CN115909006B - 基于卷积Transformer的乳腺组织图像分类方法及系统 - Google Patents
基于卷积Transformer的乳腺组织图像分类方法及系统 Download PDFInfo
- Publication number
- CN115909006B CN115909006B CN202211330166.0A CN202211330166A CN115909006B CN 115909006 B CN115909006 B CN 115909006B CN 202211330166 A CN202211330166 A CN 202211330166A CN 115909006 B CN115909006 B CN 115909006B
- Authority
- CN
- China
- Prior art keywords
- image
- breast tissue
- classification
- breast
- convolution
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 210000001519 tissue Anatomy 0.000 claims abstract description 79
- 210000000481 breast Anatomy 0.000 claims abstract description 73
- 238000012549 training Methods 0.000 claims abstract description 42
- 230000007170 pathology Effects 0.000 claims abstract description 35
- 210000005075 mammary gland Anatomy 0.000 claims abstract description 27
- 239000011521 glass Substances 0.000 claims abstract description 19
- 238000003745 diagnosis Methods 0.000 claims abstract description 13
- 230000003902 lesion Effects 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 101150007144 Intu gene Proteins 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 4
- 238000004043 dyeing Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000000844 transformation Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims 1
- 206010006187 Breast cancer Diseases 0.000 abstract description 6
- 208000026310 Breast neoplasm Diseases 0.000 abstract description 6
- 238000013527 convolutional neural network Methods 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 abstract description 6
- 238000013145 classification model Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 3
- 230000001575 pathological effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000010827 pathological analysis Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 101100481876 Danio rerio pbk gene Proteins 0.000 description 1
- 101100481878 Mus musculus Pbk gene Proteins 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000012774 diagnostic algorithm Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 238000012333 histopathological diagnosis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Abstract
本发明涉及基于卷积Transformer的乳腺组织图像分类方法及系统,包括:采集乳腺组织病理全玻片图像,由病理专家对全玻片图像中的病变区域进行标注,得到标注后的乳腺组织病理全玻片图像;对标注后的乳腺组织病理全玻片图像进行预处理,得到乳腺训练图像;将乳腺训练图像输入到卷积Transformer模型进行训练,得到训练的乳腺分类预测网络模型;将需要预测的乳腺组织病理全玻片图像经过处理后,输入至乳腺分类预测网络模型,得到乳腺样本分类结果。本发明将卷积神经网络与Transformer结合,作为乳腺分类预测模型,提高了分类准确率,强化了分类模型的泛化性能,避免出现漏检或误检;帮助医生快速定位乳腺癌症区域,提高了医生的诊断速度,减少了医生的工作量。
Description
技术领域
本发明属于医学图像分类领域,具体涉及一种基于卷积Transformer的乳腺组织图像分类方法及系统。
背景技术
乳腺组织病理诊断是乳腺诊断的金标准,是确诊乳腺癌的最后一步。但组织病理诊断完全依靠病理医生的专业知识和个人经验进行评估,该项工作费时费力,它要求病理医生具有良好的专业素养,而培养一位专业知识值得肯定和经验丰富的病理学专家,必须要经过长时间的培养和积累,培养过程所需的金钱和时间成本耗费大。同时结果的准确性受到医生个人经验、疲劳程度等主观性因素影响大。
现存人工评估的弊端,以及随着数字化病理的发展,病理实验室可以通过扫描拼接技术,得到大量的乳腺组织病理图像,为开发计算机辅助诊断系统,实现准确、高效、客观定量地分析组织学图像,自动学习乳腺癌组织学特征,进而对病理图像进行组织学分级诊断,辅助病理医生进行诊断,减轻其工作负担,提高诊断效率、为医生提供客观、准确的诊断结果。具有重要的临床意义。
目前在乳腺组织病理全玻片的诊断领域,国内外也有一定量的研究,但是由于具有标注的医学图像量少、乳腺组织病理图像本身存在的复杂性,针对乳腺组织病理全玻片图像的自动分类算法目前还处于理论阶段。目前的乳腺组织病理诊断算法,一类是利用特征提取的方法实现乳腺癌的分类算法。但这些方法步骤繁琐,效率低下,并且在实际的应用中,由于乳腺组织图像的多样性,在特征提取的过程中难以达到医学辅助诊断算法所要求的准确率。一类是利用深度学习算法实现乳腺癌的分类,目前基于深度学习的分类模型,基本都是卷积神经网络模型,鉴于卷积神经网路的卷积和池化操作,它在提取图像的局部特征上有很大的优势。但是卷积神经网络缺乏在病理图像中捕获全局的上下文信息的能力,故不能很好的对目标建立起远距离的依赖。同时,由于组织病理全玻片图像高分辨率的特点,对全玻片图像进行细粒度的标注往往工作量很大,因此大部分的全玻片图像只有一个标签,但是这种全玻片级别的标签只对图像的一小部分有效,这对于分类网络模型的准确度有很大影响。
发明内容
本发明的技术问题是现有技术的乳腺组织病理全玻片图像自动分类方法效率低下、准确率不高。
本发明的目的是解决上述问题,提供一种基于卷积Transformer的乳腺组织图像分类方法及系统,将卷积神经网络与Transformer网络结合,作为乳腺分类预测模型,利用卷积模块提取不同尺度的特征,利用Transformer的自注意力机制使模型具有良好的捕获全局的上下文信息的能力,提高分类预测模型的准确率和泛化性能,避免出现漏检或误检。
本发明的技术方案是基于卷积Transformer的乳腺组织图像分类方法,包括以下步骤:
步骤1:采集乳腺组织病理全玻片图像,由病理专家对全玻片图像中的病变区域进行标注,得到标注后的乳腺组织病理全玻片图像;
步骤2:对标注后的乳腺组织病理全玻片图像进行预处理,得到乳腺训练图像;
步骤3:将乳腺训练图像输入到卷积Transformer模型进行训练,得到训练的乳腺分类预测模型;
步骤4:将需要预测的乳腺组织病理全玻片图像经过处理后,输入至乳腺分类预测模型,得到乳腺样本分类结果。
进一步地,所述卷积Transformer包括多个卷积层构成的卷积模块以及依次连接的多个Encoder编码器和FC全连接层。
优选地,卷积Transformer的卷积模块包括依次连接的卷积核尺寸为7*7步长为2的卷积层、GELU激活函数层、卷积核尺寸为7*7步长为1的卷积层、GELU激活函数层、卷积核尺寸为7*7步长为1的卷积层和GELU激活函数层。
步骤2中,所述对标注后的乳腺组织病理全玻片图像进行预处理,具体包括:
1)对全玻片图像中有标记的区域进行裁剪,得到大小为m*n的图片,其中m表示裁剪后图片的宽度,n表示裁剪后图片的高度,m、n随标记区域大小变化而变化;
2)对裁剪的图片进行染色归一化;
3)对裁剪的图片进行resize操作,将图片调整为相同的尺寸。
优选地,步骤2中,采用Vahadane算法对裁剪的图片进行染色归一化。
步骤3中,通过数据增强方式获取均衡的Normal,Benign,InSitu,Invasive四类图像的数据集,作为卷积Transformer的训练数据;采用多轮学习策略和难例挖掘策略,利用乳腺训练图像训练集对乳腺分类预测模型进行训练;训练过程根据损失函数与梯度下降法寻找模型最优值,损失函数采用交叉熵损失函数,梯度下降法采用自适应动量估计算法Adam。
步骤4包括以下子步骤:
步骤4-1:将乳腺组织病理全玻片图像切成大小相同且互不重叠的Patch块;
步骤4-2:对Patch块进行过滤操作,剔除背景图片,保留乳腺组织图片;
步骤4-3:将保留的乳腺组织图片输入至乳腺分类预测网络模型,根据乳腺分类预测网络模型的输出,得到各个组织图片属于各个类别的概率;
步骤4-4:根据步骤4-3得到的组织图片属于各类别的概率进行排序,筛选出若干最有可能为阳性的组织图片;
步骤4-5:记录筛选出的阳性组织图片的诊断类别,在全玻片图像中的位置信息。
优选地,步骤4-2采用最大类间方差法对Patch块进行过滤操作。
步骤4-3中,乳腺分类预测网络模型输出乳腺组织图片被预测为Normal,Benign,InSitu,Invasive四种类别的概率,每个类别的概率位于[0,1]区间,且乳腺组织图片对应的Normal,Benign,InSitu,Invasive四类的概率之和为1。
步骤4-4中,所述筛选出最大可能性为阳性的乳腺组织图片,具体过程包括:
1)记一张乳腺组织图片被预测为Normal,Benign,InSitu,Invasive四种类别的概率分别为p1,p2,p3,p4,若p1>p2,p1>p3,p1>p4同时成立,则乳腺组织图片被预测为阴性,否则被预测为阳性;
2)对于所有被预测为阳性的乳腺组织图片,记其阳性概率为max(p2,p3,p3),max(p2,p3,p3)表示p2,p3,p4的最大值,然后对阳性的乳腺组织图片的依其阳性概率从大到小排序,并取前k个阳性乳腺组织图片。
相比现有技术,本发明的有益效果包括:
1)本发明的乳腺分类模型巧妙地将卷积神经网络与Transformer融合起来,利用卷积操作最大程度的提取局部特征,利用卷积操作实现层次化设计,提取不同尺度的特征,利用Transformer的自注意力机制使模型具有良好的捕获全局的上下文信息的能力,很好的对病理图像建立起远距离的依赖;该分类模型进一步提高了分类准确率,强化了分类模型的泛化性能,避免出现漏检或误检。
2)本发明借助病理专家对乳腺组织病理全玻片图像进行细粒度的标注,避免了全玻片中的噪声区域影响分类的准确性,提高了乳腺图像分类的准确率。
3)本发明通过筛选乳腺组织病理全玻片图像中最有可能为阳性的若干Patch块,并将其在全玻片图像中的具体位置标注出来供医生查看,帮助医生快速定位乳腺癌症区域,避免了全玻片图像中阴性区域的干扰,提高了医生的诊断速度,减少了医生的工作量。
4)本发明对乳腺组织病理全玻片图像分为Normal,Benign,InSitu,Invasive四类,与二分类相比,具有更高的准确性和医学辅助诊断价值。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1为本发明实施例的乳腺组织图像分类方法的流程示意图。
图2为本发明实施例的乳腺分类预测模型的示意图。
图3为本发明实施例的TransformerEncoder编码器的示意图。
图4为本发明实施例的乳腺组织图像分类系统的系统框架图。
具体实施方式
实施例一
如图1所示,基于卷积Transformer的乳腺组织图像分类方法,包括以下步骤:
步骤1:采集乳腺组织病理全玻片图像,并由病理专家将全玻片中所有的病变区域圈出来,并指明病变的类型Benign、InSitu或Invasive。
步骤2:对全玻片图像中被圈出来的病变区域进行裁剪,得到大小为m*n的图片,m,n随着病变区域大小的变化而变化;使用Vahadane算法对裁剪的图片进行染色归一化;对图片进行resize操作,即将图片统一到相同的尺寸。实施例中,将图片统一调整到512*512大小。
实施例的Vahadane算法参照2016年第8期《IEEE transactions on medicalimaging》刊登的Vahadane A等的论文“Structure-preserving color normalization andsparse stain separation for histological images”公开的Vahadane算法。
步骤3:构建基于视觉Transformer的神经网络,作为乳腺分类预测模型,如图2所示。
原始图片输入乳腺分类预测模型,先经过Conv Stem模块,该卷积模块包括:卷积核尺寸为7*7、步长为2的卷积层,GELU激活函数,卷积核尺寸为7*7、步长为1的卷积层,GELU激活函数,卷积核尺寸为7*7、步长为1的卷积层,GELU激活函数。
接下来,Conv Stem模块输出的图像特征进入到连续的8个Transformer Encoder编码器,Transformer Encoder编码器的结构如图3所示,最后进入全连接层,实现分类。
实施例中,Transformer Encoder编码器包括两部分,第一部分基于多头自注意力机制Multi-Head Self-attention构建,第二部分基于多层感知机MLP构建,多头自注意力单元和多层感知机均采用了残差结构。
多层感知机的每个MLP Block包含两个全连接层,MLP Block的两个全连接层之间添加一个GELU激活函数层。第一个全连接层将输入的序列维度B*N*C转换为B*N*4C,第二个全连接层将其由B*N*4C转化为B*N*C,其中B为超参数,即Batch批大小,N表示序列长度,C表示嵌入向量长度。
多头自注意力机制Multi-Head Self-attention的实现过程如下:
对于输入序列x,对其进行三次线性变换得到Q,K,V;
然后对Q,K,V分别进行n次线性变换,得到n组Q,K,V,n为Multi-Head中头部数量;
对于每一组Qi,Ki,Vi,通过分类函数得到相应输出hi,然后拼接所有的hi,得到最终的输出,分类函数的表达式如下:
其中dh表示通道维度。
训练数据集划分:实施例中,通过数据增强获取均衡的Normal,Benign,InSitu,Invasive四类图像的训练集,这种数据划分方案能保证模型学习的是独立于样本外的泛化特征;采用多轮学习策略和难例挖掘策略训练,利用所述的训练集对乳腺分类预测网络进行训练。具体而言,使用训练数据集对乳腺分类预测网络训练100-200轮,具体的训练轮数需要结合网络的收敛情况、训练集的损失情况以及测试集的准确度来确定。同时,每轮训练过程中,将测试集中预测错误的图像的信息保存,当全部训练完毕后,统计所有训练轮次中预测错误的图像的信息,记录每张图像被预测错误的次数,并按预测错误次数对图像进行排序,取排在前面的被预测错误次数最多的图像,这些图像即为难例,用这些图像作为训练集,继续对分类网络进行训练若干轮次,具体轮次依训练情况而定。
步骤4:将乳腺组织病理全玻片图像切成大小相同且互不重叠的Patch;
实施例的Patch的大小为512*512;使用Ostu算法对Patch进行筛选,保留组织图片;将保留的组织图片输入至乳腺分类预测模型,得到各个组织图片各个类别的概率。记一张组织图片被预测为Normal,Benign,InSitu,Invasive四种类别的概率分别为p1,p2,p3,p4。
若p1>p2,p1>p3,p1>p4同时成立,则组织图片被预测为阴性,否则被预测为阳性。
对于所有被预测为阳性的图片,记阳性的概率为max(p2,p3,p3),即取p2,p3,p4的最大值,然后对阳性图片的概率从大到小排序,并取topk个阳性图片。
实施例中,k的取值为20;记录筛选出的top k个阳性图片的诊断类别,在全玻片中的位置等信息,分类系统的展示层会在全玻片图像上展示这些信息,勾勒出阳性图片的轮廓,帮助医生快速定位病变区域。
具体而言,Otsu算法的原理是用一个阈值将图像中的数据分为两类,一类中图像的像素点的灰度均小于这个阈值,另一类中的图像的像素点的灰度均大于或者等于该阈值。如果这两类中像素点的灰度的方差越大,说明获取到的阈值就是最佳的阈值,利用该阈值可以将图像分为前景和背景两个部分,目标函数为:
l(v)=W0*(U0-U)2+W1*(U1-U)2
其中l(v)为分割阈值为v时的类间方差,v表示阈值,W0表示前景像素点占图像的比例,U0表示前景像素点的均值,W1表示背景像素点占图像的比例,U1表示背景像素点的均值,整个图像的均值为U=W0*U0+W1*U1,使得l(v)最大时所对应的v为最佳阈值。
利用Otsu算法生成掩码,计算Patch的比率Tt,该比率为组织区域的掩码的非零像素个数与整个掩码像数总个数的比值;根据计算的比率对Patch进行筛选。
实施例二
如图4所示,基于卷积Transformer的乳腺组织病理图像分类系统,包括:
图像采集单元,用于采集乳腺组织病理全玻片图像;
预处理单元,用于将标记后的乳腺组织图像进行预处理,得到乳腺训练图像;
训练单元,用于将乳腺训练图像输入到卷积Transformer进行训练,得到训练完成后的乳腺分类预测模型;
预测单元,用于将需要预测的乳腺组织病理全玻片图像经过处理后输入至训练好的乳腺分类预测模型,得到乳腺样本分类结果;
展示单元,用于将乳腺全玻片样本及其分类结果在界面上展示,辅助单医生的诊断。
实施例二的乳腺组织病理图像分类系统采用实施例一的乳腺组织图像分类方法。
实施例三
基于卷积Transformer的乳腺组织图像分类装置,包括:
处理器,以及与处理器通信连接的存储器;
所述存储器存储有可被所述处理器执行的指令,所述指令被处理器执行,以使处理器能够执行如实施例一的乳腺组织图像方法。
Claims (4)
1.基于卷积Transformer的乳腺组织图像分类方法,其特征在于,采用卷积Transformer作为乳腺分类预测模型,卷积Transformer包括多个卷积层构成的卷积模块以及依次连接的多个Encoder编码器和FC全连接层,所述方法包括以下步骤,
步骤1:采集乳腺组织病理全玻片图像,对全玻片图像中的病变区域进行标注,得到标注后的乳腺组织病理全玻片图像;
步骤2:对标注后的乳腺组织病理全玻片图像进行预处理,得到乳腺训练图像;
步骤3:将乳腺训练图像输入到卷积Transformer模型进行训练,得到训练的乳腺分类预测模型;
步骤4:将需要预测的乳腺组织病理全玻片图像经过处理后,输入至乳腺分类预测模型,得到乳腺样本分类结果;
步骤4-1:将乳腺组织病理全玻片图像切成大小相同且互不重叠的Patch块;
步骤4-2:对Patch块进行过滤操作,剔除背景图片,保留乳腺组织图片;
步骤4-3:将保留的乳腺组织图片输入至乳腺分类预测网络模型,得到各个乳腺组织图片属于各个类别的概率;
步骤4-4:根据步骤4-3得到的乳腺组织图片属于各类别的概率进行排序,筛选出最大可能性为阳性的乳腺组织图片;
步骤4-5:记录筛选出的阳性组织图片的诊断类别,在全玻片图像中的位置信息;
步骤4-2采用最大类间方差法对Patch块进行过滤操作;
步骤4-4中,所述筛选出最大可能性为阳性的乳腺组织图片,具体过程包括:
1)记一张乳腺组织图片被预测为Normal,Benign,InSitu,Invasive四种类别的概率分别为p1,p2,p3,p4,若p1>p2,p1>p3,p1>p4同时成立,则乳腺组织图片被预测为阴性,否则被预测为阳性;
2)对于所有被预测为阳性的乳腺组织图片,记其阳性概率为max(p2,p3,p4),max(p2,p3,p4)表示p2,p3,p4的最大值,然后对阳性的乳腺组织图片的依其阳性概率从大到小排序,并取前k个阳性乳腺组织图片;
Transformer Encoder编码器包括两部分,第一部分基于多头自注意力机制Multi-Head Self-attention构建,第二部分基于多层感知机MLP构建,多头自注意力单元和多层感知机均采用残差结构;
多层感知机的每个MLP Block包含两个全连接层,MLP Block的两个全连接层之间添加一个GELU激活函数层;第一个全连接层将输入的序列维度B*N*C转换为B*N*4C,第二个全连接层将其由B*N*4C转化为B*N*C,其中B为超参数,即Batch批大小,N表示序列长度,C表示嵌入向量长度;
多头自注意力机制Multi-Head Self-attention的实现过程如下:
对于输入序列x,对其进行三次线性变换得到Q,K,V;
然后对Q,K,V分别进行n次线性变换,得到n组Q,K,V,n为Multi-Head中头部数量;
对于每一组Qi,Ki,Vi,通过分类函数得到相应输出hi,然后拼接所有的hi,得到最终的输出,分类函数的表达式如下:
其中dh表示通道维度;
通过数据增强获取均衡的Normal,Benign,InSitu,Invasive四类图像的训练集,这种数据划分方案能保证模型学习的是独立于样本外的泛化特征;采用多轮学习策略和难例挖掘策略训练,利用所述的训练集对乳腺分类预测网络进行训练;
每轮训练过程中,将测试集中预测错误的图像的信息保存,当全部训练完毕后,统计所有训练轮次中预测错误的图像的信息,记录每张图像被预测错误的次数,并按预测错误次数对图像进行排序,取排在前面的被预测错误次数最多的图像,这些图像即为难例,用这些图像作为训练集,继续对分类网络进行训练若干轮次。
2.根据权利要求1所述的乳腺组织图像分类方法,其特征在于,卷积Transformer的卷积模块包括依次连接的卷积核尺寸为7*7步长为2的卷积层、GELU激活函数层、卷积核尺寸为7*7步长为1的卷积层、GELU激活函数层、卷积核尺寸为7*7步长为1的卷积层和GELU激活函数层。
3.根据权利要求2所述的乳腺组织图像分类方法,其特征在于,步骤2中,所述对标注后的乳腺组织病理全玻片图像进行预处理,具体包括:
1)对全玻片图像中有标记的区域进行裁剪,得到大小为m*n的图片,其中m表示裁剪后图片的宽度,n表示裁剪后图片的高度,m、n随标记区域大小变化而变化;
2)对裁剪的图片进行染色归一化;
3)对裁剪的图片进行resize操作,将图片调整为相同的尺寸。
4.根据权利要求3所述的乳腺组织图像分类方法,其特征在于,步骤2中,采用Vahadane算法对裁剪的图片进行染色归一化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211330166.0A CN115909006B (zh) | 2022-10-27 | 2022-10-27 | 基于卷积Transformer的乳腺组织图像分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211330166.0A CN115909006B (zh) | 2022-10-27 | 2022-10-27 | 基于卷积Transformer的乳腺组织图像分类方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115909006A CN115909006A (zh) | 2023-04-04 |
CN115909006B true CN115909006B (zh) | 2024-01-19 |
Family
ID=86480514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211330166.0A Active CN115909006B (zh) | 2022-10-27 | 2022-10-27 | 基于卷积Transformer的乳腺组织图像分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115909006B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116486184B (zh) * | 2023-06-25 | 2023-08-18 | 电子科技大学成都学院 | 一种乳腺病理图像识别分类方法、系统、设备及介质 |
CN117238420A (zh) * | 2023-11-14 | 2023-12-15 | 太原理工大学 | 一种极薄带力学性能预测方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108052977A (zh) * | 2017-12-15 | 2018-05-18 | 福建师范大学 | 基于轻量级神经网络的乳腺钼靶图像深度学习分类方法 |
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 |
CN112767325A (zh) * | 2021-01-05 | 2021-05-07 | 清华大学 | 一种癌症病理图像自动检测方法及系统 |
CN113269724A (zh) * | 2021-04-28 | 2021-08-17 | 西安交通大学 | 一种细粒度癌症亚型分类方法 |
CN114359283A (zh) * | 2022-03-18 | 2022-04-15 | 华东交通大学 | 基于Transformer的缺陷检测方法和电子设备 |
CN114511588A (zh) * | 2021-12-24 | 2022-05-17 | 上海派影医疗科技有限公司 | 一种乳腺组织病理图像良恶性判别方法及装置 |
CN114529505A (zh) * | 2021-12-28 | 2022-05-24 | 天翼电子商务有限公司 | 一种基于深度学习的乳腺病变风险评估系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3138679A1 (en) * | 2019-04-30 | 2020-11-05 | The Trustees Of Dartmouth College | System and method for attention-based classification of high-resolution microscopy images |
US20220309661A1 (en) * | 2021-03-26 | 2022-09-29 | Korea Advanced Institute Of Science And Technology | Severity quantification and lesion localization method of infectious disease on cxr using vision transformer and apparatus therefor |
-
2022
- 2022-10-27 CN CN202211330166.0A patent/CN115909006B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108052977A (zh) * | 2017-12-15 | 2018-05-18 | 福建师范大学 | 基于轻量级神经网络的乳腺钼靶图像深度学习分类方法 |
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 |
CN112767325A (zh) * | 2021-01-05 | 2021-05-07 | 清华大学 | 一种癌症病理图像自动检测方法及系统 |
CN113269724A (zh) * | 2021-04-28 | 2021-08-17 | 西安交通大学 | 一种细粒度癌症亚型分类方法 |
CN114511588A (zh) * | 2021-12-24 | 2022-05-17 | 上海派影医疗科技有限公司 | 一种乳腺组织病理图像良恶性判别方法及装置 |
CN114529505A (zh) * | 2021-12-28 | 2022-05-24 | 天翼电子商务有限公司 | 一种基于深度学习的乳腺病变风险评估系统 |
CN114359283A (zh) * | 2022-03-18 | 2022-04-15 | 华东交通大学 | 基于Transformer的缺陷检测方法和电子设备 |
Non-Patent Citations (2)
Title |
---|
Vision Transformers for Classification of Breast Ultrasound Images;Behnaz Gheflati;2022 44th Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC);480-483 * |
基于多尺度通道重校准的乳腺癌病理图像分类;明涛;王丹;郭继昌;李锵;;浙江大学学报(工学版)(第07期);46-54 * |
Also Published As
Publication number | Publication date |
---|---|
CN115909006A (zh) | 2023-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111784671B (zh) | 基于多尺度深度学习的病理图像病灶区域检测方法 | |
CN109886273B (zh) | 一种cmr图像分割分类系统 | |
CN108288506A (zh) | 一种基于人工智能技术的癌症病理辅助诊断方法 | |
CN115909006B (zh) | 基于卷积Transformer的乳腺组织图像分类方法及系统 | |
CA3138959C (en) | Image diagnostic system, and methods of operating thereof | |
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 | |
CN112101451B (zh) | 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法 | |
US8600143B1 (en) | Method and system for hierarchical tissue analysis and classification | |
CN112380900A (zh) | 基于深度学习的子宫颈液基细胞数字图像分类方法及系统 | |
CN110853005A (zh) | 一种免疫组化膜染色切片诊断方法及装置 | |
CN108305253A (zh) | 一种基于多倍率深度学习的病理全切片诊断方法 | |
CN112132166A (zh) | 一种数字细胞病理图像智能分析方法、系统及装置 | |
CN114862838A (zh) | 基于无监督学习的缺陷检测方法及设备 | |
CN111444844A (zh) | 一种基于变分自编码器的液基细胞人工智能检测方法 | |
CN112348059A (zh) | 基于深度学习的多种染色病理图像分类方法及系统 | |
CN112508953A (zh) | 基于深度神经网络的脑膜瘤快速分割定性方法 | |
CN114445356A (zh) | 基于多分辨率的全视野病理切片图像肿瘤快速定位方法 | |
CN110728666B (zh) | 基于数字病理玻片进行慢性鼻窦炎的分型方法及其系统 | |
CN114140437A (zh) | 一种基于深度学习的眼底硬渗出物分割方法 | |
CN113902702A (zh) | 一种基于计算机断层扫描的肺结节良恶性辅助诊断系统 | |
CN112927215A (zh) | 一种消化道活检病理切片自动分析方法 | |
CN116468690B (zh) | 基于深度学习的浸润性非粘液性肺腺癌的亚型分析系统 | |
CN116758336A (zh) | 一种基于人工智能的医学图像智能分析系统 | |
CN115661029A (zh) | 基于YOLOv5的肺结节检测与识别系统 | |
KR102566095B1 (ko) | 조직병리영상의 공동 분류 및 분할을 위한 딥러닝 장치 및 그 방법 |
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 |