CN114782355A - 基于改进vgg16网络的胃癌数字病理切片检测方法 - Google Patents
基于改进vgg16网络的胃癌数字病理切片检测方法 Download PDFInfo
- Publication number
- CN114782355A CN114782355A CN202210401780.5A CN202210401780A CN114782355A CN 114782355 A CN114782355 A CN 114782355A CN 202210401780 A CN202210401780 A CN 202210401780A CN 114782355 A CN114782355 A CN 114782355A
- Authority
- CN
- China
- Prior art keywords
- vgg16 network
- image
- network
- iteration
- prediction
- 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
- 230000001575 pathological effect Effects 0.000 title claims abstract description 33
- 208000005718 Stomach Neoplasms Diseases 0.000 title claims abstract description 26
- 206010017758 gastric cancer Diseases 0.000 title claims abstract description 26
- 201000011549 stomach cancer Diseases 0.000 title claims abstract description 26
- 238000001514 detection method Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000011176 pooling Methods 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims abstract description 9
- 238000002372 labelling Methods 0.000 claims abstract description 8
- 238000013526 transfer learning Methods 0.000 claims abstract description 7
- 238000005520 cutting process Methods 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 12
- 230000008014 freezing Effects 0.000 claims description 6
- 238000007710 freezing Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 238000012546 transfer 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—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
- G06T2207/30092—Stomach; Gastric
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于改进VGG16网络的胃癌数字病理切片检测方法,该方法包括下述步骤:基于快速Otsu算法提取ROI区域,基于xml标注文件生成初始标注掩码图;基于VGG16网络搭建模型,保留VGG16网络的卷积层和池化层,组合VGG16网络的全连接层中尺寸相同的两幅特征图谱得到新图谱,将组合后的新图谱输入分类函数Softmax对每个像素分类,得到输出;基于迁移学习训练模型,基于图像块的信息重建预测结果,本发明在维持预测效果的前提下,从数据处理、模型训练、图像预测等方面极大程度地减少参数量和计算量,使用较少的资源,完成胃癌病灶区域的勾画。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于改进VGG16网络的胃癌数字病理切片检测方法。
背景技术
许多学者已经将传统机器学习算法运用到WSI上并取得了一定成果。近年来深度学习也被广泛用于病理学图像研究,目前已有基于CNN和基于UNet等网络的模型实现了对胃癌数字病理切片的检测,但这些方法仍存在一些问题:
(1)数据集制作时间长。原始病理切片的像素级别通常为105×105级别,采用一般的Otsu算法处理一张WSI需要几十小时,处理整个数据集往往需要几天甚至十几天,费时费力,增加研究成本;
(2)模型复杂度高。一般的模型使用的卷积核比较大,包含庞大的参数量,训练时需要耗费大量硬件资源和时间成本,预测时效率也不高;
(3)模型训练费时。WSI的大小通常以105×105为单位,在输入模型时通常需要剪切为102×102大小,因此一张WSI至少会剪切出几十万张patch,由几十张原始病理切片制作成的数据集会包含几百万张甚至上千万张patch,在训练时又需要多轮迭代,整个训练非常耗时,消耗巨大的计算资源,也不利于训练时调整参数。
发明内容
为了克服现有技术存在的缺陷与不足,本发明提供一种基于改进VGG16网络的胃癌数字病理切片检测方法,本发明在维持预测效果的情况下,从数据处理、模型训练、图像预测等方面极大程度地减少计算量,节约时间成本,完成胃癌病灶区域勾画。
本发明的第二目的在于提供一种基于改进VGG16网络的胃癌数字病理切片检测系统。
本发明的第三目的在于提供一种计算机可读存储介质。
本发明的第四目的在于提供一种计算设备。
为了达到上述目的,本发明采用以下技术方案:
本发明提供一种基于改进VGG16网络的胃癌数字病理切片检测方法,包括下述步骤:
基于快速Otsu算法提取ROI区域,基于xml标注文件生成初始标注掩码图;
基于VGG16网络搭建模型,保留VGG16网络的卷积层和池化层,组合VGG16网络的全连接层中尺寸相同的两幅特征图谱得到新图谱,将组合后的新图谱输入分类函数Softmax对每个像素分类,得到输出;
基于迁移学习训练模型,具体步骤包括:
VGG16网络的卷积层和池化层初始权重都采用VGG16网络训练数据集ImageNet保存的权重,以不冻结卷积层和池化层权重的方式,在迭代时对卷积层和池化层进行调整,保留训练后的权重;
将原始切片和对应标注掩码图剪切为设定尺寸大小的图像块,在边界区域以边界为起点剪切,剪切时记录坐标信息,训练时将图像块和对应标注掩码图同时输入网络;
训练时先根据图像块生成正样本池和负样本池,每轮迭代前从负样本池中抽取与正样本相同数量的负样本,组成该轮迭代的数据集;
若切片剪切为图像块后数量超过设定的阈值,每次随机抽取设定比例的正样本,再随机抽取相同数量的负样本,组成该轮迭代的数据集,同时增加迭代次数;
基于图像块的信息重建预测结果,在预测时将全视野图像切割为固定大小的图像块,切割时记录坐标信息,输入模型预测后将所得输出二进制掩码图根据坐标信息拼接,得到预测结果。
作为优选的技术方案,所述基于快速Otsu算法提取ROI区域,基于xml标注文件生成初始标注掩码图,具体步骤包括:
读取原始病理切片,获得灰度值和邻域像素的二维直方图,利用快速Otsu算法获得ROI提取第一结果;
将读取的原始切片转换为HSV颜色空间,再利用快速Otsu算法获得ROI提取第二结果,将ROI提取第一结果和ROI提取第二结果进行与操作得到最终的ROI图像;
将最终的ROI图像与初始标注掩码图做与运算得到与原切片等大的标注掩码图。
作为优选的技术方案,所述组合VGG16网络的全连接层中尺寸相同的两幅特征图谱得到新图谱,具体步骤包括:
将VGG16网络的全连接层维度相同的图谱FC1和FC2分别乘以系数θ和系数γ再相加,组成新的图谱,其中,θ+γ=1。
作为优选的技术方案,所述每次随机抽取设定比例的正样本,再随机抽取相同数量的负样本,组成该轮迭代的数据集,同时增加迭代次数,具体步骤包括:
每次随机抽取5%的正样本,再随机抽取相同数量的负样本,组成该轮迭代的数据集,同时增加迭代次数为原来的4倍。
作为优选的技术方案,所述在预测时将全视野图像切割为固定大小的图像块,切割时记录坐标信息,输入模型预测后将所得输出二进制掩码图根据坐标信息拼接,得到预测结果,具体步骤包括:
预测新的病理切片时用一个设定大小的矩形窗口在切片上以设定步长滑动,在切片边界处以边界为起点,记录图像块坐标信息,将图像块输入网络进行预测;
根据图像块坐标信息对输出进行拼接,获得与原切片大小相同的预测图。
为了达到上述第二目的,本发明采用以下技术方案:
一种基于改进VGG16网络的胃癌数字病理切片检测系统,包括:数据预处理模块、网络模型构建模块、网络训练模块和预测模块;
所述数据预处理模块用于基于快速Otsu算法提取ROI区域,基于xml标注文件生成初始标注掩码图;
所述网络模型构建模块用于基于VGG16网络搭建模型,保留VGG16网络的卷积层和池化层,组合VGG16网络的全连接层中尺寸相同的两幅特征图谱得到新图谱,将组合后的新图谱输入分类函数Softmax对每个像素分类,得到输出;
所述网络训练模块用于基于迁移学习训练模型,具体包括:
VGG16网络的卷积层和池化层初始权重都采用VGG16网络训练数据集ImageNet保存的权重,以不冻结卷积层和池化层权重的方式,在迭代时对卷积层和池化层进行调整,保留训练后的权重;
将原始切片和对应标注掩码图剪切为设定尺寸大小的图像块,在边界区域以边界为起点剪切,剪切时记录坐标信息,训练时将图像块和对应标注掩码图同时输入网络;
训练时先根据图像块生成正样本池和负样本池,每轮迭代前从负样本池中抽取与正样本相同数量的负样本,组成该轮迭代的数据集;
若切片剪切为图像块后数量超过设定的阈值,每次随机抽取设定比例的正样本,再随机抽取相同数量的负样本,组成该轮迭代的数据集,同时增加迭代次数;
所述预测模块用于基于图像块的信息重建预测结果,在预测时将全视野图像切割为固定大小的图像块,切割时记录坐标信息,输入模型预测后将所得输出二进制掩码图根据坐标信息拼接,得到预测结果。
为了达到上述第三目的,本发明采用以下技术方案:
一种计算机可读存储介质,存储有程序,所述程序被处理器执行时实现如上述基于改进VGG16网络的胃癌数字病理切片检测方法。
为了达到上述第四目的,本发明采用以下技术方案:
一种计算设备,包括处理器和用于存储处理器可执行程序的存储器,所述处理器执行存储器存储的程序时,实现如上述基于改进VGG16网络的胃癌数字病理切片检测方法。
本发明与现有技术相比,具有如下优点和有益效果:
(1)本发明采用了快速Otsu算法提取原始切片ROI的技术方案,解决了数据集难以制作的技术问题,处理速度可提高三个数量级;
(2)本发明采用了VGG16堆叠小型卷积核的技术方案,解决了模型复杂度高的技术问题,拥有较少的参数量,在全连接层又通过融合图谱减少计算量,节约计算资源;
(3)本发明采用了迁移训练、减少训练集、增加迭代轮数的技术方案,解决了模型训练费时的技术问题,减少不必要的参数调整,迭代时减少样本量,同时增加迭代次数确保训练效果。
附图说明
图1为本发明基于改进VGG16网络的胃癌数字病理切片检测方法的流程示意图;
图2为VGG16网络的结构示意图;
图3为改进VGG16网络的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例1
如图1所示,本实施例提供一种基于改进VGG16网络的胃癌数字病理切片检测方法,包括下述步骤:
S1:基于快速Otsu算法提取ROI区域,基于xml标注文件生成初始标注掩码图,具体步骤包括:
根据xml标注文件生成初始标注掩码图;
使用Openslide库读取原始病理切片,获得灰度值和邻域像素的二维直方图,利用快速Otsu算法获得ROI提取结果A;
将读取的原始切片转换为HSV颜色空间,再利用快速Otsu算法获得ROI提取结果B,将提取结果A和提取结果B进行与操作得到最终的ROI图像;
将最终的ROI图像与初始标注掩码图做与运算得到与原切片等大的标注掩码图。
S2:基于VGG16网络搭建模型,保留VGG16网络的卷积层和池化层,组合全连接层中尺寸相同的两幅特征图谱得到新的图谱,将组合图谱输入分类函数Softmax对每个像素分类,得到输出;
如图2、图3所示,保留VGG16网络的卷积层和池化层,将VGG16网络的全连接层维度相同的图谱FC1和FC2分别乘以系数θ和系数γ(θ+γ=1)再相加,组成新的图谱FC;
将FC输入分类函数Softmax对每个像素进行分类,得到输出。
S3:基于迁移学习训练模型,具体步骤包括:
网络的卷积层和池化层初始权重都采用VGG16网络训练数据集ImageNet保存的权重,以不冻结卷积层和池化层权重的方式,在迭代时对卷积层和池化层进行微调,保留最佳权重;
每次训练前设置好全连接层系数θ与γ的比例,尝试不同比例以得到最佳组合;
由于VGG16输入图像的尺寸需要限制为224×224,将原始切片和对应标注掩码图剪切为224×224大小的patch:以左上角为起点,224为步长剪切下224×224的图像块patch,在边界区域以边界为起点剪切,确保patch大小为224×224。剪切时记录坐标信息,训练时将patch和对应标注掩码图同时输入网络;
训练时先根据patch生成正样本池和负样本池,每轮迭代前从负样本池中抽取与正样本相同数量的负样本,组成该轮迭代的数据集;若切片剪切为patch后数量庞大,可每次随机抽取5%的正样本,再随机抽取相同数量的负样本,组成该轮迭代的数据集,同时增加迭代次数为原来的4倍,可节省1-5%*4=80%时间,并能够确保训练效果;
S4:基于patch信息重建预测结果,在预测时需将全视野图像切割为固定大小的patch,切割时记录坐标信息,输入模型预测后将所得输出二进制掩码图根据坐标信息拼接,得到预测结果,具体步骤包括:
预测新的病理切片时用一个224×224的矩形窗口在切片上以224为步长滑动,在切片边界处以边界为起点,确保所选中patch大小为224×224,记录patch坐标信息,将patch输入网络进行预测;
根据patch坐标信息对输出进行拼接,获得与原切片大小相同的预测图,根据预测图可判断原始切片中胃癌病灶的位置,达到检测目的。
实施例2
本实施例提供一种基于改进VGG16网络的胃癌数字病理切片检测系统,包括:数据预处理模块、网络模型构建模块、网络训练模块和预测模块;
在本实施例中,数据预处理模块用于基于快速Otsu算法提取ROI区域,基于xml标注文件生成初始标注掩码图;
在本实施例中,网络模型构建模块用于基于VGG16网络搭建模型,保留VGG16网络的卷积层和池化层,组合VGG16网络的全连接层中尺寸相同的两幅特征图谱得到新图谱,将组合后的新图谱输入分类函数Softmax对每个像素分类,得到输出;
在本实施例中,网络训练模块用于基于迁移学习训练模型,具体包括:
VGG16网络的卷积层和池化层初始权重都采用VGG16网络训练数据集ImageNet保存的权重,以不冻结卷积层和池化层权重的方式,在迭代时对卷积层和池化层进行调整,保留训练后的权重;
将原始切片和对应标注掩码图剪切为设定尺寸大小的图像块,在边界区域以边界为起点剪切,剪切时记录坐标信息,训练时将图像块和对应标注掩码图同时输入网络;
训练时先根据图像块生成正样本池和负样本池,每轮迭代前从负样本池中抽取与正样本相同数量的负样本,组成该轮迭代的数据集;
若切片剪切为图像块后数量超过设定的阈值,每次随机抽取设定比例的正样本,再随机抽取相同数量的负样本,组成该轮迭代的数据集,同时增加迭代次数;
在本实施例中,预测模块用于基于图像块的信息重建预测结果,在预测时将全视野图像切割为固定大小的图像块,切割时记录坐标信息,输入模型预测后将所得输出二进制掩码图根据坐标信息拼接,得到预测结果。
实施例3
本实施例提供一种存储介质,存储介质可以是ROM、RAM、磁盘、光盘等储存介质,该存储介质存储有一个或多个程序,程序被处理器执行时,实现实施例1的基于改进VGG16网络的胃癌数字病理切片检测方法。
实施例4
本实施例提供一种计算设备,该计算设备可以是台式电脑、笔记本电脑、智能手机、PDA手持终端、平板电脑或其他具有显示功能的终端设备,该计算设备包括处理器和存储器,存储器存储有一个或多个程序,处理器执行存储器存储的程序时,实现实施例1的基于改进VGG16网络的胃癌数字病理切片检测方法。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (8)
1.一种基于改进VGG16网络的胃癌数字病理切片检测方法,其特征在于,包括下述步骤:
基于快速Otsu算法提取ROI区域,基于xml标注文件生成初始标注掩码图;
基于VGG16网络搭建模型,保留VGG16网络的卷积层和池化层,组合VGG16网络的全连接层中尺寸相同的两幅特征图谱得到新图谱,将组合后的新图谱输入分类函数Softmax对每个像素分类,得到输出;
基于迁移学习训练模型,具体步骤包括:
VGG16网络的卷积层和池化层初始权重都采用VGG16网络训练数据集ImageNet保存的权重,以不冻结卷积层和池化层权重的方式,在迭代时对卷积层和池化层进行调整,保留训练后的权重;
将原始切片和对应标注掩码图剪切为设定尺寸大小的图像块,在边界区域以边界为起点剪切,剪切时记录坐标信息,训练时将图像块和对应标注掩码图同时输入网络;
训练时先根据图像块生成正样本池和负样本池,每轮迭代前从负样本池中抽取与正样本相同数量的负样本,组成该轮迭代的数据集;
若切片剪切为图像块后数量超过设定的阈值,每次随机抽取设定比例的正样本,再随机抽取相同数量的负样本,组成该轮迭代的数据集,同时增加迭代次数;
基于图像块的信息重建预测结果,在预测时将全视野图像切割为固定大小的图像块,切割时记录坐标信息,输入模型预测后将所得输出二进制掩码图根据坐标信息拼接,得到预测结果。
2.根据权利要求1所述的基于改进VGG16网络的胃癌数字病理切片检测方法,其特征在于,所述基于快速Otsu算法提取ROI区域,基于xml标注文件生成初始标注掩码图,具体步骤包括:
读取原始病理切片,获得灰度值和邻域像素的二维直方图,利用快速Otsu算法获得ROI提取第一结果;
将读取的原始切片转换为HSV颜色空间,再利用快速Otsu算法获得ROI提取第二结果,将ROI提取第一结果和ROI提取第二结果进行与操作得到最终的ROI图像;
将最终的ROI图像与初始标注掩码图做与运算得到与原切片等大的标注掩码图。
3.根据权利要求1所述的基于改进VGG16网络的胃癌数字病理切片检测方法,其特征在于,所述组合VGG16网络的全连接层中尺寸相同的两幅特征图谱得到新图谱,具体步骤包括:
将VGG16网络的全连接层维度相同的图谱FC1和FC2分别乘以系数θ和系数γ再相加,组成新的图谱,其中,θ+γ=1。
4.根据权利要求1所述的基于改进VGG16网络的胃癌数字病理切片检测方法,其特征在于,所述每次随机抽取设定比例的正样本,再随机抽取相同数量的负样本,组成该轮迭代的数据集,同时增加迭代次数,具体步骤包括:
每次随机抽取5%的正样本,再随机抽取相同数量的负样本,组成该轮迭代的数据集,同时增加迭代次数为原来的4倍。
5.根据权利要求1所述的基于改进VGG16网络的胃癌数字病理切片检测方法,其特征在于,所述在预测时将全视野图像切割为固定大小的图像块,切割时记录坐标信息,输入模型预测后将所得输出二进制掩码图根据坐标信息拼接,得到预测结果,具体步骤包括:
预测新的病理切片时用一个设定大小的矩形窗口在切片上以设定步长滑动,在切片边界处以边界为起点,记录图像块坐标信息,将图像块输入网络进行预测;
根据图像块坐标信息对输出进行拼接,获得与原切片大小相同的预测图。
6.一种基于改进VGG16网络的胃癌数字病理切片检测系统,其特征在于,包括:数据预处理模块、网络模型构建模块、网络训练模块和预测模块;
所述数据预处理模块用于基于快速Otsu算法提取ROI区域,基于xml标注文件生成初始标注掩码图;
所述网络模型构建模块用于基于VGG16网络搭建模型,保留VGG16网络的卷积层和池化层,组合VGG16网络的全连接层中尺寸相同的两幅特征图谱得到新图谱,将组合后的新图谱输入分类函数Softmax对每个像素分类,得到输出;
所述网络训练模块用于基于迁移学习训练模型,具体包括:
VGG16网络的卷积层和池化层初始权重都采用VGG16网络训练数据集ImageNet保存的权重,以不冻结卷积层和池化层权重的方式,在迭代时对卷积层和池化层进行调整,保留训练后的权重;
将原始切片和对应标注掩码图剪切为设定尺寸大小的图像块,在边界区域以边界为起点剪切,剪切时记录坐标信息,训练时将图像块和对应标注掩码图同时输入网络;
训练时先根据图像块生成正样本池和负样本池,每轮迭代前从负样本池中抽取与正样本相同数量的负样本,组成该轮迭代的数据集;
若切片剪切为图像块后数量超过设定的阈值,每次随机抽取设定比例的正样本,再随机抽取相同数量的负样本,组成该轮迭代的数据集,同时增加迭代次数;
所述预测模块用于基于图像块的信息重建预测结果,在预测时将全视野图像切割为固定大小的图像块,切割时记录坐标信息,输入模型预测后将所得输出二进制掩码图根据坐标信息拼接,得到预测结果。
7.一种计算机可读存储介质,存储有程序,其特征在于,所述程序被处理器执行时实现如权利要求1-5任一项所述基于改进VGG16网络的胃癌数字病理切片检测方法。
8.一种计算设备,包括处理器和用于存储处理器可执行程序的存储器,其特征在于,所述处理器执行存储器存储的程序时,实现如权利要求1-5任一项所述基于改进VGG16网络的胃癌数字病理切片检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210401780.5A CN114782355B (zh) | 2022-04-18 | 2022-04-18 | 基于改进vgg16网络的胃癌数字病理切片检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210401780.5A CN114782355B (zh) | 2022-04-18 | 2022-04-18 | 基于改进vgg16网络的胃癌数字病理切片检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114782355A true CN114782355A (zh) | 2022-07-22 |
CN114782355B CN114782355B (zh) | 2024-05-14 |
Family
ID=82428837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210401780.5A Active CN114782355B (zh) | 2022-04-18 | 2022-04-18 | 基于改进vgg16网络的胃癌数字病理切片检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114782355B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115187591A (zh) * | 2022-09-08 | 2022-10-14 | 深圳市资福医疗技术有限公司 | 一种病灶检测方法、系统、设备及存储介质 |
CN115331220A (zh) * | 2022-07-29 | 2022-11-11 | 江苏迪赛特医疗科技有限公司 | 基于目标检测和热图回归的宫颈念珠菌感染筛查方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476283A (zh) * | 2020-03-31 | 2020-07-31 | 上海海事大学 | 基于迁移学习的青光眼眼底图像识别方法 |
WO2021244079A1 (zh) * | 2020-06-02 | 2021-12-09 | 苏州科技大学 | 智能家居环境中图像目标检测方法 |
CN114283164A (zh) * | 2022-03-02 | 2022-04-05 | 华南理工大学 | 基于UNet3+的乳腺癌病理切片图像分割预测系统 |
-
2022
- 2022-04-18 CN CN202210401780.5A patent/CN114782355B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476283A (zh) * | 2020-03-31 | 2020-07-31 | 上海海事大学 | 基于迁移学习的青光眼眼底图像识别方法 |
WO2021244079A1 (zh) * | 2020-06-02 | 2021-12-09 | 苏州科技大学 | 智能家居环境中图像目标检测方法 |
CN114283164A (zh) * | 2022-03-02 | 2022-04-05 | 华南理工大学 | 基于UNet3+的乳腺癌病理切片图像分割预测系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115331220A (zh) * | 2022-07-29 | 2022-11-11 | 江苏迪赛特医疗科技有限公司 | 基于目标检测和热图回归的宫颈念珠菌感染筛查方法 |
CN115331220B (zh) * | 2022-07-29 | 2024-04-02 | 江苏迪赛特医疗科技有限公司 | 基于目标检测和热图回归的宫颈念珠菌感染筛查方法 |
CN115187591A (zh) * | 2022-09-08 | 2022-10-14 | 深圳市资福医疗技术有限公司 | 一种病灶检测方法、系统、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114782355B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110738207B (zh) | 一种融合文字图像中文字区域边缘信息的文字检测方法 | |
CN108230339B (zh) | 一种基于伪标签迭代标注的胃癌病理切片标注补全方法 | |
CN115331087B (zh) | 融合区域语义与像素特征的遥感影像变化检测方法及系统 | |
CN114782355A (zh) | 基于改进vgg16网络的胃癌数字病理切片检测方法 | |
CN111210446B (zh) | 一种视频目标分割方法、装置和设备 | |
CN112001399B (zh) | 基于局部特征显著化的图像场景分类方法和装置 | |
US10373022B1 (en) | Text image processing using stroke-aware max-min pooling for OCR system employing artificial neural network | |
CN110866938B (zh) | 一种全自动视频运动目标分割方法 | |
CN111027539A (zh) | 一种基于空间位置信息的车牌字符分割方法 | |
CN114998595B (zh) | 弱监督语义分割方法、语义分割方法及可读存储介质 | |
CN112883795B (zh) | 一种基于深度神经网络的表格快速自动提取方法 | |
CN112164077A (zh) | 基于自下而上路径增强的细胞实例分割方法 | |
CN111626145B (zh) | 一种简捷有效的残缺表格识别及跨页拼接方法 | |
CN111415364A (zh) | 一种计算机视觉中图像分割样本的转换方法、系统及存储介质 | |
CN114897782B (zh) | 基于生成式对抗网络的胃癌病理切片图像分割预测方法 | |
CN116612280A (zh) | 车辆分割方法、装置、计算机设备和计算机可读存储介质 | |
CN114359932B (zh) | 文本检测方法、文本识别方法及装置 | |
CN114092467A (zh) | 一种基于轻量化卷积神经网络的划痕检测方法及系统 | |
CN117437423A (zh) | 基于sam协同学习和跨层特征聚合增强的弱监督医学图像分割方法及装置 | |
CN115908363B (zh) | 肿瘤细胞统计方法、装置、设备和存储介质 | |
CN114862763B (zh) | 一种基于EfficientNet的胃癌病理切片图像分割预测方法 | |
CN114511862B (zh) | 表格识别方法、装置及电子设备 | |
CN113807354B (zh) | 图像语义分割方法、装置、设备和存储介质 | |
CN115482248A (zh) | 图像分割方法、装置、电子设备及存储介质 | |
CN113537229A (zh) | 票据图像生成方法、装置、计算机设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |