CN114693662A - 组织病理学切片的亚型分类方法及装置、介质及终端 - Google Patents
组织病理学切片的亚型分类方法及装置、介质及终端 Download PDFInfo
- Publication number
- CN114693662A CN114693662A CN202210378284.2A CN202210378284A CN114693662A CN 114693662 A CN114693662 A CN 114693662A CN 202210378284 A CN202210378284 A CN 202210378284A CN 114693662 A CN114693662 A CN 114693662A
- Authority
- CN
- China
- Prior art keywords
- scale
- features
- level
- histopathological
- subtype
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000001575 pathological effect Effects 0.000 claims abstract description 58
- 238000013507 mapping Methods 0.000 claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000013139 quantization Methods 0.000 claims description 24
- 238000003062 neural network model Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 8
- 230000007170 pathology Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 13
- 230000002093 peripheral effect Effects 0.000 description 10
- 206010028980 Neoplasm Diseases 0.000 description 7
- 201000011510 cancer Diseases 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 208000006265 Renal cell carcinoma Diseases 0.000 description 5
- 201000000849 skin cancer Diseases 0.000 description 5
- 208000000453 Skin Neoplasms Diseases 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000001086 cytosolic effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 210000004940 nucleus Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002477 vacuolizing effect Effects 0.000 description 2
- 206010000349 Acanthosis Diseases 0.000 description 1
- 108010077544 Chromatin Proteins 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000011324 bead Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000003483 chromatin Anatomy 0.000 description 1
- 210000000805 cytoplasm Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 210000002615 epidermis Anatomy 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000006260 foam Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 125000001475 halogen functional group Chemical group 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 201000008261 skin carcinoma Diseases 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000002792 vascular Effects 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- 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
- G06T2207/30—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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种组织病理学切片的亚型分类方法及装置、介质及终端，涉及医学影像诊断技术领域。其中该方法包括：提取目标图像包含的组织病理学切片的多尺度组织学特征；将多尺度组织学特征与组织病理学切片的病理数据特征映射到三维特征空间；在三维特征空间中，利用格式塔原则确定多尺度组织学特征与病理数据特征的相似度；基于相似度，对组织病理学切片进行亚型分类。通过本方案，可以提高对组织病理学切片进行亚型分类的准确率，从而提高对患者进行诊断的精确度。
Description
技术领域
本公开涉及医学影像诊断技术领域，尤其涉及一种组织病理学切片的亚型分类方法及装置、介质及终端。
背景技术
癌症是世界范围内造成死亡的主要原因之一，由于癌症受基因突变的影响，使得各种癌症亚型难以采用通用的手段进行治疗。
随着医学领域的发展，精准医学等创新研究正在根据癌症亚型的特点为不同患者提供精准化治疗，以提高癌症患者的存活率。然而，癌症亚型的诊断在很大程度上依赖于病理学家的诊断经验与知识积累，对组织病理学切片作出视觉解释。因为不同医生之间的临床经验与知识积累各不相同，因此不同医生的诊断水平参差不齐，有可能出现诊断结果不一致的情况。
因此，现有技术无法准确地对组织病理学切片进行亚型分类。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种组织病理学切片的亚型分类方法及装置、介质及终端，至少能够在一定程度上提高对组织病理学切片进行亚型分类的准确率。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的一个方面，提供一种组织病理学切片的亚型分类方法，包括：提取目标图像包含的组织病理学切片的多尺度组织学特征；将上述多尺度组织学特征与上述组织病理学切片的病理数据特征映射到三维特征空间；在上述三维特征空间中，确定上述多尺度组织学特征与上述病理数据特征的相似度；基于上述相似度，对上述组织病理学切片进行亚型分类。
根据本公开的另一个方面，提供一种组织病理学切片的亚型分类装置，包括：
提取模块：用于提取目标图像包含的组织病理学切片的多尺度组织学特征；
映射模块：用于将上述多尺度组织学特征与上述组织病理学的病理数据特征映射到三维特征空间；
确定模块：用于在上述三维特征空间中，确定上述多尺度组织学特征与上述病理数据特征的相似度；
分类模块：用于基于上述相似度，对上述组织病理学切片进行亚型分类。
根据本公开的又一个方面，提供一种终端，包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器执行上述计算机程序时实现如上述实施例中的组织病理学切片的亚型分类方法。
根据本公开的再一个方面，提供一种可读存储介质，其上存储有计算机程序，上述计算机程序被处理器执行时实现如上述实施例中的组织病理学切片的亚型分类方法。
本公开实施例提供的技术方案可以包括以下有益效果：
在本公开的一些实施例所提供的技术方案中，均进行以下处理，包括：提取目标图像包含的组织病理学切片的多尺度组织学特征；将上述多尺度组织学特征与上述组织病理学切片的病理数据特征映射到三维特征空间；在上述三维特征空间中，确定上述多尺度组织学特征与上述病理数据特征的相似度；基于上述相似度，对上述组织病理学切片进行亚型分类。通过上述步骤，可以提高对组织病理学切片进行亚型分类的准确率，从而提高对患者进行诊断的精确度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示意性示出了可以应用本公开一实施例的组织病理学切片的亚型分类方法的示例性架构的示意图。
图2示意性示出了根据本公开示例性的实施例中组织病理学切片的亚型分类方法的流程图。
图3示意性示出了根据本公开示例性的实施例中确定多尺度组织学特征的流程图。
图4示意性示出了根据本公开示例性的实施例中获取包级别特征集合的流程图。
图5示意性示出了根据本公开示例性的实施例中获取多尺度组织学特征的流程图。
图6示意性示出了根据本公开示例性的实施例中将组织学特征与病理数据特征映射至三维特征空间的流程图。
图7示意性示出了根据本公开示例性的实施例中对组织病理学切片进行亚型分类的流程图。
图8示意性示出了根据本公开示例性的实施例中数据驱动模块流程图。
图9示意性示出了根据本公开示例性的实施例中知识驱动模块流程图。
图10示意性示出了根据本公开示例性的实施例中肾细胞癌的三维特征控件示意图。
图11示意性示出了根据本公开示例性的实施例中皮肤癌的三维特征控件示意图。
图12示意性示出了根据本公开示例性的实施例中组织病理学切片的亚型分类装置的结构图。
图13示意性示出了根据本公开示例性的实施例中终端的结构图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚，下面将结合附图对本公开实施例方式作进一步地详细描述。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在本公开的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本公开中的具体含义。此外，在本公开的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
示例性的，图1示出了可以应用本公开一实施例的组织病理学切片的亚型分类方法的示例性应用环境的示意图。
参考图1，图1所示组织病理学切片的亚型分类方法的示例性应用环境的示意图，包括输入模块110、数据驱动模块120、知识驱动模块130。其中，输入模块110用于从十倍尺度、二十倍尺度以及四十倍尺度分别将组织病理学的实例图像进行输入，得到上述实例图像在各个尺度下对应的包级组织学特征。数据驱动模块120包括嵌入表示单元EmbeddingRepre sentation与装袋集成单元Bagging Ensemble。其中，嵌入表示单元用于反映上述实例图像在每个尺度上的形态变化、指导神经网络学习、提取上述实例图像在各个尺度下的组织学特征，以及将与上述组织病理学切片相关的病理数据特征进行二进制表示，上述病理数据特征指的是与上述病理数据相关的专家知识，即上述病理数据进行诊断的权威结果。上述装袋集成单元用于对每个尺度的包级别特征进行整合，计算出唯一值，从而得到该尺度上的切片级特征。上述知识驱动模块130用于确定组织学特征和病理数据特征之间的相似性，从而对上述组织病理学切片进行亚型分类。
继续参考图1，知识驱动模块130中的Proximity Principle指的是相近性原则，Similarity Principle指的是相似性原则，Vote指的是投票机制，Loss指的是对组织学特征进行降维，distance[k]指的是欧几里得距离，Ex pert Knowledge指的是专家知识，nth指的是样本序号。上述相近性原则与上述相似性原则为格式塔原理的两个基本原则。相近性原则指出，如果两个元素接近，则它们更有可能来自同一组，并且它们的关系比以前更紧密。在相似性原则中，具有相似视觉特征的元素被认为更相关。在心理学中的格式塔原理指出，视觉图像首先被识别为一个全局实体，然后从局部理解特定的内容，这与病理学家的诊断过程不谋而合。
需要说明的是，在本公开中任一实施例的公式中的变量的含义如下：
以下将结合附图2-附图4，对本公开实施例提供的组织病理学切片的亚型分类方法进行详细介绍。
其中，图2示意性示出根据本公开示例性的实施例中组织病理学切片的亚型分类方法的流程图。参考图2，该图所示组织病理学切片的亚型分类方法包括：
S210，提取目标图像包含的组织病理学切片的多尺度组织学特征。
在示例性的实施例中，上述数据驱动模块120提取上述目标图像包含的组织病理学切片的多尺度组织学特征。其中，上述目标图像指的是包含上述组织病理学切片的图像。上述多尺度组织学特征指的是上述目标图像在多个放大倍数下的组织学特征。
S220，将多尺度组织学特征与组织病理学切片的病理数据特征映射到三维特征空间。
在示例性的实施例中，上述知识驱动模块130将上述多尺度组织学特征与上述组织病理学切片的病理数据特征映射到三维特征空间。其中，上述病理数据特征包括但不限于：病理诊断专家的诊疗经验、专家知识以及医学文献中的各种医学知识。上述三维特征空间是基于笛卡尔坐标系建立的三维坐标系，上述映射指的是将各个尺度与三维特征空间的三个坐标轴进行对应，例如将十倍尺度对应于X轴，二十倍尺度对应于Y轴，四十倍尺度对应于Z轴。
S230，在三维特征空间中，确定多尺度组织学特征与病理数据特征的相似度。
在示例性的实施例中，在上述三维特征空间中，上述知识驱动模块130确定上述多尺度组织学特征与上述病理数据特征的相似度。其中，上述相似度指的是不同特征之间的相似程度。
S240，基于相似度，对组织病理学切片进行亚型分类。
在示例性的实施例中，上述知识驱动模块130基于上述相似度，对上述组织病理学切片进行亚型分类。其中，上述亚型分类指的是将上述组织病理学切片与病理学亚型进行对应，上述组织病理学切片可以是一个或多个。
图2所示实施例所提供的技术方案，通过提取目标图像包含的组织病理学切片的多尺度组织学特征，将上述多尺度组织学特征与组织病理学切片的病理数据特征映射到三维特征空间。在三维特征空间中，确定上述多尺度组织学特征与上述病理数据特征的相似度，基于相似度，对组织病理学切片进行亚型分类。通过图2所示实施例所提供的技术方案，可以提高对组织病理学切片进行亚型分类的准确率，从而提高对患者进行诊断的精确度。
示例性的，图3示意性示出了根据本公开示例性的实施例中确定多尺度组织学特征的流程图。参考图3，该图所示方法包括：S310-S320。
参考图3，在S310中，基于各个尺度的实例级图像，获取各个尺度对应的包级别特征集合。
在示例性的实施例中，参考图1，数据驱动模块120基于上述各个尺度的实例级图像，获取各个尺度对应的包级别特征集合。其中，在不同尺度下对应不同的包级别特征集合，上述包级别特征集合中包含了当前尺度下的所有包级别特征。
例如，肾细胞癌(RCC)和皮肤癌(SC)的数据集中，它们的包级别特征和序列如下：RCC,s＝1(ID:1-6):巢状(Ne),腺泡状(Ac)、乳头状(Pa)、管状(Tu)、血管壁厚(WT)、小梁状(Tr)；s＝2(ID:1-6)：薄网状间隔(TR)、透明细胞(CC)、泡沫状(Fo)、沙粒体(Ps)、絮状胞质(Fl)、清晰边界(CB)；s＝3(ID:1-6)：染色质均匀(HC)、圆形核(RN)、小细胞(SCe)、双核(DN)、不规则核深染(IDN)、细胞核皱缩伴空晕(AGN)。SC，s＝1(ID：1-9)：条索状(St)，缎带状(Ri)，筛状(Cr)，有色素(Pig)，收缩间隙(Ga)，角化珠(Ke)，成片(Pie)，棘层肥厚(Hy),仅表皮(Ep)；s＝2(ID:1-4)：黏液间质(In)、栅栏状(Fe)、累及脉管神经(IV)、累及附属器(IA)；s＝3(ID:1-5)：细胞间桥(IB)、胞浆多(MC)、细胞核空泡化(NV)、细胞浆空泡化(CV)、异形细胞(AC)。其中，上述s代表尺度，例如s＝1代表十倍尺度，s＝2代表而十倍尺度。
示例性的，可以基于VGG16的多实例学习技术作为提取器来获取上述包级别特征，具体的获取过程如下：
其中，公式(1)-公式(5)中各个字母变量的含义已经进行了解释，在此不再赘述。
在S320中，基于各个尺度对应的包级别特征集合，确定组织病理学切片的多尺度组织学特征。
在示例性的实施例中，参考图1，上述数据驱动模块120基于上述各个尺度对应的包级别特征集合，确定组织病理学切片的多尺度组织学特征。
图3所示实施例提供的技术方案，基于各个尺度的实例级图像，获取各个尺度对应的包级别特征集合，基于上述各个尺度对应的包级别特征集合，确定组织病理学切片的多尺度组织学特征。通过上述步骤，从多个尺度分别提取上述实例级图像的组织学特征，实现从整体到局部对组织学特征进行提取，提高了对组织学特征提取的精确度。
示例性的，图4示意性示出了根据本公开示例性的实施例中获取包级别特征集合的流程图。参考图4，该图所示方法包括：S410-S450。
参考图4，在S410中，提取各个尺度的实例级图像中第j样本包所包含的所有样本的样本特征，j为正整数。
在示例性的实施例中，参考图1，数据驱动模块120提取上述各个尺度的实例级图像中第j样本包所包含的所有样本的样本特征，j为正整数。其中，上述样本包由多个样本特征构成，上述样本特征指的是上述样本包中所有的实例级特征。
在S420中，利用预训练的神经网络模型对样本特征进行降维。
在示例性的实施例中，参考图1，数据驱动模块120利用预训练的神经网络模型对样本特征进行降维。其中，上述预训练的神经网络模型为上述装袋集成单元，上述降维指的是利用神经网络模型进行上述实例级特征的筛选，从而获取重要特征。
在S430中，基于降维后的样本特征，计算样本特征均值。
在示例性的实施例中，数据驱动模块120基于降维后的样本特征，计算样本特征均值。
在S440中，利用神经网络模型，根据样本特征均值预测第j样本包对应的包级别特征。
在示例性的实施例中，数据驱动模块120利用上述神经网络模型，根据样本特征均值预测第j样本包对应的包级别特征。
在S450中，基于第j样本包对应的包级别特征，得到各个尺度对应的包级别特征集合。
在示例性的实施例中，数据驱动模块120基于第j样本包对应的包级别特征，得到各个尺度对应的包级别特征集合。
图4所示实施例提供的技术方案，提取各个尺度的实例级图像中第j样本包所包含的所有样本的样本特征，利用预训练的神经网络模型对上述样本特征进行降维，基于降维后的样本特征，计算样本特征均值。利用神经网络模型，根据样本特征均值预测第j样本包对应的包级别特征，基于第j样本包对应的包级别特征，得到各个尺度对应的包级别特征集合。本实施例通过上述步骤，实现了从多个尺度分别获取上述目标图像的包级别特征集合，为判断上述组织病理学切片提供了更全面的数据，使得对上述组织病理学切片的亚型分类更准确，使得亚型分类结果更具可解释性。
示例性的，图5示意性示出了根据本公开示例性的实施例中获取多尺度组织学特征的流程图。参考图5，该图所示方法包括：S510-S520。
在S510中，基于装袋算法整合各个尺度对应的包级别特征集合，得到各个尺度对应的切片级组织学特征。
在示例性的实施例中，上述数据驱动模块120基于上述装袋算法整合各个尺度对应的包级别特征集合，得到各个尺度对应的切片级组织学特征。其中，上述装袋算法如公司(6)所示：
其中，公式(6)中的vote函数的含义如下：
1、设置标签阈值V，通常V的取值为0.5，其取值会因切片的数量和组织学特征的出现频率而波动。
2、判断上述包级别特征对应的元素是否大于V，若是，则上述元素值为1，否则为0。
3、对上述包级别特征进行整合，其过程如公式(7)所示：
通过公式(7)，如果超过一半的包级别特征出现在s尺度，则将相应的包级别特征的特征值设置为1，否则设置为0。
在S520中，基于各个尺度对应的切片级组织学特征，得到组织病理学切片的多尺度组织学特征。
在示例性的实施例中，上述数据驱动模块120基于上述各个尺度对应的切片级组织学特征，得到组织病理学切片的多尺度组织学特征。
图5所示实施例提供的技术方案，基于装袋算法整合各个尺度对应的包级别特征集合，得到各个尺度对应的切片级组织学特征，基于各个尺度对应的切片级组织学特征，得到组织病理学切片的多尺度组织学特征。通过上述方案，实现了从多个尺度获取组织病理学切片的组织学特征，提高了获取上述组织学特征的科学性。
示例性的，图6示意性示出了根据本公开示例性的实施例中将组织学特征与病理数据特征映射至三维特征空间的流程图。参考图6，该图所示方法包括：S610-S630。
在S610中，在三个不同的尺度下，分别将多尺度组织学特征与病理数据特征进行量化，得到多尺度组织学特征对应的第一量化矩阵，与病理数据特征对应的第二量化矩阵。
在示例性的实施例中，上述知识驱动模块130分别将多尺度组织学特征与病理数据特征进行量化，得到多尺度组织学特征对应的第一量化矩阵，与病理数据特征对应的第二量化矩阵。其中，上述第一量化矩阵由上述多尺度组织学特征对应的三个不同尺度的组织学特征值构成；上述第二量化矩阵由上述病理数据特征对应的三个不同尺度的组织学特征值构成。
在S620中，将第一量化矩阵转换为第一空间坐标，并且将第二量化矩阵转换为第二空间坐标。
在示例性的实施例中，上述知识驱动模块130将第一量化矩阵转换为第一空间坐标，并且将第二量化矩阵转换为第二空间坐标。
示例性的，上述知识驱动模块130将上述第一量化矩阵与上述第二量化矩阵在三个不同尺度上的组织学特征值量化为三个十进制数字，并将上述三个十进制数字确定为上述空间坐标的坐标值。
在S630中，将第一空间坐标与第二空间坐标映射至三维特征空间，其中，三个不同的尺度包括：十倍尺度、二十倍尺度与四十倍尺度。
在示例性的实施例中，上述知识驱动模块130将第一空间坐标与第二空间坐标映射至上述三维特征空间，其中，三个不同的尺度包括：十倍尺度、二十倍尺度与四十倍尺度。
例如，将十倍尺度下的组织学特征值对应于上述三维特征空间的横坐标，将二十倍尺度下的组织学特征值对应于上述三维特征空间的纵坐标，将四十倍尺度下的组织学特征值对应于上述三维特征空间的竖坐标。
图6所示实施例提供的技术方案，将多尺度组织学特征与病理数据特征进行量化，并且映射到三维特征空间中，使得上述多尺度组织学特征与病理数据特征之间的关系更形象，并且方便比较上述多尺度组织学特征与病理数据特征之间的相似度。
示例性的，图7示意性示出了根据本公开示例性的实施例中对组织病理学切片进行亚型分类的流程图。参考图7，该图所示方法包括：S710-S740。
在S710中，在三维特征空间中，计算多尺度组织学特征与病理数据特征的欧几里得距离，得到距离数据集。
在示例性的实施例中，上述知识驱动模块130计算多尺度组织学特征与病理数据特征的欧几里得距离，得到距离数据集。其中，上述病理数据特征可以是一个或多个，上述距离数据集中包括一个或多个上述欧几里得距离。
在S720中，根据距离数据集，确定相似度。
在示例性的实施例中，上述知识驱动模块130根据上述距离数据集，确定相似度。
在S730中，确定距离数据集中的最小距离对应的目标相似度。
在示例性的实施例中，上述知识驱动模块130确定距离数据集中的最小距离对应的目标相似度。
在S740中，将目标相似度对应的病理学类型，确定为组织病理学切片所属的亚型。
在示例性的实施例中，将目标相似度对应的病理学类型，确定为组织病理学切片所属的亚型。
图7所示实施例提供的技术方案，计算多尺度组织学特征与病理数据特征的欧几里得距离，得到距离数据集，根据距离数据集，确定相似度。确定距离数据集中的最小距离对应的目标相似度，将目标相似度对应的病理学类型，确定为组织病理学切片所属的亚型。通过上述方案，实现了精确计算多尺度组织学特征与病理数据特征的相似度，从而提高了确定组织病理学切片的类型的准确率。
示例性的，图8示意性示出了根据本公开示例性的实施例中数据驱动模块流程图。
参考图8，分别通过尺度1、尺度2以及尺度3将数据输入嵌入表示单元，得到输出后，将输出结果输入装袋集成单元，得到上述尺度1、尺度2与尺度3分别对应的组织学特征。其中，上述数据指的是上述病理数据特征与上述组织病理学切片的多尺度组织学特征相关的数据。
示例性的，图9示意性示出了根据本公开示例性的实施例中知识驱动模块流程图。
参考图9，将尺度1、尺度2与尺度3分别对应的组织学特征根据相近性原理映射至上述三维特征空间，在上述三维特征空间下，基于相近性原理计算上述组织学特征与病理数据特征的欧几里得距离，最后根据上述欧几里得距离确定上述组织病理学切片所属的亚型。
示例性的，图10与图11分别示意性示出了根据本公开示例性的实施例中肾细胞癌与皮肤癌的三维特征控件示意图。
参考图10与图11，用三角形和球形表示它们，希望通过定性实验来探索模型如何结合数据驱动和知识驱动模块来获得可解释和高亚型分类精度的诊断。其中，三角形显示的预测点揭示了癌症亚型在每个尺度上的组织学特征，模型根据这些特征将它们映射到三维空间中的不同位置。数据驱动模块生成的组织学特征直观的解释和说明了模型是基于哪些特征给出的诊断结论，这可以帮助医生做出更好的决策。其中，图11中的None代表在当前尺度下没有组织学特征。图10与图11中的字母指代含义在上文已做描述，在此不再赘述。
上述本公开实施例序号仅仅为了描述，不代表实施例的优劣。
下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。
其中，图12示意性示出了根据本公开示例性的实施例中组织病理学切片的亚型分类装置的结构图。请参见图12，该图所示的组织病理学切片的亚型分类装置1200包括：提取模块1210、映射模块1220、确定模块1230以及分类模块1240，其中：
上述提取模块1210，用于：提取目标图像包含的组织病理学切片的多尺度组织学特征。
上述映射模块1220，用于：将上述多尺度组织学特征与上述组织病理学切片的病理数据特征映射到三维特征空间。
上述确定模块1230，用于：在上述三维特征空间中，确定上述多尺度组织学特征与上述病理数据特征的相似度。
上述分类模块1240，用于：基于上述相似度，对上述组织病理学切片进行亚型分类。
在示例性的实施例中，基于前述方案，上述提取模块1210，还用于：基于各个尺度的实例级图像，获取上述各个尺度对应的包级别特征集合；基于上述各个尺度对应的包级别特征集合，确定上述组织病理学切片的多尺度组织学特征。
在示例性的实施例中，基于前述方案，上述提取模块1210，还用于：提取上述各个尺度的实例级图像中第j样本包所包含的所有样本的样本特征，j为正整数；利用预训练的神经网络模型对上述样本特征进行降维；基于降维后的样本特征，计算样本特征均值；利用上述神经网络模型，根据上述样本特征均值预测上述第j样本包对应的包级别特征；基于上述第j样本包对应的包级别特征，得到上述各个尺度对应的包级别特征集合。
在示例性的实施例中，基于前述方案，上述提取模块1210，还用于：基于装袋算法整合上述各个尺度对应的包级别特征集合，得到上述各个尺度对应的切片级组织学特征；基于上述各个尺度对应的切片级组织学特征，得到上述组织病理学切片的多尺度组织学特征。
在示例性的实施例中，基于前述方案，上述映射模块1220还用于：在上述三个不同的尺度下，分别将上述多尺度组织学特征与上述病理数据特征进行量化，得到上述多尺度组织学特征对应的第一量化矩阵，与上述病理数据特征对应的第二量化矩阵；将上述第一量化矩阵转换为第一空间坐标，并且将上述第二量化矩阵转换为第二空间坐标；将上述第一空间坐标与上述第二空间坐标映射至上述三维特征空间；其中，上述三个不同的尺度包括：十倍尺度、二十倍尺度与四十倍尺度。
在示例性的实施例中，基于前述方案，上述确定模块1230还用于：在上述三维特征空间中，计算上述多尺度组织学特征与上述病理数据特征的欧几里得距离，得到距离数据集；根据上述距离数据集，确定上述相似度。
在示例性的实施例中，基于前述方案，上述分类模块1240还用于：确定上述距离数据集中的最小距离对应的目标相似度；将上述目标相似度对应的病理学类型，确定为上述组织病理学切片所属的亚型。
需要说明的是，上述实施例提供的组织病理学切片的亚型分类装置在执行组织病理学切片的亚型分类方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的组织病理学切片的亚型分类装置与组织病理学切片的亚型分类方法实施例属于同一构思，因此对于本公开装置实施例中未披露的细节，请参照本公开上述的组织病理学切片的亚型分类方法的实施例，这里不再赘述。
上述本公开实施例序号仅仅为了描述，不代表实施例的优劣。
本公开实施例还提供了一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述任一实施例方法的步骤。其中，可读存储介质可以包括但不限于任何类型的盘，包括软盘、光盘、DVD、CD-ROM、微型驱动器以及磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪速存储器设备、磁卡或光卡、纳米系统(包括分子存储器IC)，或适合于存储指令和/或数据的任何类型的媒介或设备。
本公开实施例还提供了一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述任一实施例方法的步骤。
图13示意性示出了根据本公开示例性的实施例中终端的结构图。请参见图13所示，终端1300包括有：处理器1310和存储器1320。
本公开实施例中，处理器1310为计算机系统的控制中心，可以是实体机的处理器，也可以是虚拟机的处理器。处理器1310可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器1310可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable LogicArray，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器1310也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(CentralProcessing Unit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。
在本公开实施例中，上述处理器1310具体用于：
提取目标图像包含的组织病理学切片的多尺度组织学特征；将上述多尺度组织学特征与上述组织病理学切片的病理数据特征映射到三维特征空间；在上述三维特征空间中，确定上述多尺度组织学特征与上述病理数据特征的相似度；基于上述相似度，对上述组织病理学切片进行亚型分类。
进一步地，上述目标图像包括三个尺度的实例级图像，上述提取目标图像包含的组织病理学切片的多尺度组织学特征，包括：基于各个尺度的实例级图像，获取上述各个尺度对应的包级别特征集合；基于上述各个尺度对应的包级别特征集合，确定上述组织病理学切片的多尺度组织学特征。
进一步地，上述基于各个尺度的实例级图像，获取各个尺度对应的包级别特征集合，包括：提取上述各个尺度的实例级图像中第j样本包所包含的所有样本的样本特征，j为正整数；利用预训练的神经网络模型对上述样本特征进行降维；基于降维后的样本特征，计算样本特征均值；利用上述神经网络模型，根据上述样本特征均值预测上述第j样本包对应的包级别特征；基于上述第j样本包对应的包级别特征，得到上述各个尺度对应的包级别特征集合。
进一步地，上述基于上述各个尺度对应的包级别特征集合，确定上述组织病理学切片的多尺度组织学特征，包括：基于装袋算法整合上述各个尺度对应的包级别特征集合，得到上述各个尺度对应的切片级组织学特征；基于上述各个尺度对应的切片级组织学特征，得到上述组织病理学切片的多尺度组织学特征。
进一步地，上述三维特征空间包括三个不同的尺度，上述将上述多尺度组织学特征与上述组织病理学的病理数据特征映射到三维特征空间，包括：在上述三个不同的尺度下，分别将上述多尺度组织学特征与上述病理数据特征进行量化，得到上述多尺度组织学特征对应的第一量化矩阵，与上述病理数据特征对应的第二量化矩阵；将上述第一量化矩阵转换为第一空间坐标，并且将上述第二量化矩阵转换为第二空间坐标；将上述第一空间坐标与上述第二空间坐标映射至上述三维特征空间；其中，上述三个不同的尺度包括：十倍尺度、二十倍尺度与四十倍尺度。
进一步地，上述在上述三维特征空间中，确定上述多尺度组织学特征与上述病理数据特征的相似度，包括：在上述三维特征空间中，计算上述多尺度组织学特征与上述病理数据特征的欧几里得距离，得到距离数据集；根据上述距离数据集，确定上述相似度。
进一步地，上述基于上述相似度，对上述组织病理学切片进行亚型分类，包括：确定上述距离数据集中的最小距离对应的目标相似度；将上述目标相似度对应的病理学类型，确定为上述组织病理学切片所属的亚型。
存储器1320可以包括一个或多个可读存储介质，该可读存储介质可以是非暂态的。存储器1320还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在本公开的一些实施例中，存储器1320中的非暂态的可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器1310所执行以实现本公开实施例中的方法。
一些实施例中，终端1300还包括有：外围设备接口1330和至少一个外围设备。处理器1310、存储器1320和外围设备接口1330之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口1330相连。具体地，外围设备包括：显示屏1340、摄像头1350和音频电路1360中的至少一种。
外围设备接口1330可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器1310和存储器1320。在本公开的一些实施例中，处理器1310、存储器1320和外围设备接口1330被集成在同一芯片或电路板上；在本公开的一些其他实施例中，处理器1310、存储器1320和外围设备接口1330中的任意一个或两个可以在单独的芯片或电路板上实现。本公开实施例对此不作具体限定。
显示屏1340用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏1340是触摸显示屏时，显示屏1340还具有采集在显示屏1340的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器1310进行处理。此时，显示屏1340还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在本公开的一些实施例中，显示屏1340可以为一个，设置终端1300的前面板；在本公开的另一些实施例中，显示屏1340可以为至少两个，分别设置在终端1300的不同表面或呈折叠设计；在本公开的再一些实施例中，显示屏1340可以是柔性显示屏，设置在终端1300的弯曲表面上或折叠面上。甚至，显示屏1340还可以设置成非矩形的不规则图形，也即异形屏。显示屏1340可以采用LCD(Liquid Crystal Display，液晶显示屏)、OLED(Organic Light-Emitting Diode，有机发光二极管)等材质制备。
摄像头1350用于采集图像或视频。可选地，摄像头1350包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality，虚拟现实)拍摄功能或者其它融合拍摄功能。在本公开的一些实施例中，摄像头1350还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。
音频电路1360可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器1310进行处理。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在终端1300的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。
电源1370用于为终端1300中的各个组件进行供电。电源1370可以是交流电、直流电、一次性电池或可充电电池。当电源1370包括可充电电池时，该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池，无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。
本公开实施例中示出的终端结构框图并不构成对终端1300的限定，终端1300可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。
在本公开中，术语“第一”、“第二”等仅用于描述的目的，而不能理解为指示或暗示相对重要性或顺序；术语“多个”则指两个或两个以上，除非另有明确的限定。术语“安装”、“相连”、“连接”、“固定”等术语均应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；“相连”可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本公开中的具体含义。
本公开的描述中，需要理解的是，术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本公开和简化描述，而不是指示或暗示所指的装置或单元必须具有特定的方向、以特定的方位构造和操作，因此，不能理解为对本公开的限制。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的保护范围之内。因此，依本公开权利要求所作的等同变化，仍属本公开所涵盖的范围。
Claims (10)
1.一种组织病理学切片的亚型分类方法，其特征在于，所述方法包括：
提取目标图像包含的组织病理学切片的多尺度组织学特征；
将所述多尺度组织学特征与所述组织病理学切片的病理数据特征映射到三维特征空间；
在所述三维特征空间中，确定所述多尺度组织学特征与所述病理数据特征的相似度；
基于所述相似度，对所述组织病理学切片进行亚型分类。
2.根据权利要求1所述的组织病理学切片的亚型分类方法，其特征在于，所述目标图像包括三个尺度的实例级图像，所述提取目标图像包含的组织病理学切片的多尺度组织学特征，包括：
基于各个尺度的实例级图像，获取所述各个尺度对应的包级别特征集合；
基于所述各个尺度对应的包级别特征集合，确定所述组织病理学切片的多尺度组织学特征。
3.根据权利要求2所述的组织病理学切片的亚型分类方法，其特征在于，所述基于各个尺度的实例级图像，获取各个尺度对应的包级别特征集合，包括：
提取所述各个尺度的实例级图像中第j样本包所包含的所有样本的样本特征，j为正整数；
利用预训练的神经网络模型对所述样本特征进行降维；
基于降维后的样本特征，计算样本特征均值；
利用所述神经网络模型，根据所述样本特征均值预测所述第j样本包对应的包级别特征；
基于所述第j样本包对应的包级别特征，得到所述各个尺度对应的包级别特征集合。
4.根据权利要求3所述的组织病理学切片的亚型分类方法，其特征在于，所述基于所述各个尺度对应的包级别特征集合，确定所述组织病理学切片的多尺度组织学特征，包括：
基于装袋算法整合所述各个尺度对应的包级别特征集合，得到所述各个尺度对应的切片级组织学特征；
基于所述各个尺度对应的切片级组织学特征，得到所述组织病理学切片的多尺度组织学特征。
5.根据权利要求1所述的组织病理学切片的亚型分类方法，其特征在于，所述三维特征空间包括三个不同的尺度，所述将所述多尺度组织学特征与所述组织病理学的病理数据特征映射到三维特征空间，包括：
在所述三个不同的尺度下，分别将所述多尺度组织学特征与所述病理数据特征进行量化，得到所述多尺度组织学特征对应的第一量化矩阵，与所述病理数据特征对应的第二量化矩阵；
将所述第一量化矩阵转换为第一空间坐标，并且将所述第二量化矩阵转换为第二空间坐标；
将所述第一空间坐标与所述第二空间坐标映射至所述三维特征空间；
其中，所述三个不同的尺度包括：十倍尺度、二十倍尺度与四十倍尺度。
6.根据权利要求1所述的组织病理学切片的亚型分类方法，其特征在于，所述在所述三维特征空间中，确定所述多尺度组织学特征与所述病理数据特征的相似度，包括：
在所述三维特征空间中，计算所述多尺度组织学特征与所述病理数据特征的欧几里得距离，得到距离数据集；
根据所述距离数据集，确定所述相似度。
7.根据权利要求6所述的组织病理学切片的亚型分类方法，其特征在于，所述基于所述相似度，对所述组织病理学切片进行亚型分类，包括：
确定所述距离数据集中的最小距离对应的目标相似度；
将所述目标相似度对应的病理学类型，确定为所述组织病理学切片所属的亚型。
8.一种组织病理学切片的亚型分类装置，其特征在于，包括：
提取模块：用于提取目标图像包含的组织病理学切片的多尺度组织学特征；
映射模块：用于将所述多尺度组织学特征与所述组织病理学的病理数据特征映射到三维特征空间；
确定模块：用于在所述三维特征空间中，确定所述多尺度组织学特征与所述病理数据特征的相似度；
分类模块：用于基于所述相似度，对所述组织病理学切片进行亚型分类。
9.一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的组织病理学切片的亚型分类方法。
10.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的组织病理学切片的亚型分类方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210378284.2A CN114693662B (zh) | 2022-04-12 | 2022-04-12 | 组织病理学切片的亚型分类方法及装置、介质及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210378284.2A CN114693662B (zh) | 2022-04-12 | 2022-04-12 | 组织病理学切片的亚型分类方法及装置、介质及终端 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114693662A true CN114693662A (zh) | 2022-07-01 |
| CN114693662B CN114693662B (zh) | 2024-07-16 |
Family
ID=82143110
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210378284.2A Active CN114693662B (zh) | 2022-04-12 | 2022-04-12 | 组织病理学切片的亚型分类方法及装置、介质及终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114693662B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106874687A (zh) * | 2017-03-03 | 2017-06-20 | 深圳大学 | 病理切片图像智能分类方法及装置 |
| CN108717554A (zh) * | 2018-05-22 | 2018-10-30 | 复旦大学附属肿瘤医院 | 一种甲状腺肿瘤病理组织切片图像分类方法及其装置 |
| CN111476292A (zh) * | 2020-04-03 | 2020-07-31 | 北京全景德康医学影像诊断中心有限公司 | 医学图像分类处理人工智能的小样本元学习训练方法 |
| US20210118136A1 (en) * | 2019-10-22 | 2021-04-22 | Novateur Research Solutions LLC | Artificial intelligence for personalized oncology |
| CN113762395A (zh) * | 2021-09-09 | 2021-12-07 | 深圳大学 | 一种胰胆管型壶腹癌分类模型生成方法及图像分类方法 |
-
2022
- 2022-04-12 CN CN202210378284.2A patent/CN114693662B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106874687A (zh) * | 2017-03-03 | 2017-06-20 | 深圳大学 | 病理切片图像智能分类方法及装置 |
| CN108717554A (zh) * | 2018-05-22 | 2018-10-30 | 复旦大学附属肿瘤医院 | 一种甲状腺肿瘤病理组织切片图像分类方法及其装置 |
| US20210118136A1 (en) * | 2019-10-22 | 2021-04-22 | Novateur Research Solutions LLC | Artificial intelligence for personalized oncology |
| CN111476292A (zh) * | 2020-04-03 | 2020-07-31 | 北京全景德康医学影像诊断中心有限公司 | 医学图像分类处理人工智能的小样本元学习训练方法 |
| CN113762395A (zh) * | 2021-09-09 | 2021-12-07 | 深圳大学 | 一种胰胆管型壶腹癌分类模型生成方法及图像分类方法 |
Non-Patent Citations (3)
| Title |
|---|
| BO YU ET.AL: "Data and knowledge co-driving for cancer subtype classification on multi-scale histopathological slides", 《KNOWLEDGE-BASED SYSTEMS》, 30 November 2022 (2022-11-30), pages 1 - 12 * |
| JONATHAN DE MATOS ET.AL: "Histopathologic Image Processing: A Review", 《ARXIV:1904.07900V1 [CS.CV]》, 16 April 2019 (2019-04-16), pages 1 - 23 * |
| 陈金令 等: "面向WSI 的乳腺病理亚型分类研究", 《计算机应用研究》, vol. 39, no. 10, 31 October 2022 (2022-10-31), pages 3167 - 3173 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114693662B (zh) | 2024-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111524106B (zh) | 颅骨骨折检测和模型训练方法、装置、设备和存储介质 | |
| CN111325726A (zh) | 模型训练方法、图像处理方法、装置、设备及存储介质 | |
| CN111931592B (zh) | 对象识别方法、装置及存储介质 | |
| CN110020592A (zh) | 物体检测模型训练方法、装置、计算机设备及存储介质 | |
| CN106372051B (zh) | 一种专利地图的可视化方法和系统 | |
| CN111597884A (zh) | 面部动作单元识别方法、装置、电子设备及存储介质 | |
| CN112614144A (zh) | 一种图像分割方法、装置、设备及存储介质 | |
| CN111192262A (zh) | 基于人工智能的产品缺陷分类方法、装置、设备及介质 | |
| EP4447008A1 (en) | Facial recognition method and apparatus | |
| WO2022193973A1 (zh) | 图像处理方法、装置、电子设备、计算机可读存储介质及计算机程序产品 | |
| WO2024016812A1 (zh) | 显微图像的处理方法、装置、计算机设备及存储介质 | |
| CN114332554A (zh) | 图像分割模型的训练方法、图像分割方法、装置及设备 | |
| EP3914953A1 (en) | Capture and storage of magnified images | |
| CN113705595A (zh) | 异常细胞转移程度的预测方法、装置和存储介质 | |
| CN113516665A (zh) | 图像分割模型的训练方法、图像分割方法、装置、设备 | |
| CN116543261A (zh) | 用于图像识别的模型训练方法、图像识别方法设备及介质 | |
| CN115471439A (zh) | 显示面板缺陷的识别方法、装置、电子设备及存储介质 | |
| CN114693662A (zh) | 组织病理学切片的亚型分类方法及装置、介质及终端 | |
| CN116843956A (zh) | 一种宫颈病理图像异常细胞识别方法、系统及存储介质 | |
| WO2022226744A1 (en) | Texture completion | |
| CN113052240B (zh) | 图像处理模型的确定方法、装置、设备及存储介质 | |
| CN113177545B (zh) | 目标物体的检测方法、装置、电子设备和存储介质 | |
| CN118196478A (zh) | 组织病理图像识别方法、装置、电子设备及存储介质 | |
| Liu et al. | Nuclei detection in breast histopathology images with iterative correction | |
| CN117011571A (zh) | 图像分类模型的训练方法、装置及设备 |
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 |