CN114638292A - 一种基于多尺度分析的人工智能病理辅助诊断系统 - Google Patents
一种基于多尺度分析的人工智能病理辅助诊断系统 Download PDFInfo
- Publication number
- CN114638292A CN114638292A CN202210228315.6A CN202210228315A CN114638292A CN 114638292 A CN114638292 A CN 114638292A CN 202210228315 A CN202210228315 A CN 202210228315A CN 114638292 A CN114638292 A CN 114638292A
- Authority
- CN
- China
- Prior art keywords
- image
- unit
- data
- target
- determining
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 72
- 238000004458 analytical method Methods 0.000 title claims abstract description 42
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 25
- 230000007170 pathology Effects 0.000 title claims abstract description 23
- 230000003902 lesion Effects 0.000 claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 50
- 238000004088 simulation Methods 0.000 claims abstract description 49
- 238000010586 diagram Methods 0.000 claims abstract description 33
- 230000004927 fusion Effects 0.000 claims abstract description 27
- 238000002546 full scan Methods 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000003709 image segmentation Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 37
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000007246 mechanism Effects 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000000547 structure data Methods 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 230000008520 organization Effects 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 230000001575 pathological effect Effects 0.000 description 4
- 230000003321 amplification Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 238000003199 nucleic acid amplification method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 208000000044 Amnesia Diseases 0.000 description 1
- 208000026139 Memory disease Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000006984 memory degeneration Effects 0.000 description 1
- 208000023060 memory loss Diseases 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Probability & Statistics with Applications (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于多尺度分析的人工智能病理辅助诊断系统，包括：预前处理模块：用于获取全扫描图像，根据所述全扫描图，确定图像切片，提取所述图像切片的组织掩模，计算所述组织掩模的覆盖比率，并确定预选图像切块；多放大倍率图像块提取模块：用于划分全扫描图像的区域位置，确定训练区域和预测区域，提取所述训练区域的训练数据，通过所述训练数据训练所述预测区域，提取目标图像切块；多放大倍率特征融合模块：用于提取所述目标图像切块的特征值，融合所述目标图像切块，确定特征图；仿真诊断模型模块：用于当融合完所有目标图像切块，根据所述特征图，确定病变区域轮廓，生成仿真诊断模型。
Description
技术领域
本发明涉及分布式预测、多尺度整合和人工智能病理辅助诊断技术领域，特别涉及一种基于多尺度分析的人工智能病理辅助诊断系统。
背景技术
目前，随着计算机技术的发展，基于统计机器学习与深度学习的人工智能方法开始与医疗领域建立更广泛与深度的结合。人工智能在医疗领域的应用主要有以下四个方向：第一，基于医疗图像的识别与诊断，包括X光、CT、MRI，眼底、病理等等；第二，基于患者病例等医疗大数据进行发病预测；第三，用最优化法方法的手术机器人最优手术方案推荐及放疗方案设计；第四，基于图神经网络的新药研发；由于直观易见以及数据数字化等方面的优势，人工智能技术在基于医疗图像的识别与诊断的应用上取得了较快的发展并引起了学界和产业界的广泛关注，但远未实现成熟的应用，相比于X光、CT等医疗影像，病理图像的人工智能辅助诊断面临着更大的挑战。
发明内容
本发明提供一种基于多尺度分析的人工智能病理辅助诊断系统，以解决上述技术背景出现的问题。
本发明提供一种基于多尺度分析的人工智能病理辅助诊断系统，包括：
预前处理模块：用于获取全扫描图像，根据所述全扫描图，确定图像切片，提取所述图像切片的组织掩模，计算所述组织掩模的覆盖比率，并确定预选图像切块；
多放大倍率图像块提取模块：用于划分全扫描图像的区域位置，确定训练区域和预测区域，提取所述训练区域的训练数据，通过所述训练数据训练所述预测区域，提取目标图像切块；
多放大倍率特征融合模块：用于提取所述目标图像切块的特征值，融合所述目标图像切块，确定特征图；
仿真诊断模型模块：用于当融合完所有目标图像切块，根据所述特征图，提取病变区域轮廓，统计病变位置的区域概率，生成仿真诊断模型。
优选的，所述预前处理模块包括：
图像切片单元：用于获取全扫描图像，对所述全扫描图进行数字切片，确定图像切片；
图像缩略图单元：用于基于所述图像切片，生成图像缩略图；
目标图像切片单元：用于获取目标图像切片，根据所述目标图像切片，确定目标图像切片的切片位置；其中，
所述目标图像切片是通过预设的算法得到将要提取的图像切片；
覆盖比率单元：用于提取图像缩略图的组织掩模，并基于放大倍率和切片位置，将所述目标图像切片映射到所述图像缩略图的组织掩模上，并所述组织掩模的覆盖比率；
预选图像切块单元：用于根据所述覆盖比率，确定预选图像切块。
优选的，所述覆盖比率单元用于提取图像缩略图的组织掩模，包括以下步骤：
步骤1：划分所述图像缩略图，生成感兴趣区域和待处理图像；
步骤2：根据所述感兴趣区域，确定感兴趣掩模；
步骤3：根据所述待处理图像和感兴趣掩模，确定感兴趣图像；
步骤4：获取N维矩阵，对所述感兴趣图像进行像素过滤，并提取掩模特征结构数据；
步骤5：根据所述掩模特征结构数据，生成图像缩略图的组织掩模。
优选的，所述预选图像切块单元用于根据所述覆盖比率，确定预选图像切块包括以下步骤：
步骤1：获取图像缩略图面积S0，采集组织掩模的覆盖面积，确定覆盖比率；
其中，ρ代表覆盖比率，x代表组织掩模所在区域位置的横坐标，xi代表采集到的组织掩模所在区域位置的第i个横坐标，i代表采集到的数据序值，m代表一共采集到的区域位置的横坐标数据个数，i∈(1，m)，y代表组织掩模所在区域位置的横坐标，yj代表采集到的组织掩模所在区域位置的第j个纵坐标，n代表一共采集到的区域位置的纵坐标数据个数，j∈(1，n)，S0代表图像缩略图面积；
步骤2：对所述覆盖比率进行评估计算：
其中，所述H代表覆盖比率的评估计算规则，ρt代表理想覆盖比率；
步骤3：当所述覆盖比率的评估计算>1，代表计算的区域可以成为预选区域；
步骤4：当所述覆盖比率的评估计算<1，代表计算的区域无需进行训练，并继续计算下一块组织掩模的覆盖比率。
优选的，所述多放大倍率图像块提取模块包括：
划分单元：用于划分全扫描图像的区域位置，生成预测区域和训练区域；
存储单元：用于在所述训练区域进行特征值训练，获取训练数据；
预测演绎机制单元：用于根据所述训练数据，对所述预测区域进行预演训练，生成预测演绎机制；
目标图像切块单元：用于基于所述预测演绎机制，进行全扫描图像进行预测演绎，并确定目标图像切块。
优选的，所述多放大倍率特征融合模块包括：
特征图单元：用于提取所述目标图像切块的特征值，根据所述特征值，确定特征图；
图像缩略图单元：用于根据所述特征图，获取所述特征图的放大倍率；
放大数据单元：用于对所述放大倍率进行排序，确定最大放大倍率特征图和调用特征图，并基于最大放大倍率特征图的最大感受野，确定调整数据；
目标图像缩略图单元：用于根据所述调整数据，对所述调用特征图的感受野进行倍率增大至最大感受野，并确定目标调用特征图；
融合特征图单元：用于将所述目标调用特征图被沿着特征维度堆叠，生成融合特征图。
优选的，其特征在于，所述融合特征图单元，包括：
目标调用特征数据子单元：用于获取目标调用特征图，提取所述目标调用特征图的目标调用特征数据；
特征矩阵子单元：用于根据所述目标调用特征数据，生成特征矩阵；
特征维度子单元：用于获取所述特征矩阵，确定目标调用特征向量，并根据所述目标调用特征向量，生成特征维度；
融合特征图子单元：用于沿着所述特征维度，通过目标调用特征矩阵过滤目标调用特征图，并融合目标调用特征图的边缘，生成融合特征图。
优选的，其特征在于，所述仿真诊断模型模块，包括：
子任务单元：用于获取分块图像，并根据所述分块图像，获取子任务；
结果图单元：用于根据所述子任务，确定任务分析结果，将所述任务分析结果放入预设的区域位置，并确定结果图；
概率图单元：用于根据所述结果图，生成概率图；
处理概率图单元：用于对所述概率图进行二值化和去除孤立噪点，确定处理概率图；
概率病变预测图单元：用于根据所述处理概率图，生成概率病变预测图；
仿真诊断模型单元：用于根据所述概率病变预测图，提取病变区域轮廓，生成仿真诊断模型。
优选的，其特征在于，所述仿真诊断模型单元包括：
概率分布数据子单元：用于获取所述概率病变预测图的概率分布数据；
轮廓概率点子单元：用于通过所述概率分布数据，计算病变面积，并根据所述病变面积，利用微积分推导病变区域的轮廓概率点；
病变区域轮廓子单元：用于定时提取所述轮廓概率点，并根据所述轮廓概率点，生成病变区域轮廓；
仿真诊断模型子单元：用于根据所述病变区域轮廓，生成概率轮廓数据，并将所述概率轮廓数据传输至预设的仿真诊断设备中，生成仿真诊断模型。
优选的，所述仿真诊断模型子单元生成仿真诊断模型包括以下步骤：
步骤100：传输所述概率轮廓数据至仿真诊断设备的卷积神经网络，获取概率轮廓数据的网状拓扑结构；
步骤101：根据所述网状拓扑结构，确定融合层的网层数据；
步骤102：基于预设的深度学习算法，对所述概率轮廓数据进行损失熵函数；
步骤103：根据所述网层数据和损失熵函数，计算网层中的权值，并根据所述权值，构建仿真诊断模型。
本发明的有益效果如下：
本发明实施例提供了一种基于多尺度分析的人工智能病理辅助诊断系统利用多放大倍率信息，并融合不同倍率信息，增强上下文信息提取能力，利用同心多放大倍率图像块信息，可有效降低增大感受野带来的内存消耗，，利用不同的多放大倍率特征图组合，可有效避免因扫描仪放大倍率不一致带来的预测错误或系统无法使用。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种基于多尺度分析的人工智能病理辅助诊断系统的系统模块图；
图2为本发明实施例中一种基于多尺度分析的人工智能病理辅助诊断系统的预前处理模块架构的实施例图；
图3为本发明实施例中一种基于多尺度分析的人工智能病理辅助诊断系统的放大倍率的实施例图；
图4为本发明实施例中一种基于多尺度分析的人工智能病理辅助诊断系统的实施例图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
实施例1：
根据图1所示，本发明实施例提供了一种基于多尺度分析的人工智能病理辅助诊断系统，其特征在于，包括：
预前处理模块：用于获取全扫描图像，根据所述全扫描图，确定图像切片，提取所述图像切片的组织掩模，计算所述组织掩模的覆盖比率，并确定预选图像切块；
多放大倍率图像块提取模块：用于划分全扫描图像的区域位置，确定训练区域和预测区域，提取所述训练区域的训练数据，通过所述训练数据训练所述预测区域，提取目标图像切块；
多放大倍率特征融合模块：用于提取所述目标图像切块的特征值，融合所述目标图像切块，确定特征图；
仿真诊断模型模块：用于当融合完所有目标图像切块，根据所述特征图，提取病变区域轮廓，统计病变位置的区域概率，生成仿真诊断模型。
上述技术方案的工作原理为：
本技术方案的人工智能病理辅助诊断系统包括：预前处理模块、多放大倍率图像块提取模块、多放大倍率特征融合模块和分析模块：整个流程模块架构图如图1所示，其中，预前处理模块用于划分全扫描图像，确定图像切片，生成数字切片的缩略图，提取图像切片的组织掩模，计算组织掩模的覆盖比率，根据生成缩略图时所用的放大比率，将要提取的图像块的位置映射到缩略图的掩模上，根据该图像块被掩模覆盖的比例，决定该图像块是否被选取；多放大倍率图像块提取模块用于划分全扫描图像的区域位置，确定训练区域，并基于预选图像切块的放大倍率，在训练区域训练预选图像切块，以选择出的图像块的中心点作为中心，在指定的放大倍率上(如20x,10x,5x)按同样大小(相同像素数边长)提取多个图像块；即目标图像切块；多放大倍率特征融合模块用于提取目标图像切块的特征值，融合所述目标图像切块，确定特征图；分析模块用于当融合完所有目标图像切块，根据特征图，提取病变区域轮廓，统计病变位置的区域概率，每完成一个分块图像分析的子任务后，系统会将结果放入预先分配的结果图的指定位置中。当完成一张切片中全部待分析的图像块之后，结果概率图生成完毕。之后概率图经过二值化，去除孤立噪点之后，可得到最终预测的病变区域，并提取病变区域轮廓，得到仿真诊断模型，图4为本发明诊断的实施例图，逐步得到分类的结果。
上述技术方案的有益效果为：
本技术方案提出一种基于多尺度图像的人工智能病理辅助诊断系统，该系统可充分利用病理图像的多尺度信息，利用不同的子网络提取不同尺度上图像感受野中的有效信息，并将多尺度信息进行整合以得到分析结果，由于各个子网络彼此独立，因此该系统具有高度可扩展性，可根据不同尺度的特点使用不同的子网络并提取不同维度的尺度特异性特征，同时，这套系统采用了分布式预测模式，作为支持病理医疗辅助诊断的系统，具有稳定运行、快速分析、精确诊断、持续优化的特点。
实施例2：
根据图2所示，本技术方案提供了一种实施例，所述预前处理模块包括：
图像切片单元：用于获取全扫描图像，对所述全扫描图进行数字切片，确定图像切片；
图像缩略图单元：用于基于所述图像切片，生成图像缩略图；
目标图像切片单元：用于获取目标图像切片，根据所述目标图像切片，确定目标图像切片的切片位置；其中，
所述目标图像切片是通过预设的算法得到将要提取的图像切片；
覆盖比率单元：用于提取图像缩略图的组织掩模，并基于放大倍率和切片位置，将所述目标图像切片映射到所述图像缩略图的组织掩模上，并所述组织掩模的覆盖比率；
预选图像切块单元：用于根据所述覆盖比率，确定预选图像切块。
上述技术方案的工作原理为：
本技术方案的人工智能病理辅助诊断系统的预前处理模块包括图像切片单元、图像缩略图单元、目标图块单元、覆盖比率单元和预选图像切块单元，针对大规模图像处理的前处理模块能处理任意大小的图像；病理全扫描图像最大分辨率的层级大概是200000×150000的图像，无法一次性将全尺寸图片加载到GPU的显存中处理图像，于是切片单元用于获取全扫描图像，对全扫描图进行数字切片，确定图像切片；图像缩略图单元用于基于图像切片，生成缩略图，并确定放大倍率；目标图块单元用于获取目标图块，并根据目标图块，确定目标图块的图块位置；其中，所述目标图块是通过预设的算法得到将要提取的图像块；覆盖比率单元用于提取缩略图的组织掩模，并基于放大倍率和图块位置，将目标图块映射到缩略图的组织掩模上，并计算组织掩模的覆盖比率；预选图像切块单元用于根据覆盖比率，确定预选图像切块，目标图块单元、覆盖比率单元和预选图像切块单元主要是通过生成缩略图时所用的放大比率，将要提取的图像块的位置映射到缩略图的掩模(mask)上，根据该图像块被掩模覆盖的比例，决定该图像块是否被选取。
上述技术方案的有益效果为：
本技术方案通过获取数字切片的缩略图，处理超高分辨率的病理全扫描图像，将切片一次性加载并分析，减少内存消耗，避免CPU显存不足。
实施例3：
本技术方案提供了一种实施例，所述覆盖比率单元用于提取图像缩略图的组织掩模，包括以下步骤：
步骤1：划分所述图像缩略图，生成感兴趣区域和待处理图像；
步骤2：根据所述感兴趣区域，确定感兴趣掩模；
步骤3：根据所述待处理图像和感兴趣掩模，确定感兴趣图像；
步骤4：获取n维矩阵，对所述感兴趣图像进行像素过滤，并提取掩模特征结构数据；
步骤5：根据所述掩模特征结构数据，生成图像缩略图的组织掩模。
上述技术方案的工作原理为：
本技术方案的掩模用选定的图像，对待处理的图像(全部或局部)进行遮挡,来控制图像处理的区域或处理过程，提取图像缩略图的组织掩模通过划分所述图像缩略图，生成感兴趣区域和待处理图像，感兴趣是根据用户选择的有兴趣的图像区域，根据感兴趣区域，确定感兴趣掩模，根据待处理图像和感兴趣掩模，确定感兴趣图像，获取n维矩阵，对所述感兴趣图像进行像素过滤，从而从多维度对感兴趣图像进行图像的像素过滤和特征提取，提取掩模特征结构数据，根据掩模特征结构数据，生成图像缩略图的组织掩模。
上述技术方案的有益效果为：
本技术方案通过获取图像缩略图的组织掩模，对感兴趣的区域进行提取，从而确定特征，对其他处理图像进行同样的特征操作，以较小的显存损耗获得了更多的上下文信息，用以提升模型的预测效果。
实施例4：
本技术方案提供了一种实施例，所述预选图像切块单元用于根据所述覆盖比率，确定预选图像切块包括以下步骤：
步骤1：获取图像缩略图面积S0，采集组织掩模的覆盖面积，确定覆盖比率；
其中，ρ代表覆盖比率，x代表组织掩模所在区域位置的横坐标，xi代表采集到的组织掩模所在区域位置的第i个横坐标，i代表采集到的数据序值，m代表一共采集到的区域位置的横坐标数据个数，i∈(1，m)，y代表组织掩模所在区域位置的横坐标，yj代表采集到的组织掩模所在区域位置的第j个纵坐标，n代表一共采集到的区域位置的纵坐标数据个数，j∈(1，n)，S0代表图像缩略图面积；
步骤2：对所述覆盖比率进行评估计算：
其中，所述H代表覆盖比率的评估计算规则，ρt代表理想覆盖比率；
步骤3：当所述覆盖比率的评估计算＞1，代表计算的区域可以成为预选区域；
步骤4：当所述覆盖比率的评估计算＜1，代表计算的区域无需进行训练，并继续计算下一块组织掩模的覆盖比率。
上述技术方案的工作原理为：
本技术方案的多放大倍率图像块提取模块，多放大倍率图像块提取模块当选择好用于训练和预测的区域位置之后，则以选择出的图像块的中心点作为中心，在指定的放大倍率上(如20x,10x,5x)按同样大小(相同像素数边长)提取多个图像块。在次步中，由于各个放大倍率上提取的图像块像素数目相同，因此内存消耗量按放大倍率个数线性增长，而感受野面积则按放大倍率平方增长，如附图3所示，不同的框代表不同的放大倍数。
上述技术方案的有益效果为：
本技术方案因扫描仪放大倍率不一致带来的预测错误或系统无法使用，提高读取的灵活性，减少读取误差。
实施例5：
本技术方案提供了一种实施例，所述多放大倍率图像块提取模块包括：
划分单元：用于划分全扫描图像的区域位置，生成预测区域和训练区域；
存储单元：用于基于训练区域的区域位置，对所述训练区域进行特征值训练，确定训练数据；
预测演绎机制单元：用于根据所述训练数据，对所述预测区域进行预演训练，生成预测演绎机制；
目标图像切块单元：用于基于所述预测演绎机制，进行全扫描图像进行预测演绎，并确定目标图像切块。
上述技术方案的工作原理为：
本技术方案在每个放大倍率的图像块独立通过各自的特征提取网络之后，会得到多个对应不同感受野大小的特征图，为了能够融合这些特征图，系统首先对较小放大倍率的特征图进行去边操作，以得到和最大放大倍率下特征图相同。之后，再对较小放大倍率去边后的特征图进行上采样操作，以使得各个放大倍率上去边后的特征图有相同的大小(像素数)。最后，各个放大倍率的特征图经过这些处理之后会被沿着特征维度堆叠在一起，生成融合之后的特征图。
上述技术方案的有益效果为：
本技术方案利用多放大倍率信息，并融合不同倍率信息，增强上下文信息提取能力，利用不同的多放大倍率特征图组合，可有效解决图像感受野偏小的问题。
实施例6：
本技术方案提供了一种实施例，所述多放大倍率特征融合模块包括：
特征图单元：用于提取所述目标图像切块的特征值，根据所述特征值，确定特征图；
图像缩略图单元：用于根据所述特征图，获取所述特征图的放大倍率；
放大数据单元：用于对所述放大倍率进行排序，确定最大放大倍率特征图和调用特征图，并基于最大放大倍率特征图的最大感受野，确定调整数据；
目标图像缩略图单元：用于根据所述调整数据，对所述调用特征图的感受野进行倍率增大至最大感受野，并确定目标调用特征图；
融合特征图单元：用于将所述目标调用特征图被沿着特征维度堆叠，生成融合特征图。
上述技术方案的工作原理和有益效果为：
本技术方案的多放大倍率特征融合模块包括特征图单元、图像缩略图单元、放大数据单元、目标图像缩略图单元和融合特征图单元：多放大倍率特征融合模块提取所述目标图像切块的特征值，融合所述目标图像切块，确定特征图，首先提取目标图像切块的特征值，根据所述特征值，确定特征图；再根据特征图，获取所述特征图的放大倍率，也就是特征图放大了多少倍的参考指数，接着对所述放大倍率进行排序，确定最大放大倍率特征图和调用特征图，并基于最大放大倍率特征图的最大感受野，确定调整数据，接着根据调整数据，对所述调用特征图的感受野进行倍率增大至最大感受野，并确定目标调用特征图；用于将所述目标调用特征图被沿着特征维度堆叠，生成融合特征图，感受野即在典型卷积神经结构中，每个输出节点的值都依赖所有输入，而卷积神经结构层每个输出节点的值仅依赖卷积神经结构输入的一个区域，这个区域之外的其他输入值都不会影响输出值，该区域就是感受野。。
实施例7：
本技术方案提供了一种实施例，，所述融合特征图单元，包括：
目标调用特征数据子单元：用于获取目标调用特征图，提取所述目标调用特征图的目标调用特征数据；
特征矩阵子单元：用于根据所述目标调用特征数据，生成特征矩阵；
特征维度子单元：用于获取所述特征矩阵，确定目标调用特征向量，并根据所述目标调用特征向量，生成特征维度；
融合特征图子单元：用于沿着所述特征维度，通过目标调用特征矩阵过滤目标调用特征图，并融合目标调用特征图的边缘，生成融合特征图。
上述技术方案的工作原理和有益效果为：
本技术方案的融合特征图单元用于对不同的目标调用特征图进行边缘融合，从而获取到一个完整的、大块的融合特征图，首先通过获取目标调用特征数据，并生成特征矩阵，特征矩阵用于进行特征过滤，确定目标调用特征向量，并根据所述目标调用特征向量，生成特征维度，因为每个图有不同的特征，基于深度学习和网络拓扑结构，会自行将图进行特征划分，从而从不同的纬度进行图进行划分，每完成一个分块图像分析的子任务后，系统会将结果放入预先分配的结果图的指定位置中。当完成一张切片中全部待分析的图像块之后，结果概率图生成完毕。之后概率图经过二值化，去除孤立噪点之后，可得到最终预测的病变区域，并提取病变区域轮廓，得到最终分析结果，整个融合特征图单元和子任务单元一起进行，确定融合特征图。
实施例8：
本技术方案提供了一种实施例，所述仿真诊断模型模块，包括：
子任务单元：用于获取分块图像，并根据所述分块图像，获取子任务；
结果图单元：用于根据所述子任务，确定任务分析结果，将所述任务分析结果放入预设的区域位置，并确定结果图；
概率图单元：用于根据所述结果图，生成概率图；
处理概率图单元：用于对所述概率图进行二值化和去除孤立噪点，确定处理概率图；
概率病变预测图单元：用于根据所述处理概率图，生成概率病变预测图；
仿真诊断模型单元：用于根据所述概率病变预测图，提取病变区域轮廓，生成仿真诊断模型。
上述技术方案的工作原理和有益效果为：
本技术方案的仿真诊断模型模块，包括子任务单元、结果图单元、概率图单元、处理概率图单元和仿真诊断模型单元，首先通过子任务单元获取分块图像，并根据所述分块图像，获取子任务，子任务是指分块图像分析的结果任务分析；将这些子结果发送至结果图单元根据子任务，确定任务分析结果，将所述任务分析结果放入预设的区域位置，并确定结果图，结果图呈现的是任务分析的结果，根据预设的机制生成任务的分析，接着通过概率图单元根据结果图，生成概率图，概率图用于计算病变区域概率的图，再通过处理概率图单元对概率图进行二值化和去除孤立噪点，确定处理概率图，将处理概率图传输至概率病变预测图单元生成概率病变预测图，也就是得到最终预测的病变区域，最后通过仿真诊断模型单元根据概率病变预测图，提取病变区域轮廓，生成仿真诊断模型，得到最终分析结果，整个过程有效避免因扫描仪放大倍率不一致带来的预测错误或系统无法使用，从而生成更精确的模型。
实施例9：
本技术方案提供了一种实施例，所述仿真诊断模型单元包括：
概率分布数据子单元：用于获取所述概率病变预测图的概率分布数据；
轮廓概率点子单元：用于通过所述概率分布数据，计算病变面积，并根据所述病变面积，利用微积分推导病变区域的轮廓概率点；
病变区域轮廓子单元：用于定时提取所述轮廓概率点，并根据所述轮廓概率点，生成病变区域轮廓；
仿真诊断模型子单元：用于根据所述病变区域轮廓，生成概率轮廓数据，并将所述概率轮廓数据传输至预设的仿真诊断设备中，生成仿真诊断模型。
上述技术方案的工作原理为：
本技术方案通过在我们的多尺度模型中，在最后的classification head中，系统可根据存在的放大倍率，自动选择信息融合的方式，仅利用存在的放大倍率数据进行预测概率，通过分布数据子单元获取概率病变预测图的概率分布数据；轮廓概率点子单元利用概率分布数据，计算病变面积，并根据病变面积，利用微积分推导病变区域的轮廓概率点；病变区域轮廓定时提取所述轮廓概率点，并根据所述轮廓概率点，生成病变区域轮廓；仿真诊断模型根据所述病变区域轮廓，生成概率轮廓数据，并将所述概率轮廓数据传输至预设的仿真诊断设备中，生成仿真诊断模型。
上述技术方案的有益效果为：
本技术方案利用同心多放大倍率图像块信息，可有效降低增大感受野带来的内存消耗，融合不同倍率信息，增强上下文信息提取能力，有效避免因扫描仪放大倍率不一致带来的预测错误或系统无法使用，从而生成更精确的模型。
实施例10：
本技术方案提供了一种实施例，所述仿真诊断模型子单元生成仿真诊断模型包括以下步骤：
步骤100：传输所述概率轮廓数据至仿真诊断设备的卷积神经网络，获取概率轮廓数据的网状拓扑结构；
步骤101：根据所述网状拓扑结构，确定融合层的网层数据；
步骤102：基于预设的深度学习算法，对所述概率轮廓数据进行损失熵函数；
步骤103：根据所述网层数据和损失熵函数，计算网层中的权值，并根据所述权值，构建仿真诊断模型。
上述技术方案的工作原理和有益效果为：
本技术方案通过仿真诊断模型子单元将所述概率轮廓数据传输至预设的仿真诊断设备中，传输所述概率轮廓数据至仿真诊断设备的卷积神经网络，获取概率轮廓数据的网状拓扑结构，并通过网状拓扑结构采集到不同网层的概率轮廓数据，从而获取大量的采集数据，建立更精准的模型，根据网状拓扑结构，确定融合层的网层数据，基于预设的深度学习算法，对概率轮廓数据进行损失熵函数；根据网层数据和损失熵函数，计算网层中的权值，并根据权值，构建仿真诊断模型，通过多尺度计算得到最佳的仿真模型，从而辅助医生进行对病人病变区域的诊断。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于多尺度分析的人工智能病理辅助诊断系统，其特征在于，包括：
预前处理模块：用于获取全扫描图像，根据所述全扫描图，确定图像切片，提取所述图像切片的组织掩模，计算所述组织掩模的覆盖比率，并确定预选图像切块；
多放大倍率图像块提取模块：用于划分全扫描图像的区域位置，确定训练区域和预测区域，提取所述训练区域的训练数据，通过所述训练数据训练所述预测区域，提取目标图像切块；
多放大倍率特征融合模块：用于提取所述目标图像切块的特征值，融合所述目标图像切块，确定特征图；
仿真诊断模型模块：用于当融合完所有目标图像切块，根据所述特征图，确定病变区域轮廓。
2.如权利要求1所述的一种基于多尺度分析的人工智能病理辅助诊断系统，其特征在于，所述预前处理模块包括：
图像切片单元：用于获取全扫描图像，对所述全扫描图进行数字切片，确定图像切片；
图像缩略图单元：用于基于所述图像切片，生成图像缩略图；
目标图像切片单元：用于获取目标图像切片，根据所述目标图像切片，确定目标图像切片的切片位置；其中，
所述目标图像切片是通过预设的算法得到将要提取的图像切片；
覆盖比率单元：用于提取图像缩略图的组织掩模，并基于放大倍率和切片位置，将所述目标图像切片映射到所述图像缩略图的组织掩模上，并所述组织掩模的覆盖比率；
预选图像切块单元：用于根据所述覆盖比率，确定预选图像切块。
3.如权利要求2所述的一种基于多尺度分析的人工智能病理辅助诊断系统，其特征在于，所述覆盖比率单元执行提取图像缩略图的组织掩模，包括以下步骤：
步骤1：划分所述图像缩略图，生成感兴趣区域和待处理图像；
步骤2：根据所述感兴趣区域，确定感兴趣掩模；
步骤3：根据所述待处理图像和感兴趣掩模，确定感兴趣图像；
步骤4：获取N维矩阵，对所述感兴趣图像进行像素过滤，并提取掩模特征结构数据；
步骤5：根据所述掩模特征结构数据，生成图像缩略图的组织掩模。
4.如权利要求2所述的一种基于多尺度分析的人工智能病理辅助诊断系统，其特征在于，所述预选图像切块单元用于根据所述覆盖比率，确定预选图像切块包括以下步骤：
步骤1：获取图像缩略图面积S0，采集组织掩模的覆盖面积，确定覆盖比率；
其中，ρ代表覆盖比率，x代表组织掩模所在区域位置的横坐标，xi代表采集到的组织掩模所在区域位置的第i个横坐标，i代表采集到的数据序值，m代表一共采集到的区域位置的横坐标数据个数，i∈(1,m),y代表组织掩模所在区域位置的横坐标,yj代表采集到的组织掩模所在区域位置的第j个纵坐标，n代表一共采集到的区域位置的纵坐标数据个数，j∈(1,n),S0代表图像缩略图面积；
步骤2：对所述覆盖比率进行评估计算：
其中，所述H代表覆盖比率的评估计算规则，ρt代表理想覆盖比率；
步骤3：当所述覆盖比率的评估计算>1，代表计算的区域可以成为预选区域；
步骤4：当所述覆盖比率的评估计算<1，代表计算的区域无需进行训练，并继续计算下一块组织掩模的覆盖比率。
5.如权利要求1所述的一种基于多尺度分析的人工智能病理辅助诊断系统，其特征在于，所述多放大倍率图像块提取模块包括：
划分单元：用于划分全扫描图像的区域位置，生成预测区域和训练区域；
存储单元：用于在所述训练区域进行特征值训练，获取训练数据；
预测演绎机制单元：用于根据所述训练数据，对所述预测区域进行预演训练，生成预测演绎机制；
目标图像切块单元：用于基于所述预测演绎机制，进行全扫描图像进行预测演绎，并确定目标图像切块。
6.如权利要求1所述的一种基于多尺度分析的人工智能病理辅助诊断系统，其特征在于，所述多放大倍率特征融合模块包括：
特征图单元：用于提取所述目标图像切块的特征值，根据所述特征值，确定特征图；
图像缩略图单元：用于根据所述特征图，获取所述特征图的放大倍率；
放大数据单元：用于对所述放大倍率进行排序，确定最大放大倍率特征图和调用特征图，并基于最大放大倍率特征图的最大感受野，确定调整数据；
目标图像缩略图单元：用于根据所述调整数据，对所述调用特征图的感受野进行倍率增大至最大感受野，并确定目标调用特征图；
融合特征图单元：用于将所述目标调用特征图沿着特征维度进行堆叠，生成融合特征图。
7.如权利要求1所述的一种基于多尺度分析的人工智能病理辅助诊断系统，其特征在于，所述融合特征图单元，包括：
目标调用特征数据子单元：用于获取目标调用特征图，提取所述目标调用特征图的目标调用特征数据；
特征矩阵子单元：用于根据所述目标调用特征数据，生成特征矩阵；
特征维度子单元：用于获取所述特征矩阵，确定目标调用特征向量，并根据所述目标调用特征向量，生成特征维度；
融合特征图子单元：用于沿着所述特征维度，通过目标调用特征矩阵过滤目标调用特征图，并融合目标调用特征图的边缘，生成融合特征图。
8.如权利要求1所述的一种基于多尺度分析的人工智能病理辅助诊断系统，其特征在于，所述仿真诊断模型模块，包括：
子任务单元：用于获取分块图像，并根据所述分块图像，获取子任务；
结果图单元：用于根据所述子任务，确定任务分析结果，将所述任务分析结果放入预设的区域位置，并确定结果图；
概率图单元：用于根据所述结果图，生成概率图；
处理概率图单元：用于对所述概率图进行二值化和去除孤立噪点，确定处理概率图；
概率病变预测图单元：用于根据所述处理概率图，生成概率病变预测图；
仿真诊断模型单元：用于根据所述概率病变预测图，提取病变区域轮廓，生成仿真诊断模型。
9.如权利要求1所述的一种基于多尺度分析的人工智能病理辅助诊断系统，其特征在于，所述仿真诊断模型单元包括：
概率分布数据子单元：用于获取所述概率病变预测图的概率分布数据；
轮廓概率点子单元：用于通过所述概率分布数据，计算病变面积，并根据所述病变面积，利用微积分推导病变区域的轮廓概率点；
病变区域轮廓子单元：用于定时提取所述轮廓概率点，并根据所述轮廓概率点，生成病变区域轮廓。
10.如权利要求9所述的一种基于多尺度分析的人工智能病理辅助诊断系统，其特征在于，所述仿真诊断模型子单元还包括以下步骤：
步骤100：传输所述概率轮廓数据至仿真诊断设备的卷积神经网络，获取概率轮廓数据的网状拓扑结构；
步骤101：根据所述网状拓扑结构，确定融合层的网层数据；
步骤102：基于预设的深度学习算法，对所述概率轮廓数据进行损失熵函数；
步骤103：根据所述网层数据和损失熵函数，计算网层中的权值，并根据所述权值，构建仿真诊断模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210228315.6A CN114638292B (zh) | 2022-03-10 | 2022-03-10 | 一种基于多尺度分析的人工智能病理辅助诊断系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210228315.6A CN114638292B (zh) | 2022-03-10 | 2022-03-10 | 一种基于多尺度分析的人工智能病理辅助诊断系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114638292A true CN114638292A (zh) | 2022-06-17 |
| CN114638292B CN114638292B (zh) | 2023-05-05 |
Family
ID=81947840
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210228315.6A Active CN114638292B (zh) | 2022-03-10 | 2022-03-10 | 一种基于多尺度分析的人工智能病理辅助诊断系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114638292B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115063592A (zh) * | 2022-08-16 | 2022-09-16 | 之江实验室 | 一种基于多尺度的全扫描病理特征融合提取方法及系统 |
| CN116344070A (zh) * | 2023-03-16 | 2023-06-27 | 北京透彻未来科技有限公司 | 一种病理特征与临床信息融合方法及系统 |
| CN117036878A (zh) * | 2023-07-19 | 2023-11-10 | 北京透彻未来科技有限公司 | 一种人工智能预测图像与数字病理图像融合的方法及系统 |
| CN117437634A (zh) * | 2023-12-21 | 2024-01-23 | 中国医学科学院北京协和医院 | 一种尿沉渣检测影像有形部分的识别分割方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108305253A (zh) * | 2018-03-08 | 2018-07-20 | 麦克奥迪（厦门）医疗诊断系统有限公司 | 一种基于多倍率深度学习的病理全切片诊断方法 |
| CN110175998A (zh) * | 2019-05-30 | 2019-08-27 | 沈闯 | 基于多尺度深度学习的乳腺癌图像识别方法、装置及介质 |
| CN110909756A (zh) * | 2018-09-18 | 2020-03-24 | 苏宁 | 用于医学图像识别的卷积神经网络模型训练方法和装置 |
| WO2020198380A1 (en) * | 2019-03-26 | 2020-10-01 | Tempus Labs, Inc. | Determining biomarkers from histopathology slide images |
| CN111784671A (zh) * | 2020-06-30 | 2020-10-16 | 天津大学 | 基于多尺度深度学习的病理图像病灶区域检测方法 |
| CN112017191A (zh) * | 2020-08-12 | 2020-12-01 | 西北大学 | 基于注意力机制的肝脏病理图像分割模型建立及分割方法 |
| CN113269747A (zh) * | 2021-05-24 | 2021-08-17 | 浙江大学医学院附属第一医院 | 一种基于深度学习的病理图片肝癌扩散检测方法及系统 |
| WO2021226382A1 (en) * | 2020-05-06 | 2021-11-11 | The Board Of Regents Of The University Of Texas System | Systems and methods for characterizing a tumor microenvironment using pathological images |
| CN113889261A (zh) * | 2021-09-23 | 2022-01-04 | 之江实验室 | 基于病理特征辅助的pet/ct自动肺癌诊断分类模型训练方法 |
-
2022
- 2022-03-10 CN CN202210228315.6A patent/CN114638292B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108305253A (zh) * | 2018-03-08 | 2018-07-20 | 麦克奥迪（厦门）医疗诊断系统有限公司 | 一种基于多倍率深度学习的病理全切片诊断方法 |
| CN110909756A (zh) * | 2018-09-18 | 2020-03-24 | 苏宁 | 用于医学图像识别的卷积神经网络模型训练方法和装置 |
| WO2020198380A1 (en) * | 2019-03-26 | 2020-10-01 | Tempus Labs, Inc. | Determining biomarkers from histopathology slide images |
| CN110175998A (zh) * | 2019-05-30 | 2019-08-27 | 沈闯 | 基于多尺度深度学习的乳腺癌图像识别方法、装置及介质 |
| WO2021226382A1 (en) * | 2020-05-06 | 2021-11-11 | The Board Of Regents Of The University Of Texas System | Systems and methods for characterizing a tumor microenvironment using pathological images |
| CN111784671A (zh) * | 2020-06-30 | 2020-10-16 | 天津大学 | 基于多尺度深度学习的病理图像病灶区域检测方法 |
| CN112017191A (zh) * | 2020-08-12 | 2020-12-01 | 西北大学 | 基于注意力机制的肝脏病理图像分割模型建立及分割方法 |
| CN113269747A (zh) * | 2021-05-24 | 2021-08-17 | 浙江大学医学院附属第一医院 | 一种基于深度学习的病理图片肝癌扩散检测方法及系统 |
| CN113889261A (zh) * | 2021-09-23 | 2022-01-04 | 之江实验室 | 基于病理特征辅助的pet/ct自动肺癌诊断分类模型训练方法 |
Non-Patent Citations (3)
| Title |
|---|
| ANNE MAASS等: "Comparison of multiple tau-PET measures as biomarkers in aging and Alzheimer"s disease", 《NEUROIMAGE》 * |
| ZHIGANG SONG等: "Clinically applicable histopathological diagnosis system for gastric cancer detection using deep learning", 《NATURE COMMUNICATIONS》 * |
| 陈颍锶等: "融合空洞卷积与注意力的胃癌组织切片分割", 《中国图象图形学报》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115063592A (zh) * | 2022-08-16 | 2022-09-16 | 之江实验室 | 一种基于多尺度的全扫描病理特征融合提取方法及系统 |
| CN115063592B (zh) * | 2022-08-16 | 2022-12-06 | 之江实验室 | 一种基于多尺度的全扫描病理特征融合提取方法及系统 |
| CN116344070A (zh) * | 2023-03-16 | 2023-06-27 | 北京透彻未来科技有限公司 | 一种病理特征与临床信息融合方法及系统 |
| CN116344070B (zh) * | 2023-03-16 | 2024-02-13 | 北京透彻未来科技有限公司 | 一种病理特征与临床信息融合方法及系统 |
| CN117036878A (zh) * | 2023-07-19 | 2023-11-10 | 北京透彻未来科技有限公司 | 一种人工智能预测图像与数字病理图像融合的方法及系统 |
| CN117036878B (zh) * | 2023-07-19 | 2024-03-26 | 北京透彻未来科技有限公司 | 一种人工智能预测图像与数字病理图像融合的方法及系统 |
| CN117437634A (zh) * | 2023-12-21 | 2024-01-23 | 中国医学科学院北京协和医院 | 一种尿沉渣检测影像有形部分的识别分割方法 |
| CN117437634B (zh) * | 2023-12-21 | 2024-03-08 | 中国医学科学院北京协和医院 | 一种尿沉渣检测影像有形部分的识别分割方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114638292B (zh) | 2023-05-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114638292B (zh) | 一种基于多尺度分析的人工智能病理辅助诊断系统 | |
| CN110232383B (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统 | |
| CN111985536B (zh) | 一种基于弱监督学习的胃镜病理图像分类方法 | |
| CN107784647B (zh) | 基于多任务深度卷积网络的肝脏及其肿瘤分割方法及系统 | |
| JP2022529557A (ja) | 医用画像分割方法、医用画像分割装置、電子機器及びコンピュータプログラム | |
| CN111524137B (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
| CN110503654A (zh) | 一种基于生成对抗网络的医学图像分割方法、系统及电子设备 | |
| CN111951221B (zh) | 一种基于深度神经网络的肾小球细胞图像识别方法 | |
| CN108257135A (zh) | 基于深度学习方法解读医学图像特征的辅助诊断系统 | |
| CN110956635A (zh) | 一种肺段分割方法、装置、设备及存储介质 | |
| CN103514597A (zh) | 图像处理装置 | |
| CN109872325B (zh) | 基于双路三维卷积神经网络的全自动肝脏肿瘤分割方法 | |
| CN113706491B (zh) | 基于混合注意力弱监督迁移学习的半月板损伤分级方法 | |
| CN112581438B (zh) | 切片图像识别方法、装置和存储介质及电子设备 | |
| CN113284149B (zh) | Covid-19胸部ct图像识别方法、装置及电子设备 | |
| CN110619318B (zh) | 基于人工智能的图像处理方法、显微镜、系统和介质 | |
| CN110910377B (zh) | 一种基于神经网络的脑梗死mri图像识别方法 | |
| CN109472801A (zh) | 一种用于多尺度的神经形态检测和分割方法 | |
| CN107437068A (zh) | 基于Gabor方向直方图和猪体毛发模式的猪个体识别方法 | |
| CN112862756A (zh) | 识别甲状腺肿瘤病理图像中病变类型及基因突变的方法 | |
| WO2021183765A1 (en) | Automated detection of tumors based on image processing | |
| CN114240874A (zh) | 基于深度卷积神经网络和特征融合的骨龄评定方法、设备及计算机可读存储介质 | |
| Pradhan et al. | Lung cancer detection using 3D convolutional neural networks | |
| Jaffar et al. | An ensemble shape gradient features descriptor based nodule detection paradigm: a novel model to augment complex diagnostic decisions assistance | |
| McCouat et al. | Vertebrae detection and localization in ct with two-stage cnns and dense annotations |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230105 Address after: 1 Shuaifuyuan, Wangfujing, Dongcheng District, Beijing Applicant after: PEKING UNION MEDICAL COLLEGE Hospital Applicant after: Beijing Thorough Future Technology Co.,Ltd. Address before: 1 Shuaifuyuan, Wangfujing, Dongcheng District, Beijing Applicant before: PEKING UNION MEDICAL COLLEGE Hospital Applicant before: TOUCHE IMAGE (BEIJING) TECHNOLOGY Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |