分割方法 | |
| Samudrala et al. | Semantic Segmentation in Medical Image Based on Hybrid Dlinknet and Unet | |
| CN114298979A (zh) | 一种局灶性病变征象描述指导的肝核磁影像序列生成方法 | |
| CN113222887A (zh) | 基于深度学习的纳米铁标记神经干细胞示踪的方法 | |
| Awan et al. | Analysis of underfitting and overfitting in u-net semantic segmentation for lung nodule identification from x-ray radiographs | |
| Singh et al. | A Shallow Convolution Neural Network for Predicting Lung Cancer Through Analysis of Histopathological Tissue Images | |
| Kao et al. | A novel deep learning architecture for testis histology image classification | |
| Allender et al. | Conditional image synthesis for improved segmentation of glomeruli in renal histopathological images |
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 |