CN115222734A - 一种用于胃黏膜肠上皮化生的图像分析方法及系统 - Google Patents

一种用于胃黏膜肠上皮化生的图像分析方法及系统 Download PDF

Info

Publication number
CN115222734A
CN115222734A CN202211140101.XA CN202211140101A CN115222734A CN 115222734 A CN115222734 A CN 115222734A CN 202211140101 A CN202211140101 A CN 202211140101A CN 115222734 A CN115222734 A CN 115222734A
Authority
CN
China
Prior art keywords
gland
glands
segmentation
pathological section
cells
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
Application number
CN202211140101.XA
Other languages
English (en)
Other versions
CN115222734B (zh
Inventor
杨晓云
王晓
于岩波
李�真
季锐
刘治
崔笑笑
曹艳坤
段冠华
彭程
姜善之
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qilu Hospital of Shandong University
Original Assignee
Qilu Hospital of Shandong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qilu Hospital of Shandong University filed Critical Qilu Hospital of Shandong University
Priority to CN202211140101.XA priority Critical patent/CN115222734B/zh
Publication of CN115222734A publication Critical patent/CN115222734A/zh
Application granted granted Critical
Publication of CN115222734B publication Critical patent/CN115222734B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • 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
    • G06T2207/30242—Counting objects in image

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种用于胃黏膜肠上皮化生的图像分析方法及系统，其包括获取深度分割模型；将数字病理切片输入至深度分割模型，得到杯状细胞、腺体及腺腔的分割结果，通过肠化比的计算公式得到肠化比；本发明通过计算得到肠化比，根据肠化比的具体数值，判断肠上皮化生的严重程度，减少评估时间，且提高了评估的准确度。

Description

一种用于胃黏膜肠上皮化生的图像分析方法及系统
技术领域
本发明涉及医学图像分析的技术领域，尤其是涉及一种用于胃黏膜肠上皮化生的图像分析方法及系统。
背景技术
胃癌的发展是一个复杂的多步骤过程，通常被描述为Correa级联反应，胃黏膜腺体萎缩和肠上皮化生是重要的癌前状态，胃黏膜腺体中出现杯状细胞是其显著特征，需要同时识别胃腺体和杯状细胞。然而，肠上皮化生目前尚无特效治疗方法，因此识别有可能进展为胃癌的高危患者并定期监测非常重要。根据OLGIM分期系统，GIM的评价需要通过胃镜下取5次活检，根据显微镜下肠上皮化生区域占比（以杯状细胞为典型代表）将GIM严重程度分为无、轻度、中度、重度4个级别。相对于大量的胃癌筛查人群而言，病理医师严重缺乏，且大量活检标本的病理学评估过程耗时费力，不便且不易客观评价肠上皮化生程度。
发明内容
为了解决上述背景技术中提出的问题，本发明提供一种用于胃黏膜肠上皮化生的图像分析方法及系统。
第一方面，本发明提供一种用于胃黏膜肠上皮化生的图像分析方法，采用如下的技术方案：
一种用于胃黏膜肠上皮化生的图像分析方法，包括以下步骤：
S1、获取深度分割模型，具体获取步骤如下：
获取胃ESD手术标本的数字病理切片，并标注数字病理切片中非肿瘤区域的杯状细胞、表面上皮、腺体及腺腔获得标注图片；
对所述数字病理切片和标注图片分别进行预处理，得到杯状细胞、腺体及腺腔的单个区域；
将预处理后的数字病理切片及标注图片发送至分割模型进行图像分割，得到中间特征和关于杯状细胞、腺体及腺腔细胞的分割预测结果；
基于杯状细胞、腺体及腺腔的单个区域，对所述中间特征进行MLP表征学习，得到不同细胞区域的表征向量；
将不同细胞区域的表征向量进行对比学习，使得相同细胞组织的表征向量距离靠近，不同细胞组织的表征向量远离；
采用第一损失函数对分割模型进行训练并带入标注图片，得到深度分割模型；
S2、将数字病理切片输入至深度分割模型，得到杯状细胞、腺体及腺腔的分割结果，通过
Figure 100002_DEST_PATH_IMAGE001
计算得到肠化比。
优选的，预处理包括以下步骤：
对所述数字病理切片及标注图片分别进行分块操作，即将大分辨率的数字病理切片和标注图片分成大小一致的小图片；
保存标注图片中的杯状细胞、腺体及腺腔信息，并提取杯状细胞、腺体及腺腔的单个区域。
优选的，大分辨率的数字病理切片的大小为94464像素*48768像素，所述小图片的大小为512像素*512像素或1024像素*1024像素。
优选的，将预处理后的数字病理切片及标注图片发送至分割模型进行图像分割，得到中间特征和关于杯状细胞、腺体及腺腔细胞的分割预测结果，具体为：
将预处理后的数字病理切片及标注图片输入深度分割模型deeplabv3；
提取deeplabv3中ASPP分类器前的特征为中间特征；
提取经ASPP分类器输出的结果为分割预测结果；
其中所述分割模型deeplabv3的第二损失函数采用多标签分类损失函数。
优选的，基于杯状细胞、腺体及腺腔的单个区域，对所述中间特征进行MLP表征学习，得到不同细胞区域的表征向量，具体步骤如下：
将所述杯状细胞、腺体及腺腔单个区域作为掩膜，分别与中间特征做不同细胞的特征提取相乘，得到不同细胞区域的特征；
将杯状细胞、腺体及腺腔的特征
Figure 7199DEST_PATH_IMAGE002
,
Figure 100002_DEST_PATH_IMAGE003
,
Figure 189918DEST_PATH_IMAGE004
分别经过两次MLP表征学习，得到杯状细胞、腺体及腺腔区域所对应的表征向量为
Figure 100002_DEST_PATH_IMAGE005
,
Figure 48284DEST_PATH_IMAGE006
,
Figure 100002_DEST_PATH_IMAGE007
。
优选的，对比学习的第三损失函数采用infoNCEloss，且第一损失函数为第二损失函数和第三损失函数的总和。
优选的，将数字病理切片输入至深度分割模型，得到杯状细胞、腺体及腺腔的分割结果，通过
Figure 709072DEST_PATH_IMAGE001
计算得到肠化比，具体步骤为：
获取分割结果中杯状细胞、腺体细胞及腺腔细胞的像素点个数；
将不同细胞的像素点个数作为不同细胞的面积；
根据
Figure 320182DEST_PATH_IMAGE001
，计算肠化比，得到肠化分级。
第二方面，本发明提供一种用于胃黏膜肠上皮化生的图像分析系统，采用如下的技术方案：
一种用于胃黏膜肠上皮化生的图像分析系统，包括
获取模块，用于获取深度分割模型，其中获取模块包括：
获取单元，用于获取胃ESD手术标本的数字病理切片，并标注数字病理切片中非肿瘤区域的杯状细胞、表面上皮、腺体及腺腔获得标注图片；
预处理单元，用于对所述数字病理切片和标注图片分别进行预处理，得到杯状细胞、腺体及腺腔的单个区域；
分割单元，用于将预处理后的数字病理切片及标注图片发送至分割模型进行图像分割，得到中间特征和关于杯状细胞、腺体及腺腔细胞的分割预测结果；
学习单元，用于基于杯状细胞、腺体及腺腔的单个区域，对所述中间特征进行MLP表征学习，得到不同细胞区域的表征向量；
对比单元，用于将不同细胞区域的表征向量进行对比学习，使得相同细胞组织的表征向量距离靠近，不同细胞组织的表征向量远离；
训练单元，用于采用第一损失函数对分割模型进行训练并带入标注图片，得到深度分割模型；
输出模块，将数字病理切片输入至深度分割模型，得到杯状细胞、腺体及腺腔的分割结果，根据
Figure 877066DEST_PATH_IMAGE001
，计算得到肠化比。
第三方面，本发明提供一种存有计算机程序的计算机可读存储介质，采用如下的技术方案：
一种存有计算机程序的计算机可读存储介质，存储有实现第一方面中任一方法的计算机程序。
综上所述，本发明具有如下的有益技术效果：
1、本发明可以自动分割出数字病理切片中杯状细胞、腺体及腺腔，并得到肠化比，根据肠化比的具体数值，判断肠上皮化生的严重程度，减少评估时间，且提高了评估的准确度；
2、本发明将得到的中间特征进行表征学习，得到表征向量，再将表征向量进行对比学习，使得相同细胞组织的表征向量距离靠近，不同细胞组织的表征向量远离，可以使得分割结果，统计不同细胞的像素点个数更为精确。
附图说明
图1是本发明中深度分割模型的获取流程示意图；
图2是不同细胞区域表征向量提取及对比学习的示意图。
具体实施方式
以下结合图1-图2对本发明作进一步详细说明。
本发明实施例公开一种用于胃黏膜肠上皮化生的图像分析方法。参照图1，一种用于胃黏膜肠上皮化生的图像分析方法包括以下步骤：
S1、获取深度分割模型；
其中深度分割模型的具体获取步骤如下：
S11、获取胃ESD手术标本的数字病理切片，并标注数字病理切片中非肿瘤区域的杯状细胞、表面上皮、腺体及腺腔获得标注图片；
其中，采用ASAP进行标注，采用ASAP标注时选取多边形对非肿瘤区域的杯状细胞、表面上皮、腺体及腺腔进行标注，作为标签用于后期模型的训练；
S12、对数字病理切片和标注图片分别进行预处理，得到杯状细胞、腺体及腺腔的单个区域；
详细地，预处理包括以下步骤：
对数字病理切片和标注图片分别进行分块操作，即将大分辨率的数字病理切片和标注图片分成大小一致的小图片；
保存标注图片中的杯状细胞、腺体及腺腔信息，并提取杯状细胞、腺体及腺腔的单个区域。
其中，大分辨率的数字病理切片的大小为94464像素*48768像素，大小一致的小图片指大小为1024像素*1024像素或512像素*512像素。
由于数字病理切片较大，在后续分割模型中不便操作，分成小图片便于图像分割。
S13、将预处理后的数字病理切片及标注图片发送至分割模型进行图像分割，得到中间特征和关于杯状细胞、腺体及腺腔细胞的分割预测结果；
详细地，将预处理后的数字病理切片及标注图片输入分割模型deeplabv3；
提取deeplabv3中ASPP分类器前的特征为中间特征；
提取经ASPP分类器输出的结果为分割预测结果。
其中，分割模型deeplabv3的第二损失函数采用多标签分类损失函数。
S14、基于杯状细胞、腺体及腺腔的单个区域，对所述中间特征进行MLP表征学习，得到不同细胞区域的表征向量；
详细地，如图2所示，
将所述杯状细胞、腺体及腺腔单个区域作为掩膜，分别与中间特征做不同细胞的特征提取相乘，得到不同细胞区域的特征；
将杯状细胞、腺体及腺腔的特征
Figure 190104DEST_PATH_IMAGE002
,
Figure 920163DEST_PATH_IMAGE003
,
Figure 323462DEST_PATH_IMAGE004
分别经过两次MLP表征学习，得到杯状细胞、腺体及腺腔区域所对应的表征向量为
Figure 113564DEST_PATH_IMAGE005
,
Figure 399051DEST_PATH_IMAGE006
,
Figure 870484DEST_PATH_IMAGE007
。
S15、将不同细胞区域的表征向量进行对比学习，使得相同细胞组织的表征向量距离靠近，不同细胞组织的表征向量远离；
详细地，
采用infoNCEloss为对比学习中的第三损失函数。
S16、采用第一损失函数对分割模型进行训练并带入标注图片，得到深度分割模型。
其中，第一损失函数为第二损失函数和第三损失函数的总和，即infoNCEloss和多标签分类损失函数的总和，代入标注图片，通过第一损失函数训练分割模型，当分割模型迭代次数达到20万代时，保存最后一次迭代的模型参数，为得到的深度分割模型的参数。
S2、将数字病理切片输入至深度分割模型，得到杯状细胞、腺体及腺腔的分割结果，通过
Figure 941339DEST_PATH_IMAGE001
计算得到肠化比；
具体为：
获取分割结果中杯状细胞、腺体细胞及腺腔细胞的像素点个数；
将不同细胞的像素点个数作为不同细胞的面积；
根据
Figure 105605DEST_PATH_IMAGE001
，计算肠化比，得到肠化分级。
另外，深度分割模型中输出的分割结果包括每种细胞的像素点个数；
根据肠化比，得到肠化分级，详细地，
若是肠化比小于
Figure 878388DEST_PATH_IMAGE008
，则可以判断为轻度肠上皮化生；
若是肠化比在
Figure 684670DEST_PATH_IMAGE008
~
Figure DEST_PATH_IMAGE009
，则可以判断为中度肠上皮化生；
若是肠化比大于
Figure 908235DEST_PATH_IMAGE009
，则可以判断为重度肠上皮化生。
训练完成深度分割模型后，未处理的数字病理切片不需经过标注可以直接输入至训练好的深度分割模型，得到该数字病理切片的表征向量和分割结果，根据分割结果中不同细胞的像素点，计算肠化比，
Figure 977822DEST_PATH_IMAGE001
，根据肠化比数值，得到肠化分级。
本发明实施例还公开一种用于胃黏膜肠上皮化生的图像分析系统。
一种用于胃黏膜肠上皮化生的图像分析系统包括：
获取模块，用于获取深度分割模型；
输出模块，用于将数字病理切片输入至深度分割模型，得到杯状细胞、腺体及腺腔的分割结果，根据
Figure 503481DEST_PATH_IMAGE001
，计算得出肠化比。
其中获取模块包括：
获取单元，用于获取胃ESD手术标本的数字病理切片，并标注数字病理切片中非肿瘤区域的杯状细胞、表面上皮、腺体及腺腔获得标注图片；
预处理单元，用于对所述数字病理切片和标注图片分别进行预处理，得到杯状细胞、腺体及腺腔的单个区域；
分割单元，用于将预处理后的数字病理切片及标注图片发送至分割模型进行图像分割，得到中间特征和关于杯状细胞、腺体及腺腔细胞的分割预测结果；
学习单元，用于基于杯状细胞、腺体及腺腔的单个区域，对所述中间特征进行MLP表征学习，得到不同细胞区域的表征向量；
对比单元，用于将不同细胞区域的表征向量进行对比学习，使得相同细胞组织的表征向量距离靠近，不同细胞组织的表征向量远离；
训练单元，用于采用第一损失函数对分割模型进行训练并带入标注图片，得到深度分割模型。
本发明实施例还公开一种存有计算机程序的计算机可读存储介质，存储有实现上述任一方法的计算机程序。
以上均为本发明的较佳实施例，并非依此限制本发明的保护范围，故：凡依本发明的结构、形状、原理所做的等效变化，均应涵盖于本发明的保护范围之内。

Claims (9)

1.一种用于胃黏膜肠上皮化生的图像分析方法，其特征在于，包括以下步骤：
S1、获取深度分割模型，具体获取步骤如下 ：
获取胃ESD手术标本的数字病理切片，并标注数字病理切片中非肿瘤区域的杯状细胞、表面上皮、腺体及腺腔获得标注图片；
对所述数字病理切片和标注图片分别进行预处理，得到杯状细胞、腺体及腺腔的单个区域；
将预处理后的数字病理切片及标注图片发送至分割模型进行图像分割，得到中间特征和关于杯状细胞、腺体及腺腔细胞的分割预测结果；
基于杯状细胞、腺体及腺腔的单个区域，对所述中间特征进行MLP表征学习，得到不同细胞区域的表征向量；
将不同细胞区域的表征向量进行对比学习，使得相同细胞组织的表征向量距离靠近，不同细胞组织的表征向量远离；
采用第一损失函数对分割模型进行训练并带入标注图片，得到深度分割模型；
S2、将数字病理切片输入至深度分割模型，得到杯状细胞、腺体及腺腔的分割结果，通过
Figure DEST_PATH_IMAGE001
计算得到肠化比。
2.根据权利要求1所述的一种用于胃黏膜肠上皮化生的图像分析方法，其特征在于，预处理包括以下步骤：
对所述数字病理切片及标注图片分别进行分块操作，即将大分辨率的数字病理切片和标注图片分成大小一致的小图片；
保存标注图片中的杯状细胞、腺体及腺腔信息，并提取杯状细胞、腺体及腺腔的单个区域。
3.根据权利要求2所述的一种用于胃黏膜肠上皮化生的图像分析方法，其特征在于，大分辨率的数字病理切片的大小为94464像素*48768像素，所述小图片的大小为512像素*512像素或1024像素*1024像素。
4.根据权利要求3所述的一种用于胃黏膜肠上皮化生的图像分析方法，其特征在于，将预处理后的数字病理切片及标注图片发送至分割模型进行图像分割，得到中间特征和关于杯状细胞、腺体及腺腔细胞的分割预测结果，具体为：
将预处理后的数字病理切片及标注图片输入分割模型deeplabv3；
提取deeplabv3中ASPP分类器前的特征为中间特征；
提取经ASPP分类器输出的结果为分割预测结果；
其中所述分割模型deeplabv3的第二损失函数采用多标签分类损失函数。
5.根据权利要求4所述的一种用于胃黏膜肠上皮化生的图像分析方法，其特征在于，基于杯状细胞、腺体及腺腔的单个区域，对所述中间特征进行MLP表征学习，得到不同细胞区域的表征向量，具体步骤如下：
将所述杯状细胞、腺体及腺腔单个区域作为掩膜，分别与中间特征做不同细胞的特征提取相乘，得到不同细胞区域的特征；
将杯状细胞、腺体及腺腔的特征
Figure 248730DEST_PATH_IMAGE002
,
Figure DEST_PATH_IMAGE003
,
Figure 900291DEST_PATH_IMAGE004
分别经过两次MLP表征学习，得到杯状细胞、腺体及腺腔区域所对应的表征向量为
Figure DEST_PATH_IMAGE005
,
Figure 522771DEST_PATH_IMAGE006
,
Figure DEST_PATH_IMAGE007
。
6.根据权利要求5所述的一种用于胃黏膜肠上皮化生的图像分析方法，其特征在于，对比学习的第三损失函数采用infoNCEloss，且第一损失函数为第二损失函数和第三损失函数的总和。
7.根据权利要求6所述的一种用于胃黏膜肠上皮化生的图像分析方法，其特征在于，将数字病理切片输入至深度分割模型，得到杯状细胞、腺体及腺腔的分割结果，通过
Figure 714718DEST_PATH_IMAGE001
计算得到肠化比，具体步骤为：
获取分割结果中杯状细胞、腺体细胞及腺腔细胞的像素点个数；
将不同细胞的像素点个数作为不同细胞的面积；
根据
Figure 794670DEST_PATH_IMAGE001
，计算肠化比，得到肠化分级。
8.一种用于胃黏膜肠上皮化生的图像分析系统，其特征在于，包括：
获取模块，用于获取深度分割模型，其中获取模块包括：
获取单元，用于获取胃ESD手术标本的数字病理切片，并标注数字病理切片中非肿瘤区域的杯状细胞、表面上皮、腺体及腺腔获得标注图片；
预处理单元，用于对所述数字病理切片和标注图片分别进行预处理，得到杯状细胞、腺体及腺腔的单个区域；
分割单元，用于将预处理后的数字病理切片及标注图片发送至分割模型进行图像分割，得到中间特征和关于杯状细胞、腺体及腺腔细胞的分割预测结果；
学习单元，用于基于杯状细胞、腺体及腺腔的单个区域，对所述中间特征进行MLP表征学习，得到不同细胞区域的表征向量；
对比单元，用于将不同细胞区域的表征向量进行对比学习，使得相同细胞组织的表征向量距离靠近，不同细胞组织的表征向量远离；
训练单元，用于采用第一损失函数对分割模型进行训练并带入标注图片，得到深度分割模型；
输出模块，用于将数字病理切片输入至深度分割模型，得到杯状细胞、腺体及腺腔的分割结果，根据
Figure 85974DEST_PATH_IMAGE001
，计算得到肠化比。
9.一种存有计算机程序的计算机可读存储介质，其特征在于，存储有实现权利要求1-7任一方法的计算机程序。
CN202211140101.XA 2022-09-20 2022-09-20 一种用于胃黏膜肠上皮化生的图像分析方法及系统 Active CN115222734B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211140101.XA CN115222734B (zh) 2022-09-20 2022-09-20 一种用于胃黏膜肠上皮化生的图像分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211140101.XA CN115222734B (zh) 2022-09-20 2022-09-20 一种用于胃黏膜肠上皮化生的图像分析方法及系统

Publications (2)

Publication Number Publication Date
CN115222734A true CN115222734A (zh) 2022-10-21
CN115222734B CN115222734B (zh) 2023-01-17

Family

ID=83617755

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211140101.XA Active CN115222734B (zh) 2022-09-20 2022-09-20 一种用于胃黏膜肠上皮化生的图像分析方法及系统

Country Status (1)

Country Link
CN (1) CN115222734B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116342627A (zh) * 2023-05-23 2023-06-27 山东大学 一种基于多实例学习的肠上皮化生区域图像分割系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112489054A (zh) * 2020-11-27 2021-03-12 中北大学 一种基于深度学习的遥感图像语义分割方法
CN112508850A (zh) * 2020-11-10 2021-03-16 广州柏视医疗科技有限公司 基于深度学习的甲状腺细胞病理切片恶性区域的检测方法
WO2021093451A1 (zh) * 2019-11-14 2021-05-20 腾讯科技（深圳）有限公司 病理切片图像的处理方法、装置、系统及存储介质
CN113066080A (zh) * 2021-04-19 2021-07-02 广州信瑞医疗技术有限公司 切片组织识别方法、装置，细胞识别模型及组织分割模型
CN113674253A (zh) * 2021-08-25 2021-11-19 浙江财经大学 基于U-Transformer的直肠癌CT影像自动分割方法
CN114119977A (zh) * 2021-12-01 2022-03-01 昆明理工大学 一种基于图卷积的Transformer胃癌癌变区域图像分割方法
CN114648638A (zh) * 2022-04-02 2022-06-21 北京百度网讯科技有限公司 语义分割模型的训练方法、语义分割方法与装置
CN114882008A (zh) * 2022-06-09 2022-08-09 南京工业大学 一种基于病理图像特征检测肿瘤驱动基因差异表达算法
CN115018780A (zh) * 2022-05-30 2022-09-06 太原理工大学 一种融合全局推理和mlp架构的甲状腺结节分割方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021093451A1 (zh) * 2019-11-14 2021-05-20 腾讯科技（深圳）有限公司 病理切片图像的处理方法、装置、系统及存储介质
CN112508850A (zh) * 2020-11-10 2021-03-16 广州柏视医疗科技有限公司 基于深度学习的甲状腺细胞病理切片恶性区域的检测方法
WO2022100034A1 (zh) * 2020-11-10 2022-05-19 广州柏视医疗科技有限公司 基于深度学习的甲状腺细胞病理切片恶性区域的检测方法
CN112489054A (zh) * 2020-11-27 2021-03-12 中北大学 一种基于深度学习的遥感图像语义分割方法
CN113066080A (zh) * 2021-04-19 2021-07-02 广州信瑞医疗技术有限公司 切片组织识别方法、装置，细胞识别模型及组织分割模型
CN113674253A (zh) * 2021-08-25 2021-11-19 浙江财经大学 基于U-Transformer的直肠癌CT影像自动分割方法
CN114119977A (zh) * 2021-12-01 2022-03-01 昆明理工大学 一种基于图卷积的Transformer胃癌癌变区域图像分割方法
CN114648638A (zh) * 2022-04-02 2022-06-21 北京百度网讯科技有限公司 语义分割模型的训练方法、语义分割方法与装置
CN115018780A (zh) * 2022-05-30 2022-09-06 太原理工大学 一种融合全局推理和mlp架构的甲状腺结节分割方法
CN114882008A (zh) * 2022-06-09 2022-08-09 南京工业大学 一种基于病理图像特征检测肿瘤驱动基因差异表达算法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CONG W.等: "Localizing and Identifying Intestinal Metaplasia Based on Deep Learning in Oesophagoscope", 《2019 8TH INTERNATIONAL SYMPOSIUM ON NEXT GENERATION ELECTRONICS (ISNE)》 *
刘杰英等: "胃窦黏膜肠上皮化生类型与程度的关系及其临床意义", 《临床与实验病理学杂志》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116342627A (zh) * 2023-05-23 2023-06-27 山东大学 一种基于多实例学习的肠上皮化生区域图像分割系统
CN116342627B (zh) * 2023-05-23 2023-09-08 山东大学 一种基于多实例学习的肠上皮化生区域图像分割系统

Also Published As

Publication number Publication date
CN115222734B (zh) 2023-01-17

Similar Documents

Publication Publication Date Title
CN110060244B (zh) 基于深度学习神经网络的细胞检测与分割的系统和方法
US9846932B2 (en) Defect detection method for display panel based on histogram of oriented gradient
CN110472676A (zh) 基于深度神经网络的胃早癌组织学图像分类系统
CN113723573B (zh) 基于自适应比例学习的肿瘤组织病理分类系统及方法
CN111985536A (zh) 一种基于弱监督学习的胃镜病理图像分类方法
US20060002608A1 (en) Image analysis
CN110838100A (zh) 一种基于滑动窗口的结肠镜病理切片筛查与分割系统
CN112990214A (zh) 一种医学图像特征识别预测模型
CN111310768B (zh) 基于鲁棒性背景先验和全局信息的显著性目标检测方法
CN115222734B (zh) 一种用于胃黏膜肠上皮化生的图像分析方法及系统
CN106023151A (zh) 一种开放环境下中医舌象目标检测方法
CN115775226B (zh) 基于Transformer的医学图像分类方法
CN113393454A (zh) 活检组织中病理目标实例分割方法和装置
CN115919231B (zh) 一种基于内镜图像深度卷积网络模型的训练方法，应用及装置
CN111382801B (zh) 一种医学影像分类方法、装置、设备及存储介质
CN115641345A (zh) 一种基于深度学习的多发性骨髓瘤细胞形态精细分割方法
CN113256634A (zh) 基于深度学习的宫颈癌tct切片排阴方法和系统
CN114612738B (zh) 细胞电镜图像分割模型的训练方法和细胞器互作分析方法
Athinarayanan et al. COMPUTER AIDED DIAGNOSIS FOR DETECTION AND STAGE IDENTIFICATION OF CERVICAL CANCER BY USING PAP SMEAR SCREENING TEST IMAGES.
Terada et al. Detecting mass and its region in mammograms using mean shift segmentation and Iris Filter
WO2022173233A9 (ko) 약지도 딥러닝 인공 지능을 이용한 유방 초음파 진단 방법 및 시스템
US20100111397A1 (en) Method and system for analyzing breast carcinoma using microscopic image analysis of fine needle aspirates
Kiyuna et al. Automatic classification of hepatocellular carcinoma images based on nuclear and structural features
Jusman et al. Cervical precancerous classification system based on texture features and support vector machine
CN111144502B (zh) 高光谱图像分类方法及其装置

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