CN114565761A - 一种基于深度学习的肾透明细胞癌病理图像肿瘤区域的分割方法 - Google Patents
一种基于深度学习的肾透明细胞癌病理图像肿瘤区域的分割方法 Download PDFInfo
- Publication number
- CN114565761A CN114565761A CN202210181330.XA CN202210181330A CN114565761A CN 114565761 A CN114565761 A CN 114565761A CN 202210181330 A CN202210181330 A CN 202210181330A CN 114565761 A CN114565761 A CN 114565761A
- Authority
- CN
- China
- Prior art keywords
- image
- cell carcinoma
- tumor region
- tumor
- clear cell
- 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
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/10024—Color 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
-
- 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
- G06T2207/30084—Kidney; Renal
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种基于深度学习的肾透明细胞癌病理图像肿瘤区域的分割方法,它包括数据的获取和预处理、分类网络SENet的搭建和训练与肿瘤区域的预测。本发明基于病理图像研究肾透明细胞癌,相较与CT、MRI图像的判断具有较高的可信度。本发明解决了之前对于肾透明细胞癌的研究仅仅局限于判断是否存在的弊端,能够直观的给出肿瘤区域的位置与大小,方便医疗人员更好的研究神透明细胞癌的发病原理与治疗动向。本发明从病理图像的整体出发,对整张病理图像的肿瘤区域进行自动分割,突破了之前对病理图像块的研究,能够给出相对完整且智能的诊断结果。
Description
技术领域
本发明涉及一种医学诊断辅助方法,具体地说是一种基于深度学习的肾透明细胞癌病理图像肿瘤区域的分割方法。
背景技术
肾脏是人体泌尿系统的重要组成器官,能够生成尿液,完成对营养物质的重吸收,维持机体内环境的相对稳定。肾癌在泌尿系统肿瘤中占第二位,约占成人肿瘤的2%~3%,其逐年增加的发病率和死亡率对人类的身体健康造成严重威胁。肾透明细胞癌是肾癌中最常见的一种肿瘤,约占肾肿瘤的60%~70%,病理图像作为检测肿瘤的金标准,为进一步研究和治疗肾透明细胞癌提供了有效的途径。
近些年来,关于肾癌的研究大部分集中在利用人工智能的方法对肾癌的影像组学进行研究。Lee H等人通过结合手工特征与机器学习的方法识别透明细胞癌与血管平滑肌脂肪瘤。同样的,Feng等人通过采用支持向量机的方法实现对上述两种类型的分类,其分类精度有了进一步的提高。此外,Erdim等人通过随机森林的方法实现对肾癌的良恶性分类。在病理图像上,关于肾癌的研究,早在2014年,Kruk M等人就通过支持向量机的方法实现对透明细胞癌的Fuhrman分级。2017年,鲁达浩等人通过深度学习的方法实现对病理图像中的细胞核的自动分割。2020年,程君等人通过四种机器学习的方法实现透明细胞癌与TFE3肾细胞癌的分类,取得了较好的结果。
虽然上述研究表明人工智能技术在肾癌中已经有了初步的研究和应用,但依旧存在以下几点不足:1、影像组学可以作为检查肾透明细胞癌的早期手段,其识别的准确性仍需要病理图像的进一步确认。2、目前的透明细胞癌的病理图像中的研究主要集中在对透明细胞癌的分级或者良恶性分类的研究,无法给出具体的肿瘤区域。3、由于病理图像尺寸大的特点,之前的研究基本上是基于大病理切片中的小块图像进行分级或者细胞核分割,无法实现对整张病理图像的自动肿瘤区域的识别。
发明内容
本发明的目的是克服现有技术中存在的不足,提供一种基于深度学习的肾透明细胞癌病理图像肿瘤区域的分割方法,该方法能对HE染色的病理图像中的透明细胞癌肿瘤区域进行自动分割,能够辅助医疗人员更直观,更精确地确定肿瘤的位置和大小信息,从而更好的帮助患者确定合适的治疗方案,减轻医疗人员的负担。
按照本发明提供的技术方案,所述基于深度学习的肾透明细胞癌病理图像肿瘤区域的分割方法,该方法包括以下步骤:
a、数据的获取和预处理;
b、分类网络SENet的搭建和训练;
c、肿瘤区域的预测。
作为优选,所述数据的获取和预处理步骤具体包括:
a1、肾癌患者原始扫描的HE切片图像由kfb格式转成tiff格式;
a2、将得到的tiff格式的HE切片图像通过ASAP软件在图像上标注肿瘤区域与非肿瘤区域,然后在肿瘤区域与非肿瘤区域内随机生成采样点,并以这些采样点为中心生成512×512大小的图像块;
a3、将HE切片图像块按病人划分为训练集、验证集和测试集;
a4、将所有图像块采用随机左右翻转以及随机旋转的方式来进行图像增强,并对所有的图像块进行归一化的处理,记图像块I在x位置处的像素值为I(x),归一化后x位置的输出为I’(x),归一化的计算公式如公式1所示:
I'(x)=(I(x)-128)/128公式(1)。
作为优选,所述分类网络SENet的搭建和训练步骤具体包括:
b1、首先将经过归一化处理的512×512图像块送入卷积核大小为7×7的卷积中提取初级特征;
b2、接着通过4个级联的融入SE模块的残差块来学习图像块中的高级特征;
b3、最后把得到的含有丰富语义信息的特征经过全局平均池化拉伸为一维的特征向量,通过全连接层及Sigmoid函数最终得到模型的预测值输出,其中预测值0表示该图像是非肿瘤图像,预测值1表示该图像是肿瘤图像。
作为优选,所述肿瘤区域的预测步骤具体包括:
c1、首先,通过openslide库里面的get_thumbnail函数得到指定大小的缩略图;
c2、接着,通过最大类间方差法得到病理图像缩略图中有组织的前景图像,记为mask1;
c3、然后,使用大小为3×3的结构元素对mask1进行膨胀操作,填充阈值分割遗留的一些小的孔洞,获得只有组织前景的二值图像mask,遍历mask图像中每个前景像素的坐标Pmask,乘上之前原始图像到缩放图像的缩放倍数形成原始图像中对应的点的坐标Pwsi;以Pwsi坐标为中心取原图512×512的图像块,送入之前训练好的SENet中预测得到ypred,以ypred作为mask中Pmask处的像素值,遍历完所有的像素形成初步的肿瘤区域结果;
c4、最后,通过约束连通域面积的方法滤除初步分割结果中出现的假阳性区域,从而得到最终的肿瘤区域的分割结果。
进一步优选,所述SE模块,先将提取到的特征通过全局平均池化得到在通道方向上的特征,接着将得到的特征通过全连接层进行压缩和激励,恢复到与输入特征通道数一致的一维向量,这个一维向量会随着神经网络的不断优化迭代更新出不同的数值,其中每个值代表了这个通道对应的原始特征图对于神经网络预测正确的重要性权重,将通道注意力得到的权重与输入特征相乘,即能得到在通道方向上增强的特征,从而更好地促进分类网络的学习与收敛。
进一步优选,训练过程中对SENet采用学习率为10-4的Adam优化器对模型参数进行优化;损失函数是用来表现预测结果与实际标签的距离的函数,通过优化器和梯度下降的方法不断降低预测结果与实际标签之间的差距,从而使预测结果与标签越来越接近。本发明中需要对输入图像进行二分类(即判断输入的图像是不是肿瘤),因此采用二进制交叉熵来约束整个模型。记原始的标签为ylabel,模型预测的结果为ypred,则损失函数loss的计算公式为:
loss=-(ylabellogypred+(1-ylabel)log(1-ypred)) 公式(2)。
本发明相比现有技术,存在以下优点:
(1)本发明基于病理图像研究肾透明细胞癌,相较与CT、MRI图像的判断具有较高的可信度。
(2)本发明解决了之前对于肾透明细胞癌的研究仅仅局限于判断是否存在的弊端,能够直观的给出肿瘤区域的位置与大小,方便医疗人员更好的研究神透明细胞癌的发病原理与治疗动向。
(3)本发明从病理图像的整体出发,对整张病理图像的肿瘤区域进行自动分割,突破了之前对病理图像块的研究,能够给出相对完整且智能的诊断结果。
附图说明
图1是本发明中的SENet网络的结构图。
图2是本发明中融入SE模块的残差块的结构图。
图3是本发明中HE图像透明细胞癌癌肿瘤区域预测步骤图。
图4是ResNet18受试者工作特征曲线。
图5是本发明中SENet受试者工作特征曲线。
具体实施方式
下面对本发明的具体实施方式作详细的描述:
本发明的方法主要包括3个步骤:数据的获取和预处理、分类网络的搭建和训练以及肿瘤区域的预测。
数据的获取和预处理
本发明采用无锡第二人民医院2020年5月至2021年5月的69例病人的230张HE数字切片作为整个研究对象。其中每个病人有1至10张HE切片,每张HE切片中不一定包含肿瘤区域。本发明以人为单位,将整个数据集划分为训练集,验证集和测试集。由于原始扫描的数字切片是kfb格式的,计算机无法处理,因此,本发明采用江丰自带的转换软件将kfb格式的图像转为tiff格式。此外,在专业医生的指导下通过ASAP软件在每张HE切片标注肿瘤与非肿瘤区域,随后在各自的区域中随机截取大小为512×512的图像块,方便后续在分类网络中的训练,具体的图片数量如表1所示:
表1数据集图片数量分布
训练前对原始图像采用随机左右翻转,以及随机旋转(0°,90°,180°,270°)的方式来进行图像增强,避免出现过拟合的情况。并对所有的图像进行归一化的处理,加快网络的收敛。记图像I在x位置处的像素值为I(x),归一化后x位置的输出为I’(x),归一化的计算公式如公式1所示:
I'(x)=(I(x)-128)/128 公式(1)
分类网络的搭建和训练
将前面得到的数据集送入SENet网络中训练,具体的训练和实验参数如下面的步骤所示:
a.具体的SENet的网络结构如图1所示,首先将原始的512×512的图像送入卷积核大小为7×7的卷积层[Conv(7,7)]和池化层[Maxpool(2,2)]中提取初级特征,接着通过4个级联的融入SE模块的残差块(SE-Residual Block)来学习图像中的高级特征,最后把得到的含有丰富语义信息的特征经过全局平均池化(Global Average Pooling,GAP)拉伸为一维的特征向量,通过全连接层(Full Connected)及Sigmoid函数最终得到模型的预测输出,其中预测值0表示该图像是非肿瘤图像,预测值1表示该图像是肿瘤图像。
b.融入SE模块的残差块,是在原始的残差块中融入SE模块(如图2所示)。大量实验表明核为3×3的卷积[Conv(3,3)]、批量标准化层(BatchNormalization,BN)和ReLU函数的结合使用能够加快网络的训练速度,增加网络参数的非线性,防止过拟合。但是仅仅使用上述结构提取特征时,随着网络层数的增加以及池化层的不断去除冗余特征,能够传递到网络深层的梯度信息较少,可能会导致分类的效果差。残差块为了避免网络训练过程中出现的梯度消失的问题,将原始的特征x与卷积提取后的特征f(x)进行相加,这样既保留了原始特征中的信息,也增加了有利于图像分类的新特征。本发明将SE模块加在残差块中间,让网络提取的特征的语义信息更加丰富。SE模块(SE-Block)的具体结构如图2上方的虚线框中所示,先将提取到的特征通过全局平均池化(Global Average Pooling,GAP)得到在通道方向上的特征,接着将得到的特征通过全连接层(Full-Connected,FC)进行压缩和激励,恢复到与输入特征通道数一致的一维向量,这个一维向量会随着神经网络的不断优化迭代更新出不同的数值,其中每个值代表了这个通道对应的原始特征图对于神经网络预测正确的重要性权重,将通道注意力得到的权重与输入特征相乘,即能得到在通道方向上增强的特征,从而更好地促进分类网络的学习与收敛。
c.网络模型的优化。训练过程中对SENet采用学习率为10-4的Adam优化器对模型参数进行优化。损失函数是用来表现预测结果与实际标签的距离的函数,通过优化器和梯度下降的方法不断降低预测结果与实际标签之间的差距,从而使预测结果与标签越来越接近。本发明中需要对输入图像进行二分类(即判断输入的图像是不是肿瘤),因此采用二进制交叉熵来约束整个模型。记原始的标签为ylabel,模型预测的结果为ypred,则损失函数loss的计算公式为:
loss=-(ylabellogypred+(1-ylabel)log(1-ypred)) 公式(2)
肿瘤区域的预测
训练完成肿瘤分类网络之后,本发明按照如下步骤完成对肿瘤区域的预测。具体的预测流程图如图3所示,
首先,通过openslide库里面的get_thumbnail函数得到指定大小的缩略图(此处指定最大边长512),接着通过阈值分割得到病理图像缩略图中有组织的前景图像,记为mask1。这里之所以在缩略图像上做分割,原始的病理图像尺寸较大,大约10万×10万的图像,对原图预测既耗费大量的计算机资源也比较耗费时间,因此对原始病理图像的缩略图像逐像素进行预测。
然后,mask1通过形态学处理(具体指使用核大小为3×3的结构元素进行膨胀)填充阈值分割中的孔洞,得到只有组织前景的二值图像的标签mask。之后对mask图像中前景部分的像素进行坐标变换,即mask图像中每个前景像素的坐标Pmask,乘上之前原始图像到缩放图像的缩放倍数回的原始图像中对应的点的坐标Pwsi。以Pwsi坐标为中心取原图512×512的图像块,送入第二步中训练好的SENet中进行模型预测,并且以预测结果作为mask中Pmask处的像素值,遍历完所有的像素形成初步的肿瘤区域结果。
最后,通过连通域面积滤除的方法滤除肿瘤区域初步分割结果中面积小于200像素的假阳性区域,得到最终的肿瘤分割结果。
实验结果对比
本发明对比了采用基础的ResNet18分类网络与SENet对透明细胞癌与非透明细胞癌图片的识别情况,这两个网络都是在同样的训练参数和电脑硬件配置下训练的。测试时通过敏感性(Sensitivity,Sen)、特异性(Speciticity,Spe)、准确率(Accuracy,Acc)和受试者工作特征曲线(Receiver Operating Characteristic curve,ROC)下面积(AreaUnder Curve,AUC)等指标来衡量网络分类性能的好坏,敏感性Sen是衡量当前算法对肿瘤的识别情况,特异度Spe是用来表征算法对非肿瘤图像的识别情况,准确度Acc则是算法对测试集中所有图像的识别准确率。记TN表示原来是肿瘤的图片被正确预测为肿瘤的图片数量,FN表示原来是肿瘤的图片被错误预测为非肿瘤图像的数量,TN表示原来是非肿瘤的图像预测正确的图片数量,FP表示将非肿瘤预测成肿瘤的数量。则Sen、Spe、Acc的计算方法如下:
Sen=TP/(TP+FN) 公式(3)
Spe=TN/(TN+FP) 公式(4)
Acc=(TP+TN)/(TN+FN+TP+FP) 公式(5)
ROC是感受性曲线,以分类器的真阳性率为纵坐标,假阳性率为横坐标形成的曲线。该曲线越靠近左上角,表明模型的准确性越高,ResNet18的ROC曲线如图4所示,SENet的ROC曲线如图5所示。由此也延伸出ROC曲线下面积AUC来衡量二分类模型的优劣。上述分类指标的具体数值如表2所示,不难看出,SENet在给模型引入了通道方向上的注意力后确实取得了更佳的分类性能。
表2 ResNet18与SeNet模型分类结果
Sen | Spe | AUC | Acc | |
ResNet18 | 0.8873 | 0.9937 | 0.94 | 0.9402 |
SeNet | 0.9429 | 0.9906 | 0.97 | 0.9666 |
。
Claims (6)
1.一种基于深度学习的肾透明细胞癌病理图像肿瘤区域的分割方法,其特征是该方法包括以下步骤:
a、数据的获取和预处理;
b、分类网络SENet的搭建和训练;
c、肿瘤区域的预测。
2.如权利要求1所述的基于深度学习的肾透明细胞癌病理图像肿瘤区域的分割方法,其特征是:所述数据的获取和预处理步骤具体包括:
a1、肾癌患者原始扫描的HE切片图像由kfb格式转成tiff格式;
a2、将得到的tiff格式的HE切片图像通过ASAP软件在图像上标注肿瘤区域与非肿瘤区域,然后在肿瘤区域与非肿瘤区域内随机生成采样点,并以这些采样点为中心生成512×512大小的图像块;
a3、将HE切片图像块按病人划分为训练集、验证集和测试集;
a4、将所有图像块采用随机左右翻转以及随机旋转的方式来进行图像增强,并对所有的图像块进行归一化的处理,记图像块I在x位置处的像素值为I(x),归一化后x位置的输出为I’(x),归一化的计算公式如公式1所示:
I'(x)=(I(x)-128)/128 公式(1)。
3.如权利要求1所述的基于深度学习的肾透明细胞癌病理图像肿瘤区域的分割方法,其特征是:所述分类网络SENet的搭建和训练步骤具体包括:
b1、首先将经过归一化处理的512×512图像块送入卷积核大小为7×7的卷积中提取初级特征;
b2、接着通过4个级联的融入SE模块的残差块来学习图像块中的高级特征;
b3、最后把得到的含有丰富语义信息的特征经过全局平均池化拉伸为一维的特征向量,通过全连接层及Sigmoid函数最终得到模型的预测值输出,其中预测值0表示该图像是非肿瘤图像,预测值1表示该图像是肿瘤图像。
4.如权利要求1所述的基于深度学习的肾透明细胞癌病理图像肿瘤区域的分割方法,其特征是:所述肿瘤区域的预测步骤具体包括:
c1、首先,通过openslide库里面的get_thumbnail函数得到指定大小的缩略图;
c2、接着,通过最大类间方差法得到病理图像缩略图中有组织的前景图像,记为mask1;
c3、然后,使用大小为3×3的结构元素对mask1进行膨胀操作,填充阈值分割遗留的一些小的孔洞,获得只有组织前景的二值图像mask,遍历mask图像中每个前景像素的坐标Pmask,乘上之前原始图像到缩放图像的缩放倍数形成原始图像中对应的点的坐标Pwsi;以Pwsi坐标为中心取原图512×512的图像块,送入之前训练好的SENet中预测得到ypred,以ypred作为mask中Pmask处的像素值,遍历完所有的像素形成初步的肿瘤区域结果;
c4、最后,通过约束连通域面积的方法滤除初步分割结果中出现的假阳性区域,从而得到最终的肿瘤区域的分割结果。
5.如权利要求3所述的基于深度学习的肾透明细胞癌病理图像肿瘤区域的分割方法,其特征是:所述SE模块,先将提取到的特征通过全局平均池化得到在通道方向上的特征,接着将得到的特征通过全连接层进行压缩和激励,恢复到与输入特征通道数一致的一维向量,这个一维向量会随着神经网络的不断优化迭代更新出不同的数值,其中每个值代表了这个通道对应的原始特征图对于神经网络预测正确的重要性权重,将通道注意力得到的权重与输入特征相乘,即能得到在通道方向上增强的特征,从而更好地促进分类网络的学习与收敛。
6.如权利要求3所述的基于深度学习的肾透明细胞癌病理图像肿瘤区域的分割方法,其特征是:训练过程中对SENet采用学习率为10-4的Adam优化器对模型参数进行优化;损失函数是用来表现预测结果与实际标签的距离的函数,通过优化器和梯度下降的方法不断降低预测结果与实际标签之间的差距,从而使预测结果与标签越来越接近;需要对输入图像进行二分类(即判断输入的图像是不是肿瘤),因此采用二进制交叉熵来约束整个模型;记原始的标签为ylabel,模型预测的结果为ypred,则损失函数loss的计算公式为:
loss=-(ylabellogypred+(1-ylabel)log(1-ypred)) 公式(2)。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210181330.XA CN114565761B (zh) | 2022-02-25 | 2022-02-25 | 一种基于深度学习的肾透明细胞癌病理图像肿瘤区域的分割方法 |
US18/113,069 US11704808B1 (en) | 2022-02-25 | 2023-02-23 | Segmentation method for tumor regions in pathological images of clear cell renal cell carcinoma based on deep learning |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210181330.XA CN114565761B (zh) | 2022-02-25 | 2022-02-25 | 一种基于深度学习的肾透明细胞癌病理图像肿瘤区域的分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114565761A true CN114565761A (zh) | 2022-05-31 |
CN114565761B CN114565761B (zh) | 2023-01-17 |
Family
ID=81716444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210181330.XA Active CN114565761B (zh) | 2022-02-25 | 2022-02-25 | 一种基于深度学习的肾透明细胞癌病理图像肿瘤区域的分割方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11704808B1 (zh) |
CN (1) | CN114565761B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116453114A (zh) * | 2022-12-14 | 2023-07-18 | 西南医科大学附属口腔医院 | 一种基于深度学习的病理图像分析方法、设备及系统 |
CN116823833A (zh) * | 2023-08-30 | 2023-09-29 | 山东科技大学 | 全方位mip图像颅内动脉瘤检测方法、系统及设备 |
CN117274184A (zh) * | 2023-09-19 | 2023-12-22 | 河北大学 | 一种针对肾癌PET-CT图像的预测ki-67表达方法 |
CN117690128A (zh) * | 2024-02-04 | 2024-03-12 | 武汉互创联合科技有限公司 | 胚胎细胞多核目标检测系统、方法和计算机可读存储介质 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117351489B (zh) * | 2023-12-06 | 2024-03-08 | 四川省肿瘤医院 | 面向全身pet/ct扫描的头颈肿瘤靶区的勾画系统 |
CN117576127B (zh) * | 2024-01-17 | 2024-04-19 | 神州医疗科技股份有限公司 | 一种基于病理图像的肝癌区域自动勾画方法 |
CN117876401B (zh) * | 2024-03-12 | 2024-05-03 | 江西医至初医学病理诊断管理有限公司 | 基于sam分割模型的宫颈液基薄层细胞图像分割方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110310281A (zh) * | 2019-07-10 | 2019-10-08 | 重庆邮电大学 | 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 |
CN110689525A (zh) * | 2019-09-09 | 2020-01-14 | 上海中医药大学附属龙华医院 | 基于神经网络识别淋巴结的方法及装置 |
CN110738637A (zh) * | 2019-09-19 | 2020-01-31 | 华中科技大学 | 一种乳腺癌病理切片的自动分类方法及系统 |
CN111445478A (zh) * | 2020-03-18 | 2020-07-24 | 吉林大学 | 一种用于cta图像的颅内动脉瘤区域自动检测系统和检测方法 |
CN111488912A (zh) * | 2020-03-16 | 2020-08-04 | 哈尔滨工业大学 | 一种基于深度学习神经网络的喉部疾病诊断系统 |
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 |
CN112330616A (zh) * | 2020-10-28 | 2021-02-05 | 上海交通大学 | 一种脑脊液细胞图像自动化识别和计数的方法 |
CN113362295A (zh) * | 2021-05-28 | 2021-09-07 | 西安医学院第二附属医院 | 基于自监督密集卷积神经网络的肝脏肿瘤识别方法 |
CN113538435A (zh) * | 2021-09-17 | 2021-10-22 | 北京航空航天大学 | 一种基于深度学习的胰腺癌病理图像分类方法及系统 |
CN113674288A (zh) * | 2021-07-05 | 2021-11-19 | 华南理工大学 | 一种非小细胞肺癌数字病理图像组织自动分割方法 |
CN113706542A (zh) * | 2021-07-14 | 2021-11-26 | 温州医科大学附属眼视光医院 | 基于卷积神经网络及混合损失函数的眼球分割方法及装置 |
CN113793357A (zh) * | 2021-07-07 | 2021-12-14 | 点内(上海)生物科技有限公司 | 一种基于深度学习的支气管肺段图像分割方法及系统 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150218643A1 (en) * | 2014-02-06 | 2015-08-06 | Brittany N. Lasseigne | Differential methylation level of cpg loci that are determinative of kidney cancer |
US10712349B2 (en) * | 2014-04-15 | 2020-07-14 | The Brigham And Women's Hospital, Inc. | Circulating KIM-1 levels for detection of pathologies associated with injury to, or cancer of, the kidney |
WO2016187392A2 (en) * | 2015-05-19 | 2016-11-24 | Trustees Of Boston University | Methods and compositions relating to anti-tmigd1/igpr-2 |
DK3616720T3 (da) * | 2017-03-29 | 2021-03-29 | Shionogi & Co | Farmaceutisk sammensætning til cancerbehandling |
US10832406B2 (en) * | 2017-11-15 | 2020-11-10 | President And Fellows Of Harvard College | Quantitative pathology analysis and diagnosis using neural networks |
US20220047634A1 (en) * | 2018-11-30 | 2022-02-17 | Dana-Farber Cancer Institute, Inc. | Chimeric antigen receptor factories and methods of use thereof |
EP3798632A1 (en) * | 2019-09-24 | 2021-03-31 | Universite De Geneve | Methods of identification of synergistic anti-cancer multidrug combinations and uses thereof |
US20220367053A1 (en) * | 2019-09-27 | 2022-11-17 | The Brigham And Women's Hospital, Inc. | Multimodal fusion for diagnosis, prognosis, and therapeutic response prediction |
WO2021088653A1 (zh) * | 2019-11-08 | 2021-05-14 | 中国科学院北京基因组研究所(国家生物信息中心) | 一种尿沉渣基因组dna的分类方法、装置和用途 |
JP2023507109A (ja) * | 2019-12-20 | 2023-02-21 | ジェネンテック, インコーポレイテッド | 医用画像による自動化された腫瘍識別およびセグメンテーション |
CN111370127B (zh) * | 2020-01-14 | 2022-06-10 | 之江实验室 | 一种基于知识图谱的跨科室慢性肾病早期诊断决策支持系统 |
WO2021183859A1 (en) * | 2020-03-13 | 2021-09-16 | Venn Biosciences Corporation | Biomarkers for clear cell renal cell carcinoma |
US20220136059A1 (en) * | 2020-11-05 | 2022-05-05 | University Of Cincinnati | Diagnostic Tools and Treatments for Clear Cell Renal Cell Carcinoma |
EP4305211A1 (en) * | 2021-03-09 | 2024-01-17 | BostonGene Corporation | Predicting response to treatments in patients with clear cell renal cell carcinoma |
US20220372573A1 (en) * | 2021-05-19 | 2022-11-24 | Impetus Bioscientific Inc. | Methods and systems for detection of kidney disease or disorder by gene expression analysis |
-
2022
- 2022-02-25 CN CN202210181330.XA patent/CN114565761B/zh active Active
-
2023
- 2023-02-23 US US18/113,069 patent/US11704808B1/en active Active
Patent Citations (12)
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 |
CN110310281A (zh) * | 2019-07-10 | 2019-10-08 | 重庆邮电大学 | 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 |
CN110689525A (zh) * | 2019-09-09 | 2020-01-14 | 上海中医药大学附属龙华医院 | 基于神经网络识别淋巴结的方法及装置 |
CN110738637A (zh) * | 2019-09-19 | 2020-01-31 | 华中科技大学 | 一种乳腺癌病理切片的自动分类方法及系统 |
CN111488912A (zh) * | 2020-03-16 | 2020-08-04 | 哈尔滨工业大学 | 一种基于深度学习神经网络的喉部疾病诊断系统 |
CN111445478A (zh) * | 2020-03-18 | 2020-07-24 | 吉林大学 | 一种用于cta图像的颅内动脉瘤区域自动检测系统和检测方法 |
CN112330616A (zh) * | 2020-10-28 | 2021-02-05 | 上海交通大学 | 一种脑脊液细胞图像自动化识别和计数的方法 |
CN113362295A (zh) * | 2021-05-28 | 2021-09-07 | 西安医学院第二附属医院 | 基于自监督密集卷积神经网络的肝脏肿瘤识别方法 |
CN113674288A (zh) * | 2021-07-05 | 2021-11-19 | 华南理工大学 | 一种非小细胞肺癌数字病理图像组织自动分割方法 |
CN113793357A (zh) * | 2021-07-07 | 2021-12-14 | 点内(上海)生物科技有限公司 | 一种基于深度学习的支气管肺段图像分割方法及系统 |
CN113706542A (zh) * | 2021-07-14 | 2021-11-26 | 温州医科大学附属眼视光医院 | 基于卷积神经网络及混合损失函数的眼球分割方法及装置 |
CN113538435A (zh) * | 2021-09-17 | 2021-10-22 | 北京航空航天大学 | 一种基于深度学习的胰腺癌病理图像分类方法及系统 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116453114A (zh) * | 2022-12-14 | 2023-07-18 | 西南医科大学附属口腔医院 | 一种基于深度学习的病理图像分析方法、设备及系统 |
CN116453114B (zh) * | 2022-12-14 | 2024-03-05 | 西南医科大学附属口腔医院 | 一种基于深度学习的病理图像分析方法、设备及系统 |
CN116823833A (zh) * | 2023-08-30 | 2023-09-29 | 山东科技大学 | 全方位mip图像颅内动脉瘤检测方法、系统及设备 |
CN116823833B (zh) * | 2023-08-30 | 2023-11-10 | 山东科技大学 | 全方位mip图像颅内动脉瘤检测方法、系统及设备 |
CN117274184A (zh) * | 2023-09-19 | 2023-12-22 | 河北大学 | 一种针对肾癌PET-CT图像的预测ki-67表达方法 |
CN117274184B (zh) * | 2023-09-19 | 2024-05-28 | 河北大学 | 一种针对肾癌PET-CT图像的预测ki-67表达方法 |
CN117690128A (zh) * | 2024-02-04 | 2024-03-12 | 武汉互创联合科技有限公司 | 胚胎细胞多核目标检测系统、方法和计算机可读存储介质 |
CN117690128B (zh) * | 2024-02-04 | 2024-05-03 | 武汉互创联合科技有限公司 | 胚胎细胞多核目标检测系统、方法和计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US11704808B1 (en) | 2023-07-18 |
CN114565761B (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114565761B (zh) | 一种基于深度学习的肾透明细胞癌病理图像肿瘤区域的分割方法 | |
CN107886514B (zh) | 基于深度残差网络的乳腺钼靶图像肿块语义分割方法 | |
CN108446730B (zh) | 一种基于深度学习的ct肺结节检测装置 | |
CN111640120B (zh) | 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法 | |
CN111028206A (zh) | 一种基于深度学习前列腺癌自动检测和分类系统 | |
CN111553892B (zh) | 基于深度学习的肺结节分割计算方法、装置及系统 | |
CN112184657A (zh) | 一种肺结节自动检测方法、装置及计算机系统 | |
Zhang et al. | DDTNet: A dense dual-task network for tumor-infiltrating lymphocyte detection and segmentation in histopathological images of breast cancer | |
Yuan et al. | Prostate segmentation with encoder-decoder densely connected convolutional network (Ed-Densenet) | |
CN112101451A (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 | |
Maicas et al. | Pre and post-hoc diagnosis and interpretation of malignancy from breast DCE-MRI | |
CN111798424B (zh) | 一种基于医学图像的结节检测方法、装置及电子设备 | |
Xu et al. | Using transfer learning on whole slide images to predict tumor mutational burden in bladder cancer patients | |
CN113223005B (zh) | 一种甲状腺结节自动分割及分级的智能系统 | |
NL2029876B1 (en) | Deep residual network-based classification system for thyroid cancer computed tomography (ct) images | |
CN112990214A (zh) | 一种医学图像特征识别预测模型 | |
CN112614093A (zh) | 基于多尺度空间注意力网络的乳腺病理图像分类方法 | |
Wen et al. | Pulmonary nodule detection based on convolutional block attention module | |
CN112085742B (zh) | 一种基于上下文注意力的nafld超声视频诊断方法 | |
Hu et al. | Automatic detection of melanins and sebums from skin images using a generative adversarial network | |
Zhang et al. | Mammographic mass detection by bilateral analysis based on convolution neural network | |
CN116309333A (zh) | 一种基于深度学习的wsi图像弱监督病理分析方法及装置 | |
Liu et al. | TrEnD: A transformer‐based encoder‐decoder model with adaptive patch embedding for mass segmentation in mammograms | |
CN112766332A (zh) | 医学影像检测模型训练方法、医学影像检测方法及装置 | |
Adarsh et al. | Inception block based residual auto encoder for lung segmentation |
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 |