CN116152574A - 一种基于多阶段信息抽取和记忆的病理图像分类方法 - Google Patents
一种基于多阶段信息抽取和记忆的病理图像分类方法 Download PDFInfo
- Publication number
- CN116152574A CN116152574A CN202310403684.9A CN202310403684A CN116152574A CN 116152574 A CN116152574 A CN 116152574A CN 202310403684 A CN202310403684 A CN 202310403684A CN 116152574 A CN116152574 A CN 116152574A
- Authority
- CN
- China
- Prior art keywords
- cell
- pathological image
- node
- stage
- map
- 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 56
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000000605 extraction Methods 0.000 title claims abstract description 18
- 210000004027 cell Anatomy 0.000 claims abstract description 46
- 210000003855 cell nucleus Anatomy 0.000 claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 101100481876 Danio rerio pbk gene Proteins 0.000 claims abstract description 8
- 101100481878 Mus musculus Pbk gene Proteins 0.000 claims abstract description 8
- 238000011176 pooling Methods 0.000 claims abstract description 7
- 210000004940 nucleus Anatomy 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims abstract description 5
- 238000004806 packaging method and process Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 206010028980 Neoplasm Diseases 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 230000007170 pathology Effects 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- 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
- G06V10/40—Extraction of image or video features
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多阶段信息抽取和记忆的病理图像分类方法,包括以下步骤:S1、将病理图像分割出细胞核;S2、利用自然图像预训练权重对细胞核进行特征提取;S3、利用K近邻算法生成细胞核间边连接,将病理图像建模成一张细胞图数据;S4、对细胞图进行卷积,利用TopK抽取代表节点构成新细胞图;S5、将每一阶段细胞图利用LSTM进行记忆学习,将最终细胞图池化进行病理图像分类;该方法可有效解决图神经网络学习过程中存在的信息冗余问题,同时通过利用LSTM进行记忆学习,使得深层次网络也可以保留浅层次信息,有效提高了对病理图像分类的性能,分类准确性高。
Description
技术领域
本发明涉及生物学技术领域,具体涉及一种基于多阶段信息抽取和记忆的病理图像分类方法。
背景技术
医学病理图像是许多疾病诊断分析的金标准,随着社会的发展,癌症的发病率呈现出年轻化的趋势,利用病理图像进行早期的癌症筛查显得至关重要。随着深度学习计算机视觉领域的发展,越来越多研究者将人工智能技术应用在医学病理图像上,辅助医生对癌症进行早期筛查。由于病理图像分辨率巨大,部分病理图像分辨率可达100000×100000,无法使用传统的卷积网络处理病理图像,虽然可以将病理图像切分成为互不重叠的小图片,然后对这些小图片进行分析,但是这种直接对病理图像进行暴力切分的做法没有考虑图片的完整的语义信息。
对于病理图像分析很大程度参考的是病理图像中细胞核的特征,根据细胞核的形态、大小、颜色等特征判断病人的癌症种类。直接暴力切分病理图像会破坏完整的语义信息,为了解决这一问题,可以将病理图像细胞核进行分割,将病理图像的细胞核作为图节点,潜在连接关系作为边,将病理图像用图数据建模,利用图神经网络进行病理图像分类。在图神经网络学习的过程,随着网络的加深,存在部分节点信息冗余问题,同时也存在信息丢失的问题,导致病理图像分类准确性较差,较难满足人们的使用需求。
发明内容
本发明的目的在于提供一种基于多阶段信息抽取和记忆的病理图像分类方法,该基于多阶段信息抽取和记忆的病理图像分类方法可以有效的解决图神经网络学习过程中存在的信息冗余问题,同时为了缓解随着网络深度加深,深层次网络比较会丢失比较多浅层次网络信息这一问题,通过利用LSTM进行记忆学习,使得深层次网络也可以保留浅层次信息,有效提高了对病理图像分类的性能,分类准确性高。
为实现上述目的,本发明采用以下技术方案:
一种基于多阶段信息抽取和记忆的病理图像分类方法,包括以下步骤:
S1、将病理图像分割出细胞核;
S2、利用自然图像预训练权重对细胞核进行特征提取;
S3、利用K近邻算法生成细胞核间边连接,将病理图像建模成一张细胞图数据;
S4、对细胞图进行卷积,利用TopK抽取代表节点构成新细胞图;
S5、将每一阶段细胞图利用LSTM进行记忆学习,将最终细胞图池化进行病理图像分类。
优选地,步骤S1的具体过程为:
S11、将一张病理图像利用Hover-net网络分割出细胞,得到细胞核;
S12、以细胞核为质心进行周围的膨胀,得到以细胞核为中心的细胞核图像,图像大小为224×224。
优选地,步骤S2的具体过程为:
S21、将自然图像预训练好的权重加载到ResNet-34网络,得到中间层512维度特征,并以512维度的特征作为细胞核节点图像特征;
S22、将细胞核节点特征利用图神经网络Pytorch Geometric进行封装。
优选地,步骤S3的具体过程为:
S31、对于每一个节点找到欧式距离内最近的5个点作为邻居,每一个细胞核节点以相同的方法和邻居节点构建边的连接关系;
S32、将细胞核节点边的连接关系利用图神经网络Pytorch Geometric进行封装,得到一张完整的图数据,该图数据即为细胞图,完成将病理图像转化为图数据。
优选地,步骤S4的具体过程为:S41、将细胞图利用GCN卷积进行特征提取,所述GCN卷积的公式为:其中,i 指当前节点,j 指i节点的所有邻居节点,/>指特征所在的层数,/>指第/>层可学习参数矩阵,/>指/>节点的邻居/>在第/>层的节点特征,/>指节点/>邻居个数,/>指激活函数,/>指/>节点聚合邻居之后特征;
S42、将每一阶段卷积之后的细胞图利用TopK抽取代表节点,新的代表节点构成新的细胞图。
优选地,步骤S5的具体过程为:将每一阶段的细胞图利用长短期记忆网络LSTM进行记忆学习,通过长短期记忆网络LSTM记忆每一阶段细胞图的信息,实现时间顺序的信息融合,并将学习后的细胞图进行平局池化用于病理图像分类。
采用上述技术方案后,本发明具有如下有益效果:
1、本发明将一张病理图像制作成细胞图,利用图神经网络对病人图像进行学习,在学习的过程中利用TopK进行节点抽取,将图数据的信息在训练过程中提纯,解决大分辨率病理图像数据冗余的问题,有效提高了对病理图像分类的性能,分类准确性高。
2、本发明在图神经网络学习的过程中利用LSTM进行记忆学习,随着网络深度的增加,深层次的网络会丢失浅层次网络的特征,造成有效的信息丢失,利用LSTM学习每一个阶段的细胞图,可将每一阶段的信息进行融合记忆,减少信息丢失。
3、本发明采用病理数据和网络设计两方面提升病理图像分类性能,将数据学习在每一个阶段进行信息的提纯,为了解决信息在随着图神经网络卷积的进行导致丢失,在时间维度上进行信息记忆,有效提高了对病理图像分类的性能,分类准确性高。
附图说明
图1为本发明的流程图;
图2为本发明的病理图像分割出细胞核以及边构建示意图;
图3为本发明的多阶段信息抽取和记忆模型的结构框图;
图4为本发明的多阶段信息抽取和记忆模型的流程框图。
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。
如图1至图4所示,一种基于多阶段信息抽取和记忆的病理图像分类方法,包括以下步骤:
S1、将病理图像分割出细胞核;
步骤S1的具体过程为:
S11、将一张病理图像利用Hover-net网络分割出细胞,得到细胞核;
S12、以细胞核为质心进行周围的膨胀,得到以细胞核为中心的细胞核图像,图像大小为224×224;
S2、利用自然图像预训练权重对细胞核进行特征提取;
步骤S2的具体过程为:
S21、将自然图像预训练好的权重加载到ResNet-34网络,得到中间层512维度特征,并以512维度的特征作为细胞核节点图像特征;
S22、将细胞核节点特征利用图神经网络Pytorch Geometric进行封装;
S3、利用K近邻算法生成细胞核间边连接,将病理图像建模成一张细胞图数据;
步骤S3的具体过程为:
S31、对于每一个节点找到欧式距离内最近的5个点作为邻居,每一个细胞核节点以相同的方法和邻居节点构建边的连接关系;
S32、将细胞核节点边的连接关系利用图神经网络Pytorch Geometric进行封装,得到一张完整的图数据,该图数据即为细胞图,完成将病理图像转化为图数据;
S4、对细胞图进行卷积,利用TopK抽取代表节点构成新细胞图;
步骤S4的具体过程为:S41、将细胞图利用GCN卷积进行特征提取,所述GCN卷积的公式为:其中,i 指当前节点,j 指i节点的所有邻居节点,/>指特征所在的层数,/>指第/>层可学习参数矩阵,/>指/>节点的邻居/>在第/>层的节点特征,/>指节点/>邻居个数,/>指激活函数,/>指/>节点聚合邻居之后特征;
S42、将每一阶段卷积之后的细胞图利用TopK抽取代表节点,新的代表节点构成新的细胞图;
S5、将每一阶段细胞图利用LSTM进行记忆学习,将最终细胞图池化进行病理图像分类;
步骤S5的具体过程为:将每一阶段的细胞图利用长短期记忆网络LSTM进行记忆学习,通过长短期记忆网络LSTM记忆每一阶段细胞图的信息,实现时间顺序的信息融合,并将学习后的细胞图进行平局池化用于病理图像分类。
以上所述,仅为本发明较佳的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (6)
1.一种基于多阶段信息抽取和记忆的病理图像分类方法,其特征在于,包括以下步骤:
S1、将病理图像分割出细胞核;
S2、利用自然图像预训练权重对细胞核进行特征提取;
S3、利用K近邻算法生成细胞核间边连接,将病理图像建模成一张细胞图数据;
S4、对细胞图进行卷积,利用TopK抽取代表节点构成新细胞图;
S5、将每一阶段细胞图利用LSTM进行记忆学习,将最终细胞图池化进行病理图像分类。
2.如权利要求1所述的一种基于多阶段信息抽取和记忆的病理图像分类方法,其特征在于,步骤S1的具体过程为:
S11、将一张病理图像利用Hover-net网络分割出细胞,得到细胞核;
S12、以细胞核为质心进行周围的膨胀,得到以细胞核为中心的细胞核图像,图像大小为224×224。
3.如权利要求2所述的一种基于多阶段信息抽取和记忆的病理图像分类方法,其特征在于,步骤S2的具体过程为:
S21、将自然图像预训练好的权重加载到ResNet-34网络,得到中间层512维度特征,并以512维度的特征作为细胞核节点图像特征;
S22、将细胞核节点特征利用图神经网络Pytorch Geometric进行封装。
4.如权利要求3所述的一种基于多阶段信息抽取和记忆的病理图像分类方法,其特征在于,步骤S3的具体过程为:
S31、对于每一个节点找到欧式距离内最近的5个点作为邻居,每一个细胞核节点以相同的方法和邻居节点构建边的连接关系;
S32、将细胞核节点边的连接关系利用图神经网络Pytorch Geometric进行封装,得到一张完整的图数据,该图数据即为细胞图,完成将病理图像转化为图数据。
6.如权利要求5所述的一种基于多阶段信息抽取和记忆的病理图像分类方法,其特征在于,步骤S5的具体过程为:将每一阶段的细胞图利用长短期记忆网络LSTM进行记忆学习,通过长短期记忆网络LSTM记忆每一阶段细胞图的信息,实现时间顺序的信息融合,并将学习后的细胞图进行平局池化用于病理图像分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310403684.9A CN116152574B (zh) | 2023-04-17 | 2023-04-17 | 一种基于多阶段信息抽取和记忆的病理图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310403684.9A CN116152574B (zh) | 2023-04-17 | 2023-04-17 | 一种基于多阶段信息抽取和记忆的病理图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116152574A true CN116152574A (zh) | 2023-05-23 |
CN116152574B CN116152574B (zh) | 2023-06-30 |
Family
ID=86350956
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310403684.9A Active CN116152574B (zh) | 2023-04-17 | 2023-04-17 | 一种基于多阶段信息抽取和记忆的病理图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116152574B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050216204A1 (en) * | 2004-03-18 | 2005-09-29 | Bulent Yener | Method and apparatus for tissue modeling |
CN112294337A (zh) * | 2020-09-29 | 2021-02-02 | 山东师范大学 | 基于线性图卷积神经网络的癫痫检测系统 |
CN112446892A (zh) * | 2020-11-18 | 2021-03-05 | 黑龙江机智通智能科技有限公司 | 一种基于注意力学习的细胞核分割方法 |
CN113393443A (zh) * | 2021-06-17 | 2021-09-14 | 华南理工大学 | 一种he病理图像细胞核分割方法及系统 |
CN113591997A (zh) * | 2021-08-03 | 2021-11-02 | 湖州绿色智能制造产业技术研究院 | 基于图学习卷积神经网络的装配特征图连接关系分类方法 |
CN113673451A (zh) * | 2021-08-25 | 2021-11-19 | 上海鹏冠生物医药科技有限公司 | 一种用于组织细胞学病理片图像特征抽取的图卷积模块 |
CN113674252A (zh) * | 2021-08-25 | 2021-11-19 | 上海鹏冠生物医药科技有限公司 | 一种基于图神经网络的组织细胞病理图像诊断系统 |
CN114241478A (zh) * | 2021-11-25 | 2022-03-25 | 上海浦东发展银行股份有限公司 | 宫颈细胞图像中异常细胞图像识别方法、装置 |
CN114299006A (zh) * | 2021-12-24 | 2022-04-08 | 南京航空航天大学 | 一种联合图对比学习的自适应多通道图卷积网络 |
CN115294157A (zh) * | 2022-08-11 | 2022-11-04 | 上海交通大学 | 一种病理图像处理方法、模型和设备 |
CN115761216A (zh) * | 2022-11-22 | 2023-03-07 | 浙江工业大学 | 一种孤独症脑部核磁共振图像识别方法 |
-
2023
- 2023-04-17 CN CN202310403684.9A patent/CN116152574B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050216204A1 (en) * | 2004-03-18 | 2005-09-29 | Bulent Yener | Method and apparatus for tissue modeling |
CN112294337A (zh) * | 2020-09-29 | 2021-02-02 | 山东师范大学 | 基于线性图卷积神经网络的癫痫检测系统 |
CN112446892A (zh) * | 2020-11-18 | 2021-03-05 | 黑龙江机智通智能科技有限公司 | 一种基于注意力学习的细胞核分割方法 |
CN113393443A (zh) * | 2021-06-17 | 2021-09-14 | 华南理工大学 | 一种he病理图像细胞核分割方法及系统 |
CN113591997A (zh) * | 2021-08-03 | 2021-11-02 | 湖州绿色智能制造产业技术研究院 | 基于图学习卷积神经网络的装配特征图连接关系分类方法 |
CN113673451A (zh) * | 2021-08-25 | 2021-11-19 | 上海鹏冠生物医药科技有限公司 | 一种用于组织细胞学病理片图像特征抽取的图卷积模块 |
CN113674252A (zh) * | 2021-08-25 | 2021-11-19 | 上海鹏冠生物医药科技有限公司 | 一种基于图神经网络的组织细胞病理图像诊断系统 |
CN114241478A (zh) * | 2021-11-25 | 2022-03-25 | 上海浦东发展银行股份有限公司 | 宫颈细胞图像中异常细胞图像识别方法、装置 |
CN114299006A (zh) * | 2021-12-24 | 2022-04-08 | 南京航空航天大学 | 一种联合图对比学习的自适应多通道图卷积网络 |
CN115294157A (zh) * | 2022-08-11 | 2022-11-04 | 上海交通大学 | 一种病理图像处理方法、模型和设备 |
CN115761216A (zh) * | 2022-11-22 | 2023-03-07 | 浙江工业大学 | 一种孤独症脑部核磁共振图像识别方法 |
Non-Patent Citations (1)
Title |
---|
BIN YANG; HAIWEI PAN; JIEYAO YU; KUN HAN; YANAN WANG: ""Classification of Medical Images with Synergic Graph Convolutional Networks"", 《IEEE》, pages 253 - 258 * |
Also Published As
Publication number | Publication date |
---|---|
CN116152574B (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111223553B (zh) | 一种两阶段深度迁移学习中医舌诊模型 | |
Zhou et al. | Split depth-wise separable graph-convolution network for road extraction in complex environments from high-resolution remote-sensing images | |
CN109886986B (zh) | 一种基于多分支卷积神经网络的皮肤镜图像分割方法 | |
Bansal et al. | Zero-shot object detection | |
CN110210539B (zh) | 多级深度特征融合的rgb-t图像显著性目标检测方法 | |
CN111242288B (zh) | 一种用于病变图像分割的多尺度并行深度神经网络模型构建方法 | |
CN110472676A (zh) | 基于深度神经网络的胃早癌组织学图像分类系统 | |
CN111612008A (zh) | 基于卷积网络的图像分割方法 | |
CN111524138A (zh) | 一种基于多任务学习的显微图像细胞识别方法及装置 | |
CN107633522A (zh) | 基于局部相似性活动轮廓模型的脑部图像分割方法和系统 | |
Pan et al. | Mitosis detection techniques in H&E stained breast cancer pathological images: A comprehensive review | |
CN113344044B (zh) | 一种基于领域自适应的跨物种医疗影像分类方法 | |
CN110349170B (zh) | 一种全连接crf级联fcn和k均值脑肿瘤分割算法 | |
Yonekura et al. | Improving the generalization of disease stage classification with deep CNN for glioma histopathological images | |
Mei et al. | Dense contour-imbalance aware framework for colon gland instance segmentation | |
CN112164077A (zh) | 基于自下而上路径增强的细胞实例分割方法 | |
Huan et al. | Multilevel and multiscale feature aggregation in deep networks for facial constitution classification | |
CN115937576A (zh) | 基于多尺度融合和注意力机制的肺癌病理图像分类系统 | |
CN113450363B (zh) | 一种基于标签校正的元学习细胞核分割系统及方法 | |
Chen et al. | An adaptive hybrid attention based convolutional neural net for intelligent transportation object recognition | |
CN105809200A (zh) | 一种生物启发式自主抽取图像语义信息的方法及装置 | |
CN116152574B (zh) | 一种基于多阶段信息抽取和记忆的病理图像分类方法 | |
CN116778164A (zh) | 一种基于多尺度结构改进DeeplabV3+网络的语义分割方法 | |
CN115223017B (zh) | 一种基于深度可分离卷积的多尺度特征融合桥梁检测方法 | |
CN116386803A (zh) | 一种基于图的细胞病理报告生成方法 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240506 Address after: 361000 one of 3F, No. 21, shanbian Hongdong Road, Haicang District, Xiamen City, Fujian Province Patentee after: DIAGLOGIC BIOLABS (XIAMEN) Co.,Ltd. Country or region after: China Address before: 361000 Siming South Road, Xiamen, Fujian Province, No. 422 Patentee before: XIAMEN University Country or region before: China |